MACHINE LEARNING - Universitas BSI

Tren Teknologi 2021

Perkembangan teknologi yang semakin pesat, mendorong berbagi sektor untuk lebih aktif dan kreatif dalam mengikuti peran sebagai pendukung perkembangan teknologi, terutama yang bergerak dalam bidang digital. Namun perlu kita ketahui bahwa teknologi memiliki tren pada masa-masa tertentu. Berikut ini beberapa Teknologi yang Tren di tahun 2021.

1. Artificial intelligence(AI) dan Machine Learning

Artificial Intelligence (AI) dan Machine Learning saat ini semakin diminati dan akan semakin berkembang, karena keunggulannya dalam pengenalan gambar dan ucapan, aplikasi navigasi, asisten pribadi smartphone, aplikasi kendaraan dan masih banyak lagi. Hal ini menarik perhatian berbagai sektor terutama di bidang industri karena AI yang dapat menyelesaikan masalah dengan cepat dan skala yang lebih besar.

2. Hybrid Cloud

Hybrid cloud merupakan gabungan dari Private cloud dan Public cloud yang dapat digunakan dengan tools yang berbeda. Biasanya, organisasi atau perusahaan menyimpan data sensitif menggunakan layanan Private Cloud, sementara layanan lain disimpan di layanan komputasi Publik. Hybrid Cloud akan semakin diminati karena lebih fleksibel dari Cloud sebelumnya.

3. Otomatis Proses Robotik (RPA)

Robotic Process Automation (RPA) adalah salah satu teknologi perangkat lunak yang bekerja secara otomatis yang bisa digunakan untuk menafsirkan aplikasi, memproses transaksi, menangani data dan bahkan membalas e-mail. RPA secara positif mampu memudahkan beragam pekerjaan dan menganalisanya dengan cepat dan akurat juga menumbuhkan peluang karir bagi banyak profesional di bidang IT. Kehadiran RPA akan banyak mengambil alih pekerjaan manusia.

4. Teknologi pendukung WFH

Persentase pengguna teknologi WFH (Work from Home) diseluruh dunia semakin meningkat dan diprediksi bahwa teknologi ini akan menghadirkan lebih banyak perusahaan berbasis digital. Sehingga hal ini mendorong munculnya aplikasi-aplikasi baru yang dapat mendukung produktifitas bekerja dari rumah.

5. Cyber Security

Sejak pandemi covid-19 pengguna digital semakin banyak, sehingga dibutuhkan keamanan lebih ketat untuk melindungi system. Banyaknya data yang terkumpul dalam dunia digital membuat para hacker semakin tertarik melakukan peretasan. Salah satunya kebijakan dibidang organisasi atau perusahaan yang mengharuskan bekerja dari rumah sehingga dalam hal ini memerlukan peningkatan keamanan data.

Nah... kita telah belajar sedikit tentang Machine Learning dan menjadi salah satu tren dalam dunia teknologi, agar lebih paham tentang Machine Learning ada beberapa konsep yang perlu diketahui.

A. DATA dan INFORMASI

Sadar atau tidak manusia sudah memproduksi beragam data dengan jumlah dan ukuran yang sangat besar. Data merupakan himpunan fakta dari kenyataan yang ada, fakta tersebut memiliki bentuk yang beragam. sedangkan INFORMASI adalah data yang telah dikelola dan telah memiliki makna. Beberapa contoh data dalam bidang tertentu seperti data Mahasiswa, data penduduk, Finansial, olahraga, Cuaca dan lain sebagainya. Seperti contoh gambar data dibawah

PERTUMBUHAN DATA

Astronomi

• Sloan Digital Survey
  • New Mexico, 2000
  • 140TB over 10 years
• Large Synoptic Survey Telescope
  • Chile, 2006
  • Will acquire 140TB every five days
  
  

Biologi dan Kedokteran

• European Bioformatics Institute (EBI)
  • 20PB of data (genotype data doubles in size each year)
  • A single sequenced human genome can be around 140GB in size

Pengolahan data dapat dilakukan dengan:

• Calculating, Operasi aritmatika terhadap data
• Summarizing, Proses akumulasi beberapa data
• Clasifying dan categorizing data, Mengelompokkan data berdasarkan karakteristik tertentu
• Sorting data, Menyusun data secara berurutan
• Marging, Mengelompokkan data berdasarkan kriteria tertentu
• Matching, Pencarian data berdasarkan keinginan user

Mengubah data menjadi pengetahuan

• Data harus diolah menjadi pengetahuan agar bisa menghasilkan manfaat bagi manusia
• Dengan pengetahuan tersebut manusia dapat
  • Melakukan estimasi dan prediksi untuk masa depan
  • Melakukan analisis tentang asosiasi, kolerasi dan pengelompokan data dan atribut
• Membantu pengambilan keputusan dan pembuatan kebijakan

Contoh pengolahan: Data - Informasi - Pengetahuan - Kebijakan

B. HISTORY of MACHINE LEARNING

• Tahun 1920an Thomas Bayes Andrey Markov mengemukakan dasar-dasar machine learning dan konsepnya.
• Contoh machine learning di era 90an Deep Blue yang dibuat oleh IBM pada tahun 1996.

C. APA ITU MACHINE LEARNING

• Machine Learning (ML) merupakan sebuah cabang ilmu dari AI (Artificial Intelligent) yang dikembangkan untuk bisa belajar dengan tanpa arahan dari penggunanya.
• Machine Learning adalah Teknik melakukan interferensi terhadap data dengan matematis
• Inti Machine Learning adalah membuat model (matematis) yang merefleksikan pola-pola data.
• Data yang banyak (bahkan tidak terbatas), Teknik Machine Learning menjadi intuitif untuk melakukan interferensi pada data yang besar.
• Pembelajaran mesin dikembangkan berdasarkan disiplin ilmu lainnya seperti statistika, matematika dan data mining sehingga mesin dapat belajar dengan menganalisa data tanpa perlu diprogram ulang atau diperintah.

