MACHINE LEARNING

APA ITU MACHINE LEARNING

• Machine learning adalah salah satu bagian dari artificial intelligence yang memungkinkan mesin
belajar dari data atau pengalaman masa lalu (data historis) sehingga tidak perlu diprogram
secara manual untuk melakukan seluruh pekerjaan.
• Dengan kemampuan belajar secara otomatis, sistem bisa secara bertahap terus belajar meningkatkan
akurasinya.
• Dalam konteks yang lebih sederhana, metode machine learning mirip dengan cara belajar manusia.
Misalnya, seorang anak kecil diajari membaca huruf. Jika diajarkan terus menerus, pola-pola huruf itu
akan melekat dan diingat oleh sang anak.
• Anak bisa mengenali huruf karena sudah memiliki pengetahuan dari pengalaman yang diajarkan
kepadanya.
• Hal yang membedakan pembelajaran manusia dan mesin adalah manusia belajar dari pengalaman masa
lalu, sementara machine learning belajar dari data. Itu sebabnya data menjadi objek penting dalam
membuat machine learning. Tanpa data, machine tidak mendapatkan pengetahuan apa pun yang
bisa dipelajari.
KELEBIHAN MACHINE LEARNING

• Otomatisasi
• Terus melakukan perbaikan
• Jangkauan aplikasi sangat luas
• Meningkatkan kualitas di berbagai bidang
• Mengidentifikasi pola dan tren dengan mudah
• Menghemat waktu dan energi
KEKURANGAN MACHINE LEARNING

• Memerlukan biaya dan sumber daya besar

• Peluang kesalahan tinggi
• Kualitas output data yang sangat tergantung input
• Spesialisasi untuk setiap project
• Perlu waktu lama untuk memproses data besar
PROSES MACHINE LEARNING UNTUK
PREDIKSI
Machine Learning vs Deep Learning melalui beberapa poin di bawah ini:
1. Definisi
• Machine Learning merupakan mesin yang diprogram untuk belajar dan membuat prediksi secara otomatis
berdasarkan data yang telah ditetapkan sebelumnya seperti apa.
• Sedangkan Deep Learning adalah bagian dari Machine Learning yang mampu memproses Big Data dari
awal sampai akhir dengan tingkat akurasi yang sangat tinggi melalui berbagai macam variabel kompleks.
2. Eksekusi Data
• Machine Learning dapat mengeksekusi data terstruktur walau dalam jumlah yang tidak terlalu besar
dalam hitungan menit atau jam.
• Sedangkan Deep Learning membutuhkan data dalam jumlah yang besar untuk dieksekusi pada banyak
jaringan, dan membutuhkan waktu hingga berminggu-minggu.
• Bagaimana cara data disajikan ini merupakan perbedaan utama antara machine learning dan deep
learning.
3. Penyelesaian Masalah
• Machine Learning akan membagi persoalan terlebih dahulu menjadi beberapa
bagian, kemudian nantinya akan disatukan untuk membuat sebuah keputusan atau
prediksi.
• Sedangkan Deep Learning mampu memecahkan masalah dari awal sampai akhir
karena data yang diproses begitu besar.
4. Penggunaan
• Pada praktiknya, Machine Learning mampu mengidentifikasi input-an serta
membuat model secara manual sesuai data yang yang telah ditetapkan.
• Sedangkan Deep Learning, algoritmanya akan bertugas untuk mempelajari semua
fitur datanya sendiri dari awal sampai akhir.
CONTOH MACHINE LEARNING
• Speech recognition

Algoritma machine learning dimanfaatkan dalam fitur pengenalan suara, seperti Google Assistant, Siri, dan Cortana.
Fitur tersebut memungkinkan pengguna melakukan instruksi kepada perangkat melalui suara. Mesin akan mengenali
suara pemilik perangkat lalu menampilkan hasil permintaan.

• Rekomendasi produk di iklan media sosial

Website memanfaatkan machine learning untuk melacak perilaku pengguna berdasarkan pola pencarian, isi keranjang
belanja, dan riwayat pembelian. Setelah itu, mesin bekerja dengan cara membuat rekomendasi produk dari data yang
telah dihimpun.

