Machine Learning (Mesin Pembelajaran)

Machine Learning adalah ilmu komputer yang bisa bekerja tanpa diprogram secara eksplisit. Banyak peneliti berpikir bagaimana cara untuk membuat kemajuan menuju AI terhadap tingkat manusia. Machine learning ini merupakan kecerdasan buatan yang mempelajari bagaimana membuat data. Machine learning ini biasa disingkat dengan ML. Ini dibutuhkan untuk menerapkan teknik yang cepat dan kuat dalam menemukan masalah baru.

Akhirnya, pemakaian teknik ini berkaitan dengan pembelajaran mesin dan AI. Mesin ini membuktikan kepada algoritma atau program yang berjalan di komputer. Oleh karena itu, jika kita ingin belajar machine learning, pastikan anda terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data.

Sejarah Machine Learning

Sejak pertama kali komputer diciptakan manusia sudah memikirkan bagaimana caranya agar komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun 1952, Arthur Samuel menciptakan sebuah program, game of checkers, pada sebuah komputer IBM. Program tersebut dapat mempelajari gerakan untuk memenangkan permainan checkers dan menyimpan gerakan tersebut kedalam memorinya.

Istilah machine learning pada dasarnya adalah proses komputer untuk belajar dari data (learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. Data bisa saja sama, akan tetapi algoritma dan pendekatan nya berbeda-beda untuk mendapatkan hasil yang optimal.

Machine learning telah banyak mempengaruhi dunia industri, sebagian besar dunia industri yang bekerja dengan sejumlah besar data telah mengakui nilai teknologi penggunaan machine learning. Tujuannya adalah untuk mendapatkan wawasan dari data yang mereka miliki, dan dengan adanya teknologi ini dapat membuat pekerjaan menjadi lebih efisien atau lebih cepat dengan adanya data baru yang cenderung sama.

Definisi Machine Learning

Machine learning adalah metode analisis yang membantu menangani data besar dengan cara mengembangkan algoritma komputer. Dengan menggunakan data, pembelajaran mesin memungkinkan komputer menemukan wawasan tersembunyi tanpa diprogram secara eksplisit saat mencarinya. Dengan adanya email baru, algoritma tersebut kemudian akan menghasilkan prediksi apakah email baru itu spam atau tidak.

Machine learning adalah aplikasi artificial intelligence (AI) yang menyediakan sistem kinerja secara otomatis serta belajar memperbaiki diri dari pengalaman tanpa diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program komputer yang bisa mengakses data dan menggunakannya untuk belajar sendiri. Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari.

Proses pembelajaran dimulai dengan observasi data, seperti contoh: pengalaman langsung, atau intruksi untuk mencari pola data dan membuat keputusan yang lebih baik dimasa depan berdasarkan contoh tersebut. Tujuan utamanya adalah membiarkan komputer belajar secara otomatis tanpa intervensi atau bantuan manusia dan menyesuaikan aktivitas yang sesuai. Karena teknologi komputasi, machine learning saat ini tidak seperti machine learning di masa lalu.

Machine Learning (ML) adalah teknik untuk melakukan inferensi terhadap data dengan pendekatan matematis. Inti machine learning adalah untuk membuat model (matematis) yang merefleksikan pola-pola data. Pada machine learning, inferensi yang dimaksud lebih menitikberatkan ranah hubungan variabel. Sementara itu, machine learning berada pada daerah representasi data/ilmu/pengetahuan dalam bentuk matematis karena keilmuan machine learning di turunkan dari matematika dan statistika. Machine learning ibarat sebuah “alat”, sama seperti rumus matematika. Bagaimana cara menggunakannya tergantung pada domain permasalahan. Tujuan machine learning minimal ada dua : memprediksi masa depan (unobserved event): dan/atau memperoleh ilmu pengetahuan (knowledge discovery/discovering unknown structure).

Gotama (2018)

“Sebuah pembelajaran mesin adalah perangkat apa pun yang tindakannya dipengaruhi oleh pengalaman masa lalu” .

(Nils John Nilsson)

Konsep Dasar Machine Learning

Konsep tersebut meliputi kemampuan suatu individu dalam meningkatkan kecerdasan tersebut untuk belajar tanpa terkecuali pada sebuah mesin. Mesin yang mampu belajar, akan meningkatkan produktivitas manusia. Maka ia juga akan memiliki kekuatan yang mungkin tidak dimiliki 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.

