Machine learning dan cara mesin belajar dari data

Diera digital saat ini perkembangan teknologi sangatlah pesat. Oleh karena itu kecepatan dalam pengaksesan data sangatlah penting, Dikarenakan penggunaan data digital sangatlah besar(big data). Beberapa data penting yang terkoneksi dalam sistem digital modern adalah salah satunya data kependududkan, data audit keuangan, data produk,  dan distribusi, serta data produksi dalam suatu perusahaan.Ini yang membuat profesi pelatih data sangatlah relevan diera yang serba cepat ini, dimana kita dapat mengakses data digital hanya dengan mengsearch nya saja secara instant. dengan data terlatih kita dapatlebih cepat dalam pekerjaan kita. 

Bagaimana sebuah mesin bisa melatih data? menjadi mesin yang telah belajar dengan data

Konsep ini disebut sebagai machine learning dimana sebuah mesin melatih data untuk bisa memproses(peprocesing) data secara akurat dan efisien pada data yang dipilih. 

Machine learning adalah bagian dari kecerdasan buatan yang membuat komputer mampu belajar dari data dan pengalaman tanpa harus selalu diberi aturan secara manual oleh manusia. Jadi, alih-alih kita menulis “jika A maka B” terus-menerus, kita cukup memberikan banyak data kepada mesin, lalu mesin itu sendiri yang mencari pola, hubungan, dan logika di balik data tersebut. Dari proses belajar itu, komputer bisa membuat prediksi, mengambil keputusan, atau memberikan rekomendasi pada data baru yang belum pernah ia lihat sebelumnya. Contohnya, ketika sebuah sistem bisa mengenali wajah, merekomendasikan video di YouTube, memprediksi harga rumah, atau mendeteksi penyakit dari gambar medis, sebenarnya sistem itu sedang menggunakan machine learning. Semakin banyak dan semakin bagus data yang diberikan, biasanya hasil belajarnya juga makin akurat. Intinya, machine learning bukan sekadar komputer yang bekerja mengikuti perintah, tapi komputer yang “belajar”, beradaptasi, dan menjadi lebih pintar seiring waktu, mirip seperti cara manusia belajar dari pengalaman.

proses yang terdapat pada machine learning.

Proses machine learning dimulai dari pengumpulan data(data colection). Data ini adalah bahan bakar utama bagi machine learning, karena tanpa data mesin tidak bisa belajar apa-apa. Data bisa berasal dari mana saja, seperti gambar, teks, angka, suara, atau catatan aktivitas pengguna. Semakin relevan dan berkualitas data yang dikumpulkan, semakin besar peluang model machine learning untuk belajar dengan baik dan menghasilkan prediksi yang akurat.

Setelah data terkumpul, proses berikutnya adalah pembersihan dan persiapan data(data preprocesing). Pada tahap ini, data yang berantakan, kosong, atau tidak konsisten akan diperbaiki atau dibuang. Data sering kali masih mentah, misalnya ada nilai yang hilang, format yang tidak seragam, atau informasi yang tidak diperlukan. Tujuan tahap ini adalah membuat data menjadi rapi, jelas, dan siap dipelajari oleh mesin.

Langkah selanjutnya adalah memilih model atau algoritma machine learning. Di tahap ini, kita menentukan cara mesin akan belajar dari data tersebut. Ada model yang cocok untuk prediksi angka, ada yang cocok untuk klasifikasi, dan ada juga yang cocok untuk mencari pola tersembunyi. Pemilihan model ini penting karena setiap masalah punya pendekatan belajar yang berbeda.

Setelah model dipilih, proses training atau pelatihan dilakukan(The Training Phase). Pada tahap ini, data dimasukkan ke dalam model agar mesin bisa belajar pola dan hubungan di dalam data. Model akan mencoba menyesuaikan dirinya, memperbaiki kesalahan, dan meningkatkan akurasi secara bertahap. Proses ini bisa berlangsung cepat atau lama, tergantung jumlah data dan kompleksitas modelnya.

