Alibaba #92: Jenis Algoritma Machine Learning
[dirangkum oleh Diskominsta Kota Magelang]
Sahabat data,
Menurut Amazon Web Services, ada lima jenis algoritma machine learning yang dapat digunakan untuk berbagai analisis sesuai kebutuhan. Melalui artikel kali ini kita akan membahas pengenalan jenis algortima ML dengan singkat serta keunggulannya yang dapat dikelompokkan sebagai berikut:
Supervised Machine Learning
Metode supervised digunakan untuk data pelatihan yang memiliki label dan digunakan untuk mendeteksi korelasi antar fitur. Pelabelan data dikategorikan sesuai data input mengenai data outputnya, misalnya data mentah berisi jutaan gambar apel dan pisang, maka pelabelan data latih menyesuaikan gambar. Hasilnya, model akan dapat mengenali "apel" atau "pisang" jika diberi gambar meskipun tanpa label.
Kelebihannya adalah di kesederhanaan dan kemudahan penggunaannya yang berguna untuk memprediksi hasil set dengan membagi data pelatihan dan data testing yang telah dikategorikan. Tantangan umum dalam metode ini adalah tidak semua data berlabel, maka mengkategorikan data tanpa label bisa jadi cukup menyulitkan.
Unsupervised Machine Learning
Metode unsupervised digunakan untuk data pelatihan tanpa label, memenuhi persoalan di metode supervised. Cara kerjanya metode ini memindai dan mendeteksi data baru dengan label acak, disini algoritma akan mendeteksi kategori terhadap data baru secara otomatis melalui data sebelumnya. Misalnya algortima secara otomatis mengkategorikan beberapa berita sport, bencana, kemiskinan sesuai dengan jenisnya. Algoritma ini sangat penting untuk mengetahui emosi dan makna kata dalam artikel yag merupakan bahasa alami, sehingga dapat memberikan kesimpulan berbasis kata atau kalimat.
Kelebihan metode adalah mengenali pola, mendeteksi anomali, dan mengelompokkan data secara otomatis ke dalam kategori sehingga tidak memerlukan pemrosesan yang berat. Namun keterbatasannya adalah beberapa algoritma tidak mampu membaca kata/kalimat netral tanpa emosi, dan menyebabkan hasil analisis menjadi bias.
Semi-supervised Learning
Metode ini merupakan gabungan dari metode supervised dan unsupervised. Dalam metode ini, algoritma memiliki dua input yakni data berskala kecil berlabel dan data berskala besar tidak berlabel. Cara kerjanya, model dilatih dengan data berlabel untuk mendeteksi kategori pada data tidak berlabel, proses ini disebut pelabelan pseudo-labelling. Model tersebut kemudian digunakan untuk data baru dengan kombinasi acak dan diminta untuk mengakategorikannya yang menjadikan model lebih unggul yang berguna untuk data yang memiliki fitur atau dokumen yang harus dibaca panjang dan manual.
Reinforcement Learning
Metode ini biasa digunakan dalam pembuatan game karena cara kerjanya yang memberi hadiah jika algoritma benar pada setiap langkahnya sehingga menghasilkan akumulasi poin hadiah di akhir game. Algoritma ini populer dalam 10 tahun dalam penerapan praktis video game. Tantangan dalam metode ini yakni seringkali dalam dunia nyata tidak dapat menangkap variasi fenomena, sehingga bias tidak dapat dihindari.
Deep Learning
Metode ini merupakan teknik yang mempelajari berdasarkan cara kerja sistem otak manusia sehingga pembelajaran mendalam. Algoritma ini menganalisis data dengan struktur dan logika yang mirip dengan manusia dengan berbentuk jaringan neural network yang berlapis-lapis yang canggih daripada jenis algoritma lain.
