Jenis-jenis Machine Learning
Machine Learning memiliki beberapa pendekatan yang berbeda dalam mempelajari data.
Secara umum, kategori utama Machine Learning dapat dibagi menjadi:
Machine Learning
│
├── Supervised Learning
│
├── Unsupervised Learning
│
└── Reinforcement Learning
Perbedaan utama ketiganya terletak pada bagaimana model memperoleh informasi untuk belajar.
Supervised Learning
↓
Belajar menggunakan data berlabel
Unsupervised Learning
↓
Belajar menggunakan data tanpa label
Reinforcement Learning
↓
Belajar melalui interaksi dan reward
Sumber: https://dicoding-assets.sgp1.cdn.digitaloceanspaces.com/
Supervised Learning
Supervised Learning atau pembelajaran terawasi adalah pendekatan Machine Learning yang menggunakan data yang sudah memiliki label.
Label tersebut berfungsi sebagai jawaban atau target yang ingin dipelajari oleh model.
Contohnya:
Data Label
----------------------------
Pengalaman = 5 tahun Diterima
Pengalaman = 1 tahun Ditolak
Pengalaman = 3 tahun Diterima
Model mempelajari hubungan antara data dan label tersebut.
Secara sederhana:
Input + Label
↓
Training
↓
Model
↓
Prediksi
Karena data training memiliki label, kita dapat membandingkan hasil prediksi model dengan jawaban sebenarnya.
Prediksi Model
vs
Label Sebenarnya
↓
Evaluasi
Classification
Classification merupakan salah satu bentuk Supervised Learning.
Tujuannya adalah menentukan kategori atau kelas dari suatu data.
Contohnya:
Input
↓
Model
↓
Apel / Pir
Atau:
Email
↓
Model
↓
Spam / Bukan Spam
Model mencoba mempelajari batas atau pola yang membedakan satu kategori dengan kategori lainnya.
Contoh sederhana:
Data
│
├── Kategori A
│
└── Kategori B
Setelah dilatih, model dapat digunakan untuk menentukan kategori data baru.
Regression
Regression merupakan bentuk lain dari Supervised Learning yang digunakan untuk memprediksi nilai numerik atau kontinu.
Berbeda dengan Classification yang menghasilkan kategori, Regression menghasilkan nilai.
Contohnya:
Data Rumah
↓
Model
↓
Prediksi Harga
Contoh lainnya:
Data Historis
↓
Regression Model
↓
Prediksi Harga
Regression dapat digunakan ketika output yang ingin diprediksi berupa angka.
Contoh Supervised Learning dalam Perekrutan
Machine Learning juga dapat digunakan untuk membantu proses pengambilan keputusan, misalnya dalam memprediksi kelayakan seorang kandidat.
Data kandidat dapat memiliki beberapa fitur:
Pengalaman kerja
Usia
Domisili
Perangkat yang digunakan
Data tersebut kemudian dapat digunakan sebagai input model.
Data Kandidat
↓
Machine Learning
↓
Prediksi
↓
Layak / Tidak Layak
Jika data training sudah memiliki label, pendekatan tersebut termasuk Supervised Learning.
Unsupervised Learning
Unsupervised Learning atau pembelajaran tanpa pengawasan menggunakan data yang tidak memiliki label.
Pada pendekatan ini, komputer tidak diberikan jawaban benar atau salah secara eksplisit.
Contohnya:
Data
↓
Machine Learning
↓
Pola yang ditemukan
Model mencoba menemukan struktur atau pola tersembunyi yang terdapat di dalam data.
Perbedaannya dengan Supervised Learning:
Supervised
Data + Label
↓
Belajar dari jawaban
Unsupervised
Data tanpa Label
↓
Mencari pola sendiri
Clustering
Salah satu penerapan utama Unsupervised Learning adalah Clustering.
Clustering digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik.
