Artikel 5Menit: Sekilas Tentang Hubungan Machine Learning dan Artifficial Intelligence

Machine Learning (ML) atau Pembelajaran Mesin adalah salah satu sub dari domain Artificial Intelligence (AI) atau Kecerdasan Buatan yang lebih dulu ada. Artificial Intelligence (AI) adalah kemampuan sebuah agen untuk meniru kecerdasan yang dimiliki oleh manusia. Ada 4 tipe kecerdasan buatan menurut Mitchell:

1. Thinking Humanly, maksudnya adalah sebuah agen AI mampu mengekstraksi proses berpikir manusia menjadi sebuah model yang dapat digunakan untuk mengambil keputusan.
2. Thinking Rationally, maksudnya adalah kemampuan agen AI untuk berpikir secara logis dan rasional dalam mengambil keputusan dengan penalaran logika.
3. Acting Humanly, maksudnya adalah kemampuan agen AI untuk bertindak seolah-olah seperti manusia pada umumnya.
4. Acting Rationally, maksudnya adalah kemampuan agen AI untuk bertindak secara logis dan rasional dengan memanfaatkan penalaran logika.

Keempat tipe kecerdasan ini dibagi dalam dua bentuk output dan dua pemrosesan. Berdasarkan hasil outputnya ada dua yaitu thinking dan acting. Perbedaannya adalah thinking hanya akan menghasilkan model, sementara acting berujung pada keputusan agen untuk melakukan aksi tertentu. Berdasarkan pemrosesan, terdapat dua yaitu humanly dan rationally. Terlihat jelas jika rasional maka keputusannya harus logis mengikuti kaidah penalaran logika. Sementara, untuk humanly tidak perlu mengikuti kaidah penalaran logika namun perlu memasukkan sifat-sifat manusia salah satunya seperti emosi dan aturan psikologi manusia, dll.

Thinking Rationally pada contohnya adalah expert system yang mampu mendeteksi penyakit, pendeteksian penyakit harus dilakukan secara penalaran yang logis agar penyakit yang terdeteksi sangat strict terhadap toleransi kesalahan yang akan muncul jika dilakukan dengan cara humanly. Contoh Acting Humanly adalah chatbot yang sering digunakan untuk curhat, seperti Mitsuku, Rina, dan Simsimi. Bot tersebut menjawab pesan seolah-olah bertindak sebagai manusia sesungguhnya. Acting Rationally contohnya adalah robot yang bekerja menggantikan posisi manusia sebagai pelayan, atau melakukan suatu tugas yang terstruktur. Yang terakhir adalah Thinking Humanly yang salah satu contohnya adalah Machine Learning yang akan dibahas.

Apa itu Machine Learning?

Sesuai dengan namanya Machine Learning adalah agen/sistem/mesin yang mampu menirukan proses belajar manusia. Pada konsep belajar, manusia mempelajari data atau kejadian-kejadian yang kemudian membentuk atau mengubah pengetahuan atau behavior menuju arah yang lebih baik. Pada konsep belajar ini terdapat, 4 bagian yang perlu digarisbawahi, pertama adalah ada proses, ada data, ada pengetahuan atau behavior, dan terakhir ada acuan untuk lebih baik.

Pada konsep Machine Learning, prosesnya adalah penggunaan Algoritma Pembelajaran, datanya adalah dataset yang dijadikan masukan pada pembelajaran, pengetahuan yang didapat adalah model yang dibentuk, dan acuan untuk lebih baik adalah perhitungan performa (performance measure) untuk memastikan akurasi dari hasil pembelajaran.

Proses utama pada Machine Learning secara umum dimulai dari dataset yang menjadi masukan, lalu diproses dengan algoritma pembelajaran, menghasilkan model pembelajaran yang kemudian akan dihitung performanya dengan perhitungan performa akurasi.

Secara besar ada 4 jenis pembelajaran pada Machine Learning:

1. Supervised Learning
2. Unsupervised Learning
3. Semi-supervised Learning
4. Reinforcement Learning

Supervised Learning dilakukan dengan menggunakan dataset yang telah memiliki nilai keluaran yang telah diharapkan. Misalkan kita ingin memprediksi harga rumah berdasarkan luas dan letak geografisnya, maka kita butuh menyiapkan data harga rumah beserta luas dan letak geografisnya untuk dijadikan dataset. Masalah umum yang sering diselesaikan dengan cara ini adalah Klasifikasi.

