Variasi Jenis Algoritma Machine Learning, Sudah Tahu?

Siapa disini yang pernah mendengar istilah machine learning? Jika kalian belum pernah mendengar istilah tersebut kebetulan banget nih sahabat DQLab. Memang  istilah machine learning kurang begitu terdengar oleh orang awam. Sebab mereka lebih familiar dengan istilah artificial intelligence alias kecerdasan buatan ketimbang machine learning. Padahal sebenarnya machine learning adalah salah satu cabang dari artificial intelligence. Sama halnya dengan speech, natural language processing, vision, expert system, planning, dan robotics yang semuanya juga merupakan aplikasi dari machine learning. 

Machine learning adalah jenis algoritma yang keberadaannya sendiri dilatih untuk melakukan identifikasi pola dan membuat prediksi based on data. Semakin bagus algoritma machine learning yang dipakai menandakan semakin baiknya keputusan yang keluar. Hal ini pula diibaratkan seperti manusia bahwa semakin banyak pengetahuan yang kita pelajari maka kita akan semakin pintar. Jadi memilih algoritma machine learning juga tidak asal ya teman-teman. Hal ini juga akan mempengaruhi dari akurat atau tidaknya hasil yang kita dapatkan.

Beda algoritmanya, beda pula jenis-jenisnya. Perbedaan ini didasarkan pada tipe-tipe sesuai dengan kebutuhan dan situasinya yang digunakan oleh seorang praktisi data. Jadi kalian pada udah pada tahu belum nih jenis-jenisnya? Kalau belum, yuk kita bahas dan kupas satu-persatu. 

1. Supervised Learning

Supervised Learning dalam bahasa indonesia adalah pembelajaran yang ada supervisornya. Maksud disini ada supervisornya adalah label di tiap data nya. Label maksudnya adalah tag dari data yang ditambahkan dalam machine learning model. 

Contohnya gambar kucing di tag œkucing di tiap masing masing image kucing dan gambar anjing di tag œanjing di tiap masing gambar anjing. Machine learning kategori dapat berupa classification (œanjing, œkucing, œberuang, dsb) dan regression ( berat badan, tinggi badan dsb). 

Supervised learning banyak digunakan dalam memprediksi pola dimana pola tersebut sudah ada contoh data yang lengkap, jadi pola yang terbentuk adalah hasil pembelajaran data lengkap tersebut. Tentunya jika kita memasukan data baru, setelah kita melakukan ETL (Extract Transform Load) maka kita mendapat info feature dari sample baru tersebut. 

Kemudian dari feature tersebut di compare dengan pattern classification dari model yang didapat dari labeled data. Setiap label akan dicompare sampai selesai, dan yang memiliki percentage lebih banyak akan diambil sebagai prediksi akhir.

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

2. Semi-Supervised Learning

Jenis algoritma yang kedua adalah semi-supervised learning. Semi-supervised learning pada dasarnya mirip dengan supervised learning. Namun perbedaannya ada pada data yang berlabel dan tidak berlabel untuk training data. Biasanya sejumlah kecil data yang berlabel dengan jumlah besar data yang tidak berlabel. Adapun sistem yang berhasil menggunakan metode ini mampu meningkatkan akurasi pembelajaran secara signifikan. 

Biasanya algoritma semi-supervised learning dipilih ketika data berlabel yang diperoleh membutuhkan sumber daya yang terampil dan relevan untuk melatihnya atau belajar darinya. Semi-supervised learning berguna apabila biaya pelabelan data dinilai terlalu tinggi untuk melakukan labelling secara penuh. Contoh dari penggunaan semi-supervised learning adalah adanya identifikasi wajah seseorang yang ada di webcam,

3. Unsupervised Learning

Unsupervised learning merupakan suatu algoritma machine learning yang digunakan untuk menganalisis dan mengelompokkan kumpulan data yang tidak berlabel (unlabelled data). Algoritma ini menemukan pola tersembunyi dalam data tanpa adanya perlakuan tangan manusia. 

Makanya sesuai dengan namanya unsupervised tidak perlu diawasi. Berikut adalah contoh aplikasi dari unsupervised learning:

• Clustering yaitu teknik machine learning untuk melakukan pengelompokkan data tidak berlabel berdasarkan persamaan atau perbedaannya. Contoh machine learning untuk analisis Clustering adalah K-Means Clustering yang sering digunakan dalam melakukan klasifikasi tingkat kerentanan, analisis kelompok konsumen dan lain-lain.

• Asosiasi yaitu salah satu jenis unsupervised learning yang dilakukan untuk menemukan hubungan antar variabel dalam sebuah dataset. Dalam data science, asosiasi sering dipakai untuk merancang mesin penelusuran dan rekomendasi suatu barang.

• Dimensionality Reduction adalah teknik yang digunakan untuk mengurangi jumlah variabel atau feature data. Proses ini dilakukan karena kita data dengan variabel yang sangat besar atau sering disebut dengan high dimensional data. Data seperti ini lebih menantang jika dilakukan pemodelan, sering disebut kutukan dimensionalitas (dimensionality curse).

