MKU Transformasi Digital

Bab 15. Machine Learning

Tujuan Pembelajaran:
● Menjelaskan pengertian Machine Learning;
● Menyebutkan manfaat Machine Learning;
● Mengidentifikasi kategori Machine Learning;
● Menjelaskan contoh penerapan Machine Learning;
A. Pengertian Machine Learning
Istilah Machine Learning diciptakan oleh Arthur Samuel pada tahun 1959. Machine
Learning merupakan penerapan dari disiplin ilmu Artificial Intelligence (AI) yang
memanfaatkan teknis analisis statiska dari sekumpulan data dengan tujuan memberikan
komputer kemampuan untuk "belajar". Machine Learning memungkinkan mesin dapat
mempelajari sejumlah data sehingga dapat menghasilkan suatu model untuk melakukan
proses input-output tanpa instruksti yang diprogramkan secara eksplisit (Samuel, 1959).
Baru-baru ini, Tom Mitchell memberikan definisi yang baik dan yang telah terbukti lebih
berguna untuk bidang rekayasa yaitu sebuah program komputer dikatakan belajar dari
pengalaman E sehubungan dengan beberapa tugas T dan beberapa ukuran kinerja P, jika
kinerjanya di T, sebagaimana diukur oleh P, meningkat dengan pengalaman E (Mitchell,
1997). Sedangkan menurut pakar lain, istilah Machine Learning mengacu pada deteksi
otomatis pola bermakna yang berada dalam suatu data (Shalev-Shwartz & Ben-David,
2013).

Gambar 14.1. Ilustrasi Machine Learning

(sumber: https://commons.wikimedia.org/wiki/File:Machine_learning.jpg )

Machine learning telah menjadi salah satu topik terpenting dalam organisasi
pengembangan yang mencari cara inovatif untuk memanfaatkan aset data guna
membantu bisnis mendapatkan tingkat pemahaman yang baru. Machine learning adalah
bentuk Artificial Intelligence (AI) yang memungkinkan sistem untuk belajar dari data,
bukan melalui pemrograman eksplisit. Machine learning menggunakan berbagai
algoritme yang secara berulang belajar dari data untuk meningkatkan, mendeskripsikan
data, dan memprediksi hasil. Saat algoritme menyerap data, maka dimungkinkan untuk
menghasilkan model atau prediksi yang lebih tepat berdasarkan data tersebut. Secara
luas, Machine Learning dapat didefinisikan sebagai metode komputasi yang

Materi Pembelajaran – MKU Transformasi Digital 1

menggunakan pengalaman untuk meningkatkan kinerja atau membuat prediksi (Mohri,
Rostamizadeh, & Talwalkar, 2018).
Machine learning biasa digunakan untuk membuat sebuah model analitik. Banyak
pengguna aplikasi terkadang tidak menyadari bahwa ia telah berinteraksi dengan
machine learning. Misalnya, pada saat mengunjungi situs e-commerce dan mulai melihat
produk serta membaca ulasan, pengguna kemungkinan akan disuguhi produk serupa
lainnya yang mungkin akan menarik bagi pengguna tersebut. Rekomendasi ini disajikan
ke situs melalui model machine learning. Model tersebut menyimpan riwayat
penjelajahan pengguna bersama dengan data penjelajahan dan pembelian pembeli lain
untuk menyajikan produk serupa lainnya yang mungkin ingin dibeli.

