Apa Itu Machine Learning ?
Machine Learning adalah cabang dari artificial intelligence yang membantu sistem beradaptasi dengan kemampuan manusia, sehingga sistem tersebut dapat belajar dengan sendirinya tanpa arahan dari pengguna. Pembelajaran mesin dikembangkan berdasarkan ilmu statistika, data mining, dan matematika guna memudahkan mesin untuk menganalisa data tanpa pemrograman ulang.
 
Dapat disimpulkan bahwa Machine Learning adalah sebuah metode analisis yang bisa membantu menangani dan mengolah big data dengan mengembangkan algoritma komputer.
 
Oleh karena itu, fokus pengembangan pada Machine Learning terletak pada sebuah sistem yang mempunyai kemampuan untuk bisa belajar sendiri dalam memutuskan sesuatu, tanpa diperlukan adanya pemrograman khusus.
 
Model belajar program ini hampir sama dengan proses pembelajaran pada manusia, yakni berdasarkan pada pembelajaran contoh-contoh yang ada sebelumnya. Mesin ini akan mempelajari pola dari tiap contoh yang telah ada sebelumnya, lalu dianalisis untuk kemudian dapat memprediksi dan menemukan jawaban atas pertanyaan selanjutnya.
 
Walaupun tidak semua hal bisa dipecahkan, namun algoritma kompleks sering kali dapat memecahkan masalah melalui cara yang mudah ala Machine Learning.
 
Sejarah Machine Learning
Sejak penemuan komputer, orang mulai mencari tahu tentang bagaimana komputer dapat bekerja. Awal mulanya ketika Arthur Samuel berhasil menciptakan program Checkers di komputer IBM tahun 1952. Program ini mempelajari gerakan yang dapat memenangkan permainan kotak-kotak dan menyimpan gerakan ini dalam memori.
 
Istilah pembelajaran mesin pada dasarnya adalah proses komputer untuk belajar dari data. Tanpa  data, komputer tidak dapat belajar. Oleh karena itu, jika Anda ingin mempelajari pembelajaran mesin, Anda pasti akan terus berinteraksi dengan data Anda. Semua pengetahuan tentang machine learning pasti terkait dengan data. Datanya mungkin sama,  tetapi algoritma dan pendekatan  untuk mencapai hasil yang optimal berbeda.
 
Jenis-Jenis Machine Learning
Ada empat kategori, yaitu Supervised learning, Unsupervised Learning, Semi-supervised Learning, dan Reinforcement Learning. Simak penjelasannya di bawah ini:
 

1. Supervised Learning

Supervised learning adalah kategori machine learning yang menyertakan solusi yang diinginkan -yang disebut label- dalam proses pembelajarannya. Dataset yang digunakan telah memiliki label dan algoritma kemudian mempelajari pola dari pasangan data dan label tersebut. Algoritma supervised learning mudah dipahami dan performa akurasinya pun mudah diukur. Supervised learning dapat dilihat sebagai sebuah mesin/robot yang belajar menjawab pertanyaan sesuai dengan jawaban yang telah disediakan manusia.
 

2. Unsupervised Learning

Unsupervised learning, dataset yang digunakan tidak memiliki label. Model unsupervised learning melakukan proses belajar sendiri untuk melabeli atau mengelompokkan data. Unsupervised learning dapat dilihat sebagai robot/mesin yang berusaha belajar menjawab pertanyaan secara mandiri tanpa ada jawaban yang disediakan manusia.
 

3. Semi-supervised Learning

Semi-supervised learning dapat diartikan sebagai salah satu jenis machine learning dengan melibatkan data dalam jumlah kecil hingga sangat besar, baik data dengan label maupun tanpa label. Machine learning ini dibutuhkan ketika data memiliki label yang kurang sesuai.
 
Begitu juga data yang tidak memiliki label. Anda akan butuh banyak waktu untuk memberi label pada data tersebut. Dengan adanya semi-supervised learning, proses pengolahan data akan lebih mudah berkat ketersediaan algoritma.
 

4. Reinforcement Learning

Reinforcement Learning berbeda dengan supervised maupun unsupervised learning. Algoritma ini dimaksudkan untuk membuat komputer dapat belajar sendiri dari lingkungan (environtment) melalui sebuah agent. Jadi komputer akan melakukan pencarian sendiri (self discovery) dengan cara berinteraksi dengan environment.
 
Reinforcement-learning didefinisikan sebagai metode machine learning yang berkaitan dengan bagaimana agent perangkat lunak harus mengambil action di dalam environment. RL adalah bagian dari metode deep learning yang membantu Anda memaksimalkan sebagian dari reward kumulatif.
 
