Sebelum membahas lebih jauh mengenai Machine Learning dan bagaimana cara kerjanya, kita harus lebih dahulu mengetahui juga belajar bahwa Machine Learning merupakan salah satu subbidang dari Artificial Intelligence. Elliot, dkk dalam analisisnya di A Framework for Applying AI in the Enterprise menyederhanakan bahwa Machine Learning merupakan sebuah disiplin teknikal yang mempelajari sesuatu melalui tahap observasi dan melihat pola-pola tertentu di dalam suatu input data.
Kemudian Ed Burns dalam artikelnya, menjelaskan bahwa Machine Learning adalah sebuah mesin yang dalam praktiknya mampu memprediksi kejadian dengan cara mempelajari atau menganalisis data untuk kemudian menghasilkan wawasan (insight) yang memiliki nilai-nilai tertentu.
Machine Learning berperan penting di era teknologi yang diakibatkan oleh permintaan pasar. Kita bisa membayangkan saat seluruh aspek kehidupan manusia sekarang ini didasari oleh tindakan-tindakan hingga standar-standar tertentu. Hal seperti ini memungkinkan program komputer untuk memprediksi produk yang akan menjadi tren dan lain sebagainya. Tentunya, dengan didasari oleh kejadian sebelumnya yang telah dilakukan oleh manusia itu sendiri.
Tentang bagaimana cara kerja Machine Learning sudah sangat sering dijabarkan, entah itu di aspek proses pengolahan data, input data, hingga hasil dari Machine Learning itu sendiri. Namun secara umum, cara kerja Machine Learning ini dapat dibagi menjadi dua pendekatan, yaitu Unsupervised Learning dan Supervised Learning. Lebih jauh, kita juga akan membahas mengenai apa itu Unsupervised Learning dan Supervised Learning.
Apa itu Unsupervised Learning?
Unsupervised Learning ini merupakan salah satu pendekatan di mana mesin melakukan pengelompokan (clustering) atas input data yang tersedia. Data tersebut akan diolah dengan cara pengelompokan sesuai dengan kriteria tertentu. Sebagai contoh, sebuah perusahaan ekspedisi ingin memaksimalkan penghematan ongkos kirim. Perusahaan itu akan menyesuaikan letak gudang penyimpanannya dengan data-data di mana mereka paling banyak melakukan pengiriman barang. Langkah ini memungkinkan sebuah perusahaan memetakan daerah ramai permintaan dan daerah sepi permintaan. Dengan demikian, biaya pengiriman dapat ditekan. Pada akhirnya, biaya pengiriman masing-masing barang dapat disesuaikan dengan letak dan jarak tempuh secara lebih efektif.
Apa itu Supervised Learning?
Pendekatan cara kerja Machine Learning yang kedua adalah Supervised Learning. Dari sisi input data, mesin dilatih untuk untuk melakukan prediksi berdasarkan pola tertentu yang ditemukan dan dipelajari di input data latih. Cara kerja Machine Learning yang satu ini, menurut Intelegain Team, menekankan pada prediksi berdasarkan pada bukti-bukti nyata yang telah terjadi sebelumnya. Maka dari itu, pendekatan Supervised Learning menuntut sang pengguna lebih dahulu mengetahui ekspektasinya atas output hasil prediksi mesin.
Contoh, Direktorat Lalu Lintas Kepolisian ingin memprediksi di mana saja kemungkinan kecelakaan kendaraan bermotor terjadi di wilayah kerja mereka. Mereka perlu mengumpulkan dan memproses data-data terkait dengan kecelakaan kendaraan bermotor di area tersebut sebagai syarat untuk untuk melatih kemampuan mesin melakukan prediksi.
Penutup
Semua perusahaan bisa saja menggunakan Machine Learning dengan cukup mudah. Tidak ada lagi dikotomi antara perusahaan konvensional dan perusahaan teknologi karena semua perusahaan memanfaatkan Machine Learning dalam proses bisnisnya masing-masing. Secara singkat kita dapat memahami bahwa cara kerja Machine Learning ini secara garis besar didasari oleh dua pendekatan, yaitu Supervised Learning dan Unsupervised Learning. Dari penjelasan yang ada juga dapat disimpulkan bahwa cara kerja Machine Learning dan cara kerja manusia pada akhirnya sangatlah berbeda. Karena itu, masih dibutuhkan intervensi secara moral dan manusiawi dari manusia itu sendiri kepada sistem Machine Learning.
