Technology

Benarkah Machine Learning Mampu Menggantikan Peran Manusia di Bumi?

Pembelajaran Mesin (Machine Learning) merupakan salah satu kemajuan terbesar dalam sejarah komputasi, dimana sekarang diyakini mampu mengambil peran penting dalam bidang data dan analisis yang besar. Analisis data yang besar ini merupakan tantangan besar dalam dunia bisnis saat ini.

Misalnya saja aktivitas seperti membuat format volume data yang sangat beragam, serta persiapan data untuk analisis dan penyaringan data yang berlebihan, diketahui dapat menghabiskan banyak sumber daya.

Jika harus mempekerjakan ilmuwan dan spesialis data, maka mereka harus rela mengeluarkan biaya yang mahal dan belum tentu juga sesuai dengan kebutuhan setiap perusahaan.

Oleh karena itu, para ahli percaya bahwa pembelajaran mesin ini dipercaya akan mampu meng-otomatisasi banyak tugas yang berkaitan dengan analisis, baik yang sifatnya rutin maupun kompleks.

Meng-otomasi pembelajaran mesin ini juga dapat membebaskan banyak sumber daya, sehingga dapat digunakan untuk pekerjaan yang lebih kompleks dan inovatif. Setidaknya begitulah penampakan arah atau tujuan dari pembelajaran mesin yang dimaksud tersebut.

Apa Itu Otomasi Pembelajaran Mesin Masa Depan?

Seperti yang sudah dijelaskan di atas tadi, Machine Learning merupakan salah satu cabang dari disiplin ilmu Kecerdasan Buatan (Artificial Intellegence), yang membahas mengenai pembangunan sistem yang berdasarkan pada data.

Inti dari pembelajaran mesin ini adalah kemampuan sistem untuk terus belajar dari data, kemudian berkembang tanpa adanya ikut campur tangan manusia. Mesin belajar tersebut harus mampu berperilaku layaknya seperti otak manusia.

Salah satu contohnya adalah mesin rekomendasi yang ada di situs web e-niaga yang dapat menilai preferensi dan selera unik dari para penggunamenawarkan rekomendasi mengenai produk-produk yang dimiliki dan juga memberikan penawaran layanan yang paling sesuai dengan pilihan pengguna.

Dengan kemampuan seperti itu, wajar saja memang jika pembelajaran mesin dianggap sangat ideal untuk meng-otomatisasi tugas kompleks yang berkaitan dengan data dan analisis dalam jumlah yang lebih besar.

Penemuan ini telah berhasil menjadi alternatif tepat dalam mengatasi keterbatasan utama sistem otomasi tradisional, yang tidak dapat beroperasi tanpa adanya intervensi manusia secara teratur.

Jika diartikan dalam bahasa sederhananya: kalau dulu segala bentuk teknologi memerlukan bantuan manusia dalam pengoperasiannya, kini dengan adanya Machine Learning ini, manusia tidak perlu lagi terlalu banyak ikut campur untuk mengoperasikan teknologi tersebut, karena mereka bisa melakukannya sendiri.

Sebenarnya ada beberapa studi kasus untuk menunjukkan bahwa pembelajaran mesin ini mampu menyelesaikan tugas analisis data yang canggih. Berikut adalah penjelasannya:

Studi Kasus

Seperti yang kita ketahui, analisis data dalam jumlah yang besar memang sudah menjadi sesuatu yang harus ada pada setiap perusahaan. Oleh karena itu, tak jarang analisis data ini membuat perusahaan menjadi kewalahan dalam mengolahnya.

Namun, saat ini sepertinya hal tersebut bisa diatasi dengan mudah berkat kehadiran Machine Learning. Dengan demikian, sebagian analisis dapat didelegasikan ke sistem pembelajaran mesin tersebut.

Jika diamati dari segi perspektif bisnis, hal ini dipercaya dapat membawa banyak sekali manfaat bagi perusahaan, yang diantaranya adalah seperti membebaskan sumber data sains untuk tugas yang lebih kreatif dan kritis, penyelesaian pekerjaan yang lebih tinggi atau rumit, hanya membutuhkan sedikit waktu untuk menyelesaikan tugasnya dan pastinya akan memangkas biaya yang tadinya terlalu mahal.

