Machine Learning

Machine learning adalah bagian dari ilmu Kecerdasan Buatan atau dikenal juga sebagai AI (Artificial Intelligence). Konsep dari machine learning ini adalah pada pengembangan sistem yang dapat belajar “sendiri” tanpa perlu diprogram oleh manusia berulang kali. Saat ini ilmu pembelajaran mesin sendiri telah menjadi salah satu bagian penting dalam industri teknologi maupun industri di bidang lainnya.

Machine learning adalah aplikasi artificial intelligence (AI) yang menyediakan sistem kinerja secara otomatis serta belajar memperbaiki diri dari pengalaman tanpa diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program komputer yang bisa mengakses data dan menggunakannya untuk belajar sendiri. Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari.
Proses pembelajaran dimulai dengan observasi data, seperti contoh: pengelaman langsung, atau intruksi untuk mencari pola data dan membuat keputusan yang lebih baik dimasa depan berdasarkan contoh tersebut. Tujuan utamanya adalah membiarkan komputer belajar secara otomatis tanpa intervensi atau bantuan manusia dan menyesuaikan aktivitas yang sesuai. Karena teknologi komputasi, machine learning saat ini tidak seperti machine learning di masa lalu.

pemakaian teknik ini berkaitan dengan pembelajaran mesin dan AI. Mesin ini membuktikan kepada algoritma atau program yang berjalan di komputer. Oleh karena itu, jika kita ingin belajar machine learning, pastikan anda terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. Dari pada penasaran, langsung aja ikutin ulasan berikut.

Dalam hal ini, ilmu mesin diharapkan dapat membuat mesin mampu belajar dengan cara menganalisa data dalam jumlah yang besar tanpa perlu diprogram lagi. Contohnya, kita tak perlu menulis program baru untuk membuat mesin bisa membedakan mana wajah manusia dan kucing. Lalu, apa saja yang dipelajari dalam ilmu mesin dan manusia ini?

Ada setidaknya empat hal pokok yang dipelajari dalam hal ini.
1. Pembelajaran terarah atau supervised learning.
2. Pembelajaran tak terarah atau unsupervised learning.
3. Pembelajaran semi terarah atau semi-supervised learning
4. Reinforcement learning. I
lmu pembelajaran mesin ini merupakan salah satu program kursus yang saat ini banyak tersedia, kalian bisa mengikuti kursus sejenis untuk mengenal dan belajar lebih jauh.

Machine Learning meningkat karena faktor data mining dan analisis Bayesian lebih populer dari sebelumnya. Pengolahan komputasi yang lebih murah dan lebih bertenaga termasuk penyimpanan data yang terjangkau merupakan peningkatan. Semua hal ini secara cepat dan otomatis menghasilkan model yang dapat menganalisis data yang lebih besar dan lebih komplek memberikan hasil yang lebih cepat dan akurat dalam skala yang sangat besar.
Prediksi nilai tinggi bisa mengarah pada keputusan dan tindakan cerdas secara real-time tanpa campur tangan manusia. Salah satu kunci untuk menghasilkan gerakan cerdas secara real-time merupakan pembuatan model otomatis.

Bagaimana relasi Machine Learning dengan Artificial Intelligence?
Machine learning adalah sebuah kategori riset dan algoritmanya berfokus untuk menemukan pola dalam data, lalu menggunakan pola tersebut untuk melakukan prediksi. Machine learning berada di bawah payung Artificial Intelligence (AI), yang saling bersilangan dengan Knowledge Discovery dan Data Mining.
Berikut ini adalah ilustrasinya:

Bagian Machine Learning

Ketika Anda melihat situs web yang kompleks seperti Facebook, Amazon, atau Netflix, kemungkinan besar situs ini berisi beberapa model Machine Learning. Dari model yang didapatkan, kita dapat melakukan prediksi yang berbeda, tergantung pada tipenya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Sistem pembelajaran mesin terdiri dari tiga bagian utama, yaitu:

Model: sistem yang membentuk prediksi atau identifikasi.
Parameter: sinyal atau faktor yang digunakan oleh model untuk membentuk keputusannya.
Pemelajaran: sistem yang menyesuaikan parameter dan model dalam prediksi versus hasil aktual.

Berikut ini tahapan kerja machine learning.

Memilih data: pisahkan data menjadi 3 bagian, yakni data yang akan dilatih (training data), data yang akan digunakan untuk validasi (validation data), dan data yang digunakan untuk percobaan prediksi (test data).
Model data: gunakan training data untuk membangun model menggunakan fitur-fitur yang sesuai dengan tujuan.
Validasi model: uji model yang telah ada dengan validation data. Hal ini berguna untuk mendapatkan feedback dari input, process, dan ouput yang digunakan.
Test model: lihat perbandingan kinerja model yang sudah divalidasi dengan test data.
Gunakan test model: aplikasikan model yang sudah dilatih untuk membuat prediksi data baru.
Sesuaikan model: perbaiki kinerja algoritma dengan lebih banyak data, fitur yang berbeda, dan parameter yang disesuaikan.