Penulis: Marvine Viano
Editor: M. Wahyu Hidayat, Ghifari Adam
Machine Learning adalah salah satu cabang dari Kecerdasan Buatan di mana mesin mampu mempelajari sesuatu. Perkembangan pesat Machine Learning akhir-akhir ini tidak terlepas dari era Industri 4.0 yang mendorong digitalisasi pada semua kegiatan ekonomi. Tak ayal, perkembangan ini membuat implementasi Machine Learning terus meningkat di berbagai sektor industri.
Peningkatan minat atas Machine Learning di kalangan pelaku usaha antara lain dapat dilihat dari beberapa contoh Machine Learning di sektor-sektor industri sebagai berikut.
Contoh Machine Learning di Industri Medis
Contoh Machine Learning di industri medis dapat ditemukan pada teknik-teknik dan perangkat yang digunakan untuk melakukan analisis dan prognosis penyakit. Misalnya, platform simulasi Gemini membuat pemodelan terhadap karakteristik kanker pada tulang dan bagaimana responsnya terhadap obat-obatan.
Kemampuan prediktif algoritma Machine Learning telah diterapkan untuk meningkatkan kualitas diagnosis penyakit dan memungkinkan dokter meresepkan obat dengan dosis secara tepat bagi setiap pasien. Kemampuan prediktif ini kemudian juga diterapkan untuk diagnosis penyakit sebelum gejalanya muncul dengan memantau kondisi sehari-hari tubuh.
Produk-produk seperti Apple Watch atau Alivecor juga memiliki kemampuan mendeteksi irama jantung. Perangkat tersebut bisa mengirimkan peringatan kepada pasien lewat aplikasi di masing-masing telepon genggam mereka.
Contoh Machine Learning di Industri Kimia
Di industri kimia, penerapan Machine Learning di antaranya membantu produsen memastikan kualitas produk yang akan diproduksi sesuai harapan. Algoritma Machine Learning melakukannya dengan menganalisis input data dan semua faktor produksi yang sedang dijalankan saat itu untuk kemudian memprediksi hasilnya. Kemampuan prediksi ini mencegah pelaku industri kimia menghasilkan produk bermasalah bahkan sebelum produk itu jadi.
Selain menolong pelaku industri menemukan masalah sedini mungkin, Machine Learning mampu meningkatkan efisiensi, memastikan hasil optimal semua produk, dan membantu menghemat ongkos produksi dalam pelbagai aspeknya.
Contoh Machine Learning di Industri Otomotif
Contoh Machine Learning di industri otomotif misalnya dapat ditemukan pada kontrol kualitas produk sebelum dilepas ke pasaran. Algoritma Machine Learning seperti Anomaly Detection dan Image Recognition dapat membantu departemen manajemen kualitas memastikan bahwa kendaraan yang dijual tidak memiliki cacat produksi serta memastikan keamanannya.
Machine Learning juga digunakan dengan mendorong perawatan prediktif kendaraan alih-alih secara konvensional dengan rutinitas membawa kendaraan ke tempat servis dalam kurun waktu 3-4 bulan sekali. Teknologi Predictive Analysis yang dihasilkan dari dataset yang dikumpulkan oleh pabrikan pun dapat memprediksi kapan komponen suku cadang mesti diganti. Hasilnya, ongkos perawatan dapat dihemat secara berarti.
Contoh Machine Learning di Industri Keuangan
Di industri keuangan, contoh Machine Learning paling umum adalah teknologi automasi proses. Teknologi ini dapat melakukan kerja-kerja manual, mengautomasi kerja berulang, dan meningkatkan produktivitas. Contohnya adalah automasi Call Center dan Chatbot.
Algoritma Machine Learning juga telah digunakan untuk meningkatkan keamanan transaksi secara signifikan. Antara lain, bank memakai algoritma yang mengawasi transaksi–transaksi dan melakukan identifikasi atas transaksi-transaksi mencurigakan.
