Reportasee.com – Berkembangnya teknologi kecerdasan buatan atau artificial intelligence (AI) dengan pesat, membuat banyak orang yang tidak tahu bahwa teknologi tersebut terdiri dari beberapa cabang. Salah satu cabang dari AI tersebut adalah teknologi machine learning.
Teknologi machine learning (ML) merupakan salah satu cabang AI yang cukup menarik perhatian. Hal tersebut karena machine learning mampu belajar sendiri layaknya manusia.
7 Cabang Kecerdasan Buatan
Secara garis besar, dalam pengaplikasinya kecerdasan buatan terbagi menjadi 7 cabang. Yaitu, machine learning, expert system, natural language processing, speech, vision, planning dan robotics. Percabangan tersebut bertujuan untuk mempersempit cakupan saat pengembangan atau untuk memulai belajar AI. Karena, pada dasarnya ruang lingkup AI sangatlah luas.
Pengertian Machine Learning
Teknologi machine learning merupakan mesin yang mampu mempelajari data dan melakukan beberapa tugas tertentu sesuai yang dia pelajari. Mesin ini akan belajar sendiri tanpa arahan dari penggunanya.
Machine learning dikembangkan berdasarkan ilmu-ilmu seperti matematika, statistika dan data mining. Dari hal tersebut mesin akan belajar dan menganalisa tanpa perlu perintah atau di program ulang.
ML juga mempunyai kemapuan untuk mengumpulkan dan menganalisa data yang dia peroleh sendiri. Dengan mempelajari data yang dia peroleh, dia dapat menyelesaikan tugas-tugas tertentu. Tugas yang dia kerjakan juga sangat beragam tergantung apa yang dia pelajari.
Istilah machine learning ditemukan pertama kali pada tahun 1920-an oleh beberapa ilmuwan matematika seperti Thomas Bayes, Adrien Marie Legendre dan Andre Markov. Saat itu, ML banyak yang mengembangkan. Salah satu contoh penerapan ML yang cukup populer adalah deep blue dari IBM pada tahun 1996.
Teknik Belajar Machine Learning
Secara luas, ada dua teknik dasar belajar ML, yaitu Supervised learning dan Unsupervised Learning. Berikut pembahasanya.
Supervised Learning
Teknik ini bisa kamu terapkan pada machine learning yang dapat menerima informasi yang sudah tersedia pada data dan label tertentu. Dengan teknik ini dapat memberikan target terhadap output dengan membandingkan pembelajaran di masa lampau.
Contohnya, ketika kamu mempunyai koleksi film dan kamu sudah memberikan label dengan kategori tertentu. Kamu juga mempunyai film dengan genre komedi yang meliputi film jumaji dan 21 Jump Street. Selain itu, kamu juga memiliki kategori horror seperti fil IT dan The Conjuring.
Ketika kamu membeli film baru, maka kamu akan mengidentifikasi genre film tersebut. Setelah kamu mengetahuinya, maka kamu akan menyimpanya pada kategori yang sesuai.
Unsupervised Learning
Teknik ini dapat kamu terapkan ketika data tidak memiliki informasi apapun yang dapat kamu terapkan secara langsung. Dengan teknik ini dapat membantu untuk menemukan suatu struktur atau pola tersembunyi pada data yang tidak memiliki label.
Berbeda dengan supervised learning, kamu tidak mempunyai data apapu yang menjadi acuan sebelumnya. Contohnya, ketika kamu belum pernah sekalipun membeli film. Namun, pada suatu waktu kamu membeli banyak film dan ingin membaginya kedalam beberapa kategori agar mudah menemukanya.
Tentunya, kamu akan mengidentifikasi film-film yang mempunyai kemiripan. Contohnya ketika kamu mengidentifikasinya dalam genre. Ketika kamu mempunyai film IT, maka kamu akan menyimpanya di kategori film horror.
Cara Kerja Machine Learning
Sebenarnya, machine learning dapat bekerja sesuai dengan teknik atau metode pembelajaran yang kamu terapkan. Namun, pada prinsipnya cara belajarnya masih sama yang meliputi eksplorasi data, pengumpulan data, pemilihan model atau teknik, hingga memberikan pelatihan terhadap model yang dipilih. Berikut merupakan contoh cara kerja dari penerapan machine learning.
AlphaGo merupakan machine learning besutan Google. Saat itu, AlphaGo dikembangkan dan dilatih dengan memberikan 100 ribu data untuk dia pelajari. Setelah itu, AlphaGo mempelajari 100 ribu data tersebut, dan AlphaGo mempunyai bekal dan pengetahuan dalam strategi bermain game Go.
Dia akan belajar Go dengan dirinya sendiri, dan ketika kalah dia akan mengevaluasi dan memperbaiki cara bermainya dan proses ini akan di ulang sampai jutaan kali.
Perbaikan tersebut akan dia perbaiki ketika melawan dirinya sendiri atau ketika bermain dengan orang lain. AlphaGo juga dapat melakukan simulasi pada satu waktu secara bersamaan. Sehingga, dalam satu waktu tersebut dia mampu bermain game Go secara bersamaan. Hal tersebut, menjadikan dia belajar lebih banyak jika dibandingkan dengan manusia.
Semua itu terbukti ketika dia melawan juara dunia GO pada tahun 2016, dan AlphaGo keluar menjadi pemenangnya.
Dari penerapan machine learning tersebut, kita dapat memahami bahwa ML akan terus belajar selama dia bekerja. Contoh lainya, sama seperti fitur untuk mendeteksi wajah pada facebook. Dia akan belajar untuk mengenali pola wajah kamu berdasarkan tanda yang kamu masukan ketika menandai foto.
Jika sering digunakan, maka akurasinya akan semakin membaik daripada ketika awal-awal penggunaan. Hal itu karena machine learnig telah belajar seiring waktu seperti fitur deteksi wajah dari facebook. Semakin banyak yang menggunakan fitur tersebut untuk menandai foto, maka tingkat akurasi untuk pendeteksianya juga akan semakin baik.