B. Manfaat Machine Learning

Teknologi terbaru berkembang secara konsisten dan merevolusi setiap aspek
rutinitas kita. Manusia pertama kali mempelajari machine learning ketika personal
assistent yang dikendalikan suara (Amazon's Echo dan Alexa) diluncurkan. Perangkat ini
merupakan sebuah hal baru yang normal seiring dengan perkembangan smart homes
(rumah pintar). Saat ini mobil tanpa pengemudi, yang merupakan fantasi fiksi ilmiah
klasik, juga bukanlah sesuatu yang jauh dari masa depan. Kendaraan era baru ini, yang
bertujuan untuk mengurangi tenaga kerja manusia, diuji di seluruh dunia untuk manfaat
utilitasnya. Awalnya, ide intelligent machines (mesin cerdas) adalah sesuatu hal yang
tidak masuk akal. Mesin yang bertindak atas nama manusia bukanlah sebuah norma.
Namun, dengan pemberdayaan dan evolusi machine learning dalam kehidupan kita
sehari-hari, pandangan manusia mulai berubah. Berikut ini beberapa manfaat machine
learning di setiap bidang yang telah merevolusi sebagaian besar kehidupan:
1. Kesehatan
Saat ini, machine learning diterapkan untuk diagnosis pasien yang cepat dan
pemberian perawatan kesehatan yang dipercepat. Meskipun mesin ini berada di
bawah pengawasan karena dirasa tidak 'cukup manusiawi', namun akurasi dan
ketepatan yang ditawarkan oleh mereka tak tertandingi. Dari administrasi, pencatatan
hingga diagnosis dan perawatan yang matang, machine learning memiliki kemampuan
untuk menganalisis krisis yang dihadapi dan membandingkannya dengan berbagai
skenario lain untuk perawatan dan prosedur yang tepat. Perbandingan ini menghemat
waktu dan membuka jalur strategis untuk pendekatan medis yang menentukan.

Materi Pembelajaran – MKU Transformasi Digital 2

 Selain itu, machine learning dapat memberdayakan robot bedah untuk membantu
dokter dalam prosedur medis sambil memastikan invasi minimal dan presisi tinggi.
Pencapaian ini dapat meningkatkan tingkat keberhasilan prosedur pembedahan dan
mempercepat waktu penyelesaian dengan keuntungan biaya. Dalam konteks
perawatan kesehatan, machine learning dapat menjadi pendorong penting untuk
diagnosis, penelitian, dan pengobatan yang efisien.
2. Pendidikan
Pengajar (guru) memang tidak dapat sepenuhnya digantikan oleh bot, tetapi machine
learning dapat membantu memberikan keragaman pada metode pengajaran dan
pendidikan secara keseluruhan. Kemampuan machine learning dapat digunakan untuk
menilai pemahaman akademis peserta didik, menganalisis caranya memandang
pengetahuan, dan membuat rencana akademis yang disesuaikan dengan kebutuhan
siswa. Algoritme yang disediakan machine learning untuk menganalisis hasil tes dan
membuat sistem penilaian dapat menghemat waktu guru dan membantu
menyempurnakan modul pendidikan bagi peserta didik. Selain itu, machine learning
dapat sangat membantu siswa penyandang disabilitas dan kesulitan belajar.
3. Transportasi
Industri transportasi saat ini sangat dipengaruhi oleh machine learning. Teknologi ini
berperan penting dalam memberantas ancaman yang ditimbulkan oleh pengemudi
sembrono melalui penerapan manajemen sensorik dan otomatisasi. Teknologi ini
telah membuat kendaraan cerdas memahami parameter di sekitarnya dan mengambil
tindakan pencegahan setiap kali diperlukan untuk memastikan keselamatan
penumpang. Selain kendaraan, machine learning dapat segera digunakan untuk
manajemen lalu lintas dan mencegah kemacetan lalu lintas di jalan raya. China dan
Singapura, saat ini, memimpin inovasi dan menciptakan algoritme yang dapat
membantu pengemudi memilih rute yang bebas dari lalu lintas.
4. Perbankan dan Industri Jasa Keuangan
Beberapa bank dan lembaga keuangan menggunakan algoritme kompleks berbasis
machine learning untuk menganalisis dan memprediksi risiko pinjaman dan menilai
kualitas aplikasi, sehingga memperkuat mereka untuk mengambil keputusan yang
tepat. Cara ini juga membantu dalam mendeteksi penipuan. Industri tradisional
sebaliknya lebih menyukai machine learning untuk mengurangi hambatan
transformasionalnya dan menciptakan keterlibatan pengguna yang lebih baik

Materi Pembelajaran – MKU Transformasi Digital 3

 khususnya bagi pelanggan. Voice Recognition, Chatbots, dan Predictive Analysis
membantu menjembatani kesenjangan antara perusahaan keuangan dan calon
pelanggan. Saat ini, pelanggan dapat menghubungi kapan saja sepanjang hari dan akan
mendapat balasan instan dan real-time dari Chatbots. Hal ini tentu dapat menghemat
waktu serta meningkatkan pengalaman pelanggan.

