Mendengar istilah “machine learning”, kemungkinan besar akan membuat sebagian besar dari kamu mengernyitkan dahi karena masih terasa asing. Padahal hal tersebut lebih dekat dari yang kamu kira karena dalam keseharian kamu sering memakainya tanpa kamu sadari.
Oleh karena itu untuk memperjelas seperti apa konsepnya, mari kita kupas tuntas dalam artikel ini
Apa Itu Machine Learning?
Jadi menurut definisi dari Amazon, machine learning adalah upgrade dari algoritma dan permodelan statistik dari suatu sistem komputen.
Upgrade tersebut berguna agar komputer dapat secara otomatis menjalankan tugasnya tanpa harus menerima instruksi yang sangat detail.
Cukup dengan memasukkan sebuah pola dan inferensi, komputer itu bisa langsung memproses pekerjaannya dari awal hingga akhir dengan baik.
Dengan adanya bantuan machine learning ini akan membuat komputer menjadi lebih efisien karena :
- Jadi mampu mengolah data historis yang berjumlah besar sekalipun sekaligus mengidentifikasi pola data yang terbentuk.
- Memberikan estimasi tentang bagaimana nantinya hasil suatu proses analisis dilakukan dengan lebih akurat. Misalnya, ilmuwan data dapat melatih aplikasi medis untuk mendiagnosis kanker dari gambar sinar-x dengan cara menyimpan jutaan gambar yang dipindai dan diagnosis yang sesuai.
Sejarah Machine Learning
Berikut merupakan pemaparan dari algoritma tentang bagaimana machine learning bisa terbentuk secara kronologis :
- Tahun 1642 ( Terbentuknya Mesin Penjumlah Mekanis )
Mesin yang awalnya Blaise Pascal desain dengan tujuan menghitung perpajakan secara otomatis. Cara kerjanya di sini adalah dengan menambah, mengurangi 2 digit sekaligus mengalikan dan membagi secara berulang. Inilah yang menjadi cikal bakal machine learning.
- Tahun 1801 ( Tercetusnya Sistem Penyimpanan Data Pertama Dalam Alat Tenun )
Sistem penyimpanan data dibuat oleh Joseph Marie Jacquard dengan melubangi sebuah kartu logam untuk memposisikan benang ke posisi yang diinginkan. Kartu-kartu tersebut selanjutnya ia susun menjadi sebuah pola untuk mengomando alat tenun untuk mengulangi pola-pola yang diinginkan secara konsisten.
Sistem tersebut yang kemudian Charles Babbage dan Herman Holerith adaptasikan sebagai media memberikan input dan menghasilkan output ke dalam mesin analisis ciptaannya.
- Tahun 1847 ( Logika Boolean )
Di tahun ini, George Boolean merumuskan logika menjadi bentuk yang sistematis Boolean operator (dan, atau, dan/atau). Hasil dari analisisnya kemudian akan memperoleh respon dengan benar atau salah, ya atau tidak. Kemudian hasil tersebut akan terkonversi menjadi bilangan biner 1 dan 0. Sampai saat ini, mesin pencari masih menggunakan sistem operasi ini dalam cara kerjanya.
- Tahun 1890 ( Muncul Sistem mekanis untuk Menghitung Statistik )
Machine learning semakin berkembang pesat berkat temuan Herman Hollerith yaitu gabungan antara perhitungan mekanis dan kartu punch. Adapun dengan penggabungan itu menyebabkan perhitungan statistik dari ukuran sampel yang berjumlah jutaan dapat dilakukan dengan cepat agar ia bisa secara cepat menghitung statistik yang dikumpulkan dari jutaan orang.
- Tahun 1950 ( Eksperimen Alan Turing )
Alan Turing, seorang ahli matematika Inggris yang memprakarsai pengujian apakah sebuah komputer dapat diatur agar memiliki kecerdasan yang setara manusia. Pengujian dilakukan dengan mengamati perkembangan kecerdasan komputer, apakah mampu mengelabui orang lain agar percaya bahwa ia juga manusia.
