Machine Learning (Pembelajaran Mesin) adalah bagian dari kecerdasan buatan (AI) yang berfokus pada menciptakan komputer yang mensimulasikan pemikiran manusia dengan menggunakan model data untuk mengenali pola dan membuat prediksi berdasarkan pola-pola tersebut. Semua sistem pembelajaran mesin adalah sistem AI, tetapi tidak semua sistem AI memiliki kemampuan pembelajaran mesin. Perusahaan dapat menerapkan pembelajaran mesin dalam berbagai kasus penggunaan, mulai dari mendeteksi kecurangan dan mengungkapkan anomali hingga meramalkan permintaan. Artikel ini menjelaskan bagaimana pembelajaran mesin bekerja, manfaat dan tantangan dalam menerapkannya, serta bagaimana organisasi dapat menggunakannya.
Cara Kerja Pembelajaran Mesin
Pembelajaran mesin adalah proses di mana sistem komputer belajar dan meningkat dari data tanpa intervensi dari seorang programmer manusia. Ini melibatkan penggunaan algoritma untuk menganalisis dan mengidentifikasi pola dalam data, memungkinkan sistem untuk membuat prediksi atau melakukan tindakan berdasarkan informasi yang dipelajari. Pembelajaran mesin dapat dibagi menjadi beberapa kategori yang berbeda.
Pemelajaran terarah (Supervised learning)
Pemelajaran terarah membutuhkan seorang programmer atau pengajar untuk memberikan contoh tentang input mana yang sesuai dengan output mana. Sebagai contoh, untuk menggunakan Pemelajaran terarah untuk mengajari komputer mengenali gambar kucing, Anda akan memberikannya kumpulan data gambar, beberapa dilabeli “kucing” dan beberapa dilabeli “bukan kucing.” Algoritma pembelajaran mesin akan membantu sistem belajar untuk menggeneralisasi konsep sehingga bisa mengidentifikasi kucing dalam gambar yang belum pernah ditemuinya sebelumnya.
Pembelajaran tanpa pengawasan (Unsupervised learning)
Pembelajaran tanpa pengawasan (Unsupervised learning) membutuhkan sistem untuk mengembangkan kesimpulan sendiri dari kumpulan data yang diberikan. Sebagai contoh, Anda bisa menggunakan pembelajaran tak terawasi untuk menemukan kelompok atau asosiasi dalam kumpulan data penjualan online yang besar untuk meningkatkan kampanye pemasaran Anda. Ini mungkin menunjukkan bahwa wanita yang lahir pada awal tahun 1980-an dengan pendapatan di atas $50.000 memiliki afinitas terhadap merek tertentu dari batang cokelat atau bahwa orang yang membeli merek tertentu dari minuman ringan juga membeli merek tertentu dari keripik.
Pembelajaran semi-terawasi (Semi-supervised learning)
Pembelajaran semi-terawasi adalah kombinasi dari pembelajaran terawasi dan tak terawasi. Kembali ke contoh kucing, bayangkan sejumlah besar gambar—beberapa dilabeli “kucing,” beberapa dilabeli “bukan kucing,” dan beberapa tidak dilabeli sama sekali. Sistem pembelajaran semi-terawasi akan menggunakan gambar yang dilabeli untuk membuat beberapa tebakan tentang gambar yang tidak dilabeli yang termasuk kucing. Tebakan terbaik kemudian akan dimasukkan kembali ke dalam sistem untuk membantu meningkatkan kemampuannya, dan siklus akan terus berlanjut.
Pembelajaran dengan penguatan (Reinforcement learning)
Pembelajaran dengan penguatan melibatkan sistem menerima umpan balik analog dengan hukuman dan imbalan. Contoh klasik dari pembelajaran dengan penguatan adalah penjudi yang duduk di depan baris mesin slot. Pada awalnya, penjudi tidak tahu mesin mana yang akan membayar atau seberapa baik, jadi dia mencoba semuanya. Seiring waktu dia menemukan bahwa beberapa mesin diatur “lebih longgar,” sehingga mereka dapat membayar lebih sering dan dalam jumlah yang lebih besar. Akhirnya penjudi—atau dalam hal ini, program komputer—akan meningkatkan pendapatannya dengan memainkan mesin yang lebih longgar lebih sering.
