Auto Tips

Mengenal Apa Itu Machine Learning, Pengertian hingga Contoh

28 Juni, 2023

Bagi keluarga Wuling yang lahir di sebelum tahun ’90-an [dan lebih tua lagi] pasti masih ingat film futuristik seperti Back to the Future atau Knight Rider; bagaimana mesin-mesin yang diciptakan manusia masa depan bisa sebegitu canggihnya hingga bisa membuat manusia terbang, menjadi robot yang bisa menyerupai manusia, hingga bisa mengemudi tanpa menyentuh setir kendali. Dengan kemajuan zaman seperti sekarang hal tersbut sangat mungkin untuk diwujudkan dengan teknologi machine learning!

Apa Itu Machine Learning, Sebuah Pengertian

Teknologi pembelajaran mesin atau yang kita kenal dengan machine learning merupakan suatu sistem yang dirancang buat bisa belajar secara mandiri tanpa adanya bimbingan dari para pengguna.

Pembelajaran mesin ini didasarkan atas disiplin ilmu lain semacam matematika, statistika, dan penambangan data, sehingga mesin bisa belajar dengan menganalisis data tanpa adanya keperluan guna diprogram ulang atau diberi perintah.

Di dalam konteks ini, pembelajaran mesin punya kemampuan buat peroleh data secara mandiri. Machine learning mampu pelajari data yang tersedia serta data yang diperoleh, sehingga bisa jalankan tugas-tugas spesifik. Kemampuan yang bisa dikerjakan machine learning amat bervariasi tergantung dari apa yang telah dipelajarinya.

Pada tahun 1920-an, Thomas Bayes, Adrien Marie Legendre, dan Andrey Markov telah mempopulerkan istilah atas pembelajaran mesin ini. Mereka adalah matematikawan yang pertama kali memperkenalkannya. Mereka mengemukakan prinsip dan konsep dasar pembelajaran mesin. Semenjak saat itu, pembelajaran mesin sudah alami banyak perkembangan. Salah satu contoh dalam penerapannya yang paling dikenal masyarakat luas adalah Deep Blue, yang mana pengembangnnya dikerjakan oleh IBM pada tahun 1996.

Deep Blue merupakan sebuah pembelajaran mesin yang dirancang guna belajar dan bermain catur. Deep Blue telah diuji coba melawan juara catur profesional, dan berhasil memenangkan pertandingan catur tersebut.

Peran pembelajaran mesin sangat membantu manusia dalam berbagai bidang. Bahkan pada saat ini, penerapan dari pembelajaran mesin bisa secara mudah ditemukan di dalam kehidupan sehari-hari. Sebagai contohnya, saat memakai fitur face unlock pada smartphone, dan atau ketika kita sedang menjelajah internet dan atau media sosial, acap kali kita mendapatkan sajian iklan-iklan. Nah, iklan-iklan tersebut pun adalah hasil pengolahan dari pembelajaran mesin yang mampu memberikan iklan sesuai dengan karakteristik yang kita miliki.

Sebenarnya, masih banyak terdapat contoh penerapan pembelajaran mesin yang acapkali kita temui. Pertanyaannya, bagaimana pembelajaran mesin dapat belajar? Data yang diberikan pada saat awal-awal pengembangan dan data yang didapat ketika pembelajaran mesin dipakai mampu membuat machine learning belajar dan menganalisis data. Pembelajaran mesin atau machine learning akan bekerja sesuai dengan teknik dan atau metode yang dipakai pada tahap pengembangan. Apa saja ya teknik-tekniknya? Mari kita lihat bersama-sama.

Mengapa Machine Learning Itu Penting

Metode mendesak perkembangan, membuka aliran pemasukan baru, serta menuntaskan masalah- masalah yang menantang dari machine learning mampu menolong bisnis. Informasi merupakan penggerak yang berarti di balik pengambilan keputusan bisnis, namun secara tradisional, perseroan sudah memakai informasi dari bermacam sumber, semacam umpan balik pelanggan, karyawan, serta keuangan. Riset machine learning mengotomatiskan serta memaksimalkan proses ini. Dengan memakai piranti lunak yang menganalisis informasi bervolume besar dengan kecepatan besar, bisnis bakal bisa menggapai hasil secara lebih kilat.

