Skip to main content

Penutup Machine Learning

Selamat! Kita telah menyelesaikan bagian pengantar Machine Learning.

Machine Learning merupakan bidang yang sangat luas. Materi Machine Learning bahkan dapat menjadi satu kursus tersendiri karena memiliki begitu banyak konsep, algoritma, metode, dan penerapan.

Tujuan materi ini bukan untuk mempelajari seluruh Machine Learning secara mendalam, tetapi memahami esensi dan alur kerja Machine Learning sebagai dasar untuk pembelajaran berikutnya.

Memahami Alur Kerja Machine Learning​

Tahapan utama yang telah dipelajari:

Import Data
     ↓
Clean Data
     ↓
Split Data
     ↓
Create Model
     ↓
Train Model
     ↓
Check Output
     ↓
Improve Model
     ↓
Make Prediction

Tahapan tersebut merupakan fondasi penting sebelum mempelajari teknik Machine Learning yang lebih kompleks.

Jupyter Notebook dalam Machine Learning​

Jupyter Notebook merupakan lingkungan kerja yang sangat berguna dalam Data Science dan Machine Learning.

Jupyter Notebook memungkinkan kita untuk:

  • Menulis dan menjalankan kode Python.
  • Memvisualisasikan data.
  • Memanipulasi data.
  • Membersihkan data.
  • Mengeksplorasi dataset.
  • Melatih model Machine Learning.
  • Menguji hasil prediksi.

Dengan memahami data terlebih dahulu, kita dapat membuat keputusan yang lebih baik ketika memilih dan mengembangkan model.

Dari Data hingga Pengambilan Keputusan​

Tujuan Machine Learning bukan sekadar membuat model atau mendapatkan angka akurasi.

Dalam penerapan nyata, hasil Machine Learning dapat digunakan untuk membantu pengambilan keputusan.

Data
 ↓
Machine Learning Model
 ↓
Prediction
 ↓
Business Insight
 ↓
Business Decision

Model dapat membantu menemukan pola yang sulit dianalisis secara manual ketika jumlah data sudah sangat besar.

Iris Dataset sebagai Contoh Pembelajaran​

Dataset Iris yang digunakan dalam materi ini merupakan dataset sederhana.

Tujuannya bukan untuk menyelesaikan masalah bisnis besar, tetapi untuk memahami prinsip dasar Machine Learning.

Pada Iris Dataset, model digunakan untuk mengenali jenis bunga berdasarkan beberapa karakteristik fisik.

Fitur Bunga
    ↓
Model Machine Learning
    ↓
Prediksi Jenis Bunga

Meskipun masalahnya sederhana, konsep yang dipelajari dapat menjadi dasar untuk permasalahan yang jauh lebih kompleks.

Prinsip yang Sama pada Masalah yang Lebih Kompleks​

Prinsip dasar Machine Learning dapat diterapkan pada berbagai macam permasalahan.

Image Recognition​

Model dapat mempelajari pola dari gambar untuk mengenali objek.

Gambar
 ↓
Model
 ↓
Objek yang dikenali

Sistem Rekomendasi​

Model dapat mempelajari perilaku pengguna untuk memberikan rekomendasi.

Data Pengguna
      ↓
    Model
      ↓
Rekomendasi

Self-Driving Cars​

Model dapat digunakan untuk membantu sistem memahami kondisi lingkungan dan menentukan tindakan.

Data Sensor / Kamera
        ↓
      Model
        ↓
    Prediksi
        ↓
    Keputusan

Walaupun kompleksitasnya jauh lebih tinggi, konsep dasarnya tetap berhubungan dengan data, model, prediksi, dan evaluasi.

Perubahan Peran Programmer​

Dalam pemrograman tradisional, programmer secara langsung menulis aturan yang digunakan komputer.

Konsep sederhananya:

Input + Function → Output

Programmer menentukan bagaimana fungsi tersebut bekerja.

Dalam Machine Learning, pendekatannya berbeda:

Input + Output → Model

Programmer memberikan data dan target kepada algoritma Machine Learning.

Kemudian algoritma mempelajari pola untuk menghasilkan model.

Karena itu, peran programmer dalam Machine Learning lebih banyak berkaitan dengan:

  • Mengumpulkan data.
  • Membersihkan data.
  • Memilih fitur.
  • Menentukan input.
  • Memilih algoritma.
  • Melatih model.
  • Mengevaluasi model.
  • Melakukan eksperimen.
  • Meningkatkan performa model.

Dengan kata lain, kita tidak selalu harus menulis seluruh aturan secara manual.

Data Merupakan Bagian yang Sangat Penting​

Salah satu konsep penting dalam Machine Learning adalah bahwa data memiliki nilai yang sangat besar.

Model yang bagus membutuhkan data yang relevan dan berkualitas.

Data Berkualitas
       ↓
    Training
       ↓
     Model
       ↓
Prediksi yang Lebih Baik

Inilah salah satu alasan perusahaan besar memiliki kemampuan Machine Learning yang sangat kuat.

Perusahaan seperti Google, Microsoft, Amazon, dan Netflix memiliki akses terhadap dataset dalam jumlah yang sangat besar.

Data tersebut dapat digunakan untuk:

  • Melatih model.
  • Menguji model.
  • Meningkatkan model.
  • Memahami perilaku pengguna.
  • Membuat prediksi.
  • Mengembangkan layanan berbasis Machine Learning.

Mengapa Big Data Sangat Penting?​

Bayangkan sebuah perusahaan memiliki jutaan pengguna.