• Google Translate

Salah satu aplikasi populer yang menggunakan machine learning dan sering dibutuhkan banyak orang adalah Google
Translate. Aplikasi ini bisa menerjemahkan satu bahasa ke bahasa lain. Google Translate memudahkan seseorang
memahami informasi berbahasa asing.
DI MANA SAJA PENERAPAN MACHINE
LEARNING?
Kesehatan
• Machine learning memainkan peran kunci dalam berbagai inovasi di bidang kesehatan. Teknologi ini
memudahkan tim kesehatan dalam menemukan pola dan informasi yang sulit ditemukan secara
manual. Beberapa pemanfaatannya antara lain:
• Menampilkan saran obat yang tepat sesuai keluhan dan diagnosis dokter.
• Memprediksi penyakit sesuai keluhan pasien.
• Menemukan dan mengembangkan obat baru.
• Mencatat dan mengorganisasi data pasien.
• Digunakan untuk medical imaging, seperti CT-scan.
Perbankan
• Machine learning membantu dunia perbankan memproses dan menganalisis data besar untuk
kemudian mendapatkan pemahaman mendalam tentang konsumen dan proses internal. Beberapa
kegiatan perbankan yang mengandalkan machine learning di antaranya:
• Mendeteksi penipuan.
• Mengotomatisasi audit.
• Memudahkan kredit dan meminimalkan risiko.
Transportasi
• Machine learning memiliki andil besar dalam perkembangan dunia transportasi. Salah satu
pengaplikasiannya yang banyak menarik perhatian adalah self-driving cars. Hanya dengan
memberikan perintah tertentu, mobil bisa berjalan sendiri. Canggihnya, self-driving cars bisa
mendeteksi objek-objek di sepanjang jalan sehingga tidak akan menabrak.
METODE UTAMA
SUPERVISED LEARNING
• Supervised learning sering digunakan dalam membuat model machine learning untuk
dua jenis masalah:
• Regresi - ketika variabel output-nya berupa nilai numerik, seperti rupiah atau
berat.
• Klasifikasi - menentukan kelas di setiap variabel yang di-input, seperti hitam atau
putih, apel atau anggur, kucing atau kelinci.
CONTOH SUPERVISED LEARNING

• Mendeteksi spam di e-mail – dengan menggunakan algoritma klasifikasi data, perusahaan bisa
melatih database untuk mengenali pola atau jika ada keanehan dalam data baru. Dengan begitu,
aplikasi e-mail secara otomatis akan mendeteksi e-mail yang termasuk spam dan bukan.

• Predictive analytics – model supervised learning banyak dimanfaatkan dalam menciptakan sistem
analisis prediktif guna memberikan wawasan mendalam tentang data bisnis. Hal ini memungkinkan
perusahaan mengantisipasi hasil dan mengambil keputusan bisnis dengan tepat.

• Analisis sentimen pelanggan – dengan menggunakan supervised learning, perusahaan dapat memilih
dan mengklasifikasikan informasi penting yang ada di big data, seperti perilaku, emosi, dan
minat customer. Ini bisa berguna untuk mendapatkan pemahaman yang lebih baik tentang pelanggan
sekaligus meningkatkan strategi brand awareness.
UNSUPERVISED LEARNING
Hubungan Clustering dan Unsupervised Learning

• Unsupervised learning adalah teknik pembelajaran mesin di mana model diajarkan untuk mengidentifikasi pola
dalam dataset tanpa adanya label atau panduan sebelumnya. Dalam konteks pekerjaan seorang data analyst, teknik
ini seperti mencoba memahami pola di dalam data tanpa pengetahuan sebelumnya tentang hasil yang diharapkan.

• Clustering adalah salah satu teknik dalam unsupervised learning. Tujuan utama dari clustering yaitu
mengelompokkan atau "mengklaster" data yang serupa berdasarkan fitur atau karakteristik tertentu. Sebagai
contoh, analyst mungkin perlu mengelompokkan berbagai jenis kesalahan berdasarkan karakteristik mereka untuk
memahami jenis masalah yang paling sering muncul dalam aplikasi yang sedang dikerjakan.

