Pengertian Machine Learning, Cara Kerja, Jenis, dan Contoh Penerapannya

Table of Contents

A. Pengertian Machine Learning (ML)

Machine learning adalah cabang dari artificial intelligence yang membuat sistem bisa mengadaptasi kemampuan manusia untuk belajar. Ilmu ini berfokus untuk membuat sistem atau algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke waktu tanpa pemrograman tertentu.

Dalam aplikasi machine learning, algoritma atau urutan proses statistik dilatih untuk menemukan pola dan fitur tertentu dalam jumlah data yang besar. Hal ini bertujuan untuk membuat suatu keputusan maupun prediksi berdasarkan data-data tersebut. Semakin bagus algoritmanya, akurasi keputusan dan prediksi sistem akan semakin baik.

Istilah machine learning pertama kali dikemukakan oleh beberapa ilmuwan matematika seperti Adrian Marie Legendre, Thomas Bayes dan Andre Markov pada tahun 1920-an dengan menjelaskan pengetahuan dasar dan konsep machine learning. Sejak itu, ML telah berkembang pesat. Contoh aplikasi ML yang terkenal adalah Deep Blue, yang dibuat oleh IBM pada tahun 1996.

B. Cara Kerja Machine Learning (ML)

Cara kerja machine learning sebenarnya bervariasi tergantung pada teknik atau metode pembelajaran yang digunakan di ML. Namun pada dasarnya prinsip kerja machine learning adalah sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknologi, pelatihan model yang dipilih, dan evaluasi hasil ML. Untuk memahami cara kerja ML, mari kita tinjau cara kerja beberapa implementasi berikut.

AlphaGo adalah pembelajaran mesin yang dikembangkan oleh Google. Saat pertama kali dikembangkan, AlphaGO akan menyediakan 100.000 data game Go untuk pelatihan agar dia bisa belajar. AlphaGo telah menguasai stok dan pengetahuan tentang metode dan strategi Go dengan mempelajari 100.000 keping data Go. AlphaGo akan belajar kembali dengan bermain Go dengan dirinya sendiri. Setiap kali dia kalah, dia akan memperbaiki cara bermain caturnya. Proses catur ini akan diulang jutaan kali.

Peningkatan gameplay AlphaGo didasarkan pada pengalamannya sendiri dalam bertarung melawan orang lain. AlphaGo juga dapat mensimulasikan beberapa game secara bersamaan. Artinya dia bisa memainkan beberapa game Go sekaligus untuk belajar. Dengan cara ini, proses belajar dan pengalaman bermain Go dapat melampaui manusia. Hal ini terbukti pada tahun 2016 ketika AlphaGo bersaing dengan juara dunia Go, dan dia bisa menjadi pemenang.

Dari penerapan machine learning di AlphaGo, kita dapat memahami bahwa selama machine learning digunakan, ia akan terus belajar. Sama seperti fitur pendeteksi wajah pada foto yang dimiliki Facebook, ia belajar mengenali pola wajah Anda berdasarkan tag yang Anda masukkan saat memposting foto. Dari orang yang Anda tandai di foto, ML akan menggunakan informasi ini sebagai media pembelajaran.

Jadi jika Anda sering menggunakan pembelajaran mesin, jangan heran, tingkat akurasinya lebih baik daripada di awal. Ini karena seiring berjalannya waktu, pembelajaran mesin telah belajar banyak dari pengguna yang menggunakan pembelajaran mesin. Seperti fungsi deteksi wajah Facebook, semakin banyak orang yang menggunakan fitur ini dan menandai orang di foto, semakin akurat orang yang terdeteksi.

C. Jenis Machine Learning (ML)

1. Supervised Learning
Jenis yang pertama adalah supervised learning, yang mana jenis supervised learning ini mempunyai algoritma dengan menggunakan data yang sudah terlabel. Seperti input yang mana outputnya bisa lebih mudah untuk diketahui. Selain itu, supervised learning pun mempunyai algoritma yang mampu merubah modelnya sendiri agar bisa disesuaikan dengan hasil yang diinginkan.

2. Semi-Supervised Learning
Jenis selanjutnya adalah semi-supervised learning, yang mana metode ini berbeda dengan jenis sebelumnya. Untuk jenis ini, umumnya akan menggunakan data yang berlabel dan tidak untuk melatih algoritma untuk bisa belajar sendiri.

