Sepulang dari sebuah misi tempur, tidak disangka, sambaran kilat menerjang EDI UCAV (Extreme Deep Invader Unmanned Combat Air Vehicle), satu-satunya pesawat tak berawak yang dipiloti komputer. Sambaran kilat ini ternyata memprogram ulang pola-pola yang telah diterima EDI selama proses pembelajaran. EDI UCAV yang tadinya taat pada perintah manusa, kini berubah 180 derajat. Sambaran kilat ini membuat sistem komputer EDI hanya mematuhi dirinya sendiri.
Walhasil, komputer cerdas dalam pesawat tak berawak itu pun berubah menjadi musuh yang menakutkan. Ini karena ia telah memiliki semua manuver canggih dan semua kemampuan udara yang telah dipelajarinya selama ini. Juga karena ia dilengkapi senjata nuklir yang mampu menghancurkan sebuah negara dan memicu perang dunia.
Komputer yang seharusnya membantu tim tempurnya menyelesaikan misinya, kini malah berbalik menjadi musuh bagi yang menciptakannya. Jika begini, bagaimanakah solusinya?
Untungnya itu adalah adegan dalam film semata. Adegan yang diambil dalam film Staalth ini menggambarkan apa yang terjadi jika sistem mengalami gangguan. Pertanyaannya kini, mungkinkah sistem semacam EDI UCAV ini akan bisa diciptakan? Mungkinkah komputer bisa belajar sebagaimana halnya manusia?
Konsep Machine Learning
Pertanyaan tersebut ternyata telah ada dalam pikiran manusia selama berabad-abad. Memikirkan sebuah mesin atau sistem yang bisa belajar tanpa pemrograman dan lalu mengambil keputusan sendiri merupakan ide paling ambisius manusia. Hal ini memunculkan konsep kecerdasan buatan [artificial intelligence). Dalam “bahasa” ilmu komputer, mesin cerdas yang ideal merupakan sebuah agen rasional. Mesin ini akan menerima input dari lingkungan sekitarnya dan mengambil tindakan atau langkah yang memperbesar peluangnya meraih keberhasilan dalam berbagai tujuannya.
Istilah “kecerdasan buatan” bisa diterapkan pada sistem komputer atau mesin yang menggunakan teknik tertentu untuk menirukan fungsi kognitif otak manusia, seperti “belajar” dan “memecahkan masalah”. Kecerdasan buatan sendiri merupakan domain yang memayungi aneka konsep lain, seperti knowledge representation, machine learning, natural language processing, machine perception, computer vision, speech recognition, serta affective computing.
Arthur Samuel di tahun 1959 mendefinisikan machine learning sebagai “cabang ilmu yang memungkinkan komputer memiliki kemampuan untuk belajar tanpa perlu diprogram lagi”. Machine learning karena itu mengkaji aneka algoritma yang bisa “belajar” dari data dan membuat keputusan atau prediksi berdasarkan data tersebut. Algoritma semacam ini bekerja dengan cara membangun sebuah model dari masukan-masukan {input) untuk menghasilkan prediksi atau pengambilan keputusan berdasarkan data {output). Ini berbeda dari model komputer “konvensional” yang membutuhkan “bimbingan” dalam bentuk program untuk mengarahkan output komputer sesuai keinginan programmer.
Machine learning berkaitan erat (dan sering bertumpang tindih) dengan computational statistics. Computational statistics sendiri merupakan disiplin ilmu yang juga berfokus pada pembuatan keputusan atau prediksi via penggunaan komputer. Machine learning dipakai dalam aneka aktivitas menggunakan komputer, di mana pemrograman dianggap tidak mampu melakukannya. Penerapan sehari-hari termasuk spam filtering, optical character recognition, search engines, dan computer vision.
Akan tetapi, salah satu hambatan terbesar penerapan machine learning terletak pada kenyataan bahwa aneka keputusan yang dihasilkan berdasarkan berbagai masukan (input) dianggap terlalu kompleks untuk dideskripsikan. Untuk mengatasi hal ini, para ahli machine learning merancang algoritma yang “memilah” pengetahuan dari data dan pengalaman tertentu, berdasarkan prinsip-prinsip statistika dan komputasi.