Di mana Machine Learning Digunakan?

Ayo perhatikan aplikasi machine learning di sebagian industri kunci:

Manufaktur

Machine learning bisa menunjang pemeliharaan prediktif, kontrol mutu, serta studi inovatif dalam zona manufaktur. Teknologi machine learning juga menolong industri menaikkan pemecahan logistik, termasuk aset, rantai pasokan, serta manajemen inventaris. Misalnya, raksasa manufaktur 3M memakai AWS Machine Learning buat menginovasi ampelas. Algoritme machine learning memungkinkan para periset 3M buat menganalisis metode pergantian kecil dalam wujud, dimensi, serta orientasi bisa tingkatkan watak abrasif dan energi tahan. Saran- saran tersebut menginformasikan proses manufaktur.

Pemeliharaan kesehatan serta ilmu hayat

Pertumbuhan sensor serta piranti sandangan sudah menciptakan volume informasi kesehatan yang signifikan. Program machine learning bisa menganalisis data ini serta menunjang para dokter mendiagnosis dan menjaga secara waktu nyata. Para periset machine learning tengah meningkatkan pemecahan yang mencium tumor kanker serta mendiagnosis penyakit mata, yang mempengaruhi hasil keadaan kesehatan manusia secara signifikan. Misalnya, Penyelesaian Kesehatan Cambia memakai AWS Machine Learning buat menunjang perseroan rintisan pemeliharaan kesehatan tempat mereka bisa mengotomatiskan serta membiasakan perawatan buat perempuan mengandung.

Layanan keuangan

Proyek machine learning keuangan tingkatkan analitik serta regulasi risiko. Teknologi machine learning bisa membolehkan para investor buat mengenali kesempatan baru dengan metode menganalisis pergerakan pasar saham, mengevaluasi pengelola investasi global, ataupun melaksanakan kalibrasi portofolio keuangan. Tidak hanya itu, teknologi machine learning bisa menolong mengenali klien pinjaman berisiko besar serta kurangi isyarat penipuan.

Piranti lunak keuangan terkemuka Intuit memakai sistem AWS Machine Learning, Amazon Textract, guna membuat manajemen keuangan yang lebih terpersonalisasi serta menolong pengguna akhir tingkatkan keadaan keuangan mereka.

Ritel

Machine learning pada industri ritel bisa buat tingkatkan manajemen stok, service pelanggan, pemasaran upselling serta lintas saluran. Misalnya, Amazon Fulfillment( AFT) bisa memotong bayaran infrastruktur sampai 40 persen memakai model machine learning buat mengenali inventaris yang salah tempat. Hal ini menunjang mereka, sesuai janji Amazon, buat memastikan kalau item bakal ada untuk para pelanggan serta datang tepat waktu, kendati mereka butuh memproses jutaan pengiriman global tiap tahun.

Media serta hiburan

Perseroan hiburan bergeser ke machine learning buat lebih menguasai audiens sasaran mereka serta membagikan konten yang imersif, terpersonalisasi, serta sesuai permintaan. Algoritme machine learning dicoba deployment buat mendesain trailer dan iklan yang lain, membagikan saran konten yang dipersonalisasi kepada konsumen, serta malahan menyederhanakan produksi.

Misalnya, Disney memakai AWS Deep Learning buat mengarsipkan pustaka media mereka. Alat machine learning AWS secara otomatis menandai, mendeskripsikan, serta menyortir konten media, sehingga membolehkan penulis serta animator Disney buat mencari serta biasakan diri dengan karakter Disney secara kilat.

Tipe Algoritma Machine Learning

Algoritma machine learning dapat dikategorikan ke dalam empat jenis:

Supervised Learning

Supervised learning merupakan tipe machine learning di mana informasi yang digunakan buat melatih model memiliki label ataupun jawaban yang benar.

Menciptakan model yang bisa memprediksi label dari informasi yang tidak mempunyai label adalah tujuan dari supervised learning.

Manfaat dari supervised learning ialah buat klasifikasi, regresi, serta deteksi anomali.