Selain itu, aplikasi ini juga umumnya digunakan untuk data dengan label jumlah yang lebih sedikit dan juga data tanpa label dalam jumlah yang lebih banyak. Untuk jenis semi ini, biasanya digunakan untuk memproses identifikasi wajah seseorang dengan menggunakan teknologi kamera webcam atau kamera smartphone.

3. Unsupervised Learning
Jenis selanjutnya adalah jenis unsupervised machine learning, yang mana jenis ini adalah kebalikan dari jenis supervised learning. Dalam metode ini, data yang dimanfaatkan atau dikelola tidak mempunyai label tertentu. Sehingga, sistem tidak akan mengetahui jawaban ataupun output secara benar.

Tujuannya adalah agar bisa mengeksplorasi data dan juga menemukan struktur yang mana di dalamnya sering digunakan untuk data transaksional.

4. Reinforcement Learning
Jenis yang terakhir yang harus Anda ketahui adalah reinforcement learning. Jenis ini umumnya digunakan untuk pembuatan game, teknologi navigasi, sampai robotik. Algoritma di dalamnya akan mampu menemukan aksi ataupun perlakuan, sehingga akan mampu menampilkan output terbaik dari sisi hasil uji coba yang sudah dilakukan berulang kali.

Di dalamnya terdapat tiga komponen, yaitu agen atau pembuat keputusan, lingkungan, dan juga aksi. Fungsi dari adanya jenis aplikasi ini adalah agar bisa menentukan aksi apa saja yang mampu memaksimalkan output dalam kurun waktu tertentu yang memang sudah disepakati.

D. Contoh Penerapan Machine Learning (ML)

Seperti yang diketahui, zaman sekarang machine learning berada di mana- mana. Berikut ini beberapa contoh machine learning yang mungkin Anda temui setiap hari di antaranya,
1. Asisten digital
Hampir semua orang menggunakan asisten digital seperti Apple Siri, Amazon Alexa, Google Assistant, dan asisten digital lainnya didukung oleh pemrosesan bahasa alami (NLP), aplikasi machine learning yang memungkinkan komputer memproses data teks dan suara serta memahami bahasa manusia seperti yang dilakukan layaknya orang. Pemrosesan bahasa alami juga menjalankan aplikasi berbasis suara seperti GPS dan perangkat lunak pengenalan suara.

2. Iklan online kontekstual
Model machine learning dan deep learning dapat mengevaluasi konten halaman web tidak hanya secara topik umum, tetapi juga nuansa seperti pendapat atau sikap penulisnya serta menampilkan iklan yang disesuaikan dengan minat dan relevansi pengunjung.

3. Deteksi penipuan
Model regresi dan klasifikasi machine learning telah menggantikan sistem deteksi penipuan berbasis aturan yang memiliki jumlah positif atau palsu yang tinggi saat menandai penggunaan kartu kredit curian dan jarang berhasil mendeteksi penggunaan kriminal atas data keuangan yang dicuri atau disusupi.

4. Chatbots
Chatbots dapat menggunakan kombinasi pengenalan pola, pemrosesan bahasa alami, dan jaringan saraf dalam untuk menafsirkan teks input dan memberikan respons yang sesuai.

5. Keamanan siber
Penerapan machine learning dapat mengekstrak kecerdasan dari laporan insiden, peringatan, entri blog, dan lainnya untuk mengidentifikasi kemungkinan akan potensi ancaman, memberi saran kepada analis keamanan, dan mempercepat respons untuk mengatasinya.

6. Analisis citra medis
Jenis dan volume data pencitraan medis digital telah umum digunakan yang, mengarah ke lebih banyak informasi untuk dapat mendukung diagnosis tetapi juga lebih banyak peluang untuk kesalahan manusia dalam membaca data. Jaringan saraf konvolusional, jaringan saraf berulang , dan model deep learning lainnya telah terbukti semakin berhasil dalam mengekstrak fitur dan informasi dari gambar medis untuk membantu mendukung diagnosis penyakit yang akurat.

7. Mendapatkan dan memberikan rekomendasi
Model pembelajaran mendalam atau deep learning mampu membuat dan mendorong rekomendasi. Maka Anda akan mendapatkan notifikasi seperti ‘orang juga menyukai’ dan ‘hanya untuk Anda’ yang ditawarkan oleh aplikasi, platform media sosial, layanan ritel, hiburan, perjalanan, pencarian kerja, dan berita lainnya. 

Dari berbagai sumber

Download