Machine Learning merupakan ilmu Artificial Intelligence (AI) yang berfokus untuk membuat sistem atau
algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke waktu tanpa
pemrograman tertentu.
Dalam aplikasi Machine Learning, algoritma dilatih untuk menemukan pola dan fitur tertentu dalam
jumlah data yang besar yang bertujuan untuk membuat suatu keputusan maupun prediksi berdasarkan
data-data tersebut. Semakin bagus algoritmanya, akurasi keputusan dan prediksi sistem akan semakin
baik.
Machine learning bermanfaat untuk menyelesaikan permasalahan dengan cara yang terukur. Aplikasi ini
bisa digunakan pada berbagai macam industri dan dapat terus berkembang. Dengan machine learning,
pengguna bisa memproses dan menganalisis data yang lebih besar dan rumit dengan waktu yang lebih
singkat.
Cara kerjanya berbeda-beda sesuai dengan teknik atau metode pembelajaran yang digunakan. Namun
pada dasarnya meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan
pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari ML.
3. Dampak
Dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi
teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Manusia akan leih
mudah menjalankan aktivitasnya dengan bantuan Machine Learning.
Dampak negatifnya adalah adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat
teknologi machine learning. Ditambah dengan ketergantungan terhadap teknologi yang akan semakin
terasa.
Data terlabel, contohnya input di mana output-nya diketahui. Algoritma supervised learning
menerima sekumpulan input dengan output yang tepat. Algoritma ini belajar dengan
membandingkan output sebenarnya dengan output yang benar untuk menemukan error atau
kesalahan. Dalam supervised learning, algoritma dapat memodifikasi model agar sesuai dengan hasil
yang diinginkan.
Data yang diolah tidak memiliki label dan sistem tidak mengetahui jawaban atau output yang benar.
Tujuan metode ini adalah untuk mengeksplorasi data dan menemukan struktur di dalamnya.
Biasanya, metode ini digunakan untuk data transaksional. Supervised Learning juga dapat
menemukan atribut utama yang membedakan antar segmen konsumen.
Data berlabel dan tidak untuk melatih algoritma. Biasanya, digunakan data berlabel dalam jumlah
kecil dan data tidak dilabeli dalam jumlah besar. Dapat digunakan dengan metode lainnya seperti
klasifikasi, regresi, dan prediksi.
d. Reinforcement Learning
Reinforcement learning biasanya digunakan untuk robotik, pembuatan game, dan navigasi.
Algoritma akan mampu menemukan aksi atau perlakuan yang menghasilkan output terbaik dari
hasil uji coba berulang kali. Ada tiga komponen utama untuk reinforcement learning, yaitu agen
(pembuat keputusan), lingkungan (apa saja yang berinteraksi dengan agen), dan aksi (apa yang agen
bisa lakukan).
Tujuan utama reinforcement machine learning adalah bagi agen untuk menentukan aksi apa yang
memaksimalkan hasil dalam waktu yang ditentukan.
c. Bidang Kedokteran
Dimanfaatkan untuk mendeteksi penyakit pasien dengan mempelajari data-data yang berhubungan
dengan gejala yang ditunjukan. Misalnya, mendeteksi sakit jantung yang dilihat dari hasil rekaman
elektrokardiogram.
d. Speech Understanding
Machine Learning akan mengingat dan memproses suara pengguna, sehingga pengguna tidak akan
perlu repot mengetik, hanya cukup mengucapkan apa yang dicari atau apa yang dibutuhkan.
Penerapan Machine Learning untuk masa yang akan datang, tidak menutup kemungkinan Machine
Learning itu sendiri dapat membuat Machine Learning yang lain, jadi tidak diperlukan tenaga manusia
lagi untuk mengembangkan suatu Machine Learning tertentu.
https://www.codepolitan.com/mengenal-teknologi-machine-learning-pembelajaran-mesin
https://www.dicoding.com/blog/machine-learning-adalah/
https://glints.com/id/lowongan/machine-learning/#.YCCpLWgzbDc
https://chatbiz.id/blog/penerapan-machine-learning-dalam-kehidupan-sehari-hari/