Secara definisi, machine learning atau pembelajaran mesin adalah ilmu atau studi yang mempelajari tentang algoritma dan model statistik yang digunakan oleh sistem komputer untuk melakukan task tertentu tanpa instruksi eksplisit.

Machine Learning adalah subset dari AI dimana mesin dilatih untuk belajar dari pengalaman masa lalu. Pengalaman masa lalu dikembangkan melalui data yang dikumpulkan, kemudian menggabungkan dengan algoritma. Machine Learning melibatkan proses structural, setiap tahap membangun versi mesin yang lebih baik.

Untuk penyederhanaan, proses Machine Learning dapat dibagi menjadi 3 bagian:

  1. Decision process— pada dasarnya, machine learning digunakan untuk membuat prediksi atau klasifikasi. Nah, dalam proses ini algoritma tersebut akan membuat perkiraan dan keputusan tentang pola suatu data.
  2. Error function— sistem ini berfungsi untuk mengevaluasi prediksi model data di langkah pertama. Jika ada contoh sebelumnya, error function dapat membuat perbandingan untuk menilai keakuratan model tersebut.
  3. Model optimization process— algoritma ini akan mengulangi proses evaluasi, pengoptimalan, dan memperbarui bobot secara mandiri sampai akurasi telah terpenuhi.

Jenis Algoritma Machine Learning yang dapat digunakan diantaranya :

  1. Model Supervised Learning / Predictive
    Model ini digunakan untuk memprediksi hasil masa depan berdasarkan data historis. Model prediktif biasanya diberi instruktsi yang jelas sejak awal seperti apa yang perlu dipelajari dan bagaimana itu perlu dipelajari. Algoritma pembelajaran ini disebut Supervised Learning. Sebagai contoh: Supervised Learning digunakan saat perusahaan pemasaran mencoba untuk mengetahui pelanggan mana yang cenderung berpindah atau mencari supplier lain. Algoritma ini juga dapat digunakan untuk memprediksi kemungkinan terjadinya bahaya seperti gempa bumi, tornaod dan lain-lain, dengan tujuan untuk mengetahui Total Nilai Asuransi. Beberapa contoh algoritma yang digunakan adalah: Nearest Neighbour, Naïve Bayes, Decision Tree, Regression, dan lain-lain.
  2. Model UnSupervised Learning/Descriptive
    Model ini digunakan untuk melatih tidak memiliki target yang ditetapkan dan tidak ada faktor yang penting dari yang lainnya. Sebagai contoh penggunaan model unspervised learning ini, bila seorang penjual pengecer ingin mengetahui kombinasi produk apa yang cenderung lebih sering dibeli konsumen. Di industri farmasi, digunakan untuk memprediksi penyakit mana yang mungkin terjadi bersamaan dengan diabetes. Contoh algoritma yang digunakan di model ini: K-Means Clustering Algorithm.
  3. Reinforcement Learning (RL)
    Model ini adalah contoh pembelajaran mesin dimana mesin dilatih untuk mengambil keputusan spesifik berdasarkan kebutuhan bisnis dengan tujuan utama untuk memaksimalkan efisiensi (kinerja). Ide dari Reinforcement learning ini adalah mesin/perangkat lunak melatih dirinya secara terus menerus berdasarkan lingkungan yang dipengaruhinya, dan menerapkan pengetahuan yang diperkaya unntuk memecahkan masalah bisnis. Proses belajar yang terus-menerus ini memastikan lebih sedikit keterlibatan manusia sehingga akan banyak menghemat waktu. Contoh algoritma yang digunakan dalam RL adalah Markov Decision Process.
    Untuk membedakan antara Supervised Learning dan Reinforcement Learning, dapat dicontohkan, sebuah mobil menggunakan Reinforcement learning untuk membuat keputusan rute mana yang harus ditempuh, kecepatan berapa yang harus dikemudikan, beberapa pertanyaan tersebut diputuskan setelah berinteraksi dengan lingkungan. Sedangkan memperkirakan ongkos taksi dari satu tempat ke tempat lain adalah Supervised Learning. Google dan Facebook adalah dua contoh perusahaan yang menggunakan Machine Learning secara ekstensif untuk mendorong iklan masing-masing ke pengguna yang relevan.

Dalam siklus hidup data science, machine learning sangat berperan dalam siklus process and analyze.

Sumber:

Image Sources: Google Images