Mechine learning pertama kali di temukan oleh ilmuan matematika pada th 1920-an. Ilmuan tersebut antara lain: Andrey Markov, Andrien M. Legendre, dan Thomas Bayes.
Istilah machine learning pada dasarnya adalah proses komputer untuk belajar dari data (learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. Datanya bisa saja sama, tetapi algoritma dan pendekatannya berbeda-beda untuk mendapatkan hasil yang optimal.
Pembelajaran mesin modern memiliki dua tujuan, satu adalah untuk mengklasifikasikan data berdasarkan model yang telah di kembangkan, tujuan lainnya adalah untuk membuat prediksi untuk hasil masa depan berdasarkan model ini.
Pembelajaran mesin dan penambangan data sering menggunakan metode yang sama dan tumpang tindih secara signifikan, tetapi sementara pembelajaran mesin berfokus pada prediksi, berdasarkan properti yang di ketahui yang di pelajari dari data pelatihan, penambangan data berfokus pada penemuan ( sebelumnya ) properti yang tidak di ketahui dalam data (ini adalah langkah analisis penemuan pengetahuandalam database). Penambangan data menggunakan banyak metode pembelajaran mesin, tetapi dengan tujuan yang berbeda; di sisi lain, pembelajaran mesin juga menggunakan metode penambangan data sebagai “pembelajaran tanpa pengawasan” atau sebagai langkah pra-pemrosesan untuk meningkatkan akurasi pelajar
Proses mechine learning bekerja
- Proses pengumpulan berbagai data dan informasi yang diperlukan untuk dimasukan ke dalam sistem.
- Setelah itu dilanjutkan dengan eksplorasi. Di mana dari data-data tadi diolah dan dikembangkan sesuai kebutuhan.
- Ketiga yaitu penentuan model mesin yang dipilih agar sesuai sistem yang akan ditanam nantinya.
- Apabila mesin pilihan sudah ditanam, maka dilanjutkan dengan pelatihan model hingga mencapai kecakapan tertentu.
- Terakhir ialah evaluasi dari seluruh rangkaian hingga hasil proses yang berlangsung.
Belajar Machine Learning
Machine Learning merupakan salah satu cabang dari disiplin ilmu Kecerdasan Buatan (Artificial Intellegence) yang membahas mengenai pembangunan sistem yang berdasarkan pada data. Banyak hal yang dipelajari, akan tetapi pada dasarnya ada 4 hal pokok yang dipelajari dalam machine learning.
Pembelajaran Terarah (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.
Misalkan kamu mempunyai sejumlah film yang sudah kamu beri label dengan kategori tertentu. Kamu juga memiliki film dengan kategori komedi meliputi film 21 Jump Street dan Jumanji. Selain itu kamu juga punya kategori lain misalkan kategori film horror seperti The Conjuring dan It. Ketika kamu membeli film baru, maka kamu akan mengidentifikasi genre dan isi dari film tersebut. Setelah film teridentifikasi barulah kamu akan menyimpan film tersebut pada kategori yang sesuai.
Pembelajaran Semi Terarah (Semi-supervised 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.
Sedikit berbeda dengan supervised learning, kamu tidak memiliki data apapun yang akan dijadikan acuan sebelumnya. Misalkan kamu belum pernah sekalipun membeli film sama sekali, akan tetapi pada suatu waktu, kamu membeli sejumlah film dan ingin membaginya ke dalam beberapa kategori agar mudah untuk ditemukan.
Tentunya kamu akan mengidentifikasi film-film mana saja yang mirip. Dalam hal ini misalkan kamu mengidentifikasi berdasarkan dari genre film. Misalnya, kamu mempunyai film the Conjuring, maka kamu akan menyimpan film The Conjuring tersebut pada kategori film horror.
Cara Kerja Machine Learning
Cara kerja machine learning sebenarnya berbeda-beda sesuai dengan teknik atau metode pembelajaran seperti apa yang kamu gunakan pada ML. Namun pada dasarnya prinsip cara kerja pembelajaran mesin masih sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari ML. Untuk memahami cara kerja dari ML, mari kita ulas cara kerja dari beberapa penerapannya berikut ini.
AlphaGo merupakan machine learning yang dikembangkan oleh Google. Saat awal dikembangkan AlphaGO akan dilatih dengan memberikan 100 ribu data pertandingan Go untuk ia pelajari. Setelah AlphaGo mempunyai bekal dan pengetahuan cara dan strategi bermain game Go dari mempelajari 100 ribu data pertandingan Go tersebut. AlphaGo akan belajar kembali dengan bermain Go bersama dengan dirinya sendiri dan setiap kali ia kalah ia akan memperbaiki cara ia bermain dan proses bermain ini akan diulang sampai jutaan kali.
