MACHINE LEARNING

  Machine Learning atau biasa disingkat dengan ML ialah kecerdasan buatan (Artificial Intelligence) yang mempelajari bagaimana cara mengembangkan suatu sistem, membuat data, dan membuat algoritma-algoritma yang bisa melakukan tugas – tugas nya dengan sendiri tanpa ada arahan dari pengguna nya dan memungkinkan programmer bisa belajar. Tidak hanya individu yang belajar meningkatkan kecerdasan nya tetapi mesin juga membutuhkan hal tersebut untuk meningkatkan kecerdasan nya dan memiliki kemampuan yang cerdas dan  tidak di miliki oleh mesin lain nya.

1.                  KONSEP UTAMA MACHINE LEARNING

            Konsep ini mampu meningkatkan kecerdasan yang meliputi kemampuan dari suatu individu untuk belajar tanpa terkecuali pada sebuah mesin. Produktivitas manusia akan meningkat jika suatu mesin mampu untuk belajar. Dan mesin tersebut akan berbeda dengan mesin lain nya, karena ia mempunyai kemampuan yang tidak di miliki oleh mesin lainnya.

·         Manfaat pembelajaran mesin dalam memprediksi

Jika Anda hanya mengenal wajah teman Anda dalam gambar, berarti Anda tidak memakai modelpembelajaran mesin. Inti pembelajaran mesin adalah meramalkan hal-hal berdasarkan pola dan faktor lain yang telah dilatih. Apa yang menjadikan sesuatu itu jadi lebih mudah untuk di kuasai. Pengenalan dilakukan dengan cara yang simple tanpa menghabiskan banyak waktu.

·         Pembelajaran mesin membutuhkan pelatihan

Anda harus memberi tahu model pembelajaran mesin apa yang akan diprediksikannya. Pikirkan bagaimana anak manusia belajar. Ini adalah penyederhanaan yang berlebihan sedikit karena saya meninggalkan bagian dimana Anda juga harus mengatakannya bahwa itu bukan pisang dan tunjukkan berbagai jenis pisang, warna yang berbeda, gambar dari perspektif dan sudut yang berbeda, dll.

·         Ketepatan 80% dianggap sukses

Teknologi ini tidak mengetahui dimana platform pembelajaran mesi akan mencapai akurasi 100% dengan mengidentifikasi pisang dalam gambar. Tapi tidak apa-apa, ternyata manusia juga tidak 100% akurat. Aturan yang dikatakan dalam indutri ini adalah bahwa model dengan akurasi 80% adalah sebuah kesuksesan. Jika Anda memikirkan betapa bergunanya untuk mengidentifikasi 800.000 gambar dengan benar di koleksi Anda, sementara MUNGKIN TIDAK mendapatkan 200.000 yang benar, Anda masih menyimpan 80% dari waktu Anda. Itu merupakan perspektif nilai yang sangat besar. Jika saya bisa melambaikan tongkat sihir dan meningkatkan produktivitas Anda sebanyak itu, Anda akan memberi saya banyak uang. Nah, ternyata saya bisa melakukannya dengan mesin pembelajaran.

·         Pembelajaran mesin berbeda dengan AI

Kebanyakan orang mengatakan hal ini sama dan sangat sederhana. Namun, kenyataan yang di dapat dari para ahli, ini memiliki perbedaan. Perbedaannya sebagai berikut:

AI – Artificial Intelligence : Yang berarti komputer lebih baik dari manusia untuk melakukan tugas tertentu. Seperti robot yang bisa membuat keputusan berdasarkan banyaknya masukan, tidak seperti Terminator atau C3PO. Sebenarnya istilah yang sangat luas itu tidak terlalu berguna.
ML – Mesin belajar adalah metode untuk mencapai AI. Ini berarti membuat prediksi tentang sesuatu berdasarkan pelatihan dari kumpulan data parsing. Ada banyak cara yang berbeda di platform ML yang dapat menerapkan perangkat pelatihan untuk memprediksi sesuatu.

Memberikan struktur yang jelas terhadap AI

Sebagian besar model Machine learning bergantung pada manusia untuk melakukan apa yang akan dikerjakan mesin pembelajaran. Inilah yang membuat anda selalu bergantung dengan teknologi tersebut, karena sesuatu yang ingin anda kerjakan. Dan bahkan saat Anda memberikan instruksi yang jelas, biasanya itu masih saja salah. Anda harus begitu eksplisit dengan sistem ini sehingga kesempatan itu tiba-tiba menjadi lebih mudah.

Bahkan halaman web sederhana yang menunjukkan sebuah kotak dengan sebuah kata di dalamnya mengharuskan Anda untuk memberi tahu persis di mana kotak itu muncul, seperti apa bentuknya, warna apa itu, bagaimana cara bekerja pada peramban yang berbeda, bagaimana ditampilkan dengan benar pada perangkat yang berbeda. dll.

