Untuk menjadi seorang Data Scientist maupun Data Analyst. Kamu perlu menguasai pemrograman Machine Learning. mau tahu lebih dalam mengenai Machine learning? Simak Penjelasan dibawah ini langkah-langkah belajar Machine Learning.
Apa itu Machine Learning
Dengan belajar machine learning, program dapat dilatih untuk memecahkan masalah spesifik tanpa harus menulis sistem logika satu per satu. Contohnya pada kasus program seleksi atlet diatas, dengan memanfaatkan machine learning kita tidak perlu menuliskan instruksi secara mendetail jika tinggi badan kurang dari sekian atau berat badan kurang dari sekian.
Kenapa Belajar Machine Learning?
Untuk contoh kasus diatas, memang parameter yang dipakai hanya dua, yaitu tinggi badan dan berat badan. Sehingga untuk kasus permasalahan tersebut kita tidak memerlukan machine learning dan cukup menulis program biasa, kasus tersebut hanya Saya gunakan untuk contoh saja agar dapat mudah dimengerti. Jika terdapat puluhan atau ratusan parameter mestinya kita akan repot jika harus menuliskan instruksi secara manual sehingga machine learning adalah solusinya.
Perbedaan Machine Learning Dengan Program Lainnya
Program biasa dibuat dengan cara menuliskan urutan perintah secara manual untuk menghasilkan output yang diinginkan dari sebuah input tertentu. Namun, dengan belajar Machine Learning, kita memberikan data berupa input dan output kepada program, dan program akan membuat sendiri urutan perintahnya.
Dalam machine learning, semua serba tergantung dengan data yang kita miliki. Data ini kita gunakan untuk melatih machine learning, namun pada kenyataannya, justru machine learning yang harus menyesuaikan dengan data yang kita miliki. Data tersebut bisa bermacam macam, ada yang berupa tabel, gambar, suara, video, dll.
Machine Learning Hanya Menyelesaikan Masalah Spesifik
Maksudnya, satu program hanya dibuat untuk memecahkan satu permasalahan. Contohnya AI self driving car hanya dapat menyetir mobil saja, AI untuk memprediksi cuaca hanya dapat memprediksi cuaca saja. Untuk saat ini (2024) belum ada AI yang dapat melakukan banyak hal sekaligus, semuanya spesifik untuk satu permasalahan. Sehingga jika ingin menyelesaikan banyak permasalahan diperlukan banyak program.
Artificial Inteligence, Machine Learning dan Deep Learning
Tiga istilah tersebut akan sering Anda temukan saat belajar nanti. Belajar machine Learning merupakan bagian dari Artificial Intelligence. Di dalam Machine Learning, terdapat Deep Learning. Namun tenang saja, dalam artikel ini tidak akan langsung dibahas semuanya.
Contoh Produk Yang Menggunakan AI
- Robot Sophia, yaitu sebuah robot humanoid (dibuat menyerupai manusia) yang dikembangkan oleh Hanson Robotics. Sophia dirancang untuk memberikan jawaban dengan dialog secara langsung seperti bicara dengan manusia. Sophia juga dapat menampilkan emosi pada wajahnya.
- Tesla Autopilot, yaitu AI yang dapat mengendarai mobil. Meskipun tidak 100% dikendalikan oleh AI karena masih dalam tahap pengembangan, saat ini Autopilot baru menjadi asisten pengendara saja.
- AlphaGo, yaitu AI yang dikembangkan oleh DeepMind Technologies yang dapat bermain permainan Go dan menjadi player yang hampir tidak bisa dikalahkan.
- OpenAI Five, yaitu AI yang dapat bermain permainan Dota 2. Pada tahun 2017 OpenAI berhasil mengalahkan pemain Dota 2 profesional yaitu Dendi dalam duel 1 vs 1.
Jenis Jenis Machine Learning
- Supervised Learning (Data dengan label) dibagi menjadi dua, yaitu Classification, contohnya sama dengan kasus seleksi atlet olahraga apakah atlet lolos atau gugur. Regression, contohnya prediksi cuaca berdasarkan data arah angin, kelembaban, dll.
- Unsupervised Learning (Data tanpa label) dibagi menjadi dua, yaitu Clustering, contohnya melakukan segmentasi pelanggan supermarket untuk membantu tim bisnis menentukan target pelaksanaan promosi. Dimensionality Reduction, yaitu proses untuk menghapus data yang sebetulnya tidak diperlukan agar penyimpanan lebih kecil dan jika data tersebut akan dipakai untuk melatih AI, waktu yang diperlukan bisa lebih singkat.