Memilah Data

Pertama, data yang akan digunakan “diajarkan” pada tahapan memilah datadipisahkan menjadi tiga bagian, yaitu training data (data yang akan dilatih), validation data (data yang dipakai untuk validasi) dan test data (data yang dipakai untuk percobaan prediksi). Hal ini juga menegaskan bahwa machine learning yaitu suatu hal yang sangat bergantung pada adanya data.

Model Data dan Validasi Model

Tahap selanjutnya adalah membuat model data. Dalam hal ini, kita harus menggunakan training data yang sudah disiapkan untuk membangun model menggunakan fitur yang disesuaikan dengan tujuan pengembangan sistem komputer ini. Setelah itu barulah dilakukan validasi model yaitu pengujian terhadap model data dengan validation data. Hal ini bermanfaat untuk mendapat feedback dari input, proses serta output yang dipakai.

Test Model dan Penggunaan Test Model

Dalam tahap ini kita akan semakin mengerti bahwa ilmu pemrosesan bahasa alami adalah kategori AI yang hanya bisa bekerja dengan adanya data. Pada tahap ini akan dilakukan perbandingan kinerja model yang telah divalidasi dengan data percobaan prediksi atau test data. Selanjutnya baru bisa dilakukan pengaplikasian model yang telah dilatih tersebut untuk membuat prediksi pada data baru lagi.

Setelah dilakukan tiga tahap utama di atas, barulah akan dilakukan penyesuain model untuk mencapai tujuan yang sesuai dengan kebutuhan. Yang perlu diingat yaitu ilmu pembelajaran mesin ini adalah sesuatu yang bukan apa-apa tanpa data. Dalam hal penyesuain model pun, dilakukan perbaikan kinerja dengan menggunakan lebih banyak data lagi, fitur yang berbeda serta parameter yang lebih disesuaikan.

Jenis Algoritma Machine Learning

Model Supervised Learning / Predictive
Model ini digunakan untuk memprediksi hasil masa depan berdasarkan data historis. Model prediktif biasanya diberi instruktsi yang jelas sejak awal seperti apa yang perlu dipelajari dan bagaimana itu perlu dipelajari. Algoritma pembelajaran ini disebut Supervised Learning.

Sebagai contoh: Supervised Learning digunakan saat perusahaan pemasaran mencoba untuk mengetahui pelanggan mana yang cenderung berpindah atau mencari supplier lain. Algoritma ini juga bisa digunakan untuk memprediksi kemungkinan terjadinya bahaya seperti gempa bumi, tornaod dan lain-lain, dengan tujuan untuk mengetahui Total Nilai Asuransi. Beberapa conntoh algoritma yang digunakan adalah: Nearest Neighbour, Naïve Bayes, Decision Tree, Regression, dan lain-lain.

Model UnSupervised Learning/Descriptive
Model ini digunakan untuk melatih dimana tidak ada target yang ditetapkan dan tidak ada faktor yang penting dari yang lainnya. Sebagai contoh penggunaan model unspervised learning ini, bila seorang penjual pengecer ingin mengetahui kombinasi produk apa yang cenderung lebih sering dibeli konsumen. Di industri farmasi, digunakan untuk memprediksi penyakit mana yang mungkin terjadi bersamaan dengan diabetes. Contoh algoritma yang digunakan di model ini: K-Means Clustering Algorithm.

Reinforcement Learning (RL)
Model ini adalah contoh pembelajaran mesin dimana mesin dilatih untuk mengambil keputusan spesifik berdasarkan kebutuhan bisnis dengan tujuan utama untuk memaksimalkan efisiensi (kinerja). Ide dari Reinforcement learning ini adalah mesin/perangkat lunak melatih dirinya secara terus menerus berdasarkan lingkungan yang dipengaruhinya, dan menerapkan pengetahuan yang diperkaya unntuk memecahkan masalah bisnis. Proses belajar yang terus-menerus ini memastikan lebih sedikit keterlibatan manusia sehingga akan banyak menghemat waktu.

Contoh algoritma yang digunakan dalam RL adalah Markov Decision Process.

