Konsep dan Implementasi Machine Learning

Machine Learning adalah salah satu cabang dari Ilmu Komputer yang erat kaitan nya dengan Artificial Intelligent (Kecerdasan Buatan). Secara sederhana dapat dikatakan bahwa fokus utama dalam bidang ini adalah membangun sebuah algoritma yang memungkinkan program komputer dapat belajar dan melakukan sendiri tugas-tugas nya tanpa adanya instruksi dari pengguna.

Kemampuan suatu individu untuk belajar tentu meningkatkan kecerdasan individu tersebut, dan tidak terkecuali pada sebuah mesin. Mesin yang mampu belajar akan meningkatkan produktivitas manusia. Ia memiliki kekuatan tambahan yang tidak dimiliki mesin lainnya.

Saat ini Machine Learning menjadi area yang sangat diminati di dalam cabang Ilmu Komputer. Hal tersebut dapat dilihat dari banyaknya jumlah mahasiswa (khususnya mahasiswa luar negeri) yang mengambil spesialisasi dalam bidang ini. Dan jika dilihat dari perkembangan dunia teknologi saat ini, memang sudah banyak perusahaan yang menerapkan konsep dari Machine Learning ini.

Machine Learning dapat diaplikasikan pada segala bidang. Di era digital saat ini, segala sesuatu telah terkomputerisasi, dan hal tersebut memainkan peranan penting bagi Machine Learning untuk dapat terlibat di dalam nya. Dibawah ini adalah beberapa contoh implementasi dari Machine Learning.

1. Text Analysis

Machine Learning dapat diimplementasikan untuk menganalisa suatu teks guna mencari tau darimana sumber teks itu berasal, ataupun untuk menguji keakuratan atau kebenaran dari teks tersebut. Contoh nya :

Spam Filtering, disini Machine Learning berguna untuk menganalisa, menilai, dan menyaring email spam berdasarkan isi dan sumber dari pesan tersebut.

– Sentiment Analysis, ini adalah sebuah aplikasi untuk mengklasifikasikan sebuah teks. Fungsi Machine Learning disini adalah untuk mengklasifikasikan opini yang ditulis dari pengguna, apakah opini pengguna tersebut bersifat positif, netral atau negatif.

– Information Extraction, menganalisa dan mengidentifikasi potongan-potongan dari teks. Misalnya dari sebuah paragaraf, aplikasi Machine Learning ini bertugas untuk mengecek potongan-potongan informasi pada teks seperti alamat, identitas, tanggal, dsb.

2. Image Processing

Secara umum, image processing merupakan suatu tahapan dari pengolahan suatu gambar untuk mendapatkan data dari gambar tersebut untuk kemudian diolah atau ditransformasikan lebih lanjut. Beberapa contohnya:

– Image tagging/face detection, disini Machine Learning diterapkan untuk mengidentifikasi atau mendeteksi wajah dari user berdasarkan data-data dari gambar tersebut.

– Optical Character Recognition (OCR), mentransformasikan sebuah teks atau gambar pada sebuah kertas / manuskrip ke dalam bentuk digital. Setelah di transformasikan ke dalam bentuk digital, maka gambar tersebut dapat diolah lebih lanjut. Contoh paling umum misalnya seperti lembar jawaban yang di bulat hitamkan atau dokumen yang di scan menggunakan scanner.

– Self Driving Cars, ini merupakan salah satu implementasi dari Machine Learning yang paling fenomenal. Sebuah mobil yang telah tertanam program Maching Learning di dalam nya berusaha belajar untuk mengenali ciri sebuah jalan, rambu lalu lintas dan objek disekitar jalan melalui video camera yang ditanam pada mobil tersebut.

3. Finance

Implementasi dari Machine Learning juga banyak diterapkan dalam bidang finansial untuk membantu memprediksi maupun mengambil keputusan. Beberapa contoh diantaranya:

– Stock Trading, mengembangkan sebuah algoritma yang mampu mengidentifikasi dan memprediksi saham-saham terbaik berdasarkan pola atau pattern pada historis perdagangan saham. Machine Learning memainkan peranan penting dalam hal ini, ia bertugas untuk mengekstrak pola-pola yang sebelumnya tidak memiliki arti apapun hingga menjadi informasi yang berguna dan bermanfaat dalam pengambilan keputusan.