Contoh:

Sesuatu perseroan mau memprediksi apakah pelanggan hendak membeli produk tertentu ataupun tidak. Informasi yang ada merupakan riwayat pembelian pelanggan, riwayat kegiatan di web, umur, tipe kelamin, serta pemasukan.

Dengan landasan apakah pelanggan membeli produk tersebut ataupun tidak, data tersebut diberi label” ya” ataupun” tidak”.

Menciptakan model yang bisa memprediksi apakah pelanggan hendak membeli produk tersebut ataupun tidak bersumber pada informasi yang ada adalah tujuan dari supervised learning.

Unsupervised Learning

Unsupervised learning merupakan tipe machine learning di mana informasi yang digunakan buat melatih model tidak ada label ataupun jawaban yang benar.

Tujuan dari unsupervised learning ialah buat menciptakan pola ataupun kelompok dalam informasi. Contoh dari unsupervised learning ialah clustering serta reduksi dimensi.

Contoh:

Suatu perseroan mau menciptakan kelompok pelanggan yang mempunyai sikap belanja yang yang mirip. Informasi yang ada merupakan riwayat pembelian pelanggan, riwayat kegiatan di web, umur, tipe kelamin, serta pemasukan.

Informasi tersebut tidak diberi label sebab tidak terdapat data apakah sikap belanja pelanggan tersebut dikira baik ataupun kurang baik.

Tujuan dari unsupervised learning yaitu menciptakan kelompok pelanggan yang mempunyai sikap belanja yang seragam bersumber pada informasi yang ada.

Reinforcement Learning

Reinforcement learning ialah tipe machine learning di mana model belajar lewat interaksi dengan lingkungan.

Tujuan dari reinforcement learning yakni buat mengoptimalkan reward ataupun penghargaan yang diberikan oleh lingkungan. Contoh dari reinforcement learning merupakan robotika serta permainan.

Contoh:

Suatu perseroan mau meningkatkan robot yang bisa berjalan serta menjauhi rintangan di sekitarnya.

Tujuan dari reinforcement learning yaitu membuat model yang bisa mengoptimalkan reward yang diberikan dikala robot sukses melewati rintangan tanpa bertabrakan.

Semi Supervised Learning

Singkatnya, teknik pembelajaran mesin yang menggunakan sebagian kecil data berlabel dan banyak data tidak berlabel untuk melatih model prediktif adalah semi-supervised learning (SSL).

Pembelajaran yang diawasi dan teknik pembelajaran yang tidak diawasi untuk memecahkan tantangan utama mereka dijembatani Semi-supervised learning (SSL). Anda melatih model awal pada beberapa sampel berlabel dan lalu menerapkannya secara iteratif ke sejumlah besar data yang tak berlabel.

Contoh:

Dengan jumlah data yang terus bertambah dengan pesat, tidak ada cara untuk memberi label secara tepat waktu. Pikirkan pengguna TikTok aktif yang mengunggah rata-rata hingga 20 video per hari. Dan ada 1 miliar pengguna aktif. Dalam skenario seperti itu, pembelajaran semi-diawasi dapat membanggakan beragam kasus penggunaan mulai dari pengenalan gambar dan ucapan hingga konten web dan klasifikasi dokumen teks.

Cara Kerja Machine Learning

Hubungan matematis yang terdapat antara seluruh campuran informasi input serta output adalah gagasan utama di balik machine learning. Model machine learning tidak mengenali hubungan ini lebih dahulu, namun bisa menerka bila diberikan set informasi yang lumayan. Hal ini berarti tiap algoritme machine learning dibentuk di seputar peranan matematika yang bisa dimodifikasi. Prinsip yang mendasarinya bisa dimengerti semacam ini:

1. Kami “ melatih” algoritme tersebut dengan memberinya campuran input/ output( i, o) berikut–( 2, 10),( 5, 19), serta( 9, 31)

2. Algoritme tersebut mengomputasi hubungan antara input serta output jadi: o=3*i+4

3. Berikutnya, kami memberinya input 7 serta memintanya buat memprediksi output. Algoritme tersebut bisa secara otomatis memastikan output- nya jadi 25.