Machine learning memadukan banyak pendekatan seperti teori probabilitas, logika, combinatorial optimization, pencarian, statistika, reinforcement learning, dan control theory. Metode yang didapat sebagai hasil pengembangan ini merupakan dasar dari banyak implementasi, mulai dari pemrosesan vision to language, perkiraan, pengenalan pola-pola, permainan, data mining, expert systems, serta robotika.
Sejarah Singkat Machine Learning
Lalu pada tahun 1950, Alan Turing mengusulkan adanya sebuah tes untuk mengukur kinerja sistem komputer. Tes yang diusulkan Turing ini dibuat berdasarkan pemikiran bahwa kita hanya bisa menentukan apakah sebuah mesin atau sistem benar-benar bisa “belajar” jika saja kita bisa berkomunikasi dengannya, dan tidak bisa membedakan kemampuannya ini dari cara manusia belajar. Meskipun belum ada mesin atau sistem yang berhasil lulus dari tes ini, mulai banyak sistem yang telah dikembangkan berbasis ide machine learning.
Pada sekitar tahun 1952, Arthur Samuel (IBM) membuat sebuah program permainan pertama untuk permainan checkers (semacam dam-daman). Program ini dirancang bagi sistem/mesin untuk meraih kemampuan memadai agar bisa menantang sang juara dunia. Program machine learning. buatan Samuel ini tidak disangka bisa bekerja dengan baik dan sangat membantu meningkatkan kinerja sang pemain.
Tonggak penting lain dalam machine learning adalah munculnya sistem ELIZA pada awal tahun 1960-an. ELIZA yang dibuat oleh Joseph Weizenbaum ini mensimulasikan cara kerja psychoterapist yang menggunakan aneka trik seperti pertukaran tali dan mengumpulkan respons berdasarkan kata kuncinya. Saat ELIZA pertama mendemokan kemampuannya, banyak orang yang mengiranya sebagai manusia karena kemampuannya.
Keberadaan ELIZA merupakan contoh yang cukup baik tentang konsep machine learning. Setelah kemunculan ELIZA, banyak mesin dan sistem serupa yang dibuat manusia. Salah satu yang layak dibahas adalah karya mahasiswa Stanford. Mereka mendemokan kekuatan sistem berbasis kaidah untuk menunjukkan kemampuan sistem mengolah pengetahuan yang dimilikinya dan mengambil kesimpulan yang berguna. Tujuannya, melakukan terapi dan diagnosis medis. Sistem ini sering disebut “sistem pakar pertama”.
Pada waktu yang bersamaan dengan saat sistem pakar dibuat, pendekatan lain terhadap konsep machine learning juga muncul. Pada tahun 1957, Frank Rosenblatt menemukan Perceptron di Laboratorium Ruang Angkasa Cornell. Perceptron sendiri merupakan sebuah penggolong linear sederhana. Namun, ternyata jika sejumlah besar Perceptron dikombinasikan dalam sebuah jaringan, sebuah sistem yang bertenaga bisa dihasilkan.
Namun, sistem jaringan saraf ini ternyata belum bisa menghasilkan hal yang menggembirakan setelah gagal memecahkan masalah XOR (exclusive OR). XOR sendiri.
merupakan perhitungan bilangan biner yang membutuhkan langkah kompleks agar bisa dipecahkan. Namun, beberapa modifikasi dalam sistem jaringan saraf pada akhirnya mampu memecahkan perhitungan XOR dan aneka perhitungan sulit lainnya.
