Pendahuluan

Apa itu Machine Learning ?

Cara Kerja

Unsupervised Learning

 

Pengenalan Machine Learning

Pendahuluan

Halo Stupenss, apa kabar? Bagaimana perasaan kalian hari ini? Baik-baik saja kan? Nah, kali ini kita akan membahas topik yang sangat menarik yaitu "Pengenalan Machine Learning". Apa yang terlintas di benak kalian ketika mendengar kata "Machine Learning"? Apakah kalian membayangkan sebuah mesin yang bisa belajar seperti manusia? Nah, kira-kira seperti itulah gambaran sederhana dari apa yang akan kita bahas hari ini.

Machine Learning adalah cabang dari Artificial Intelligence (AI) yang memberikan kemampuan pada mesin untuk belajar dari data yang telah ada dan melakukan tugas-tugas tertentu tanpa harus secara eksplisit diprogram oleh manusia.

Lalu apa sih kegunaan Machine Learning di dunia nyata? Misalnya, kita bisa menggunakan Machine Learning untuk memprediksi harga saham, menganalisis data kesehatan, mengklasifikasikan email spam, atau bahkan membuat kendaraan otonom yang bisa mengemudi sendiri. Seru bukan?

Mari kita mulai mempelajari lebih dalam tentang Machine Learning dan bagaimana teknologi ini dapat membantu memecahkan berbagai masalah di berbagai bidang. Yuk, simak materi ini dengan seksama dan jangan ragu untuk bertanya jika ada yang belum dipahami!

Apa itu Machine Learning ?

Machine Learning adalah cabang dari Artificial Intelligence (AI) yang memberikan kemampuan pada mesin untuk belajar dari data yang telah ada dan melakukan tugas-tugas tertentu tanpa harus secara eksplisit diprogram oleh manusia. Dalam hal ini, mesin akan mempelajari pola dari data yang diberikan dan kemudian membuat keputusan atau melakukan prediksi berdasarkan pola tersebut.

 

 

 

 

 

Cara Kerja

Pada dasarnya cara kerja dari machine learning terdiri dari 3 langkah utama yaitu pengumpulan serta pengolahan dataset kemudian setelah dataset dikumpulkan dan diolah untuk menghilangkan missing value selanjutnya data yang sudah bersih siap untuk dilakukan training model, nah stupenss pada proses training ini merupakan proses utama dari machine learning, pada proses ini dataset digunakan untuk melatih mesin agar mesin menjadi pintar hehehe, setelah melakukan training model selanjutnya dilakukan deployment model untuk digunakan dalam menyelesaikan case tertentu.

Jika stupen perhatikan proses ini sama seperti kita belajar bukan? kita mulai mencari topik/materi yang kita gunakan untuk belajar, selanjutnya kita mulai pelajari materi yang sudah kita kumpulkan dan setelah kita paham kita dapat mengimplementasikannya. Untuk tahap lebih rinci stupenss dapat baca dan simak dibawah ini ya!

 

 

1.    Pengumpulan Data

Data harus dikumpulkan dan dipersiapkan sebelum dimasukkan ke dalam sistem Machine Learning. Data tersebut harus bersih, relevan, dan mencakup berbagai kasus yang mungkin terjadi.

2.    Pra-pemrosesan Data

Setelah data dikumpulkan, langkah selanjutnya adalah pra-pemrosesan data, di mana data akan diubah menjadi format yang dapat diolah oleh algoritma Machine Learning. Pra-pemrosesan data termasuk tahap seperti menghilangkan data yang hilang, menormalisasi data, dan memecah data menjadi set data latih dan set data uji.

3.    Pemilihan Algoritma

Setelah data diproses, langkah selanjutnya adalah memilih algoritma Machine Learning yang sesuai dengan jenis data dan masalah yang ingin diselesaikan. Beberapa contoh algoritma Machine Learning antara lain Decision Tree, Random Forest, Support Vector Machine (SVM), dan Neural Network.

4.    Pelatihan Model

Setelah algoritma dipilih, model Machine Learning harus dilatih menggunakan set data latih. Model akan mempelajari pola-pola dan aturan aturan dari data tersebut, sehingga model dapat melakukan prediksi pada data yang belum pernah dilihat sebelumnya.

5.    Validasi Model

Setelah model dilatih, validasi dilakukan untuk mengetahui seberapa baik model tersebut dalam melakukan prediksi. Validasi model dapat dilakukan dengan menggunakan set data uji yang tidak pernah digunakan dalam pelatihan.

