Assalamu‘alaikum wr. wb.
Hello guys! Machine Learning merupakan bagian dari Cabang Ilmu Kecerdasan Buatan atau Artificial Intelligence (AI). Saat ini, Teknologi AI sedang Booming dan Naik Daun, sehingga Machine Learning sangat dibutuhkan di dunia Industri. Lalu, apa itu sebenarnya Machine Learning (ML)? Berikut inilah penjelasannya.
Sumber Artikel Materi : IBM.com (Topics), Dicoding.com (Blog), Sekawanmedia.co.id (Blog), dan Dqlab.id
Dalam Era Kemajuan teknologi Kecerdasan Buatan (AI) yang begitu pesat saat ini, masih banyak orang yang belum menyadari bahwa kecerdasan buatan sebenarnya terdiri dari berbagai sub-bidang, dan salah satunya adalah machine learning atau pembelajaran mesin. Teknologi Machine Learning (ML) ini merupakan bagian menarik dari AI, mengapa? Karena machine learning memungkinkan mesin untuk belajar seperti manusia.
 |
| Cabang Ilmu dalam AI |
Kembali ke topik Artificial Intelligence. Kecerdasan Buatan dalam aplikasinya dapat dibagi menjadi tujuh sub-bidang utama, yang meliputi Machine Learning (ML), Natural Language Processing (NLP), Expert System, Vision, Speech, Planning, dan Robotics. Pemisahan ini bertujuan untuk mempersempit fokus dalam pengembangan atau pembelajaran AI, mengingat bahwa konsep kecerdasan buatan pada dasarnya memiliki cakupan yang sangat luas.
 |
| Meme Singkatan dari ML |
Whoops! ML di sini bukan Mobile Legends ya! Memang, Mobile Legends merupakan Game yang paling saya Benci tapi Populer di Asia Tenggara, dikarenakan termasuk Game yang Toxic. Tapi, ML di sini adalah Machine Learning. Jadi, Belajar Machine Learning itu Lebih Penting daripada Bermain Mobile Legends.
A. Pengertian Machine Learning
Teknologi Machine Learning (ML) merujuk pada pengembangan mesin yang mampu belajar secara mandiri tanpa memerlukan arahan dari pengguna. Pendekatan pembelajaran mesin didasarkan pada bidang-bidang ilmu lain seperti statistika, matematika, dan data mining, yang memungkinkan mesin untuk memahami dan memproses data dengan menganalisisnya, tanpa perlu diatur ulang atau diberi instruksi.
Dalam konteks ini, kemampuan utama dari Machine Learning adalah mampu meraih informasi secara mandiri dari data yang ada. Pembelajaran Mesin juga mampu merangkum dan memanfaatkan data yang telah diaksesnya untuk menjalankan tugas-tugas tertentu. Jenis tugas yang dapat diatasi oleh pembelajaran mesin sangat bervariasi dan bergantung pada apa yang telah dipelajari oleh sistem tersebut.
Konsep pembelajaran mesin pertama kali diperkenalkan oleh sejumlah matematikawan seperti Adrien Marie Legendre, Thomas Bayes, dan Andrey Markov pada tahun 1920-an. Mereka menyajikan dasar-dasar dan prinsip-prinsip dasar dari pembelajaran mesin. Sejak saat itu, pembelajaran mesin telah mengalami perkembangan yang signifikan. Salah satu contoh penerapan yang menonjol adalah Deep Blue, yang diciptakan oleh IBM pada tahun 1996.
Deep Blue adalah contoh Machine Learning yang didesain untuk mempelajari dan memainkan catur. Kehandalan Deep Blue terbukti ketika ia bermain melawan juara catur profesional, dan berhasil memenangkan pertandingan.
Penggunaan Machine Learning telah memberikan sumbangan yang signifikan dalam berbagai bidang. Bahkan, di era saat ini, penerapan pembelajaran mesin dapat ditemukan dengan mudah dalam kehidupan sehari-hari. Misalnya, fitur pengenalan wajah untuk membuka ponsel pintar, atau ketika Anda menjelajahi internet atau media sosial dan disajikan dengan iklan-iklan yang disesuaikan dengan preferensi Anda.
Ada banyak contoh penerapan Machine Learning lain yang juga umum dijumpai. Pertanyaannya sekarang, bagaimana mesin dapat belajar? Mesin belajar dan menganalisis data berdasarkan pada informasi yang diberikan selama tahap awal pengembangannya dan juga data yang diperoleh selama penggunaan. Machine Learning akan beroperasi sesuai dengan teknik atau metode yang diterapkan selama tahap pengembangan. Nah, apa saja teknik-teknik ini? Mari kita jelajahi bersama-sama.
