Lanjutan catatan belajar AI saya. Di episode sebelumnya kita sudah sepakat definisi kerja AI, sekarang waktunya membahas istilah yang paling sering tertukar: machine learning. Dulu saya pikir AI dan ML itu sinonim. Ternyata tidak — dan memahami hubungan serta tiga paradigma di dalamnya bikin peta belajar saya jauh lebih jelas.
Machine learning itu bagian dari AI
Cara paling gampang membayangannya: AI adalah payung besar, machine learning adalah salah satu pendekatan di dalamnya, dan deep learning (neural network berlapis banyak) adalah bagian kecil lagi di dalam ML. Machine learning sendiri bisa didefinisikan sebagai teknik yang membuat komputer belajar dari data tanpa harus diprogram secara eksplisit aturan demi aturan.
Analogi programmer: daripada menulis aturan langsung, kita menulis kode yang menghasilkan aturan dari data. Kita tidak menulis “spam itu email yang mengandung X, Y, Z”. Kita menulis pipeline yang menerima ribuan contoh berlabel lalu mengeluarkan sendiri aturan klasifikasinya.
Supervised learning: belajar dengan kunci jawaban
Ini paradigma yang paling sering dipakai di industri. Datanya berupa pasangan input dan label — mirip unit test yang punya expected value. Model menerima soal (input) dan kunci jawaban (label), lalu belajar menyesuaikan diri supaya tebakannya makin dekat dengan kunci.
Supervised learning terbagi dua tugas besar:
- Klasifikasi — labelnya kategori: spam atau bukan, churn atau tidak, foto kucing atau anjing.
- Regresi — labelnya angka kontinu: harga rumah, estimasi waktu tempuh, perkiraan cuaca.
Dari beberapa tulisan pengalaman praktisi yang saya baca, mayoritas proyek bisnis jatuhnya ke supervised. Bottleneck-nya juga jelas: label itu mahal. Butuh manusia untuk melabeli data satu per satu, dan di sinilah seringnya proyek macet duluan.
Unsupervised learning: mencari pola tanpa label
Kalau supervised itu mengerjakan soal lengkap dengan kunci jawaban, unsupervised itu seperti dibuang ke codebase legacy tanpa dokumentasi: tidak ada kunci jawaban, kita cuma diminta menemukan struktur dari apa yang ada. Datanya hanya berisi input, dan tugas model adalah menemukan pola atau pengelompokan alami.
Contoh nyatanya: segmentasi pelanggan (mengelompokkan pembeli dari perilaku transaksi tanpa kita tentukan kelompoknya), reduksi dimensi seperti PCA untuk memampatkan fitur, dan deteksi anomali — menandai transaksi yang polanya menyimpang dari kebiasaan.
Reinforcement learning: belajar dari hadiah dan hukuman
Paradigma ketiga ini paling mirip cara belajar main game. Ada agent yang mengambil aksi di dalam sebuah environment, lalu menerima reward (atau hukuman) dari aksinya. Tidak ada kunci jawaban per langkah — yang ada cuma sinyal “ini bagus” atau “ini buruk”, dan agent belajar strategi lewat trial and error dalam jumlah besar.
Contoh terkenalnya program komputer yang mengalahkan juara dunia Go, robot yang belajar berjalan, dan — yang menarik buat saya — tahap penyelarasan model bahasa besar yang juga memakai ide reward dari feedback manusia.
| Paradigma | Butuh label? | Contoh tugas | Analogi coding |
|---|---|---|---|
| Supervised | Ya | Deteksi spam, prediksi harga | Unit test dengan expected value |
| Unsupervised | Tidak | Clustering, anomali | Eksplorasi codebase tanpa dokumentasi |
| Reinforcement | Tidak (ada reward) | Game, robotika | Bot yang belajar dari skor |
Analogi Sederhana untuk Ketiga Tipe
Setelah memahami definisi teknis ketiga paradigma di atas, saya mencoba merangkumnya dalam analogi sederhana yang mudah saya panggil kembali kapan pun teorinya mulai kabur lagi di kepala.
Supervised learning itu seperti belajar dengan kunci jawaban. Guru memberikan soal sekaligus jawabannya; setiap kali saya salah menjawab, guru menunjukkan kunci sehingga saya bisa memperbaiki cara berpikir untuk soal berikutnya. Model machine learning menjalani proses yang sama: menerima ribuan pasang input dan label, lalu menyesuaikan diri sampai tebakannya konsisten mendekati kunci.
Unsupervised learning seperti diminta mengelompokkan foto liburan keluarga tanpa satu pun label. Saya tidak hafal nama semua orang di foto, tetapi wajah-wajah yang mirip dengan sendirinya terkumpul pada kelompok yang sama. Tidak ada kunci jawaban yang dibagikan; yang ada hanya pola yang menunggu untuk ditemukan.
