Machine Learning dan Deep Learning Masuki Fase Hype

Artikel ini adalah sumbangan dari komunitas InfoKomputer. Jika Anda memiliki pemikiran yang ingin dibagi ke audience InfoKomputer, silakan kirim tulisan Anda ke redaksi[at]infokomputer.com. 

Menurut Gartner Hype Cycle 2017 for Emerging Technologies, deep learning dan machine learning adalah teknologi yang saat ini sedang “hype” alias trendy. Studi itu juga memperkirakan, implementasi deep learning dan machine learning akan banyak  diimplementasikan dalam waktu dua sampai lima tahun ke depan.

Dua sampai lima tahun ke depan bukanlah waktu yang lama. Mari kita ingat kembali, teknologi apa yang menjadi massal dan banyak diimplementasikan di dunia ini lima tahun yang lalu?

Sebagai contoh di tahun 2012, Intel mengeluarkan Intel Core i7-3960X dan di tahun 2017 ini mengeluarkan versi i7-8700. Jika keduanya dibandingkan maka kecepatan pemrosesan i7-8700 naik hampir dua kali lipat dengan harga yang hanya setengah dari i7-3960X. Walhasil, teknologi ini seperti empat kali lebih baik.

Ada pula sebuah mimpi tentang teleportation yang mengemuka pada tahun 2010. Dan pada tahun 2017 ini, para peneliti di Tiongkok sudah berhasil melakukan photon teleportation sejauh 1200 kilometer.

Analisa Prediktif

Istilah machine learning sudah mulai dipakai sejak tahun 1959 berdasarkan evolusi dan turunan dari “Artificial Intelligence” di mana dimulai dengan pembelajaran “Pattern Recognition” dan “Computational Learning Theory”.

Dasar daripada algoritma machine learning adalah statistik. Teknik ini biasanya digunakan untuk melakukan analisis prediktif yang dapat membantu manusia melakukan pengambilan keputusan dengan lebih baik, berdasarkan data yang telah diolah dengan memanfaatkan algoritma serta pola yang sudah dibuat.

Saat ini machine learning mulai berkembang lebih pesat karena kemajuan di bidang teknologi, yakni berupa jumlah atau volume data yang diperoleh menjadi jauh lebih banyak, dan media pemrosesan serta penyimpanan menjadi lebih murah. Bermodalkan tiga hal itu, akan lebih banyak proses data mining (discovery) dapat dilakukan. Pada akhirnya, setelah dibuat modelling-nya, proses learning akan dapat berjalan semakin cepat.

Ada tiga metode pembelajaran yang biasanya dipakai yaitu:

  1. Pembelajaran disupervisi, yaitu ketika komputer diberi contoh data dan masukan, juga contoh hasil yang diinginkan sehingga bisa diperoleh pemetaan antara masukan dan hasil.
  2. Pembelajaran tanpa supervisi, yaitu ketika komputer dibiarkan bekerja sendiri mencari pola di dalam data (self learning).
  3. Pembelajaran diperkuat, yaitu ketika komputer diberi tugas secara spesifik (misalnya untuk bermain game melawan orang) dan diberi masukan secara berkala agar bisa melakukan pengambilan keputusan yang proaktif dan reaktif.

Pemanfaatan Machine Learning, Deep Learning

Penggunaan machine learning di dunia bisnis biasanya berkaitan dengan manajemen resiko, manajemen investasi, manajemen rantai pasokan, manajemen produksi, dan sebagainya. Semua pemanfaatan ini sesuai dengan tujuan akhir yakni investasi yang lebih baik, menghindari resiko, menanggulangi resiko secara proaktif, efisiensi produksi, mengurangi jumlah cacat produksi, memproduksi sesuai dengan keinginan pelanggan, dan sebagainya.

Deep learning merupakan kelanjutan dari machine learning yang secara konsep masih menggunakan proses dari data sebagai input, kemudian dilanjutkan dengan  proses pembelajaran dan diakhiri dengan proses pengambilan keputusan. Namun keputusan berbasis deep learning  diambil dari sumber yang sangat luas.

Contoh aplikasi deep learning  adalah aplikasi pengenalan wajah (face recognition). Aplikasi ini didukung oleh sumber data yang sangat luas berupa contoh-contoh bentuk wajah dan keterangannya secara rinci (misalnya, umur, jenis kelamin, ras, dan sebagainya). Data-data tersebut bisa dikumpukan secara manual atau secara lebih otomatis (internet crawling).

Penggunaan machine learning di dunia bisnis biasanya berkaitan dengan manajemen resiko, manajemen investasi, manajemen rantai pasokan, manajemen produksi, dan sebagainya.

Jika aplikasi ini diimplementasikan di perusahaan, data yang diumpankan ke sistem adalah data foto karyawan perusahaan tersebut. Jika ada orang yang tidak terdaftar dalam data foto karyawan, aplikasi akan memberikan informasi bahwa ada “tamu” yang terdeteksi, sehingga pihak keamanan perusaahan bisa bertindak mengarahkan “tamu” tersebut.

Aplikasi pengenal wajah dapat dimanfaatkan lebih luas, misalnya untuk pengendalian risiko di tempat-tempat umum, misalnya di bandar udara dan stasiun kereta api. Jika ada obyek yang “tidak sesuai” dengan pola yang diharapkan, maka sistem aplikasi tersebut dapat memberikan informasi. Misalnya pelataran kereta yang seharusnya kosong, tapi terisi oleh sebuah benda yang tidak bergerak selama tiga puluh menit. Contoh lain adalah adanya pergerakan di area yang seharusnya tidak ada orangnya. Input-nya bisa datang dari kamera pengawas yang ada di tempat tersebut, lalu dianalisis secara real time sehingga petugas yang berwenang dapat bereaksi secara lebih cepat.

Dengan semakin terjangkaunya dan kian besarnya kapasitas komputasi awan, kita akan melihat percepatan penggunaan machine learning dan deep learning. Tentunya bagaimana perkembangan aplikasinya pun akan sangat menarik.

Penulis: Yos Vincenzo (Cloud and Enterprise Business Group Lead, PT Microsoft Indonesia)

Comments

comments