Machine Learning (ML) atau Pembelajaran Mesin adalah salah satu sub dari domain Artificial Intelligence

(AI) atau Kecerdasan Buatan yang lebih dulu ada. Artificial Intelligence (AI) adalah kemampuan sebuah
agen untuk meniru kecerdasan yang dimiliki oleh manusia. Ada 4 tipe kecerdasan buatan menurut
Mitchell:

Thinking Humanly, maksudnya adalah sebuah agen AI mampu mengekstraksi proses berpikir manusia
menjadi sebuah model yang dapat digunakan untuk mengambil keputusan.

Thinking Rationally, maksudnya adalah kemampuan agen AI untuk berpikir secara logis dan rasional
dalam mengambil keputusan dengan penalaran logika.

Acting Humanly, maksudnya adalah kemampuan agen AI untuk bertindak seolah-olah seperti manusia
pada umumnya.

Acting Rationally, maksudnya adalah kemampuan agen AI untuk bertindak secara logis dan rasional
dengan memanfaatkan penalaran logika.

Keempat tipe kecerdasan ini dibagi dalam dua bentuk output dan dua pemrosesan. Berdasarkan hasil
outputnya ada dua yaitu thinking dan acting. Perbedaannya adalah thinking hanya akan menghasilkan
model, sementara acting berujung pada keputusan agen untuk melakukan aksi tertentu. Berdasarkan
pemrosesan, terdapat dua yaitu humanly dan rationally. Terlihat jelas jika rasional maka keputusannya
harus logis mengikuti kaidah penalaran logika. Sementara, untuk humanly tidak perlu mengikuti kaidah
penalaran logika namun perlu memasukkan sifat-sifat manusia salah satunya seperti emosi dan aturan
psikologi manusia, dll.

Thinking Rationally pada contohnya adalah expert system yang mampu mendeteksi penyakit,
pendeteksian penyakit harus dilakukan secara penalaran yang logis agar penyakit yang terdeteksi sangat
strict terhadap toleransi kesalahan yang akan muncul jika dilakukan dengan cara humanly. Contoh
Acting Humanly adalah chatbot yang sering digunakan untuk curhat, seperti Mitsuku, Rina, dan Simsimi.
Bot tersebut menjawab pesan seolah-olah bertindak sebagai manusia sesungguhnya. Acting Rationally
contohnya adalah robot yang bekerja menggantikan posisi manusia sebagai pelayan, atau melakukan
suatu tugas yang terstruktur. Yang terakhir adalah Thinking Humanly yang salah satu contohnya adalah
Machine Learning yang akan dibahas.

Apa itu Machine Learning?

Sesuai dengan namanya Machine Learning adalah agen/sistem/mesin yang mampu menirukan proses
belajar manusia. Pada konsep belajar, manusia mempelajari data atau kejadian-kejadian yang kemudian
membentuk atau mengubah pengetahuan atau behavior menuju arah yang lebih baik. Pada konsep
belajar ini terdapat, 4 bagian yang perlu digarisbawahi, pertama adalah ada proses, ada data, ada
pengetahuan atau behavior, dan terakhir ada acuan untuk lebih baik.

Pada konsep Machine Learning, prosesnya adalah penggunaan Algoritma Pembelajaran, datanya adalah
dataset yang dijadikan masukan pada pembelajaran, pengetahuan yang didapat adalah model yang
dibentuk, dan acuan untuk lebih baik adalah perhitungan performa (performance measure) untuk
memastikan akurasi dari hasil pembelajaran.

Proses utama pada Machine Learning secara umum dimulai dari dataset yang menjadi masukan, lalu
diproses dengan algoritma pembelajaran, menghasilkan model pembelajaran yang kemudian akan
dihitung performanya dengan perhitungan performa akurasi.

Secara besar ada 4 jenis pembelajaran pada Machine Learning:

Supervised Learning

Unsupervised Learning

Semi-supervised Learning

Reinforcement Learning

Supervised Learning dilakukan dengan menggunakan dataset yang telah memiliki nilai keluaran yang
telah diharapkan. Misalkan kita ingin memprediksi harga rumah berdasarkan luas dan letak
geografisnya, maka kita butuh menyiapkan data harga rumah beserta luas dan letak geografisnya untuk
dijadikan dataset. Masalah umum yang sering diselesaikan dengan cara ini adalah Klasifikasi.