Pada tahun 2015 yang lalu, para ilmuwan atau periset dari MIT sudah mulai mengerjakan program machine learning tersebut dan pertama kali dilakukan pada alat data sains, yang mampu menciptakan model data prediktif dari sejumlah besar data mentah dengan menggunakan teknik algoritma Deep Feature Synthesis.

Dengan menggunakan teknik algoritma ini, para ilmuwan mengklaim bahwa mereka dapat menggabungkan fitur terbaik dari pembelajaran mesin yang diciptakan. Menurut para ilmuwan itu, mereka telah menguji algoritma pada tiga kumpulan data yang berbeda dan akan memperluas cakupan pengujian tersebut ke kumpulan data yang lebih banyak lagi.

Dua orang periset yang bernama Max Kanter dan Kalyan Veeramachanene mengemukakan pendapat mereka mengenai gambaran bagaimanama mereka melakukan dan membuktikannya dalam sebuah makalah yang akan dipresentasikan pada Konferensi Sains dan Analisis Data Internasional.

Disana mereka menuliskan bahwa dengan menggunakan proses penyetelan otomatis, mereka dapat mengoptimalkan keseluruhan alur, detail atau tahap-tahapannya tanpa adanya keterlibatan manusia, sehingga memungkinkannya untuk meng-generalisasikan data set yang berbeda.

Seberapa Komplekskah Tugas Dari Machine Learning?

Anda harus tahu dulu bahwa algoritma memiliki kemampuan yang dikenal sebagai kemampuan auto-tuning, dimana dengan bantuan yang diperolehnya atau dengan mengekstrak wawasan atau nilai dari data mentah seperti usia atau jenis kelamin, dia dapat membuat model data prediktif.

Algoritma ini juga menggunakan fungsi matematika yang kompleks dan teori probabilitas yang dikenal dengan Gaussian Copula. Oleh karena itu, sangatlah mudah bagi algoritma ini untuk memahami tingkat dari kompleksitas. Teknik ini pernah memenangkan hadiah dalam sebuah kompetisi.

Pembelajaran Mesin Akan Menggatikan Fungsi Manusia

Apakah nantinya machine learning ini akan menggantikan manusia dalam mengerjakan sebagian besar pekerjaan? Mampukah mesin-mesin tersebut melakukan semua tugas yang biasa dilakukan manusia dengan menggunakan efesiensi otak mereka? Saat ini pertanyaan tersebut masih sedang dibahas di seluruh dunia.

Tapi faktanya, ada banyak sekali kehawatiran yang timbul karena hal tersebut. Ada rasa takut kalau-kalau nantinya mesin-mesin tersebut juga akan menggantikan tugas dari para ilmuwan data. Dan sepertinya, ketakutan mereka tersebut memiliki alasan atau dasar yang kuat.

Bagi para pengguna umum yang tidak memiliki keterampilan menganalisis data, melainkan  masih memerlukan bantuan untuk melakukan analisis dalam kehidupan sehari-hari mereka, tidak layak untuk memiliki komputer yang mampu menganalisis volume data yang besar ataupun menawarkan analisis.

Tapi teknologi pengolahan bahasa alami (NLP) dapat mengatasi keterbatasan ini dengan mengajarkan komputer untuk menerima dan memproses bahasa alami dan lisan manusia. Dengan begitu, pengguna biasa tidak memerlukan kemampuan analisis atau keterampilan yang canggih.

IBM (International Business Machines Corporation) percaya bahwa kebutuhan akan ilmuwan data dapat diminimalkan atau dihilangkan dengan menggunakan platform analisis bahasa alami Watson.

Menurut wakil presiden untuk Watson Analytics dan Business Intelligence sendiri, yaitu Marc Atschuller, mengatakan bahwa dengan sistem kognitif seperti Watson ini, anda bisa mengajukan pertanyaan apa saja atau jika anda tidak memiliki pertanyaan, anda cukup mengunggah data anda dan Watson dapat melihatnya dan menyimpulkan hal yang ingin anda ketahui tersebut.