10 Manfaat dan Contoh Penerapan Machine Learning

Hasil Pencarian Search Engine
Google dan mesin pencari lainnya seperti Bing dan Yandex sudah dari dulu menerapkan machine learning untuk melakukan perangkingan laman suatu website. Setiap mesin pencari mempunyai resep tersendiri pada algoritma pencarian yang digunakan. Dalam praktiknya ketika kita mengetik kata kunci, Google akan menampilkan hasil pencarian yang paling mendekati kata kunci tersebut. Apabila kita memilih suatu halaman dan menghabiskan banyak waktu pada halaman tersebut, Google akan mendeteksi bahwa halaman tersebut sesuai dengan kata kunci yang kita masukkan. Begitu pula, saat kita melihat halaman pencarian berikutnya misalnya halaman 2, 3, dan seterusnya. Google akan mendeteksi adanya ketidaksesuaian kata kunci dengan hasil pencarian yang dihasilkan. Begitulah data tersebut terkumpul dan dianalisis menggunakan machine learning oleh Google Search Engine, untuk menghasilkan hasil pencarian yang dinamis dan berkualitas.
Rekomendasi Produk Marketplace
Perkembangan teknologi menyebabkan penggunaan marketplace semakin diminati baik dari sisi penjual dan pembeli. Hampir semua orang menggunakan marketplace, misalnya Tokopedia, Bukalapak, dan Shopee. Tiap detik bisa dipastikan terjadi transaksi antar pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun perlu menampilkan rekomendasi produk yang sesuai dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan real time, tentunya machine learning sangat menentukan keakuratan rekomendasi produk tiap pembeli di akunnya.
Pengalaman Pengguna Sosial Media

Tidak bisa dipungkiri, walaupun tidak dapat mengalahkan mesin pencari sebagai situs terpopuler. Sosial media merupakan situs yang paling lama diakses oleh penggunanya berdasarkan data Alexa. Sosial media seperti Facebook dan Twitter menggunakan machine learning sehingga penggunanya betah untuk terus melihat layar gadget. Berikut beberapa peningkatan pengalaman pengguna yang merupakan aplikasi dari machine learning.
- Orang yang Mungkin Anda kenal
  Facebook mengumpulkan informasi pengguna, baik dari informasi umum seperti tempat tinggal, alamat sekolah, alamat kerja, dan kesukaan hingga log aktivitas seperti data percakapan, posting, dan profil yang sering dilihat (stalking). Sehingga bisa dilakukan prediksi teman yang mungkin sama di dunia nyata.
- Pengenalan Wajah
  Facebook dapat mengetahui bahwa suatu gambar yang diunggah memuat wajah orang-orang. Sehingga pengguna dapat memberikan tag wajah pada area wajah di gambar. Seiring berjalannya waktu dengan banyaknya foto yang diunggah, facebook akan mengenali wajah-wajah penggunanya. Ini memungkinkan facebook melakukan tag secara otomatis wajah orang-orang pada gambar baru yang diunggah.
- Pos pada Beranda
  Facebook akan mengumpulkan aktivitas tiap penggunanya, orang yang sering diajak berkomunikasi, posting yang sering disukai, hingga grup yang sering dilihat. Hal ini digunakan untuk menampilkan prioritas postingan yang ditampilkan pada beranda akun penggunanya. Sehingga peluang terjadinya interaksi terhadap pos yang tampil semakin tinggi.
Konten yang Ditampilkan Periklanan Digital
Google Adword adalah media periklanan digital terpopuler di dunia. Adword menampilkan iklan-iklan pada situs web yang menjadi publisher di Google Adsense. Iklan yang ditampilkan adalah iklan yang bersifat dinamis atau berubah-ubah. Google Adword mengumpulkan data situs berdasarkan topik, kemudian menampilkan iklan-iklan yang relevan dengan topik tersebut. Disamping itu Google Adword juga menggunakan cookies, sebagai referensi aktivitas pengunjung suatu website terkait situs-situs yang dikunjungi sebelumnya. Adword melakukan akumulasi terhadap 2 faktor tersebut, sehingga dapat ditampilkan iklan yang sesuai dengan pengunjung website.
Asisten Pribadi Virtual
Gadget telah dilengkapi dengan asisten pribadi virtual, baik laptop maupun smartphone, misalnya: Cortana di Microsoft Windows, Siri di Iphone, dan Google Now di Android. Asisten virtual ini dapat membantu penggunanya untuk melakukan pencarian di internet, menanyakan jalan, cuaca, melakukan panggilan telepon, hingga membuka aplikasi. Di Windows, cortana bahkan mempelajari penggunanya untuk memberikan rekomendasi perintah yang akan dilakukan.
Penyaring Pesan Spam
Machine learning memegang andil yang sangat besar untuk melakukan penyaringan (filter) spam baik di email, website, hingga media komunikasi berbasis software. Algoritma pohon keputusan (decision tree) merupakan cikal bakal dari algoritma spam filtering, untuk menentukan suatu pesan termasuk spam atau bukan.
Online Fraud Detection
Online fraud detection adalah metode yang digunakan untuk mendeteksi suatu transaksi digital sah atau tidak. Online fraud detection digunakan oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online fraud detection menggunakan machine learning untuk melakukan perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian transaksi palsu, hingga deteksi pembobolan akun bank digital.
Videos Surveillance
Videos surveillance atau pengawasan video merupakan teknologi baru yang merupakan penerapan dari machine learning yang disematkan pada CCTV untuk mendeteksi suatu tindak kejahatan atau kecelakaan. Di negara-negara maju, CCTV sudah digunakan untuk melakukan pencarian penjahat yang masih buron.
Diagnosa Medis
Di negara Inggris, diagnosa medis menggunakan bantuan chatbot sudah marak dilakukan. Chatbot ini bernama Babylon Health. Ini dilengkapi dengan speech recognition untuk mempermudah berbicara dengan penggunanya. Dalam perkembangan selanjutnya, analisis diagnosa medis dengan kontak fisik mulai dikembangkan dengan deep learning.
Mobil Kendali Otomatis
Mobil kendali otomatis merupakan penerapan serta pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis merupakan penerapan machine learning yang kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.

