Dengan pesatnya perkembangan dunia teknologi informasi, dampak yang dibawa bagi kehidupan sangatlah banyak.
Machine Learning adalah salah satu cabang dari disiplin ilmu Kecerdasan Buatan (Artificial Intellegence) yang membahas mengenai pembangunan sistem yang berdasarkan pada data. Banyak hal yang dipelajari, akan tetapi pada dasarnya ada 4 hal pokok yang dipelajari dalam machine learning yaitu: Pembelajaran Terarah (Supervised Learning), Pembelajaran Tak Terarah (Unsupervised Learning), Pembelajaran Semi Terarah,(Semi-supervised Learning) dan Reinforcement Learning.(Kusumaningrum T. F, 2018)
Adapun contoh Aplikasi Machine Learning Contoh penerapan machine learning dalam kehidupan adalah sebagai berikut yaitu : Penerapan di bidang kedoteran contohnya adalah mendeteksi penyakit seseorang dari gejala yang ada. Contoh lainnya adalah mendeteksi penyakit jantung dari rekaman elektrokardiogram, Pada biang information retrival contohnya adalah penterjemahan bahasa dengan menggunakan komputer, mengubah suara menjadi teks, dan filter email spam.Pada bidang computer vision contohnya adalah penerapan pengenalan wajah dan pelabelan wajah seperti pada facebook. Contoh lainnya adalah penterjemahan tulisan tangan menjadi teks.
Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tanpa data maka tidak akan bisa bekerja. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma untuk mencari model yang cocok, sementara data testing akan dipakai untuk mengetes dan mengetahui performa model yang didapatkan pada tahapan testing.
Dari model yang didapatkan, kita dapat melakukan prediksi yang dibedakan menjadi dua macam, tergantung tipe keluarannya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Contohnya klasifikasi jenis kelamin dilihat dari tulisan tangan (output laki dan perempuan). Sementara jika kelurannya bersifat kontinyu, maka dinamakan proses regresi. Contohnya prediksi kisaran harga rumah di kota Bandung (output berupa harga rumah).
Sedangkan dampak dampak dari Machine Learning di Masyarakat yaitu Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknolgi machine learning. Ya, dampak positif dan dampak negatif.
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. (Nasichuddin M. A, 2017)
Akan tetapi disamping itu ada dampak negatif yang harus kita waspadai. 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.
Tahapan kerja machine learning yaitu : Memilih data: pisahkan data menjadi 3 bagian, yakni data yang akan dilatih (training data), data yang akan digunakan untuk validasi (validation data), dan data yang digunakan untuk percobaan prediksi (test data). Model data: gunakan training data untuk membangun model menggunakan fitur-fitur yang sesuai dengan tujuan. Validasi model: uji model yang telah ada dengan validation data. Hal ini berguna untuk mendapatkan feedback dari input, process, dan ouput yang digunakan. Test model: lihat perbandingan kinerja model yang sudah divalidasi dengan test data. Gunakan test model: aplikasikan model yang sudah dilatih untuk membuat prediksi data baru. Sesuaikan model: perbaiki kinerja algoritma dengan lebih banyak data, fitur yang berbeda, dan parameter yang disesuaikan. Sedangkan cara-cara mesin belajar dan membentuk istilah machine learning yaitu: Programming tradisional: Dengan cara ini, software engineer menulis sebuah program yang mengajarkan mesin untuk memecahkan masalah. Kemudian, mesin atau komputer mengikuti prosedur yang telah dibuat dan menghasilkan solusi. Statistik: Metode statistik digunakan oleh analis untuk membandingkan hubungan beberapa variabel. Machine Learning: Seorang data scientist menggunakan data set yang sudah dilatih untuk mengajarkan komputer hal-hal apa saja yang harus dilakukan. Sebagai contoh, dari big data yang sudah ada, mesin belajar mengklasifikasi spam dan non- spam email. Klasifikasi ini didapatkan dari data set yang sudah dilatih dan berbagai algoritma yang sesuai dengan klasifikasi yang diinginkan. Lalu, komputer belajar mengidentifikasi hubungan, tren, dan pola data tersebut. Aplikasi pintar: Aplikasi pintar menaikkan akurasi hasil AI. Contohnya, drone bisa menghasilkan pemetaan lahan pertanian yang akurat berdasarkan pengumpulan data. (Ahmad A, 2017)
Referensi
Ahmad, A. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning. Jurnal Teknologi Indonesia
Azwary, F., Indriani, F., & Nugrahadi, D. T. (2016). Question Answering System Berbasis
Artificial Intelligence Markup Languange sebagai Media Informasi. KumpulanjurnaL Ilmu Komputer (KLIK), 4860.Blei,D M.(2012). Probabilistic Topic Models. Communications of the ACM, Volume 55 Issue 4,7784
https://aws.amazon.com/id/
http://appinventor.mit.edu/explore/ diakses pada tanggal 20 Oktober 2019
Nasichuddin, M. A. (2017). Implementasi CNN Untuk Klasifikasi Teks Menggunakan Tensorflow.