Lalu pada awal tahun 1990-an, konsep machine learning kembali populer karena adanya irisan antara ilmu komputer dan statistika. Sinergi ini menghasilkan cara baru pemikiran dalam bidang kecerdasan buatan, yakni pendekatan berdasarkan probabilitas. Dalam pendekatan semacam ini, ketidakpastian dalam parameter disertakan dalam model perhitungan. Sistem semacam ini sendiri bekerja berbasis data, untuk membedakannya dari yang berbasis pengetahuan dengan sistem pakar seperti yang dibuat di tahun-tahun sebelumnya. Banyak kisah sukses machine learning terwujud berkat berbagai ide yang dikembangkan di masa itu.
Implementasi Machine Learning
Di Indonesia, sebenarnya sudah ada yang menggunakan machine learning untuk menunjang aktivitasnya. Salah satunya seperti yang dilakukan Kofera. Perusahaan ini menggunakan platform machine learning untuk membantu pengelolaan pemasaran digital bagi para kliennya.
Menurut Bachtiar Rivai (CEO Kofera), machine learning dapat dianggap sebagai salah satu cabang ilmu komputer. Machine learning ini memiliki potensi besar karena “belajar” dari pola-pola data secara iteratif. “Jadi tidak seperti algoritma biasa, machine learning bisa mengenali pola atau menyelesaikan masalah tanpa harus secara eksplisit diprogram di mana dan apa yang mau diselesaikan,” ungkap Bachtiar.
Bachtiar merasakan betul manfaat machine learning. Pasalnya, perusahaan yang ia pimpin, yaitu Kofera, memanfaatkan machine learning untuk mengelola digital marketing berbagai perusahaan e-commerce. Ketertarikan Bachtiar terhadap machine learning ia dapat setelah menyadari pengelolaan digital marketing berbasis orang ternyata tidak scalable. “Ketika ada klien baru, saya harus menambah orang baru,” ungkap Bachtiar mengungkapkan kendala yang ia alami di perusahaan sebelumnya.
Jadi tidak seperti algoritma biasa, machine learning bisa mengenali pola atau menyelesaikan masalah tanpa harus secara eksplisit diprogram di mana dan apa yang mau diselesaikan
Cara Mesin Belajar
Dalam pembelajaran machine learning, dikenal beberapa metode, yakni Supervised dan Unsupervised learning
Supervised
Pada metode ini, engine belajar berdasarkan data yang sudah diberi label. Setiap input memiliki pasangan output berupa nilai sesungguhnya atau yang diinginkan. Melalui pembelajaran ini, engine akan melihat pola yang terjadi sehingga dapat memprediksi input di masa depan. Ketika Anda menggunakan layanan machine learning dari AWS atau Microsoft Azure, model yang digunakan adalah Supervised ini.
Pada metode Supervised ini, terdapat tiga model yang umum dipakai yaitu:
1. Classsification
Model ini digunakan untuk mengklasifikasikan input, seperti “anjing atau kucing?” Pada dunia e-commerce, cara ini digunakan untuk mengklasifikasi produk (baju, televisi, atau buku) secara otomatis.
2. Regression
Model ini digunakan untuk memperkirakan hasil. Contohnya adalah memperkirakan harga saham besok berdasarkan history saham tersebut maupun kejadian finansial yang terjadi.
3. Anomaly Detection
Model ini digunakan untuk mendeteksi terjadinya anomali. Contohnya adalah yang dilakukan bank untuk mendeteksi transaksi mencurigakan.
Unsupervised Learning
Dalam unsupervised learning, data yang diberikan tidak memiliki label khusus. Engine hanya diberi kumpulan data dan diminta mengorganisasi serta membuat pola dari seluruh data tersebut. Metode ini biasanya digunakan untuk membantu mendapatkan insight dari berbagai data yang belum jelas korelasinya. Namun karena harus belajar sendiri, pembelajaran melalui unsupervised learning ini membutuhkan waktu yang lebih lama.
Kini dengan menggunakan engine berbasis machine learning, Kofera bisa melakukan automisasi di sebagian besar prosesnya. Contohnya, engine tersebut bisa memprediksi keyword mana yang efektif dan mana yang tidak. Engine tersebut juga bisa berfokus kepada segmen tertentu karena sudah “belajar” dari profil pengguna. Kelebihan machine iearning kian terasa karena semua proses optimalisasi bisa dilakukan dalam hitungan jam, tidak berminggu-minggu seperti dulu saat dikerjakan manusia secara manual.