B. Teknik Belajar Machine Learning
Ada beberapa teknik yang dimiliki oleh machine learning, namun secara luas ML memiliki dua teknik dasar belajar, yaitu supervised dan unsupervised.
1. Supervised Learning
Metode Pembelajaran Berbimbing (Supervised Learning) merupakan pendekatan yang bisa diterapkan dalam machine learning, di mana data yang sudah ada dilengkapi dengan label tertentu. Tujuan dari teknik ini adalah memberikan panduan terhadap output berdasarkan perbandingan dengan pengalaman belajar sebelumnya.
Misalnya, kamu memiliki kumpulan film yang telah diberi label berdasarkan kategori. Beberapa film telah diberi label sebagai film komedi seperti 21 Jump Street dan Jumanji, sementara yang lain masuk dalam kategori film horor seperti The Conjuring dan It. Ketika kamu mendapatkan film baru, kamu akan mengenali genre dan konten film tersebut. Setelah identifikasi dilakukan, film tersebut akan ditempatkan dalam kategori yang sesuai.
2. Semi-Supervised Learning
Pembelajaran Semi-supervised menawarkan jalan tengah yang baik antara pembelajaran berbimbing dan pembelajaran tanpa pengawasan. Selama pelatihan, metode ini menggunakan satu set data berlabel yang lebih kecil untuk membimbing klasifikasi dan ekstraksi fitur dari satu set data yang lebih besar dan tidak berlabel. Pembelajaran semi-supervised dapat mengatasi masalah kurangnya data berlabel dalam algoritma pembelajaran berbimbing. Metode ini juga membantu jika biaya untuk memberi label pada data yang cukup tinggi.
3. Unsupervised Learning
Teknik Unsupervised Learning merupakan teknik yang dapat diaplikasikan dalam Machine Learning untuk data yang tidak memiliki informasi langsung. Diharapkan teknik ini dapat membantu menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label.
Sedikit berbeda dengan Supervised Learning, kamu tidak memiliki data apapun yang akan dijadikan acuan sebelumnya. Misalkan kamu belum pernah sekalipun membeli film sama sekali, akan tetapi pada suatu waktu, kamu membeli sejumlah film dan ingin membaginya ke dalam beberapa kategori agar mudah untuk ditemukan.
Dalam hal ini, kamu akan mencari tahu film mana yang memiliki kesamaan. Misalnya, berdasarkan genre film. Jika kamu memiliki film The Conjuring, maka film tersebut akan ditempatkan dalam kategori film horor.
C. Cara Kerja Machine Learning
Cara kerja machine learning bervariasi tergantung pada teknik atau metode pembelajaran yang digunakan. Namun, prinsip dasar cara kerja pembelajaran mesin tetap sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan pada model yang dipilih, dan mengevaluasi hasil dari machine learning. Untuk memahami cara kerja Machine Learning, kita akan menjelaskan beberapa penerapannya berikut ini.
 |
| Permainan Catur yang dimainkan oleh AlphaGo yang berbasis AI |
Contoh penerapan machine learning adalah AlphaGo, yang dikembangkan oleh Google. Pada awalnya, AlphaGo dilatih dengan memberikan 100 ribu data pertandingan Go untuk dipelajari. Setelah mengumpulkan pengetahuan dan strategi bermain Go dari data-data tersebut, AlphaGo berlatih dengan bermain Go melawan dirinya sendiri. Setiap kali mengalami kekalahan, AlphaGo akan memperbaiki cara bermainnya dan proses ini diulang jutaan kali.
Perbaikan cara bermain AlphaGo dilakukan berdasarkan pengalamannya saat bermain melawan dirinya sendiri atau orang lain. AlphaGo juga mampu mensimulasikan beberapa pertandingan pada satu waktu secara bersamaan, sehingga dapat mempelajari lebih banyak dalam waktu yang lebih singkat dibanding manusia. Hal ini terbukti ketika AlphaGo berhasil mengalahkan juara dunia Go pada tahun 2016.
Dari penerapan machine learning pada AlphaGo, dapat dipahami bahwa machine learning terus belajar seiring penggunaannya. Contohnya, fitur deteksi wajah di foto milik Facebook belajar mengenali pola wajah berdasarkan tanda-tanda yang diinputkan saat memposting foto. Informasi mengenai orang yang ditandai pada foto menjadi sumber pembelajaran bagi machine learning.
