Sekilas Artificial Intelligence dan Machine Learning



Original Source Here

Sekilas Artificial Intelligence dan Machine Learning

Pada masa revolusi industri 4.0 ini tidak jarang kita mendengar istilah “Robot dapat menggantikan manusia” yang berarti pekerjaan — pekerjaan yang biasa dilakukan manusia suatu saat dapat dilakukan oleh robot sehingga tidak menutup kemungkinan jika sumber daya manusia dapat digantikan oleh kecanggihan robot, istilah tersebut muncul seiring dengan perkembangan teknologi dan sistem komputer yang semakin pesat dan masif khususnya pada bidang Kecerdasan Buatan atau Artificial Intelligence.

Artificial Intelligence

Kecerdasan buatan (AI) adalah kecerdasan yang ditunjukkan oleh mesin, tidak seperti kecerdasan alami yang ditampilkan oleh manusia dan hewan, yang melibatkan kesadaran dan emosi. (Wikipedia)

Sedangkan menurut BBC, sederhananya, AI merupakan “mesin” yang mampu melakukan berbagai hal yang dipandang membutuhkan kecerdasan ketika manusia melakukannya, seperti memahami bahasa manusia secara natural, mengenali wajah dalam foto, mengemudikan kendaraan, atau menerka buku apa yang kita mungkin sukai berdasarkan buku — buku yang telah kita baca sebelumnya.

Ada tiga tujuan kecerdasan buatan, yaitu:

  1. Membuat komputer lebih cerdas

2. Mengerti tentang kecerdasan

3. Membuat mesin lebih berguna

Foto: republika

Implementasi dari kecerdasan buatan dapat ditemui ketika kita menggunakan Gmail, Anda dapat menikmati fitur penyaringan email otomatis atau jika Anda memiliki ponsel cerdas, Anda mungkin bisa mengisi kalender dengan bantuan Siri. Jika lebih diperhatikan lagi, AI yang lebih sederhana sesungguhnya mungkin sering kita jumpai dan gunakan, yaitu pada kalkulator, atau ketika memproses sejumlah data menggunakan Microsoft Excel.

Hubungan AI dan ML

Setelah mengetahui dan mengenal AI, lalu apa hubungan antara AI dan Machine Learning?

Di bidang Statistik, masalahnya adalah “Bagaimana melatih model yang berskala besar itu secara efisien?” Lalu di bidang Ilmu Komputer masalah AI adalah “Bagaimana melatih versi sistem AI itu menjadi lebih kuat?”

Jadi karena masalah inilah Machine Learning diperkenalkan. Dengan demikian hubungan antara AI dan Machine Learning diibaratkan seperti payung yang menaungi benda, dan yang dimaksud benda disini diantaranya adalah Machine Learning, Deep Learning, dan JST.

  1. Machine Learning (Pembelajaran Mesin)

Machine learning adalah cabang dari AI yang bertujuan untuk memberikan mesin kemampuan dalam mempelajari tugas tanpa kode yang sudah ada. Dalam istilah yang paling sederhana, mesin tersebut akan diberikan contoh uji coba dalam jumlah yang besar untuk tugas tertentu. Ketika mesin tadi menjalani uji coba, mesin itu akan belajar dan mengadaptasi strategi yang sesuai untuk mencapai tujuan yang diinginkan. Misalnya, mesin pengenal gambar dapat diberikan jutaan gambar untuk dianalisis. Setelah melalui permutasian yang panjang, mesin akan memperoleh kemampuan untuk mengenali pola, bentuk, wajah, dan masih banyak lagi.

2. Deep Learning (Pembelajaran Mendalam)

Deep learning adalah metode pembelajaran yang dilakukan oleh mesin dengan cara meniru bagaimana sistem dasar otak manusia bekerja. Sistem dasar otak manusia bekerja ini disebut neural networks. Itulah kenapa deep learning disebut menggunakan artificial neural networks dengan kata lain menggunakan neural networks buatan. Algoritma deep learning termasuk bagian dari machine learning.

3. Jaringan syaraf tiruan (Neural Network)

Neural Network atau juga disebut sebagai jaringan saraf tiruan adalah berbagai teknologi pembelajaran yang mendalam, yang juga berada di bawah naungan kecerdasan buatan atau AI. Jaringan saraf tiruan ini terinspirasi oleh hal-hal yang kita temukan dalam biologi kita sebagai manusia. Cara Neural Network memahami sesuatu sama seperti manusia yaitu belajar dengan cara mencontoh. Model jaringan saraf menggunakan prinsip matematika dan ilmu komputer untuk meniru proses otak manusia. Jaringan saraf tiruan mencoba mensimulasikan proses sel-sel otak yang saling berhubungan erat, tetapi bukannya dibangun dari biologi, neuron-neuron ini dibangun dari kode atau biasa disebut node.