• Karenanya, ada hubungan langsung antara unsupervised learning dan clustering. Unsupervised
learning menyediakan kerangka kerja di mana clustering dan teknik lainnya bisa diterapkan untuk mengekstrak
informasi berharga dari data. Clustering merupakan salah satu pendekatan yang dalam unsupervised learning.
Artinya, saat melakukan clustering, sebenarnya analyst juga sedang menerapkan unsupervised learning.

• Unsupervised learning dan clustering menjadi alat untuk membantu mengidentifikasi masalah lebih cepat sekaligus
memahami pola dan tren yang bisa membantu merancang solusi terbaik bagi perusahaan.
Contoh Penerapan Unsupervised Learning
• Pengelompokan Pelanggan (customer segmentation)
• Unsupervised learning sering dipakai dalam pemasaran untuk pengelompokan pelanggan.
Menggunakan algoritma seperti K-means, perusahaan dapat mengelompokkan pelanggan berdasarkan
karakteristik tertentu, termasuk perilaku pembelian atau preferensi produk.
• Pengelompokan ini memungkinkan perusahaan menargetkan iklan atau promosi dengan lebih efektif.
• Pendeteksian anomali
Dalam sektor seperti perbankan dan keuangan, unsupervised learning bisa dimanfaatkan untuk mendeteksi
aktivitas tidak biasa yang berpotensi menandakan penipuan. Algoritma ini menganalisis data transaksi dan
mencari pola yang berbeda dari ritme biasanya, seperti transaksi besar secara tiba-tiba.

• Rekomendasi sistem
Layanan streaming, seperti Netflix dan Spotify menggunakan unsupervised learning untuk memahami
preferensi pengguna dan memberikan rekomendasi yang tepat. Sistem ini menganalisis pola dalam data
perilaku pengguna dan mencoba untuk meramalkan apa yang mungkin mereka sukai berdasarkan pola
tersebut.
REINFORCEMENT LEARNING

• Reinforcement learning adalah metode yang diterapkan pada sebuah machine learning supaya
dapat menentukan aksi yang tepat. Pada akhirnya, sebuah program atau aplikasi pun dapat bekerja
secara otomatis dan memberikan hasil yang benar. Jika belum paham, simak analogi di bawah ini.

• Cara kerja reinforcement learning berbeda dari supervised learning yang memiliki jawaban pasti.
Pada metode ini, mesin akan didesain untuk melaksanakan perintah berdasarkan situasi yang
dihadapinya. Karena tidak ada jawaban yang pasti benar, mesin akan belajar dari pengalaman-
pengalaman sebelumnya untuk menghindari kesalahan dan mendapat punishment atasnya.
CONTOH PENERAPAN REINFORCEMENT
LEARNING
Sebagai bagian dari sebuah machine learning, reinforcement learning tentu terdapat dalam banyak sistem
di berbagai bidang, mulai dari robot hingga keuangan. Reinforcement learning merupakan bagian
dari deep learning yang dapat melatih mesin untuk melakukan tindakan otomatis.

• Misalnya, sebuah robot dilatih untuk dapat memindahkan barang dari kotak satu ke kotak lainnya. Ini
tentu terlihat sepele bagi manusia. Akan tetapi, robot tentu memiliki pemrograman yang cukup rumit
untuk dapat menyamai pemahaman manusia. Dengan metode ini, robot tersebut dilatih untuk
memahami perintah dan melaksanakannya dengan baik.

• Di tempat lain, reinforcement learning juga dapat dipakai dalam sistem keuangan sebuah perusahaan.
Salah satu pemanfaatannya adalah dapat memberikan rekomendasi kepada pelanggan berdasarkan
preferensinya. Selain itu, ini juga dapat digunakan untuk menawar iklan berbayar tanpa melibatkan
negosiasi berlebihan.
Terima kasih