Machine Learning

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)