Jenis-Jenis dan Tipe Machine Learning Serta Cara Kerjanya

Assalamulaikum Wr.Wb, Salam Sejahtera dan Salam Budaya

Machine Learning adalah sebuah subjek yang sangat luas dan setiap bidang dalam machine learning adalah bidang penelitian itu sendiri. Yang bisa diartikan sebagai ilmu dari turunan artificial intelligence atau kecerdasan buatan. Namun dalam ML ini hanya berfokus untuk membuat sistem dengan Algoritma-Algoritma tertentu yang terus belajar dari data yang besar untuk memperoleh hasil dengan performa yang baik dari masa-masa yang akan datang.

Namun faktanya dalam machine learning sendiri terdapat banyak jenis dan tipe nya berdasarkan hasil yang akan didapatkan dengan melihat kondisi Data yang diperoleh. Pada Artikel ini, kita akan melihat jenis-jenis ML tersebut.

1. Supervised Learning

Supervised Learning adalah sebuah pembelajaran dengan menggunakan Algoritma yang bertipe klasifikasi dengan kata lain datanya harus memili Label atau Tujuan akhir.

Dalam prosesnya supervised learning memerlukan bantuan data yang dikumpulkan dari masa sebelumnya untuk melatih dan ditentukan sebuah model dari Algoritma yang dipilih. Dengan melakukan pelatihan data tersebut, maka model akan membantu hasil input dalam memprediksi hasil yang lebih akurat.

Contoh sederhananya, Jika ingin membuat sistem prediksi untuk menentukan kelususan seorang pelajar. Maka yang dibutuhkan adalah data pelajar dari masa-masa sebelumnya yang sudah memiliki hasil Lulus atau Tidak.

Supervised Learning sendiri memiliki metode atau algoritma klasifikasi yang meliputi, Naive Bayes, Regresi Linear Sederhana, Decision Tree, k-Nearest Neighbor, Linear Discriminant Analysis (LDA). dan SVM.

2. Unsupervised Learning

Berbeda dengan pembelajaran sebelumnya, pada unsupervised learning maka dalam proses tidak memerlukan data sebelumnya sebagai input. Dalam metode ini memungkinkan model untuk belajar sendiri menggunakan data yang telah diberikan. Data stersebut juga tidak memerlukan label atau tujuan, tetapi algoritma membantu model dalam membentuk klaster dari jenis data yang serupa.

techvidvan.com

Dalam contoh sederhana diatas bisa dijelaskan, jika kita memiliki data anjing dan kucing, model akan memproses dan melatih dirinya sendiri dengan data tersebut, karena data tidak memiliki pengalaman sebelumnya, maka model akan membentuk klaster berdasarkan kesamaan fitur.

Metode yang digunakan dalam pembelajaran ini adalah dengan menggunakan Algoritma K-Means, EM Klastering dan spektral klastering.

3. Semi-Supervised Learning

Pembelajaran ini merupakan kombinasi dari supervised learningi dan unsupervied learning. Metode ini digunakan untuk membantu untuk mengurangi kekurangan dari kedua metode tersebut.

Jika supervised learning memerlukan pelabelan dan akan memakan waktu jika tergolong data yang besar, sedangkan unsupervised learning area penerapannya terbatas. Maka ada solusi dengan cara menggabungkan pembelajaran tersebut.

Terknik terbaru yang telah dipublikasikan pada tahun 2008 oleh Vander dan Geofferey Hinton di Journal od Machine Learning Research adalah teknik t-SNE (t-Ditributed Stochastic Neighbor Embedding), merupakan pengembangan dari metode SNE.

4. Reinforcement Learning

Reinforcement Learning adalah proses membuat model untuk belajar bagaimana membuat suatu keputusan. Teknik ini sebenarnya banyak diteliti pada machine learning karena Algoritma metode ini membantu model belajar berdasarkan umpan balik.

Namun, faktanya, pembelajaran ini biasa digunakan dengan variasi dari teknik learning lainnya. Dalam hal reinforcement learning digunakan untuk menguatkan sebuah learning diatas jika tidak bisa memberikan akurasi yang akurat.

Contoh sederhana penggunaan teknik ini adalah di sektor manufaktur. Disana akan digunakan sebuah robot dengan reinforcement learning untuk mengambil barang dari satu tempat ketempat lain. Robot ini akan dilatih untuk menghafalkan objek dan melakukan pekerjaan dengan kecepatan dan presisi yang akurat.

Beberapa Jenis Machine learning Lainnya..

JIka diatas adalah 4 diatas adalah teknik yang paling populer dan sering digunakan dalam machine learning dengan integrasi dari data science. Namun faktanya ada juga beberapa metode pembelajaran yang juga merupakan cabang-cabang dari 4 teknik diatas.

Metode ini didapatkan dari perkembangan-perkembangan dan suatu teknik yang diusahakan bisa mendapatkan hasil yang lebih akurat.

1. Self-Supervised Learning

Teknik ini adalah pengembangan dari supervised learning. Hanya saja dalam hal ini yang datanya memerlukan pelabelan dan dilakukan secara manual. Pada model itu sendiri mengekstrak dan memberi label pada data. Ini dilakukan dengan bantuan metadata yang disematkan sebagai data pengawasan.

2. Instance-Based Learning

Sebuah teknik atau pembelajaran dengan cara langsung mengambil keputusan berdasarkan sejumlah data tetangga yang memiliki jarak terdekat paling mirip dengan pola input yang dimasukkan.

Algoritma yang digunakan dalam pembelajaran ini adalah k-NN dengan pengembangkan yang dinamakan Fuzzy k-Nearest Neighbor in Every Class yang merupakan varian dari metode k-NN. Teknik ini dikembangkan dengan tujuan untuk meningkatkan performansi k-NN dengan memberikan informasi mengenai nilai keanggotaan untuk setiap kelas.

3. Ensemble Learning

Ensemble Learning adalah sebuah teknik pembelajaran gabungan untuk menangani kondisi metode yang kurang stabil dan midah terjebak pada kondisi overfit, ketika digunakan pada suatu kasus tertentu yang kurang sesuai dengan karakternya.

Teknik penggabungan itu sendiri dibagi menjadi beberapa model, diantaranya adalah Bagging (Bootsrap aggregating). Sebuah teknik yang bisa digunakan untuk beberapa algoritma seperti deciosn tree, naive bayes, ANN dan SVM. Teknik ini digunakan apabila data memiliki label kelas yang tidak seimbang.

Selanjutnya ada Random Forest. Teknik ini adalah perkembangan dari Bagging namun hanya bisa digunakan untuk algoritma decision tree. RF adalah kombinasi pohon keputusan yang disampiling secara independen dan dengan distribusi yang sama untuk semua pohon keputusan.

4. Deep Learning

Pembelajaran ini adalah sebuah teknik baru dari perkembangan teknologi. Faktanya Teknik Deep Learning memiliki kemampuan feature engineering yang dapat merekayasa fitur secara otomatis sehingga kita tidak perlu bersusah payah membangun model ekstraksi fitur yang seringkali sangat rumit. Selain itu, deep learning terbukti mampu memberikan peningkatan akurasi yang sebanding dengan penambahan jumlah data.

Sumber Referensi :

Suyanto, 2018. Machine Learning Tingkat Dasar dan Lanjut. INFORMATIKA. Bandung

Pengalaman Edukasi