BAB XIV MACHINE LEARNING

Tujuan Pembelajaran (Chapter XIV Learning Objectives)

 Mahasiswa dapat menjelaskan pengertian Machine Learning;
 Mahasiswa dapat menyebutkan manfaat Machine Learning;
 Mahasiswa dapat mengidentifikasi kategori Machine Learning;
 Mahasiswa dapat menjelaskan contoh ppenerapan Machine Learning.

A. Pengertian Machine Learning

Di tengah pesatnya perkembangan teknologi kecerdasan buatan atau artificial
intelligence (AI) saat ini. Belum banyak orang yang mengetahui bahwa kecerdasan buatan
itu terdiri dari beberapa cabang, salah satunya adalah Machine Learning atau
pembelajaran mesin. Istilah Machine Learning pertama kali dikemukakan oleh beberapa
ilmuwan matematika seperti Adrien Marie Legendre, Thomas Bayes dan Andrey Markov
pada tahun 1920-an dengan mengemukakan dasar-dasar Machine Learning dan
konsepnya. Secara luas, Machine Learning dapat didefinisikan sebagai metode komputasi
yang menggunakan pengalaman untuk meningkatkan kinerja atau membuat prediksi
(Mohri, Rostamizadeh, & Talwalkar, 2012).

Gambar 1. Ilustrasi Machine Learning

(sumber: https://commons.wikimedia.org/wiki/File:Machine_learning.jpg )

Machine Learning merupakan aplikasi dari disiplin ilmu kecerdasan buatan

(Artificial Intelligence) yang menggunakan teknik statistika untuk menghasilkan suatu
model otomatis dari sekumpulan data, dengan tujuan memberikan komputer
kemampuan untuk "belajar". Machine Learning memungkinkan komputer mempelajari
sejumlah data (learn from data) sehingga dapat menghasilkan suatu model untuk
melakukan proses input-output tanpa menggunakan kode program yang dibuat secara
eksplisit. Istilah Machine Learning mengacu pada deteksi otomatis pola bermakna dalam
data (Shalev-Shwartz & Ben-David, 2014).
Secara fundamental cara kerja Machine Learning adalah belajar seperti manusia
dengan menggunakan contoh-contoh dan setelah itu barulah dapat menjawab suatu
pertanyaan terkait. Proses belajar ini menggunakan data yang disebut train dataset.
Berbeda dengan program statis, Machine Learning diciptakan untuk membentuk
program yang dapat belajar sendiri. Dari data tersebut, komputer akan melakukan proses
belajar (training) untuk menghasilkan suatu model. Proses belajar ini menggunakan
algoritma Machine Learning sebagai penerapan teknik statistika. Model inilah yang
menghasilkan informasi, kemudian dapat dijadikan pengetahuan untuk memecahkan
suatu permasalahan sebagai proses input-output. Model yang dihasilkan dapat
melakukan klasifikasi atau pun prediksi kedepan.
Untuk memastikan efisiensi model yang terbentuk, data akan dibagi menjadi data
pembelajaran (train dataset) dan data pengujian (test dataset). Pembagian data yang
digunakan bervariasi bergantung algoritma yang digunakan. Pada umumnya train
dataset lebih banyak dari test dataset, misalnya dengan rasio 3:1. Test dataset digunakan
untuk menghitung seberapa efisien model yang dihasilkan untuk melakukan klasifikasi
atau prediksi kedepan yang disebut test score. Semakin banyak data yang digunakan, test
score yang dihasilkan semakin baik. Nilai test score berada dalam rentang 0-1.

B. Manfaat Machine Learning

Manfaat Machine Learning sangat beragam, dalam kehidupan harian manusia yang
tidak lepas dari perkembangan jaman yang semakin praktis. Machine Learning biasa
digunakan di berbagai industri dan beberapa bidang antara lain:
1. Bidang Kedokteran
Machine Learning bisa memberikan informasi terkait kesehatan seseorang selama
perawatan di rumah sakit. Misalnya mesin elektrokardiogram yang bisa mendeteksi
penyakit jantung sejak dini. Bisa dibayangkan ketika setiap pasien harus
diidentifikasi secara manual, hal ini tentu akan membutuhkan banyak dokter dan
tenaga untuk mengawal proses pemantauan.
2. Bidang Computer Vision
Sistem bisa berfungsi dalam mengekstrak informasi dari gambar tertentu, misalnya
pengenalan wajah pada teknologi ponsel berbasis AI masa kini atau pelabelan wajah
pada akun media sosial. Fitur tersebut saat ini sudah lazim ditemukan pada
smartphone.
3. Bidang Information Retrieval
Bidang Information Retrieval (IR) merupakan contoh fungsi Machine Learning dalam
mencari dan mendapatkan informasi tersebut. Jadi, bisa dibayangkan betapa
dekatnya penerapan teknologi Machine Learning yang saat ini sudah diterapkan
untuk mempermudah kehidupan.
Berdasarkan beberapa contoh yang sangat berdampak di segala sektor atau bidang
tersebut di atas, maka manfaat pengembangan Machine Learning benar-benar dapat
dirasakan oleh masyarakat. Bagi pebisnis, pengembangan Machine Learning bisa
membuat usaha menjadi lebih efisien dan praktis. Misalnya, pekerja di bidang penulisan
yang tidak perlu melakukan pengecekan ejaan secara manual saat mengetikkan tulisan
di Microsoft Word, atau proses otomatisasi iklan digital yang saat ini mulai diterapkan
oleh Google.