Cocok untuk Berbagai Industri
Boleh dibilang, semua industri bisa memanfaatkan machine learning. “Machine iearning adalah metode yang belajar dari data. Jadi selama ada data yang cukup, kemungkinan besar machine iearning bisa diimplementasikan,” ungkap Bachtiar. Bachtiar pun menunjuk machine iearning yang kini banyak dipakai di berbagai industri, mulai dari advertising, loT, finansial, microbiology, sampai fisika nuklir.
Sementara Edi Susanto (Country Lead, Cloud and Enterprise Solution Microsoft Indonesia), memberikan beberapa contoh implementasi machine iearning di industri keuangan. “Contohnya adalah mendeteksi fraud,” ungkap Edi. Mengingat transaksi terus terjadi setiap saat, akan sangat sulit bagi bank untuk memeriksa setiap transaksi secara manual. Namun jika menggunakan machine iearning, kesulitan itu relatif bisa diatasi. Engine berbasis machine iearning dapat mendeteksi setiap transaksi secara otomatis, lalu ketika melihat transaksi yang memiliki ciri-ciri seperti penipuan, engine tersebut bisa langsung mengeluarkan alert.
Contoh implementasi lain adalah di industri kelistrikan. Di industri ini, machine learning bisa digunakan untuk mendeteksi pola penggunaan listrik konsumen di jam dan hari tertentu demi tujuan efisiensi. Bagi perusahaan pengeboran minyak, machine learning bisa digunakan untuk memprediksi area yang layak untuk ditambang. Dengan kata lain, machine learning bisa diterapkan untuk semua industri. Bagi perusahaan retail, machine learning juga bisa digunakan untuk memperkirakan tingkat laku sebuah produk. “Semua tergantung imajinasi kita,” tambah Edi.
Kata kuncinya adalah learnfast and get insight fast, ungkap Edy mengungkapkan kelebihan machine learning.
Persiapan Memanfaatkan Machine Learning
Lantas, bagaimana jika perusahaan ingin memanfaatkan machine learning? Untuk menjawab pertanyaan ini, Bachtiar memberikan beberapa langkah persiapan. “Yang utama adalah menyiapkan apa yang ingin dicapai dari pembuatan aplikasi berbasis machine iearning itu,” ungkap Bachtiar. Jika sudah tahu apa yang diinginkan, langkah selanjutnya adalah memilih model yang akan memproses data sesuai tujuan. “Jika ingin menyelesaikan masalah seputar optimasi, clustering, atau classification, biasanya sudah ada jurnal ilmiahnya,” tambah Bachtiar. Namun jika memiliki tujuan yang lebih spesifik, Anda harus melakukan riset terlebih dahulu.
Langkah selanjutnya adalah melakukan data training alias memberi “pelajaran” kepada engine machine learning tersebut. Caranya dengan memberi engine tersebut satu set data agar ia bisa melihat polanya. Lalu, engine tersebut diminta untuk memprediksi data lain yang telah kita ketahui nilainya. Dari situ bisa terlihat apakah permodelan yang dipilih sudah memiliki akurasi yang tinggi.
Bachtiar menambahkan bahwa jika hasil yang didapat sudah memuaskan, kita tinggal memberi tambahan pelajaran dengan melibatkan data yang lebih besar. Proses tersebut kemudian diulang-ulang sampai akhirnya engine tersebut dapat memproses data yang lebih besar dengan akurasi tinggi.
Namun, untuk membuat engine seperti itu memang tidak mudah. Menurut Bachtiar, dibutuhkan orang yang piawai dalam memahami masalah, menentukan model, sampai membuat algoritma. Di Kofera sendiri, Bachtiar membentuk tiga tim untuk menjawab masalah tersebut. “Tim pertama adalah researcher yang membuat sintesis masalah dan membuat model,” ungkap Bachtiar. Biasanya grup ini terdiri dari orang dengan keahlian dalam bidang fisika atau matematika serta memahami permasalahan yang harus diselesaikan.