Menavigasi Pembelajaran Mesin dan Kasus Penggunaan
Dalam beberapa kasus, vendor perangkat lunak telah menggabungkan pembelajaran mesin ke dalam alat yang digunakan untuk tujuan tertentu. Dalam kasus lain, pengguna telah menyesuaikan aplikasi pembelajaran mesin umum untuk kebutuhan mereka. Berikut adalah beberapa kasus penggunaan perusahaan yang paling umum untuk teknologi ini.
Deteksi kecurangan
Bank dan penerbit kartu kredit adalah beberapa yang pertama kali menggunakan pembelajaran mesin, dan sering kali menerapkannya untuk mengidentifikasi transaksi yang mungkin curang. Jika penerbit kartu kredit menelepon pengguna untuk mengetahui apakah mereka baru-baru ini melakukan pembelian tertentu, perusahaan tersebut kemungkinan besar menggunakan pembelajaran mesin untuk menandai transaksi yang mencurigakan pada sebuah akun.
Pengawasan video
Pembelajaran mesin membuatnya memungkinkan sistem pengenalan wajah untuk terus meningkat. Dalam beberapa kasus, sistem ini dapat mengidentifikasi penjahat yang dikenal atau mengidentifikasi perilaku atau aktivitas yang di luar norma atau melanggar hukum.
Pemrosesan bahasa alami (Natural language processing – NLP)
Asisten pribadi seperti Siri, Cortana, atau Google Assistant dapat memahami permintaan suara dan menjawab pertanyaan—pembelajaran mesin memberi kekuatan pada alat-alat ini untuk meningkatkan kemampuan mereka dalam mengenali, memahami, dan memproses input verbal dari waktu ke waktu.
Keamanan TI
Banyak solusi keamanan TI paling canggih saat ini, seperti alat analisis perilaku pengguna dan entitas (UEBA), menggunakan algoritma pembelajaran mesin untuk mengidentifikasi serangan potensial. Dalam kasus UEBA, pembelajaran mesin menetapkan dasar perilaku “normal” yang digunakan untuk mendeteksi anomali, yang potensial memungkinkan organisasi untuk mengidentifikasi dan mengurangi ancaman zero-day.
Analisis streaming
Dalam dunia yang selalu aktif 24/7 saat ini, banyak data—seperti umpan media sosial dan transaksi penjualan online—diperbarui secara terus-menerus. Organisasi menggunakan pembelajaran mesin untuk menemukan wawasan atau mengidentifikasi masalah potensial secara real time.
Pemeliharaan prediktif
Internet of Things (IoT) menawarkan banyak kasus penggunaan pembelajaran mesin potensial, termasuk pemeliharaan prediktif. Perusahaan dapat menggunakan data peralatan historis untuk meramalkan kapan mesin kemungkinan akan rusak, memungkinkan mereka untuk melakukan perbaikan atau menginstal suku cadang pengganti secara proaktif sebelum itu berdampak negatif pada operasi bisnis atau pabrik.
Deteksi anomali
Dengan cara yang sama bahwa pembelajaran mesin dapat mengidentifikasi perilaku anormal dalam sistem TI, itu juga dapat mendeteksi anomali dalam produk manufaktur atau item makanan. Alih-alih mempekerjakan pemeriksa untuk memeriksa barang secara visual, pabrik dapat menggunakan sistem pembelajaran mesin yang telah dilatih untuk mengidentifikasi barang-barang yang tidak memenuhi standar atau spesifikasi.
Ramalan permintaan
Dalam banyak industri, mendapatkan jumlah produk yang tepat ke lokasi yang tepat adalah kunci kesuksesan bisnis. Sistem pembelajaran mesin dapat menggunakan data historis untuk meramalkan penjualan dengan lebih akurat dan cepat daripada manusia secara mandiri.