C. Macam Algoritme Machine Leaning

Ada beberapa jenis-jenis algoritme machine learning tetapi umumnya dapat dibagi
ke dalam kategori sesuai dengan tujuan dan kategori utamanya yaitu:
1. Supervised Machine Learning Algorithms
Supervised machine learning adalah algoritme paling populer untuk melakukan
operasi pembelajaran mesin. Algoritme ini banyak digunakan untuk data di mana ada
pemetaan yang tepat antara data input-output. Algoritme ini merupakan salah satu yang
melibatkan pengawasan langsung. Dalam kasus ini, pengembang memberi label pada
sampel data dan menetapkan batasan yang ketat di mana algoritma beroperasi.
Selanjutnya algoritme ini akan mencoba memodelkan hubungan dan ketergantungan
antara keluaran prediksi target dan fitur masukan sehingga kita dapat memprediksi nilai
keluaran untuk data baru berdasarkan hubungan yang dipelajari dari kumpulan data
sebelumnya. Algoritme ini mencakup dua proses utama yaitu klasifikasi dan regresi.
Klasifikasi adalah proses di mana data yang masuk diberi label berdasarkan sampel
data sebelumnya dan secara manual melatih algoritme untuk mengenali jenis objek
tertentu dan mengkategorikannya. Sistem harus mengetahui cara membedakan jenis
informasi, melakukan karakter optik, gambar, atau pengenalan biner (apakah bit data
tertentu sesuai atau tidak sesuai dengan persyaratan tertentu dengan cara "ya" atau
"tidak"). Regresi adalah proses mengidentifikasi pola dan menghitung prediksi hasil yang
berkelanjutan. Sistem harus memahami angka, nilainya, pengelompokan (misalnya,
tinggi dan lebar), dll. Beberapa algoritme yang berada di bawah supervised learning
meliputi: nearest neighbor, naive bayes, decision trees, linear regression, support vector
machines (svm), neural networks.
2. Unsupervised Machine Learning algorithms
Unsupervised Machine Learning adalah salah satu yang tidak melibatkan kontrol
langsung dari pengembang. Jika poin utama dari supervised learning adalah kita
mengetahui hasil dan perlu menyortir datanya, maka dalam kasus algoritma unsupervised