Ketika sistem mendeteksi hal mencurigakan, ia dapat meminta identifikasi tambahan dari pengguna guna memvalidasi transaksi itu atau bahkan memblokirnya saat itu juga. Dengan demikian, kecepatan algoritma Machine Learning ini bisa mencegah penipuan terjadi. Penerapan Machine Learning untuk meningkatkan keamanan transaksi ini telah dilakukan oleh beberapa perusahaan teknologi finansial ternama seperti Paypall, Stripe, hingga Skrill.
Contoh Machine Learning di Industri eCommerce
Contoh Machine Learning di industri eCommerce telah digunakan untuk optimalisasi pengalaman belanja. Algoritma Machine Learning menganalisis data dan pola perilaku konsumen untuk kemudian menyediakan personalisasi tampilan toko yang disesuaikan bagi tiap pelanggan, sehingga menjadikan pengalaman belanja unik bagi masing-masing calon pembeli.
Situs toko akan menampilkan rekomendasi produk berdasarkan preferensi calon konsumen yang telah diketahui. Fitur ini sudah lazim dipakai oleh toko-toko besar seperti Netflix, Amazon, hingga Shopee.
Fitur Dynamic Pricing merupakan contoh Machine Learning yang kini juga menjadi strategi umum peritel di eCommerce. Variasi harga berdasarkan volume permintaan dan penawaran dalam waktu tertentu adalah hasil dari kemampuan algoritma Machine Learning membaca data pola baru secara terus menerus. Dengan fitur ini, peritel di eCommerce dapat menentukan harga terbaik bagi produknya dan tentunya mendorong penjualan.
Kesimpulan
Tren penggunaan algoritma Machine Learning terus meningkat karena terbukti secara langsung memengaruhi kualitas produksi dan pertumbuhan bisnis pada sektor industri. Ini dapat dilihat dari pertumbuhan pasar Machine Learning global yang memang terus mengalami kenaikan.
Pada 2020, nilai pasar Machine Learning global diperkirakan sebesar 11,33 miliar USD dengan pertumbuhan signifikan sebesar 36,2%, jika dibandingkan dengan periode 2017-2019. Nilai ini diproyeksikan terus tumbuh hingga 152,24 miliar USD pada 2028 mendatang.
Potensinya yang begitu besar tak ayal membuat pasar Machine Learning akan semakin atraktif bagi para pelaku usaha. Seiring waktu, kita pada akhirnya akan melihat lebih banyak contoh Machine Learning yang diterapkan di sektor industri lain.
Writer: Averio Nadhrianto
Editor: M. Wahyu Hidayat
Computer Vision adalah cabang Kecerdasan Buatan yang sudah ada sejak tahun 1960-an. Selama perjalanan enam dekade terakhir, sudah berapa jauh teknologi ini berkembang? Seperti halnya manusia berkembang, seberapa canggih perkembangan Computer Vision ini dalam meniru manusia? Kemudian, teknologi Computer Vision dapat digunakan untuk apa? Didorong oleh pertanyaan-pertanyaan ini, tentu ada banyak informasi yang perlu digali lebih dalam dan tentunya sangat menarik untuk dibahas.
Apa itu Teknologi Computer Vision?
Secara sederhana, Elliot dkk. (2019) mengartikan Computer Vision sebagai proses penangkapan, pemrosesan, dan analisis gambar atau visual digital yang pada dasarnya dimanfaatkan untuk menguraikan makna dan konteksnya. Algoritma teknologi Computer Vision dapat digunakan untuk mengenali objek-objek dalam gambar, seperti dijelaskan dalam artikel Simplilearn, yaitu image classification, object identification, object detection, object segmentation, object verification, object recognition, dan object landmark detection.
Teknologi Computer Vision dan Sistem Visual Manusia
Menarik untuk dibahas, teknologi computer vision berfokus pada replikasi sistem penglihatan manusia. Kemampuan “melihat” pada komputer akan diprogram untuk bisa mengenali objek dengan cepat, lalu mengubahnya menjadi informasi sesuai tujuan yang diinginkan.
Berkat kemajuan ini, Computer Vision telah mengalami lompatan besar. Data dari Towards Data Science menyebutkan dalam waktu kurang dari satu dekade, kemampuan Computer Vision telah mencapai akurasi 99% dari 50%, sehingga dapat dikatakan bahwa Computer Vision lebih cepat bereaksi terhadap input visual daripada sistem penglihatan manusia.