- Reinforcement Learning (Agent and Environment), contohnay AI yang bermain game atau mengendarai mobil.
Jenis Jenis Data Dalam Machine Learning
- Data terstruktur (Structured data), yaitu data dalam bentuk tabel. Contohnya yaitu tanggal, nomor telepon, alamat rumah, nama, dll.
- Data tidak terstruktur (Unstructured data). Contohnya yaitu file gambar, suara, video, teks pesan, email, dan komentar. Data tersebut tidak dapat disimpan di dalam tabel
Langkah – Langkah Dalam Proyek Machine Learning
- Memahami permasalahan yang ingin anda selesaikan. Apakah anda memerlukan Machine Learning ? Bagaimana data yang anda miliki ?
- Menganalisis dan memproses data. Data mana yang dapat digunakan ? Data mana yang seharusnya dibuang? Pada tahap ini dilakukan analisis dan pengolahan data.
- Membuat model machine learning. Jenis machine learning mana yang cocok untuk data yang Anda miliki ?
- Melatih program (Machine Learning Model). Model dilatih dengan memberikan data yang sudah diproses sebelumnya.
- Melakukan evaluasi terhadap model. Apa yang salah dengan Model? Kenapa akurasinya rendah?
- Meningkatkan model. Berdasarkan evaluasi, bagian model mana yang harus diubah? Pada tahap ini Machine Learning Model diperbarui.
- Mengulangi semua proses dan menambah data baru
Memahami Permasalahan
Pahami terlebih dahulu permasalahan apa yang akan Anda selesaikan. Jika Anda memiliki label dalam data tersebut, artinya permasalahan tersebut Supervised Learning. Jika, Anda ingin melakukan klasifikasi, maka itu adalah permasalahan Classification. Jika Anda ingin melakukan prediksi, maka permasalahan Regression.
Jika data yang anda miliki tidak memiliki label, maka permasalahan tesebut Unsupervised Learning. Jika anda ingin mengelompokan data, maka permasalahan Clustering. Atau jika anda ingin meringkas data, maka permasalahan Dimensionality Reduction.
Setelah berhasil menemukan permasalahan Machine Learning, maka dilanjutkan dengan wujud data anda. Apakah Structured Data atau Unstructured Data.
Menganalisis dan Memproses Data
Setelah memahami permasalahan Machine Learning, maka proses dilanjutkan dengan melakukan analisis data. Data mana yang seharusnya dipakai dan dibuang. Temukan korelasi antar data yang Anda miliki. Untuk membantu melakukan analisa, dapat dilakukan dengan visualisasi data.
Pada tahap ini kita juga memproses data, juga disebut dengan istilah Data Preprocessing. Komputer tidak dapat memahami teks, gambar atau suara. Maka data yang kita miliki harus diubah menjadi angka supaya dapat dibaca oleh komputer.
Setelah itu dilanjutkan dengan melakukan pemisahan data. Data yang kita miliki akan dipisah menjadi dua bagian, yaitu data latihan dan data tes. Jika Anda memiliki data dengan jumlah yang besar, Anda dapat memisah data menjadi tiga bagian, yaitu data latihan, validasi dan tes.
Membuat Machine Learning Model
Jika data Anda sudah siap, maka proses dilanjutkan dengan membuat Machine Learning Model. Machine Learning Model dibuat dengan menerapkan rumus matematika.
Namun, dalam membuat Machine Learning khususnya dengan Bahasa Pemrograman Python, rumus sudah tersedia dan kita tinggal memilih rumus mana yang akan kita pakai untuk setiap permasalahan yang kita miliki.
Tentu saja kita harus memahami cara kerja rumus rumus tersebut agar kita dapat memilih rumus yang tepat untuk setiap permasalahan yang berbeda.
Saya berikan beberapa contoh rumus Machine Learning. Contoh, Support Vector Machine (SVM), Random Forest, Logistic Regression, XGBoost dan masih banyak lagi. Untuk sekarang anda tidak perlu khawatir, karena anda tidak perlu menghafalkan semua itu saat ini juga.
Melatih Model
Setelah Model berhasil dibuat dengan rumus matematika yang telah kita pilih, maka langkah selanjutnya adalah melatih model. Model dilatih selama berkali kali, hingga mendapatkan akurasi maksimal.
