Pernah penasaran bagaimana sebuah sistem bisa mengenali wajah, memprediksi harga, atau memberikan rekomendasi tanpa harus diberi instruksi untuk setiap keputusan? Salah satu jawabannya adalah machine learning. Teknologi ini memungkinkan komputer mempelajari pola dari data sehingga dapat menghasilkan prediksi berdasarkan informasi yang pernah dipelajari. Menariknya, ketika hasil prediksi tidak sesuai dengan kondisi sebenarnya, sistem machine learning dapat menggunakan informasi tersebut sebagai bagian dari proses pembelajaran. Namun, apakah artinya mesin benar-benar bisa menyadari kesalahannya seperti manusia?
Kesalahan Menjadi Bagian dari Proses Belajar
Machine learning bekerja dengan mempelajari pola dari sejumlah data. Pada tahap awal, model belum tentu menghasilkan prediksi yang tepat. Model dapat memberikan hasil yang berbeda dari nilai sebenarnya karena pola dalam data belum dipahami dengan baik.
Misalnya, sebuah model digunakan untuk memprediksi apakah seseorang akan membeli sebuah produk. Model mungkin memperkirakan pelanggan akan membeli, tetapi kenyataannya pelanggan tidak melakukan transaksi. Perbedaan antara prediksi dan hasil nyata tersebut dapat dihitung sebagai error atau kesalahan prediksi.
Dalam proses pelatihan, kesalahan tersebut digunakan untuk membantu model menyesuaikan parameter internalnya. Jadi, mesin tidak “menyesal” atau memahami kesalahan secara sadar, tetapi algoritma menggunakan nilai error untuk mengubah model agar hasil berikutnya dapat menjadi lebih sesuai dengan data pelatihan.
Bagaimana Model Mengetahui Prediksinya Kurang Tepat?
Di sinilah konsep loss function memiliki peran penting. Loss function digunakan untuk mengukur seberapa jauh hasil prediksi model dari nilai yang sebenarnya. Semakin besar perbedaannya, semakin besar pula nilai kesalahan yang diperoleh pada metode tertentu. Nilai tersebut kemudian menjadi petunjuk bagi algoritma untuk melakukan penyesuaian.
Salah satu metode yang sering digunakan dalam proses optimasi adalah gradient descent. Secara sederhana, metode ini membantu mencari perubahan parameter yang dapat mengurangi nilai kesalahan secara bertahap.
Prosesnya dapat dibayangkan seperti seseorang yang sedang mencari jalan menuruni bukit dalam kondisi berkabut. Ia mungkin belum mengetahui posisi paling rendah, tetapi dapat menentukan langkah berdasarkan arah kemiringan yang ada. Model machine learning juga melakukan penyesuaian parameter secara bertahap untuk mencari konfigurasi yang menghasilkan kesalahan lebih kecil.
Tidak Semua Kesalahan Bisa Diperbaiki Otomatis
Ada satu hal yang sering disalahpahami: machine learning tidak selalu dapat memperbaiki semua kesalahannya sendiri.
Kualitas hasil belajar sangat bergantung pada data, algoritma, parameter, dan cara model dilatih. Jika data yang digunakan memiliki kesalahan, bias, atau tidak mewakili kondisi sebenarnya, model justru dapat mempelajari pola yang keliru.
Beberapa masalah yang dapat terjadi antara lain:
- Data pelatihan terlalu sedikit.
- Data mengandung informasi yang tidak akurat.
- Data tidak mewakili kondisi nyata.
- Model terlalu mengikuti data pelatihan atau mengalami overfitting.
- Model tidak mampu mengenali pola baru di luar data yang pernah dipelajari.
Karena itu, hasil prediksi tetap perlu diuji dan dievaluasi. Model yang menghasilkan angka akurasi tinggi pada data pelatihan belum tentu memberikan hasil yang sama ketika digunakan pada data baru.