Kegunaan Teknologi Computer Vision di Berbagai Bidang Industri
Keuntungan dari penggunaan Computer Vision tersebar hampir di setiap sektor, baik swasta maupun publik. Meningkatnya kematangan teknologi Computer Vision mendukung penerapannya di banyak bidang industri, termasuk bidang industri otomasi dan manufaktur, pertanian, transportasi, ritel, serta medis dan kesehatan.
Teknologi Computer Vision di Bidang Otomasi Industri dan Manufaktur
Teknologi Computer Vision dapat digunakan untuk mendorong efisiensi automasi industri dan peningkatan kualitas produk. Dengan perkembangan produksi industri, teknologi manufaktur yang digerakkan manusia perlahan-lahan terganti dengan presisi dan efisiensi produksi yang semakin tinggi.
Kemampuan deteksi di Computer Vision berfungsi berdasarkan jenis gambar yang dikumpulkan. Qian Cheng dalam riset bertajuk “Application of Computer Vision Technology in Industrial Automation” memberi gambaran penggunaannya. Pertama, teknologi Computer Vision dapat digunakan untuk mendeteksi kualitas produk dengan presisi tinggi dan cepat pada gambar biner relatif sederhana. Selanjutnya pada gambar grayscale, Computer Vision mampu mendeteksi cacat pada permukaan benda, seperti retak dan pecah. Lalu terakhir pada gambar berwarna, Computer Vision dapat menilai apakah ada kecacatan berdasarkan pada warna objek.
Teknologi Computer Vision di Bidang Pertanian
Kedua, teknologi Computer Vision dapat digunakan untuk hampir seluruh proses kegiatan pertanian, mulai dari pengambilan keputusan operasional secara real-time, hingga praktik pertanian melalui sensor dan perangkat pintar di lahan pertanian. Penggunaan teknologi ini memberikan banyak kontribusi seperti dikutip dari Viso.ai, yaitu deteksi dan pemantauan kesehatan tanaman, kegiatan penanaman, penyiangan, panen, pengelolaan irigasi, penilaian hasil panen, bahkan analisis lanjutan seperti deteksi kondisi cuaca.
Teknologi Computer Vision di Bidang Transportasi
Ketiga, teknologi Computer Vision dapat digunakan untuk sektor transportasi. Teknologi ini memungkinkan penerapan sistem analisis lalu lintas skala besar menjadi lebih efisien. Mengutip Viso.ai, Computer Vision mampu mendeteksi pejalan kaki, tempat parkir, rambu lalu lintas, hingga pelanggaran bergerak seperti mengebut, menerobos lampu merah atau rambu berhenti, mengemudi di jalur yang salah, dan melanggar aturan berbelok. Selain itu, di bidang ini Computer Vision dapat mendeteksi kewaspadaan pengemudi, misalnya pengemudi yang melamun dan menggunakan ponsel. Kecerdasan buatan digunakan untuk memahami perilaku mengemudi dan menemukan solusi untuk mengurangi kecelakaan lalu lintas.
Teknologi Computer Vision di Bidang Ritel
Seiring perkembangan industri ritel, teknologi Computer Vision dapat digunakan untuk pelacakan pelanggan dengan memproses rekaman video secara real-time. Algoritma yang dibangun dapat mendeteksi orang secara anonim dan waktu yang dihabiskan di berbagai area (Viso.ai, 2021). Computer vision dapat menganalisis waktu di waiting list, waktu antrean, dan waktu untuk menilai kualitas layanan. Di samping itu, Computer Vision mampu mendeteksi pencurian yang mampu meningkatkan keamanan dan kepuasan baik pemilik toko, maupun pelanggan. Lalu jika melihat kondisi pandemi, teknologi Computer Vision dapat digunakan untuk pemantauan protokol menjaga jarak. Kamera melacak pergerakan karyawan atau pelanggan menggunakan sensor untuk menilai jarak di antara mereka.
Teknologi Computer Vision di Bidang Medis dan Kesehatan
Dalam beberapa tahun terakhir, Computer Vision telah mampu meningkatkan efektivitas dan efisiensi di bidang medis dan kesehatan. Xia & Chuah dalam studinya yaitu “Computer Vision for Human Health and Medical Application” menyebutkan bahwa algoritma Computer Vision dapat mendeteksi kanker dan tumor, perkembangan penyakit, pengenalan wajah dengan masker, diagnosis virus, memonitor rehabilitasi, serta pelatihan keterampilan medis.