Sejarah Machine Learning

Sejak pertama kali komputer ini diciptakan, manusia sudah memikirkan bagaimana caranya agar komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun 1952, dimana Arthur Samuel menciptakan sebuah program, yaitu game of checkers pada sebuah komputer IBM.

Program tersebut dapat mempelajari gerakan untuk memenangkan permainan checkers dan menyimpan gerakan tersebut ke dalam memorinya.

Istilah machine learning pada dasarnya adalah proses komputer untuk belajar dari data (learn from data). Tanpa adanya data, komputer tersebut tidak akan bisa belajar apa-apa. Oleh karena itu, jika anda ingin belajar tentang machine learning, maka anda akan terus berinteraksi dengan data.

Semua pengetahuan machine learning ini pasti akan melibatkan data. Data yang digunakan bisa saja sama, akan tetapi algoritma dan pendekatan nya pasti berbeda-beda, untuk mendapatkan hasil yang optimal.

Algoritma Pembelajaran Mesin (Machine Learning)

Para pengguna grafis SAS akan membantu anda membangun model mesin pembelajaran dan menerapkan proses pembelajaran mesin yang berulang. Jadi dengan begitu anda tidak harus menjadi ahli statistik tingkat lanjut. Pilihan komprehensif algoritma mesin pembelajaran ini dapat membantu anda mendapatkan nilai dari data besar.

Adapun algoritma pembelajaran mesin menurut SAS meliputi:

  • Neural networks
  • Decision trees
  • Random forests
  • Associations and sequence discovery
  • Gradient boosting and bagging
  • Support vector machines
  • Nearest-neighbor mapping
  • k-means clustering
  • Self-organizing maps
  • Local search optimization techniques (e.g., genetic algorithms.)
  • Expectation maximization
  • Multivariate adaptive regression splines
  • Bayesian networks
  • Kernel density estimation
  • Principal component analysis
  • Singular value decomposition
  • Gaussian mixture models
  • Sequential covering rule building

Pernah anda bertanya-tanya bagaimana seorang pengecer online bisa menyediakan penawaran dalam waktu seketika untuk produk-produknya demi menarik minat anda? Atau bagaimana pemberi pinjaman dapat memberikan jawaban hampir mendekati real-time atas permintaan pinjaman Anda?

Tanpa anda sadari, sebenarnya ada banyak sekali kegiatan sehari-hari anda yang didukung oleh algoritma pembelajaran mesin, termasuk:

  • Fraud detection : Pendeteksi Penipuan
  • Web search results : Hasil Pencarian Web
  • Real-time ads on web pages and mobile devices : Iklan real-time di halaman web dan perangkat mobile
  • Text-based sentiment analysis : Analisis sentimen berbasis teks
  • Credit scoring and next-best offers : Skor kredit dan penawaran terbaik
  • Prediction of equipment failures : Prediksi kegagalan peralatan
  • New pricing models : Model harga baru
  • Network intrusion detection : Deteksi intrusi jaringan
  • Pattern and image recognition : Pola dan pengenalan gambar
  • Email spam filtering : Email penyaringan spam

Apa Sajakah Metode Pembelajaran Mesin Yang Paling Populer?

Dua metode pembelajaran mesin yang paling banyak diadopsi adalah pembelajaran terarah (Supervised Learning) dan pembelajaran tak terarah (unsupervised Learning).

Kebanyakan machine learning atau sekitar 70 persen adalah pembelajaran yang terarah, sedangkan pembelajaran yang tak terarah hanya ada sekitar kurang lebih 10 sampai 20 persen saja. Selain kedua metode di atas, ada juga pembelajaran semi-terarah (Semi-supervised Learning) dan reinforcement learning adalah dua teknologi lain yang kadang-kadang juga digunakan.

Apa sajakah perbedaan keempat metode pembelajaran ini? Yuk lihat penjelasannya di bawah ini:

  • Pembelajaran Terarah ( Supervised Learning )

Algoritma pembelajaran yang terarah dilatih dengan menggunakan contoh berlabel, seperti sebuah input, dimana output yang diinginkan diketahui. Sebagai contoh, sepotong peralatan bisa memiliki data berlabel “F” (gagal) atau “R” (berjalan).