Tidak heran apabila machine learning sering digunakan, tingkat akurasi nya semakin meningkat dari waktu ke waktu. Hal ini disebabkan karena machine learning terus belajar dari penggunaannya oleh para pengguna. Contohnya, pada fitur deteksi wajah milik Facebook, semakin banyak orang yang menggunakan fitur tersebut dan menandai orang-orang pada foto, tingkat akurasi deteksi wajah juga semakin meningkat.
D. Algoritma Umum Machine Learning
Sejumlah Algoritma Umum dalam Machine Learning digunakan termasuk :
1. Neural Network
Neural Network menstimulasikan cara kerja otak manusia, dengan sejumlah besar simpul pemrosesan yang saling terhubung. Jaringan saraf bagus dalam mengenali pola dan memainkan peran penting dalam aplikasi seperti terjemahan bahasa alami, pengenalan gambar, pengenalan ucapan, dan penciptaan gambar.
2. Regresi Linear
.png)
Algoritma ini digunakan untuk memprediksi nilai numerik, berdasarkan hubungan linear antara nilai-nilai yang berbeda. Misalnya, teknik ini dapat digunakan untuk memprediksi harga rumah berdasarkan data historis untuk daerah tersebut.
3. Regresi Logistik
Algoritma pembelajaran berbimbing ini membuat prediksi untuk variabel respons kategoris, seperti jawaban "ya/tidak" untuk pertanyaan-pertanyaan tertentu. Algoritma ini dapat digunakan untuk aplikasi seperti mengklasifikasikan spam dan kontrol kualitas pada garis produksi.
4. Clustering
Menggunakan pembelajaran tanpa pengawasan, algoritma pengelompokan dapat mengidentifikasi pola dalam data sehingga data dapat dikelompokkan. Komputer dapat membantu ilmuwan data dengan mengidentifikasi perbedaan antara item data yang mungkin terlewatkan oleh manusia.
5. Pohon Keputusan (Decision Trees)
Pohon keputusan dapat digunakan baik untuk memprediksi nilai numerik (regresi) maupun mengklasifikasikan data ke dalam kategori. Pohon keputusan menggunakan urutan keputusan terhubung yang dapat diwakili dengan diagram pohon. Salah satu keuntungan dari pohon keputusan adalah bahwa mereka mudah divalidasi dan diaudit, tidak seperti kotak hitam dari jaringan saraf.
6. Hutan Acak (Random Forests)
Dalam hutan acak, algoritma pembelajaran mesin memprediksi nilai atau kategori dengan menggabungkan hasil dari sejumlah pohon keputusan.
E. Tantangan Machine Learning
Seiring dengan perkembangan teknologi pembelajaran mesin, kehidupan kita tentunya menjadi lebih mudah. Namun, penerapan pembelajaran mesin di dunia bisnis juga telah menimbulkan sejumlah keprihatinan etika tentang teknologi Kecerdasan Buatan (AI). Beberapa di antaranya meliputi :
1. Singularitas Teknologi
Meskipun topik ini menarik perhatian publik, banyak peneliti tidak terlalu khawatir dengan gagasan AI melampaui kecerdasan manusia dalam waktu dekat. Singularitas teknologi juga disebut sebagai AI kuat atau superintelejen. Filsuf Nick Bostrum mendefinisikan superintelejen sebagai "kecerdasan apa pun yang jauh melampaui otak manusia terbaik dalam hampir setiap bidang, termasuk kreativitas ilmiah, kebijaksanaan umum, dan keterampilan sosial." Meskipun superintelejen tidak menjadi ancaman nyata dalam masyarakat, gagasan ini menimbulkan pertanyaan menarik saat kita mempertimbangkan penggunaan sistem otonom, seperti mobil tanpa pengemudi. Memang tidak realistis berpikir bahwa mobil tanpa pengemudi tidak akan pernah mengalami kecelakaan, tetapi siapa yang bertanggung jawab dan bertanggung jawab dalam keadaan tersebut? Haruskah kita tetap mengembangkan kendaraan otonom, atau batasi teknologi ini hanya pada kendaraan semi-otonom yang membantu orang mengemudi dengan aman? Masih banyak pertanyaan yang harus dijawab mengenai hal ini, tetapi inilah jenis perdebatan etika yang terjadi ketika teknologi AI baru dan inovatif berkembang.
2. Dampak AI pada Pekerjaan
Meskipun banyak persepsi publik tentang kecerdasan buatan berkisar pada hilangnya pekerjaan, kekhawatiran ini sebaiknya diberikan perspektif yang berbeda. Dengan setiap teknologi baru yang mengganggu, kita melihat bahwa permintaan pasar untuk peran pekerjaan tertentu berubah. Misalnya, ketika kita melihat industri otomotif, banyak produsen seperti GM beralih fokus pada produksi kendaraan listrik untuk sejalan dengan inisiatif ramah lingkungan. Industri energi tidak akan hilang, tetapi sumber energinya beralih dari ekonomi bahan bakar menjadi energi listrik.
