Halo sobat tekno biznis kali ini kita akan bahas mengenai machine learning mulai dari pengertian, sejarah dan jenisnya. Machine learning adalah salah satu hasil perkembangan teknologi terkini. Perkembangan dunia teknologi yang sangat cepat membuat bahkan mesinpun bisa belajar. Di postingan kali ini kita akan membahas lengkap mengenai pengertian machine learning, sejarah machine learning, dan jenis dari machine learning.
Pengertian machine learning
Apa itu machine learning? Berikut ini adalah pengertian machine learning menurut para ahli, yaitu:
Menurut John McCarthy,
Adalah salah satu ahli dalam bidang ilmu komputer dan pencetus istilah “machine learning”, machine learning adalah “the study of computer programs that improve automatically through experience.” Artinya, machine learning adalah studi tentang program komputer yang dapat meningkatkan kinerjanya secara otomatis melalui pengalaman.
Menurut Tom Mitchell,
seorang profesor ilmu komputer di Carnegie Mellon University, machine learning adalah “a computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.” Artinya, suatu program komputer dikatakan belajar dari pengalaman E terhadap suatu kelas tugas T dan ukuran kinerja P, jika kinerjanya pada tugas-tugas di T, yang diukur dengan P, meningkat dengan pengalaman E.
Menurut Arthur Samuel,
seorang ahli ilmu komputer yang merancang konsep pertama dari machine learning, machine learning adalah “the field of study that gives computers the ability to learn without being explicitly programmed.” Artinya, machine learning adalah bidang studi yang memberikan kemampuan pada komputer untuk belajar tanpa harus diprogram secara eksplisit.
Itulah pengertian machine learning menurut para ahli, sangat menarik bukan. Jadi kesimpulannya, machine learning adalah program komputer yang bisa meningkatkan kemampuannya dari hasil proses belajar dan pengalaman.
Sejarah machine learning
Sejarah machine learning bisa dibagi menjadi beberapa periode penting, yaitu:
Periode awal (1950-an hingga 1960-an): Pada periode ini, terdapat beberapa konsep penting yang dikembangkan dalam bidang machine learning, diantaranya adalah konsep dasar dari neural network oleh Frank Rosenblatt dan konsep pertama dari decision tree oleh Ross Quinlan.
Selanjutnya, Periode pengembangan (1970-an hingga 1980-an): Pada periode ini, terdapat beberapa algoritma machine learning penting yang dikembangkan, diantaranya adalah algoritma k-nearest neighbor (KNN) oleh Thomas Cover, algoritma learning vector quantization (LVQ) oleh Teuvo Kohonen, dan algoritma collaborative filtering oleh David Goldberg.
Kemudian, Periode “renaissance” (1990-an hingga awal 2000-an): Pada periode ini, machine learning mengalami “kebangkitan” setelah terjadinya perkembangan yang signifikan dalam bidang ilmu komputer, seperti pengembangan internet dan peningkatan kemampuan komputasi.
Algoritma machine learning penting yang dikembangkan pada periode ini diantaranya adalah algoritma support vector machine (SVM) oleh Vladimir Vapnik dan algoritma boosting oleh Robert Schapire.
Periode deep learning (2010-an hingga sekarang): Pada periode ini, terjadi perkembangan yang signifikan dalam bidang deep learning, yaitu sebuah metode machine learning yang menggunakan jaringan saraf tiruan yang sangat dalam (deep) untuk memproses data.
Deep learning sering digunakan untuk mengolah data yang tidak terstruktur, seperti gambar, video, dan teks. Algoritma deep learning penting yang dikembangkan pada periode ini diantaranya adalah convolutional neural network (CNN) dan long short-term memory (LSTM).
Jenis machine learning
Machine learning adalah sebuah cabang dari ilmu komputer yang bertujuan untuk membuat sistem yang dapat belajar dari data dan meningkatkan performa pembelajaran tanpa diberi instruksi secara eksplisit. Dengan demikian, sistem tersebut dapat membuat prediksi atau mengambil tindakan yang tepat berdasarkan data yang telah dipelajari.
Terdapat beberapa jenis machine learning, diantaranya:
Supervised learning
Supervised learning adalah salah satu jenis machine learning dimana sistem diberi data input dan output yang sesuai, sehingga sistem dapat memprediksi output untuk input yang belum dikenal sebelumnya.
Contohnya, jika kita ingin membuat sistem yang dapat mengklasifikasikan jenis buah berdasarkan ukuran, warna, dan tekstur, kita dapat memberikan data berupa ukuran, warna, tekstur, dan jenis buah yang sesuai kepada sistem, sehingga sistem dapat mempelajari pola-pola dari data tersebut dan memprediksi jenis buah untuk input yang belum dikenal sebelumnya.
Dalam supervised learning, ada dua jenis algoritma yang umum digunakan, yaitu:
Regresi
Algoritma ini digunakan untuk memprediksi suatu nilai yang merupakan bilangan real. Contohnya, jika kita ingin memprediksi harga rumah berdasarkan luas tanah dan jumlah kamar, kita dapat menggunakan algoritma regresi.
Klasifikasi
Algoritma ini digunakan untuk memprediksi suatu label yang merupakan kelas dari sebuah data. Contohnya, jika kita ingin memprediksi apakah seseorang memiliki penyakit jantung atau tidak berdasarkan data demografi dan gaya hidup, kita dapat menggunakan algoritma klasifikasi.
Dalam supervised learning, dataset yang digunakan terdiri dari record-record yang memiliki fitur (atribut, variabel independent) dan label (target, variabel dependen).
