2 Jenis Algoritma Machine Learning Terpopuler 2022

Seperti yang kita ketahui bahwa machine learning merupakan cabang dari artificial intelligence. Banyak jenis algoritma yang dihasilkan oleh machine learning mulai dari supervised learning, unsupervised learning hingga reinforcement learning. Algoritma machine learning dipakai untuk menemukan pola yang berasal dari sekumpulan data yang jumlahnya besar. 

Hal ini bertujuan agar keputusan yang diambil tepat sesuai dengan algoritma yang dipakai dan kondisi dari data tersebut. Semakin bagus algoritma yang digunakan praktisi data akan semakin teruji pula akurasinya. Hal ini diibaratkan juga dengan manusia apabila banyak pengalaman dan belajar dari pengalaman maka semakin pintar.

Bicara tentang algoritma di machine learning, memang banyak jenisnya kalau dibahas. Tapi dalam artikel kali ini, kita akan fokus ke dua jenis algoritma yang belum banyak disinggung. Ada deep learning dan reinforcement learning.

Keduanya adalah sub-bidang dari machine learning yang sangat populer di kalangan praktisi data. Namun berbeda dengan reinforcement learning yang jarang terdengar. 

1. Apa itu Deep Learning

Kita masuk ke dalam bahasan yang pertama yaitu deep learning. Deep learning adalah salah satu bagian dari machine learning yang mampu mengenali pola dan informasi tanpa pengawasan atau tanpa supervisi yang tidak berlabel.

Konsep deep learning mirip dengan struktur otak manusia dimana keluaran dari deep learning sudah diaplikasikan dalam berbagai produk teknologi berkualitas tinggi. 

Struktur ini disebut juga dengan Artificial Neural Network atau ANN. Pada dasrnya, jaringan saraf yang ada pada ANN memiliki tiga atau lebih lapisan. Salah satu penerapan deep learning adalah self-driving car. Dalam self-driving car ini kita bisa memproses data visual marka jalan, rambu lalu lintas dan berbagai objek lain di jalan secara real-time.

Tidak hanya itu, output dari deep learning juga ditemukan dalam kehidupan sehari-hari seperti Google Translate, voice-activated device, dan lain-lain.

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

2. Mengenal Apa itu Reinforcement Learning

Selanjutnya kita akan bahas tentang reinforcement learning. Reinforcement learning itu apa sih? Reinforcement learning merupakan salah satu metode machine learning yang ditujukan untuk menentukan aksi yang tepat.

Anggapannya gini deh misalnya kamu memiliki sebuah kucing yang diberikan makanan dengan beberapa piring. Sebelumnya oleh sang pemiliknya diberikan komando untuk makan di salah satu piring yang berisi ikan mackarel.

Jika kucing menghampiri piring tersebut maka kamu sebagai pemilik kucing berhak memberikan rewards. Kenapa? Karena hal ini sesuai dengan komando dari pemiliknya.

Jadi dari analogi tadi sudah jelas bahwa cara kerja dari reinforcement learning sesuai dengan arahan dari komando. Mesin didesain untuk melakukan apa yang telah diperintahkan berdasarkan situasinya. 

3. Keypoints Perbedaan Deep Learning dengan Reinforcement Learning

Setelah kita tahu masing-masing definisi dari kedua jenis algoritma ini, kali ini kita akan bandingkan antara deep learning dengan reinforcement learning. Mimin DQLab berhasil mengumpulkan keypoints antara kedua jenis algoritma ini. Apa saja perbedaannya? Mari kita lihat sama-sama.

Cara Kerja dan Teknik Pembelajaran

Perbedaan antara deep learning dengan reinforcement learning dapat dilihat dari cara kerjanya. Deep learning mampu mengeksekusi target dengan menganalisis data yang ada dan menerapkan apa yang dipelajari ke kumpulan informasi baru. Sedangkan, algoritma reinforcement learning mampu mengubah respons dengan mengadaptasi feedback secara terus menerus.