Materi Pembelajaran – MKU Transformasi Digital 4

learning hasil yang diinginkan tidak diketahui dan belum ditentukan. Dalam kasus
unsupervised learning algorithm, data tidak secara eksplisit diberi label ke dalam kelas
yang berbeda, yaitu tidak ada label. Model mampu belajar dari data dengan menemukan
pola implisit. Algoritme ini mengidentifikasi data berdasarkan kepadatan, struktur,
segmen serupa, dan fitur serupa lainnya. Algoritme ini menerapkan teknik clustering dan
dimensionality reduction untuk mendeskripsikan data.
Clustering atau pengelompokan adalah eksplorasi data yang digunakan untuk
menyegmentasikannya ke dalam kelompok yang bermakna berdasarkan pola internal
mereka tanpa pengetahuan sebelumnya tentang kredensial kelompok. Kredensial
ditentukan oleh kesamaan objek data individu dan juga aspek ketidaksamaannya dari
yang lain (yang juga dapat digunakan untuk mendeteksi anomali). Dimensionality
reduction diperlukan karena ada banyak gangguan (noise) dalam data yang masuk.
Algoritme ini menggunakan pengurangan dimensi untuk menghilangkan gangguan ini
sambil menyaring informasi yang relevan. Algoritme yang paling banyak digunakan
untuk jenis ini adalah k-means clustering dan association rules.
3. Semi-supervised Machine Learning algorithms
Semi-supervised learning mewakili jalan tengah antara algoritme supervised dan
unsupervised learning, model semi-supervised menggabungkan beberapa aspek dari
keduanya menjadi satu kesatuan. Pada dua tipe sebelumnya, baik tidak ada label untuk
semua observasi di dataset atau label untuk semua observasi, maka semi-supervised
learning berada di antara keduanya. Dalam banyak situasi praktis, biaya pelabelan cukup
tinggi, karena memerlukan tenaga ahli yang terampil untuk melakukannya. Jadi, dengan
tidak adanya label di sebagian besar pengamatan tetapi hanya ada sedikit maka algoritma
semi-supervised ini adalah kandidat terbaik untuk membangun model. Metode ini
memanfaatkan gagasan bahwa meskipun keanggotaan grup dari data yang tidak berlabel
tidak diketahui, data ini membawa informasi penting tentang parameter grup. Semi-
supervised learning menggunakan proses klasifikasi untuk mengidentifikasi aset data dan
proses klastering untuk mengelompokkannya menjadi beberapa bagian.
4. Reinforcement Machine Learning algorithms
Reinforcement learning mewakili apa yang umumnya dipahami sebagai machine
learning artificial intelligence. Metode reinforcement learning bertujuan menggunakan
observasi yang dikumpulkan dari interaksi dengan lingkungan untuk mengambil
tindakan yang akan memaksimalkan hasil atau meminimalkan risiko. Algoritma ini terus

Materi Pembelajaran – MKU Transformasi Digital 5

belajar dari lingkungan secara berulang. Dalam prosesnya, algoritma ini belajar dari
pengalamannya terhadap lingkungan hingga menjelajahi berbagai kemungkinan status.
Hal ini juga memungkinkan mesin dan agen perangkat lunak untuk secara otomatis
menentukan perilaku ideal dalam konteks tertentu, dan untuk memaksimalkan
kinerjanya. Algoritme ini menggunakan teknik yang disebut eksplorasi atau eksploitasi.
Mekanismenya sederhana yaitu tindakan berlangsung, konsekuensi diamati, dan
tindakan berikutnya mempertimbangkan hasil dari tindakan pertama.
Di tengah algoritma reinforcement learning terdapat reward signal yang terjadi saat
melakukan tugas tertentu. Sinyal ini berfungsi sebagai alat navigasi yang memberinya
pemahaman tentang tindakan yang benar dan salah. Dua jenis utama reward signal
adalah positif dan negati. Reward signal positif mendorong kinerja yang berkelanjutan
pada urutan tindakan tertentu. Sedangkan reward signal negatif memberikan penalti
untuk melakukan aktivitas tertentu dan mendesak untuk mengoreksi algoritma untuk
berhenti mendapatkan penalti. Algoritme reinforcement learning yang paling umum
meliputi: Q-Learning, Temporal Difference (TD), Monte-Carlo Tree Search (MCTS),
Asynchronous Actor-Critic Agents (A3C)

D. Contoh Penerapan Machine Learning

Salah satu aplikasi AI yang populer adalah machine learning di mana komputer,
perangkat lunak, dan perangkat bekerja melalui kognisi (sangat mirip dengan otak
manusia). Berikut ini contoh aplikasi penerapan machine learning:
1. Virtual Personal Assistants
Saat ini terdapat berbagai virtual personal assistants seperti Google assistent, Alexa,
Cortana, Siri. Aplikasi ini dapat membantu dalam menemukan informasi mengguna-
kan instruksi suara, seperti: memutar musik, menelepon seseorang, membuka email,
menjadwalkan janji temu, dll. virtual personal assistants menggunakan algoritme
machine learning sebagai bagian penting. Aplikasi ini merekam instruksi suara,
mengirimkannya ke server di cloud, dan mendekodekannya menggunakan algoritme
machine learning dan bertindak sesuai dengan kode tersebut.
2. Image Recognition
Pengenalan gambar adalah salah satu aplikasi machine learning yang paling umum. Ini
digunakan untuk mengidentifikasi objek, orang, tempat, gambar digital, dll. Kasus
penggunaan yang populer dari pengenalan gambar dan deteksi wajah adalah, saran