6.    Penyetelan Hyperparameter

Setiap algoritma Machine Learning memiliki parameter yang dapat disesuaikan. Parameter-parameter tersebut disebut Hyperparameter. Hyperparameter harus disetel untuk meningkatkan performa model dan mengoptimalkan akurasi.

 

 

 

7.    Penggunaan Model

Setelah model dilatih dan di-validasi, model dapat digunakan untuk memprediksi data yang baru. Hasil prediksi dapat digunakan untuk membuat keputusan atau untuk memecahkan masalah tertentu.

8.    Evaluasi Model

Setelah model digunakan untuk memprediksi data, model harus dievaluasi kembali untuk menentukan seberapa baik model tersebut dalam melakukan prediksi pada data yang baru. Jika model tidak memenuhi kriteria keberhasilan yang ditetapkan, model harus dilatih ulang menggunakan data yang lebih baik atau parameter yang berbeda.

9.    Deployment

Setelah model selesai dibuat dan telah dievaluasi selanjutnya kita dapat lakukan deployment, sehingga model dapat digunakan.

10. Pemeliharaan Model

Model yang sudah dilatih dan divalidasi harus disimpan dan dipelihara dengan baik agar dapat digunakan kembali di masa depan. Pemeliharaan model meliputi peningkatan kinerja model dan pembaruan model sesuai dengan perubahan data dan lingkungan.

Tipe Machine Learning

Ada tiga tipe Machine Learning, yaitu Supervised Learning, Unsupervised Learning, dan Reinforcement Learning.

 

 

 

 

 

Supervised Learning

Supervised Learning merupakan salah satu teknik dalam Machine Learning yang digunakan untuk membuat model prediksi berdasarkan dataset yang sudah diberi label. Dataset yang diberi label berisi pasangan input dan output, yang disebut juga atribut dan label. Input biasanya berupa data yang berbeda seperti gambar, teks, atau angka, sedangkan output atau label adalah nilai target yang diinginkan untuk diprediksi oleh model.

Prose Supervised Learning

Dalam Supervised Learning, model Machine Learning belajar dari dataset yang sudah diberi label untuk membangun suatu fungsi yang dapat memetakan atribut input ke label output. Setelah model dilatih, maka dapat digunakan untuk.

Memprediksi label untuk data yang belum pernah dilihat sebelumnya. Supervised Learning banyak digunakan dalam aplikasi seperti klasifikasi gambar, teks, dan suara, prediksi harga saham, dan pengenalan wajah. Keuntungan dari Supervised Learning adalah bahwa kita tahu nilai target atau label yang ingin diprediksi, sehingga kita dapat mengevaluasi kinerja model secara objektif. Oleh karena itu, Supervised Learning menjadi salah satu teknik Machine Learning yang paling umum digunakan.

Jenis jenis dari Supervised Learning

1.    Regression: Digunakan untuk memprediksi nilai kontinu. Contoh aplikasi dari Regression adalah memprediksi harga rumah atau suhu udara berdasarkan waktu.

2.    Classification: Digunakan untuk memprediksi nilai diskrit atau kategori. Contoh aplikasi dari Classification adalah klasifikasi email sebagai spam atau bukan, atau klasifikasi gambar sebagai kucing atau anjing.

Unsupervised Learning

Unsupervised Learning adalah salah satu jenis pembelajaran mesin dimana algoritma pembelajaran mesin memproses dataset tanpa label atau kategori yang telah ditentukan sebelumnya. Dalam unsupervised learning, tujuan dari pembelajaran mesin adalah untuk menemukan pola atau struktur yang tersembunyi dalam dataset tersebut.

Secara umum, terdapat dua jenis tugas dalam unsupervised learning, yaitu clustering dan dimensionality reduction.

1.    Clustering: Clustering adalah tugas di mana algoritma pembelajaran mesin memisahkan dataset menjadi beberapa kelompok atau klaster berdasarkan kesamaan antar data. Dalam clustering, tidak ada label atau kategori yang diberikan sebelumnya, sehingga algoritma pembelajaran mesin harus menemukan pola yang tersembunyi dalam data untuk memisahkan data ke dalam kluster yang berbeda.

2.    Dimensionality reduction: Dimensionality reduction adalah tugas di mana algoritma pembelajaran mesin mengurangi dimensi dataset tanpa mengorbankan informasi yang penting. Dimensi yang dikurangi dapat berupa fitur atau atribut pada dataset. Dalam dimensionality reduction, algoritma pembelajaran mesin mencoba untuk menemukan dimensi yang paling penting dalam dataset sehingga dataset dapat diwakili dengan dimensi yang lebih rendah.