C. Metode Algoritma Machine Leaning

1. Supervised Machine Learning algorithms

Supervised Machine Learning adalah algoritma Machine Learning yang dapat

menerapkan informasi yang telah ada pada data dengan memberikan label tertentu,
 misalnya data klasifikasi sebelumnya (terarah). Algoritma ini mampu memberikan
target terhadap output yang dilakukan dengan membandingkan pengalaman belajar
di masa lalu.
2. Unsupervised Machine Learning algorithms

Unsupervised Machine Learning adalah algoritma Machine Learning yang digunakan

pada data yang tidak mempunyai informasi yang dapat diterapkan secara langsung
(tidak terarah). Algoritma ini diharapkan mampu menemukan struktur tersembunyi
pada data yang tidak berlabel.
3. Semi-supervised Machine Learning algorithms
Semi-supervised Machine Learning adalah algoritma yang digunakan untuk
melakukan pembelajaran data berlabel dan tanpa label. Sistem yang menggunakan
metode ini dapat meningkatkan efisiensi output yang dihasilkan.
4. Reinforcement Machine Learning algorithms
Reinforcement Machine Learning adalah algoritma yang mempunyai kemampuan
untuk berinteraksi dengan proses belajar yang dilakukan, algoritma ini akan
memberikan poin (reward) saat model yang diberikan semakin baik atau
mengurangi poin (error) saat model yang dihasilkan semakin buruk. Salah satu
penerapan yang sering dijumpai yaitu pada mesin pencari.
D. Contoh Penerapan Machine Learning
Pengaplikasian Machine Learning dalam kehidupan sehari-hari ternyata banyak
sekali diterapkan. Bahkan, bisa dibilang pengaplikasian Machine Learning di era digital
ini telah merambah hampir semua bidang. Beberapa contoh penerapan Machine Learning
dalam kehidupan sehari-hari diantaranya:
1. Text Analysis
Machine Learning kerap kali diimplementasikan dalam suatu perangkat, guna
menganalisa suatu teks dan mencari sumbernya, atau untuk menguji tingkat
keakuratan dan kebenaran teks tersebut. Beberapa kategori text analysis yang
banyak dilakukan adalah:
a. Spam filtering, yaitu Machine Learning yang berguna dalam menganalisa,
menilai, serta menyaring e-mail spam berdasar isi dan sumber pesan berasal.
b. Sentiment analysis, merupakan aplikasi untuk mengklasifikasi teks berdasar
opini yang ditulis pengguna, lalu mengategorikannya sebagai opini positif, netral,
atau negatif.
c. Information extraction, yaitu Machine Learning yang bertugas menganalisa dan
mengidentifikasi potongan sebuah teks.
2. Image Processing
Pada dasarnya, image processing adalah sebuah tahapan pengolahan gambar untuk
mengidentifikasi data pada gambar tersebut, kemudian diolah dan
ditransformasikan ke dalam tingkatan lebih lanjut. Beberapa contohnya antara lain:
 a. Image Tagging/ Face Detection, yang diterapkan untuk mendeteksi wajah user
berdasar gambar
b. OCR (Optical Character Recognition), yang menstranformasi teks atau gambar
pada suatu manuskrip ke bentuk digital.
c. Selfdriving Cars, adalah sebuah implementasi Machine Learning yang
ditanamkan untuk mengenali ciri suatu jalan, rambu dan objek sekitar dengan
memanfaatkan kamera yang ditanam di dalamnya
3. Finance
Implementasi Machine Learning dalam bidang finansial banyak sekali dilibatkan. Hal
itu untuk memprediksi ataupun mengambil keputusan krusial, contohnya:
a. Stock trading, yang mengembangkan sebuah algoritma untuk mengidentifikasi
serta memprediksi saham terbaik berdasarkan pola di historis perdagangan
saham.
b. Fraud detection, yakni sistem yang mendeteksi penipuan atau kecurangan
dengan lebih efektif dan efisien.
4. Search and Recommendation Engine
Machine Learning juga kerap kali difungsikan dalam mesin pencarian dan
rekomendasi pada situs pencari, media sosial, ataupun e-commerce, seperti:
a. Google, yang memberikan rekomendasi pencarian berdasar keyword yang Anda
ketikkan.
b. Facebook, juga memberikan rekomendasi berdasar keyword yang diinput.
c. Amazon, Alibaba, Lazada dan situs e-commerce lainnya, biasanya
merekomendasikan produk berdasar spesifikasi hal yang sering Anda telusuri.
5. Speech Understanding
Pengimplementasian Machine Learning dalam speech understanding, berkaitan erat
dengan suara manusia dan cabang ilmu NPL (Natural Language Processing).
Contohnya, Google Voice yang melakukan pencarian pada mesin pencari tanpa harus
mengetikkan kata di layar smartphone.
E. Rangkuman
Inti dari Machine Learning adalah memprediksi akan suatu hal berdasarkan pola
yang telah dilatih, proses prediksi dan analisis dilakukan dengan cara sederhana tanpa
menghabiskan banyak waktu. Machine Learning membutuhkan model pelatihan untuk
membiasakan mesin mengelola dan memprediksi suatu hal. Machine Learning
 berbeda dengan AI, banyak kalangan yang salah kaprah menyamakan kedua istilah ini,
padahal AI (Artificial Intelligence) merupakan sebuah kecerdasan buatan yang
ditanamkan pada perangkat, sementara Machine Learning adalah suatu metode untuk
mencapai AI. Setiap model Machine Learning memberikan struktur yang jelas pada AI.

