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.
Referensi :
http://www.catatanrobert.com/konsep-dan-implementasi-machine-learning/
0 Comments