– Fraud Detection, dengan bantuan Machine Learning, sistem dapat mendeteksi kecurangan atau penipuan dengan efektif dan efisien. Cara kerjanya adalah dengan menganalisis data transaksaksi historis untuk membangun model yang dapat mendeteksi pola penipuan.  

4. Search and Recomendation Engine

Machine Learning juga diterapkan untuk memaksimalkan fungsi pencarian dan rekomendasi oleh situs pencari, e-commerce dan media sosial. Beberapa contoh penerapan nya sebagai berikut:

– Google, ketika kamu mengetik sebuah kata kunci pencarian di Google, biasanya Google akan menampilkan rekomendasi pencarian yang kamu cari. Misalnya, ketika kamu mengetik ‘cara menghilangkan’, maka Google akan memunculkan beberapa rekomendasi atau autoteks nya seperti ‘cara menghilangkan jerawat’, ‘cara menghilangkan bau badan’, ‘cara menghilangkan ketombe’ dan sebagainya.

– Facebook, hal yang sama juga diterapkan pada Facebook. Misalnya kamu melakukan pencarian nama ‘Desi‘ di textbox pencarian, maka Facebook akan menampilkan beberapa rekomendasi nama user yang mungkin kamu kenali, misalnya ‘Desi Fatmawati’, ‘Desi Susanti’, ‘Desi Karina’ dan Desi-Desi lainnya.

– Amazon, Lazada, Alibaba, dan lainnya, jika kamu jelih memperhatikan saat kamu melakukan aktivitas belanja pada salah satu e-commerce diatas, maka sebetulnya mereka sudah menerapkan fungsi dari Machine Learning. Saat kamu melihat sebuah produk sampai ke halaman detail nya, misalnya sebuah Handphone, maka biasanya dibawah dari deskripsi Handphone tersebut akan muncul rekomendasi Handphone lainnya dengan spesifikasi yang hampir sama untuk kamu telusuri.

5. Speech Understanding

Ini berhubungan dengan suara manusia dan cabang ilmu komputer lainnya yaitu Natural Language Processing (NLP). Berikut beberapa contoh penerapan nya:

– Google Voice

Saat ini kita dapat melakukan pencarian pada Google tanpa harus memainkan jari-jemari pada keyboard atau layar handphone kita. Salah model pencarian baru yang diterapkan oleh Google adalah melalui suara. Disini Machine Learning memainkan peranan penting, suara yang diterima akan menjadi masukan bagi program untuk diidentifikasi dan dianalisa lebih lanjut untuk melakukan pencarian berdasarkan inputan (suara) yang diterima.

Metode di dalam Machine Learning

Secara umum, di dalam Machine Learning ada dua jenis metode yang paling populer yang dapat digunakan yaitu Supervised Learning dan Unsupervised Learning. Perbedaan utama antara keduanya terletak pada bagaimana cara kita mengajari dan memandu sebuah program melalui algoritma yang kita buat. Saya berikan ilustrasi, jika ada sebuah anak kecil yang sedang dihadapkan pada suatu masalah dan kamu mengajari dan memandu anak tersebut untuk memecahkan masalah tersebut maka itu termasuk ke dalam supervised learning. Namun jika kamu membiarkan anak tersebut belajar dan memecahkan sendiri masalah yang dihadapinya itu disebut dengan unsupervised learning.

1.Supervised Learning

Pada Supervised Learning, kita melatih mesin untuk memberikan output yang sudah kita tetapkan atau kita harapkan sebelumnya. Algoritma yang kita terapkan pada mesin tersebut ditujukan untuk membuat suatu input menjadi output yang kita harapkan.

Supervised Learning merupakan metode yang paling populer dalam implementasi algoritma untuk Machine Learning. Namun kelemahan dari metode ini adalah kita harus menyediakan atau menetapkan sebuah output yang benar. Kita mengajari mesin untuk melakukan sesuatu yang benar, tentu kita harus memiliki contoh apa sesuatu yang benar tersebut.

Sebagai contoh, jika kita ingin mengajari sebuah program untuk menentukan sebuah opini yang negatif, positif, atau netral tentu kita harus menyediakan sampel atau contoh opini yang negatif, positif, atau netral itu seperti apa.

Contoh lainnya misalnya ilustrasikan kamu memiliki sebuah keranjang buah, dan di dalam nya terdapat 4 jenis buah yaitu anggur, apel, cherry dan pisang.