Ada banyak cara menghalangi jaringan syaraf yang sangat dalam untuk mengambil alih dunia dan mengubah kita agar terlihat lebih kuat, terutama karena semua yang akan kita lakukan tidak segampang dan semudah yang kita pikirkand.

2.                  MANFAAT MACHINE LEARNING

Perkembangan teknologi semakin hari semakin cepat. Machine learning merupakan salah satu bidang ilmu pengetahuan yang berperan besar di dalamnya. Secara tidak sadar, hampir semua orang menggunakan produk yang dihasilkan oleh penerapan machine learning. Berikut 10 manfaat dan contoh penerapan machine learning dalam kehidupan sehari-hari.

1.        Hasil Pencarian Search Engine

       Google dan mesin pencari lainnya seperti Bing dan Yandex sudah dari dulu menerapkan machine learning untuk melakukan perangkingan laman suatu website. Setiap mesin pencari mempunyai resep tersendiri pada algoritma pencarian yang digunakan. Dalam praktiknya ketika kita mengetik kata kunci, Google akan menampilkan hasil pencarian yang paling mendekati kata kunci tersebut. Apabila kita memilih suatu halaman dan menghabiskan banyak waktu pada halaman tersebut, Google akan mendeteksi bahwa halaman tersebut sesuai dengan kata kunci yang kita masukkan. Begitu pula, saat kita melihat halaman pencarian berikutnya misalnya halaman 2, 3, dan seterusnya. Google akan mendeteksi adanya ketidaksesuaian kata kunci dengan hasil pencarian yang dihasilkan. Begitulah data tersebut terkumpul dan dianalisis menggunakan machine learning oleh Google Search Engine, untuk menghasilkan hasil pencarian yang dinamis dan berkualitas.

2.        Rekomendasi Produk Marketplace

       Perkembangan teknologi menyebabkan penggunaan marketplace semakin diminati baik dari sisi penjual dan pembeli. Hampir semua orang menggunakan marketplace, misalnya Tokopedia, Bukalapak, dan Shopee. Tiap detik bisa dipastikan terjadi transaksi antar pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun perlu menampilkan rekomendasi produk yang sesuai dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan real time, tentunya machine learning sangat menentukan keakuratan rekomendasi produk tiap pembeli di akunnya.

3.        Pengalaman Pengguna Sosial Media

       Tidak bisa dipungkiri, walaupun tidak dapat mengalahkan mesin pencari sebagai situs terpopuler. Sosial media merupakan situs yang paling lama diakses oleh penggunanya berdasarkan data Alexa. Sosial media seperti Facebook dan Twitter menggunakan machine learning sehingga penggunanya betah untuk terus melihat layar gadget. Berikut beberapa peningkatan pengalaman pengguna yang merupakan aplikasi dari machine learning.

·         Orang yang Mungkin Anda kenal

Facebook mengumpulkan informasi pengguna, baik dari informasi umum seperti tempat tinggal, alamat sekolah, alamat kerja, dan kesukaan hingga log aktivitas seperti data percakapan, posting, dan profil yang sering dilihat (stalking). Sehingga bisa dilakukan prediksi teman yang mungkin sama di dunia nyata.

·         Pengenalan Wajah

Facebook dapat mengetahui bahwa suatu gambar yang diunggah memuat wajah orang-orang. Sehingga pengguna dapat memberikan tag wajah pada area wajah di gambar. Seiring berjalannya waktu dengan banyaknya foto yang diunggah, facebook akan mengenali wajah-wajah penggunanya. Ini memungkinkan facebook melakukan tag secara otomatis wajah orang-orang pada gambar baru yang diunggah.

·         Pos pada Beranda

Facebook akan mengumpulkan aktivitas tiap penggunanya, orang yang sering diajak berkomunikasi, posting yang sering disukai, hingga grup yang sering dilihat. Hal ini digunakan untuk menampilkan prioritas postingan yang ditampilkan pada beranda akun penggunanya. Sehingga peluang terjadinya interaksi terhadap pos yang tampil semakin tinggi.

4.        Konten yang Ditampilkan Periklanan Digital

       Google Adword adalah media periklanan digital terpopuler di dunia. Adword menampilkan iklan-iklan pada situs web yang menjadi publisher di Google Adsense. Iklan yang ditampilkan adalah iklan yang bersifat dinamis atau berubah-ubah. Google Adword mengumpulkan data situs berdasarkan topik, kemudian menampilkan iklan-iklan yang relevan dengan topik tersebut. Disamping itu Google Adword juga menggunakan cookies, sebagai referensi aktivitas pengunjung suatu website terkait situs-situs yang dikunjungi sebelumnya. Adword melakukan akumulasi terhadap 2 faktor tersebut, sehingga dapat ditampilkan iklan yang sesuai dengan pengunjung website.

5.         Asisten Pribadi Virtual

        Gadget telah dilengkapi dengan asisten pribadi virtual, baik laptop maupun smartphone, misalnya: Cortana di Microsoft Windows, Siri di Iphone, dan Google Now di Android. Asisten virtual ini dapat membantu penggunanya untuk melakukan pencarian di internet, menanyakan jalan, cuaca, melakukan panggilan telepon, hingga membuka aplikasi. Di Windows, cortana bahkan mempelajari penggunanya untuk memberikan rekomendasi perintah yang akan dilakukan.