- Tahun 1952 ( Learning Program Pertama)
Sistem komputer yang dapat belajar sendiri dimanfaatkan oleh Arthur Samuel membuat program permainan checker. Program yang kemudian memperoleh pengembangan di mana semakin banyak jam terbang komputer bermain maka ia mampu meracik strategi kemenangannya dengan semakin efektif.
- Tahun 1957 ( Neural Network )
Frank Rosenblatt membuat desain algoritma neural network untuk komputer yang mampu mensimulasikan proses berpikir dalam otak manusia.
- Tahun 1967 ( Algoritma Nearest Neighbor )
Dalam sejarah machine learning, algoritma ini memungkinkan komputer untuk mengenali pola yang tarafnya paling basic. Saat itu, algoritma diaplikasikan untuk melack rute salesman yang memulai perjalanan mereka dari satu kota secara acak. Dari situ diharapkan mereka tetap dapat mengunjungi semua kota dalam satu perjalanan yang singkat .
- Tahun 1981 ( Konsep Explanation-Based Learning )
Gerald Dejong memperkenalkan konsep Explanation Based Learning (EBL) yang memungkinkan komputer memiliki kreativitasnya sendiri. Maksud kreativitas di sini adalah dalam hal menganalisis data latihan dan menciptakan peraturan umum yang akan menjadi pedoman kerjanya. Selain itu juga mengerti data-data apa saja yang tidak penting dan harus ia buang.
- Tahun 1985 ( Melatih Komputer Bicara )
Era melatih komputer berbicara dalam sejarah machine learning diinisiasi oleh Terry Sejnowski yang menemukan NetTalk. Sebuah program yang mampu mempelajari cara pengucapan sebuah kata, sama seperti seorang bayi belajar berbicara.
- Era 1990-an ( Pendekatan Berbasis Data )
Orientasi sistem komputer yang dapat belajar mandiri mulai beralih dari yang berfokus pada pengetahuan menjadi fokus pada data. Peneliti mulai menciptakan program komputer untuk menganalisis data dalam jumlah yang besar dan kemudian menarik kesimpulan dari data tersebut.
- Tahun 1997 ( Permainan Catur )
Machine learning semakin terlihat prospeknya untuk menjadi semakin canggih berkat program buatan IBM. Program dengan nama Deep Blue tersebut mampu mengalahkan juara dunia catur.
- Tahun 2006 ( Deep Learning )
Tercetuslah istilah baru “ deep learning “ dari Geoffrey Hinton untuk menerangkan soal pengembangan yang lebih advance pada sistem komputer. Dengan itu, kini komputer jadi bisa membedakan objek dan teks dalam satu gambar atau video.
- Tahun 2010 ( Sensor Gestur )
Microsoft sempat membangu machine learning sendiri yang mereka berikan nama Microsoft Kinect. Program tersebut mampu melacak 20 gerakan manusia sebanyak 30 kali dalam satu detik. Hal ini memungkinkan manusia dapat berinteraksi dengan komputer dengan melakukan suatu gerakan ataupun menunjukkan gestur tertentu.
- Tahun 2011 ( Permainan Jeopardy )
Di tahun ini muncul program buatan IBM, mengalahkan manusia dalam kompetisi permainan Jeopardy, sebuah permainan tebak jumlah. Program tersebut bernama watson
Pada waktu yang sama pula, Google mengembangkan Google Brain. Sebuah program yang memiliki deep neural network untuk menemukan dan mengategori objek sebanyak yang dapat dilakukan oleh kucing.
- Tahun 2012 ( Penelusuran Video Kucing Secara Otomatis )
Google X Lab mengembangkan algoritma yang mampu secara otomatis menelusuri video YouTube. Tidak berhenti di situ saja, algoritma tersebut kemudian secara spesifik mampu mengidentifikasi mana yang merupakan video kucing.
- Tahun 2014 ( DeepFace )
Media sosial Facebook turut serta dalam pengembangan machine learning yang memungkinkan komputer untuk memindai dan mengenali wajah seseorang.
- Tahun 2016 ( Google VS Go )
Algoritma AI buatan Google mampu mengalahkan pemain profesional permainan papan dari Tiongkok yaitu Go. Sebuah permainan yang dinilai tingkat kesulitannya jauh melampaui catur.