Perbaikan cara bermain AlphaGo dilakukan oleh dirinya sendiri berdasarkan pengalamannya saat ia bermain melawan dirinya sendiri atau melawan orang lain. AlphaGo juga bisa mensimulasikan beberapa pertandingan pada satu waktu secara bersamaan. Artinya dalam satu waktu ia bisa melakukan beberapa pertandingan Go sekaligus untuk dipelajari. Sehingga proses belajar dan pengalamannya bermain Go juga bisa lebih banyak dibanding manusia. Hal ini terbukti ketika AlphaGo bermain dengan juara dunia Go pada tahun 2016 dan ia bisa menjadi pemenangnya.
Dari penerapan machine learning pada AlphaGo, kita bisa memahami bahwa machine learning akan terus belajar selama ia digunakan. Sama halnya seperti fitur deteksi wajah di foto yang dimiliki Facebook ia akan belajar mengenal pola wajah kamu berdasarkan tanda yang kamu masukkan saat memposting sebuah foto. Dari orang yang kamu tandai pada foto tersebut ML akan menjadikan informasi tersebut sebagai media untuk belajar.
Jadi tidak heran apabila machine learning sering digunakan, maka tingkat akurasinya semakin baik dibanding di awal-awal. Hal ini dikarenakan machine learning telah banyak belajar seiring waktu dari pemakaian machine learning oleh pengguna. Seperti pada fitur deteksi wajah milik Facebook semakin banyak orang yang menggunakan fitur tersebut dan menandai orang-orang yang ada di foto maka tingkat akurasi orang yang dideteksi pun semakin baik.
Dampak Machine Learning di Masyarakat
Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknolgi machine learning. Ya, dampak positif dan dampak negatif.
Salah satu dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Terbantunya aktivitas yang harus dilakukan manusia pun menjadi salah satu dampak positif machine learning. Sebagai contohnya adalah adanya fitur pengecekan ejaan untuk tiap bahasa pada Microsoft Word. Pengecekan secara manual akan memakan waktu berhari-hari dan melibatkan banyak tenaga untuk mendapatkan penulisan yang sempurna. Tapi dengan bantuan fitur pengecekan ejaan tersebut, secara real-time kita bisa melihat kesalahan yang terjadi pada saat pengetikan.
Akan tetapi disamping itu ada dampak negatif yang harus kita waspadai. Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat teknologi machine learning adalah suatu permasalahan yang harus dihadapi. Ditambah dengan ketergantungan terhadap teknologi akan semakin terasa. Manusia akan lebih terlena oleh kemampuan gadget-nya sehingga lupa belajar untuk melakukan suatu aktivitas tanpa bantuan teknologi.
Apa saja tipe algoritme machine learning?
Algoritme dapat dikelompokkan berdasarkan empat gaya belajar yang berbeda tergantung pada output yang diperkirakan dan tipe input.
- Machine learningyang diawasi
- Machine learningyang tidak diawasi
- Pembelajaran yang semi-diawasi
- Machine learningpenguatan
1. Machine learning yang diawasi
Ilmuwan data memasok algoritme dengan data pelatihan yang diberi label dan ditentukan untuk menilai korelasi. Sampel data menentukan baik input maupun output algoritme. Misalnya, gambar angka tulisan tangan diberi anotasi untuk menunjukkan angka yang sesuai. Sistem pembelajaran yang diawasi dapat mengenali klaster piksel dan bentuk yang terkait dengan setiap angka, jika diberikan contoh yang cukup. Sistem pembelajaran tersebut pada akhirnya akan mengenali angka tulisan tangan, yang dengan reliabel membedakan antara angka 9 dan 4 atau 6 dan 8.
Kekuatan pembelajaran yang diawasi adalah kesederhananaan dan kemudahan desainnya. Sistem pembelajaran ini sangat berguna saat memprediksi kemungkinan set hasil yang terbatas, membagi data ke dalam kategori, atau mengombinasikan hasil dari dua algoritme machine learning lainnya. Namun, melabeli jutaan set data tidak berlabel adalah hal yang menantang. Mari lihat lebih dekat hal berikut:
Apa itu pelabelan data?
Pelabelan data adalah proses menggolongkan data input dengan nilai output ditentukan yang terkait. Data pelatihan berlabel diperlukan untuk pembelajaran yang diawasi. Misalnya, jutaan gambar apel dan pisang perlu ditandai dengan kata “apel” atau “pisang.” Kemudian, aplikasi machine learning dapat menggunakan data pelatihan ini untuk menerka nama buah saat diberi sebuah gambar buah. Namun, melabeli jutaan data yang baru mungkin menjadi tugas yang memakan waktu dan menantang. Layanan crowd-working seperti Amazon Mechanical Turk dapat mengatasi keterbatasan algoritme pembelajaran yang diawasi ini sampai batas tertentu. Layanan ini menyediakan akses ke kolam besar tenaga kerja terjangkau yang tersebar di seluruh dunia, sehingga dapat mengurangi kesulitan dalam akuisisi data.