6.        Penyaring Pesan Spam

       Machine learning memegang andil yang sangat besar untuk melakukan penyaringan (filter) spam baik di email, website, hingga media komunikasi berbasis software. Algoritma pohon keputusan (decision tree) merupakan cikal bakal dari algoritma spam filtering, untuk menentukan suatu pesan termasuk spam atau bukan.

7.        Online Fraud Detection

       Online fraud detection adalah metode yang digunakan untuk mendeteksi suatu transaksi digital sah atau tidak. Online fraud detection digunakan oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online fraud detection menggunakan machine learning untuk melakukan perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian transaksi palsu, hingga deteksi pembobolan akun bank digital.

8.        Videos Surveillance

       Videos surveillance atau pengawasan video merupakan teknologi baru yang merupakan penerapan dari machine learning yang disematkan pada CCTV untuk mendeteksi suatu tindak kejahatan atau kecelakaan. Di negara-negara maju, CCTV sudah digunakan untuk melakukan pencarian penjahat yang masih buron.

9.        Diagnosa Medis

       Di negara Inggris, diagnosa medis menggunakan bantuan chatbot sudah marak dilakukan. Chatbot ini bernama Babylon Health. Ini dilengkapi dengan speech recognition untuk mempermudah berbicara dengan penggunanya. Dalam perkembangan selanjutnya, analisis diagnosa medis dengan kontak fisik mulai dikembangkan dengan deep learning.

10.    Mobil Kendali Otomatis

       Mobil kendali otomatis merupakan penerapan serta pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis merupakan penerapan machine learning yang kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.

3.       DAMPAK POSITIF DAN NEGATIF

          Dampak positif dari machine learning adalah mendapat kesempatan bagi para wirausahawan dan praktisi teknologi untuk terus berkreasi dalam mengembangkan machine learning. Tentunya untuk membantu aktivitas manusia sebagi sesuatu yang menguntungkan. Itulah salah satu dampak positif dari machine learning. Contohnya adalah untuk pengecekan ejaan untuk tiap bahasa yang ada dalam microsoft Word. Pengecekan manual akan menghabiskan waktu untuk beberapa hari, juga memerlukan banyak tenaga untuk mendapatkan penulis yang sempurna. Namun, dengan bantuan fitur pengecekan tersebut, maka secara real-time kesalahan yang terjadi saat pengetikan kita bisa langsung melihatnya.

Dampak negatifnya kita harus waspada. Yang takut di khawatirkan yaitu adanya pengurangan tenaga kerja. Kenapa? Karena pekerjaan yang seharusnya di kerjakan oleh banyak orang, sekarang telah digantikan oleh alat teknologi yang disebut sebagai machine learning. Hal tersebut merupakan suatu permasalahan yang akan kita hadapi. Ditambah dengan ketergantungan terhadap teknologi yang semakin banyak dan berkembang di kehidupan kita. Kadang manusia lebih nyaman dengan perkembangan teknologi sekarang ini seperti gadget.

4.       APLIKASI ML YANG TERSEDIA

       Data bisa saja sama, namun untuk pendekatan terhadap algoritmanya berbeda-beda dalam hal mendapatkan hasil yang optimal. Berikut merupakan contoh aplikasi pembelajaran mesin:

a.         Penelusuran web: Laman peringkat berdasarkan apa yang anda klik

b.        Biologi komputasional: Obat desain rasional di komputer berdasarkan eksperimen masa lalu.

c.         Keuangan: tetapkan siapa yang akan mengirim kartu kredit yang ditawarkan. Evaluasi risiko pada penawaran kredit dan bagaimana cara memutuskan dimana menginvestasikan uangnya.

d.        E-commerce: Memprediksi customer churn. Apakah transaksi itu salah atau tidak.

e.         Eksplorasi ruang angkasa: Menyelidiki ruang angkasa dan astronomi radio.

f.         Robotika: Bagaimana menangani ketidakpastian di lingkungan baru. Seperti otonom dan Mobil self-driving.

g.        Pengambilan informasi: Ajukan pertanyaan melalui database di seluruh web.

h.        Jaringan sosial: Data tentang hubungan dan preferensi. Mesin belajar mengekstrak nilai dari data.

i.          Debugging: Ini didunakan dalam masalah ilmu komputer seperti debugging.

Contoh lainnya antara lain:

a. Google

b. Instagram

c. Youtube

d. Shopee

5.         IMAJINASI PRIBADI UNTUK MENGEMBANGAN ML DI MASA DEPAN

            Melakukan pencarian menggunakan sensor yang terhubung dengan mechine learning hanya dengan membaca pikiran seseorang. Seseorang akan dipasangkan chip lalu dapat mengoperasikan sebuah aplikasi sehingga dapat berjalan.