Machine Learning, Deep Learning, dan Artificial Intelligence (AI )
Sampai sini, setelah membaca definisi dan sejarah di atas, sangatlah wajar kalau kamu akan menyamakan machine learning dengan AI dan deep learning.
Padahal sebenarnya ketiga istilah tersebut kurang tepat kalau disamakan begitu saja. Supaya tidak salah kaprah mari simak perbedaan machine learning dan deep learning dan perbedaan ai dan machine learning sebagaimana dilansir data camp :
Artificial Intelligence (AI)
Ai mengacu pada suatu program yang dirancang sedemikian rupa agar bisa bertindak cerdas selayaknya manusia melalui pengaturan serangkaian algoritma.
Adapun area yang menjadi fokus utama dalam pengembangan AI agar semakin efisien terbagi menjadi 3 jenis yaitu : belajar mandiri, berlogika, dan mengoreksi.
Machine Learning ( ML)
ML bisa dibilang merupakan turunan dari AI yang memakai berbagai algoritma untuk bisa mempelajari macam-macam data sebelum membuat suatu prediksi.
Prediksi ini dapat dihasilkan melalui pembelajaran yang pengembang monitor secara langsung. Dengan sistem tersebut, algoritma akan belajar dari data-data yang telah disiapkan.
Namun bisa juga pengembang mengatur Machine Learning untuk melakukan pembelajaran tanpa perlu pengawasan sama sekali. Jadi di sini data-data yang diberikan masih mentah dan sangat general.
Deep Learning ( DL )
DL di sisi lain merupakan bentuk upgrade dalam ranah development dari ML. Algoritma yang ditangani oleh Deep Learning jauh lebih kompleks karena berbentuk multi-layered artificial neural networks (ANN) yang terinspirasi dari cara kerja saraf otak manusia.
Disebut kompleks karena algoritma DL sifatnya lebih tidak beraturan tapi karena itulah yang menyebabkan DL memiliki kompetensi di atas ML. Ia mampu belajar data dengan jumlah yang lebih banyak namun hasilnya memiliki akurasi yang juga bagus.
Model Machine Learning
Berikut merupakan jenis – jenis machine learning yang perlu kamu ketahui sebagaimana uraian dari glints :
Supervised Learning
Tipe supervised merupakan algoritma machine learning yang pengaturan datanya sudah diketahui mana input, mana outputnya. Contohnya sebuah alat memiliki data point yang berlabel F (failed) atau R (runs).
Setelah itu, algoritma akan secara otomatis melakukan pembelajaran dengan komparasi antara output yang dihasilkan dengan output yang benar. Ini dilakukan untuk menemukan error atau kesalahan.
Biasanya, pengaplikasian supervised learning terjadi pada program memprediksi kejadian di masa mendatang berdasarkan data historis.
Semi-supervised Learning
Jenis yang satu ini tidak begitu berbeda dibandingkan supervised learning. Akan tetapi, semi-supervised learning menggunakan data berlabel dan tidak untuk melatih algoritma.Biasanya kondisi data yang berlabel jumlahnya kecil sementara yang tidak dilabeli berjumlah besar.
Contoh penggunaan semi-supervised learning adalah untuk proses identifikasi wajah seseorang pada webcam atau kamera smartphone.
Unsupervised Learning
Sesuai namanya unsupervised merupakan kebalikan dari supervised learning. Data yang sedang kamu olah tidak punya label baik itu input maupun outputnya.
Tujuan dari pelaksanaan jenis yang berikut adalah untuk mengeksplorasi data dan menemukan struktur di dalamnya seperti pada data transaksional.
Contohnya untuk mengidentifikasi segmen konsumen dengan atribut yang serupa. Kemudian mengelompokkannya agar dapat ditangani atau diperlakukan sama dalam sebuah kampanye digital marketing.
Reinforcement Learning
Aplikasi reinforcement machine learning adalah pada robotik, pembuatan game, dan navigasi. Dengan tipe ini, algoritma akan mampu menemukan aksi atau perlakuan yang menghasilkan output terbaik dari hasil uji coba berulang kali (trial and error).