Reinforcement learning seperti belajar naik sepeda. Tidak ada manual langkah demi langkah yang bisa saya baca; saya mencoba, jatuh sebagai hukuman, berhasil menjaga keseimbangan beberapa meter sebagai hadiah, dan dari ratusan percobaan itulah strategi akhirnya terbentuk.
Contoh Nyata di Dunia Nyata per Tipe
Analogi membuat konsep mudah diingat, tetapi contoh nyata yang membuat saya yakin konsep tersebut benar-benar dipakai di lapangan. Berikut catatan contoh penerapan per paradigma yang saya kumpulkan dari berbagai bacaan.
Untuk supervised learning, contohnya paling banyak saya temui:
- Filter email spam yang dilatih dari ribuan contoh pesan sampah dan pesan sah yang sudah diberi label.
- Prediksi harga rumah dari data luas bangunan, lokasi, dan jumlah kamar.
- Deteksi penyakit dari foto rontgen yang sudah diberi label diagnosis oleh dokter.
Untuk unsupervised learning, dua contoh ini paling sering disebut:
- Segmentasi pelanggan pada e-commerce, yakni mengelompokkan pembeli berdasarkan perilaku transaksi agar promo lebih tepat sasaran.
- Deteksi anomali transaksi, menandai pola pembelian yang menyimpang dari kebiasaan sebagai indikasi penipuan.
Untuk reinforcement learning, contoh favorit saya adalah:
- AlphaGo yang mengalahkan juara dunia Go setelah jutaan simulasi permainan melawan dirinya sendiri.
- Robot yang belajar berjalan melalui mekanisme hadiah saat langkahnya stabil dan hukuman saat terjatuh.
- Optimasi penempatan iklan, ketika sistem mencoba banyak kombinasi penempatan lalu memperkuat yang menghasilkan klik terbanyak.
Alur Kerja Machine Learning yang Saya Catat
Selain tiga paradigma tersebut, hal baru lain yang saya catat adalah alur kerja umum sebuah proyek machine learning. Urutannya konsisten di hampir semua sumber yang saya baca:
- Mengumpulkan data — materi mentah tempat model belajar; kualitas dan jumlahnya sangat menentukan hasil akhir.
- Menyiapkan dan membersihkan data — menangani nilai kosong, duplikat, dan kesalahan format; tahap ini sering memakan waktu paling lama.
- Melatih model — memasukkan data ke algoritma agar pola ditemukan dan parameter menyesuaikan diri.
- Mengevaluasi model — menguji performa pada data yang belum pernah dilihat model untuk memastikan ia tidak sekadar menghafal.
- Memakai model untuk prediksi — model yang sudah layak dipasangkan ke aplikasi nyata dan dipantau performanya seiring waktu.
Dari alur itu, saya juga mencatat lima istilah kunci yang wajib saya pahami maknanya:
- Model — hasil akhir proses pembelajaran, semacam otak yang sudah terlatih dari data.
- Training data — kumpulan data yang dipakai untuk melatih model.
- Fitur — atribut atau variabel input yang dipakai model untuk menilai, misalnya luas tanah pada prediksi harga rumah.
- Label — jawaban benar yang ingin diprediksi model pada supervised learning.
- Prediksi — keluaran model ketika diberi data baru yang belum pernah dilihatnya.
Tabel Ringkas Membandingkan Ketiganya
Sebagai penutup catatan teknis, saya merangkum perbandingan ketiganya dalam satu tabel supaya mudah ditinjau ulang nanti.
| Aspek | Supervised | Unsupervised | Reinforcement |
|---|---|---|---|
| Data yang dipakai | Data berlabel (pasangan input dan label) | Data tanpa label | Data interaksi dengan sinyal reward |
| Tujuan utama | Memprediksi label untuk data baru | Menemukan pola atau struktur tersembunyi | Menemukan strategi aksi yang memaksimalkan total reward |
| Contoh kasus | Deteksi spam, prediksi harga rumah, deteksi penyakit | Segmentasi pelanggan, deteksi anomali transaksi | Permainan Go, robot berjalan, optimasi iklan |
| Contoh teknologi nyata | Filter spam Gmail, estimasi harga properti, analisis citra medis | Klasterisasi pelanggan dan sistem rekomendasi e-commerce | AlphaGo dari DeepMind, robotika otonom, sistem bidding iklan digital |
Catatan untuk diri sendiri
Awalnya saya bingung harus memilih paradigma yang mana untuk sebuah masalah. Sekarang saya pakai tiga pertanyaan sederhana: apakah ada kunci jawaban? Kalau ya, supervised. Tidak ada label tapi ingin menemukan struktur? Unsupervised. Masalahnya interaktif dan ada sinyal sukses-gagal bertahap? Reinforcement. Sederhana, tapi sampai sekarang belum pernah salah arah.
Komentar Terbaru