Pengertian Machine Learning Model & Implementasinya

Machine learning merupakan salah satu bukti dari perkembangan teknologi yang semakin maju. Perkembangan teknologi termasuk dengan adanya digitalisasi membuat kemudahan dalam berbagai aspek di kehidupan manusia. Banyak hal yang berubah pada aktivitas yang dilakukan oleh manusia baik dalam di segi primer maupun sekunder. Terutama semua hal kini berkaitan dengan data. Proses penanganannya menjadi lebih kompleks sehingga diperlukan model atau metode khusus untuk efisiensi kerja dan waktu. 

Machine learning merupakan teknologi yang memungkinkan mesin untuk membuat keputusan secara otomatis dengan menggunakan cara berpikir manusia. Layaknya seperti manusia, mesin ini perlu melalui proses pembelajaran terlebih dahulu dengan menggunakan data-data yang sudah ada sebelumnya agar bisa menemukan pola yang tepat. Dengan mengikuti pola inilah kemudian mesin bisa membuat keputusan. Salah satu hal yang pasti akan ditemui dalam Machine Learning adalah Machine Learning model. Nah, dalam artikel ini kita akan banyak membahas hal-hal yang berkaitan dengan Machine Learning model. Yuk, simak pembahasannya!

1. Apa Itu Machine Learning?

Machine learning merupakan salah satu cabang dari kecerdasan buatan atau artificial intelligence (AI) dan ilmu komputer. Machine learning berfokus pada penggunaan data dan algoritma untuk membuat solusi yang mirip dengan cara manusia belajar sehingga dapat memperbaiki diri secara bertahap. Dalam pengembangan data science, machine learning adalah komponen yang sangat penting. Melalui metode statistika, algoritma pada machine learning dilatih untuk membuat klasifikasi atau prediksi, sehingga mampu memberikan insight utama selama proses pengolahan data. Insight ini akan berpengaruh besar terhadap penentuan arah sebuah penelitian atau bisnis. 

Dalam pengenalan gambar, Machine learning model dapat diajarkan untuk mengenali objek, misalkan seperti mobil atau anjing. Untuk dapat melakukan tugas seperti itu, kita harus membuat Machine learning model 'dilatih' dengan kumpulan data yang besar melalui proses training. Selama proses training, algoritma pembelajaran mesin akan dioptimalkan untuk menemukan pola atau output lain tergantung dari tugasnya menggunakan dataset yang digunakan. Output dari proses ini sering berupa program komputer dengan aturan dan struktur data tertentu, atau yang biasa dikenal dengan Machine learning model.

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

2. Supervised Learning

Supervised learning bekerja dengan cara mempelajari fungsi yang diberikan sehingga menghasilkan output yang bersesuain dengan input yang diberikan. Proses learning dalam model supervised meliputi pembuatan fungsi yang dapat dilatih menggunakan data set latihan, kemudian diaplikasikan ke data yang baru untuk menciptakan prediksi terhadap data tersebut. Tujuannya adalah untuk membangun fungsi yang mampu mengeneralisir data yang belum dilihat sebelumnya.

Sebagai contoh, terdapat sejumlah data yang berisi dua variabel yaitu age dan height. Sahabat DQ dapat mengimplementasikan model supervised learning untuk memprediksi tinggi seseorang berdasarkan input umurnya.

Ada dua sub kategori pada supervised learning model, yaitu regression dan classification.

Regression

Berikut beberapa jenis regression yang biasa digunakan praktisi data.

• Linear regression: Secara sederhana dapat diilustrasikan untuk menemukan sebuah garis yang sesuai dengan sebaran data yang ada. Pengembangan dari model linear regression adalah multiple linear regression dan polynomial regression.

• Decision tree: Merupakan learning method yang digunakan untuk klasifikasi data. Algoritma ini membuat bagan pohon yang memprediksi hasil dari satu vektor berdasarkan peraturan yang dibuat sebelumnya untuk diterapkan dengan data saat ini.

• Neural network: Prosesnya melibatkan vektor input menjadi vektor output sebagaimana terinspirasi oleh neuron dan konektivitasnya di dalam otak. Model ini memiliki sejumlah lapisan neuron yang terhubung antar input dan output.

Classification

Berikut beberapa jenis classification.

• Logistic regression: Dalam pendekatan analitik ini, variabel dependennya terbatas atau kategoris, bisa berupa A atau B (regresi biner) atau berbagai opsi hingga A, B, C atau D (regresi multinomial). Jenis analisis statistik ini digunakan untuk memahami hubungan antara variabel dependen dan satu atau lebih variabel independen dengan memperkirakan probabilitas.