Ada tiga komponen utama untuk reinforcement learning yaitu :
- Agen sebagai decision making
- Lingkungan, apa saja yang berinteraksi dengan agen
- Aksi yang menunjukkan apa yang agen bisa lakukan
Metode Machine Learning Dalam Bekerja
Setelah membahas kurang lebih konsep dasar dari machine learning, sekarang waktunya menyelam lebih dalam supaya pemahamanmu lebih luas lagi. Konsep yang akan kamu dapatkan sebentar lagi adalah bagaimana cara kerja machine learning
Langkah Pertama : Mengumpulkan Data
Langkah pertama sekaligus yang paling krusial dalam proses kerja yang ML lakukan adalah mengumpulkan data. Disebut paling krusial karena data adalah selayaknya pembuluh darah bagi performa dari sistem. Bagaimana nanti output yang dihasilkan sangat bergantung pada kualitas dan kuantitas yang diberikan dalam input.
Data di sini bentuknya beraneka ragam mulai dari data base, text files, gambar, audio, dan masih banyak lainnya.
Langkah Kedua : Pra Pemprosesan Data
Adapun langkah-langkah yang dilaksanakan dalam tahapan pra pemrosesan data antara lain :
- Pembersihan data yang meliputi menyingkirkan data-data duplikat dan mengoreksi eror yang terjadi.
- Penanganan data yang hilang baik itu dengan menghapus atau melengkapinya.
- Penormalisasian data dengan mengatur agar data memenuhi standar format yang ditentukan.
Tujuan dari pra pemrosesan adalah mengembangkan kualitas dari datamu dan memastikan model machine learning bisa menginterpretasikannya dengan benar. Dengan begitu akurasinya juga akan semakin meningkat.
Langkah Ketiga : Memilih Model yang Tepat
Sesudah kamu mempersiapkan data-data yang kamu butuhkan maka kini masuk ke langkah selanjutnya yaitu memilih model yang tepat.
Ada banyak sekali model yang dapat kamu pilih seperti linear regression, decision trees, dan neural networks. Pemilihan tergantung dari :
- Bagaimana bentuk data
- Masalah yang ingin kamu selesaikan dan seberapa tinggi tingkat kompleksitasnya
- Ukuran dan tipe data
- Sumber daya yang tersedia
Langkah Keempat : Melatih Model
Kalau sudah memilih model yang kamu rasa paling sesuai maka sekarang kamu harus melatihnya mengelola data-data yang telah dipersiapkan sebelumnya. Maksud dari melatih di sini adalah memasukkan data ke dalam model dan memberinya waktu untuk menyesuaikan parameter internal untuk output yang lebih baik.
Langkah Kelima : Mengevaluasi Model
Sehabis pelatihan model kamu laksanakan, penting sekali juga melakukan evaluasi sebelum kamu menjalankan sistem secara keseluruhan. Evaluasi di sini meliputi pengujian pada data-data baru yang belum diproses dalam model.
Nantinya dalam mengevaluasi, biasanya metriks-metriks yang dipakai untuk menilai sudah sebaik apa performa model yaitu :
- Akurasi
- Presisis
- Squared eror
Langkah Keenam : Melakukan Tune Hyperparameter dan Optimasi
Dari model yang sudah melalui proses evaluasi, kamu masih perlu menyesuaikan hyperparameternya untuk lebih meningkatkan performa. Teknik yang secara umum diterapkan dalam penyesuaian antara lain :
- Grid search, mencoba kombinasi parameter yang berbeda
- Cross validation, membagi data ke dalam beberapa kelompok dan melatih model dengan sekelompok data tersebut. Tujuannya memastikan kinerja model konsisten pada data-data yang berbeda.
Langkah Ketujuh : Prediksi dan Eksekusi
Model yang telah memperoleh optimasi sudah siap membuat prediksi pada data baru yang akan dimasukkan. Nantinya dari output yang dihasilkan akan dipakai untuk mengambil keputusan atau analisis yang lebih lanjut.