Algoritma akan mempelajari pola dari data tersebut dan mencoba memprediksi label untuk record yang belum dikenal sebelumnya. Sebagai contoh, dalam kasus klasifikasi penyakit jantung, fitur-fitur yang dapat digunakan adalah usia, jenis kelamin, indeks massa tubuh (IMT), dan aktivitas fisik, sedangkan labelnya adalah “memiliki penyakit jantung” atau “tidak memiliki penyakit jantung”.
Setelah algoritma selesai mempelajari data, kita dapat mengevaluasi performa algoritma dengan menggunakan dataset yang terpisah (biasanya disebut dengan dataset validasi atau test set).
Sistem machine learning yang diberi data input dan output yang sesuai, sehingga sistem dapat memprediksi output untuk input yang belum dikenal sebelumnya. Contoh dari supervised learning adalah regresi linear dan klasifikasi.
Unsupervised learning
Unsupervised learning adalah jenis pembelajaran mesin di mana sistem tidak diberi label atau informasi yang terkait dengan output yang diinginkan. Sistem harus menemukan struktur di data yang diberikannya sendiri.
Contoh unsupervised learning adalah klustering, di mana sistem harus mengelompokkan data ke dalam kelompok yang terkait dengan cara yang tidak ditentukan sebelumnya. Unsupervised learning sering digunakan untuk menemukan pola atau struktur dalam data yang tidak diketahui sebelumnya, menyederhanakan data yang kompleks, atau mengekstrak fitur yang berguna dari data.
Sistem machine learning yang hanya diberi data input saja, sehingga sistem harus mencari pola sendiri dari data tersebut.
Reinforcement learning
Reinforcement learning adalah jenis pembelajaran mesin di mana sistem diberi reward atau punishment untuk setiap tindakannya, dan harus menentukan tindakan yang akan dilakukan berdasarkan reward atau punishment yang diharapkan.
Sistem harus memutuskan tindakan yang akan dilakukan dengan tujuan untuk memaksimalkan reward di masa depan. Reinforcement learning sering digunakan untuk menyelesaikan masalah yang mencakup interaksi dengan lingkungan yang kompleks, seperti pengendalian robot atau pemain game.
Sistem machine learning yang belajar melalui interaksi dengan lingkungannya, dengan cara mencoba berbagai aksi dan mendapatkan reward ataupun punishment. Contoh dari reinforcement learning adalah Q-learning.
Deep learning
Deep learning adalah teknik pembelajaran mesin yang menggunakan jaringan neural yang sangat dalam (deep) untuk mengelompokkan data dan membuat prediksi. Jaringan neural adalah struktur yang menyerupai cara kerja otak manusia, dengan unit-unit yang disebut neuron yang terhubung bersama.
Deep learning memungkinkan sistem untuk secara otomatis mengekstrak fitur yang berguna dari data tanpa perlu diberi instruksi yang spesifik tentang fitur tersebut.
Deep learning telah menjadi teknik yang sangat populer dalam beberapa tahun terakhir, dan telah digunakan dalam berbagai aplikasi, seperti pengenalan wajah, pengenalan suara, dan pemrosesan bahasa alami.
Sebuah metode machine learning yang menggunakan jaringan saraf tiruan yang sangat dalam (deep) untuk memproses data. Deep learning sering digunakan untuk mengolah data yang tidak terstruktur, seperti gambar, video, dan teks.
Dalam machine learning, data yang digunakan disebut dengan dataset. Dataset terdiri dari beberapa record, dimana setiap record memiliki beberapa fitur (atribut, variabel independent) dan label (target, variabel dependen).
Dataset machine learning
Adapun dataset machine learning adalah kumpulan data yang digunakan untuk melatih sistem machine learning. Dataset terdiri dari beberapa contoh yang disebut instance, masing-masing dengan atribut (juga dikenal sebagai fitur) yang merepresentasikan cara-cara untuk mendeskripsikan instance tersebut.
Sebagai contoh, dalam dataset pengenalan wajah, setiap instance mungkin memiliki atribut seperti warna mata, jenis rambut, dan bentuk wajah, yang digunakan untuk mendeskripsikan wajah individu yang terdapat dalam dataset tersebut.
Setiap instance juga memiliki label yang menggambarkan apa yang harus diprediksi oleh sistem machine learning. Sebagai contoh, dalam dataset pengenalan wajah, label mungkin menunjukkan nama orang yang terdapat dalam foto.
Dataset machine learning biasanya digunakan untuk melatih sistem supervised learning, di mana sistem harus memprediksi label berdasarkan atribut yang tersedia. Proses pembelajaran atau learning terdiri dari beberapa tahap, yaitu:
- Pemilihan dan pengumpulan dataset
- Preprocessing dataset (mengubah dataset menjadi bentuk yang lebih sesuai untuk diolah oleh machine learning)
- Pemilihan algoritma machine learning yang sesuai
- Pelatihan algoritma dengan menggunakan dataset
- Evaluasi performa algoritma dengan menggunakan dataset yang terpisah (biasanya disebut dengan dataset validasi atau test set)
- Penyempurnaan algoritma jika diperlukan
Kesimpulan
Machine learning adalah sebuah mesin yang mampu belajar dan terus memperbaiki dirinya untuk menjadi lebih baik lagi dari pengalaman yang telah dilalui. Demikianlah pembahasan mengenai machine learning mulai dari pengertian, jenis, datase machine learning, tahapan machine learning dan algoritma yang digunakan dalam machine learning semoga bermanfaat.