Apa yang Dimaksud dengan Machine Learning?

Di balik setiap terobosan teknologi mutakhir yang kita nikmati sekarang—seperti Chat GPT, Bard, smart assistant di handphone, hingga self-driving car, ada peran besar machine learning di situ.

Setiap perusahaan yang meluncurkan program dengan embel-embel artificial intelligence, bisa dipastikan mereka menggunakan machine learning.

Apa sebenarnya machine learning? Bagaimana cara kerjanya? Yuk, simak artikel ini sampai habis.

Apa itu machine learning?

Machine learning (ML) merupakan subset dari artificial intelligence (AI) yang memberikan mesin kemampuan untuk belajar selayaknya manusia bermodalkan data, algoritma, dan pengalaman masa lampau.

Selain itu, dengan bantuan algoritma, ML juga mampu mengidentifikasi pola-pola guna menciptakan prediksi dengan intervensi manusia yang sangat minim.

Performa dari algoritma ML beradaptasi dan berangsur meningkat seiring dengan meningkatnya jumlah sampel yang diakses pada fase proses belajar.

Metode machine learning mampu mendukung operasional komputer tanpa memerlukan programming tambahan. Aplikasi ML cukup diberikan data agar mereka mampu berkembang, tumbuh, beradaptasi, dan belajar secara independen.

Machine learning sendiri bukanlah konsep baru. Penerapan kalkulasi matematika yang kompleks guna memprediksi hasil telah diterapkan sejak penciptaan mesin Enigma pada masa Perang Dunia II.

Kini, machine learning telah menjadi komponen yang penting dalam bidang data science. Melalui penggunaan metode statistika, algoritma dilatih untuk melakukan klasifikasi, prediksi, hingga menguak insight berharga dalam data mining.

Ngomong-ngomong tentang machine learning, Pacmann sudah pernah menyinggung tentang pentingnya pemahana statistika dan statistik di salah satu thread di Twitter.

Persepsi orang-orang tentang data science seringkali terkesan sebagai ilmu baru yang rumit dan sophisticated, padahal inti dari data science dan machine learning adalah matematika dan statistik.

Nah, gimana tuh? 🤔

A thread 🧵 pic.twitter.com/seMsLcNPUa

— Pacmann Media (@pacmannai) March 9, 2022

Kamu juga belajar dasar-dasar tentang machine learning secara gratis di YouTube Pacmann.

Baik, kembali ke pembahasan. Bagaimana sebenarnya cara kerja machine learning?

Cara kerja machine learning

Berdasarkan paparan dari UC Berkeley, sebuah algoritma machine learning bekerja dengan adanya 3 komponen berikut:

• Decision process: kumpulan kalkulasi atau berbagai tahapan lainnya yang mengambil data dan “menebak” pola yang akan dicari oleh algoritma
• Error function: metode untuk mengukur seberapa akurat serta seberapa luput hasil “tebakan” dengan cara membandingkannya dengan contoh yang sudah matang
• Updating/optimization process: penerapan algoritma untuk melihat hasil yang luput dari “tebakan” kemudian memperbaharui proses pengambilan keputusannya agar di percobaan berikutnya kesalahan dalam “menebak” bisa diminimalisir

Berdasarkan tiga komponen ini, sebuah algoritma machine learning di-training melalui proses yang iteratif (berulang) hingga ditemukan hasil prediksi yang paling akurat.

Lebih jelasnya bisa dilihat pada bagan berikut.

Untuk lebih jelas memahami cara kerja machine learning, Pacmann akan berikan contoh kasus pada sistem rekomendasi film seperti Netflix atau Disney+.

Awalnya, mesin akan mendapatkan informasi terkait diri kamu serta history tontonan-mu. Kemudian algoritma ML akan memproses informasi tersebut sebagai input belajar untuk memberikan output yang akurat berupa film-film yang sekiranya kamu sukai.

Input informasi dapat berupa film yang kamu tonton, film yang kamu beri rating tinggi, genre film yang biasa kamu tonton, atau film-film yang diperankan aktor/aktris tertentu.

Tugas algoritma adalah untuk memproses parameter-parameter tersebut dan memberikan value pada tiap parameter.

Ketika hasil algoritma benar (kamu mengklik film yang direkomendasikan), maka value-nya dipertahankan. Sebaliknya, jika algoritmanya salah (rekomendasi diabaikan), maka value terhadap parameter tersebut akan direvisi agar kedepannya rekomendasinya lebih akurat.

Tingkat keakuratan dari analisis algoritma ML akan meningkat seiring penggunaan berkat kemampuannya belajar dari data yang dianalisis serta kesalahan yang dibuat.

Tipe-tipe machine learning

Sebagai konsep yang kompleks, machine learning memiliki banyak bidang penerapan dengan tujuan, langkah, hasil, dan metode pengolahan data yang berbeda-beda.

