Machine learning

Apa Itu Machine Learning? 🧠

Machine Learning adalah cabang dari kecerdasan buatan (AI) yang berfokus pada pengembangan algoritma yang memungkinkan komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk setiap skenario.

Mari bedakan dengan pemrograman tradisional:

  • Pemrograman Tradisional: Anda menulis aturan (logika) yang jelas. Jika Anda membuat program untuk mengidentifikasi email spam, Anda akan menulis kode seperti: “JIKA email mengandung kata ‘diskon besar’ DAN ‘klik di sini’, MAKA tandai sebagai spam.” Masalahnya, Anda tidak akan pernah bisa menulis aturan untuk semua kemungkinan.
  • Machine Learning: Alih-alih menulis aturan, Anda memberikan komputer ribuan contoh email spam dan non-spam. Komputer kemudian belajar sendiri pola dan ciri-ciri yang membedakan keduanya. Hasilnya adalah sebuah “model” yang bisa mengidentifikasi spam, bahkan untuk kata-kata atau frasa yang belum pernah ia lihat sebelumnya. Ia tidak mengikuti aturan, ia mengenali pola.

Singkatnya, machine learning adalah proses mengajari komputer untuk membuat kesimpulan dari data.

Tiga Jenis Utama Machine Learning

Tergantung pada jenis data dan masalah yang ingin dipecahkan, machine learning dibagi menjadi tiga pendekatan utama:

  1. Supervised Learning (Pembelajaran Terarah)

Ini adalah jenis yang paling umum. Anda melatih model dengan data yang sudah memiliki “jawaban” atau label yang benar. Tujuannya adalah agar model bisa memprediksi label untuk data baru yang belum pernah dilihat.

  • Analogi: Seperti belajar dengan flashcard. Anda melihat gambar “kucing” (input) dan di baliknya ada tulisan “kucing” (label). Setelah melihat ratusan flashcard, Anda bisa mengenali gambar kucing baru yang belum pernah ada di tumpukan kartu Anda.
  • Contoh Aplikasi:
    • Klasifikasi: Memprediksi kategori. Contoh: filter spam (spam/bukan spam), diagnosis medis (sakit/tidak sakit).
    • Regresi: Memprediksi nilai numerik. Contoh: memprediksi harga rumah berdasarkan luasnya, memprediksi jumlah penjualan bulan depan.
  1. Unsupervised Learning (Pembelajaran Tak Terarah)

Dalam pendekatan ini, Anda memberikan data kepada model tanpa label atau jawaban. Tugas model adalah menemukan struktur, pola, atau kelompok tersembunyi di dalam data itu sendiri.

  • Analogi: Anda diberi sekotak penuh berbagai jenis buah tanpa diberitahu nama-namanya. Secara alami, Anda akan mulai mengelompokkannya berdasarkan kesamaan warna, bentuk, dan ukuran (misalnya, semua yang bulat dan merah jadi satu, yang panjang dan kuning jadi satu). Anda menemukan struktur (kategori buah) tanpa instruksi.
  • Contoh Aplikasi:
    • Clustering: Mengelompokkan data yang mirip. Contoh: segmentasi pelanggan berdasarkan perilaku belanja, mengelompokkan berita dengan topik serupa.
    • Asosiasi: Menemukan aturan hubungan antar item. Contoh: “Pelanggan yang membeli roti seringkali juga membeli selai.”
  1. Reinforcement Learning (Pembelajaran Penguatan)

Ini adalah pendekatan yang sedikit berbeda. Model (disebut agent) belajar dengan cara berinteraksi dengan sebuah lingkungan. Ia belajar melalui sistem trial and error, di mana ia mendapatkan hadiah (reward) untuk tindakan yang benar dan hukuman (punishment) untuk tindakan yang salah. Tujuannya adalah untuk memaksimalkan total hadiah yang diperoleh.

  • Analogi: Seperti melatih seekor anjing. Ketika ia melakukan trik dengan benar (misalnya, duduk), Anda memberinya camilan (reward). Jika ia melakukan kesalahan, ia tidak mendapat apa-apa. Lama kelamaan, anjing akan belajar tindakan mana yang menghasilkan hadiah terbanyak.
  • Contoh Aplikasi: Mobil otonom (belajar mengemudi untuk mencapai tujuan tanpa menabrak), AI dalam game (belajar strategi untuk menang), atau manajemen robot di pabrik.

 

Hubungan dengan ChatGPT

Jadi, di mana posisi ChatGPT dalam semua ini? ChatGPT dan LLM lainnya adalah hasil dari Supervised Learning dalam skala masif (khususnya sub-bidang yang disebut deep learning). Mereka dilatih pada triliunan kata dan kalimat (data) untuk mempelajari cara memprediksi kata berikutnya dalam sebuah urutan (jawaban/label). Proses RLHF yang kita bahas di materi sebelumnya adalah contoh penerapan Reinforcement Learning untuk menyempurnakan perilaku model agar lebih sesuai dengan keinginan manusia.

Memahami machine learning memberi kita gambaran tentang “mesin” di balik kecerdasan buatan modern. Ini bukan sihir, melainkan kombinasi canggih dari statistik, ilmu komputer, dan data dalam jumlah besar untuk menciptakan sistem yang mampu belajar dan beradaptasi

×