Machine
Learning
1.
Definisi Machine Learning
Machine Learning adalah
aplikasi dari disiplin ilmu kecerdasan buatan (Artificial Intelligence) yang
menggunakan teknik statistika untuk menghasilkan suatu model otomatis dari
sekumpulan data, dengan tujuan memberikan komputer kemampuan untuk “belajar”.
Pembelajaran mesin atau machine learning memungkinkan komputer mempelajari
sejumlah data (learn from data) sehingga dapat
menghasilkan suatu model untuk melakukan proses input-output tanpa
menggunakan kode program yang dibuat secara eksplisit. Proses belajar tersebut
menggunakan algoritma khusus yang disebut machine learning algorithms. Terdapat
banyak algoritma machine learning dengan efesiensi dan spesifikasi kasus yang
berbeda-beda.
Cara belajar program machine
learning mengikuti cara belajar manusia, yakni belajar dari contoh-contoh. Machine
learning akan mempelajari pola dari contoh-contoh yang dianalisa, untuk
menentukan jawaban dari pertanyaan-pertanyaan berikutnya.
2.
Sejarah Machine Learning
Sejak
pertama kali komputer diciptakan manusia sudah memikirkan bagaimana caranya
agar komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun
1952, Arthur Samuel menciptakan sebuah program, game of
checkers, pada sebuah komputer IBM. Program tersebut dapat
mempelajari gerakan untuk memenangkan permainan checkers dan
menyimpan gerakan tersebut kedalam memorinya.
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. Data bisa saja sama, akan tetapi algoritma dan pendekatan nya
berbeda-beda untuk mendapatkan hasil yang optimal.
3.
Konsep Dasar Machine Learning
Konsep tersebut meliputi kemampuan suatu
individu dalam meningkatkan kecerdasan tersebut untuk belajar tanpa
terkecuali pada sebuah mesin. Mesin yang mampu belajar, akan meningkatkan
produktivitas manusia. Maka ia juga akan memiliki kekuatan yang mungkin tidak
dimiliki mesin lainnya
·
Manfaat
pembelajaran mesin dalam memprediksi
Jika Anda hanya mengenal wajah teman Anda dalam gambar,
berarti Anda tidak memakai model pembelajaran mesin. Inti
pembelajaran mesin adalah meramalkan hal-hal berdasarkan pola dan
faktor lain yang telah dilatih. Apa yang menjadikan sesuatu itu jadi lebih
mudah untuk di kuasai. Pengenalan dilakukan dengan cara yang simple tanpa
menghabiskan banyak waktu.
·
Pembelajaran
mesin membutuhkan pelatihan
Anda harus memberi tahu model pembelajaran mesin apa
yang akan diprediksikannya. Pikirkan bagaimana anak manusia belajar. Ini adalah
penyederhanaan yang berlebihan sedikit karena saya meninggalkan bagian dimana
Anda juga harus mengatakannya bahwa itu bukan pisang dan tunjukkan
berbagai jenis pisang, warna yang berbeda, gambar dari perspektif dan sudut
yang berbeda, dll.
·
Ketepatan 80%
dianggap sukses
Teknologi ini tidak mengetahui dimana platform
pembelajaran mesi akan mencapai akurasi 100% dengan mengidentifikasi pisang
dalam gambar. Tapi tidak apa-apa, ternyata manusia juga tidak 100% akurat.
Aturan yang dikatakan dalam indutri ini adalah bahwa model dengan
akurasi 80% adalah sebuah kesuksesan. Jika Anda memikirkan betapa bergunanya
untuk mengidentifikasi 800.000 gambar dengan benar di koleksi Anda,
sementara MUNGKIN TIDAK mendapatkan 200.000 yang benar, Anda masih
menyimpan 80% dari waktu Anda.
Itu merupakan perspektif nilai yang sangat besar. Jika
saya bisa melambaikan tongkat sihir dan meningkatkan produktivitas Anda
sebanyak itu, Anda akan memberi saya banyak uang. Nah, ternyata saya bisa
melakukannya dengan mesin pembelajaran.
·
Pembelajaran
mesin berbeda dengan AI : Kebanyakan orang mengatakan hal ini sama dan sangat
sederhana. Namun, kenyataan yang di dapat dari para ahli, ini memiliki
perbedaan. Perbedaannya sebagai berikut:
§ AI – Artificial Intelligence : Yang berarti komputer lebih baik dari manusia untuk
melakukan tugas tertentu. Seperti robot yang bisa membuat keputusan berdasarkan
banyaknya masukan, tidak seperti Terminator atau C3PO. Sebenarnya istilah
yang sangat luas itu tidak terlalu berguna.
§ ML –
Mesin belajar : metode untuk mencapai AI. Ini berarti membuat
prediksi tentang sesuatu berdasarkan pelatihan dari kumpulan data parsing. Ada
banyak cara yang berbeda di platform ML yang dapat menerapkan perangkat
pelatihan untuk memprediksi sesuatu.
§ NL – Jaringan syaraf tiruan adalah
salah satu cara model pembelajaran mesin untuk memprediksi sesuatu. Jaringan
saraf bekerja sedikit seperti otak Anda, dengan menyesuaikan diri
dan banyak berlatih untuk memahaminya. Anda akan menciptakan lapisan
simpul yang sangat dalam.
