Machine
Learning (ML) merupakan salah satu bidang dalam kecerdasan buatan (Artificial
Intelligence) disingkat AI, yang memungkinkan komputer mempelajari pola dari data untuk
menghasilkan prediksi atau membantu pengambilan keputusan. Penerapannya dapat
ditemukan pada berbagai layanan digital, seperti filter email spam, dan
pengenalan objek pada gambar.
Dalam pengembangannya, ML melibatkan beberapa tahapan,
mulai dari menyiapkan data, memilih algoritma, melatih model, hingga
mengevaluasi hasilnya. Setiap tahapan memiliki peran penting karena kualitas
model tidak hanya ditentukan oleh algoritma yang digunakan, tetapi juga oleh
karakteristik data dan proses pengembangannya.
Dalam
pemrograman berbasis aturan, kita menulis ketentuan yang harus diikuti program.
Misalnya, sebuah aplikasi memberi tanda pada pesan yang mengandung frasa
tertentu. Pendekatan ini mudah dipahami, tetapi aturan yang ditulis satu per
satu dapat sulit dipelihara ketika variasi pesan semakin banyak.
Pada
ML, program tidak harus menerima daftar aturan untuk setiap
kemungkinan. Algoritma menggunakan contoh data guna mempelajari pola yang
membantu menghasilkan prediksi. Menurut Mitchell (1997) menjelaskan pembelajaran mesin
dengan menekankan pengalaman, tugas, dan ukuran kinerja. Definisi itu
mengingatkan bahwa “belajar” perlu dinilai dari perubahan kemampuan sistem
menjalankan tugas, bukan sekadar dari banyaknya data yang dibaca.
Penggunaan ML sehari-hari
Penyaring
spam merupakan contoh yang cukup mudah. Layanan email berusaha memperkirakan
apakah pesan baru termasuk spam berdasarkan informasi yang tersedia. Kesalahan
tetap mungkin terjadi: pesan biasa bisa salah masuk folder spam, atau
sebaliknya.
Pada
layanan video dan musik, sistem rekomendasi membantu memilih konten yang
relevan berdasarkan sejumlah sinyal, seperti riwayat interaksi. Rekomendasi
tersebut bukan kepastian bahwa seseorang akan menyukai konten yang disarankan.
Pengenalan
objek pada foto merupakan contoh lain. Sebuah model dapat dilatih menggunakan
contoh gambar yang diberi kategori. Ketika menerima gambar baru, model
menghasilkan prediksi kategori. Jika kualitas gambar berubah atau contoh
pelatihannya kurang mewakili kondisi sebenarnya, hasil prediksi juga dapat
berubah.
Lalu bagaimana
model dibuat?
Prosesnya tidak selalu sama untuk setiap kasus, tetapi ada rangkaian kegiatan yang umum: memahami tujuan, mengumpulkan dan memeriksa data, melatih model, menguji hasil, lalu menggunakannya dengan tetap memantau kesalahan. Dalam praktik, tahapan-tahapan tersebut sering harus diulang setelah ditemukan masalah pada data atau hasil pengujian.
Machine
Learning dan Artificial Intelligence
Artificial
Intelligence (AI) merupakan bidang yang lebih luas. Machine Learning adalah
salah satu pendekatan yang digunakan di dalamnya. Karena itu, tidak semua
sistem yang disebut AI dibangun dengan pembelajaran mesin; sebaliknya, tidak
semua pemanfaatan Machine Learning harus tampil sebagai aplikasi percakapan
atau sistem yang menyerupai manusia.
Bagi
yang baru mulai belajar, hal terpenting bukan menghafal banyak nama algoritma.
Cobalah memahami dulu tugas yang ingin diselesaikan, data yang tersedia, dan
bagaimana mengetahui bahwa prediksi model layak digunakan.
Rujukan
James, G.,
Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to
Statistical Learning. In Springer Texts in Statistics. Springer US.
https://doi.org/10.1007/978-1-0716-1418-1
Mitchell,
T. M. (1997). Machine Learning. McGraw-Hill.
Google for Developers. (n.d.). Machine Learning Crash Course. https://developers.google.com/machine-learning/crash-course