2. Machine learning yang tidak diawasi
Algoritme pembelajaran yang tidak diawasi melatih data tidak berlabel. Algoritme ini memindai melalui data baru, yang berupaya membangun hubungan penting antara input dan output yang telah ditentukan. Algoritme ini dapat menemukan pola dan menggolongkan data. Misalnya, algoritme yang tidak diawasi dapat mengelompokkan artikel berita dari situs berita yang berbeda ke dalam kategori umum seperti olahraga, kriminal, dll. Algoritme ini dapat menggunakan pemrosesan bahasa alami untuk memahami makna dan emosi dalam artikel tersebut. Dalam retail, pembelajaran yang tidak diawasi dapat menemukan pola dalam pembelian pelanggan dan memberikan hasil analisis data seperti — pelanggan kemungkinan besar akan membeli roti jika membeli mentega juga.
Pembelajaran yang tidak diawasi berguna untuk rekognisi pola, deteksi anomali, dan mengelompokkan data secara otomatis ke dalam beberapa kategori. Karena data pelatihan tidak memerlukan pelabelan, pengaturannya menjadi mudah. Algoritme ini juga dapat digunakan untuk membersihkan dan memproses data untuk pemodelan lebih lanjut secara otomatis. Keterbatasan metode ini adalah tidak dapat memberikan prediksi yang presisi. Selain itu, metode ini tidak dapat memilih hasil data tipe tertentu secara independen.
3. Pembelajaran yang semi-diawasi
Seperti namanya, metode ini menggabungkan pembelajaran yang diawasi dan yang tidak diawasi. Teknik ini mengandalkan penggunaan sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel untuk melatih sistem. Pertama, data berlabel digunakan untuk melatih algoritme machine-learning secara parsial. Setelah itu, algoritme yang dilatih secara parsial itu sendiri melabeli data yang tidak berlabel. Proses ini disebut pelabelan semu. Model tersebut kemudian dilatih kembali pada campuran data yang dihasilkan tanpa diprogram secara eksplisit.
Keuntungan metode ini adalah Anda tidak memerlukan data berlabel dalam jumlah besar. Metode ini berguna saat mengerjakan data seperti dokumen panjang yang akan terlalu memakan waktu dalam pembacaan dan pelabelan bagi manusia.
4. Pembelajaran penguatan
Pembelajaran penguatan adalah metode yang memiliki nilai penghargaan tersemat pada langkah-langkah berbeda yang harus dilalui oleh algoritme. Jadi, tujuan model ini adalah untuk mengakumulasi poin penghargaan sebanyak mungkin dan pada akhirnya mencapai tujuan akhir. Sebagian besar aplikasi praktis pembelajaran penguatan dalam dekade terakhir adalah berada di ranah gim video. Algoritme pembelajaran penguatan yang canggih telah mencapai hasil yang mengesankan dalam gim-gim klasik dan modern, yang sering kali secara signifikan mengalahkan pasangan manusia mereka.
Meskipun metode ini paling baik bekerja dalam lingkungan data yang tidak pasti dan kompleks, metode ini jarang diterapkan dalam konteks bisnis. Metode ini tidak efisien untuk tugas yang terdefinisi dengan baik, dan bias developer dapat memengaruhi hasil. Karena ilmuwan data mendesain penghargaan, mereka dapat memengaruhi hasilnya.
Apakah model machine learning bersifat deterministik?
Jika sebuah output sistem dapat diprediksi, maka output sistem ini dapat dikatakan deterministik. Sebagian besar aplikasi perangkat lunak merespons tindakan pengguna dengan cara yang dapat diprediksi, sehingga Anda dapat berkata: “Jika pengguna melakukan ini, maka dia akan mendapatkan itu.” Namun, algoritme machine learning belajar melalui pengamatan beserta dengan pengalaman. Oleh karena itu, algoritme ini bersifat probabilistik. Pernyataan sekarang berubah menjadi: “Jika pengguna melakukan ini, ada kemungkinan X% hal itu terjadi.”
Dalam machine learning, determinisme adalah strategi yang digunakan saat menerapkan metode pembelajaran yang dijelaskan di atas. Salah satu metode pelatihan yang diawasi, tidak diawasi, dan metode pelatihan lainnya dapat dibuat deterministik tergantung pada hasil yang diinginkan bisnis. Rumusan masalah, pengambilan data, struktur, dan keputusan penyimpanan akan menentukan apakah strategi deterministik atau non-deterministik diadopsi.