Materi Pembelajaran – MKU Transformasi Digital 6

 pemberian tag teman otomatis yang digunakan oleh Facebook. Setiap kali kita
mengunggah foto dengan teman Facebook kita, maka kita secara otomatis
mendapatkan saran penandaan dengan nama, dan teknologi di balik ini adalah
algoritma pendeteksian dan pengenalan wajah dari machine learning.
3. Social Media Services
Platform media sosial memanfaatkan machine learning untuk keuntungan mereka
sendiri dan pengguna. Berikut salah satu contoh fitur di media sosial yang tanpa
disadari oleh pengguna merupakan aplikasi machine learning, yaitu People You May
Know. Machine learning bekerja dengan konsep sederhana, memahami dengan
pengalaman. Facebook dapat merekomendasikan akun-akun yang kemungkinan Anda
kenal berdasarkan riwayat aktivitas Anda di media sosial. Riwayat tersebut
diantaranya seperti teman yang terhubung dengan Anda, profil yang sering Anda
kunjungi, minat Anda, tempat kerja, atau grup yang Anda bagikan dengan seseorang,
dll. Atas dasar pembelajaran berkelanjutan tersebut, Facebook dapat memberikan
saran daftar pengguna yang berpotensi dijadikan pertemanan.
4. Email Spam and Malware Filtering
Setiap kali menerima email baru, biasanya email sudah difilter secara otomatis sebagai
kategori penting, normal, dan spam. Email penting biasanya diterima di kotak masuk,
sedangkan email spam di kotak spam. Ada sejumlah pendekatan pemfilteran spam
yang digunakan oleh klien email. Untuk memastikan bahwa filter spam ini terus
diperbarui, filter tersebut didukung oleh machine learning. Beberapa algoritme yang
digunakan seperti Multi-Layer Perceptron, Decision tree, dan Naïve Bayes classifier
digunakan untuk pemfilteran spam email dan deteksi malware. Berikut adalah
beberapa filter spam yang digunakan oleh Gmail: content filter, header filter, general
blacklists filter, rules-based filters, permission filters.
5. Self-driving Car
Salah satu aplikasi machine learning yang paling menarik adalah mobil yang dapat
mengemudi sendiri. Machine learning memainkan peran penting dalam mobil tanpa
pengemudi. Tesla, perusahaan manufaktur mobil paling populer sedang mengerjakan
self-driving car. Teknologi ini menggunakan metode pembelajaran tanpa pengawasan
untuk melatih model mobil untuk mendeteksi orang dan benda saat mengemudi.

Materi Pembelajaran – MKU Transformasi Digital 7

E. Rangkuman
Machine learning telah menjadi salah satu topik terpenting dalam organisasi
pengembangan yang mencari cara inovatif untuk memanfaatkan aset data guna
membantu bisnis mendapatkan tingkat pemahaman yang baru. Machine learning adalah
bentuk AI yang memungkinkan sistem untuk belajar dari data, bukan melalui
pemrograman eksplisit. Ada beberapa variasi cara mendefinisikan jenis-jenis algoritme
machine learning tetapi umumnya dapat dibagi ke dalam kategori sesuai dengan tujuan
dan kategori utamanya, meliputi: supervised learning, unsupervised learning, semi-
supervised learning, dan reinforcement learning. Machine learning dapat menangani
kompleksitas semua sektor, oleh karena itu sangat masuk akal bahwa hampir semua
industri akan mengembangkan berbagai kinerja berbasis algoritme yang dapat
menyederhanakan pemrosesannya.

F. Referensi
Mitchell, T. M. (1997). Machine learning. 1997. Burr Ridge, IL: McGraw Hill.
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning.
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal
of Research and Development, 3(3).
Shalev-Shwartz, S., & Ben-David, S. (2013). Understanding machine learning: From theory to
algorithms. Understanding Machine Learning: From Theory to Algorithms.
https://doi.org/10.1017/CBO9781107298019

Materi Pembelajaran – MKU Transformasi Digital 8