Unsupervised Learning dilakukan menggunakan dataset yang tidak memiliki label atau nilai keluaran yang dihasilkan tidak dapat diketahui dari datasetnya. Contoh kita ingin mengelompokkan jenis-jenis binatang dari bentuk tubuhnya, maka cara ini akan mengelompokkan binatang yang mirip secara bentuk dalam satu kelompok. Masalah yang biasanya diselesaikan dengan cara ini adakah Clustering dan Multilabelling. Clustering adalah pengelompokkan seperti contoh di atas, sementara Multilabeling adalah memberikan satu atau lebih lebih pada dataset masukan.

Semisupervised Learning adalah penggabungan dari Supervised dan Unsupervised Learning, kita bisa menggunakan Unsupervised Learning untuk melakukan Labeling atau Clustering dari data yang tidak memiliki label. Kemudian data yang telah berlabel tersebut diproses dengan cara Supervised Learning untuk menghasilkan model klasifikasi pada data baru.

Reinforcement Learning merupakan jenis pembelajaran yang paling kompleks dibandingkan ketiga jenis pembelajaran lainnya karena di dalam Reinforcement Learning bisa saja menggunakan Supervised atau Unsupervised Learning pada prosesnya. Reinforcement Learning menggunakan pembelajaran dengan cara bertahap dimana pada setiap tahap bisa digunakan reward atau punishment untuk mengevaluasi agen dan hasil dari evaluasi itu diakumulasi untuk menghasilkan model ke tahap selanjutnya dalam menentukan langkah. Contoh dari Reinforcement Learning banyak terdapat pada permainan seperti catur.

Komponen Pada Machine Learning

Pada bagian sebelumnya dijelaskan bahwa terdapat 4 bagian komponen penting pada Machine Learning:

1. Dataset , terkait yang berhubungan dengan data terdapat satu bagian tersendiri yang disebut Data Analytics. Setiap data memiliki karakteristik yang sangat mempengaruhi performa dari proses Machine Learning. Selain itu data juga harus diseleksi dan diekstraksi agar tidak terlalu banyak memakan memori serta lebih efektif dan efisien dalam melakukan pembelajaran.
2. Learning Algorithm, banyak sekali algoritma yang dapat digunakan dalam pembelajaran seperti Neural Network, SVM, Naive Bayes, kVM, kNN, dan lain-lain. Setiap algoritma memiliki kelebihan dan kekurangan, pemilihan algoritma yang digunakan bergantung pada data dan tujuan dari proses pembelajaran yang dilakukan.
3. Model, bentuk model yang dihasilkan sangat bergantung pada parameter-parameter yang digunakan pada algoritma pembelajaran. Setiap parameter bisa saja membuat proses pembelajaran menjadi semakin jauh dari nilai optimum.
4. Performance Measure/Utility Function, perhitungan performa juga sangat bergantung pada tipe pembelajaran yang dilakukan. Contohnya untuk klasifikasi biner sangat cocok untuk menggunakan AUC-ROC.

Beda Machine Learning dan Deep Learning

Deep Learning merupakan bagian tersendiri dari Machine Learning, pada Deep Learning algoritma dasar yang digunakan adalah Artificial Neural Network (ANN) dengan jumlah hidden layer adalah 2 atau lebih. Deep Learning berkembang dengan sangat cepat karena sifat dari algoritma ini yang tidak mudah terganggu oleh noise dari masukan berupa gambar dan video. Dalam banyak hal Deep Learning digunakan, seperti:

1. Object Classification, adalah salah satu masalah untuk membedakan antara objek atau benda pada sebuah gambar atau video. Contohnya adalah membedakan buah jeruk dengan apel pada gambar.
2. Object Detection, adalah mengenal sebuah objek atau benda pada gambar atau video. Contohnya adalah gambar pada video CCTV yang memberikan highlight kotak pada objek manusia yang terdeteksi.
3. Face Recognition, adalah pengenalan wajah. Contohnya adalah face detector pada fitur facebook.
4. Semantic Segmentation, adalah pemisahan objek pada gambar pada struktur pikselnya. Contohnya adalah gambar berikut:

https://miro.medium.com/max/1000/1*wbaUQkYzRhvmd7IjKJjjCg.gif

Tools yang paling sering digunakan dalam Deep Learning saat ini adalah Tensorflow.

Cukup demikian untuk bagian pertama, semoga penulis konsisten meneruskan hingga bagian-bagian berikutnya dan sangat terbuka bagi yang ingin menuliskan komentar dan saran di bawah.