Senin, 15 Juni 2020
Machine Learning (ML), menurut Arthur Samuel, seorang ilmuwan komputer yang mempelopori kecerdasan buatan, adalah sebuah bidang yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit
Apa contoh sederhana dari Machine Learning? Filter spam pada layanan email, contohnya.
Saat kita menandai satu email sebagai spam, maka program akan mempelajari anatomi email tersebut untuk mengantisipasi email-email masuk berikutnya spam atau bukan. Jika mirip, sebuah email baru akan masuk kategori spam, dan sebaliknya.
Uniknya, Machine Learning bukanlah hal yang baru. Filter email spam tersebut telah ada sejak tahun 1990-an saat internet boom. Alhasil, hidup jutaan orang pengguna email, jadi lebih mudah. Kita jadi tak perlu sering menandai sebuah email jika itu adalah spam.
Setelah itu mulai muncul ratusan implementasi dari ML yang sekarang kita gunakan sehari-hari saat ini. Merentang dari rekomendasi video di Youtube, hingga kontrol suara seperti pada Google Assistant. Yup, itu semua adalah bentuk Machine Learning.
Selain Machine Learning, Anda juga pasti pernah mendengar yang namanya artificial intelligence atau kecerdasan buatan sering dikaitkan dengan machine learning. Lalu, apa hubungan antara AI dan ML?.
Machine learning adalah sebuah cabang dari AI. Kecerdasan buatan memiliki pengertian yang sangat luas, umumnya memiliki arti bagaimana komputer bisa memiliki kecerdasan seperti manusia.
Sedangkan ML memiliki arti lebih spesifik yaitu menggunakan metode statistika untuk membuat komputer dapat mempelajari pola pada data. Jadi, ketika Anda ditanya tentang hubungan AI dan ML di kemudian hari, Anda bisa menjawabnya seperti itu ya.
Mengapa Machine Learning?
Bayangkan jika kita bertugas mengembangkan sebuah aplikasi filter spam dengan pemrograman tradisional. Seperti inilah langkah-langkah konvensionalnya:
- Pertama kita akan mendefinisikan bagaimana sebuah email termasuk kategori spam atau tidak. Misalnya kita mengidentifikasi bahwa pada email spam umumnya terdapat kata-kata seperti “gratis”, “kaya”, “instan”, dan “murah”.
- Kita kemudian menulis algoritma untuk setiap pola yang kita temukan pada email spam. Program pun akan menandai sebuah email spam jika menemui pola terkait.
- Terakhir kita akan mengulangi langkah 1 dan 2 sampai program kita cukup baik untuk diluncurkan.
Karena kita menulis program menggunakan cara tradisional, hasilnya tentu daftar panjang berisi aturan-aturan rumit yang sulit maintain.
Mari bandingkan jika kita menggunakan ML untuk mengembangkan filter spam tersebut. ML akan secara otomatis mempelajari pola kata-kata yang menentukan sebuah email spam atau bukan.
Program dengan ML pun menjadi relatif lebih sederhana dan mudah untuk dipelihara. Flowchart di bawah menunjukkan bagaimana alur pengembangan sebuah proyek Machine Learning.