Sekarang kamu ingin meminta mesin untuk menentukan yang mana anggur, apel, cherry atau pisang. Untuk melakukannya tentu kita harus memberikan kondisi-kondisi tertentu kepada mesin untuk dapat menentukan jenis buah dengan tepat.

 

Beberapa algoritma yang sering digunakan dalam metode supervised learning ini antara lain Logistic Regression, Decission Trees, K-Nearest Neighbors, Naive Bayes, Linear Regression, Random Forest dan masih banyak lagi.

2. Unsupervised Learning

Sebaliknya, pada Unsupervised Learning kita tidak mengajari mesin untuk menghasilkan suatu output tertentu. Kita hanya mengajarinya seperti apa input yang benar, dan output nya mereka sendiri yang akan menentukan, kita tidak memiliki ide sama sekali output seperti apa yang dihasilkan.

Dengan ilustrasi yang sama, misalkan kamu memiliki sebuah keranjang buah yang berisi empat jenis buah yang berbeda. Kali ini mesin kamu tidak tahu sama sekali tentang buah tersebut, ini adalah pertama kali nya mesin kamu melihat buah tersebut. Jadi, bagaimana cara kita mengatur atau menyusun buah-buah tersebut ?

Pertama-tama kamu harus meminta mesin untuk menyusun buah-buah tersebut berdasarkan ciri fisik mereka. Misalkan kamu menyusun mereka kedalam dua grup berdasarkan warna, maka:

GRUP WARNA MERAH: apel dan cherry.

GRUP WARNA HIJAU: pisang dan anggur.

Sekarang kamu pertimbangkan ciri fisik lainnya untuk memecah grup tersebut menjadi lebih detail, misalnya ukuran, maka:

WARNA MERAH DAN UKURAN BESAR: apel.

WARNA MERAH DAN UKURAN KECIL: cherry.

WARNA HIJAU DAN UKURAN BESAR: pisang.

WARNA HIJAU DAN UKURAN KECIL: anggur.

Jadi, metode apa yang sebaiknya kita gunakan ? Supervised atau Unsupervised Learning?

Apakah kamu punya data? Apakah kamu telah menyusun data-data tersebut kedalam bentuk kondisi untuk menghasilkan output yang sesuai seperti contoh tabel diatas? Jika ya, maka kamu dapat menerapkan metode supervised learning. Jika tidak, barangkali unsupervised learning dapat membantu kamu memecahkan masalah.

***

Kata “Belajar” jika didefinisikan memiliki arti suatu kegiatan untuk menggali pengetahuan, atau memahami konsep dan ketrampilan tertentu melalui sebuah pembelajaran atau pengalaman. Menurut para psikolog, belajar biasanya merupakan kegiatan yang dilakukan oleh manusia atau hewan. Namun, saat ini mesin juga dapat belajar seperti layaknya manusia. Cabang ilmu yang mempelajari hal tersebut adalah Machine Learning.

Machine Learning telah menjadi cabang dari ilmu komputer yang paling populer dalam beberapa tahun ini. Perusahaan dari berbagai bidang industri telah mulai mengimplementasi Machine Learning untuk mendukung dan meningkatkan kinerja perusahaan. Lebih dari 70% perusahaan dengan pendapatan di atas $500 juta di Amerika Serikat saat ini telah mengimplementasikan Machine Learning. Para mahasiswa yang belajar ilmu komputer di Amerika Serikat pun sebagian besar mengambil spesialisasi dalam bidang ini.

Mobil yang dapat mengemudi sendiri, aplikasi komputer dapat mengalahkan juara dunia permainan GO, robot yang dapat membantu dan menjadi asisten manusia, itu semua adalah beberapa contoh sukses penerapan Machine Learning beberapa tahun terakhir. Kedepan nya Machine Learning diprediksi akan terus berkembang dan menghasilkan inovasi-inovasi baru hingga belasan bahkan puluhan tahun mendatang.

Semoga bermanfaat.

6 Replies to “Konsep dan Implementasi Machine Learning”

  1. Wah Machine Learning ya, di Amrik sekarang lagi panas-panas nya itu. Banyak yang ambil mata kuliah nya, satu kelas bisa 500 orang.

Leave a Reply

Your email address will not be published. Required fields are marked *