Manfaat Pembelajaran Mesin
Banyak dari kasus penggunaan yang dijelaskan di atas dapat ditangani oleh manusia atau perangkat lunak tanpa kemampuan pembelajaran mesin. Namun, teknologi pembelajaran mesin menawarkan beberapa manfaat dibandingkan dengan setiap alternatif ini. Beberapa yang paling berharga termasuk:
- Kecepatan: Manusia dapat membuat model, memasukkan data, dan menjalankan perhitungan yang diperlukan untuk analisis prediktif sendiri. Namun, manusia mungkin membutuhkan hari, minggu, atau bulan untuk menyelesaikan tugas yang alat pembelajaran mesin dapat selesaikan hanya dalam hitungan detik, menit, atau jam.
- Akurasi: Kecepatan itu memungkinkan sistem pembelajaran mesin untuk menganalisis volume data dan jumlah model yang lebih besar daripada yang bisa dilakukan manusia. Akibatnya, sistem AI jauh lebih baik daripada manusia dalam beberapa tugas, seperti analisis prediktif. Namun, dalam bidang lain, seperti pengenalan suara atau pengenalan gambar, sistem komputer masih belum mencapai tingkat akurasi yang sama dengan manusia.
- Efisiensi dan Penghematan Biaya: Perangkat lunak pembelajaran mesin tidak murah. Namun, seringkali jauh lebih terjangkau untuk menggunakan perangkat lunak untuk mengotomatiskan pekerjaan daripada mempekerjakan puluhan atau ratusan orang untuk menyelesaikan tugas yang sama.
Tantangan Pembelajaran Mesin
Meskipun pembelajaran mesin memiliki banyak potensi dan sudah menjadi hal yang umum, bidang ini menghadapi banyak tantangan—beberapa organisasi, dan beberapa teknologis.
- Integrasi Data: Di banyak organisasi, data berada dalam aplikasi dan solusi penyimpanan yang terpisah. Memberikan semua data yang terpisah itu ke dalam sistem pembelajaran mesin bisa menjadi tantangan, tetapi vendor sedang merespons dengan solusi yang dapat menerima berbagai jenis dan format data.
- Keamanan Data: Menyeimbangkan kebutuhan untuk membatasi akses terhadap data dengan kebutuhan untuk menggunakan data untuk memberi makan sistem pembelajaran mesin bisa sulit. Organisasi Anda mungkin perlu memperbarui kebijakan dan/atau menggunakan alat pembelajaran mesin yang mengenkripsi atau menganonimkan data.
- Persyaratan Infrastruktur: Sistem pembelajaran mesin canggih berjalan lebih baik pada perangkat keras dengan beberapa unit pemrosesan pusat (CPUs) dan unit pemrosesan grafis (GPUs) yang cepat. Selain itu, diperlukan banyak ruang penyimpanan dan kemampuan jaringan yang sesuai untuk memindahkan data dari penyimpanan ke aplikasi dan kembali lagi.
Kesimpulan: Pembelajaran Mesin (Machine Learning) adalah alat yang menyesuaikan dan mempelajari pola pengguna menggunakan AI, algoritma, dan statistik. Pembelajaran mesin dapat memberikan perusahaan dengan seperangkat tangan tambahan untuk analisis, otomatisasi, dan pengambilan keputusan berbasis inferensi. Pembelajaran mesin datang dengan tantangan, termasuk integrasi data, keamanan data, dan persyaratan infrastruktur, tetapi lingkup dan dampak potensial pembelajaran mesin sangat besar dan terus berkembang seiring dengan kemajuan teknologi.
Sumber Bacaan
Putra, J. W. G. (2019). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. Tokyo.
Computational Linguistics and Natural Language Processing Laboratory, 4, 1– 235. https://www.researchgate.net/publication/323700644
Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised dan Unsupervised Learning Menggunakan Python. 7(2), 156–165.