TEBUS HOKI! BELI 1 GRATIS 1
Belajar Data 6 BULAN GRATIS 6 BULAN hanya Rp180K!

1 Hari 17 Jam 25 Menit 32 Detik

Contoh Reinforcement Machine Learning & Penerapannya

Belajar Data Science di Rumah 24-Februari-2023
https://dqlab.id/files/dqlab/cache/b7b4267ccd2fe94bcfb7f8853a14b2e1_x_Thumbnail800.jpeg

Machine Learning merupakan sebuah teknologi yang sangat luas. Pada dasarnya, kita bisa membagi Machine Learning ke dalam tiga kelompok utama, yaitu Supervised Learning, Unsupervised Learning, dan Reinforcement Learning. Supervised Learning merupakan kelompok Machine Learning yang datanya sudah memiliki label, sehingga Machine Learning tipe ini sudah memiliki target yang akan diprediksi. Contoh dari penggunaan Supervised Learning adalah regresi dan klasifikasi.


Sementara Machine Learning tipe Unsupervised Learning ditandai dengan data yang tidak memiliki label, sehingga tidak ada target prediksi. Sehingga di Machine Learning tipe ini, kita bisa mengaplikasikannya dalam bentuk clustering untuk segmentasi dan dimensionality reduction.


Tidak dipungkiri, Machine Learning tipe Supervised Learning dengan Unsupervised Learning merupakan yang paling sering digunakan. Padahal tipe Reinforcement Learning juga tidak kalah powerful. Nah, dalam artikel ini, kita akan membahas serba serbi mengenai Reinforcement Learning. Yuk, simak pembahasannya!


1. Pengertian Reinforcement Learning

Machine Learning tipe Reinforcement Learning memungkinkan mesin untuk melakukan pembelajaran yang bersamaan dengan proses testing. Dalam tipe ini, kita akan mengenal yang namanya agent dan environment. Mesin akan dibuat untuk melakukan pembelajaran sendiri dengan mengamati lingkungan sekitarnya (environment). Sehingga ketika melakukan tindakan tertentu, mesin juga akan melihat konsekuensi dari tindakannya. Hal itu akan menjadi informasi baru yang akan diproses oleh mesin, kemudian membuat mesin bisa menentukan langkah mana yang lebih tepat untuk dijalankan.


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Karakteristik Reinforcement Learning

Machine Learning

Reinforcement Learning memiliki beberapa karakteristik penting, diantaranya adalah hal-hal yang disebutkan di bawah ini:

  • Dalam Reinforcement Learning hanya ada bilangan real atau reward signal

  • Proses pengambilan keputusannya akan dilakukan secara berurutan.

  • Pada Reinforcement Learning, waktu memiliki peranan penting

  • Feedback tidak langsung datang karena selalu tertunda

  • Action dari sebuah agent akan menentukan data selanjutnya yang diterimanya


3. Kapan Kita Membutuhkan Reinforcement Learning?

Machine Learning

Setiap metode yang ada, bisa saja menjadi metode terbaik selama digunakan di kondisi yang tepat. Lalu kapan sih sebenarnya kita akan membutuhkan Reinforcement Learning ini? Berikut adalah beberapa keadaan yang membuat kita membutuhkan Reinforcement Learning:

  • Kita kita butuh untuk mencari situasi mana yang harus diberi tindakan

  • Untuk mencari action yang akan memberikan reward tertinggi dalam rentang periode yang lebih lama karena Reinforcement Learning dapat memberikan reward bagi agent pembelajaran.

  • Reinforcement Learning memungkinkan kita untuk mengetahui metode terbaik agar mendapatkan reward besar.

Seperti yang sudah dijelaskan sebelumnya, bahwa setiap metode akan menjadi metode terbaik jika digunakan di kondisi yang tepat, maka ada juga kondisi yang membuat kita lebih baik tidak menggunakan Reinforcement Learning, seperti jika kita memiliki data yang cukup sehingga bisa menyelesaikannya dengan supervised learning. Karena pada dasarnya Reinforcement learning membutuhkan banyak komputasi sehingga akan memakan waktu yang banyak jika ruang action nya besar.


4. Penerapan dalam Kehidupan

Machine Learning

Dalam kehidupan sehari-hari, kita akan sering menemukan Reinforcement Learning di beberapa keadaan, seperti:

  • Permainan Game

Pasti kita kerap kali menemukan game yang memungkinkan kita melawan AI. Ternyata itu adalah salah satu contoh penerapan dari Reinforcement Learning. Reinforcement Learning akan mempelajari cara bermain game dengan melakukan trial dan error, semakin banyak trial dan error yang dilakukan, maka hasilnya akan semakin baik. Bahkan di permainan Alpha Go, Reinforcement Learning berhasil mengalahkan manusia yang sudah memegang kejuaraan dunia.

  • Stock Price Prediction

Ekonomi menjadi salah satu bidang yang memanfaatkan keberadaan Machine Learning. Salah satu contoh pemanfaatan Reinforcement Learning adalah untuk menentukan stock price prediction atau prediksi harga saham.

  • Robotic

Robot merupakan sebuah mesin yang bisa melakukan pekerjaan kompleks secara otomatis. Reinforcement Learning juga bisa diterapkan dalam proses pembuatan robotic, agar robot bisa melakukan trial dan error untuk menentukan langkah yang paling tepat dalam menyelesaikan permasalahannya.


Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


Pemanfaatan Machine Learning dalam kehidupan sehari-hari bukanlah hal yang bisa kita pungkiri. Adanya Machine Learning tidak hanya memberikan manfaat bagi para pemilik bisnis, namun juga bisa meringankan pekerjaan kita sebagai masyarakat biasa.


Agar tidak tertinggal dan bisa mengikuti perkembangan zaman, kita juga harus terus mengupgrade diri. Salah satunya adalah dengan mempelajari Machine Learning. Tenang, kamu tidak perlu pusing-pusing lagi mencari tempat belajar karena DQLab juga menyediakan modul yang membahas tentang Machine Learning, yaitu modul “Machine Learning with Python for Beginning”. 


Yuk, tunggu apa lagi? Sign up, dan belajar Machine Learning sekarang juga!


Penulis : Gifa Delyani Nursyafitri




Mulai Karier
sebagai Praktisi Data
Bersama DQLab

Daftar sekarang dan ambil langkah pertamamu untuk mengenal Data Science.

Buat Akun Gratis Dengan :

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/8be7fae4b69abead22aa9296bcab7b4b.jpg Sign-Up dengan Google

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/d0aa879292fb427c0978d2a12b416e98.jpg Sign-Up dengan Facebook

Atau Buat Dengan :