Assalamualaikum, salam jumpa teman-teman semua. Ini adalah tulisan pertama aku loh (Haiqal Muhamad Alfarisi). Aku berniat ingin berbagi informasi dan share pengalamanku dimana selama setahun belakang ini aku tertarik mempelajari ilmu-ilmu tentang machine learning maupun deep learning. Aku harap tulisan ini merupakan langkah awal yang bagus dimana kita bisa saling share ilmu dan diskusi yaa.. ????

Di zaman teknologi sekarang ini, pastilah kita sudah tidak asing dengan istilah tentang ketiga bidang ilmu yaitu Artificial Intelligence, Machine Learning dan Deep Learning. Ketiga ilmu dasar ini memuat banyak sekali algoritma-algoritma yang bisa digunakan dalam banyak kasus loh, contohnya dengan machine learning dan deep learning kita bisa menentukan dan mendeteksi virus corona yang sedang melanda seluruh dunia saat ini loh.

Artificial Intelligence (Kecerdasan Buatan)

Kecerdasan buatan adalah studi tentang teori dan pengembangan system komputer agar mampu melakukan tugas-tugas yang dahulu hanya dapat dilakukan oleh manusia. Seperti membedakan berbagai gambar, menjawab pertanyaan, mengenali dan menerjemahkan bahasa dan sebagainya [1].

AI mempelajari bagaimana membuat komputer melakukan sesuatu pada suatu kejadian/peristiwa yang mana orang melakukannya dengan baik [2]. Komputer atau mesin cukup bagus untuk melakukan hal-hal seperti menyelesaikan permasalahan yang cepat dan mengerjakan secara akurat apa-apa yang sudah diprogram oleh programmer.

Secara garis besar, AI terbagi ke dalam dua paham pemikiran yaitu: AI Konvensional dan Kecerdasan Komputasional (CI, Computational Intelligence). AI dalam melakukan aplikasi kecerdasan buatan ada 2 bagian utama yang sangat dibutuhkan, yaitu:

a. Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.

b. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.

Kecerdasan buatan (AI) telah dikembangkan selama 40 tahun. Hingga saat ini ada banyak aplikasi-aplikasi yang diimplementasikan dari AI. Beberapa implementasi dan apa saja yang dikerjakan dalam bagian-bagian AI berikut ini

· Robotics : Difokuskan pada produksi alat-alat mekanik yang dapat mengendalikan gerak.

· Speech Processing : Bertujuan pada pengenalan dan sintesa pembicaraan manusia.

· Machine Learning : Pembuatan program-program bermain permainan.

· Neural Network atau Parallel Distributed : Teknik-teknik terbaik untuk mempresentasikan pengetahuan dan merancang jaringan syaraf tiruan.

Input-Output Model untuk Artificial Intelligence

Machine Learning

Machine Learning mempelajari bagaimana sebuah mesin atau komputer dapat berjalan dari pengalaman atau bagaimana cara memprogram mesin untuk dapat belajar. Machine learning membutuhkan data untuk belajar sehingga biasa juga diistilahkan dengan learn from data[3]. Machine learning merupakan implementasi dari AI. Machine learning memerlukan sebuah model yang didefinisikan berdasarkan parameter-parameter tertentu. Proses learning adalah eksekusi program komputer untuk mengoptimasi parameter-parameter dari model tersebut, dengan memanfaatkan data training atau past experience.

Saat ini, sudah ada puluhan (mungkin juga ratusan) algoritma machine learning yang dikembangkan oleh peneliti untuk berbagai tujuan. Harus dimaklumi bahwa persoalan riil yang memerlukan dukungan machine learning sangatlah banyak. Sehingga tidak ada sebuah algoritma machine learning yang dapat menjawab seluruh persoalan riil. Sebuah algoritma machine learning mungkin unggul untuk menyelesaikan satu kasus tertentu, namun kurang sesuai dengan kasus yang lain. Secara umum algoritma machine learning dapat dikelompokkan menjadi 2 kategori, yaitu Supervised learning dan Unsupervised learning.

A. Supervised Learning

Relationship Machine Learning

Sebagian besar praktik machine learning mengandalkan algoritma supervised learning. Algoritmanya dinamakan seperti ini karena training dataset (sekumpulan data untuk training) akan memandu dan mengajari komputer agar menghasilkan outcome sesuai harapan[1].