Misalnya terdapat data pelanggan:
Pelanggan A
Pelanggan B
Pelanggan C
Pelanggan D
Pelanggan E
Model dapat menemukan kelompok berdasarkan pola tertentu:
Data Pelanggan
↓
Clustering
↓
┌─────────────┐
│ Cluster 1 │
├─────────────┤
│ Cluster 2 │
├─────────────┤
│ Cluster 3 │
└─────────────┘
Kita tidak perlu memberikan label Cluster 1, Cluster 2, atau Cluster 3 sebelumnya.
Model mencoba menemukan kelompok tersebut berdasarkan karakteristik data.
Association Rule Learning
Selain clustering, Unsupervised Learning juga dapat digunakan untuk menemukan hubungan atau pola antar data melalui Association Rule Learning.
Salah satu contoh sederhananya adalah analisis perilaku pembelian pelanggan.
Misalnya ditemukan pola:
Membeli Laptop
+
Membeli Mouse
↓
Kemungkinan membeli
Laptop Bag
Pola seperti ini dapat digunakan untuk membantu sistem memahami hubungan antar produk.
Dalam konteks bisnis, informasi tersebut dapat dimanfaatkan untuk:
Rekomendasi Produk
Cross Selling
Analisis Perilaku Pelanggan
Reinforcement Learning
Reinforcement Learning atau pembelajaran penguatan menggunakan pendekatan yang berbeda dari Supervised dan Unsupervised Learning.
Dalam Reinforcement Learning terdapat sebuah agent yang berinteraksi dengan environment.
Agent melakukan tindakan atau action, kemudian mendapatkan umpan balik berupa reward atau punishment.
Secara sederhana:
Environment
↑
│
Action
│
Agent
│
Reward
↓
Learning
Agent belajar melalui proses trial and error.
Trial and Error
Pada awal proses, agent mungkin belum mengetahui tindakan terbaik.
Agent mencoba berbagai tindakan:
Action A → Reward kecil
Action B → Punishment
Action C → Reward besar
Dari pengalaman tersebut, agent belajar memilih tindakan yang lebih baik.
Tujuan utamanya adalah memperoleh reward sebanyak mungkin atau memaksimalkan skor.
Trial
↓
Feedback
↓
Learning
↓
Better Action
↓
Higher Reward
Proses tersebut dapat dilakukan berulang kali hingga agent mempelajari strategi yang lebih baik.
Contoh Reinforcement Learning
Salah satu contoh yang mudah dipahami adalah AI yang belajar bermain game.
Game Environment
↓
Agent
↓
Action
↓
Game State
↓
Reward / Punishment
↓
Learning
Misalnya:
Bergerak ke arah yang benar
↓
Reward
Menabrak rintangan
↓
Punishment
Setelah melakukan banyak percobaan, agent dapat belajar tindakan mana yang menghasilkan reward lebih besar.
Perbandingan Tiga Kategori
| Kategori | Data | Cara Belajar | Contoh |
|---|---|---|---|
| Supervised Learning | Berlabel | Belajar dari input dan target | Classification, Regression |
| Unsupervised Learning | Tanpa label | Menemukan pola atau struktur | Clustering |
| Reinforcement Learning | Interaksi dengan environment | Trial and error berdasarkan reward | Game, kontrol agent |
Cara sederhana untuk mengingatnya:
Supervised
"Berikut data dan jawabannya.
Pelajari hubungan keduanya."
Unsupervised
"Berikut datanya.
Temukan polanya."
Reinforcement
"Coba lakukan sesuatu.
Dapatkan reward atau punishment.
Belajarlah dari pengalaman."
Algoritma Machine Learning
Setiap kategori Machine Learning memiliki berbagai algoritma yang dapat digunakan untuk menyelesaikan masalah tertentu.
Beberapa algoritma yang umum diperkenalkan antara lain:
Decision Trees
Neural Networks
Support Vector Machines
K-Nearest Neighbors
Pemilihan algoritma bergantung pada:
Jenis masalah
Karakteristik data
Jumlah data
Tujuan model
Kebutuhan performa
Decision Trees
Decision Tree menggunakan struktur seperti pohon untuk mengambil keputusan.
Secara sederhana:
Apakah X?
