Machine Learning dan Generasi Millennia (Part1)

Author: Bambang Siswoyo,ST.,M.Si.,Mkom,PhD Can (Dosen Ma’soem University)

Kemajuan teknologi digital, machine learning, robotika, dan kecerdasan buatan berkembang pesat. Kalau hal itu tak diantisipasi hal itu akan mendisrupsi berbagai sektor perekonomian dan menjadi penghambat pertumbuhan. Menyongsong itu semua, pembangunan manusia ke depan seolah menjadi lebih penting ketimbang hanya membangun infrastruktur.

Saat ini, kita hidup di era Revolusi Industri Keempat (Klaus Schwab, The Fourth Industrial Revolution(2017)). Era yang diwarnai oleh machine learning dan kecerdasan buatan (artificial intelligence), era super komputer, rekayasa genetika, teknologi nano, mobil otomatis, inovasi, dan perubahan yang terjadi dalam kecepatan eksponensial yang akan mengakibatkan dampak terhadap ekonomi, industri, pemerintahan, politik, bahkan membuka perdebatan atas definisi manusia itu sendiri. Era yang menegaskan dunia sebagai kampung global (Marshall McLuhan, The Gutenberg Galaxy: The Making of Typographic Man (1962)

What is the Machine learning ?

Machine learning  adalah aplikasi kecerdasan buatan (AI) yang menyediakan sistem kemampuan untuk secara otomatis belajar dan meningkatkan dari pengalaman tanpa secara eksplisit diprogram. Machine learning berfokus pada pengembangan program komputer yang dapat mengakses data dan menggunakannya untuk belajar sendiri.

Proses belajar dimulai dengan pengamatan atau data, seperti contoh, atau instruksi, untuk mencari pola dalam data dan membuat keputusan yang lebih baik di masa depan berdasarkan contoh yang diberikan. Tujuan utamanya adalah untuk memungkinkan komputer belajar secara otomatis tanpa campur tangan atau bantuan manusia dan menyesuaikan tindakan yang sesuai.

Bagaimana cara kerjanya  machine learning ?

Dalam istilah sederhana, intinya adalah membuat algoritma yang mampu mengajar dirinya sendiri tanpa bantuan eksternal. Solusi tersebut bermaksud untuk memproses data input dengan bantuan model matematika dan satu set parameter. Dengan demikian, setelah data yang diperlukan diperoleh – algoritma machine learning membandingkannya dan meningkatkan tindakannya sepanjang waktu.

Tujuan utama teknologi ini adalah untuk mengembangkan algoritma machine learning yang dapat mencapai pemrosesan data otomatis. Sistem harus memiliki akses ke banyak contoh data sebagai masukan dan target untuk pembelajaran pada saat melatih data untuk mengenal pola sebagai solusi.

Algoritma machine learning sering dikategorikan sebagai pembelajaran diawasi (supervise leraning  atau tidak diawasi (unsupervised learning)

• Algoritma machine learning yang diawasi (supervise learning) dapat menerapkan apa yang telah dipelajari di masa lalu ke data baru menggunakan contoh berlabel untuk memprediksi kejadian di masa depan. Mulai dari analisis dataset pelatihan yang diketahui, algoritma pembelajaran menghasilkan fungsi yang disimpulkan untuk membuat prediksi tentang nilai output. Sistem ini mampu memberikan target untuk setiap masukan baru setelah pelatihan yang cukup. Algoritma pembelajaran juga dapat membandingkan outputnya dengan benar, output yang diinginkan dan menemukan kesalahan untuk memodifikasi model yang sesuai.
• Sebaliknya, algoritma machine learning tanpa pengawasan (unsupervised learning)  digunakan ketika informasi yang digunakan untuk melatih tidak diklasifikasikan atau berlabel. Pembelajaran tanpa pengawasan mempelajari bagaimana sistem dapat menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data yang tidak berlabel. Sistem tidak menemukan keluaran yang benar, tetapi mengeksplorasi data dan dapat menarik kesimpulan dari kumpulan data untuk menggambarkan struktur tersembunyi dari data yang tidak berlabel.
• Algoritma machine learning semi-diawasi berada di suatu tempat di antara pembelajaran yang diawasi dan tidak diawasi, karena mereka menggunakan data yang berlabel dan tidak berlabel untuk pelatihan – biasanya sejumlah kecil data berlabel dan sejumlah besar data tanpa label. Sistem yang menggunakan metode ini dapat sangat meningkatkan akurasi pembelajaran. Biasanya, pembelajaran semi-terbimbing dipilih ketika data yang berlabel yang diperoleh membutuhkan sumber daya yang terampil dan relevan untuk melatihnya / belajar darinya. Jika tidak, memperoleh data tanpa label umumnya tidak memerlukan sumber daya tambahan.
•  Algoritma machine learning mendalam adalah metode pembelajaran yang berinteraksi dengan lingkungannya dengan menghasilkan tindakan dan menemukan kesalahan atau penghargaan. Pencarian trial and error dan reward tertunda adalah karakteristik pembelajaran penguatan yang paling relevan. Metode ini memungkinkan mesin dan agen perangkat lunak untuk secara otomatis menentukan perilaku ideal dalam konteks tertentu untuk memaksimalkan kinerjanya. Umpan balik hadiah sederhana diperlukan bagi agen untuk mempelajari tindakan mana yang terbaik; ini dikenal sebagai sinyal penguatan.