Pada supervised learning kita menggunakan sebuah algoritma untuk mempelajari mapping function antara input dengan output. Berbagai kemungkinan output sudah diketahui dan data-data yang digunakan untuk latihan (training) sudah diberi label dengan jawaban yang benar. Supervised learning dapat bermanfaat untuk memprediksi sesuatu dengan bantuan training dataset. Supervised learning menggunakan training data yang sudah diberi label untuk mempelajari mapping function, dari input variabel (x) ke output variabel (y) dimana rumus y = f(x).

Berbagai algoritma yang tergolong dalam kategori linear regression, logistic regression, multi-class classification, support vector machines, dapat dikelompokkan dalam kategori supervised learning. Permasalahan-permasalahan yang terkait dengan supervised learning dapat dikategorikan menjadi dua jenis:

Classification

Classification bertujuan untuk memprediksi outcome dari input (sample yang diberikan), dimana output variable berbentuk kategori-kategori. Contoh : mobil/motor, pria/wanita dll.

Regression

Regression bertujuan untuk memprediksi outcome dari input (sampel yang diberikan), dimana output variabel berbentuk nilai aktual (real values). Contoh: tinggi badan seseorang, curah hujan dsb.

Ada beberapa algoritma yang sudah dikembangkan dan terkait dengan supervised learning, di antaranya Decision tree, Naive Bayes Classifier, Artificial Neural Network, Support Vector Machine, Linear Regression, Logistic Regression, CART, Naive Bayes Classifier, KNN (K-Nearest Neighbor).

B. Unsupervised Learning

Berbeda dengan supervised learning, pada unsupervised learning persoalan diproses hanya mengandalkan data yang belum dilatih sebelumnya. Unsupervised learning menggunakan unlabeled training dataset untuk memodelkan struktur dari data. Sehingga unsupervised learning bersifat lebih subjektif dibandingkan supervised learning. Algoritma ini mempunyai tujuan untuk mempelajari dan mencari pola-pola menarik pada masukan yang diberikan [4].

Unsupervised learning bermanfaat untuk kasus-kasus dimana kita ingin menemukan relasi implisit (implicit relationships) dari unlabeled dataset yang disediakan. Jadi pada unsupervised learning kita tidak memprediksi masa depan. Sebab input variabel (X) tidak memiliki relasi dengan output variabel (Y) dengan rumus f(X). Kondisi non relasi tersebut sering disebut Clustering.

Permasalahan seputar unsupervised learning dapat dikelompokkan menjadi tiga kategori, yaitu :

Association

Association bertujuan untuk menemukan peluang (probabilitas) berdasarkan keterkaitan (co-occurence) dari item-item dalam sebuah kumpulan. Sebagai contoh, jika customer membeli teh celup maka kemungkinan besar (sekitar 80%) customer juga membeli gula pasir. Association banyak digunakan dalam market-basket analysis.

Clustering

Clustering bertujuan untuk mengelompokkan sample dalam cluster yang sama berdasarkan kemiripan (similiarity).

Dimensionallity Reduction

Dimensionallity Reduction berarti mengurangi sejumlah variabels dari dataset namun tetap memastikan informasi yang penting masih tersedia. Dimensionallity Reduction dapat diwujudkan menggunakan metode :

Feature Extraction

Melakukan transformasi data dari dimensi tinggi (a high dimensional space) ke dimensi yang lebih rendah (a low dimensional space).

Feature Selection.

Memilih sebagian saja (subset) dari variabel asal (original variables)

Beberapa algoritma yang dikelompokkan dalam Unsupervised learning antara lain K-Means, Hiearchical Clustering, DBSCAN, Fuzzy C-Means dan Self-Organizing Map

Jadi itu sedikit pemahaman tentang Artificial Intelligence dan Machine Learning. Selanjutnya untuk pembahasan Neural Network dan Deep Learning aku buat terpisah ya teman-teman. Tenang saja pembahasannya akan berlanjut dan berkesinambungan karena Neural Network maupun Deep Learning itu merupakan implementasi dari kedua ilmu yang kita bahas di artikel ini. Terimakasih sudah membaca ya guys, pembahasan selanjutnya pada Seri-2 bisa cek disini. Semoga bisa bermanfaat!

Source :

1.      Primartha, Rifkie. (2018). Belajar Machine Learning Teori dan Praktik. Bandung: Informatika.

2.      Charniak, Eugene, and Mc.Demott, Drew, “Introduction To Artificial Intelligence”, Second Edition, Addition-Wesley, 1985.

3.      Alpaydin, Ethem, Introduction to Machine Learning, Second Edition, London: MIT Press, 2010.

4.      K. P. Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press, Cambridge, Massachusetts, London, England.

Sumber:

Haiqal Muhamad Alfarisi : Mar 21, 2020 | https://haiqalmuhamadalfarisi.medium.com