Walaupun ini merupakan pemahaman dasar, machine learning berfokus pada prinsip kalau seluruh poin informasi kompleks bisa dihubungkan secara matematis oleh sistem pc sepanjang sistem pc tersebut mempunyai informasi serta daya komputasi yang lumayan buat memproses informasi tersebut. Oleh sebab itu, keakuratan output tersebut secara langsung berkorelasi dengan besarnya input yang diberikan.

Apa Itu Deep Learning?

Deep learning yakni metode dalam kecerdasan buatan (AI) yang mengajarkan komputer untuk memproses data dengan metode yang terinspirasi otak manusia. Pola kompleks dalam gambar, teks, suara, dan data lain untuk menghasilkan wawasan dan prediksi yang akurat bisa dikenali model deep learning. Anda dapat memakai metode deep learning untuk mengotomatiskan tugas yang lazimnya memerlukan kecerdasan manusia, semacam mendeskripsikan citra atau menyalin file suara ke dalam teks.

Keuntungan Machine Learning

Mari lihat sebagian hal yang bisa dikerjakan dan yang tak bisa dikerjakan oleh machine learning, manfaat model machine learning:

1. Dapat identifikasi trend dan pola data yang bisa jadi terlewat manusia.

2. Bisa bekerja tanpa intervensi manusia sesudah disiapkan. Umpamanya, machine learning di perangkat lunak keamanan siber bisa memantau dan mengidentifikasi penyimpangan di lalu lintas jaringan tanpa input administrator.

3. Hasil bisa menjadi lebih jitu dari waktu ke waktu.

4. Bisa menangani beraneka bentuk data dalam lingkungan data yang dinamis, bervolume tinggi, dan rumit.

Kerugian Machine Learning

Kerugian model machine learning:

1. Pelatihan masa awal ialah pengerjaan yang mahal dan memakan waktu. Mungkin susah diimplementasikan jikalau tak tersedia cukup data.

2. Ini ialah pengerjaan komputasi intensif yang memerlukan investasi permulaan yang besar jikalau perangkat keras disiapkan di rumah.

3. Mungkin susah untuk menginterpretasikan hasil dengan benar dan mengeliminasi ketidakpastian tanpa bantuan pakar.

Contoh Machine Learning

Sebagian contoh penerapan machine learning antara lain:

1. Saran marketplace dalam sistem belanja online, dimana salah satu informasinya diperoleh dari history pencarian

2. Pengkategorian terhadap email, apakah tercantum ke dalam jenis updates, social, promotions, spam, serta yang lain.

3. Pengenalan wajah, kerap digunakan dalam sistem keamanan

4. Search engine, membagikan anjuran pencarian dalam mesin pencarian google

Implementasi Machine Learning dalam Mobil

Lalu teknologi ML tadi juga sudah mulai diimplementasikan ke dalam mobil-mobil masa kini agar kesan futuristiknya semakin terasa—hanya dengan memanggil dan memberikan perintah maka mesin langsung bisa berfungsi dan berkomunikasi dengan manusia/pengendaranya. Jika kamu pernah nonton film seri Knight Rider jaman kecil dulu, pasti kamu masih ingat adegan saat aktornya, Michael Knight (diperankan David Hasselhoff), berbicara dengan mesin mobilnya yang dinamakan KITT.

Dengan sebuah kalimat perintah, maka otomatis KITT akan langsung mengerjakannya—misalnya, “KITT, jalan sekarang!” atau “KITT, kebut!” Lantas apa sih untungnya dengan teknologi semacam ini? Beberapa nilai positif misalnya, berkendara akan tetap bisa dilakukan apapun situasi kondisinya; misalnya sedang sakit dan harus ke rumah sakit sendirian, ketika di jalan namun mengantuk, atau sembari berkendara tetap harus membuka laptop untuk bekerja (multi-task) dengan tujuan utama agar hidup kita akan jauh lebih terbantu dan mudah.

Dengan perkembangan machine learning yang amat pesat yang bahaya jika mesin-mesin ini nantinya jauh lebih pintar dan mampu mengelabui manusia. Demi kehidupan yang lebih baik kita bisa menyerap dan memanfaatkan sisi positif dari perkembangan teknologi, namun pastikan bahwa kita tidak sampai ketergantungan terhadap kemajuan-kemajuan yang memudahkan hidup kita agar kita tetap bisa selalu selangkah lebih maju.