0Pricing
Machine Learning Academy · Pelajaran

Pemrograman Tradisional vs Pembelajaran Mesin

Peserta akan membandingkan pemrograman berbasis aturan dengan pembelajaran berbasis data serta memahami mengapa pembelajaran mesin mengungguli logika yang ditulis secara manual dalam tugas pengenalan pola.

Pemrograman Tradisional vs Pembelajaran Mesin adalah pelajaran Machine Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Machine Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Machine Learning Academy mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

What Is Traditional Programming?

Dalam traditional programming, kamu menulis setiap aturan secara manual dan komputer yang akan mengikutinya. Cara ini sangat efektif ketika aturannya jelas — tetapi menjadi mustahil untuk masalah yang kompleks.

Rules-Based Systems and Their Limits

Filter spam berbasis *rules* hanyalah rangkaian panjang pernyataan if. Masalahnya? Para *spammer* terus beradaptasi, menulis fr33 alih-alih free — dan aturan Anda pun harus terus-menerus diperbarui.

# Traditional rules-based spam filter
def is_spam_traditional(email_text):
    spam_words = ['free', 'winner', 'click here', 'buy now']
    for word in spam_words:
        if word in email_text.lower():
            return True
    return False

print(is_spam_traditional('You are a WINNER! Click here for free stuff'))
# Output: True
print(is_spam_traditional('fr33 stuff for you!'))
# Output: False  -- fails on obfuscated spam

How Machine Learning Flips the Paradigm

Machine learning membalikkan keadaan: alih-alih menulis aturan, kamu memberikan banyak contoh data beserta jawaban yang benar ke model, lalu model tersebut akan mempelajari aturannya sendiri.

# The ML paradigm shift
# Traditional: Input + Rules -> Output
# ML:          Input + Output -> Rules (learned automatically)

# Pseudocode conceptual example
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

emails = ['Free money now', 'Meeting at 3pm', 'Win a prize', 'Project update']
labels = [1, 0, 1, 0]  # 1=spam, 0=not spam

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)

model = MultinomialNB()
model.fit(X, labels)  # model learns the rules from data

Data as the New Source of Intelligence

The fuel for machine learning is labeled data — examples where you know the right answer. The more good data you have, the more the model can learn.

When Traditional Programming Still Wins

ML isn't always the answer. Stick with traditional code when the rules are clear and stable, when you have very little data, or when you need fully predictable behaviour.

Pattern Recognition: Where ML Shines

ML really shines at pattern recognition — spotting a cat in a photo, flagging fraud, recognising speech. These patterns are too subtle to spell out by hand.

The Learning Process in Brief

At its core, a model learns by minimising error: it guesses, sees how wrong it was, and adjusts — like fixing your aim after each dart throw. 🎯

# Conceptual training loop
import numpy as np

# Simulate a simple learning process
learning_rate = 0.1
weight = 0.0  # start with a random guess

for epoch in range(10):
    prediction = weight * 2.0
    target = 5.0
    error = target - prediction
    weight += learning_rate * error  # adjust based on error
    print(f'Epoch {epoch+1}: weight={weight:.3f}, error={error:.3f}')

Key Vocabulary: Model, Training, Inference

Three words you'll use a lot: a model maps inputs to outputs, training teaches it from examples, and inference is using it on new data.

Generalisation: The True Goal

The real goal of ML is generalisation — doing well on new, unseen data, not just memorising the training set. That's why we always test on fresh data.

A Concrete Comparison Side by Side

Predicting house prices? Traditional code uses a human's guessed formula. An ML model instead learns the right weights straight from real sales data.

# Traditional: hand-coded formula
def price_traditional(bedrooms, bathrooms, sqft):
    return 100000 + bedrooms * 50000 + bathrooms * 30000 + sqft * 150

# ML: coefficients learned from data
from sklearn.linear_model import LinearRegression
import numpy as np

# Training data (bedrooms, bathrooms, sqft)
X_train = np.array([[3, 2, 1500], [4, 3, 2000], [2, 1, 900]])
y_train = np.array([300000, 450000, 180000])

model = LinearRegression()
model.fit(X_train, y_train)  # learns coefficients from data
print('Learned coefficients:', model.coef_)

Why ML Is Transforming Every Industry

ML is booming because three things lined up: massive data, cheap powerful hardware (GPUs), and free open-source tools that put it in everyone's hands.

Quick Check

Test your understanding of Machine Learning with Python concepts from this lesson.

Lesson Recap

Great start! Traditional code follows hand-written rules, ML learns rules from labeled data, and its true goal is generalising — not memorising. Next: the types of ML.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Pemrograman Tradisional vs Pembelajaran Mesin” gratis?

Ya — teks lengkap “Pemrograman Tradisional vs Pembelajaran Mesin” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Machine Learning Academy, upgrade ke CoddyKit PRO. Kursus Machine Learning Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Pemrograman Tradisional vs Pembelajaran Mesin”?

Peserta akan membandingkan pemrograman berbasis aturan dengan pembelajaran berbasis data serta memahami mengapa pembelajaran mesin mengungguli logika yang ditulis secara manual dalam tugas pengenalan… Kamu berlatih Machine Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Machine Learning Academy?

Tidak diperlukan pengalaman sebelumnya. Machine Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Pemrograman Tradisional vs Pembelajaran Mesin” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Machine Learning Academy ini?

Ya. Setiap pelajaran Machine Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Pemrograman Tradisional vs Pembelajaran Mesin
  2. Pembelajaran Terawasi, Tak Terawasi, dan Penguatan
  3. Alur Kerja Pembelajaran Mesin: Dari Data ke Prediksi
  4. Pembelajaran Mesin di Dunia Nyata: Contoh Penggunaan dan Keterbatasan
← Kembali ke Machine Learning Academy