Mengenal Machine Learning: Definisi, Tipe, Penerapan dan Manfaatnya

Di Googling - Di tengah pesatnya perkembangan teknologi kecerdasan buatan atau artificial intelligence (AI) saat ini. Belum banyak orang yang mengetahui bahwa kecerdasan buatan itu terdiri dari beberapa cabang, salah satunya adalah machine learning atau pembelajaran mesin.

Menurut IBM, machine learning merupakan cabang dari kecerdasan buatan (AI) dan ilmu komputer yang berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar dan secara bertahap dapat meningkatkan akurasinya. Machine learning merupakan komponen penting dari bidang ilmu tentang perkembangan data. Melalui penggunaan statistik, algoritma machine learning dilatih untuk membuat klasifikasi atau prediksi dalam pengembangan data.

Istilah machine learning pertama kali dikemukakan oleh beberapa ilmuwan matematika seperti Adrien Marie Legendre, Thomas Bayes dan Andrey Markov pada tahun 1920-an dengan mengemukakan dasar-dasar machine learning dan konsepnya. Sejak saat itu ML banyak yang mengembangkan. Salah satu contoh dari penerapan ML yang cukup terkenal adalah Deep Blue yang dibuat oleh IBM pada tahun 1996.

1. Apa itui Machine Learning

        Machine Learning (ML) adalah mesin yang dikembangkan untuk bisa belajar dengan sendirinya/otomatis tanpa arahan dari penggunanya sesuai metode atau tipe yang dipakai. Pembelajaran mesin dikembangkan berdasarkan disiplin ilmu lainnya seperti statistika, matematika dan data mining sehingga mesin dapat belajar dengan menganalisa data tanpa perlu di program ulang atau diperintah.

2. Tipe Machine Learning

Ada beberapa tipe yang dimiliki oleh machine learning, namun secara luas ML memiliki dua teknik dasar belajar, yaitu supervised dan unsupervised.

a. Supervised Learning

        Metode supervised learning dilakukan dengan pemberian label pada dataset  yang digunakan oleh machine learning dan diklasifikasikan oleh pengembang dengan memungkinkan algoritma melihat tingkat akurasi kinerjanya. Pengawasan machine learning dalam metode ini dilakukan oleh data berlabel yang nantinya membuat machine learning mempelajari apa hubungan dan ketergantungan antar data.

Contoh

       Katakanlah Anda adalah agen real estat. Bisnis Anda berkembang, jadi Anda mempekerjakan banyak agen peserta pelatihan baru untuk membantu Anda. Tapi ada masalah - Anda bisa melirik sebuah rumah dan memiliki gagasan yang cukup bagus tentang berapa nilai sebuah rumah, tetapi peserta pelatihan Anda tidak memiliki pengalaman seperti anda sehingga mereka tidak tahu bagaimana menentukan harga rumah mereka.

Untuk membantu peserta pelatihan Anda, Anda memutuskan untuk menulis yang dapat memperkirakan nilai sebuah rumah di daerah anda berdasarkan ukurannya, lingkungan sekitar, dll, dan harga jual rumah serupa.

Jadi anda tuliskan setiap kali ada yang menjual rumah di kota anda selama 3 bulan. Untuk setiap rumah, Anda menuliskan banyak detail-jumlah kamar tidur, ukuran kaki persegi, lingkungan, dll. Namun yang terpenting, Anda menuliskan harga jual akhir:

Dengan menggunakan data pelatihan tersebut, kami ingin membuat program yang dapat memperkirakan nilai rumah lain di area Anda:

Ini disebut supervised learning (pembelajaran terawasi). Anda tahu berapa harga jual setiap rumah, jadi dengan kata lain, Anda tahu jawaban atas masalahnya dan dapat bekerja mundur dari sana untuk mencari tahu logikanya.

