Machine learning yang merupakan salah satu cabang dari artificial intelligence (AI) semakin banyak digunakan di berbagai industri. Tak heran, sebab teknologi ini dapat melakukan berbagai otomatisasi untuk percepatan proses bisnis dan pelayanan optimal kepada konsumen. Dalam machine learning terdapat komponen-komponen yang memungkinkan komputer mempelajari pola data dan kemudian membuat prediksi atau keputusan tanpa arahan pengguna. Salah satu komponennya adalah algoritma.

Algoritma machine learning adalah serangkaian instruksi atau prosedur matematis yang digunakan untuk mengembangkan model machine learning. Semakin bagus algoritma yang digunakan, maka akan semakin baik prediksi dan keputusan yang dibuat oleh machine learning. Ibarat manusia, semakin banyak dan baik informasi dan pengetahuan yang didapatkan, maka ia akan semakin pintar. Oleh karena itu, pemilihan algoritma machine learning harus sesuai dengan kebutuhannya.

Berdasarkan kegunaannya, secara garis besar algoritma machine learning dibagi menjadi 3 kategori yaitu supervised learning, unsupervised learning, dan reinforcement learning. Yuk, kita bahas satu persatu.

Supervised Learning

Supervised learning adalah jenis algoritma machine learning yang menggunakan data-data berlabel. Ibarat manusia, ketika balita dikenalkan dengan berbagai buah-buahan sekaligus dengan nama-namanya, misalnya ini pisang, ini apel, ini jeruk, dan seterusnya. Dengan demikian, balita akan mampu mengklasifikasikan yang mana pisang, jeruk, maupun apel. Begitupun machine learning dengan algoritma supervised learning dapat menjalankan tugas klasifikasi, regresi, dan deteksi anomali.

Machine learning digunakan untuk memprediksi pola. Pola tersebut sudah memiliki contoh data yang lengkap. Dengan demikian, pola yang terbentuk merupakan hasil dari mempelajari data yang lengkap tersebut. 

Apabila kita memasukkan data baru, setelah melakukan extract transform load (ETL) kita akan memperoleh info feature dari sampel baru. Lalu, feature tersebut di-compare dengan pattern classification dari model yang didapatkan dari data berlabel. Setelah proses meng-compare semua label selesai, label yang memiliki persentase paling banyak akan diambil sebagai prediksi akhir.

Algoritma supervised learning ini dibagi lagi menjadi beberapa kategori berdasarkan tujuan dibentuknya, yaitu klasifikasi dan regresi/prediksi numerik. Untuk tujuan klasifikasi, algoritmanya terdiri dari neural networks, random forest, KNN, SVM, decision trees, random forest, dll. Sedangkan untuk tujuan regresi terdiri dari linear regression, neural networks, decision trees, SVM, dll.

Contoh penggunaannya, misalnya, perusahaan ingin mengetahui apakah pelanggan akan membeli sebuah produk atau tidak. Data yang dimiliki yaitu riwayat pembelian, riwayat aktivitas di website, jenis kelamin, usia, dan jumlah pendapatan pelanggan. Data ini diberi label “ya” atau “tidak” berdasarkan apakah pelanggan membeli produk yang dimaksud atau tidak. Dengan data yang tersedia algoritma supervised learning membuat model untuk memprediksi apakah pelanggan akan membeli produk yang dimaksud atau tidak.

Unsupervised learning

Jenis kedua dari algoritma machine learning adalah unsupervised learning dimana data yang digunakan tidak memiliki label. Tanpa label atau output benar dan salah, jenis algoritma ini tidak memiliki supervisor yang membantu menentukan benar atau salah. Tujuan dari algoritma unsupervised learning adalah menemukan pola atau kelompok dalam data seperti clustering dan reduksi dimensi.

Contohnya, algoritma unsupervised learning digunakan untuk menentukan segmentasi pasar. Sebuah perusahaan memiliki data berupa gender, pekerjaan, usia, alamat, frekuensi pembelian, dan kuantitas pembelian produk selama 1 tahun terakhir. Perusahaan tidak perlu memberikan label atau output yang benar atau melabeli pelanggan dengan usia, gender, maupun label lainnya. Kita juga tidak perlu menentukan jumlah kelompok dan kriteria tiap kelompok. Algoritma unsupervised learning akan mempelajari pola-pola dari karakterteristik tiap data dan kemudian melakukan pengelompokan secara mandiri.

Berdasarkan tujuannya, algoritma unsupervised learning dibagi menjadi clustering dan association. Untuk clustering contohnya adalah K-Means clustering dan Hierarchical clustering. Untuk association contohnya seperti Association rules.

Reinforcement Learning

Dalam reinforcement learning, tidak ada kumpulan data yang diberikan seperti pada supervised learning dan unsupervised learning. Model belajar melalui interaksi dengan lingkungan. Terdapat 2 komponen dalam algoritma ini yaitu “agent” dan “environment”. Agent belajar secara mandiri bagaimana berinteraksi dengan lingkungan untuk dapat mencapai tujuan.

Tujuan dari algoritma reinforcement learning adalah memaksimalkan reward dari lingkungan. Contoh penggunaannya yaitu pada game dan robotika. Misalnya, sebuah perusahaan ingin membuat robot yang dapat berjalan dan menghindari rintangan yang ia temui. Maka algoritma ini akan membuat model yang bisa memaksimalkan reward ketika robot berhasil melewati rintangan tanpa bertabrakan.

Contoh lainnya, misalnya dalam game catur. Machine learning adalah agent sedangkan lawan main (pengguna game) adalah environment. Machine akan mempelajari sendiri bagaimana caranya bisa memenangkan pertandingan berdasarkan pengalaman yang ia dapat. Misalnya pengalaman ketika ia berhasil memakan benteng lawan ataupun mendapatkan skak. Dari pengalaman yang didapat, machine mempelajari pola strategi (apa yang boleh dan tidak boleh dilakukan) untuk menang.

Demikian jenis-jenis algoritma machine learning secara garis besar. Hari ini skill machine learning memang banyak dibutuhkan oleh berbagai industri, termasuk industri keuangan. Semakin banyak yang tertarik belajar machine learning untuk bersaing mendapatkan pekerjaan yang kisaran gajinya mencapai 4-25 juta dan bahkan lebih. Sebab tentunya skill ini akan menambah nilai personal branding-mu untuk mendapatkan pekerjaan dengan nilai gaji yang lebih memuaskan.

Tenang, masih belum terlambat, kok. Kamu bisa belajar tentang machine learning di Katalis.App sekarang juga. Cek info lengkapnya di sini, ya.