• Support vector machine: Cara kerja dari metode support vector machine khususnya pada masalah non-linear adalah dengan memasukkan konsep kernel ke dalam ruang berdimensi tinggi. Tujuannya adalah untuk mencari hyperplane atau pemisah yang dapat memaksimalkan jarak (margin) antar kelas data. Untuk menemukan hyperplane terbaik, kalian dapat mengukur margin kemudian mencari titik maksimalnya. 

• Naive Bayes: Menerapkan teknik supervised klasifikasi objek di masa depan dengan menetapkan label kelas ke instance/catatan menggunakan probabilitas bersyarat. Probabilitas bersyarat adalah ukuran peluang suatu peristiwa yang terjadi berdasarkan peristiwa lain yang telah (dengan asumsi, praduga, pernyataan, atau terbukti) terjadi. 

  
  

3. Unsupervised Learning

Unsupervised learning adalah suatu teknik yang digunakan machine learning dalam pembuatan artificial intelligence. Dalam pendekatan ini, kalian tidak perlu melatih algoritma komputer untuk mengenali pola penyusun AI. Model dirancang untuk bisa “belajar mandiri” dalam mengumpulkan informasi, termasuk mengenali data yang tidak berlabel. Disebut “unsupervised” karena model pada pendekatan ini tidak perlu dilatih.

Contoh studi kasus pemecahan masalah dengan metode unsupervised learning adalah misal suatu pusat perbelanjaan ingin melakukan bongkar muat terhadap satu truk berisi sepatu campur. Agar dapat dijual sepatu-sepatu tersebut perlu dikelompokkan brand dan ukurannya. Dalam hal ini, pihak pusat perbelanjaan tidak perlu memasukkan datanya terlebih dahulu karena data yang ada di lapangan saat itulah yang langsung diproses untuk mengelompokkan sepatu-sepatu tersebut sesuai brand dan ukurannya.

Pengimplementasian unsupervised learning biasanya menggunakan beragam algoritma, termasuk k-means clustering dan adaptive resonance theory (ART).

• K-means clustering: K-means clustering merupakan algoritma clustering yang sederhana dan populer karena menggunakan proses sinyal dalam penerapannya. Tujuan dari algoritma ini adalah untuk membagi dari dataset menuju ke sejumlah k cluster.

• Adaptive Resonance Theory: Merupakan bagian dari algoritma yang mampu mengenali pola dan prediksi dalam suatu data. ART sendiri sebenarnya dapat diterapkan baik untuk supervised dan unsupervised learning.

  
  

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

4. Reinforcement Learning

Reinforcement Learning dikenal sebagai model yang belajar menggunakan sistem reward dan penalty. Reinforcement learning memiliki empat komponen, yaitu action, agent, environment, dan reward. Action adalah setiap keputusan yang diambil. Misal, saat kita berkendara, action yang kita lakukan adalah mengendalikan kemudi, menginjak gas, dan mengerem. Agent adalah entitas yang membuat keputusan, contohnya adalah perangkat lunak, atau robot, atau bahkan manusia. Environment adalah sarana untuk berinteraksi, yang dapat menerima action dan memberikan respon berupa hasil maupun data berupa satu set observasi baru. Reward diberikan saat agent berhasil menyelesaikan tantangan. Mekanisme feedback ini membuat agen belajar tentang tindakan mana yang menyebabkan kesuksesan (menghasilkan reward), atau kegagalan (menghasilkan penalti). Keempat komponen ini merepresentasikan Markov decision process (MDP).

AlphaGo, sebuah program yang dikembangkan oleh Google DeepMind adalah contoh terkenal dari reinforcement learning. AlphaGo dibuat untuk memainkan permainan Go, sebuah permainan papan kuno yang berasal dari Cina. AlphaGo mempelajari setiap langkah dalam jutaan permainan Go, untuk terus mendapatkan reward yaitu memenangkan permainan. AlphaGo terkenal setelah menjadi program komputer pertama yang berhasil mengalahkan seorang pemain Go profesional yang juga merupakan juara dunia.

Pemanfaatan machine learning dalam memudahkan pekerjaan terutama untuk peningkatan bisnis sangat banyak. Oleh karena itu, ilmu ini semakin diminati sehingga para praktisi data terus meningkatkan kemampuannya untuk memahami machine learning lebih dalam. Apakah kalian juga mulai tertarik mempelajarinya? Tidak perlu khawatir, pemula pun juga bisa memulai dengan konsep dasar terlebih dahulu. Nah, DQLab adalah platform belajar yang tepat dan sesuai. Modul pembelajaran yang disusun sesuai untuk pemula karena memang diawali dengan konsep dasar terlebih dahulu. Ingin belajar machine learning secara mudah? Yuk segera Sign Up ke website DQLab dan perdalam pemahamanmu dalam memanfaatkan machine learning!

Penulis : Dita Feby 

Editor : Annissa Widya