NL – Jaringan syaraf tiruan adalah salah satu cara model pembelajaran mesin untuk memprediksi sesuatu. Jaringan saraf bekerja sedikit seperti otak Anda, dengan menyesuaikan diri dan banyak berlatih untuk memahaminya. Anda akan menciptakan lapisan simpul yang sangat dalam.

• 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.

Bagian Machine Learning

Ketika Anda melihat situs web yang kompleks seperti Facebook, Amazon, atau Netflix, kemungkinan besar situs ini berisi beberapa model Machine Learning. Dari model yang didapatkan, kita dapat melakukan prediksi yang berbeda, tergantung pada tipenya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Sistem pembelajaran mesin terdiri dari tiga bagian utama, yaitu:

1. Model: sistem yang membentuk prediksi atau identifikasi.
2. Parameter: sinyal atau faktor yang digunakan oleh model untuk membentuk keputusannya.
3. Pembelajaran: sistem yang menyesuaikan parameter dan model dalam prediksi versus hasil aktual.

Bayangkan bahwa Anda adalah seorang guru. Anda ingin mengidentifikasi jumlah waktu belajar siswa untuk mencapai nilai terbaik dalam tes. Anda beralih lagi ke Machine learning untuk solusi tersebut. Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tidak akan bekerja tanpa data. Model itu sendiri bergantung pada parameter yang digunakan untuk mengatur perhitungannya. Dalam contoh ini, parameter adalah jam yang digunakan saat belajar untuk hasil nilai tes yang diterima.

Sistem pembelajaran mesin benar-benar akan menggunakan persamaan matematis untuk mengekspresikan semuanya, secara efektif ini akan membentuk garis tren dari apa yang diharapkan. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing.

Cara Kerja Machine Learning

Cara kerja machine learning sebenarnya berbeda-beda sesuai dengan teknik atau metode pembelajaran seperti apa yang kamu gunakan pada ML. Namun pada dasarnya prinsip cara kerja pembelajaran mesin masih sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari ML. Untuk memahami cara kerja dari ML, mari kita ulas cara kerja dari beberapa penerapannya berikut ini.

AlphaGo merupakan machine learning yang dikembangkan oleh Google. Saat awal dikembangkan AlphaGO akan dilatih dengan memberikan 100 ribu data pertandingan Go untuk ia pelajari. Setelah AlphaGo mempunyai bekal dan pengetahuan cara dan strategi bermain game Go dari mempelajari 100 ribu data pertandingan Go tersebut. AlphaGo akan belajar kembali dengan bermain Go bersama dengan dirinya sendiri dan setiap kali ia kalah ia akan memperbaiki cara ia bermain dan proses bermain ini akan diulang sampai jutaan kali.

Perbaikan cara bermain AlphaGo dilakukan oleh dirinya sendiri berdasarkan pengalamannya saat ia bermain melawan dirinya sendiri atau melawan orang lain. AlphaGo juga bisa mensimulasikan beberapa pertandingan pada satu waktu secara bersamaan. Artinya dalam satu waktu ia bisa melakukan beberapa pertandingan Go sekaligus untuk dipelajari. Sehingga proses belajar dan pengalamannya bermain Go juga bisa lebih banyak dibanding manusia. Hal ini terbukti ketika AlphaGo bermain dengan juara dunia Go pada tahun 2016 dan ia bisa menjadi pemenangnya.

Dari penerapan machine learning pada AlphaGo, kita bisa memahami bahwa machine learning akan terus belajar selama ia digunakan. Sama halnya seperti fitur deteksi wajah di foto yang dimiliki Facebook ia akan belajar mengenal pola wajah kamu berdasarkan tanda yang kamu masukkan saat memposting sebuah foto. Dari orang yang kamu tandai pada foto tersebut ML akan menjadikan informasi tersebut sebagai media untuk belajar.

Jadi tidak heran apabila machine learning sering digunakan, maka tingkat akurasinya semakin baik dibanding di awal-awal. Hal ini dikarenakan machine learning telah banyak belajar seiring waktu dari pemakaian machine learning oleh pengguna. Seperti pada fitur deteksi wajah milik Facebook semakin banyak orang yang menggunakan fitur tersebut dan menandai orang-orang yang ada di foto maka tingkat akurasi orang yang dideteksi pun semakin baik.

Posisi Machine Learning

Machine Learning (ML) adalah sub bidang dari Artificial Intelligence (AI). Perbedaan utama antara mesin dan manusia adalah kecerdasan, manusia mampu untuk belajar dari pengalaman sebelumnya dengan menganalisis data dan membuat keputusan dari pengetahuan masa lalu. Namun, kecerdasan buatan (AI) membawa mesin lebih dekat dengan manusia. Mesin dapat di program untuk mengingat dan mengambil keputusan seperti manusia. Machine learning bertujuan untuk lebih cepat dan lebih akurat dari pada manusia, dan dapat mempelajari data melalui kecerdasan buatan (AI). Data digunakan machine learning sebagai kode untuk komputasi tradisional. Cara lain untuk memperoleh kecerdasan dalam mesin bisa melalui pemrograman logis, penalaran induktif berdasarkan aturan dasar dan sebagainya. Dengan demikian macine learning dapat dianggap sebagai salah satu pendekatan menuju kecerdasan buatan. Berdasarkan sifat dari berbagai masalah yang ada dan kelimpahan data untuk masalah itu, wajar saja bahwa machine learning merupakan pendekatan untuk mencapai Artificial Intelligence (AI).

Teknik Machine Learning / Tipe Algoritme

Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari. Machine Learning bukanlah hal baru dalam lanskap ilmu komputer. Machine Learning mengaitkan proses struktural dimana setiap bagian menciptakan versi mesin yang lebih baik. Menurut Makovskaja (2018) machine learning memiliki empat teknik pembelajaran, antara lain : Supervised Learning, Unsupervised learning, Semi-supervised and reinforcement learning.

• Supervised Learning

Pembelajaran mesin yang diawasi menciptakan model yang melancarkan prediksi berdasarkan bukti adanya ketidakpastian. Algoritma pembelajaran yang diawasi memerlukan seperangkat data masukan dan tanggapan yang diketahui terhadap data (output) dan melatih model untuk menghasilkan prediksi yang masuk akal untuk respon terhadap data baru. Gunakan pembelajaran ini jika Anda ingin mengetahui data output yang ingin Anda prediksi. Pembelajaran ini diawasi menggunakan teknik klasifikasi dan regresi untuk mengembangkan model prediktif.

Teknik klasifikasi memprediksi respons diskrit – misalnya, apakah email itu asli atau spam, atau apakah tumor itu kanker atau tidak. Model klasifikasi mengklasifikasikan data masukan ke dalam kategori tersebut. Aplikasi yang umum termasuk pencitraan medis. Misalnya aplikasi untuk pengenalan tulisan, maka anda harus menggunakan klasifikasi untuk mengenali huruf dan angka.

Jika Anda bisa melakukannya, Anda memiliki landasan yang dapat Anda gunakan pada satu dataset ke dataset yang akan dicoba lagi selanjutnya. Anda bisa mengisi waktu seperti mempersiapkan data lebih lanjut dan memperbaiki hasilnya nanti, begitu Anda lebih percaya diri. Dalam pengolahan citra dan penglihatan komputer, teknik pengenalan pola tanpa pemeriksaan digunakan untuk deteksi objek dan segmentasi. Algoritma yang umum mengadakan klasifikasi yang meliputi dukungan mesin vektor (SVM).

• Unsupervised Learning

Ini menemukan pola tersembunyi atau struktur intrinsik dalam data. Ini digunakan untuk menarik kesimpulan dari kumpulan data yang terdiri dari data masukan tanpa respon berlabel. Clustering adalah teknik belajar tanpa pengamatan yang umum. Ini digunakan untuk analisis data eksplorasi dalam menemukan pola atau pengelompokan tertutup dalam data. Aplikasi untuk analisis cluster meliputi analisis urutan gen, riset pasar dan pengenalan objek.

Misalnya, jika sebuah perusahaan telepon seluler ingin mengoptimalkan lokasi di mana mereka membangun menara telepon seluler, mereka dapat menggunakan pembelajaran mesin untuk memperkirakan jumlah kelompok orang yang bergantung pada menara mereka. Telepon hanya bisa berbicara dengan satu menara sekaligus, sehingga tim menggunakan algoritma pengelompokan untuk merancang peletakan menara seluler terbaik dalam mengoptimalkan penerimaan sinyal bagi kelompok dan dari pelanggan mereka.

Algoritma yang umum mengadakan clustering meliputi k-means dan k-medoids, hirarki clustering, model campuran Gaussian, model Markov tersembunyi, peta pengorganisasian sendiri, clustering fuzzy c-means dan clustering subtraktif.

• Pembelajaran semi terarah (semi-supervised learning)

Yakni tipe yang menggabungkan antara supervised dan unsupervised untuk menghasilkan suatu fungsi. Algoritme pembelajaran semi terarah menggabungkan kedua tipe algoritme di atas, di mana diberikan contoh masukan-keluaran yang tepat dalam jumlah sedikit dan sekumpulan masukan yang keluarannya belum diketahui. Algoritme ini harus membuat sebuah rangkaian kesatuan antara dua tipe algoritme di atas untuk dapat menutupi kelemahan pada masing-masing algoritme.

Misalnya sebuah sistem yang dapat menebak umur seseorang berdasarkan foto orang tersebut. Sistem tersebut membutuhkan beberapa contoh, misalnya yang didapatkan dengan mengambil foto seseorang dan menanyakan umurnya (pemelajaran terarah). Akan tetapi, pada kenyataannya beberapa orang sering kali berbohong tentang umur mereka sehingga menimbulkan noise pada data. Oleh karena itu, digunakan juga pemelajaran tak terarah agar dapat saling menutupi kelemahan masing-masing, yaitu noise pada data dan ketiadaan contoh masukan-keluaran.

• Reinforcement learning

Tipe ini mengajarkan bagaimana cara bertindak untuk menghadapi suatu masalah, yang suatu tindakan itu mempunyai dampak.

Adalah sebuah algoritme pemelajaran yang diterapkan pada agen cerdas agar ia dapat menyesuaikan dengan kondisi dilingkungannya, hal ini dicapai dengan cara memaksimalkan nilai dari hadiah ‘reward’ yang dapat dicapai. Suatu hadiah didefinisikan sebuah tanggapan balik ‘feedback’ dari tindakan agen bahwa sesuatu baik terjadi. Sebagai contoh, sangatlah sulit untuk memrogram sebuah agen untuk menerbangkan sebuah helikopter, tetapi dengan memberikan beberapa nilai negatif untuk menabrak, bergoyang-goyang, serta melenceng dari jalur tujuan perlahan-lahan agen tersebut dapat belajar menerbangkan helikopter dengan lebih baik.

• Pembelajaran Berkembang (Developmental Learning Algorithm) 

Adalah sebuah bidang yang bertujuan untuk mempelajari mekanisme pengembangan, arsiterktur, dan batasan yang memungkinkan dibuatnya metode pemelajaran yang berlaku seumur hidup, serta bersifat terbuka terhadap kemampuan dan pengetahuan untuk dipasangkan kepada mesin.

• Transduction

Tipe ini hampir mirip dengan Supervised Learning, tapi tidak secara jelas untuk membangun suatu fungsi melainkan mencoba memprediksi output baru yang berdasarkan dari input baru, masukan pelatihan input dan output.

• Learning to learn

Tipe ini menggunakan algoritme untuk mempelajari yang sebelumnya.

Pendekatan Machine Learning

1. Decision Tree / Pohon keputusan
   Pemelajaran pohon keputusan bisa dijadikan sebagai model prediktif yang dapat memetakan pengamatan sebuah pilihan ke kesimpulan target dari pilihan tersebut. Pohon keputusan memiliki pendekatan pemodelan prediksi menggunakan statistik, data mining, dan pemelajaran mesin. Pada pohon keputusan ini node-node daunnya akan merepresentasikan label kelas, sedangkan cabangnya merepresentasikan kaitan dari fitur-fitur yang dapat menuntun menuju label kelas yang ada. Pemelajaran pohon keputusan merupakan representasi sederhana untuk contoh pengklasifikasian. Pemelajaran pohon keputusan merupakan salah satu teknik dari supervised learning. Terdapat banyak algoritme pohon keputusan, diantaranya adalah id3 (iterative dichotomiser 3), c4.5, cart (classification and regression tree), CHAID (CHi-squared Automatic Interaction Detector), MARS, dan lain-lain.
   Sebagai contoh pohon keputusan dapat digunakan untuk penyaringan email. Dengan memasukan fitur-fitur dari email yang telah ditentukan menjadi cabangnya, dan nantinya cabang-cabang tersebut memiliki daun yang dapat menentukan email tersebut masuk ke label yang mana yang telah tersedia.
2. Artificial Neural Network / Jaringan Saraf Tiruan (JST)JST adalah sebuah algoritme yang didesain untuk memodelkan cara kerja jaringan saraf dalam melakukan suatu pekerjaan atau fungsi tertentu. Jaringan ini biasanya diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan dalam sebuah perangkat lunak di dalam komputer digital.
3. Clustering / Pengelompokan
   Pengelompokan merupakan salah satu pemelajaran yang tergolong dalam pemelajaran yang tidak memerlukan contoh (unsupervised learning). Definisi sederhana dari pengelompokan adalah sebuah proses untuk mengorganisasikan objek menjadi beberapa kelompok yang memiliki anggota yang mirip dalam hal tertentu. Algoritme pengelompokan menerima sekumpulan masukan dan kemudian membuat sebuah pembagian (kelompok-kelompok) dari masukan tersebut. Dua masukan yang berada pada kelompok yang sama seharusnya memiliki banyak kesamaan dibandingkan dengan dua masukan yang berada pada kelompok yang berbeda.
   Sebagai contoh, para astronom harus melakukan pengelompokan untuk menentukan tipe dari bintang-bintang berdasarkan data spektrum dari ratusan ribu bintang sehingga pada akhirnya mendapatkan istilah seperti “red giant” dan “white dwarf”.
4. Bayesian Network / Jaringan BayesBayesian network diciptakan karena adanya penelitian ‘Alasan Probabilistik dalam Kecerdasan Sistem oleh Judea Pearl (1988) yang menuntun pada diterimanya probabilitas dan teori keputusan dalam kecerdasan buatan. Bayesian Network secara formal diciptakan untuk memungkinkan representasi yang efisien, dan penalaran yang teliti dengan, pengetahuan pasti. Bayesian network memungkinkan untuk dapat belajar dari pengalaman serta menggabungkan kecerdasan buatan yang terbaik dan jaringan saraf. Bayesian network merupakan keluarga dari model graf probabilistik. Struktur graf ini digunakan untuk merepresentasikan pengetahuan dari suatu domain yang belum pasti. Nantinya setiap node yang ada pada graf merepresentasikan variabel acak, dimana sisi-sisi antar node tersebut merepresentasikan probabilitas ketergantungan antar variabel yang acak tersebut.
5. Inductive logic programming / Pemrograman logika induktifPemrograman logika induksi merupakan salah satu pendekatan pemelajaran mesin yang mempelajari konstruksi induktif dalam bentuk first-order berdasarkan contoh dan latar belakang pengetahuan yang ada. Pendekatan ini menekankan pada representasi dari hipotesis sebagai program logika.
   Contohnya pada pemelajaran relasi keluarga dari data yang diberikan. Proses klasifikasi dilakukan dengan memproses latar belakang pengetahuan, hipotesis, dan deskripsi yang diberikan. Deskripsi akan terdiri dari istilah seperti Father(Philip, Charles), Mother(Mum, Margaret), dan lainnya. Pada awalnya, belum latar belakang pengetahuan yang dapat digunakan. Sehingga memunculkan beberapa hipotesis seperti Grandparent(x,y). Seiring berjalannya waktu, latar belakang pengetahuan akan terus meningkat dan menemukan bahwa Parent(x,y) ⟺ [Mother(x,y) V Father(x,y)]. Dengan demikian, definisi dari Grandparent dapat dikurangi menjadi Grandparent(x,y) ⟺ [∃z Parent(x,z) ∧ Parent(z,y)].

Aplikasi 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.

Dampak Machine Learning di Masyarakat

Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknolgi machine learning. 

Salah satu dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Terbantunya aktivitas yang harus dilakukan manusia pun menjadi salah satu dampak positif machine learning. Sebagai contohnya adalah adanya fitur pengecekan ejaan untuk tiap bahasa pada Microsoft Word. Pengecekan secara manual akan memakan waktu berhari-hari dan melibatkan banyak tenaga untuk mendapatkan penulisan yang sempurna. Tapi dengan bantuan fitur pengecekan ejaan tersebut, secara real-time kita bisa melihat kesalahan yang terjadi pada saat pengetikan.

Akan tetapi disamping itu ada dampak negatif yang harus kita waspadai. Manusia menjadi terlena dengan teknologi, proses menghafal menjadi hilang, semua digantikan oleh mesin contact number, google, dll. Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat teknologi machine learning adalah suatu permasalahan yang harus dihadapi. Ditambah dengan ketergantungan terhadap teknologi akan semakin terasa. Manusia akan lebih terlena oleh kemampuan gadget-nya sehingga lupa belajar untuk melakukan suatu aktivitas tanpa bantuan teknologi.

Ref : [1] [2] [3] [4]