Awalnya, machine learning hanya terbagi menjadi dua tipe, yakni supervised dan unsupervised learning. Namun, seiring dengan munculnya terobosan-terobosan baru, kini terdapat empat jenis machine learning yang paling umum digunakan.

Berikut adalah empat tipe machine learning yang perlu kamu ketahui.

Supervised learning

Supervised learning adalah salah satu pendekatan dalam machine learning yang menggunakan data yang sudah berlabel atau dataset-nya sudah diketahui untuk digunakan dalam model training.

Karena dataset-nya sudah diketahui, maka secara tidak langsung prosesnya pun tersupervisi.

Dalam supervised learning, algoritma ML diberikan seporsi dataset untuk training, yang berfungsi memberikan gambaran mendasar pada algoritma mengenai masalah, solusi, dan data point yang akan dihadapi.

Supervised machine learning dapat diklasifikasikan menjadi dua jenis metode, yakni: 

• Classification
• Regression

Pengaplikasian supervised learning mencakup diagnosa medis, fraud detection, spam detection, hingga speech recognition.

Unsupervised learning

Berbanding terbalik dengan supervised learning, unsupervised learning menggunakan data yang belum berlabel dan belum diketahui.

Pendekatan ini disebut unsupervised sebab tidak diperlukan adanya intervensi manusia dalam penyiapan dataset-nya.

Oleh karena itu, metode ini justru mampu memproses dataset dalam volume yang besar, yang berguna khususnya untuk mengkategorisasikan atau mengelompokkan data yang belum disortir berdasarkan kemiripan maupun perbedaan antara data point.

Umumnya unsupervised learning mencakup beberapa metode berikut:

• Clustering
• Association
• Exploratory data analysis
• Dimensionality reduction

Pengaplikasian unsupervised learning mencakup deteksi anomali untuk fraud detection, identifikasi segmen pasar bisnis, hingga sistem rekomendasi produk atau jasa.

Semi-supervised learning

Semi-supervised learning adalah pendekatan ML yang mengkombinasikan karakteristik dari supervised learning dan unsupervised learning, yakni dengan menggunakan dataset yang sudah berlabel dan yang belum dilabeli dalam training datanya.

Dalam metode ini, mesin menggunakan algoritma unsupervised learning untuk mengelompokkan data yang serupa. Selanjutnya, dengan metode supervised learning, data diberi label guna menghasilkan dataset yang lebih kokoh untuk proses training.

Prosesnya terkadang juga bisa ditukar—mesin bisa diberikan dataset yang sudah berlabel, kemudian mesin dibebaskan untuk mengeksplorasi datanya sendiri dan membentuk pemahaman tersendiri terkait dataset-nya.

Bayangkan konsepnya seperti murid yang mengerjakan tugas sekolah.

Dalam supervised learning, murid belajar dengan bimbingan guru di kelas. Dalam unsupervised learning, murid belajar sendiri di rumah.  Nah, dalam semi-supervised learning, murid merevisi tugasnya sendiri di rumah berdasarkan bimbingan dari guru di kelas.

Semi-supervised learning umumnya terdiri atas dua metode, yakni:

• Self-supervised learning
• Multiple-instance learning

Pengaplikasian semi-supervised learning mencakup speech recognition dan natural language processing, klasifikasi teks dan analisis sentimen, hingga fraud detection.

Reinforcement learning

Reinforcement learning merupakan salah satu pendekatan ML yang agak mirip dengan supervised learning, tetapi alih-alih menggunakan data yang sudah dilabeli, model ini di-training dengan sistem trial-and-error.

Reinforcement learning memiliki tiga komponen, yakni:

• Agent: mesin yang menjalani proses learning
• Environment: segala hal yang berinteraksi dengan agent dan mempengaruhi action yang diambil dalam proses learning 
• Action: tindakan yang dipilih oleh agent

Dalam proses reinforcement learning, model tidak belajar dari data, melainkan hanya dari pengalaman. 

Mesin belajar dari mengetahui mana tindakan yang benar dan yang salah berdasarkan environment-nya. Alhasil, seiring dengan proses yang berulang, mesin jadi belajar tindakan seperti apa yang perlu diambil guna mencapai hasil terbaik.

Salah satu kelebihan dari reinforcement learning adalah kemampuannya untuk belajar dari pengalaman masa lampau yang menghasilkan peningkatan performa seiring waktu.

Terdapat dua jenis reinforcement learning, yaitu:

• Positive reinforcement learning
• Negative reinforcement learning

Pengaplikasian reinforcement learning mencakup aplikasi game theory, autonomous vehicle, hingga pembuatan robot berbasis AI.

Tipe lainnya

Selain pendekatan-pendekatan yang sudah disebutkan, masih banyak pendekatan lainnya dalam lingkup fokus ML yang tidak masuk ke empat kategori di atas. Bahkan tidak jarang beberapa pendekatan ini digunakan bersamaan dalam sebuah sistem machine learning.