Kemudian untuk tahap eksekusi, model akan kamu integrasikan dengan lingkungan produksi. Machine learning akan memproses data sesungguhnya dan menyediakan analisis secara riil time. Proses ini sering disebut sebagai MLOps.
Fungsi Machine Learning
Dengan cara kerja machine learning yang seribet itu memangnya dalam kehidupan sehari-hari dipakai buat apa sih? Tampak hanya untuk “keren-kerenan” saja.
Tunggu dulu, jangan berpikir seperti itu karena justru sistem tersebut sudah diterapkan dalam berbagai aspek seperti yang glints sebutkan di bawah ini :
Menjadi Penolong Dalam Menyelesaikan Masalah yang Terjadi Pada Bisnis
Seiring perkembangannya, machine learning bukan hanya sekedar untuk menunjukkan kecerdasan komputer saat dipertandingkan dengan manusia dalam suatu permainan. Kini sistem pun telah banyak industri-industri besar pakai untuk menyelesaikan masalah yang terjadi dengan lebih efisien.
Menganalisis Perilaku Konsumen Dengan Lebih Mudah
Kira-kira mengapa bisa kamu sehabis mencari informasi suatu barang di e-commerce ataupun google kemudian kamu mendapatkan iklan tentang produk yang sejenis?
Di sinilah machine learning mengambil peran untuk mempelajari perilaku berdasarkan informasi apa yang sedang kamu cari saat itu. Kemudian mengolahnya menjadi layanan personalisasi yang lebih baik.
Mewujudkan Automasi Bisnis
ML tidak sekedar menjadi penolong bisnis saat ada masalah saja karena bisa dipakai pula untuk mengupgrade sistem perusahaan secara keseluruhan. Bukan lagi memakai metode-metode manual yang melelahkan tapi kini dapat bekerja secara otomatis.
Contoh otomasi salah satunya pada divisi sales dan pengelolaan interaksi dengan konsumen melalui ML yang diaplikasikan pada Customer Relationship Management software (CRM).
Dengan ini kita akan jadi lebih mudah menganalisis dan menentukan mana pesan prioritas yang harus dibalas lebih dulu oleh tim sales.
Contoh Penerapan Machine Learning
Inilah contoh- contoh machine learning dalam kehidupan sehari-hari yang selama ini kamu pasti pernah memakainya :
Hasil Pencarian Google
Contoh machine learning yang paling tampak jelas dari kolom pencarian google yang sering kamu pakai untuk menyelami suatu informasi.
Walaupun terlihat sederhana, tinggal ketik dan klik tapi nyatanya dalam mengeksekusi permintaanmu membutuhkan proses algoritma yang kompleks.Tujuannya adalah untuk mengurutkan peringkat dan menganalisis laman web sesuai relevansinya dengan kata kunci dari pengguna.
Aplikasi Penerjemah Bahasa
Contoh kedua dari penerapan sistem machine learning juga tidak kalah banyaknya dipakai yaitu aplikasi penerjemahan bahasa. Adapun untuk bisa membuat pembelajaran mesin ini, kamu harus melatih algoritma agar dapat menerjemahkan teks.
Caranya adalah dengan memberi sekumpulan data berupa sejumlah kata dalam dua bahasa yang berbeda. Setelah itu, algoritma akan belajar mempelajari pola dari data tersebut dan mengembangkan aturan dalam menerjemahkan teks.
Bagaimana, apakah kamu sudah cukup mengerti dengan penjelasan soal teori dan penerapan dari machine learning?
Ini baru permukaannya saja, sob karena sebenarnya masih ada banyak topik menarik lainnya yang dapat dibahas dari topik tersebut. Maka dari itu jangan sampai ketinggalan artikel dari jagoan hosting.
FAQ
Apa Bedanya deep learning dengan machine learning?
ML memecahkan masalah melalui statistik dan matematika. Deep learning menggabungkan statistik dan matematika dengan arsitektur jaringan neural.
Apa itu algoritma AI?
Algoritma AI adalah pemrograman yang memberi tahu komputer cara belajar mengoperasikan sistemnya sendiri.
Apa saja sifat-sifat algoritma ?
- Universal
- Berdiri Sendiri
- 3Sistematis dan Logis
