Hai! Aku Machine Learning, Mesin yang Bisa Belajar
Apa yang pertama kali Anda pikirkan ketika mendengar kata “Machine Learning”? Ya, bukan hanya manusia, ternyata mesin juga bisa belajar. Lalu apa yang dipelajari oleh mesin, bagaimana cara mesin belajar, dan bagaimana hasilnya? Untuk menjawab petanyaan-pertanyaan tersebut, mari kita berkenalan dengan Machine Learning.
Jason Bell, dalam bukunya Machine Learning: Hands-On for Developers and Technical Professionals mengatakan:
“Machine learning is a branch of artificial intelligence. Using computing, we design systems that can learn from data in manner of being trained. The systems might learn and improve with experience, and with time, refine a model that can be used to predict outcomes of questions based on the previous learning.”
Machine Learning adalah cabang ilmu dari Artificial intelligence yang mempelajari bagaimana suatu mesin/sistem dapat belajar dari data yang diberikan pada “mereka”. Suatu sistem dikatakan telah menerapkan metode Machine Learning ketika sistem tersebut dapat belajar dari data, dan dapat memberikan suatu prediksi berdasarkan hasil pembelajarannya.
Apa yang dipelajari oleh Machine Learning?
Jika manusia dapat belajar dari buku, maka Machine Learning dapat belajar dari data. Salah satu faktor yang mempengaruhi “kepintaran” Machine Learning adalah data yang diberikan untuk “mereka” pelajari.
Banyaknya data untuk dipelajari memang baik, namun semakin banyak data tidak menjamin “kepintaran” suatu Machine Learning. Kualitas data yang baik akan lebih membantu. Sama seperti manusia, membaca banyak buku tidak menjamin membuat kita semakin pintar jika buku-buku tersebut tidak berkualitas, bukan?
Bagaimana cara Machine Learning belajar?
Kevin P. Murphy, dalam bukunya yang berjudul Machine learning: A Probabilistic Perspective mengatakan:
“In particular, we define machine learning as a set of methods that can automatically detect patterns in data, and then use the uncovered patterns to predict future data, or to perform other kinds of decision making under uncertainty (such as planning how to collect more data).”
Pada dasarnya, Machine Learning belajar dengan cara mendeteksi pola pada data kemudian menggunakan pola tersebut untuk memberikan prediksi.
Metode pembelajaran pada Machine Learning, antara lain:
a) Supervised Learning
Pada metode Supervised Learning, dikenal istilah data latih (training data) dan data uji (test data). Data latih merupakan data yang telah memiliki label atau hasil yang telah diketahui. Metode ini dikatakan Supervised Learning karena Machine Learning akan “dibimbing” oleh label pada data latih tersebut. Sementara data uji merupakan data baru yang belum memiliki label.
Dalam metode ini, pertama Machine Learning akan mempelajari data latih dan mendeteksi pola pada data dengan menggunakan algoritma. Tahap ini disebut juga Pembangunan Model atau Training Model. Di mana algoritma yang umum diterapkan pada Supervised Learning antara lain: Naive Bayes, SVM (Support Vector Machine), Neural Network, Random Forest dan lainnya.
Setelah belajar, waktunya ujian! Pada tahap ini, Machine Learning Model telah siap dengan pola yang telah ia temukan. Kemudian, akan diberikan input data uji yang harus diprediksi oleh Machine Learning.
Berikut adalah contoh Supervised Learning pada proses klasifikasi. Misal, terdapat data berupa berbagai gambar bunga yang telah diberi label “Mawar”, “Matahari”, dan “Lili” sebagai data latih. Machine Learning akan mempelajari data latih tersebut dan menemukan pola pada data, sehingga ia dapat mengklasifikasi data uji yang diberikan sebagai bunga “Mawar”.
b) Unsupervised Learning
Sama seperti pada Supervised Learning, pada metode ini, Machine Learning juga akan mempelajari data dan mendeteksi pola pada data dengan menggunakan algoritma.
Perbedaanya adalah pada Unsupervised Learning, data yang dipelajari tidak diketahui labelnya. Machine Learning dituntut untuk menemukan sendiri kemiripan pada tiap data dan memberikan prediksinya. Algoritma yang umum diterapkan pada Unsupervised Learning antara lain: K-Means, Hierarchical Clustering, dan lainnya.
Berikut adalah contoh penerapan Unsupervised Learning pada proses clustering. Misal, akan dilakukan clustering terhadap berbagai gambar bunga. Machine Learning bisa saja mengelompokkan data tersebut sebagai jenis “X”, “Y”, dan “Z” atau sebagai “Bertangkai” dan “Tidak Bertangkai” tergantung pada pola apa yang ditemukan oleh Machine Learning dari gambar-gambar bunga tersebut.
Dalam kehidupan sehari-hari, kita dapat menemukan banyak sekali penerapan Machine Learning di sekitar kita. Beberapa di antaranya, yaitu:
1. Image Recognition
Ketika smartphone Anda dapat membedakan wajah Anda dan wajah teman-teman Anda kemudian mengelompokkannya pada folder yang berbeda pada galeri, itu Machine Learning!
2. Chatbot
Chat Anda tidak dibalas oleh si dia? Jangan sedih, cobalah chatting dengan chatbot. Metode Machine Learning diterapkan pada chatbot, sehingga ia dapat menjawab berbagai pertanyaan Anda.
3. Voice Recognition
Contoh penerapan Machine Learning lainnya yaitu Voice Recognition. Kalau sudah bosan chatting dengan chatbot, Anda bisa mencoba ngobrol langsung dengan asisten virtual seperti Google Assistants, Siri, Alexa, Cortana, dan lainnya.
4. Rekomendasi untuk Anda
Berbagai website atau aplikasi menggunakan metode Machine Learning untuk mempelajari pola penggunanya, sehingga mereka dapat memberikan rekomendasi produk, konten, atau promosi yang sesuai dengan karakteristik tiap pengguna.
Misalnya pada sebuah situs E-Commerce, Anda sering melihat produk tas kantor. Maka rekomendasi produk ataupun promosi untuk Anda akan seputar tas kantor.
5. Deteksi Spam pada E-mail
Pernahkah terpikir oleh Anda bagaimana sebuah e-mail spam dapat terdeteksi? Ya, itu adalah pekerjaan Machine Learning.
Bagaimana? Sekarang sudah kenal kan, dengan Machine Learning? Tertarik untuk mengenalnya lebih jauh?
