Kecerdasan buatan tidak hanya learning saja tetapi juga searching, perception, dan juga planning. Machine learning banyak dipakai untuk proses data mining atau knowledge discovery gunanya untuk mencari pola dalam data-data yang banyak. Dalam sejarah sebenarnya kecerdasaan buatan ini sudah ada cukup lama yaitu, dari tahun 1930 atau 1940an dan kecerdasaan buatan ini muncul dalam berbagai macam bentuk.
Ada 2 pola pemikiran atau aliran dari para pakar komputer dan pakar matematika ketika awal munculnya AI ini, yaitu :
1. Aliran pertama menyebutkan jika bisa menuliskan semua rules atau aturan yang menjadi dasar pengetahuan ( knowledge ) yang dimiliki oleh manusia maka dapat diciptakan sebuah mesin yang memiliki kecerdasan yang sama seperti manusia.
2. Aliran kedua dimana para pakar matematika dan pakar komputer yang menganggap kecerdasan komputer itu dapat diperoleh jika bisa mengetahui cara kerja atau bagaimana sebuah otak manusia itu memproses informasi.
Tetapi aliran kedua ini pada awal tahun 1940 - 1950 an masih dalam perkembangan awal dan teknologi pada saat itu masih sangat terbatas tidak seperti sekarang. Sehingga aliran aliran ini terutama aliran kedua tidak memperoleh sambutan yang besar dimana kemudian aliran pertama ini unggul karena mereka dapat membuat sebuah mesin yang bekerja secara otomatis meski sumber daya yang ada terbatas.
Seiring berkembangnya teknologi komputer maka muncul banyak teori-teori baru tentang AI dimana kemudian salah satu teorinya yaitu “ kita bisa membuat komputer bekerja jika bisa mengetahui atau mengekstrak pola dari ciri-ciri data yang diperoleh dan kemudian bisa melakukan inferensi, sehingga bisa membuat modul matematika yang dapat digunakan untuk melakukan prediksi apabila nanti ada data-data baru yang masuk”. Kemudian pada tahun 1980 banyak para pakar matematika yang merumuskan berbagai macam teori yang nantinya menjadi teknologi mainstream hingga sekarang contohnya, machine learning.
Training set sebuah data dapat disebut jika bisa mengetahui ciri-ciri data dan juga jawabannya. Training set digunakan untuk melakukan pelatihan terhadap mesin. Pada akhir tahun 2010 seiring berkembangnya teknologi gravis yaitu gravic processing unit (GPU), para
peneliti dari aliran kedua terus mengkombinasikan teknologi machine learning dengan teori teori yang sudah dikembangkan sebelumnya. Dimana kemudian para pakar ini menemukan metode baru untuk mentraining atau disebut sebagai saraf tiruan.
Pada tahun 2010 ke atas kita bisa menjenered data dengan sangat mudahnya, juga bisa memiliki data yang sudah dilabeli dan yang siap menjadi training set dengan mudah didapatkan. Dengan adanya IOT dan komputasi sudah mendukung maka teori yang sudah lama dikembangkan dari tahun 1950 – 1980 dapat dimunculkan kembali dan menjadi tren saat ini bahkan hampir diseluruh perusahaan di dunia ini menggunakannya.
Apa itu Machine Learning ?
Menurut Tom Michell, 1997 yang merupakan seorang professor yang cukup terkenal dibidang ini mengatakan bahwa sebuah program komputer dikatakan belajar dari experience atau pengalaman untuk tugas-tugas tertentu, jenis-jenis tertentu dan ukuran tertentu. Jika performa dari tugas tadi dilakukan oleh komputer yang diukur dengan p yang disebut sebagai unit mengukur performa, meningkat seiring dengan meningkatnya experience yang diperoleh oleh komputer tadi.
Istilah teknis dalam pembelajaran AI, yaitu :
∙ Training set
∙ Instance
∙ Features / Attributes
∙ Features vector
∙ Features extraction.
Contohnya :
Apa yang terpikirkan bila kata Apple muncul ?
Maka ada beberapa jawaban yang terpikirkan yaitu :
1. Red apple dengan cirinya berwarna merah, tipenya buah, dll.
2. Apple logo dengan cirinya yang merupakan logo sebuah produk teknologi. 3. Green apple dengan cirinya berwarna kuning kehijauan, tipenya buah.
Ciri-ciri tadi merupakan data yang kemudian dimasukkan ke dalam sebuah komputer dimana classnya, kategorinya, dan apa ciri-ciri masing-masing objek tadi sudah diketahui. Untuk masing-masing class harus disediakan data yang sebanyak-banyaknya. Dan data dari masing masing class tersebut harus seimbang atau sama banyaknya.
Ketika sebuah mesin diminta jawaban tentang suatu pertanyaan, maka mesin akan dapat menjawab sebuah pertanyaan itu dengan akurat tergantung seberapa canggih atau seberapa akurat algoritma yang digunakan dan tergantung seberapa besar data yang digunakan.
Jika hal tersebut dibuat dalam bentuk skema :
Sediakan training set berupa teks, dokumen, images, kemudian lakukan konversi features atau cirinya seperti apple tadi lalu dikonversi menjadi features vector kemudian features vector tadi harus dihubungkan dengan label atau kategori yang benar dimana features dan label ini dimasukkan ke dalam algoritma machine learning. Algoritma machine learning tersebut nanti akan menghasilkan model matematis yang dimanfaatkan untuk melakukan prediksi label.
Contoh penerapannya :
Ketika pergi ke sebuah mall dengan mengendarai mobil. Kemudian saat masuk ke dalam mall tersebut ada sebuah mesin yang meminta untuk kita memencet salah satu tombol khusus yaitu member dan non member, ketika memilih non member maka akan keluar tiket yang berisi barcode. Saat mesin tadi dipencet ternyata mesin tersebut mengcapture atau memotret mobil tersebut dan dari sana mesin tadi akan mengekstrak foto plat nomor dan saat itu terjadi proses perception yaitu mengolah dari foto menjadi karakter yang disebut sebagai bagian dari AI. Dimana kemudian plat tersebut akan dideteksi di awal kemudian gambarnya diperbaiki supaya tidak berbentuk trapesium menjadi persegi panjang kemudian karakternya akan diekstrak satu persatu dan dari sanalah kemudian ada proses character recognition dimana kemudian machine learning atau komputer inilah yang akan mengekstrak karakter yang muncul antara data karakter pada saat keluar dari mall akan melakukan maching data karakter dari barcode dan yang tersimpan. Pada saat masuk ada kegiatan mensupplie data dan pada saat keluar sama prosesnya .
Oleh : Ainun Natiah Lubis
0 Komentar