Machine Learning

Machine learning adalah aplikasi komputer yang berisi algoritma tertentu yang dapat mempelajari bagaimana melakukan tugas-tugas, yaitu dengan cara memprediksi dan menangani berbagai pola yang sudah dipelajari sebelumnya untuk menghasilkan kesimpulan baru yang lebih akurat. Machine learning merupakan salah satu bidang dari ilmu kecerdasan buatan (artificial intelligence) yang bertujuan untuk mengembangkan algoritma yang dapat mengeksekusi sistem pembelajaran otonom dengan sangat sedikit masukan dari orang-orang pada umumnya.

Istilah machine learning pertama kali didefinisikan oleh Arthur Samuel pada tahun 1959. Machine learning berkaitan dengan pertanyaan tentang bagaimana membangun program komputer agar meningkat secara otomatis dengan berdasar dari pengalaman.

Machine learning menggunakan sebuah algoritma yang akan membuat komputer untuk belajar dan melakukan tugas tanpa harus adanya instruksi dari pengguna. Algoritma dalam machine learning bekerja dengan cara membangun sebuah model dari masukan agar dapat menghasilkan suatu prediksi atau pengambilan keputusan berdasarkan data yang ada.

Pengertian Machine Learning 

Berikut definisi dan pengertian machine learning dari beberapa sumber buku dan referensi: 

• Menurut Danukusumo (2017), machine learning adalah serangkaian teknik yang dapat membantu dalam menangani dan memprediksi data yang sangat besar dengan cara mempresentasikan data-data tersebut dengan algoritma pembelajaran. 
• Menurut Shwartz dan BenDavid (2014), machine learning adalah studi tentang algoritma untuk mempelajari bagaimana melakukan tugas-tugas tertentu yang dilakukan secara otomatis oleh orang-orang. Belajar dalam hal ini berkaitan dengan bagaimana menuntaskan berbagai tugas yang ada, atau membuat suatu prediksi kesimpulan baru yang akurat dari berbagai pola yang sudah dipelajari sebelumnya. 
• Menurut Goldberg dan Holland (1988), machine learning adalah aplikasi komputer dan algoritma matematika yang diadopsi dengan cara pembelajaran yang berasal dari data dan menghasilkan prediksi di masa yang akan datang.

Jenis-jenis Algoritma Machine Learning 

Machine learning terbagi menjadi tiga kategori, yaitu Supervised Learning, Unsupervised Learning, Reinforcement Learning. Adapun penjelasan masing-masing adalah sebagai berikut:

a. Supervised Learning 

Supervised Learning merupakan data yang ada pada Machine Learning yang dilengkapi dengan kelas/label yang menunjukkan klasifikasi dari data tersebut. Dalam kategori ini model yang dihasilkan adalah model prediksi dari data yang telah diberi kelas/label. Teknik yang digunakan oleh Supervised Learning adalah metode klasifikasi di mana kumpulan data sepenuhnya diberikan label untuk mengklasifikasikan kelas yang tidak dikenal. Penggunaan skenario supervised learning, pembelajaran menggunakan masukan data pembelajaran yang telah diberi label. Setelah itu membuat prediksi dari data yang telah diberi label.

b. Unsupervised Learning 

Unsupervised learning merupakan data yang ada pada Machine Learning yang tidak dilengkapi dengan kelas/label yang menujukkan klasifikasi dari data tersebut. Teknik yang digunakan pada Unsupervised Learning sering disebut cluster dikarenakan tidak ada kebutuhan untuk pemberian label dalam kumpulan data dan hasilnya tidak mengidentifikasi contoh di kelas yang telah ditentukan. Penggunaan skenario unsupervised learning, pembelajaran menggunakan masukan data pembelajaran yang tidak diberi label. Setelah itu mencoba untuk mengelompokan data berdasarkan karakteristik-karakteristik yang ditemui.

