Learning & Machine Learning

Learning

Learning berarti membaca dalam Bahasa Indonesia. Menurut Kamus Besar Bahasa Indonesia, belajar memiliki makna berusaha memperoleh kepandaian atau ilmu; berlatih; berubah tingkah laku atau tanggapan yang disebabkan oleh pengalaman. Tak dapat dipungkiri bahwa setiap individu di dunia ini mengalami sebuah proses pembelajaran (learning process). Misalkan, anjing yang terlatih dapat mengambil koran di depan rumah atau melacak jejak dari sebuah bau. Begitupun dengan manusia yang mengalami proses pembelajaran setiap hari mengiringi pertumbuhan kedewasaan manusia tersebut. Dalam ilmu pengetahuan, terdapat 2 definisi dari learning, yaitu:

  1. Behaviorism: Belajar adalah proses terkait dengan perubahan perilaku sebagai hasil dari lingkungan. Bisa juga dikenal sebagai “reinforcement learning”.
  2. Constructivism: Belajar adalah proses yang berfokus pada mengonstruksi pengetahuan atas suatu pengalaman. Misalkan pada awalnya anak kecil beranggapan bahwa semua binatang yang hidup di air adalah ikan, termasuk paus dan lumba-lumba.

Dalam learning, konsep yang terkait adalah Information Processing Theory yang menggambarkan bagaimana proses sebuah informasi diproses dan dapat menjadi suatu pembelajaran.

Screenshot (61)

Dalam konsep tersebut, setelah mendapatkan input dari lingkungan akan dilanjutkan pada Sensory Memomry yang dapat diterima hanya untuk waktu yang singkat dari 0,5 detik hingga 3 detik. Biasanya dalam memori sensorik ini dapat menangkap 5-7 elemen seperti huruf alfabet, gambar, warna, suara, atau wajah manusia. Contohnya dalam waktu 1 detik, manusia dapat menangkap informasi dalam ruangan seperti warna cat dinding, warna cat meja, bentuk kursi, dan suara yang terdengar. Namun hal ini dapat diabaikan atau dilupakan, juga dapat diberikan perhatian (attention) untuk masuk pada Short-Term Memory/Working Memory.

Dalam tahap working memory, biasanya dapat menangkap 7-9 informasi dalam 5-15 detik. Dan dalam tahap ini pula sudah dapat menghubungkan satu informasi dengan informasi lainnya yang mendukung (inference). Beberapa model dari working memory sudah diusulkan oleh Shah dan Miyake pada tahun 1999, juga 3 komponen model yang dikembangkan oleh Baddeley (1998, 2001) adalah salah satu yang paling popular. Dalam tahap ini, informasi dapat dilupakan, diulang agar dapat selalu berada pada working memory, atau selanjutnya dapat di-encode dan masuk pada tahap Long-Term Memory yang tidak memiliki batas kapasitas dan waktu.

Encode dalam hal ini dapat dibentuk seperti mengubah informasi yang kompleks menjadi sesuatu yang lebih sederhana sehingga informasi tersebut dapat disimpan di memori dengan limit waktu yang tidak terbatas. Contohnya dalam kasus belajar huruf alfabet untuk anak-anak, seluruh deretan huruf alfabet dapat di-encode dengan membuat sebuah lagu yang lebih dapat mudah dihafal oleh anak-anak dari pada hanya menghafalnya secara langsung. Dengan begitu, lagu deretan huruf alfabet tersebut akan teringat seumur hidup dan manusia tak akan terlupa akan deretan huruf alfabet.

Machine Learning

Pada dasarnya, machine learning meniru proses pembelajaran yang dialami oleh individu. Machine Learning adalah bagian dari kecerdasan buatan yang berfokus dalam mempelajari, mendesain dan membuat algoritma yang memiliki kemampuan untuk belajar dari data yang ada. Machine learning dapat memanfaatkan data untuk menangkap pola dari kemungkinan yang mendasarinya. Selanjutnya, machine learning membuat keputusan cerdas berdasarkan pola dari data yang telah dipelajari. Seperti pada Mei 1997, di mana versi terbaru dari IBM Deep Blue dapat mengalahkan juara catur dunia, Garry Kasparov. Beberapa pekerjaan yang dapat dilakukan oleh machine learning adalah pattern recognition, decision making, reasoning, dan prediction.

Meski begitu, tak semua permasalahan dapat diselesaikan dengan efisien oleh machine learning. Misalkan pada pengenalan wajah kucing perlu computer cluster yang terdiri dari 1.000 machines (16.000 cores) dan 3 hari training. Dalam hal ini, machine learning memiliki 3 aspek penting, yaitu:

  1. Data
  2. Pattern/Pola
  3. Kesulian matematika untuk mendapatkan model

Machine learning pun memiliki 2 tahapan yaitu pada tahap training/learning di mana untuk mengkontruksi model atau mencari pola dari sebuah kasus yang dilanjutkan dengan tahap prediction yaitu pengujian model atau pola dengan data baru. Sebagai contoh kita memiliki data sebuah perhitungan hasil dari x dan y yang tidak diketahui fungsinya sebagai berikut:

x y Hasil
3 2 7
4 2 8

Table 1

Dengan contoh 2 data di atas, machine learning dapat menebak fungsi pada variable x dan y yaitu f(x,y) = x + 2y. Tetapi prediksi tersebut bisa dipatahkan ketika muncul data baru menjadi seperti di bawah ini:

x y Hasil
3 2 7
4 2 8
2 3 11
3 1 4

Table 2

Saat training dengan data tambahan, maka prediksi yang dilakukan machine learning salah dan akhirnya melakukan perhitungan ulang. Setelah itu, prediksi terbaru dari hasil perhitungan data tambahan menjadi f(x,y) = x + y2. Dan sebuah machine dikatakan dapat melakukan learning ketika terjadi perubahan perhitungan yang mempengaruhi hasil dari data tambahan. Dengan begitu, sistem akan terus belajar dan mencari pola yang paling tepat dari permasalahan yang ada.

Setelah training, juga harus dilakukan prediction di mana machine learning akan dihadapkan dengan data baru dan harus menebak hasil dari training yang telah dilakukan sebelumnya seperti di bawah ini.

x y Hasil
3 2 7
4 2 8
2 3 11
3 1 4
2 4 ?

Table 3

Data terbaru menginput x=2 dan y=4. Karena sampai traning terakhir fungsi yang didapat adalah f(x,y) = x + y2, maka untuk menentukan hasil dari inputan data terbaru adalah dengan memasukan data baru sebagai variable fungsi yang sampai saat ini menjadi acuan. Maka hasil dari prediksi tersebut adalah f(2,4) = 2+42 yaitu 18.

Dari contoh sederhana di atas dapat tergambarkan bagaimana machine learning dapat memprediksi suatu kasus dari data yang ada yang dapat diimplementasikan untuk pemecahan masalah-masalah di dunia nyata setelah dimodelkan. Permasalahan yang ditangani oleh machine learning adalah sebuah permasalahan yang sulit untuk dipecahkan oleh rumus matematika sehingga machine learning dibutuhkan seperti yang telah dijelaskan pada aspek machine learning. Semakin banyak data yang digunakan dalam tahap training, semakin akurat pula prediksi yang akan dihasilkan oleh machine learning tersebut.

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s