Untuk membuat aplikasi, Anda memasukkan data pelatihan tentang setiap rumah ke dalam algoritma pembelajaran mesin Anda. Algoritma sedang mencoba untuk mencari tahu jenis matematika apa yang perlu dilakukan untuk membuat angka-angka tersebut berhasil.

b. Unsupervised Learning

        Metode unsupervised learning adalah kebalikan dari supervised learning. Unsupervised learning bisa disebut juga sebagai metode machine learning tanpa pengawasan. Sehingga, prosesnya dilakukan pada dataset mentah yang tidak berlabel dan algoritma machine learning akan mencoba mengidentifikasi pola dan relasi antar data tanpa bantuan dari pengembang.

Contoh

       Mari kembali ke contoh awal kita dengan agen real estat. Bagaimana jika anda tidak mengetahui harga jual setiap rumah?. Walaupun yang kamu tahu hanyalah ukuran, lokasi, dll dari setiap rumah, ternyata kamu masih bisa melakukan beberapa hal keren. Ini disebut unsupervised learning (pembelajaran tanpa pengawasan).

Ini seperti seseorang memberi anda daftar angka di selembar kertas dan berkata, "Saya tidak begitu tahu apa arti angka-angka ini, tetapi mungkin Anda bisa mengetahui apakah ada pola atau pengelompokan atau sesuatu"

Jadi apa yang bisa dilakukan dengan data ini?. Sebagai permulaan, Anda dapat memiliki algoritma yang secara otomatis mengidentifikasi berbagai segmen pasar dalam data anda. Mungkin Anda akan mengetahui bahwa pembeli rumah di lingkungan dekat kampus setempat sangat menyukai rumah kecil dengan banyak kamar tidur, tetapi pembeli rumah di pinggiran kota lebih menyukai rumah 3 kamar tidur dengan banyak luas persegi. Mengetahui tentang berbagai jenis pelanggan ini dapat membantu mengarahkan upaya pemasaran Anda.

Hal keren lainnya yang dapat Anda lakukan adalah secara otomatis mengidentifikasi rumah outlier yang jauh berbeda dari yang lainnya. Mungkin rumah-rumah outlier itu adalah rumah besar dan Anda dapat memfokuskan staf penjualan terbaik anda di area tersebut karena mereka memiliki komisi yang lebih besar.

Pembelajaran yang diawasi adalah apa yang akan kami fokuskan untuk sisa posting ini, tetapi itu bukan karena pembelajaran tanpa pengawasan kurang bermanfaat atau menarik. Faktanya, unsupervised learning menjadi semakin penting karena algoritma menjadi lebih baik karena dapat digunakan tanpa harus memberi label pada data dengan jawaban yang benar.

Itu keren kan, tapi apakah bisa memperkirakan harga sebuah rumah benar-benar dianggap sebagai "belajar"?

       Sebagai manusia, otak anda dapat mendekati hampir semua situasi dan belajar bagaimana menghadapi situasi itu tanpa instruksi eksplisit. Jika Anda menjual rumah untuk waktu yang lama, secara naluriah Anda akan memiliki "rasa" untuk harga yang tepat untuk sebuah rumah, cara terbaik untuk memasarkan rumah tersebut, jenis klien yang akan tertarik, dll. Tujuan dari riset AI yang Kuat adalah untuk dapat mereplikasi kemampuan ini dengan komputer.

Tetapi algoritma pembelajaran mesin saat ini belum begitu bagus-algoritma tersebut hanya berfungsi jika berfokus pada masalah yang sangat spesifik dan terbatas. Mungkin definisi yang lebih baik untuk "belajar" dalam hal ini adalah "mencari persamaan untuk memecahkan masalah tertentu berdasarkan beberapa contoh data".

Sayangnya "Mesin mencari tahu persamaan untuk memecahkan masalah tertentu berdasarkan beberapa contoh data" bukanlah nama yang bagus. Jadi kami berakhir dengan "Pembelajaran Mesin" sebagai gantinya.

Tentu saja jika anda melihat ini 50 tahun ke depan dan kami telah menemukan algoritme untuk AI yang kuat, maka seluruh postingan ini akan tampak sedikit aneh. Mungkin anda akan bergantung seperti menyuruh pelayan robot anda untuk membuatkan anda sandwich, secara otomatis robot tersebut menjadi pengganti manusia masa depan.