A. Manfaat Kecerdasan Buatan

Banyak implementasi kecerdasan buatan dalam bidang komputer, antara lain adalah Decision Support System (Sistem Pendukung Keputusan), Robotic, Natural Language (Bahasa Alami), Neural Network (Jaringan Saraf) dan lain-lain. Berikut adalah manfaat dari kecerdasan buatan, yaitu:

1. Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang.

2. Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar.

3. Meningkatkan produktivitas kerja, yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.

4. Penghematan waktu dalam menyelesaikan masalah yang kompleks.

5. Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.

6. Pengetahuan dari seorang pakar dapat didokumentasikan tanpa ada batas waktu.

B. Dampak Positif Kecerdasan Buatan

1. Pada bidang Industri penerapan Artificial Intelligence dapat membantu meningkatkan keamanan pegawai, karena aktivitas-aktivitas yang berbahaya dapat digantikan oleh mesin,sebagai Contoh : Penggunaan mesin pendeteksi suhu pembakaran tembaga,minyak bumi dll.

2. Pada bidang Kesehatan, penerapan arificial intelligence sangat membantu tenaga medis untuk mendiagnosis penyakit yang dialami oleh pasien melalui gejala-gejala yang dialaminya, bahkan dapat juga meyediakan jenis obat yang cocok untuk pasienya.

Contoh : Program Pendetekesi penyakit jantung koroner (penelitian dilakukan dengan meneliti detak jantung pasien)

3. Pada bidang Perbankan, penerapan artificial intelligence dapat digunakan untuk mengontrol laju inflasi maupun deflasi dari keungan negara, sebagai.

Contoh : Pembuatan mesin pendeteksi uang palsu dll.

4. AI dapat menyelesaikan berbagai permasalahan dunia nyata, seperti pencarian, optimasi, klasifikasi, peramalan,dsb.

C. Dampak Negatif Kecerdasan Buatan

1. Dengan mudah melakukan transaksi di Internet akan memfasilitasi juga menyebabkan transaksi yang dilarang sebagai selundupan transaksi atau transaksi narkoba.

2. Hal ini sering terjadi adalah pembobolan sebuah lembaga atau rekening perorangan yang mengakibatkan kerugian finansial yang besar.

3. Dengan kecanggihan teknologi informasi dan komunikasi menyebabkan banyak kasus penipuan dalam perdagangan online.

4. Perlawanan Membeli online. Untuk orang awam yang belum pernah bertransaksi secara online, akan merasa canggung ketika mereka harus bertransaksi tanpa tatap muka atau melihat penjual. Belum lagi rasa takut jika pembayaran tidak dikirim atau tidak diterima. Atau barang tidak dikirim, atau bahkan barang dikirim tetapi tidak diterima.

5. Kekekrasan dan Gore. Kekejaman dan kesadisan juga ditampilkan dalam dunia bisnis internet. Karena segi bisnis dan isi di internet tidak terbatas, maka para pemilik situs menggunakan segala macam cara untuk dapat menjual situs mereka, salah satunya dengan menunjukkan hal-hal yang tabu.

6. Carding. Karena sifatnya yang langsung (real time), bagaimana menggunakan belanja kartu kredit Anda adalah yang paling banyak digunakan di dunia internet. Internetpun kebanyakan penjahat melakukan kejahatan dalam bidang ini. Dengan sifat yang terbuka, para penjahat mampu mendeteksi keberadaan transaksi (menggunakan kartu kredit) secara online dan mencatat kode kartu yang digunakan. Selanjutnya mereka menggunakan daptkan data mereka untuk melakukan kejahatan.