• Meta-learning: metode penyusunan algoritma ML berdasarkan metadata yang dihasilkan dari hasil eksperimen algoritma ML lainnya sebagai input.
• Self-learning: metode penyusunan algoritma ML yang mampu membuat keputusan tanpa adanya data yang sudah dilabeli maupun proses reinforcement. Pendekatan ini hanya memiliki satu input, satu situasi, dan satu output atau action yang diambil.
• Feature learning: teknik dalam ML yang membuat sistem mampu menemukan representasi dari raw data untuk feature detection atau classification.

Berbagai model dan algoritma dalam machine learning

Dalam machine learning, dikenal istilah algoritma dan model. Dua istilah ini sering digunakan secara bergantian, sebab sebuah model dibentuk dari algoritma ML. 

Sebuah model atau algoritma ML adalah sebuah metode, teknik, atau program berbasis fungsi matematika dan statistika yang digunakan untuk mencari pola dari data dan menghasilkan prediksi.

Terdapat sangat banyak jenis model algoritma dalam machine learning. Berikut adalah beberapa yang populer digunakan:

Artificial neural networks (ANN)

Artificial neural network merupakan salah satu metode analisis data yang bekerja dengan cara mengimitasi cara kerja otak manusia.

ANN terdiri atas beberapa nodes yang saling terhubung layaknya jaringan neuron pada otak manusia.

Sebuah model neural network terdiri atas tiga lapisan, yakni input layer, hidden layer, dan output layer.

Decision trees

Decision trees adalah salah satu model ML yang menggunakan struktur logika layaknya cabang pada pohon. Setiap cabang merepresentasikan hasil dan konsekuensi tindakan yang berbeda.

Semakin banyak cabang dan daun (nodes) pada decision tree, maka semakin akurat juga hasilnya.

Decision trees biasa digunakan sebagai solusi untuk kebutuhan regression atau classification.

Support-vector machine

Support-vector machine (SVM) adalah model ML yang bertujuan untuk mengklasifikasikan data point dengan metode linear classification menjadi satu atau dua kategori.

Pengklasifikasian ini dilakukan dengan mencari linear decision boundary yang disebut hyperplane. Semakin besar margin antara dua kategori, maka semakin akurat hyperplane yang ditemukan.

Bayesian network

Bayesian network, disebut juga belief network, merupakan sebuah probabilistic graphical model yang merepresentasikan rangkaian variabel random dan hubungan kondisional antar variabel dengan sebuah directed acrylic graph (DAG).

Sebagai contoh , Bayesian network dapat merepresentasikan hubungan probabilitas antara hujan, penyiram tanaman, dan basahnya rumput.

Dalam dunia medis, model ML ini kerap digunakan untuk menganalisis hubungan probabilitas antara suatu penyakit dan gejala-gejalanya.

Kegunaan dari machine learning

Kehadiran machine learning tentunya berperan besar dalam memudahkan kerja manusia. Berikut adalah beberapa kelebihan dari penerapan sistem machine learning:

• Membuka peluang bagi para programmer maupun data scientist untuk berfokus ke hal yang lebih produktif
• Memudahkan manusia dalam menyelesaikan pekerjaan, seperti menerjemahkan dari bahasa satu ke lainnya
• Bisa melakukan identifikasi pola data maupun tren yang mungkin muncul di masa depan
• Menghasilkan prediksi yang akurat dan cepat
• Mampu menangani data dalam berbagai format, baik yang bersifat dinamis, volume tinggi, maupun kompleks
• Tidak membutuhkan intervensi manusia
• Fleksibel dan bisa diterapkan dalam media apapun

Selain manfaat-manfaat di atas, machine learning juga dapat difungsikan sebagai solusi dari masalah-masalah spesifik. Berikut adalah beberapa contoh yang sudah Pacmann bahas:

• Mengembangkan bisnis
• Menghentikan cyberbullying
• Mencegah serangan phishing

Sekarang kamu tahu apa itu machine learning, bagaimana cara kerjanya, dan betapa besar peran machine learning dalam kehidupan kita sekarang yang dipenuhi teknologi digital.

Dengan machine learning, individu maupun bisnis mampu membuka peluang untuk value yang lebih besar atau bahkan sekadar meningkatkan efisiensi kerja.

Ingin tahu lebih lanjut soal machine learning dan topik relevan lainnya? Pacmann punya solusinya!

Belajar sekarang di Pacmann Pro atau cek Job Preparation Program untuk belajar membangun solusi machine learning secara end-to-end, mulai dari pembentukan requirement hingga deployment system lengkap dengan fitur mentoring dan diskusi langsung dengan para praktisi.

Cocok untuk kamu yang ingin mulai berkarier atau meningkatkan skill di bidang ini.

Further reading:

What Is Machine Learning? Definition, Types, Applications, and Trends for 2022

What is machine learning?

How machine learning works

Machine Learning Models: What They Are and How to Build Them