Setiap pengguna dapat menghasilkan berbagai macam data:

Aktivitas pengguna
        ↓
Riwayat pencarian
        ↓
Riwayat pembelian
        ↓
     Interaksi
        ↓
     Preferensi
        ↓
     Dataset

Jika jumlah data tersebut sangat besar, manusia akan kesulitan menganalisisnya secara manual.

Machine Learning dapat digunakan untuk menemukan pola dari data tersebut secara otomatis.

Tidak Selalu Harus Membuat Model dari Nol​

Membuat dan melatih model Machine Learning dari awal bukan satu-satunya pilihan.

Saat ini tersedia berbagai pre-trained model yang telah dilatih sebelumnya menggunakan dataset dalam jumlah besar.

Developer dapat memanfaatkan model tersebut untuk menyelesaikan kebutuhan tertentu.

Pre-trained Model
       ↓
     Input
       ↓
Model Processing
       ↓
     Output

Dengan pendekatan ini, kita tidak harus selalu mengumpulkan dataset besar dan melakukan training dari awal.

Pre-trained Model dan Retrainable Model​

Secara umum, terdapat model yang dapat langsung digunakan dan model yang dapat dilatih kembali menggunakan data tertentu.

Pre-trained Model​

Model sudah dilatih sebelumnya dan dapat langsung digunakan.

Model yang sudah dilatih
          ↓
        Input
          ↓
        Output

Retrainable Model​

Model dasar dapat dilatih kembali menggunakan data yang lebih spesifik.

Model Dasar
    ↓
Data Kita
    ↓
Training
    ↓
Model yang Disesuaikan

Hal ini memungkinkan model menjadi lebih sesuai dengan kebutuhan tertentu.

Contoh: Translation Model​

Salah satu contoh penggunaan model yang sudah tersedia adalah penerjemahan bahasa.

Kita tidak perlu membuat sistem penerjemah dari nol.

Teks
 ↓
Translation Model
 ↓
Teks Terjemahan

Model yang sudah tersedia memungkinkan developer memanfaatkan kemampuan Machine Learning tanpa harus membangun keseluruhan model dari awal.

Nilai Model dan Data​

Salah satu gagasan penting dari materi ini adalah:

Nilai Machine Learning tidak hanya berada pada model, tetapi juga pada data yang digunakan untuk membuat model tersebut.

Model membutuhkan data untuk mempelajari pola.

Data
 ↓
Training
 ↓
Model
 ↓
Prediction

Karena itu, perusahaan yang memiliki data dalam jumlah besar memiliki keuntungan besar dalam mengembangkan sistem Machine Learning.

Machine Learning Terus Berkembang​

Machine Learning merupakan bidang yang terus berkembang.

Beberapa bidang yang dapat dipelajari lebih lanjut antara lain:

  • Machine Learning Algorithms
  • Deep Learning
  • Neural Networks
  • Computer Vision
  • Natural Language Processing
  • Feature Engineering
  • Model Optimization
  • Model Deployment
  • Generative AI

Karena luasnya bidang tersebut, tidak masalah jika belum memahami seluruh konsep Machine Learning pada tahap awal.

Yang terpenting adalah memahami fondasinya terlebih dahulu.

Apa yang Sudah Dipelajari?​

Setelah menyelesaikan bagian ini, kita telah mengenal beberapa konsep fundamental Machine Learning.

Konsep Machine Learning​

Machine Learning memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi.

Kategori Machine Learning​

Supervised Learning
Unsupervised Learning
Reinforcement Learning

Workflow Machine Learning​

Import Data
     ↓
Clean Data
     ↓
Split Data
     ↓
Create Model
     ↓
   Train
     ↓
  Evaluate
     ↓
  Improve
     ↓
  Predict

Tools​

Beberapa tools yang telah dikenalkan:

Python
NumPy
Pandas
Matplotlib
Seaborn
Scikit-learn
Jupyter Notebook

Serta pengenalan terhadap framework tingkat lanjut seperti:

TensorFlow
PyTorch

Jangan Khawatir Jika Belum Memahami Semuanya​

Machine Learning merupakan topik yang besar dan terus berkembang.

Tidak perlu mengharapkan diri sendiri untuk memahami setiap konsep secara sempurna setelah menyelesaikan pengantar ini.

Yang penting adalah sudah memahami gambaran besarnya:

Data
 ↓
Pattern
 ↓
Model
 ↓
Prediction
 ↓
Evaluation
 ↓
Improvement

Dengan fondasi tersebut, kita dapat melanjutkan ke materi Machine Learning yang lebih spesifik secara bertahap.

Kesimpulan​

Machine Learning pada dasarnya merupakan proses menggunakan data untuk membangun model yang dapat menghasilkan prediksi.

Kita dapat merangkum konsepnya menjadi:

          DATA
            ↓
      Machine Learning
            ↓
          MODEL
            ↓
       PREDICTION
            ↓
        EVALUATION
            ↓
        IMPROVEMENT

Dataset Iris yang digunakan dalam pembelajaran hanyalah contoh sederhana.

Prinsip yang sama dapat menjadi dasar untuk berbagai aplikasi yang jauh lebih kompleks, seperti:

  • Image Recognition.
  • Sistem rekomendasi.
  • Penerjemahan bahasa.
  • Computer Vision.
  • Kendaraan otonom.
  • Natural Language Processing.

Setelah memahami fondasi ini, langkah berikutnya adalah memperdalam setiap bagian dari workflow Machine Learning dan mulai bekerja dengan dataset serta permasalahan yang lebih nyata.

tip

Machine Learning bukan sekadar tentang algoritma. Data, proses eksperimen, evaluasi, dan kemampuan memperbaiki model merupakan bagian yang sama pentingnya dalam membangun sistem Machine Learning yang baik.