Keberadaan Data

Kemudian dari segi keberadaan data juga memiliki perbedaan. Deep learning bekerja dengan data yang sudah ada karena sangat penting dalam melatih algoritma. Adapun reinforcement learning lebih bersifat eksploratif sehingga dapat dikembangkan tanpa kumpulan data karena dipelajari dengan coba-coba.

Sejarah 

Dilihat dari sejarah juga memiliki perbedaan. Deep learning pertama kali diperkenalkan ke komunitas pembelajaran mesin oleh Rina Dechter pada tahun 1986. Perkembangan terus terjadi.

Pada tahun 2009, Nvidia, perusahaan teknologi asal Amerika terlibat dalam "big bang" dari deep learning, Nvidia graphics processing units (GPUs) terus melatih deep learning dengan neural training. Masih di tahun yang sama, Google Brain juga menggunakan Nvidia GPU untuk membuat deep neuron network (DNN). 

Sedangkan reinforcement learning diawali dari Donald Michie yang menjelaskan pembelajaran trial and error sederhana untuk belajar bagaimana bermain Tic Tac Toe yang dikenal dengan Matchbox Educable Noughts and Crosses Engine (MENACE). Kemudian pada tahun 1968 Michie dan Chambers mengenalkan permainan ini dengan menggunakan reinforcement learning versi berbeda yang dikenal dengan Game Learning Expectimaxing Engine (GLEE) dan kontroler mesin reinforcement yang dinamakan BOXES.

Pada tahun 1977 publikasi artikel dari Ian Witten menjelaskan aturan tentang temporal difference. Dia mengusulkan metode yang sekarang sebut TD(0) digunakan sebagai bagian dari kontroler adaptif untuk menyelesaikan MDPs. 

Kemudian temporal difference dan optimal control pada tahun 1989 digunakan untuk mengembangkan Q-learning oleh Chris Walkins. Pada saat Walkins bekerja menghasilkan peningkatan yang luar biasa dalam penelitian reinforcement learning terutama pada artificial intelligence serta pada neural networks menjadi lebih luas.

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

4. Manakah yang Lebih Baik, Deep Learning vs Reinforcement Learning

Diantara kedua algoritma yang sudah kita bandingkan bersama maka pertanyaannya sekarang adalah manakah yang lebih baik? Apakah deep learning  yang lebih baik daripada reinforcement learning? Apa justru sebaliknya.

Untuk deep learning sebenarnya merupakan pendekatan fungsi yang sangat kompleks. Baik untuk aplikasi image recognition, speech yang diawasi oleh mesin maupun dimension reduction dan deep network pretraining yang tidak diawasi oleh mesin alias unsupervised.

Reinforcement learning sebenarnya lebih sejalan dengan kontrol optimal, di mana seorang agen belajar untuk mengembangkan kebijakan optimal dan tindakan berurutan yang harus diambil dengan berinteraksi dengan lingkungan. Dalam kehidupan sehari-hari, Reinforcement Learning memiliki beberapa cabang seperti perbedaan temporal, Monte Carlo dan dynamic programming.

Reinforcement learning justru lebih unggul dibandingkan dengan deep learning. Hal ini dilihat dari cara kerja. Sebab, RL atau reinforcement learning lebih dekat dengan kemampuan otak manusia. Kecerdasan yang dimiliki oleh reinforcement learning tentunya dapat ditingkatkan dengan feedback. Sedangkan deep learning kurang dalam hal interaksi.

Gimana nih sahabat DQLab, sudah pada tahu kan kedua algoritma ini? Kalau misalnya kamu ingin belajar lebih dalam tentang machine learning, DQLab bisa menjawab solusi kamu. Kamu bisa mulai belajar di DQLab dengan mengisi form signup di bawah ini ya!  

Penulis: Reyvan Maulid