Kecerdasan Buatan

Machine Learning

Ringkasan Cepat
  • Sistem belajar dari data agar makin akurat, tanpa diprogram aturan manual
  • Tiga jenis utama: supervised, unsupervised, reinforcement learning
  • Model bisa "usang" (model drift) kalau tidak dilatih ulang seiring waktu

Machine learning adalah cabang dari kecerdasan buatan (AI) di mana sistem belajar dari data untuk meningkatkan performanya pada tugas tertentu, tanpa perlu diprogram secara eksplisit langkah demi langkah oleh manusia. Alih-alih menulis aturan “jika A maka B” satu per satu, sistem diberi banyak contoh data dan diminta menemukan pola sendiri.

Pergeseran dari Pemrograman Tradisional

Dalam pemrograman tradisional, manusia menulis semua aturan logika secara eksplisit – misalnya, untuk mendeteksi email spam, programmer harus menuliskan aturan seperti “jika mengandung kata X dan Y, tandai sebagai spam”. Pendekatan ini cepat kewalahan begitu polanya rumit atau terus berubah (spammer selalu mencari celah baru). Machine learning membalik pendekatan itu: sistem diberi ribuan contoh email yang sudah ditandai spam/bukan spam, lalu algoritma sendiri yang menemukan pola pembedanya – termasuk pola-pola halus yang mungkin tidak terpikirkan manusia sama sekali.

Tiga Jenis Utama Machine Learning

Jenis Cara Belajar Contoh Penggunaan
Supervised Learning Belajar dari data yang sudah diberi label/jawaban benar Deteksi email spam, prediksi harga rumah
Unsupervised Learning Menemukan pola tersembunyi dari data tanpa label Pengelompokan pelanggan berdasarkan perilaku belanja
Reinforcement Learning Belajar lewat coba-coba dengan sistem reward/punishment AI yang bermain game, robot yang belajar berjalan

Kenapa Butuh Data yang Banyak

Semakin banyak dan beragam data yang digunakan untuk melatih model, biasanya semakin akurat pula prediksi yang dihasilkan – ini alasan kenapa data sering disebut sebagai “bahan bakar” utama machine learning. Namun kualitas data sama pentingnya dengan kuantitas: data yang bias atau tidak representatif akan menghasilkan model yang juga bias, betapapun banyaknya jumlah data tersebut.

Kesalahan Umum Soal Machine Learning

Sering dikira model machine learning yang sudah dilatih akan selalu akurat selamanya. Padahal performa model bisa menurun seiring waktu jika pola data di dunia nyata berubah (fenomena ini disebut “model drift”) – misalnya model prediksi belanja yang dilatih sebelum pandemi bisa jadi kurang akurat setelahnya, karena kebiasaan belanja masyarakat berubah signifikan. Karena itu model produksi perlu dievaluasi dan dilatih ulang secara berkala, bukan dianggap selesai begitu sudah “jadi” satu kali.

Pertanyaan Umum

Apakah machine learning butuh keahlian coding tingkat tinggi?
Untuk riset/pengembangan model dari nol, iya dibutuhkan keahlian pemrograman dan statistik yang cukup mendalam. Tapi untuk PENGGUNAAN sehari-hari (misalnya lewat tools/API AI yang sudah jadi), banyak orang non-teknis pun bisa memanfaatkannya tanpa perlu menjadi ahli.
Apa bedanya machine learning dengan deep learning?
Deep learning adalah salah satu TEKNIK di dalam machine learning yang menggunakan struktur jaringan neuron berlapis-lapis (menyerupai cara kerja otak) untuk mengenali pola yang sangat kompleks, seperti gambar atau bahasa alami.
Apa itu “model drift” dalam machine learning?
Model drift adalah penurunan akurasi model machine learning seiring waktu, karena pola data di dunia nyata berubah sementara model masih memakai pola lama dari saat pelatihannya. Ini alasan model produksi perlu dievaluasi dan diperbarui secara berkala.
Kenapa data yang bias bisa jadi masalah dalam machine learning?
Karena model belajar murni dari pola yang ada di data pelatihannya. Kalau data itu sendiri mencerminkan bias tertentu (misalnya kurang representatif untuk kelompok tertentu), model yang dihasilkan juga akan mewarisi bias tersebut dalam prediksinya, betapapun canggih algoritmanya.

Istilah Terkait

← Kembali ke Kamus Teknologi