Apakah Machine Learning ajaib?

       Setelah Anda mulai melihat betapa mudahnya teknik Machine Learning dapat diterapkan pada masalah yang tampaknya sangat sulit (seperti pengenalan tulisan tangan), Anda mulai merasa bahwa Anda dapat menggunakan pembelajaran mesin untuk menyelesaikan masalah apa pun dan mendapatkan jawaban selama Anda memiliki cukup data. Masukkan saja datanya dan saksikan komputer secara ajaib mencari tahu persamaan yang cocok dengan datanya!

Tetapi penting untuk diingat bahwa Machine Learning hanya berfungsi jika masalahnya benar-benar dapat diselesaikan dengan data yang Anda miliki.

Misalnya, jika Anda membuat model yang memprediksi harga rumah berdasarkan jenis tanaman dalam pot di setiap rumah, model tersebut tidak akan berhasil. Tidak ada hubungan apa pun antara pot tanaman di setiap rumah dan harga jual rumah. Jadi, sekeras apa pun ia mencoba, komputer tidak akan pernah bisa menyimpulkan adanya hubungan antara keduanya.

3. Manfaat Machine Learning

        Machine Learning kini telah banyak digunakan oleh banyak industri di dunia. Dengan menggunakan teknologi ini, organisasi dapat bekerja lebih efisien dan dapat unggul dibandingkan kompetitornya. Dilansir dari laman SAS, beberapa bidang industri yang telah menggunakan ML dalam lini bisnisnya seperti berikut.   

a. Online Fraud Detection

        Online fraud detection adalah metode yang digunakan untuk mendeteksi suatu transaksi digital sah atau tidak. Online fraud detection digunakan oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online fraud detection menggunakan machine learning untuk melakukan perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian transaksi palsu, hingga deteksi pembobolan akun bank digital.

b. Penyaring Pesan Spam

        Machine learning memegang andil yang sangat besar untuk menyaring (filter) spam baik di email, website, hingga media komunikasi berbasis software. Algoritma pohon keputusan (decision tree) merupakan cikal bakal dari algoritma spam filtering, untuk menentukan suatu pesan termasuk spam atau bukan.

c. Mobil Kendali Otomatis

        Mobil kendali otomatis merupakan penerapan serta pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis merupakan penerapan machine learning yang kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.    

d. Layanan Keuangan

        Di bidang layanan keuangan, Machine Learning memiliki dua tujuan utama yaitu, mencegah terjadinya penipuan dan mengidentifikasi insight penting dalam data. Selain itu, ML dapat memberikan informasi mengenai klien dengan profil yang beresiko tinggi atau memberikan keamanan siber untuk menunjukan tanda peringatan akan terjadinya penipuan.

e. Pemerintah

        Instansi pemerintah perlu menggunakan pembelajaran mesin karena memiliki banyak sumber data yang harus diolah untuk mendapatkan insight. Misalnya pembelajaran mesin dapat meminimalisir terjadinya pencurian identitas.

f. Kesehatan

        Di industri kesehatan, pembelajaran mesin mengalami perkembangan pesat. Teknologi ini dapat membantu para tenaga medis menganalisis data untuk mengenali kesehatan pasien dan mengidentifikasi perawatan terbaik.

g. Minyak dan Gas

        Pembelajaran mesin sangat berguna untuk menemukan sumber energi baru, menganalisis mineral di dalam tanah, memperlancar distribusi minyak agar lebih efisien dan hemat biaya.

Jumlah penggunaan pembelajaran mesin di industri ini pun mengalami peningkatan. Beberapa industri lain yang menggunakan pembelajaran mesin juga yakni pendidikan, transportasi, telekomunikasi, manufaktur, olahraga dan lain sebagainya.

       Itulah tadi pembahasan singkat mengenai Mengenal Machine Learning: Definisi, Tipe, Penerapan dan Manfaatnya. Semoga ulasan digoogling.com ini menjadi bahan referensi dan dapat menambah wawasan mengenai Machine Learning, kurang dan lebihnya mohon maaf trimakasih...!