Unsupervised Learning dilakukan menggunakan dataset yang tidak memiliki label atau nilai keluaran
yang dihasilkan tidak dapat diketahui dari datasetnya. Contoh kita ingin mengelompokkan jenis-jenis
binatang dari bentuk tubuhnya, maka cara ini akan mengelompokkan binatang yang mirip secara bentuk
dalam satu kelompok. Masalah yang biasanya diselesaikan dengan cara ini adakah Clustering dan
Multilabelling. Clustering adalah pengelompokkan seperti contoh di atas, sementara Multilabeling
adalah memberikan satu atau lebih lebih pada dataset masukan.

Semisupervised Learning adalah penggabungan dari Supervised dan Unsupervised Learning, kita bisa
menggunakan Unsupervised Learning untuk melakukan Labeling atau Clustering dari data yang tidak
memiliki label. Kemudian data yang telah berlabel tersebut diproses dengan cara Supervised Learning
untuk menghasilkan model klasifikasi pada data baru.

Reinforcement Learning merupakan jenis pembelajaran yang paling kompleks dibandingkan ketiga jenis
pembelajaran lainnya karena di dalam Reinforcement Learning bisa saja menggunakan Supervised atau
Unsupervised Learning pada prosesnya. Reinforcement Learning menggunakan pembelajaran dengan
cara bertahap dimana pada setiap tahap bisa digunakan reward atau punishment untuk mengevaluasi
agen dan hasil dari evaluasi itu diakumulasi untuk menghasilkan model ke tahap selanjutnya dalam
menentukan langkah. Contoh dari Reinforcement Learning banyak terdapat pada permainan seperti
catur.

Komponen Pada Machine Learning

Pada bagian sebelumnya dijelaskan bahwa terdapat 4 bagian komponen penting pada Machine
Learning:
Dataset , terkait yang berhubungan dengan data terdapat satu bagian tersendiri yang disebut Data
Analytics. Setiap data memiliki karakteristik yang sangat mempengaruhi performa dari proses Machine
Learning. Selain itu data juga harus diseleksi dan diekstraksi agar tidak terlalu banyak memakan memori
serta lebih efektif dan efisien dalam melakukan pembelajaran.

Learning Algorithm, banyak sekali algoritma yang dapat digunakan dalam pembelajaran seperti Neural
Network, SVM, Naive Bayes, kVM, kNN, dan lain-lain. Setiap algoritma memiliki kelebihan dan
kekurangan, pemilihan algoritma yang digunakan bergantung pada data dan tujuan dari proses
pembelajaran yang dilakukan.

Model, bentuk model yang dihasilkan sangat bergantung pada parameter-parameter yang digunakan
pada algoritma pembelajaran. Setiap parameter bisa saja membuat proses pembelajaran menjadi
semakin jauh dari nilai optimum.

Performance Measure/Utility Function, perhitungan performa juga sangat bergantung pada tipe
pembelajaran yang dilakukan. Contohnya untuk klasifikasi biner sangat cocok untuk menggunakan AUC-
ROC.

Beda Machine Learning dan Deep Learning

Deep Learning merupakan bagian tersendiri dari Machine Learning, pada Deep Learning algoritma dasar
yang digunakan adalah Artificial Neural Network (ANN) dengan jumlah hidden layer adalah 2 atau lebih.
Deep Learning berkembang dengan sangat cepat karena sifat dari algoritma ini yang tidak mudah
terganggu oleh noise dari masukan berupa gambar dan video. Dalam banyak hal Deep Learning
digunakan, seperti:

Object Classification, adalah salah satu masalah untuk membedakan antara objek atau benda pada
sebuah gambar atau video. Contohnya adalah membedakan buah jeruk dengan apel pada gambar.

Object Detection, adalah mengenal sebuah objek atau benda pada gambar atau video. Contohnya
adalah gambar pada video CCTV yang memberikan highlight kotak pada objek manusia yang terdeteksi.

Face Recognition, adalah pengenalan wajah. Contohnya adalah face detector pada fitur facebook.

Semantic Segmentation, adalah pemisahan objek pada gambar pada struktur pikselnya. Contohnya
adalah gambar berikut:

https://miro.medium.com/max/1000/1*wbaUQkYzRhvmd7IjKJjjCg.gif

Tools yang paling sering digunakan dalam Deep Learning saat ini adalah Tensorflow.

Cukup demikian untuk bagian pertama, semoga penulis konsisten meneruskan hingga bagian-bagian
berikutnya dan sangat terbuka bagi yang ingin menuliskan komentar dan saran di bawah.