Yuk Kenali Macam-Macam Algoritma Machine Learning!
Di era modern yang didukung teknologi canggih, tugas yang dikerjakan secara manual mulai berkurang dan diganti dengan teknologi canggih yang bisa bekerja secara otomatis. Salah satu teknologi canggih yang mulai banyak dikembangkan adalah teknologi machine learning. Teknologi ini membutuhkan algoritma untuk mengerjakan sebuah tugas secara mandiri, tanpa campur tangan manusia. Bahkan, dengan berkembangnya ilmu komputasi kita dapat memprediksi apa yang akan terjadi di hari-hari mendatang. Algoritma machine learning banyak diimplementasikan di berbagai bidang industri. Hal ini karena sebagian besar perusahaan sudah memulai otomatisasi pada proses produksi hingga distribusi yang lebih efektif dan efisien.
Machine learning memungkinkan sistem untuk membuat keputusan secara mandiri tanpa dukungan eksternal, khususnya manusia. Keputusan ini dibuat saat mesin dapat belajar dari data dan memahami pola dasar yang ada di dalam kumpulan data. Output yang dihasilkan algoritma machine learning adalah berupa klasifikasi atau prediksi. Machine learning adalah bagian dari artificial intelligence. Machine learning juga disebut sebagai analitik prediktif atau pemodelan prediktif. Istilah machine learning diciptakan oleh ilmuwan komputer asal Amerika Serikat bernama Arthur Samuel pada tahun 1959. Beliau mendefinisikan machine learning sebagai kemampuan komputer untuk belajar tanpa diprogram secara eksplisit. Algoritma machine learning dibagi menjadi tiga, yaitu algoritma supervised learning, unsupervised learning, dan reinforcement learning. Pada artikel kali ini, DQLab akan membahas apa yang dimaksud dengan algoritma supervised learning, unsupervised learning, dan reinforcement learning serta implementasinya dalam real life. Penasaran? Yuk simak artikel ini sampai akhir!
1. Algoritma Supervised Learning
Algoritma supervised learning adalah algoritma yang paling populer dalam machine learning. Data-data yang digunakan dalam algoritma ini merupakan data berlabel, artinya algoritma mengidentifikasi fitur secara eksplisit dan melakukan prediksi atau klasifikasi yang sesuai. Semakin banyak pelatihan pada algoritma, maka algoritma dapat mengidentifikasi hubungan antara dua variabel sehingga kita dapat memperoleh hasil yang baru dengan data baru. Beberapa algoritma yang termasuk ke dalam algoritma supervised learning adalah regresi linier, random forest, dan artificial neural network. Regresi linier merupakan algoritma yang digunakan untuk mengukur hubungan linier antara dua atau lebih dari dua variabel. Random forest adalah metode pembelajaran ansambel untuk melakukan klasifikasi, regresi, dan tugas lain melalui pembentukan pohon keputusan dan output yang dihasilkan berupa kelas yang merupakan modus atau mean dari pohon individu. artificial neural network diibaratkan seperti otak manusia dan mempelajari data dari waktu ke waktu. Artificial neural network merupakan dasar dari deep learning.
Salah satu aplikasi algoritma supervised learning yang paling populer adalah pengenalan wajah. Teknologi ini menggunakan algoritma convolutional neural networks (CNN). CNN merupakan salah satu jenis algoritma artificial neural network. CNN mampu mengidentifikasi fitur suatu gambar melalui berbagai fitur. CNN akan menyimpan fitur-fitur data di dalam database dan saat ada wajah yang sama dengan fitur-fitur di database, sistem CNN akan memberikan respon positif. Salah satu teknologi yang menggunakan teknik pengenalan wajah adalah Baidu, search engine utama milik China. Pengenalan wajah ini berfungsi sebagai fitur keamanan. Selain itu, sistem keamanan pengenalan wajah juga mulai diterapkan di bandara-bandara utama di China. Dengan adanya teknologi ini, penumpang tidak perlu mengantri panjang untuk check-in penerbangan karena staf pesawat cukup memindai wajah penumpang sebagai validasi identitas.
Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan
3. Algoritma Unsupervised Learning
Algoritma unsupervised learning tidak menggunakan data label karena algoritma ini mampu belajar dari data dengan menemukan pola implisit. Algoritma unsupervised learning mengidentifikasi data berdasarkan kepadatan, struktur, segmen serupa, dan fitur serupa lainnya. Algoritma yang paling banyak digunakan dalam unsupervised learning adalah clustering, deteksi anomali, dan deep belief network. Clustering adalah teknik pengelompokan kumpulan objek serupa dalam grup yang sama yang berbeda dari objek grup lainnya. Beberapa teknik clustering adalah K-Means, DBSCAN, dan hierarki clustering. Teknik deteksi anomali merupakan teknik untuk mendeteksi pencilan dalam data tanpa label dengan asumsi bahwa sebagian besar sampel data berdistribusi normal dengan mengamati instance yang sesuai dengan kumpulan data lainnya. Deep belief network adalah model grafis generatif yang juga termasuk ke dalam algoritma neural network yang dirancang untuk unsupervised learning.
Salah satu teknik unsupervised learning yang paling populer adalah clustering. Dengan menggunakan clustering, bisnis dapat mengetahui segmen pelanggan yang potensial yang akan membeli produk mereka. Salah satu perusahaan yang menggunakan teknik clustering ini adalah startup Optimove yang berbasis di Israel. Tujuan perusahaan startup ini menggunakan metode clustering adalah untuk mencerna dan memproses data pelanggan agar dapat diakses oleh pemasar.
3. Algoritma Reinforcement Learning
Reinforcement learning adalah algoritma yang memungkinkan mesin untuk berinteraksi dengan lingkungan dinamis untuk mencapai target atau tujuan. Dengan algoritma ini, mesin dan agen software dapat mengevaluasi perilaku ideal dalam suatu kasus. Dengan bantuan reward, agen akan mempelajari perilaku dan memperbaiki model yang telah dihasilkan. Umpan balik dari reward ini dikenal dengan sinyal penguatan.
Contoh implementasi algoritma reinforcement learning adalah sistem Active Query Answering (AQA) pada Google. Sistem AQA ini merumuskan ulang pertanyaan yang diajukan oleh user google. Contohnya, jika kita mengajukan pertanyaan kepada bot AQA "berapa tanggal lahir Nikola Tesla?" maka bot akan merumuskan kembali pertanyaan menjadi "kapan Tesla lahir?" atau "Kapan ulang tahun Tesla?". Proses perumusan ulang ini menggunakan sequence to sequence, tetapi google telah mengembangkan dan mengimplementasikan reinforcement learning ke dalam sistemnya untuk lebih berinteraksi dengan sistem lingkungan berbasis query.
Ketika membicarakan machine learning, maka kita tidak akan terlepas dari istilah data science. Di era big data, data science dan machine learning dimanfaatkan oleh perusahaan untuk mengekstrak data menjadi informasi yang insightful bagi keberlangsungan perusahaan. Oleh karena itu, kedua ilmu ini dapat diterapkan di segala bidang industri. Kabar baiknya, data science dapat dipelajari oleh siapapun baik kalangan pelajar maupun profesional.
Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python
4. Yuk Mulai Belajar Data Science Sekarang!
Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industri data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab!
Penulis: Galuh Nurvinda Kurniawati
Editor: Annissa Widya Davita