Bagaimana Masa Depan Computer Vision?
Computer Vision berpotensi untuk mengubah lanskap di setiap bidang industri. Kehidupan dan konektivitas secara keseluruhan menjadi lebih cair, baik fisik maupun digital. Laporan yang dikutip dari Insight mencatat bahwa teknologi Computer Vision siap mengubah cara kita hidup dan bekerja dalam dekade berikutnya. Tidak sedikit perusahaan/organisasi yang telah berada di garis depan tren ini melihat banyaknya peluang keuntungan dari Computer Vision. Namun, juga perlu dicatat bahwa Computer Vision dapat mengubah masa depan privasi. Privasi berpeluang menjadi semakin kabur karena teknologi Computer Vision dapat digunakan untuk mencari dan menganalisis gambar yang tidak terhitung jumlahnya, dan kemungkinan data Anda akan ada di antaranya. Meskipun teknologi ini sangat luar biasa, perlu juga bagi kita untuk mengawasi hal ini dengan skeptisisme secara proporsional.
Penulis: Alivia Rayneta Yuni
Editor: M. Wahyu Hidayat, Harumi Nimas
Machine learning adalah subdomain artificial intelligence yang terus berkembang memenuhi bermacam aspek kehidupan manusia. Aplikasi machine learning dapat dilihat langsung dari munculnya fitur-fitur teknologi termutakhir – seperti rekomendasi konten di Netflix, pendeteksi suara oleh Siri, penerjemah oleh Google Translate dan sebagainya.
Laporan di penghujung tahun 2021 menunjukan bahwa implementasi machine learning adalah bagian esensial proses bisnis yang mampu meningkatkan berbagai indikator termasuk di antaranya produktivitas, efisiensi, dan keamanan. Peningkatan komponen efisiensi yang diperoleh misalnya, tersebar pada berbagai aspek: analisis bisnis (33%), keamanan (25%), penjualan & pemasaran (16%), layanan pelanggan (10%), dan lainnya (16%).
Melihat tren dan manfaat yang diperoleh, sangat menarik untuk mengetahui lebih lanjut tentang apa itu machine learning serta kemampuannya dalam menyediakan tools yang dapat meningkatkan efisiensi kerja manusia di masa sekarang dan mendatang.
Definisi Machine Learning
Perlu ada pengetahuan mendasar mengenai sebelum mengenal Machine Learning. Pertama, frasa “Learning” didefinisikan sebagai suatu proses, dengan arti “untuk mendapatkan pengetahuan, pemahaman, atau keterampilan” dan “modifikasi kecenderungan perilaku dengan pengalaman”.
Selanjutnya “Machine” secara umum diartikan sebagai sistem yang dapat mengubah dan merespons struktur, program, atau data berdasarkan input sehingga mampu mengoptimalkan kinerja.
Sehingga, Machine learning adalah bentuk perubahan dalam sistem yang melibatkan pengenalan, diagnosis, perencanaan, kontrol, dan prediksi untuk mencapai sistem baru yang lebih optimal. Acuan machine learning adalah kemampuan sistem untuk mengintegrasikan pengetahuan melalui pengamatan skala besar, sehingga menghasilkan pengetahuan baru.
Pada praktiknya, Machine learning adalah ilmu multidisiplin yang berintikan ilmu komputer, matematika, dan statistik. Subjek terkait Machine Learning yaitu Artificial Intelligence (AI), data mining, deep learning, data science, natural language processing dan sebagainya.
Namun secara umum, machine learning adalah subdomain artificial intelligence yang mampu mengoptimalkan prediksi hasil tanpa diprogram secara eksplisit. Domain machine learning mampu menyelesaikan masalah berdasarkan pengalaman dan data yang ada.
Seperti halnya kognisi manusia, kinerja machine learning adalah hasil pembelajaran dan pelatihan untuk memecahkan masalah berdasarkan pola terdahulu. Dari logika ini, hasil pembelajaran mampu diproses oleh machine learning sebagai tools baru yang dapat memecahkan berbagai masalah dengan mengungkap pola yang sudah digeneralisasi.