Dengan cara yang serupa, kecerdasan buatan akan menggeser permintaan pekerjaan ke area lain. Akan ada individu yang membantu mengelola sistem AI. Masih akan ada orang-orang yang mengatasi masalah yang lebih kompleks dalam industri yang paling mungkin terpengaruh oleh perubahan permintaan pekerjaan, seperti layanan pelanggan. Tantangan terbesar dengan kecerdasan buatan dan dampaknya pada pasar kerja adalah membantu orang bertransisi ke peran baru yang dibutuhkan.
3. Privasi
Privasi cenderung dibahas dalam konteks privasi data, perlindungan data, dan keamanan data. Kekhawatiran-kekhawatiran ini telah memungkinkan para pembuat kebijakan untuk mengambil langkah lebih maju dalam beberapa tahun terakhir.
Misalnya, pada tahun 2016, legislasi GDPR dibuat untuk melindungi data pribadi orang-orang di Uni Eropa dan Area Ekonomi Eropa, memberikan individu lebih banyak kendali atas data mereka. Di Amerika Serikat, negara-negara bagian mengembangkan kebijakan, seperti California Consumer Privacy Act (CCPA), yang diperkenalkan pada tahun 2018 dan mengharuskan bisnis untuk memberi tahu konsumen tentang pengumpulan data mereka.
Undang-undang seperti ini telah mendorong perusahaan untuk memikir ulang cara mereka menyimpan dan menggunakan informasi yang dapat diidentifikasi secara Pribadi (PII). Akibatnya, investasi dalam keamanan menjadi prioritas yang semakin meningkat bagi perusahaan saat mereka berusaha untuk menghilangkan kerentanan dan peluang untuk pengawasan, peretasan, dan serangan siber.
4. Bias dan Diskriminasi
Kasus-kasus bias dan diskriminasi dalam sejumlah sistem pembelajaran mesin telah menimbulkan banyak pertanyaan etika tentang penggunaan kecerdasan buatan. Bagaimana kita dapat melindungi diri dari bias dan diskriminasi ketika data pelatihan itu sendiri mungkin dihasilkan oleh proses manusia yang bias? Meskipun biasanya perusahaan memiliki niat baik untuk upaya otomatisasi mereka, Reuters menyoroti beberapa konsekuensi tak terduga dari menggabungkan AI dalam praktik perekrutan. Dalam upaya mereka untuk mengotomatiskan dan menyederhanakan proses, Amazon secara tidak sengaja melakukan diskriminasi terhadap kandidat pekerjaan berdasarkan jenis kelamin untuk peran teknis, dan akhirnya perusahaan harus menghentikan proyek tersebut. Harvard Business Review telah mengangkat pertanyaan-pertanyaan lain tentang penggunaan AI dalam praktik perekrutan, seperti data apa yang seharusnya Anda gunakan saat mengevaluasi seorang kandidat untuk peran tertentu.
Bias dan diskriminasi tidak terbatas pada fungsi sumber daya manusia; mereka dapat ditemukan dalam sejumlah aplikasi, mulai dari perangkat lunak pengenalan wajah hingga algoritma media sosial.
5. Akuntabilitas
Karena tidak ada undang-undang yang signifikan untuk mengatur praktik AI, tidak ada mekanisme penegakan nyata untuk memastikan bahwa AI yang etis dipraktikkan. Insentif saat ini bagi perusahaan untuk bersikap etis adalah akibat buruk dari sistem AI yang tidak etis pada posisi keuangan. Untuk mengisi kesenjangan ini, kerangka kerja etika telah muncul sebagai bagian dari kolaborasi antara ahli etika dan peneliti untuk mengatur pembangunan dan distribusi model AI dalam masyarakat. Namun, saat ini, kerangka kerja ini hanya berfungsi sebagai panduan.
F. Contoh Penerapan Machine Learning
Berikut adalah beberapa Contoh Penerapan Machine Learning yang kita temui dalam Kehidupan Sehari-hari :
1. Penggunaan Sosial Media
Saat ini penggunaan sosial media sudah menjadi bagian dari lifestyle kebanyakan orang. Penggunanya pun bukan hanya dari kalangan usia dewasa saja, bahkan anak di bawah umur pun sudah banyak yang memilikinya. Tahukah kalian bahwa dibalik Sosial Media yang digunakan itu terdapat peran Machine Learning? Seperti mempermudah dalam mencari "orang yang mungkin Anda kenal", pengenalan wajah, verifikasi sidik jari, pengarsipan postingan terdahulu, postingan pada beranda, dan lainnya.
