Mengenal apa itu Machine Learning?

Di tengah pesatnya perkembangan teknologi kecerdasan buatan atau artificial intelligence (AI) saat ini. Belum banyak orang yang mengetahui bahwa kecerdasan buatan itu terdiri dari beberapa cabang, salah satunya adalah machine learning atau pembelajaran mesin. Teknologi machine learning (ML) ini merupakan salah satu cabang dari AI yang sangat menarik perhatian, kenapa? Karena machine learning merupakan mesin yang bisa belajar layaknya manusia.

Kembali pada kecerdasan buatan. Kecerdasan buatan pada pengaplikasiannya secara garis besar terbagi tujuh cabang, yaitu machine learning, natural language processing, expert system, vision, speech, planning dan robotics. Percabangan dari kecerdasan buatan tersebut dimaksudkan untuk mempersempit ruang lingkup saat pengembangan atau belajar AI, karena pada dasarnya kecerdasan buatan memiliki ruang lingkup yang sangat luas.

Apa itu Machine Learning?

Menurut IBM, machine learning merupakan cabang dari kecerdasan buatan (AI) dan ilmu komputer yang berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar dan secara bertahap dapat meningkatkan akurasinya. Machine learning merupakan komponen penting dari bidang ilmu tentang perkembangan data. Melalui penggunaan statistik, algoritma machine learning dilatih untuk membuat klasifikasi atau prediksi dalam pengembangan data.

Jadi, Teknologi machine learning (ML) adalah mesin yang dikembangkan untuk bisa belajar dengan sendirinya tanpa arahan dari penggunanya. Pembelajaran mesin dikembangkan berdasarkan disiplin ilmu lainnya seperti statistika, matematika dan data mining sehingga mesin dapat belajar dengan menganalisa data tanpa perlu di program ulang atau diperintah. Dalam hal ini machine learning memiliki kemampuan untuk memperoleh data yang ada dengan perintah ia sendiri. ML juga dapat mempelajari data yang ada dan data yang ia peroleh sehingga bisa melakukan tugas tertentu. Tugas yang dapat dilakukan oleh ML pun sangat beragam, tergantung dari apa yang ia pelajari.

Istilah machine learning pertama kali dikemukakan oleh beberapa ilmuwan matematika seperti Adrien Marie Legendre, Thomas Bayes dan Andrey Markov pada tahun 1920-an dengan mengemukakan dasar-dasar machine learning dan konsepnya. Pengembangan data yang ditangani machine learning ini mencakup wawasan utama dari kecerdasan buatan dan pengambilan keputusan dalam aplikasi atau bisnis. Keberadaan machine learning disebut mampu memengaruhi matrik pertumbuhan ideal dari basis data dalam dunia bisnis teknologi informasi.

Perkembangan data yang makin hari semakin besar dan bertumbuh, permintaan pasar untuk ilmuwan data juga akan meningkat. Hal ini nantinya akan menuntut para pakar data untuk mengidentifikasi pertanyaan bisnis yang paling relevan dan lantas melakukan sinkronisasi terhadap data untuk menjawab itu. Peran machine learning ada dalam penyesuaian antara pertanyaan dan jawaban terkait data yang terus berkembang ini.

Teknik Belajar dari Machine Learning

Ada beberapa teknik yang dimiliki oleh machine learning, namun secara luas machine learning memiliki dua teknik dasar belajar, yaitu supervised dan unsupervised.

Supervised Learning

Teknik supervised learning merupakan teknik yang bisa kamu terapkan pada pembelajaran mesin yang bisa menerima informasi yang sudah ada pada data dengan memberikan label tertentu. Diharapkan teknik ini bisa memberikan target terhadap output yang dilakukan dengan membandingkan pengalaman belajar di masa lalu.

Unsupervised Learning

Teknik unsupervised learning merupakan teknik yang bisa kamu terapkan pada machine learning yang digunakan pada data yang tidak memiliki informasi yang bisa diterapkan secara langsung. Diharapkan teknik ini dapat membantu menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label.

Cara kerja dari Machine Learning

Pada dasarnya, ada empat jenis cara kerja machine learning. Keempatnya adalah pembelajaran terarah (supervised learning), pembelajaran tak terarah (unsupervised learning), pembelajaran semi terarah (semi-supervised learning), dan reinforcement learning. Alur kerja machine learning meliputi pengumpulan data, eksplorasi data, pemilihan model (regresi linier, regresi logistik, neural network, dan lain sebagainya), pemberian latihan terhadap model yang dipilih, evaluasi model, dan prediksi.

Akurasi awal dari program machine learning biasanya sangat buruk, sebab pada mulanya program ini “tidak tahu apa-apa”. Namun, seiring berjalannya waktu semakin sering kita melatih suatu program, semakin banyak pula contoh-contoh yang dipelajari oleh mereka. Maka, program machine learning akan semakin “cerdas” dan akurat. Misalnya saja saat kita bermain gim role playing game (RPG) yang menggunakan artificial intelligence. pertama kali kita bermain dengan RPG tersebut, maka dengan mudah kita akan bisa memenangkan permainan. Namun, setelah beberapa kali permainan, engine atau algoritma game itu akan belajar dari pola-pola sebelumnya, sehingga lawan semakin sulit dikalahkan.

Contoh Penerapan dari Machine Learning

1. Penerapan di bidang kedokteran contohnya adalah mendeteksi penyakit seseorang dari gejala yang ada. Contoh lainnya adalah mendeteksi penyakit jantung dari rekaman elektrokardiogram.
2. Pada bidang computer vision contohnya adalah penerapan pengenalan wajah dan pelabelan wajah seperti pada facebook. Contoh lainnya adalah penterjemahan tulisan tangan menjadi teks.
3. Pada bidang information retrival contohnya adalah penterjemahan bahasa dengan menggunakan komputer, mengubah suara menjadi teks, dan filter email spam.

Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tanpa data maka tidak akan bisa bekerja. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma untuk mencari model yang cocok, sementara data testing akan dipakai untuk mengetes dan mengetahui performa model yang didapatkan pada tahapan testing.

Dari model yang didapatkan, kita dapat melakukan prediksi yang dibedakan menjadi dua macam, tergantung tipe keluarannya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Contohnya klasifikasi jenis kelamin dilihat dari tulisan tangan (output laki dan perempuan). Sementara jika kelurannya bersifat kontinyu, maka dinamakan proses regresi. Contohnya prediksi kisaran harga rumah di kota Bandung (output berupa harga rumah).