Belajar Sistem Informasi untuk Memahami Prosesnya
Bagi yang tertarik memahami bagaimana data diproses hingga dapat digunakan oleh sebuah sistem, mempelajari bidang sistem informasi dapat menjadi salah satu langkah yang relevan. Ma’soem University menyediakan program studi S1 Sistem Informasi yang mempelajari hubungan antara teknologi informasi, data, sistem, dan kebutuhan organisasi. Pembelajaran di bidang ini dapat membantu mahasiswa memahami bagaimana sistem dirancang dan bagaimana data dapat dimanfaatkan untuk mendukung proses pengambilan keputusan. Informasi mengenai program studi dan pendaftaran dapat ditanyakan melalui Admin Univ Ma’soem di +62 851 8563 4253.
Dari Prediksi Salah Menuju Model yang Lebih Baik
Bayangkan sebuah model pertama kali menghasilkan tingkat kesalahan yang cukup tinggi. Model kemudian dilatih menggunakan data secara berulang. Pada setiap tahap, parameter disesuaikan berdasarkan hasil evaluasi hingga diperoleh model yang memiliki performa lebih baik.
Inilah alasan mengapa proses pelatihan machine learning tidak hanya dilakukan sekali. Model perlu melalui beberapa tahapan, seperti:
- Memasukkan data ke dalam model.
- Menghasilkan prediksi.
- Membandingkan prediksi dengan nilai sebenarnya.
- Menghitung nilai kesalahan.
- Menyesuaikan parameter.
- Mengulangi proses sampai performanya memenuhi kebutuhan.
Namun, “lebih baik” tidak selalu berarti sempurna. Tujuan pelatihan adalah mendapatkan model yang mampu menghasilkan prediksi yang cukup akurat dan dapat bekerja dengan baik pada data yang belum pernah dilihat sebelumnya.
Data Baru Bisa Mengubah Cara Model Bekerja
Model machine learning juga dapat menghadapi situasi ketika kondisi dunia nyata berubah. Pola pelanggan yang sebelumnya sering muncul bisa saja berubah sehingga prediksi model mulai mengalami penurunan akurasi.
Misalnya, model yang digunakan untuk memprediksi permintaan suatu produk dilatih berdasarkan pola pembelian beberapa tahun sebelumnya. Jika kebiasaan konsumen berubah drastis, pola lama mungkin tidak lagi cukup untuk menghasilkan prediksi yang tepat.
Solusinya bukan membiarkan model berjalan tanpa pemeriksaan, tetapi melakukan evaluasi dan pembaruan model ketika diperlukan. Data baru dapat digunakan untuk melatih ulang model agar sistem tetap relevan terhadap kondisi yang sedang dihadapi.
Manusia Tetap Berperan dalam Proses Pembelajaran Mesin
Meskipun disebut “belajar”, machine learning tetap membutuhkan manusia dalam banyak tahap. Manusia menentukan data yang digunakan, memilih metode, mengatur parameter, mengevaluasi hasil, serta memastikan model digunakan sesuai tujuan.
Jadi, ketika machine learning menghasilkan prediksi yang salah, bukan berarti komputer menyadari kesalahannya seperti manusia. Sistem menggunakan perbedaan antara prediksi dan hasil nyata sebagai informasi matematis untuk memperbarui parameter selama proses pelatihan.
Pemahaman mengenai proses tersebut menjadi semakin menarik ketika dipelajari secara langsung melalui sistem, data, dan praktik pengolahan informasi. Dengan mempelajari dasar sistem informasi secara terarah, mahasiswa dapat memahami bagaimana data bergerak dari sekadar kumpulan informasi menjadi bagian dari sistem yang mampu menghasilkan analisis dan prediksi. Machine learning pada akhirnya bukan tentang mesin yang “berpikir sendiri”, melainkan tentang algoritma yang belajar dari pola data dan terus disesuaikan berdasarkan hasil evaluasi.