2. Rekomendasi Marketplace
Marketplace merupakan suatu platform yang berisi kumpulan penjual dan pembeli. Marketplace saat ini sudah tidak asing pula bagi banyak orang terutama yang memiliki hobi berbelanja online. Marketplace ini tidak menyediakan barang dan jasa, hanya saja ia menyediakan tempat bagi para penjual yang ingin memasarkan barangnya dan bagi para pembeli yang ingin mencari produk.
Marketplace ini menggunakan penerapan machine learning seperti rekomendasi produk, iklan produk, chatbot, pengklasifikasian produk, dan lain-lain.
3. Social Media’s User Experiences
Media sosial adalah situs web yang memiliki kunjungan pengguna tertinggi berdasarkan data dari Alexa. Platform-platform media sosial seperti Instagram dan Twitter (Sekarang, X) menggunakan machine learning untuk meningkatkan kenyamanan pengguna. Berikut adalah beberapa peningkatan pengalaman pengguna untuk aplikasi pembelajaran mesin:
a. ‘Suggest to Follow’
Instagram mampu mengumpulkan berbagai informasi dari pengguna, termasuk informasi umum seperti lokasi, sekolah, kantor, serta preferensi, dan juga aktivitas seperti pesan, unggahan, dan profil yang sering dilihat. Dengan demikian, Instagram dapat memberikan rekomendasi mengenai pengguna lain yang mungkin ingin diikuti.
b. Pengenalan Wajah
Instagram dapat mengenali gambar yang mengandung wajah manusia yang diunggah oleh pengguna. Hal ini memungkinkan pengguna untuk menandai wajah-wajah pada gambar tersebut. Seiring berjalannya waktu, Instagram bahkan dapat mengenali wajah pengguna berdasarkan foto-foto yang diunggah. Ini memungkinkan Instagram untuk secara otomatis menandai wajah orang-orang pada gambar yang baru diunggah.
c. Unggahan di Beranda Anda
Instagram dapat mengumpulkan informasi mengenai aktivitas pengguna, kontak yang sering dihubungi, unggahan yang disukai, dan grup yang sering diakses.
4. Google AdWords
Google AdWords merupakan platform periklanan digital terpopuler di seluruh dunia. Melalui AdWords, iklan dapat ditampilkan pada situs web yang dipublikasikan melalui Google Adsense. Jenis iklan yang ditampilkan termasuk iklan yang dinamis dan mengalami rotasi. AdWords mengumpulkan data dari berbagai situs web untuk berbagai topik, dan kemudian menampilkan iklan yang relevan dengan topik tersebut. Selain itu, Google AdWords menggunakan cookie untuk menghubungkan aktivitas pengunjung pada situs web Anda dengan situs web yang dikunjungi sebelumnya. Dua elemen ini diambil oleh AdWords untuk memastikan bahwa iklan yang ditampilkan sesuai dengan perilaku pengunjung situs web.
5. Penyaring Pesan Spam
Penerapan machine learning sangat signifikan dalam penyaringan Pesan Spam, baik dalam Email, Website, maupun platform komunikasi berbasis perangkat lunak. Algoritma Pohon Keputusan adalah metode awal dalam pengembangan algoritma penyaring spam yang menilai apakah sebuah pesan dapat dianggap sebagai spam.
6. Teknologi Kamera Pengawas
Teknologi baru yang inovatif menggunakan pembelajaran mesin dalam sistem pengawasan CCTV untuk mendeteksi insiden kejahatan dan kecelakaan.
7. Mobil Kendali Otomatis
Kendaraan yang beroperasi secara otomatis merupakan salah satu aplikasi penting dari machine learning. Mobil berpemandu otomatis adalah contoh kompleks dari penerapan machine learning yang melibatkan risiko langsung yang tinggi. Mobil ini memerlukan pembelajaran yang luas mengenai rambu-rambu jalan, navigasi, kondisi jalan, sinyal lalu lintas, lingkungan manusia, serta sensor internal lainnya.
Dan masih banyak lagi Contoh-contoh Penerapan dari Machine Learning.
Untuk membaca Artikel sebelumnya tentang Artificial Intelligence (AI), silakan lihat di sini. Itulah Penjelasan tentang Machine Learning. Mohon maaf apabila ada kesalahan sedikitpun.
Terima Kasih 😄😘👌👍 :)
Wassalamu‘alaikum wr. wb.