Dalam unsupervised learning, tidak ada jawaban yang benar atau salah karena tidak ada label yang diberikan sebelumnya. Oleh karena itu, evaluasi hasil dari unsupervised learning lebih subjektif dan tergantung pada penilaian ahli.

Reinforcement Learning

Reinforcement learning adalah tipe pembelajaran mesin di mana sebuah agen belajar untuk mengambil tindakan yang tepat dalam suatu lingkungan dengan tujuan untuk memaksimalkan hadiah atau penghargaan.

Kita dapat membayangkan agen sebagai seorang anak kecil yang belajar bermain di taman bermain. Setiap kali anak melakukan tindakan yang benar seperti melompati rintangan atau mengambil bola, ia akan mendapatkan poin atau hadiah. Namun, jika ia melakukan kesalahan, ia mungkin kehilangan poin atau mendapatkan hukuman. Anak tersebut belajar melalui pengalaman dan mencoba untuk memaksimalkan poin atau hadiah yang didapat.

Dalam Reinforcement Learning, agen berada dalam suatu lingkungan dan harus membuat keputusan tentang tindakan yang harus dilakukan untuk mencapai tujuan tertentu. Setiap tindakan yang dilakukan agen akan mempengaruhi keadaan lingkungan dan agen akan menerima reward atau hukuman berdasarkan hasil tindakannya. Tujuan dari agen adalah untuk memaksimalkan total reward yang diterima selama interaksi dengan lingkungan.

 

Secara lebih spesifik, Reinforcement Learning bekerja dengan cara sebagai berikut:

1.    Lingkungan

Terdapat suatu lingkungan atau dunia virtual di mana agen belajar untuk membuat keputusan. Lingkungan ini menyediakan keadaan, tindakan, dan nilai hadiah untuk agen.

2.    Agen

Entitas yang mempelajari cara membuat keputusan dalam lingkungan. Agen memiliki tujuan tertentu untuk mencapai dan harus memilih tindakan yang paling optimal untuk mencapai tujuan tersebut.

3.    State

Representasi dari keadaan lingkungan pada suatu waktu tertentu. State dapat berupa data atau informasi yang diberikan oleh lingkungan, seperti gambar atau nilai sensorik.

4.    Action

Tindakan yang diambil oleh agen untuk mempengaruhi keadaan lingkungan. Setiap tindakan yang dilakukan oleh agen akan memiliki dampak pada keadaan lingkungan.

5.    Reward

Nilai hadiah yang diberikan kepada agen berdasarkan hasil dari tindakan yang dilakukan. Tujuan dari agen adalah untuk memaksimalkan total reward yang diterima selama interaksi dengan lingkungan.

6.    Policy

Strategi atau aturan yang digunakan oleh agen untuk memilih tindakan yang optimal dalam setiap keadaan lingkungan. Policy terus diperbarui selama interaksi agen dengan lingkungan untuk meningkatkan performa agen.

Dalam Reinforcement Learning, agen akan terus berinteraksi dengan lingkungan dan mempelajari keadaan, tindakan, dan reward untuk meningkatkan performa dan mencapai tujuan yang diinginkan.

Tipe umum dari reinforcement learning adalah Q-learning, di mana agen belajar untuk memperkirakan nilai atau Q-value dari suatu tindakan di suatu keadaan. Q value merupakan nilai numerik yang merepresentasikan seberapa baik suatu tindakan dalam suatu keadaan. Dalam pembelajaran, agen menggunakan pengalaman untuk memperbarui Q-value-nya dan mengambil tindakan yang diharapkan akan memberikan hasil terbaik. Dalam praktiknya, reinforcement learning dapat digunakan dalam berbagai aplikasi, seperti pengendalian robot, game, dan pemilihan strategi dalam bisnis.

Quiz

1.    Apa yang dimaksud dengan Machine Learning?

2.    Apa saja tipe-tipe Machine Learning yang ada?

3.    Apa perbedaan antara supervised dan unsupervised learning?

4.    Apa itu reinforcement learning?

5.    Apa itu agent, state, reward, environment, dan action pada reinforcement learning?

Referensi

https://datalearns247.com/mengenal-machine-learning-12

https://www.dicoding.com/blog/machine-learning-adalah/

https://www.ibm.com/topics/machine-learning

https://medium.com/@ph.harmony1/konsep-dasar-dalam-machine-learning 8ceb22157ef2

https://towardsdatascience.com/machine-learning-an-introduction-23b84d51e6d0

Pengenalan Machine Learning 11