Mengenal Machine Learning Part 1

Selamat  malam teman-teman, hari ini Tsukuba suhunga sangat dingin saat saya menulis artikel ini. Oke, kita akan mulai berkenalan dengan Machine Learning (ML). Tulisan ini akan membahas secara umum, insya Allah pada part selanjutnya akan saya coba jelaskan secara detail atau akan saya gunakan contoh pemecahan kasus. Sebelum itu, kita coba sama-sama lihat definisi dari machine learning.

Pengertian 

Machine learning sederhananya adalah algoritma komputer yang digunakan untuk pembelajaran secara alami seperti manusia dan hewan. Sehingga sederhananya ada sebuah algoritma yang akan kita running untuk mempelajari pola dari sebuah data. Tentu, definisi formal dapat anda baca di teks book atau halaman web yang memberikan definisi yang lebih mendalam. Disini saya menggunakan konteks yang paling sederhana.

Bidang Aplikasi

Machine learning lahir dari banyaknya data dan informasi yang diproduksi namun penggunaannya masih sangat minim. ML hadir untuk mempelajari data untuk pengambilan keputusan. Beberapa aplikasi di dunia nyata yang berkaitan dengan machine learning diantaranya adalah:

  1. Bidang keuangan, untuk skoring kemampuan nasabah dalam menerima kredit.
  2. Pengolahan citra untuk pengenalan wajah, deteksi gerak, dan deteksi obyek.
  3. Computational Biology seperti deteksi tumor, drug discovery, dan DNA sequencing.
  4. Produksi Energi untuk prediksi harga dan beban.
  5. Otomotif, aerospace and manufacturing
  6. Pertanian, untuk prediksi hasil, pemilihan sarana produksi, prediksi serangan hama dan penyakit dan lain-lain.

Tentu, bidang aplikasi dari ML ini cukup luas. Sehingga anda bisa memanfaatkannya untuk berbagai kepentingan.

Teknik Machine Learning

Cara kerja machine learning terdiri dari dua teknik yaitu supervised learning dan unsupervised learning. Supervised learning digunakan saat kita mengetahui hubungan input dan output. Sementara unsupervised learning digunakan saat data hanya terdiri dari data input tanpa ada data output.

1

Supervised Learning 

Tujuan dari teknik ML ini adalah untuk membangun sebuah model berdasarkan bukti dari data yang berhubungan antara input dan output. Sehingga model ini sebenarnya bertugas mencari pola yang sesuai untuk memprediksi output. Contoh sederhananya, kalau seorang anak belum tau nama-nama buah maka kita akan mengajari ini buah APEL, JERUK, atau nama buah lain dengan mempelihatkan kemudian memberinya pembelajaran. Nah, sebenarnya si anak mendapatkan signal melalui mata atau dari meraba dan pendengaran kemudian si otak akan melakukan pembelajaran dan memanfaatkan pattern (pola) yang kompleks dan dengan pemrosesan yang sangat cepat. Hasilnya, si anak setelah diajari dia jadi bisa mengenal buah dengan menunjukkan obyek yang kita ajarkan.

Nah terdapat dua teknik yang bisa digunakan yaitu regresi dan Klasifikasi.

  • Klasifikasi (Classification techniques), lebih kepada deteksi terhadap respon diskrit. Contoh aplikasinya deteksi email apakah ini spam atau bukan, deteksi penyakit apakah tumor atau bukan dan berbagai klasifikasi lainnya.
  • Regresi (Regression techniques), untuk memprediksi respon kontinue seperti perubahan temperatur atau fluktuasi dari kebutuhan energi.

Unsupervised Learning 

Teknik ini digunakan untuk menemukan pola tersembuni atau struktur intrinsik di dalam sebuah dataset. Ini digunakan untuk menggambarkan pola dari sebuah dataset yang tidak memiliki label respon output. Ya, sederhananya kita punya kumpulan data dan tidak tahu polanya seperti apa. Selain itu, tidak ada hubungan input dan output.

Clustering, adalah teknik yang umum digunakan pada unsupervised learning. Aplikasi dari clustering terdiri dari banyak kasus seperti analisis pasar, gen sequencing, analisis pasar dan pengenalan obyek. Gambar berikut adalah ilustrasi dari proses clustering. clustering

Memilih Algoritma Machine Learning 

Pertanyaan selanjutnya adalah algoritma apa saja yang bisa anda gunakan berkaitan dengan aplikasi Machile Learning (ML). Gambar berikut bisa memberikan ilustrasi jenis-jenis algoritma yang bisa anda gunakan.

algoritma

Demikian pengantar mengenai machine learning yang dapat saya tulis hari ini. Penjelasan mengenai cara kerja dan tutorial dari masing-masing bagian akan saya jelaskan kemudian.

Reference

  1. MatWorks. 2017. Introducing Machine Learning. www.mathworks.com

 

Supriyanto, M.Kom

  1. Dosen Divisi Teknik Bioinformatika 
    Program Studi Teknik Pertanian dan Biosistem (TPB)
    Departemen Teknik Mesin dan Biosistem 
    Fakultas Teknologi Pertanian 
    Institut Pertanian Bogor 
  2. PhD student, University of Tsukuba, Japan
  3. mail : debasupriyanto@apps.ipb.ac.id