 
Cara kerja Machine Learning
Misal ketika anda ingin belajar hal baru, mungkin Anda akan membaca buku atau menonton video tutorial. Namun, Anda baru benar-benar paham ketika sudah mempraktikkannya atau mendapat feedback dari orang lain.
 
Cara kerja Machine Learning juga seperti itu. Dengan memberinya banyak data dan feedback terhadap performanya, Anda bisa mengajari algoritma untuk menyelesaikan masakah. Untuk lebih jelas, simak penjelasannya di bawah ini:
 

1. Pengumpulan data

Langkah pertama dalam cara kerja machine learning adalah mengumpulkan data yang relevan dengan masalah yang dihadapi, juga dapat digunakan untuk melatih algoritma.
 

2. Persiapan data

Setelah terkumpul, data harus disiapkan untuk analisis. Misalnya, pada langkah ini data akan dibersihkan untuk menghapus kesalahan atau inkonsistensi.
 

3. Pemilihan model

Langkah selanjutnya adalah memilih model pembelajaran mesin yang sesuai untuk menyelesaikan sebuah kasus.
 

4. Pelatihan

Model pembelajaran mesin akan dilatih dengan data yang sudah disiapkan. Mesin akan mengidentifikasi pola dari kumpulan data yang diberikan oleh programmer. Jika pola-polanya sudah terkumpul, mesin pun bisa membuat prediksi dan keputusan secara matematis.
 

5. Evaluasi

Model juga harus dievaluasi untuk menentukan seberapa baik performanya. Biasanya, evaluasi dilakukan dengan memisahkan data menjadi set pelatihan dan pengujian. Kemudian, akurasi atau metrik performa lain dari model pada set pengujian ini akan dinilai.
 
Sistem Kerja Machine Learning
Ada tiga bagian utama bagaimana pembelajaraan mesin dan sistem pembelajaran bekerja. Berikut deskripsi singkatnya:
 

1. Proses pengambilan keputusan

Sistem ini digunakan untuk membuat prediksi atau klasifikasi. Dalam proses ini, algoritma membuat perkiraan dan keputusan tentang pola dalam data.
 

2. Fungsi Kesalahan

Sistem ini digunakan pada Langkah pertama untuk mengevaluasi prediksi model data. Dengan contoh sebelumnya, fungsi kesalahan dapat membuat perbandingan untuk mengevaluasi keakuratan model.
 

3. Proses Optimasi Model

Algoritma inimengulangi proses evaluasi individual, pengoptimalan, dan pemutakhiran bobot hingga akurasiterpenuhi.
 
Kegunaan Machine Learning

• Pembelajaran mesin membantu memecahkan masalah dunia dengan cara yang scalable.
• Aplikasi  kecerdasan buatan ini juga dapat digunakan di berbagai  industri dan terus digunakan oleh pemilik industri besar dan para peneliti untuk terus berkembang.
• Machine learning memungkinkan Anda memproses dan menganalisis data yang lebih besar dan lebih kompleks dalam waktu yang lebih singkat.

 
Contoh Aplikasi Machine Learning dalam Kehidupan Sehari-hari
Beberapa contoh implementasi aplikasi Machine Learning dalam kehidupan sehari-hari yang biasa ditemukan adalah sebagai berikut:
 

1. Text Analysis

Machine Learning kerap kali digunakan dalam suatu perangkat, untuk menganalisa suatu teks dan mencari sumber dari teks tersebut, atau untuk menguji tingkat akurasi dan kebenaran teks tersebut.
 
Beberapa kategori text analysis yang banyak digunakan adalah sebagai berikut:
 
Spam filtering, yaitu Machine Learning yang mempunyai kegunaan dalam analisis, penilaian, serta penyaringan email spam berdasarkan isi dan sumber pesan tersebut berasal.
Sentiment analysis, adalah aplikasi yang berguna untuk mengklasifikasi teks berdasar opini yang ditulis oleh pengguna, lalu dikategorikan sebagai opini positif, netral, atau negatif.
Information extraction, yaitu salah satu contoh machine learning yang bertujuan untuk menganalisa dan memberikan identifikasi terhadap potongan sebuah teks.
 

2. Image Processing

Intinya, Image processing adalah sebuah tahap dari pengolahan gambar untuk identifikasi data pada gambar tersebut, lalu dilakukan pengolahan dan transformasi ke dalam tingkatan selanjutnya.
 