Sementara tim kedua adalah data scientist yang bertugas melakukan pengujian pada data sesungguhnya dan melakukan modifikasi model. Pada posisi ini, biasanya dibutuhkan sosok yang memiliki latar belakang matematika atau scientic computing. Sementara tim ketiga adalah software engineer yang akan mengimplementasikan seluruh model itu ke dalam algoritma.
Akan tetapi, beberapa perusahaan teknologi seperti AWS dan Microsoft kini menawarkan solusi machine learning siap pakai untuk membantu perusahaan mengolah datanya. Mereka menawarkan solusi komplet terkait machine learning, mulai dari infrastruktur komputasi (seperti processing power dan storage), algoritma untuk data training, sampai engine machine learning untuk mengolah data tersebut. Dengan kata lain, perusahaan hanya perlu meng-input data ke mesin tersebut lalu mendapatkan insight berdasarkan algoritma machine learning yang disediakan.
Menurut Edy Susanto, cara ini membuka kesempatan bagi semua level perusahaan untuk memanfaatkan machine learning. “Karena tidak membutuhkan investasi besar di awal,” ungkap Edy beralasan. Untuk langkah awal, perusahaan bisa mulai melakukan pengumpulan data dan menyimpannya di cloud. Jika data sudah cukup besar, langkah selanjutnya adalah memanfaatkan algoritma Azure untuk data training maupun machine learning. Kemampuan machine learning pun akan kian meningkat seiring pertambahan data. “Kata kuncinya adalah learn fast and get insight fast,” ungkap Edy mengungkapkan kelebihan machine learning.
Ketika “mesin” bisa belajar dan menganalisa lebih baik dari manusia, bukan berarti peran manusia akan tergantikan. “Saya kira kapabilitas ini lebih sebagai added-value bagi kita,” ungkap Edy Susanto. la menambahkan bahwa ketika Wol seperti machine learning mampu menampilkan insight dari data yang ada, kita pun bisa mengambil keputusan secara lebih baik.
Jadi kekhawatiran film Stealth di atas sepertinya tidak akan terjadi. Atau setidaknya, tidak dalam waktu dekat.
Kondisi di Saat Ini dan di Masa Depan
Pada tahun 2024 nanti, teleskop radio terbaru akan menghasilkan data lebih dari satu exabyte 1018 per hari! Untuk menangani data sebesar ini, big data karena itu berusaha mengembangkan metode baru untuk menyimpan dan mengolahnya, selain memvalidasi pola-pola kompleks yang ada di dalamnya. Machine learning karena itu diharapkan memiliki peran lebih besar agar bisa menangani data besar dan kompleks ini.
Kajian machine learning sendiri saat ini telah berkembang (dari sekadar usaha membuat sebuah komputer bisa belajar memainkan sebuah game atau meniru kemampuan otak manusia) ke arah yang lebih luas lagi, yakni merancang teori komputasi-statistik dasar tentang proses pembelajaran bagi mesin dan sistem.
Banyak di antara algoritma baru pembelajaran berbasis machine learning (seperti mesin vektor dan jaringan Bayesian dalam aplikasi antispam), telah digunakan secara komersial saat ini. Selain itu, aneka bidang lain pun bisa memanfaatkan machine learning, seperti prediksi cuaca, prediksi hasil pertandingan, perkiraan harga saham, atau bidang lainnya yang memiliki banyak data di dalamnya. Pendeknya, hampir semua bidang nantinya akan bisa memanfaatkan machine learning sepanjang tersedia cukup data untuk diolah.
Dengan demikian di masa depan, machine learning bisa memainkan peran signifikan dalam hidup manusia. Bukan tidak mungkin, di masa depan akan ada robot pembantu seperti dalam film l, Robot atau makin banyak supir taksi robot seperti dalam film Total Recall yang bisa berinteraksi layaknya manusia.
Sumber : Info Komputer Juni 2016
