Pendahuluan
Istilah pada judul di atas sudah muncul di tengah dunia akademik mulai beberapa tahun lalu. Awalnya memang agak samar-samar, tetapi makin lama makin santer terdengar. Kosa kata “pembelajaran mesin” atau machine learning bagi banyak orang cukup mengganggu. Ada yang menganggap ini tentang orang mempelajari mengenai mesin, atau bahkan ada yang menganggap mesin untuk belajar. Sebagian orang menyangka seseorang yang belajar mirip dengan mesin. Marilah kita mendiskusikan tentang topik ini sebelum membuat interpretasi yang lebih lebar lagi.
Kecerdasan Buatan
Ide tentang kecerdasan buatan (KB) sudah muncul cukup lama, yaitu mulai sekitar tahun 1950-an, namun pada periode selanjutnya mengalami kemunduran karena terbentur masalah ekspektasi penelitian. Tahun 1980-an merupakan awal dari kebangkitan kembali ide kecerdasan buatan sekaligus pembelajaran mesin, yang ditandai dengan kebangkitan penggunaan metode jaringan syaraf tiruan (JST). Ada beberapa jenis JST yang berkembang untuk mendukung implementasi sistem kecerdasan buatan.
Lebih jauh lagi ke belakang, Mesin Turing hasil pemikiran Alan Turing di usia sekitar 24 tahun, pada tahun 1936, merupakan cikal bakal bagaimana orang ingin menciptakan sebuah mesin yang memiliki kecerdasan. Mesin Turing adalah konsep suatu mesin yang memiliki sebuah kepala baca-tulis (read-write head) yang bisa bergerak ke kanan-kiri pada sebuah pita panjang. Kepala baca-tulis tersebut pada setiap saat mampu membaca atau menulis sebuah simbol antara 0, 1, dan spasi pada pita.
Untuk merealisasikan konsep mesin Turing sebagai sebuah mesin, tidak serta merta terwujud, bahkan ternyata harus menunggu beberapa tahun. Sebagai realisasi dari ide mesin Turing, barulah pada tahun 1945 von Neumann berhasil membuat rancangan konsep sebuah komputer, yakni mesin yang terdiri dari pemroses utama (berisi unit kendali, register, unit aritmetika dan logika), memori (mencakup memori primer dan sekunder), dan alat-alat input-output. Arsitektur komputer ini sampai sekarang masih diterapkan di dalam komputer-komputer digital masa kini. Jangan Anda bayangkan mesin ini sebesar telepon pintar sekarang, perwujudan ini pertama ini sebesar rumah sangat besar.
Seiring dengan lahirnya mesin komputer dengan kemampuan menghitung cepat dan berulang-ulang, muncul konsep kecerdasan buatan (terjemahan dari artificial intelligence, AI). AI merupakan suatu sistem komputer yang berusaha meniru cara manusia dalam memberikan tanggapan dan berperilaku, memecahkan masalah, dan mengambil keputusan, serta mampu mengoptimasi dalam pengambilan keputusan.
Pada tahun 1957, Frank Rosenblatt menemukan Perceptron, sekaligus mengawali penggunaan model jaringan syaraf tiruan (JST). Perceptron merupakan salah satu dari jenis JST yang digunakan untuk mengenali pola secara visual. Sebagian informasi yang “hilang” oleh sebab tertentu, berusaha dipersepsi dan direkonstruksi melalui sejumlah langkah untuk mendapatkan kembali pola yang sesuai. Pada periode selanjutnya ditemukan beberapa model dari JST dengan berbagai jenis, mulai dari karakteristik dan teknik-teknik pembelajaran, misalnya Feedforward, Recurrent, Self-Organizing Maps, AutoEncoders, Boltzmann Machines, Capsule Network, dan sebagainya.
Machine Learning
Machine Learning (ML) atau dalam bahasa Indonesia “Pembelajaran Mesin” merupakan pelaksanaan dari konsep kecerdasan buatan. Untuk mencapai tujuan tertentu di dalam KB membutuhkan model, serangkaian algoritma, dan teknik-teknik yang efisien. ML mengandung sekumpulan algoritma dan teknik untuk memecahkan masalah tertentu secara efisien. Sebagai contoh sederhana, apabila tersedia 2 kelompok data, sebut saja kelompok X dan kelompok Y, maka ML bertugas untuk mencari adanya keterkaitan dari kedua kelompok data tersebut. Adakah hubungan linier dari kedua kelompok data? Berapa besar keterkaitan serta berapa nilai koefisiennya.
Salah satu kunci dari penerapan ML adalah ketersediaan data. Data ini digunakan untuk menjalankan proses pembelajaran bagi mesin. Hasil akhir dari pelaksanaan pembelajaran adalah mesin memiliki suatu “pengetahuan.” Pada langkah selanjutnya memungkinkan mesin untuk diaplikasikan pada data lain.
Metode pembelajaran ada 2 jenis, yaitu diawasi (supervised learning) dan tidak diawasi (unsupervised learning). Metode pembelajaran diawasi membutuhkan pasangan data input dan output untuk membentuk “pengetahuan” bagi mesin. Setelah pembentukan pengetahuan selanjutnya mesin dapat digunakan untuk mengaplikasikan pengetahuan pada data input lain. Sebagai contoh pada aplikasi pengenalan wajah, ML diberikan banyak sekali gambar wajah sebagai bahan pelatihan. Selanjutnya ML diminta untuk mengenali suatu gambar wajah tertentu yang diberikan berdasarkan pengetahuan yang telah dikumpulkan.