Sebagai tambahan, machine learning adalah sistem yang memiliki kemampuan untuk menyesuaikan bentuk fungsional dari struktur yang kompleks dan fleksibel ke dalam data.
Dari sisi proses, machine learning adalah sistem yang dapat digunakan untuk memprediksi masa depan berdasarkan data dan pengalaman masa lalu, dilihat dari proses berdasarkan pengamatan data dari pengalaman atau instruksi langsung. Setelah itu, mesin mampu melakukan tugas kompleks dan dinamis, serta memprediksi secara lebih akurat. Ia juga akan bereaksi dalam situasi berbeda dan berperilaku cerdas sesuai keadaan.
Machine learning mendorong kompetensi mesin untuk belajar tanpa harus diprogram. Proses pembelajaran ini disebut sebagai training model, di mana setelah melatih model, mesin mampu menggeneralisasi data baru, dilanjutkan dengan generasi korelasi dan prediksi sehingga diperoleh penyelesaian tugas sesuai tujuan.
Pada praktiknya, pendekatan yang digunakan machine learning adalah supervised learning, unsupervised learning, semi-supervised learning, dan reinforcement learning. Jenis algoritma yang dipilih bergantung pada jenis data yang ingin diprediksi.
Supervised learning
Data scientist menyediakan algoritma dengan set data pelatihan berlabel, yaitu dengan input dan output dari algoritma yang sudah ditentukan.
Unsupervised learning
Data scientist melatih set data yang tidak berlabel, yaitu terdiri dari input dengan output yang belum ditetapkan. Algoritma akan memindai kumpulan data untuk mencari koneksi diantaranya.
Semi-Supervised Learning:
Pemodelan machine learning ini merupakan kombinasi dua jenis di atas. Data scientist dapat memberi algoritma dari data training berlabel. Namun, modelnya bebas untuk mengeksplorasi dan mengembangkan pemahamannya sendiri tentang kumpulan data.
Reinforcement Learning
Data scientist menggunakan jenis ini untuk menyelesaikan masalah pengambilan keputusan berurutan atau proses multi-step berdasarkan umpan balik dari lingkungan. Mereka memprogram algoritma untuk menyelesaikan tugas dan memberikannya isyarat positif atau negatif saat berhasil menyelesaikan tugas. Namun, sebagian besar algoritma dapat memutuskan sendiri langkah apa yang harus diambil.
Tren perkembangan machine learning yang pesat ini tidak lepas dari manfaat yang ditawarkan. Secara umum, kegunaan rangkaian algoritma machine learning adalah:
- mengumpulkan pemahaman tentang fenomena yang menghasilkan data,
- mengabstraksi pemahaman fenomena yang mendasarinya dalam bentuk mode
- memprediksi nilai masa depan fenomena menggunakan model yang dihasilkan; dan
- mendeteksi perilaku anomali yang ditunjukkan oleh fenomena yang diamati.
Dari berbagai manfaat yang ada, dua aspek penting yang mendorong urgensi penggunaan machine learning adalah kompleksitas masalah dan kebutuhan akan adaptasi. Kompleksitas masalah yang dimaksud dalam machine learning adalah kemampuannya untuk belajar mendeteksi pola yang bermakna dari kumpulan data kompleks. Oleh karena itu, ia sangat menjanjikan untuk membuka peluang manfaat baru.
Kesimpulan
Machine learning bukan hanya tentang kemajuan teknologi, namun juga tentang bagaimana manusia dan efisiensi akan terlihat pada waktu mendatang. Forbes mengungkapkan perkembangan pesat machine learning beberapa tahun terakhir sejak 2020 dan akan terus meluaskan fokus pengembangannya hingga satu dekade kedepan.
Saat ini, penggunaan machine learning adalah kebutuhan berbagai aspek kehidupan manusia dan akan terus menjadi tren di masa mendatang. Dengan melihat berbagai urgensi, manfaat, hingga tren perkembangan yang ada, machine learning merupakan peluang menjanjikan. Ia juga akan terus menumbuhkan eksistensinya dalam dunia teknologi informasi.
Penulis: Alivia Rayneta Yuni
Editor: Sigit Suryo, Ghifari Adam