/ \
Ya Tidak
↓ ↓
Kondisi A Kondisi B
/ \
Output 1 Output 2
Decision Tree dapat digunakan untuk berbagai masalah Machine Learning, termasuk classification dan regression.
Neural Networks
Neural Network merupakan model yang terinspirasi dari cara kerja jaringan neuron biologis.
Secara sederhana:
Input Layer
↓
Hidden Layer
↓
Hidden Layer
↓
Output Layer
Neural Network dapat digunakan untuk mempelajari pola yang kompleks.
Teknologi Deep Learning menggunakan neural network dengan banyak lapisan.
Support Vector Machines
Support Vector Machine (SVM) merupakan algoritma yang dapat digunakan untuk melakukan klasifikasi dengan mencari batas pemisah antar kelas.
Secara konseptual:
Class A | Class B
● ● ● ● | ○ ○ ○ ○
● ● ● | ○ ○ ○
↑
Decision Boundary
Model mencoba menemukan batas yang dapat memisahkan kategori data.
K-Nearest Neighbors
K-Nearest Neighbors (KNN) menggunakan kedekatan atau kemiripan data untuk menentukan prediksi.
Secara sederhana:
Data Baru
↓
Cari tetangga terdekat
↓
Lihat kategori tetangga
↓
Tentukan prediksi
Misalnya sebuah data baru memiliki beberapa tetangga terdekat:
● ● ● ○ ○
↑
Data baru
Jika sebagian besar tetangganya termasuk kategori tertentu, data baru dapat diklasifikasikan ke kategori tersebut.
Hubungan Kategori dan Algoritma
Kategori Machine Learning dan algoritma merupakan dua hal yang berbeda.
Kategori menjelaskan bagaimana model belajar:
Supervised
Unsupervised
Reinforcement
Sedangkan algoritma menjelaskan metode yang digunakan untuk membangun model.
Contohnya:
Supervised Learning
│
├── Classification
│ ├── Decision Tree
│ ├── KNN
│ └── SVM
│
└── Regression
└── Regression Algorithms
Sedangkan:
Unsupervised Learning
│
└── Clustering
└── Clustering Algorithms
Tidak semua algoritma cocok untuk semua kategori dan semua jenis masalah.
Bagaimana Memilih Kategori?
Pertanyaan sederhana berikut dapat membantu menentukan pendekatan awal.
Apakah data memiliki label?
Ya
↓
Supervised Learning
Jika tidak:
Tidak
↓
Unsupervised Learning
Jika masalahnya melibatkan agent yang belajar melalui interaksi dan reward:
Environment
↓
Action
↓
Reward
↓
Reinforcement Learning
Gambaran Besar
Seluruh kategori Machine Learning dapat dirangkum:
MACHINE LEARNING
│
┌────────────────┼────────────────┐
│ │ │
▼ ▼ ▼
Supervised Unsupervised Reinforcement
│ │ │
┌────┴────┐ │ Trial & Error
│ │ │ │
▼ ▼ ▼ ▼
Classification Regression Clustering Reward
Ringkasan
Supervised Learning
Data Berlabel
↓
Training
↓
Model
↓
Prediction
Digunakan untuk masalah seperti:
Classification
Regression
Unsupervised Learning
Data Tanpa Label
↓
Learning
↓
Pattern
↓
Group / Structure
Contohnya:
Clustering
Association Rule Learning
Reinforcement Learning
Agent
↓
Action
↓
Environment
↓
Reward / Punishment
↓
Learning
Pendekatan ini digunakan ketika sistem belajar berdasarkan interaksi dan pengalaman.
Kesimpulan
Machine Learning tidak menggunakan satu metode yang sama untuk semua masalah.
Tiga kategori utama yang perlu dipahami adalah:
Supervised Learning
→ Belajar dari data berlabel
Unsupervised Learning
→ Menemukan pola dari data tanpa label
Reinforcement Learning
→ Belajar melalui interaksi dan reward
Setelah memahami kategori tersebut, langkah berikutnya adalah mempelajari jenis masalah Machine Learning, terutama Classification, Regression, dan Clustering, kemudian memahami algoritma yang sesuai untuk masing-masing masalah.