c. Reinforcement Learning 

Reinforcement learning merupakan pembelajaran terhadap aksi yang dilakukan untuk memperoleh reward yang maksimal. Dalam proses pembelajarannya tidak akan diberitahu aksi mana yang akan diambil, tetapi lebih pada menemukan aksi yang dapat memberikan reward yang maksimal dengan cara menjalankan aksi-aksi tersebut. Teknik yang digunakan pada Reinforcement Learning biasanya berada antara Supervised Learning dan Unsupervised Learning. Teknik ini bekerja dalam lingkungan yang dinamis di mana konsepnya harus menyelesaikan tujuan tanpa adanya pemberitahuan dari komputer secara eksplisit jika tujuan tersebut telah tercapai. Pada skenario reinforcement learning fase pembelajaran dan tes saling dicampur. Untuk mengumpulkan informasi pembelajar secara aktif dengan berinteraksi ke lingkungan sehingga untuk mendapatkan balasan untuk setiap aksi dari pembelajar.

Bidang-bidang Machine Learning 

Beberapa bidang yang masih dalam kelompok machine learning, antara lain yaitu sebagai berikut:

a. Deep Learning 

Deep Learning merupakan salah satu bidang dari machine learning yang memanfaatkan jaringan syaraf tiruan untuk implementasi permasalahan dengan dataset yang besar. Teknik deep learning memberikan arsitektur yang sangat kuat untuk supervised learning. Dengan menambahkan lebih banyak lapisan maka model pembelajaran tersebut bisa mewakili data citra berlabel dengan lebih baik. Pada machine learning terdapat teknik untuk menggunakan ekstraksi fitur dari data pelatihan dan algoritma pembelajaran khusus untuk mengklasifikasi citra maupun untuk mengenali suara. Namun, metode ini masih memiliki beberapa kekurangan baik dalam hal kecepatan dan akurasi.

b. Artificial Neural Network 

Artificial Neural Network (ANN) merupakan suatu model komputasi paralel yang meniru fungsi dari sistem jaringan syaraf biologi otak manusia. Dalam otak manusia terdiri dari milyaran neuron yang saling berhubungan. Hubungan ini disebut dengan Synapses. Komponen neuron terdiri dari satu inti sel yang akan melakukan pemrosesan informasi, satu akson (axon) dan minimal satu dendrit. Informasi yang masuk akan diterima oleh dendrit. Selain itu, dendrit juga menyertasi akson sebagai keluaran dari suatu pemrosesan informasi.

c. Struktur Neural Networ 

Konsep dasar pembangunan neural network buatan (Artificial Neural Network) terbentuk dari struktur neuron pada otak manusia. Ide mendasar dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing. Informasi yang di bawa dari langkah input awal akan dirambatkan dari lapisan ke lapisan dari lapisan input sampai lapisan output. Lapisan ini sering disebut dengan istilah hidden layer (lapisan tersembunyi). Pada umumnya setiap neuron terletak pada lapisan yang sama akan memiliki keadaan yang sama. Sehingga pada setiap lapisan sama, setiap neuron akan memiliki fungsi aktifasi yang sama. Koneksi antar lapisan dengan neuron harus selalu berhubungan. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah terletak pada pola bobot dan fungsi aktivasinya.

d. Convolutional Neural Network 

Convolutional Neural Network (CNN) merupakan pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi dalam bentuk citra. CNN ini termasuk kedalam jenis Deep Neural Network karena kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data citra. Pada dasarnya klasifikasi citra dapat digunakan dengan MLP, akan tetapi dengan metode MLP kurang sesuai untuk digunakan karena tidak menyimpan informasi spasial dari data citra dan menganggap setiap piksel adalah fitur yang independen sehingga menghasilkan hasil yang kurang baik.

Daftar Pustaka

• Danukusumo, Kefin Pudi. 2017. Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis GPU.
• Shwartz, Shalev dan BenDavid, S. 2014. Understanding Machine Learning From Theory to Algorithm. New York: Cambridge University Press.
• Goldberg, D.E., & Holland, J.H. 1988. Geneticalgorithms and Machine Learning.