Pengenalan Dasar Machine Learning: Konsep, Jenis, dan Contoh Penerapan
Seiring perkembangan Artificial Intelligence atau bahasa indonesia kecerdasan buatan, ternyata teknologi ini memiliki berbagai cabang, dan salah satunya ialah Machine Learning. Karena kemampuan untuk belajar layaknya manusia, maka Machine Learning (ML) bisa dikatan sebagai bagian dari kecerdasan buatan.
Mengenai kecerdasan buatan, secara umum terdapat tujuh cabang pengaplikasiannya, yaitu machine learning, natural language processing, expert system, vision, speech, planning, dan robotics. Pengelompokan ini bertujuan untuk memfokuskan pembelajaran dan pengembangan AI karena ruang lingkup kecerdasan buatan pada dasarnya sangat luas.
Machine Learning (ML) atau Pembelajaran Mesin adalah teknologi yang memungkinkan suatu sistem komputer untuk mempelajari data dan pengalaman sebelumnya, lalu menggunakan pengetahuan ini untuk mengambil keputusan dan membuat prediksi yang cerdas. Dalam artikel ini, kita akan membahas konsep dasar Machine Learning, jenis-jenis , serta contoh penerapan dalam berbagai bidang.
Sejarah
Istilah "machine learning" pertama kali digunakan pada tahun 1959 oleh seorang ilmuwan komputer bernama Arthur Samuel. Pada saat itu, Samuel sedang mengembangkan program permainan papan backgammon yang dapat belajar dari pengalaman permainan sebelumnya. Ia menyebut programnya sebagai program "machine learning" karena program tersebut dapat belajar secara mandiri dan meningkatkan kinerjanya seiring waktu.
 |
| arthur samuel, sumber: history computer |
Belajar adalah kegiatan manusia yang sangat kompleks. Jika kita ingin membuat mesin yang belajar, maka kita harus memahami bagaimana manusia belajar - Arthur Samuel (Pioneer of artificial inteligence)
Sejak itu, istilah "machine learning" menjadi semakin populer di kalangan peneliti dan pengembang teknologi. Pada tahun 1990-an, dengan kemajuan komputer dan teknologi internet, teknologi ini mulai diterapkan dalam berbagai bidang, seperti pemrosesan bahasa alami, pengenalan pola, dan data mining.
Konsep Dasar
Machine learning mempunyai kelebihan untuk mempelajari dan memperoleh data yang ia dapat sehingga bisa mengerjakan tugas yang diperintahkan. Tentu untuk mengetahui kenapa ML dapat melakukan hal tersebut, kita perlu mengetahui konsep yang digunakan.
- Data, merupakan bahan mentah yang digunakan oleh sistem ini untuk belajar dan menghasilkan model yang tepat. Data yang didapat dari berbagai sumber seperti basis data, sensor atau internet, harus relevan dengan tugas yang diselesaikan
- Algoritma, adalah serangkaian instruksi logis yang diterapkan pada suatu sistem untuk mempelajari pola dan menghasilkan prediksi yang sesuai. Ada 3 jenis algoritma pada machine learning yaitu, Supervised Learning, Unsupervised Learning, Reinforcement Learning. Ketiga algortima tersebut juga akan dibahas di artikel ini.
- Model, representasi dalam bentuk matematis atau visual dari pola yang ditemukan dalam data oleh algoritma mesin. Model dapat digunakan untuk memprediksi hasil yang belum diketahui berdasarkan data yang telah diuji. Model Machine Learning dapat berupa regresi, klasifikasi, atau pengelompokan.
- Pelatihan, proses di mana model dihasilkan dari data yang ada. Ini sangat berguna untuk menentukan pola dalam data. Proses ini merupakan proses iteratif, artinya model dapat dibentuk serta disempurnakan berdasarkan hasil pengujian.
- Validasi, di mana machine learning akan diuji dengan data yang berbeda dari data sebelumnya digunakan dalam melatih model. Tujuannya adalah untuk memastikan bahwa model yang dihasilkan dapat bekerja dengan baik pada data yang belum pernah dilihat sebelumnya oleh ML.
Jenis-Jenis Machine Learning
Melanjutkan pada pembahasan sebelumnya, berikut jenis-jenis machine learning serta penjelasan lengkap.
- Supervised Learning, adalah jenis ML di mana model dipelajari dengan menggunakan data yang diklasifikasikan atau diberi label sebelumnya. Dalam supervised learning, data dipisahkan menjadi input dan output, dan model dipelajari untuk memetakan input ke output. Contoh penerapan supervised learning adalah klasifikasi gambar, prediksi harga saham, dan sebagainya.
- Unsupervised Learning, jenis ini merupakan sebaliknya dari supervised learning. Di mana ML mempeljari model menggunakan data yang tidak diberi label, sehingga machine learning harus menemukan pola atau struktur dalam data tanpa bantuan label. Contoh penerapannya yaitu pada penggelompokan berita dan segmentasi pasar atau pelanggan.
- Reinforcement Learning, di mana ML belajar melalui pengalaman. Dalam hal ini, mesin akan memutuskan tindakan yang akan diambil berdasarkan pada pengalaman sebelumnya, jika tindakan yang diambil benar maka akan mendapatkan reward jika sebaliknya akan mendapatkan penalty atau hukuman. Contoh penerapannya adalah permainan video game, dan robotika
Contoh Penerapan Machine Learning
Di abad sekarang Machine Learning telah diterapkan dalam berbagai bidang, mulai dari bisnis hingga kesehatan. Berikut adalah beberapa contoh penerapan ML.
- Pendeteksi spam, mesin dapat digunakan untuk mendeteksi email spam karena dapat mempelajari pola-pola yang berkaitan dengan spam dan membuat prediksi berdasarkan pola tersebut.
- Pengenalan suara, aplikasi asisten virtual seperti Siri dan Alexa mampu mempelajari pola-pola yang terkait dengan gelombang suara dan bisa memprediksi berdasarkan pola yang sudah dipelajari sebelumnya.
sumber: sindonews - Diagnosa Medis, perlu kumpulan data yang beragam dari pasien yang mewakili jenis kondisi medis lalu ML mempelajari pola dalam data dan bisa mengidentifikasi faktor-faktor yang berkontribusi pada suatu kondisi medis. Contoh, ML dapat mendeteksi kanker. Dengan menganalisis data dari hasil tes diagnostik, riwayat kesehatan pasienm dan gejala yang dilaporkan, maka machine learning mampu memberikan hasil data yang cepat dan akurat.
Namun, penting untuk diingat bahwa penerapan machine learning perlu pembelajaran yang lebih lanjut serta perlu staff IT yang profesional dalam pengoperasiannya.
Kesimpulan
Machine Learning mampu memberi manfaat dan pastinya mampu memecahkan berbagai masalah kompleks di berbagai macam sektor seperti industri, pendidikan, bisnis, dan sebagainya. Dengan mempelajari pola-pola data yang ada ML mampu bertindak layaknya manusia dalam mengambil keputusan secara cepat dan akurat.
Perlu diingat juga pembelajaran lebih lanjut mengenai teknologi ini sangat dibutuhkan agar menghindari kesalahan-kesalahan dalam penerapannya. Maka diperlukan staff IT profesional dan khusus dalam memberikan pengenalan lebih lanjut mengenai machine learning.
Terima kasih telah membaca, semoga bermanfaat :)
Referensi:
- "Machine Learning: A Probabilistic Perspective" oleh Kevin P. Murphy
- "The Hundred-Page Machine Learning Book" oleh Andriy Burkov
Leave a Comment