4. Reinforcement Learning

Reinforcement learning adalah tipe algoritma machine learning yang bisa membuat agent software dan mesin bekerja secara otomatis untuk menentukan perilaku yang ideal sehingga dapat memaksimalkan kinerja algoritmanya. Dalam beberapa tahun terakhir, penggunaan reinforcement learning terus meningkat, contohnya DeepMind and the Deep Q learning pada tahun 2014, AlphaGo di tahun 2016, dan OpenAI dan PPO di tahun 2017.

Algoritma reinforcement learning didefinisikan sebagai metode machine learning yang berkaitan dengan cara software agent mengambil tindakan di environmentnya. Algoritma ini merupakan bagian dari metode deep learning yang akan memaksimalkan sebagian reward kumulatif.

Contoh dari reinforcement learning adalah ketika kita bermain game. Pada metode machine learning jenis ini, agen akan belajar mendapatkan reward sebesar-besarnya (long term reward). Reward diperoleh berdasarkan aksi yang dilakukan pada suatu kondisi (state). Setia aksi yang dilakukan nantinya akan menciptakan perubahan state yang akan mempengaruhi reward selanjutnya. Tujuan akhir dari reinforcement learning dalam permainan game adalah menang.

Lantas, kapan saja kita menggunakan reinforcement learning? Reinforcement learning digunakan ketika terjadi interaksi antara kita dan mesin, long-term reward, hingga decision making. Pada reinforcement learning, sulit untuk mendapatkan data yang œbenar untuk setiap kondisi. Namun, reinforcement learning memiliki referensi œbenar/salah berdasarkan reward yang telah diperoleh. Selain itu, perlu diketahui bahwa tidak semua game memiliki environment yang memadai.

5. Self-Supervised Learning

Self-Supervised Learning merupakan salah satu teknik algoritma machine learning. Model algoritma tersebut dilatih untuk mempelajari satu bagian input dengan bagian input lainnya. Self-supervised learning juga dikenal dengan sebutan predictive learning.

Dalam prosesnya, permasalahan yang tidak diawasi akan dilakukan transformasi menjadi permasalahan yang diawasi dengan membuat label secara otomatis. Untuk memanfaatkan data yang tidak berlabel sangat penting untuk menetapkan tujuan dari data tersebut. Adapun tujuan dari self-supervised learning yaitu untuk melakukan identifikasi dari bagian input yang tidak tersembunyi. 

Pada saat pre training self-supervised, sistem ditunjukan sebuah teks pendek (biasanya sekitar 1000 kata) dimana beberapa kata telah ditutupi (masked) atau diganti. Sistem kemudian di train untuk melakukan prediksi kata yang telah ditutupi atau diganti. Sistem belajar untuk mencari representasi arti dari kata sehingga dapat mencari kata yang cocok, atau yang sesuai dengan konteks.

Mengisi bagian input yang hilang adalah task standar pada pretraining SSL. Untuk melengkapi sebuah kalimat seperti  Seekor ¦¦ mengejar ¦. di savana (padang rumput) sistem harus belajar bahwa singa maupun cheetah dapat mengejar kijang atau rusa, tapi kucing mengejar tikus di dapur, tidak di savana. Selama training, sistem belajar untuk mencari representasi arti dari kata-kata, peran sintaksis dari kata-kata dan maksud dari seluruh teks.

6. Multi-Instance Learning

Multi-instance learning menjadi jenis algoritma terakhir dalam machine learning. Jenis yang satu ini mirip pula dengan konsep supervised learning namun dengan problem tidak lengkapnya wawasan terhadap label contoh pelatihan. Dalam supervised learning, setiap instance pelatihan diberi label diskrit.

Sebagai contoh di Multi-Instance Learning misalnya sebuah tas diberi label positif jika setidaknya satu instans di tas itu positif, dan tas diberi label negatif jika semua instans di dalamnya negatif. Tidak ada label pada masing-masing instance. Tujuan MIL adalah untuk mengklasifikasikan tas atau instance yang tidak terlihat berdasarkan tas berlabel sebagai data pelatihan.

Studi tentang MIL pertama kali dilakukan untuk memprediksi tingkat aktivitas molekul obat. Setelah itu, banyak metode MIL telah diusulkan, seperti mempelajari konsep sumbu-paralel, densitas beragam [Maron dan Lozano-Perez, 1998], Extended Citation kNN, dll. Mereka telah diterapkan pada spektrum aplikasi yang luas mulai dari pembelajaran konsep gambar dan kategorisasi teks hingga prediksi pasar saham

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

Jadi makin tahu dong seputar machine learning beserta jenis-jenisnya kan? Kabar gembira untuk sahabat DQLab yang ingin belajar seputar machine learning. DQLab juga menyediakan modul-modul seputar machine learning. Gausah ragu dan bimbang, dapatkan modul-modul terupdate seputar data science dan machine learning yang sesuai dengan real-case industry. 

Kalian juga bisa bikin portofolio sebagai high value kamu melamar kerja dan mengimplementasikan hasil belajar di DQLab. Kamu juga diberikan kesempatan mendapatkan job connector dari perusahaan ternama di ranah industri data. Yuk, signup di DQLab.id sekarang atau isi form dibawah ini ya!

Penulis: Reyvan Maulid