Contoh-contohnya antara lain:
 
Image Tagging/ Face Detection, yang penerapannya digunakan untuk mendeteksi wajah user berdasar gambar.
OCR (Optical Character Recognition), yang digunakan untuk mentransformasi teks atau gambar pada suatu manuskrip ke dalam bentuk digital.
Self Driving Cars, adalah implementasi dari machine learning yang ditanamkan guna mengenali ciri suatu jalan, rambu dan objek sekitar dengan memanfaatkan kamera yang ditanam di dalam aplikasi tersebut.
 

3. Finance

Implementasi machine learning dalam bidang keuangan telah banyak sekali penerapannya. Hal itu guna memprediksi ataupun mengambil keputusan strategis dan penting, contohnya:
 

1. Stock trading, merupakan pengembangan dari sebuah algoritma guna mengidentifikasi serta memprediksi saham terbaik berdasarkan pola di historis perdagangan saham sebelumnya.
2. Fraud detection, merupakan sistem yang dapat mendeteksi penipuan atau kecurangan dengan lebih efektif dan efisien.
3. Search and Recommendation Engine

Machine Learning juga sering kali difungsikan dalam mesin pencarian dan rekomendasi pada situs pencari, media sosial, ataupun e-commerce. Contohnya antara lain seperti:
 

• Google, memberikan rekomendasi terhadap pencarian berdasarkan keyword yang diketikkan oleh pengguna.
• Facebook, memberikan rekomendasi berdasarkan keyword yang di input oleh pengguna.
• Lazada, Alibaba, Amazon dan situs e-commerce lainnya, juga merekomendasikan produk berdasarkan spesifikasi dari hal-hal yang sering ditelusuri oleh pengguna.
• Speech Understanding, Penggunaan machine learning pada speech understanding, berkaitan erat dengan suara manusia dan cabang ilmu dari NLP (Natural Language Processing). Sebagai contoh, Google Voice yang otomatis melakukan pencarian pada mesin pencari tanpa harus memasukkan kata di smartphone.

 
Penerapan Machine Learning dalam Kehidupan Sehari-hari
Machine Learning memang sedikit sulit untuk di pahami dan sering menimbulkan kebingungan. Akan lebih mudah jika membahasnya dengan melihat penerapannya langsung. Berikut adalah contoh penerapan Machine Learning dalam kehidupan sehari-hari:
 

1. Bidang Computer Vision

Machine learning yang dimanfaatkan dalam suatu aplikasi yang dapat mengenali wajah seseorang. Anda dapat menemukan hal ini dalam media sosial, CCTV, dan bahkan smartphone yang sedang Anda pegang sekarang.
 
Lalu ada juga Machine Learning yang digunakan dalam pendektesian tulisan tangan menjadi teks dalam penterjemahan. Hal-hal ini adalah contoh dari penerapan Machine Learning dalam Bidang Computer Vision
 

2. Bidang Informasi Retrival

Masih berhubungan dengan penterjemah, bedanya kali ini untuk menerjemahkan bahasa menggunakan komputer. Machine Learning mampu membantu menerjemahkan bahasa dengan mengubah suara menjadi teks dan juga filter anti spam dalam platform email.
 

3. Bidang Kedokteran

Penerapan Machine Learning di bidang kedokteran dapat berupa deteksi penyakit pasien dengan mempelajari data-data yang berhubungan dengan gejala yang ditunjukan. Misalnya mendeteksi sakit jantung yang dilihat dari hasil rekaman elektrokardiogram.
 

4. Speech Understanding

Anda pernah menggunakan Assistant pada smartphone hanya dengan menggunakan suara? Maka Anda sudah berhubungan langsung dengan Machine Learning. Pada penerapan Speech Understanding, Machine Learning akan mengingat dan memproses suara Anda, sehingga Anda tidak akan perlu repot mengetik, hanya cukup mengucapkan apa yang kita cari atau apa yang kita butuhkan. Dalam seketika apa yang Anda cari akan muncul di layar smartphone Anda.
 

5. Recommendation Search Pada Google

Sepertinya ini yang paling sering ditemui oleh Anda. Mesin Pencari Google. Saat Anda mengetik sesuatu di dalam kolom search Google, maka Google akan memunculkan rekomendasi dari hal yang sedang Anda cari. Jika Google Anda sedang Log-in, maka Google juga akan menampilkan hasil pencarian yang pernah Anda cari.
 
Sebetulnya tidak hanya Google Search, penerapan recommendation search juga sering ditemukan di Facebook saat Anda sedang mencari seseorang, atau pada saat Anda sedang mencari produk di salah satu marketplace.