· Memberikan
struktur yang jelas terhadap AI
Sebagian besar model Machine learning bergantung pada
manusia untuk melakukan apa yang akan dikerjakan mesin
pembelajaran. Inilah yang membuat anda selalu bergantung dengan
teknologi tersebut, karena sesuatu yang ingin anda kerjakan. Dan bahkan
saat Anda memberikan instruksi yang jelas, biasanya itu masih saja salah. Anda
harus begitu eksplisit dengan sistem ini sehingga kesempatan itu tiba-tiba
menjadi lebih mudah.
Bahkan halaman web sederhana yang
menunjukkan sebuah kotak dengan sebuah kata di dalamnya mengharuskan Anda untuk
memberi tahu persis di mana kotak itu muncul, seperti apa bentuknya, warna apa
itu, bagaimana cara bekerja pada peramban yang berbeda, bagaimana ditampilkan
dengan benar pada perangkat yang berbeda, dan lain-lain.
Ada banyak cara menghalangi jaringan
saraf yang sangat dalam untuk mengambil alih dunia dan mengubah kita agar
terlihat lebih kuat, terutama karena semua yang akan kita lakukan tidak semudah
yang kita pikirkan.
4.
Contoh Studi Kasus
1)
Spam Detection: Mendeteksi dari inbox email mana
yang spam dan mana yang tidak. Dengan model ini kita dapat mengarahkan spam ke
kotak inbox nya dan menjaga kebersihan dari inbox kita. Kita pasti sudah
familiar dengan ini.
2)
Credit Card Fraud Detection: Kita dapat menentukan mana
transaksi yang dilakukan oleh customer berdasarkan history transaksi yang
dibuat oleh customer tersebut. Dengan demikian kita dapat mereject dan me-refund transaksi yang di deteksi sebagai
fraud.
3)
Digit Recognition: Permasalahan ini ditujukan untuk
mengenali zip codes yang tertera pada amplop yang ditulis dengan tangan.
Model yang dibuat akan dengan mudah membaca dan mengerti zip codes dan
melakukan sorting berdasarkan geography tertentu.
4)
Speech Understanding: Kita sudah tahu bahwa inilah
yang dilakukan oleh iPhone dengan Siri ataupun oleh Cortana pada windows.
5)
Face Detection: Kita dapat mengidentifikasi
orang dari foto yang diberikan berdasarkan pola yang didapat dari ratusan foto.
Hal memudahkan mengelompokkan foto berdasarkan wajah orang tersebut. Beberapa
software foto dan kamera memiliki kemampuang berikut. Facebook juga memiliki
kemampuan untuk melakukan tagging pada foto.
6)
Product Recommendation: Berdasarkan history dari
pembelian customer dan inventory dari product, kita dapat mengidentifikasi
produk-produk mana yang menarik untuk customer dalam melakukan pembelian. Model
ini akan menghasilkan program yang bertugas untuk memberikan rekomendasi.
Amazon memiliki kemampuan ini. Netflix juga mempunyai kemampuan untuk
merekomendasikan film apa yang relevan untuk ditonton selanjutnya berdasarkan
history.
7)
Medical Diagnosis: Berdasarkan simptom yang ada
pada pasien dan kumpulan data dari pasien-pasien sebelumnya, kita dapat
memprediksi apakah pasien akan menderita penyakit yang sama. Hal ini dapat
membantu untuk memberikan support terhadap para medis.
8)
Stock Trading: Dengan data-data dari pergerakan
harga sebelum kita dapat mendeteksi stock mana yang hendak di beli dan di jual
atau di tahan. Model tersebut akan memberikan support terhadap financial
analyst atau trader.
9)
Customer Segmentation: Berdasarkan pola tingkah laku
dari user selama trial dan behaviour sebelumnya, kita dapat mengidentifikasi
user mana yang akan berpindah ke paid version dan mana yang tidak. Model ini
dapat memberikan program kecerdasan untuk membujuk user beralih ke customer.
Hal ini dapat dilakukan dengan memberikan perlakukan khusus pada masa trial
10) Shape
Detection:
Berdasarkan gambar tangan dari user dan contoh dari bentuk-bentuk gambar kita
dapat menentukan apa sebenarnya yang user gambar. Model ini dapat memberikan
versi terbaik dari bentuk yang digambar sehingga gambar menjadi lebih teratur.
Contohnya adalah program instaviz.
Dari
10 contoh kasus diatas kita tentunya dapat melihat persamaan machine
learning problem.
Ada sample dari historical data dan ada keputusan atau
decision yang harus diambil berdasarkan
model tersebut.
Referensi :
Apa Itu Machine Learning? Berikut
Penjelasannya, http://www.podfeeder.com/teknologi/apa-itu-machine-learning-berikut-penjelasannya/(diakses 15 Januari 2019)
Contoh Kasus Machine Learning, https://weltam.wordpress.com/2017/04/18/contoh-kasus-machine-learning/(diakses
15 Januari 2019)
Mengenal Teknologi Machine Learning (Pembelajaran Mesin), https://www.codepolitan.com/mengenal-teknologi-machine-learning-pembelajaran-mesin(diakses 15
Januari 2019)
