Macam Jenis Algoritma Machine Learning Berdasarkan Penggunaannya

Istilah machine learning mungkin terdengar asing bagi orang awam dan lebih familiar dengan Artificial Intelligence (AI). Padahal kedua istilah ini saling berkaitan. Machine learning merupakan cabang AI yang memudahkan proses pengelolaan data menjadi sebuah informasi dengan menerapkan algoritma tertentu. 

Meski terdengar asing, penggunaan machine learning nyatanya sudah digunakan di berbagai bidang industri. Contohnya saja yang sering kita lakukan yaitu belanja online. Seringkali ketika kita mengunjungi suatu marketplace, kita akan menemukan rekomendasi produk-produk tertentu. Nah, ini menunjukkan kerja machine learning yang memberikan rekomendasi berdasarkan preferensi pengguna sehingga dapat memudahkan pengguna mencari barang yang dibutuhkan.

Penerapan machine learning tidak sembarangan alias harus sesuai dengan tujuan dibangunnya machine learning serta data-data yang digunakan. Beberapa jenis algoritma machine learning yang sering digunakan yaitu supervised learning, unsupervised learning, dan reinforcement learning. Setiap jenis memiliki metodenya masing-masing. Metode atau teknik yang digunakan untuk membangun machine learning juga dapat dibagi menjadi beberapa kelompok berdasarkan penggunaannya. Apa saja? Yuk, simak pembahasannya dibawah ini!

1. Instance-Based Learning

Instance-based learning atau bisa disebut juga dengan lazy learning adalah kelompok algoritma yang tidak melakukan proses training. Umumnya training data merupakan tahap yang dilalui ketika membangun machine learning. Nah, pada kelompok algoritma ini akan menyimpan set data training dan mempelajari data tersebut hanya pada saat membuat prediksi secara real-time. 

Contoh algoritma yang termasuk instance-based learning adalah K-Nearest Neighbor, Support Vector Machine, Learning Vector Quantization, dan Locally Weighted Learning. Kita bahas sedikit tentang K-Nearest Neighbor. Algoritma ini mengklasifikasikan suatu data pembelajaran dari data tetangga terdekatnya (k terdekat).

kNN melakukan klasifikasi dengan memproyeksikan data yang pembelajaran ke dalam ruang multidimensi dimana ruang tersebut merupakan bagian yang menggambarkan karakteristik data pembelajaran. 

Tahapan dalam kNN yaitu menentukan k terdekat, menghitung jarak dengan euclidean distance, mengurutkan dari yang terkecil hasil euclidean distance, mengklasifikasikan nearest neighbor berdasarkan nilai k, kemudian menentukan objek berdasarkan mayoritas nearest neighbor. 

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

2. Association Rule Learning

Association rule merupakan metode unsupervised learning berbasis aturan yang digunakan untuk menentukan hubungan antar variabel. Algoritma ini bekerja dengan menghitung frekuensi kemunculan objek atau fenomena yang terjadi bersamaan dalam suatu dataset. Kemudian menemukan membandingkannya dengan asosiasi yang terjadi secara acak.

Jadi singkatnya association rule learning akan menemukan hubungan tersembunyi dalam dataset dengan menerapkan beberapa ukuran ketertarikan untuk menghasilkan aturan asosiasi untuk pencarian baru. Contohnya bisa kita lihat pada aplikasi Spotify yaitu pada menu Discovery Weekly.

Disini sistem memberikan rekomendasi playlist berdasarkan riwayat lagu yang sering kita dengarkan. Beberapa algoritma yang termasuk dalam kelompok ini adalah algoritma Apriori dan ECLAT. Algoritma Apriori adalah algoritma yang paling sering digunakan.

3. Ensemble Learning

Saat membangun machine learning, setiap developer punya standarnya masing-masing tergantung kebutuhan perusahaan. Jika ingin meningkatkan akurasi machine learning kita bisa menerapkan ensemble learning. Ensemble Learning adalah metode membangun machine learning dimana beberapa algoritma dikombinasikan dan digunakan secara bersamaan untuk memperoleh hasil pemodelan dengan tingkat akurasi yang lebih tinggi dibandingkan jika hanya menggunakan satu algoritma saja.

Cara ini cukup ampuh untuk meningkatkan kinerja model yang kita buat. Beberapa jenis ensemble learning yaitu sebagai berikut.

• Bagging atau dikenal juga sebagai bootstrap aggregating adalah proses yang menggunakan beberapa model algoritma yang sama dan setiap model dilatih pada sampel berbeda dari dataset yang sama. Kemudian prediksi yang dihasilkan digabungkan menggunakan statistik sederhana. Contoh algoritma nya yaitu Random Forest.

• Boosting merupakan variasi dari bagging yang mana setiap model individu dibangun berurutan mengulangi yang sebelumnya. Titik data yang salah dikelompokkan pada model sebelumnya maka akan ditekankan pada model berikutnya. Hal ini bertujuan untuk meningkatkan akurasi model secara keseluruhan. 

• Stacking merupakan metode yang memasang banyak jenis model berbeda pada dataset yang sama dan menggunakan model lain untuk menggabungkan prediksi. 

4. Deep Learning

Deep Learning atau sering juga dikenal dengan Deep Structured Learning adalah cabang dari pembelajaran mesin atau Machine Learning yang terdiri dari algoritma tingkat tinggi pada data dengan menggunakan berbagai fungsi yang ditata berlapis-lapis dan mendalam. Singkatnya deep learning adalah metode pembelajaran mesin yang meniru cara kerja sistem saraf manusia. 

Seperti yang kita tahu sistem saraf manusia sangat kompleks sehingga kita dapat dengan mudah mengenali suara atau benda yang ada disekitar kita. Inilah yang diadaptasi oleh deep learning dengan menerapkan struktur dan dan jaringan dalam jumlah yang sangat banyak bahkan ratusan untuk pembelajaran mesinnya. 

Algoritma deep learning dapat melakukan pembelajaran secara mandiri sehingga dapat digunakan sebagai pedoman dalam pemecahan suatu masalah dari yang mudah hingga yang kompleks.Adapun beberapa jenis algoritma deep learning yaitu antara lain Deep Neural Networks (DNN), Artificial Neural Networks (ANN), dan Convolutional Neural Networks (CNN).

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

Machine learning merupakan teknologi yang diterapkan di berbagai industri seperti perbankan, kesehatan, marketplace, layanan streaming, dan lain sebagainya. Semakin mudah pengelolaan datanya, perusahaan akan lebih cepat memperoleh informasi agar dapat bersaing dengan kompetitornya. 

Hal ini juga menyebabkan tingginya kebutuhan akan praktisi data contohnya Data Scientist dan Data Analyst. Profesi ini tidak menutup kemungkinan untuk pemula tanpa background IT, loh. Bingung mulai belajar dari mana? Yuk, belajar bersama mentor data profesional di DQLab.id! 

Penulis: Dita Kurniasari

Editor: Annissa Widya