Pengertian & Contoh Machine Learning

Pengertian

Machine Learning adalah cabang dari kecerdasan buatan, merupakan disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan kepada data empiris, seperti dari sensor data pada basis data. Sistem pembelajaran dapat memanfaatkan contoh (data) untuk menangkap ciri yang diperlukan dari probabilitas yang mendasarinya (yang tidak diketahui). Data dapat dilihat sebagai contoh yang menggambarkan hubungan antara variabel yang diamati. Fokus besar penelitian Machine Learning adalah bagaimana mengenali secara otomatis pola kompleks dan membuat keputusan cerdas berdasarkan data. Kesukarannya terjadi karena himpunan semua perilaku yang mungkin, dari semua masukan yang dimungkinkan, terlalu besar untuk diliput oleh himpunan contoh pengamatan (data pelatihan). Karena itu Machine Learning harus merampatkan (generalisasi) perilaku dari contoh yang ada untuk menghasilkan keluaran yang berguna dalam kasus-kasus baru.

Tugas Machine Learning

Salah satu tugas dari Machine Learning adalah klasifikasi. Misalkan ingin menentukan suatu hal dengan sistem pakar, maka hal-hal yang bisa dilakukan, antara lain seperti menimbang dengan timbangan jika perlu tahu mengenai berat, atau menggunakan computer vision jika ingin mengenali suatu bentuk, dan hal-hal lainnya untuk mengumpulkan informasi. Jika semua informasi penting sudah terkumpul, hal terakhir yang akan dilakukan pastinya adalah proses klasifikasi, yang nantinya akan menghasilkan output berupa jenis klasifikasi yang kita inginkan.

Pada bagian sebelumnya telah dijelaskan mengenai tugas dari klasifikasi. Pada bagian klafikasi proses yang terjadi adalah menentukan pada class apa sebuah instance itu berada. Tugas lain dari Machine Learning adalah regresi. Regresi adalah prediksi dari nilai numerik. Regresi ini termasuk ke dalam tipe algoritma pembelajaran terarah yang akan dibahas pada bab selanjutnya.

Tipe Algoritma

Algoritma dalam Machine Learning dapat dikelompokkan berdasarkan keluaran yang diharapkan dari algoritma

1. Pembelajaran terarah (supervised learning) membuat fungsi yang memetakan masukan ke keluaran yang dikehendaki. Misalnya pengelompokan (klasifikasi). Contoh: k-Nearest Neighbors, Naive Bayes, Support vector machines, Decision trees.
2. Pembelajaran tak terarah (unsupervised learning) memodelkan himpunan masukan, seperti penggolongan (clustering). Contoh: k-Means, DBSCAN.

Langkah-langkah Dalam Mengembangkan Aplikasi Machine Learning 

1. Mengumpulkan Data  Proses pengumpulan data dilakukan dengan mengambil contoh dari berbagai sumber informasi, seperti di Internet dan media cetak. Data yang dikumpulkan adalah data yang disebarkan secara bebas ke publik. 
2. Mempersiapkan Data Masukan Pada hal ini data masukan yang disiapkan adalah data masukan yang sesuai dengan format yang dibutuhkan untuk analisis. 
3. Menganalisis Data Masukan  Setelah proses pertama dan kedua dilakukan, maka hal selanjutnya yang harus dilakukan adalah menganalisis data masukan dan untuk menganalisis dapat dilakukan dengan melihat pola data dan juga dengan memisahkan data berdasarkan dimensi masing-masing data. 
4. Mengikutsertakan Keterlibatan Manusia 
5. Melatih Algoritma Pada langkan ini pengguna “memberi makan” algoritma dengan data yang berkualitas, dan nantinya algoritma akan mengolah data tersebut menjadi informasi serta  menyimpannya.
6. Menguji Algoritma Pada langkah ini hal yang dilakukan adalah melihat seberapa baik kualitas algoritma yang telah dilatih pada tahap sebelumnya. 
7. Menggunakannya Langkah ini merupakan langkah akhir untuk algoritma yang diterapkan dalam suatu program, sehingga dapat melakukan suatu hal. Kemudian dilakukan pengecekan ulang terhadap langkah-langkah sebelumnya.

Contoh Learning Machine

Netflix Recomendations

Netflix menggunakan Machine Learning untuk memberikan konten yang sangat ditargetkan untuk pengguna secara real time. Dengan menggunakan data yang mereka terima, Netflix bisa menggunakan Machine Learning untuk menyarankan video kepada anda dengan menggunakan penilaian anda dan juga semua info yang telah mereka kumpulkan dari sesi streaming anda.

"People You May Know" pada Media Sosial

Ketika sedang bermain jejaring sosial terkadang suka muncul "orang-orang yang mungkin anda kenal "di jejaring sosial favorit anda, Ini adalah bagian dari algoritma Machine Learning. Jika Anda memiliki hubungan dengan seseorang, ada kemungkinan anda mungkin mengenal orang lain yang terhubung dengan mereka. Semakin banyak teman akan memiliki kemungkinan yang lebih tinggi bahwa anda mungkin mengenal orang lain yang terhubung dengan media sosial.

Spotify Playlists

Spotiffy akan menemukan daftar putar mingguan ini adalah salah satu contoh bagaimana Machine Learning mempengaruhi musik industri streaming. Mereka dapat memberikan daftar lagu yang ditargetkan kepada anda berdasarkan daftar putar yang telah anda buat dan lagu yang berbeda yang anda putar.

Referensi :

Purnamasari, Detty dkk. 2013. GET EASY USING WEKA. Dapur Buku : Makasar.

5 Everyday Examples of Machine Learning, [online], diakses 23 November 2017 (https://www.coria.com/blog/machine-learning/5everydayexamplesofmachinelearning)