Kali ini kita akan fokus pada pembahasan mengenai Machine Learning, seperti yang telah dijelaskan diatas, machine learning menggunakan metode statistik untuk memungkinkan mesin meningkatkan rangkaian pengalamannya. Dengan demikian komputer dapat bertindak dan mengambil keputusan berdasarkan data dalam melaksanakan tugas tertentu.

Machine Learning (ML)

Istilah machine learning pertama kali dikemukakan oleh beberapa ilmuwan matematika seperti Adrien Marie Legendre, Thomas Bayes dan Andrey Markov pada tahun 1920-an dengan mengemukakan dasar-dasar machine learning dan konsepnya. Sejak saat itu ML banyak yang mengembangkan. Salah satu contoh dari penerapan ML yang cukup terkenal adalah Deep Blue yang dibuat oleh IBM pada tahun 1996.

Deep Blue merupakan machine learning yang dikembangkan agar bisa belajar dan bermain catur. Deep Blue juga telah diuji coba dengan bermain catur melawan juara catur profesional dan Deep Blue berhasil memenangkan pertandingan catur tersebut.

Foto: newgenapps

Cara belajar program ML mengikuti cara belajar manusia, yakni belajar dari contoh-contoh. ML akan mempelajari pola dari contoh-contoh yang dianalisa, untuk menentukan jawaban dari pertanyaan-pertanyaan berikutnya.

Memang tidak semua masalah bisa dipecahkan dengan program ML. Namun, seringkali algoritma yang sifatnya kompleks, ternyata bisa dipecahkan dengan sangat simpel oleh ML. Beberapa contoh program ML yang telah digunakan dalam kehidupan sehari-hari: pendeteksi spam, pendeteksi wajah, rekomendasi produk, asisten virtual, diagnosa medis, pendeteksi penipuan kartu kredit, pengenal digit, perdagangan saham, segmentasi pelanggan, mobil yang bisa mengendarai sendiri.

Terdapat beberapa jenis dalam machine learning yang menjadi hal dasar untuk dipelajari, yaitu:

1. Supervised Learning

Supervised learning adalah algoritma machine learning menggunakan data terlabel, sehingga dapat menerapkan apa yang telah dipelajari di masa lalu ke data baru untuk memprediksi peristiwa di masa depan. Dalam supervised learning, algoritma dapat memodifikasi model agar sesuai dengan hasil yang diinginkan, dan dengan semakin banyaknya sampel data set yang berikan, ia dapat belajar dengan lebih baik sehingga dapat melaksanakan komputasi dan menghasilkan output yang lebih akurat.

Seiring dengan berjalannya periode pelatihan, algoritma dapat mengidentifikasi hubungan antara dua variabel sehingga supervised learning dapat memprediksi hasil yang baru. Algoritma supervised learning digunakan untuk menyelesaikan berbagai persoalan yang terkait dengan:

  • Classification (klasifikasi) : Ketika variabel hasil atau output berupa kategori. Misal: Sakit/tidak sakit, kuning, hijau, spam/tidak spam. Contoh Algoritme: Support vector machine untuk klasifikasi.
  • Regression (regresi) : Ketika variabel output memiliki nilai seperti: Rupiah (mahal, murah, sedang), berat (berat, tidak berat, sedang), jarak (jauh, dekat, sedang). Contoh Algoritme: Linier regression untuk masalah regresi.
  • Ensemble (gabungan)

Pada masalah klasifikasi, kita memprediksi hasil dalam keluaran diskrit, sedangkan pada masalah regresi kita memprediksi hasil dalam keluaran yang kontinyu berupa fungsi.

2. Semi-supervised Learning

Semi-supervised learning adalah pendekatan pembelajaran mesin yang menggabungkan sejumlah kecil data berlabel dengan sejumlah besar data tak berlabel selama pelatihan. Pembelajaran semi-supervisi berada di antara pembelajaran tanpa pengawasan dan pembelajaran yang diawasi.(Wikipedia)

Kita dapat menggunakan Teknik unsupervised untuk menentukan struktur dan variabel input dan juga dapat menggunakan teknik supervised untuk membuat prediksi menebak data tanpa label dengan data learning yang ada.

3. Unsupervised learning

Unsupervised machine learning adalah kebalikan dari supervised learning. Pada metode machine learning ini, data yang diolah tidak memiliki label dan sistem tidak mengetahui jawaban atau output yang benar. Diharapkan teknik ini dapat membantu menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label.

Berikut beberapa algoritma unsupervised learning yang penting untuk Anda ketahui adalah: clustering, dimensionality reduction, anomaly detection, dan density estimation.

4. Reinforcement Learning

Reinforcement learning (RL) adalah salah satu cabang dari pembelajaran mesin untuk mengajari sebuah agent agar membuat keputusan yang terbaik, yaitu yang memberikan imbal hasil terbesar. Sederhananya, RL adalah tentang bagaimana memutuskan suatu aksi yang tepat bagaimana memetakan dari situasi menjadi aksi untuk mendapatkan imbalan yang sebesar-besarnya. Ada beberapa faktor yang membuat RL berbeda dengan pembelajaran mesin yang lain misalnya supervised dan unsupervised learning, salah satunya adalah Agent harus mencari keseimbangan antara memaksimalkan imbalan yang diterima (dengan kata lain, mengeksploitasi strategi yang sudah diketahui) dengan mengeksplorasi hal-hal baru yang mungkin akan menghasilkan imbalan yang lebih baik di masa mendatang.