Intelligence Agent pada machine learning memiliki empat kategori berdasarkan kombinasi dimensi cara inferensi (reasoning) dan kelakuan (behavior).

• Acting Humanity, agen mampu bertingkah dan berinteraksi layaknya seperti manusia
• Acting Rationally, agen mampu bertingkah dengan optimal
• Thinking Humanly, agen mampu berpikir seperti manusia dalam segi kognitif
• Thinking Rationally, agen mampu berfikir secara rasional

Yang menjadi tujuan dari Machine Learning adalah sebagai berikut:

• Memprediksi masa depan dengan (Unobserved event)
• Memperoleh ilmu pengetahuan (Knowledge Discovery/Discovering Uknown Structure)

Training, development, testing set

• Training set adalah himpunan yang digunakan untuk melatih atau membangun model.
• Development set atau validation set adalah himpunan data yang digunakan untuk mengoptimisasi saat melatih model
• Testing set adalah himpunan data yang digunakan untuk menguji model setelah proses Latihan selesai
• Satu sampel pada himpunan data disebut sebagai data point atau instans (instance) yang mempresentasikan suatu kejadian statistik (event).
• Training, Development, dan Testing data diambil (sampled) dari distribusi yang sama dan memiliki karakteristik yang sama (independently and identically distributed)
• Pada umumnya, rasio pembagian dataset adalah (80% : 10% : 10%) atau (90% : 5% : 5%) (training : development : testing).

D. BAGIAN dari ARTIFICIAL INTELLIGENCE (AI)

• Reasoning (penalaran), memungkinkan system membuat kesimpulan berdasarkan data. Contoh jika suatu system telah memiliki data tentang penetasan telur ditanya “pada suhu berapa yang digunakan untuk penetasan telur?” maka system akan menjawab “38 derajat cescius”.

• Natural Language Processing (NLP), kemampuan sebuah mesin untuk memahami teks tertulis manusia. NLP mempelajari bagaimana Bahasa alami itu diolah sedemikian hingga user dapat berkomunikasi dengan computer. Contoh aplikasi google Assisten, Siri dan lain-lain.

• Planning (Penalaran)kemampuan system cerdas untuk bertindak secara mandiri dan fleksibel untuk membangun urutan Tindakan untuk mencapai tujuan akhir. Contoh pencarian rute pada maps google.

E. Contoh IMPLEMENTASI MACHINE LEARNING

• Self-driving car, fungsi AI pada mobil pintar seperti speech recognition gesture recognition, eye tracking dan driver monitoring.

• Recommended system , pemanfaatan AI pada e-commerce yang merekomendasikan produk yang yang ingin dibeli.

• Chat bot, AI yang dapat mensimulasikan percakapan dengan pengguna lain layaknya manusia melalui aplikasi pesan maupun situs web.

• Face recognition, mengenali wajah orang pada postingan photo.

• Voice Recognition, mengidentifikasi kata dan phrasa melalui pencocokan suara. sementara Search Engine, adalah mesin pencari yang biasa dipakai user contohnya aplikasi google.

F. PENDEKATAN MACHINE LEARNING

Teknik pembelajaaran mesin diperlukan untuk meningkatkan akurasi dalam sebuah model prediktif, terdapat beberapa pendekatan yang berbeda tergantung dari karakteristik jenis data dan volume.

1. Supervised learning
   • Supervised learning adalah pembelajaran terarah/terawasi
   • Tujuan learning secara umum untuk melakukan klasikasi (classication)
   • Pembelajaran metode ini disebut supervised karena ada yang memberikan contoh jawaban (desired output)
   • Tiga hal penting pada supervised learning yaitu input, desired output, dan learning parameters
   • Pemahaman supervised learning adalah mengingat persamaan p (y| x,w)
   • Secara konseptual klasifikasi didefenisikan sebagai persamaan yaitu memilih label (kelas/ kategori y) paling optimal dari sekumpulan label C, diberikan (given) suatu instans tertentu.
   
   • Machine learning kategori dapat berupa classification:
   

Salah satu algoritma supervised learning adalah:

• Estimasi>> Linier Regression, Neural Network dan Support Vector machine
• Prediksi >> Linear Regression, Neutral Network dan Support Vector Machine
• Klasifikasi >> Naïve Bayes, K-nearest neighbours, decision tree, neural network dan support vector machine


2. Unsupervised Learning
   • Unsupervised learning adalah mencari sifat-sifat (properties) data
   • Ilustrasi unsupervised learning
   
   • Permasalahan unsupervised learning adalah clustering
   • Unsupervised tidak memiliki output
   • Mencari distribusi asli data q(x), berdasarkan beberapa sampel data
   • Learning dilakukan dengan mengoptimalkan p (x j w) yang mengoptimasi parameter w
   • Kunci pemahaman unsupervised learning adalah input dan parameter p(x|w)
   • Jika atribut dan sifat dari data data feature yang diekstrak memiliki kemiripan, maka akan dikelompokkan (clustering).
   
3. Reinforcement learning
   • Algoritma dimaksud untuk membuat computer dapat belajar sendiri dari lingkungan (environment) melalui sebuah agent
   • Computer yang melakukan pencarian sendiri disebut self-discovery
   
   
4. Deep Learning
   • Metode pembelajaran yang dilakukan oleh mesin dengan cara meniru bagaimana system dasar otak manusia bekerja
   • System dasar otak manusia bekerja ini disebut neutral networks
   • Deep Learning disebut menggunakan artificial neural networks buatan