F. Referensi
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2012). Foundations of Machine Learning.
MIT Press. Retrieved from https://books.google.co.id/books?id=maz6AQAAQBAJ
Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Learning: From
Theory to Algorithms. Cambridge University Press. Retrieved from
https://books.google.co.id/books?id=ttJkAwAAQBAJ
Ralf Herbrich & Thore Graepel. 2018. Introduction To Machine Learning With Applications
In Information Security. California: CRC Press
G. Latihan

1. Bidang studi yang memberikan komputer kemampuan untuk belajar tanpa

diprogram secara eksplisit, adalah _________.
a) Machine Learnig
b) Deep Learning
c) Big Data
d) Data Analitics
e) Data Science

2. Bidang interdisipliner dari metode, proses, algoritma, dan sistem ilmiah untuk
mengekstraksi pengetahuan atau wawasan dari data dalam berbagai bentuk, baik
terstruktur atau tidak terstruktur, adalah _________.
a) Big Data
b) Data Analitics
c) Data Science
d) Deep Learning
e) Machine Learning

3. Machine Learning adalah cabang dari ..

a) AI
b) Java
 c) C
d) C++
e) HTML

4. Manakah dari berikut ini yang bukan merupakan metode Machine Learning ...
a) Semi-unsupervised Learning
b) Semi-supervised Machine Learning
c) Unsupervised Learning
d) Supervised Learning
e) Reinforcement Learning

5. Dalam jenis Machine Learning manakah, bahwa sistem AI disajikan dengan data yang
tidak berlabel dan tidak dikategorikan, dan algoritme sistem bekerja pada data
tersebut tanpa pelatihan sebelumnya...
a) Supervised Learning
b) Unsupervised Learning
c) Semi-supervised Machine Learning
d) Reinforcement Learning
e) Technique Learning

6. Manakah dari berikut ini yang bukan merupakan supervised learning?

a) Spam email identification
b) House price prediction
c) Speech recognition
d) Amazon product suggestions
e) Tidak ada yang benar

7. Faktor-faktor berikut yang mempengaruhi kinerja Learner’s System, kecuali ..

a) Skema representasi
b) Skenario pelatihan
c) Jenis umpan balik
d) Struktur data yang bagus
e) Semua benar

8. Device/aplikasi berikut yang bukan merupakan contoh dari Machine Learning adalah
_____
 a) Weareble fitness tracker
b) Google Assistant
c) Google Search
d) Speech to Text
e) Tidak ada yang benar

9. Machine Learning biasa digunakan untuk bidang berikut ini, kecuali ________.
a) Image Recognition
b) Medical Diagnosis
c) Feeding the Newborn
d) Prediction
e) Face Recognition

10. Siapakah grand master Catur yang dikalahkan dalam permainan oleh sistem I.B.M.?
a) Gary Kapov
b) Garry Kasper
c) Gary Kasparov
d) Gary Kerpov
e) Garry Karparov