Foto: securityroundtable

Setelah mengetahui jenis — jenis ML, hal yang tidak kalah penting untuk mengenal ML adalah tahapan — tahapan yang perlu dilalui sebelum project ML bisa diimplementasi di tahap produksi :

1. Proses pengumpulan data

Mengumpulkan dan mengekstrak sendiri data dari berbagai sumber misalnya database, file, data sensor, dan sumber lainnya. Pada tahap ini Anda juga perlu berurusan dengan berbagai jenis tipe data dari mulai structured data (seperti excel file atau database SQL), sampai unstructured data (seperti text file, email, video, audio, gambar, data sensor, dan lainnya). Menurut Gartner lebih dari 80% data perusahaan adalah unstructured data.

2. Exploratory data analysis

Pada proses ini dilakukan investigasi awal pada data untuk menemukan pola, anomali, menguji hipotesis , memahami distribusi, frekuensi, hubungan antar variabel, dan memeriksa asumsi dengan teknik statistik dan representasi grafik.

3. Data preprocessing

Proses ini mengubah dan mentransformasi fitur-fitur data ke dalam bentuk yang mudah diinterpretasikan dan diproses oleh algoritma machine learning. Termasuk di dalam data preprocessing adalah proses data cleaning dan data transformation.

Beberapa hal yang bisa dilakukan dalam proses data cleaning adalah: penanganan missing value, data yang tidak konsisten, duplikasi data, ketidakseimbangan data, dll. Sementara beberapa hal yang bisa dilakukan untuk proses transformasi data adalah: scaling atau merubah skala data agar sesuai dengan skala tertentu, standarisasi, normalisasi, mengonversi data menjadi variabel kategori, dan sebagainya.

4. Model selection

Dalam konteks machine learning, model selection bisa berarti dua hal: pemilihan learning method atau algoritma ML dan pemilihan hyperparameter terbaik untuk metode machine learning yang dipilih.

Pilihan model atau metode yang tidak tepat dapat menyebabkan kesimpulan yang menyesatkan atau performa prediksi yang mengecewakan.

Setelah kita menentukan metode yang cocok untuk data yang ada, kita perlu mengubah hyperparameter untuk mendapatkan performa terbaik dari model. Mengubah nilai hyperparameter saat kita menjalankan algoritma ML akan memberikan hasil atau performa model yang berbeda. Proses menemukan performa terbaik model dengan pengaturan hyperparameter yang berbeda ini juga disebut model selection.

5. Model Evaluation

Langkah evaluasi model dapat dijabarkan sebagai berikut: memprediksi label pada data uji, menghitung jumlah prediksi yang salah (error) kemudian membandingkannya dengan data label yang kita miliki. Dari data perbandingan ini kita dapat menghitung akurasi atau performa model.

Pada prinsipnya proses model evaluation adalah menilai kinerja model ML pada data baru, yaitu data yang belum pernah “dilihat” oleh model sebelumnya.

6. Deployment

Ketika model dievaluasi, model siap untuk dipakai pada tahap produksi. Caranya adalah dengan menyimpan model yang telah dilatih dari tahap preprocessing hingga pipeline prediksi. Kemudian deploy model tersebut ke tahap produksi untuk membuat prediksi dengan memanggil kode predict()-nya.

7. Monitoring

Model yang telah dipakai dalam tahap produksi masih harus tetap dimonitor untuk menjaga kualitasnya. Jika Anda bekerja dengan model machine learning yang datanya terus berubah, Anda perlu melakukan update pada dataset dan melatih ulang model Anda secara reguler. Atau, Anda perlu membuat sistem yang dapat membuat proses update ini berjalan secara otomatis.

Demikianlah hal-hal yang perlu untuk mengenal apa itu Artificial Intelligence dan salah satu cabangnya yang saat ini sudah berkembang sangat pesat, Machine Learning.

10118402 — Yolanda Patricia

Teknik Informatika

Fakultas Teknik dan Ilmu Komputer

Universitas Komputer Indonesia

Referensi

https://translate.google.com/translate?u=https://en.wikipedia.org/wiki/Artificial_intelligence&hl=id&sl=en&tl=id&client=srp&prev=search

https://ap-lawsolution.com/id/actio/kecerdasan-buatan-artificial-intelligence-tantangann-ya-bagi-hukum-indonesia/

https://www.dicoding.com/

https://indoml.com/2018/02/13/ulasan-buku-reinforcement-learning-an-introduction-2nd-edition-sutton-barto/

AI/ML

Trending AI/ML Article Identified & Digested via Granola by Ramsey Elbasheer; a Machine-Driven RSS Bot

%d bloggers like this: