Machine Learning

1. Definisi Machine Learning

Machine Learning adalah metode analisis data yag mengotomatisasi pembuatan model analitik.Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan Buatan) yang focus pada pengembangan sebuah sistem yang mampu belajar sendiri tanpa harus berulang kali di program oleh manusia.

Fokus besar penelitian Machine Learning adalah bagaimana mengenali secara otomatis pola kompleks dan membuat keputusan cerdas berdasarkan data.Mesin dalam hal ini memiliki arti “sistem” bukan mesin mekanik secara harfiah.

Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training) sebelum mengeluarkan output.Aplikasi sejenis ini juga biasanya berada dalam domain spesifik alias tidak bisa diterapkan secara general untuk semua permasalahan

Contoh Machine Learning: Aplikasi Pengenalan Gambar, Aplikasi Asisten Pribadi seperti

Siri, Bixby dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik lainnya.

2. 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.

3. Konsep Dasar Dan Cara Kerja Machine Learning

\

Secara fundamental cara kerja machine learning adalah belajar seperti manusia dengan menggunakan contoh-contoh dan setelah itu barulah dapat menjawab suatu pertanyaan terkait.Proses belajar ini menggunakan data yang disebut train dataset. Berbeda dengan program statis,machine learning diciptakan untuk membentuk program yang dapat belajar sendiri.

Dari data tersebut, kemudian komputer akan melakukan proses belajar (training) untuk menghasilkan suatu model.Proses belajar ini menggunakan algoritma machine learning sebagai penerapan teknik statistika.Model inilah yang menghasilkan informasi, kemudian dapat dijadikan pengetahuan untuk memecahkan suatu permasalahan sebagai proses input-output. Model yang dihasilkan dapat melakukan klasifikasi atau pun prediksi kedepannya.

Untuk memastikan efesiensi model yang terbentuk, data akan dibagi menjadi data pembelajaran (train dataset) dan data pengujian (test dataset).Pembagian data yang digunakan bervariasi bergantung algoritma yang digunakan.

Pada umumnya suatu train dataset lebih banyak daripada test dataset, misalnya dengan rasio dengan rentang 3:1.Test dataset digunakan untuk menghitung seberapa efesien model yang dihasilkan untuk melakukan klasifikasi atau prediksi kedepannya yang disebut test score.Semakin banyak data yang digunakan, test score yang dihasilkan semakin baik.Nilai test score berada dalam rentang 0-1.

4. Penjelasan dan Contoh Studi Kasus Machine Learning

Sebelumnya kita sudah mempelajari mengenai definisi dan pengertian dasar dari machine learning.Sebenarnya akan lebih mudah jika kita bergerak dari apa saja permasalahan yang dapat di selesaikan dengan machine learning.

Hal ini akan memberikan pengertian mendalam dan juga pola yang dapat kita aplikasikan terhadap masalah lain.Kita belajar dengan contoh sama seperti machine learning yang kita pelajari.

Contoh Studi Kasus Dari Aplikasi Machine Learning

A. Spam Detection

Mendeteksi dari inbox email mana yang spam dan mana yang tidak.Dengan model ini kita dapat mengarahkan spam ke kotak inbox nya dan menjaga kebersihan dari inbox kita. Kita pasti sudah familiar dengan ini.

B. Credit Card Fraud Detection

Kita dapat menentukan mana transaksi yang dilakukan oleh customer berdasarkan history transaksi yang dibuat oleh customer tersebut.Dengan demikian kita dapat mereject dan me refund transaksi yang di deteksi sebagai fraud.

C. Digit Recognition


Permasalahan ini ditujukan untuk mengenali zip codes yang tertera pada amplop yang ditulis dengan tangan.Model yang dibuat akan dengan mudah membaca dan mengerti zip codes dan melakukan sorting berdasarkan geography tertentu.


REFERENSI

https://rsinewsupdate.wordpress.com/2017/12/03/machine-learning-pengertian-sejarah-dan-
perannya-dalam-kehidupan/
http://teknosains.com/others/pengertian-konsep-dasar-machine-learning
https://www.codepolitan.com/mengenal-teknologi-machine-learning-pembelajaran-mesin
https://www.advernesia.com/blog/data-science/machine-learning-adalah/
https://weltam.wordpress.com/2017/04/18/contoh-kasus-machine-learning/