Kegunaan

Melalui kelas ini, kamu diajak untuk:

• Mengidentifikasi kegunaan praktis machine learning berdasarkan kasus-kasus tertentu.

Sudut Pandang Programmer

Machine learning hadir dengan segudang kegunaan. Di materi sebelumnya, kita telah mengetahui contoh-contoh keluaran dari machine learning. Namun machine learning tak hanya populer karena terobosan outputnya. Ia juga membantu programmer menghemat waktu, keringat, dan pikiran dalam melakukan pekerjaannya.

Kasus 1: Menulis Kode

Bayangkan kita ingin membuat alat pendeteksi spam di email. Kita bisa saja menulis kode-kode seperti “jika email berisi kata atau kalimat tertentu, maka email tersebut adalah spam”. Kemudian, kita definisikan kata dan kalimat yang termasuk spam satu per satu dari nol. Membayangkan waktu dan tenaga yang akan terkuras mungkin sudah membuat kita ingin menyerah sebagai programmer.

Atau, kita memilih untuk menggunakan peranti machine learning, seperti teknik klasifikasi data menggunakan algoritma Naive Bayes. Kita masukkan contoh-contoh dataset yang termasuk spam dan tidak, lalu biarkan mesin melakukan tugasnya.

Fakta menarik: setiap kali kita melaporkan sebuah email menjadi spam, misal di Google, kita telah membantu melatih mesin Google untuk mengidentifikasi contoh baru apa yang termasuk spam.

Contoh Kasus 2. Pembuatan Keputusan

Machine learning juga dapat digunakan sebagai dasar membuat keputusan. Contohnya adalah credit scoring atau sistem standar kelayakan penerimaan kredit. Dengan metode klasifikasi, mesin dapat mengukur apakah seseorang layak menerima kredit berdasarkan ragam parameter, misal pendapatan dan kepemilikan aset, dan sebagainya.

Kasus 3: Observasi Fenomena

Misal kita melihat wajah-wajah orang tersenyum. Kita kemudian berintuisi bahwa orang tersenyum dengan pola-pola tertentu berarti mereka sedang gembira. Sekarang, bayangkan kita menyusun kode berisi instruksi logis untuk membuat komputer kita melakukan hal yang sama. Mungkin kita akan kebingungan.

Mengajarkan komputer alur logika adalah satu hal, namun membuat mereka berintuisi adalah hal lain. Lewat observasi, machine learning membuat komputer mengenal intuisi. Menariknya, intuisi komputer diukur berdasarkan ragam hitungan matematis.

Dalam konteks rekognisi wajah dan asosiasi emosional, kita memberikan data wajah dalam jumlah banyak. Komputer kemudian mengobservasi dataset tersebut, mengidentifikasi pola, lalu membuat generalisasi.

Poin Penting

• Dengan machine learning, kita dapat menghemat waktu dan tenaga menulis kode dari nol untuk membuat model.
• Machine learning bekerja melalui observasi. Maka tugas utama melatih komputer adalah dengan menginput dataset untuk diobservasi.