Algoritma pembelajaran menerima satu set input dan output bersama dengan algoritma belajar, dengan cara membandingkan keluaran sebenarnya dengan keluaran yang nyata untuk menemukan kesalahan yang terjadi, kemudian memodifikasi model yang sesuai.

Melalui metode seperti klasifikasi, regresi, prediksi dan peningkatan gradien, pembelajaran ini diawasi dengan menggunakan pola, dengan maksud untuk memprediksi nilai label pada data tanpa menggunakan label tambahan.

Pembelajaran yang diawasi ini biasanya digunakan dalam aplikasi dimana data historis memprediksi kemungkinan kejadian yang akan terjadi di masa depan.

Misalnya, bisa mengantisipasi kapan transaksi kartu kredit cenderung menipu atau pelanggan asuransi mana yang cenderung mengajukan klaim.

  • Pembelajaran Tak Terarah ( Unsupervised Learning )

Pembelajaran yang kedua ini biasanya digunakan untuk melawan data yang tidak memiliki label sejarah. Sistem tidak diberi tahu “jawaban yang benar“. Algoritma tersebut harus mencari tahu sendiri apa yang sedang ditampilkan. Tujuannya adalah untuk mengeksplorasi data dan menemukan beberapa struktur di dalamnya.

Pembelajaran yang tidak dipandu ini bekerja dengan baik pada data transaksional. Misalnya, ia dapat mengidentifikasi segmen pelanggan dengan atribut serupa, yang kemudian dapat diperlakukan sama dalam kampanye pemasaran. Atau bisa menemukan atribut utama yang memisahkan segmen pelanggan satu sama lain.

Teknik populer yang digunakan dalam pembelajaran tipe kedua ini meliputi peta pengorganisasian, pemetaan tetangga terdekat, k-means clustering dan dekomposisi nilai singular. Algoritma ini juga digunakan untuk mengelompokkan topik teks, merekomendasikan item dan mengidentifikasi data outlier.

  • Pembelajaran Semi- terarah ( Semi-supervised )

Pembelajaran berikutnya adalah semi-supervised atau semi-terarah, yang pengaplikasiannya sama dengan pembelajaran yang terarah. Namun pembelajaran ini menggunakan data berlabel dan tidak berlabel untuk latihan.

Biasanya data yang digunakan merupakan sejumlah kecil data berlabel dengan sejumlah besar data yang tidak berlabel (karena data yang tidak diberi label lebih murah dan memerlukan sedikit usaha untuk memperolehnya).

Jenis pembelajaran ini dapat digunakan dengan metode, seperti klasifikasi, regresi dan prediksi. Pembelajaran semi-pengawasan sangat berguna bila biaya yang terkait dengan pelabelan terlalu tinggi untuk memungkinkan proses pelatihan berlabel sepenuhnya. Contohnya adalah termasuk mengidentifikasi wajah seseorang di web cam.

  • Reinforcement Learning

Pembelajaran yang terakhir ini sering digunakan untuk robotika, game dan navigasi. Dengan pembelajaran ini, algoritma akan menemukan sesuatu yang baru melalui trial and error, dimana tindakannya akan menghasilkan reward terbesar.

Jenis pembelajaran ini memiliki tiga komponen utama, yaitu:

  • Agent (pelajar atau pembuat keputusan)
  • Lingkungan (semua agent berinteraksi)
  • Tindakan (apa yang dapat dilakukan agent)

Tujuannya adalah agar agent bisa memilih tindakan yang tepat untuk memaksimalkan penghargaan yang diharapkan untuk jangka waktu tertentu. Agent bisa mencapai tujuannya lebih cepat dengan mengikuti kebijakan yang baik. Jadi tujuan dalam reinforcement learning adalah mempelajari kebijakan terbaik.