Saat pertama kali latihan, pasti Model melakukan banyak kesalahan sehingga akurasi model sangat rendah, namun akan terjadi perhitungan setiap kali latihan, sehingga jika kita memilih rumus matematika yang tepat, akurasi dapat meningkat. Program akan terus mencari pola dalam data diri agar akurasi saat latihan mengalami kenaikan.
Saat proses pelatihan model. Sering terjadi model terlalu banyak mengingat pola data latihan, akibatnya model memiliki akurasi sangat tinggi saat latihan, namun akurasi rendah pada saat dilakukan tes. Isilah ini disebut dengan overfit, sedangkan istilah untuk model dengan akurasi rendah pada semua data disebut dengan underfit, artinya model tidak mempelajari apapun.
Overfiting dapat terjadi karena jumlah data latihan terlalu sedikit atau karena model terlalu banyak melihat data latihan. Sedangkan, Underfiting bisa terjadi karena rumus matematika yang kita pilih terlalu simpel atau tidak sesuai untuk masalah yang kita miliki.
Setelah proses latihan selesai, sekarang saatnya melakukan uji coba model terhadap data tes yang belum pernah dilihat oleh model, untuk membuktikan apakah model tersebut layak diterjunkan dalam pekerjaan di dunia nyata.
Evaluasi Model
Dilakukanlah evaluasi atau analisa terhadap hasil serta proses latihan model. Hasil latihan model dapat diperiksa dalam matrix yang disebut dengan Error Metric. Berdasarkan Error Metric tersebut, kita dapat menganalisa model dan menemukan letak kesalahan model.
Meningkatkan Model
Setelah kita mengetahui letak kesalahan model, saatnya kita evaluasi kesalahan tersebut. Maka kita harus belajar Machine Learning untuk perbarui model untuk meningkatkan akurasi. Untuk meningkatkan model, dapat dilakukan dengan berbagai cara, seperti menambah data latihan atau dengan cara tuning model. Cara ini disebut dengan istilah Tuning Hyperparameters.
Ulangi Proses
Setelah kita berhasil memperbarui model, kita dapat mengulangi semua proses dari awal untuk meningkatkan model terus menerus. Yaitu dengan cara menambah data, memproses kembali data yang dimiliki, melatih model dengan Tuning Hyperparameter, atau mungkin dengan mencoba rumus matematika yang berbeda, serta melakukan evaluasi kembali terhadap model yang kita miliki.
Langkah-Langkah Belajar Machine Learning
- Pelajari bahasa pemrograman, contohnya Python (rekomendasi) atau bahasa R. Menguasai Syntax dasar, struktur data, algoritma, dan menguasai penggunaan berbagai library yang umum digunakan dalam bahasa tersebut
- Pelajari teknik manipulasi data dengan library pandas dan numpy
- Pelajari teknik visualisasi dan analisis data dengan matplotlib dan seaborn
- Pelajari mengoperasikan Jupyter Notebook (disarankan). Jupyter Notebook akan sangat membantu. Dengan Jupyter Notebook Anda dapat memisahkan kode menjadi blok blok. Anda dapat menjalankan kode blok satu per satu dan langsung melihat outputnya. Anda dapat menggunakan Google Colab sebagai alternatif, jika komputer anda low end.
- Pelajari library sklearn atau sci-kit learn. Karena pada library sklearn tersedia banyak sekali peralatan siap pakai untuk membuat program Machine Learning.
- Pelajari Tensorflow atau Pytorch untuk mempelajari Deep Learning (Advanced). Setelah anda berhasil memahami Machine Learning dan berhasil membuat beberapa proyek, maka anda harus terus meningkatkan kemampuan anda dengan mempelajari Deep Learning, dimana anda akan mempelajari tentang Neural Network (Jaringan Syaraf Tiruan)
Tips Mempermudah Proses Belajar Machine Learning
- Kemampuan Bahasa Inggris. Kebanyakan ilmu yang Saya pelajari didapatkan dari sumber luar negeri dengan Bahasa Ingriss.
- Belajar Machine Learning dengan membuat proyek / project. Supaya anda benar benar memahami Machine Learning, anda jangan hanya menonton video atau copy paste kode dari artikel saja. Anda harus membuat proyek sendiri.
Jika Anda masih belum memahami atau ingin belajar Machine Learning lebih dalam Anda harus mengikuti kursus IT di Course-Net. Course-Net merupakan kelas kursus IT yang dibimbing langsung oleh praktisi profesional dan sudah memiliki sertifikasi internasional.