Pengaplikasian Machine Learning

Penciptaan Machine Learning ini tentu saja memiliki alasan tertentu. Alasannya tentu berkaitan dengan kehidupan masyarakat dunia. Jika tidak memiliki tujuan, untuk apa dia dibuat. Betul nggak guys? Ada beberapa contoh dari penerapan machine learning dalam kehidupan yang antara lain adalah sebagai berikut:

  • Penerapan di bidang kedoteran : machine learning digunakan untuk mendeteksi penyakit seseorang yang dilihat atau diperiksa dari gejala yang ada. Contoh lainnya adalah untuk mendeteksi penyakit jantung dari rekaman elektrokardiogram.
  • Pada bidang computer vision : penerapan mesin ini terlihat pada pengenalan wajah dan pelabelan wajah seperti yang terdapat pada facebook. Contoh lainnya adalah penerjemahan tulisan tangan menjadi teks.
  • Pada bidang information retrival : Untuk bidang yang satu ini, machine learning digunakan sebagai penerjemah bahasa dengan menggunakan komputer, mengubah suara menjadi teks dan filter email spam.

Kesimpulan

  • Pembelajaran mesin (machine learning) adalah salah satu jenis kecerdasan buatan (artificial intelligence / AI) yang memungkinkan aplikasi perangkat lunak menjadi lebih akurat dalam memprediksi hasil, tanpa diprogram secara eksplisit.
  • Premis dasar pembelajaran mesin adalah membangun algoritma yang dapat menerima data masukan dan menggunakan analisis statistik untuk memprediksi nilai keluaran dalam rentang yang dapat diterima. AI dan Pembelajaran Mesin (ML) adalah dua kata kunci yang sangat panas dan menjadi bahan pembicaraan hingga saat ini.
  • Meskipun banyak yang mengatakan bahwa keduanya mirip atau hampir sama, namun terkadang beberapa persepsi bisa menimbulkan kebingungan tentang keduanya. Kedua istilah ini muncul sangat sering saat topiknya membahas tentang Big Data, analytics, dan gelombang perubahan teknologi yang meluas yang tengah melanda dunia.
  • Kecerdasan Buatan adalah konsep mesin yang lebih luas yang mampu melaksanakan tugas dengan cara yang kita anggap “cerdas“. Sedangkan Machine Learning adalah aplikasi AI yang berbasis saat ini, yang didasarkan pada gagasan bahwa kita seharusnya benar-benar hanya bisa memberi akses pada mesin ke data dan membiarkannya belajar sendiri.
  • Otomasi adalah langkah logis untuk pembelajaran mesin dan anda juga telah merasakan dampaknya dalam kehidupan sehari-hari, yang salah satu contoh penerapannya adalah di situs web e-commerce, saran teman Facebook, rekomendasi jaringan LinkedIn dan peringkat pencarian Airbnb.

Itulah tadi sedikit informasi mengenai Pembelajaran Mesin (Machine Learning) yang katanya sangat membantu kehidupan manusia, terutama dalam hal pengolahan dan analisis data dalam jumlah yang besar.

Dengan mempertimbangkan contoh yang telah diberikan di atas, tidak diragukan lagi kualitas output yang telah dihasilkan oleh sistem pembelajaran mesin otomatis.

Untuk semua kualitas dan manfaat yang ditawarkannya, pemikiran tentang pembelajaran mesin yang menyebabkan pengangguran besar-besaran ini tampaknya agak sedikit berlebihan.

Selama beberapa dekade ini, mesin telah menggantikan manusia di banyak bidang kehidupan, namun manusia telah berevolusi dan disesuaikan untuk tetap relevan di industri ini.

Tapi tetap saja semua bergantung pada perspektif masing-masing orang terhadap pembelajaran mesin itu sendiri. Lantas gimana dengan anda? Apakah anda juga berpikir kalau nantinya machine learning ini akan menggantikan posisi manusia? Yah, daripada terus-terusan berprasangka buruk, akan lebih baik jika kita lihat saja dikedepannya bagaimana.

Kalau anda takut posisi anda akan diambil oleh teknologi-teknologi tersebut, maka mulai saat ini, segera bekali diri anda dengan ilmu-ilmu yang jauh lebih canggih yang akan membuat anda bisa melakukan apa yang tidak bisa dilakukan oleh mereka.