Setelah training selesai, model perlu diuji menggunakan data yang belum pernah ia lihat sebelumnya. Tahap ini disebut evaluasi model(Evaluation and fine tuning). Tujuannya adalah untuk memastikan bahwa model tidak hanya pintar menghafal data latihan, tetapi benar-benar bisa membuat prediksi yang baik pada data baru. Dari sini kita bisa melihat seberapa akurat, seberapa stabil, dan seberapa bisa diandalkan model tersebut.

Jika hasil evaluasi belum memuaskan, maka dilakukan perbaikan atau optimasi. Ini bisa berupa mengganti model, mengubah parameter, menambah data, atau memperbaiki cara pengolahan data. Proses ini sering diulang berkali-kali sampai model mencapai performa yang diinginkan.

Terakhir, setelah model dianggap cukup baik, model tersebut digunakan di dunia nyata atau disebut deployment. Pada tahap ini, model bisa dipakai dalam aplikasi, website, sistem keamanan, chatbot, atau berbagai produk teknologi lainnya. Meskipun sudah digunakan, proses belajar sebenarnya belum berhenti, karena model masih bisa diperbarui dan dilatih ulang agar tetap relevan dengan data baru.

Apa Saja Cabang machine learning??

Cabang pertama adalah Supervised Learning, yaitu jenis machine learning di mana data latihnya sudah memiliki label atau jawaban yang benar. Artinya, mesin belajar dari contoh yang sudah jelas mana input dan mana output-nya. Misalnya, kita memberikan data rumah lengkap dengan luas, jumlah kamar, dan harga rumahnya, lalu mesin belajar dari data tersebut untuk memprediksi harga rumah baru. Contoh lain yang sering ditemui adalah deteksi email spam, di mana sistem belajar dari email yang sudah ditandai sebagai “spam” atau “bukan spam”.

contoh code supervised learning dalam mendeteksi penjualan dan pembelian:

from sklearn.linear_model import LogisticRegression
import numpy as np

# 1. Menyiapkan Data (Data Latih)
# Umur (harus dalam format 2D array untuk Scikit-Learn)
X_train = np.array([[20], [25], [30], [35], [40], [50]])

# Label: 0 = Tidak Beli, 1 = Beli
y_train = np.array([0, 0, 0, 1, 1, 1])

# 2. Memilih Model (Algoritma)
# Kita gunakan Logistic Regression untuk klasifikasi (Ya/Tidak)
model = LogisticRegression()

# 3. Melatih Model (Fitting)
# Di sinilah "Supervised Learning" terjadi: Model belajar dari X dan y
model.fit(X_train, y_train)

# 4. Melakukan Prediksi
# Mari kita tanya: Jika ada orang berumur 38 tahun, apakah dia akan beli?
umur_baru = np.array([[38]])
prediksi = model.predict(umur_baru)

if prediksi[0] == 1:
    print("Hasil: Diprediksi akan MEMBELI")
else:
    print("Hasil: Diprediksi TIDAK AKAN membeli")



Baris pertama digunakan untuk mengimpor LogisticRegression dari library scikit-learn. Logistic Regression adalah algoritma machine learning yang dipakai untuk tugas klasifikasi, yaitu memprediksi hasil dalam bentuk kategori seperti ya/tidak atau 1/0. Pada kode ini, algoritma tersebut akan digunakan untuk memprediksi apakah seseorang akan membeli atau tidak.

Baris kedua mengimpor library numpy yang berfungsi untuk mengolah data dalam bentuk array dan angka. Scikit-learn bekerja sangat erat dengan numpy, sehingga hampir semua data yang digunakan harus diubah ke format array numpy terlebih dahulu.

Bagian selanjutnya adalah menyiapkan data latih atau data training. Variabel X_train berisi data umur yang akan dijadikan input untuk model. Data ini dibuat dalam bentuk array dua dimensi karena scikit-learn mengharuskan setiap data input memiliki format 2D, di mana setiap baris merepresentasikan satu data dan setiap kolom merepresentasikan satu fitur. Walaupun hanya ada satu fitur yaitu umur, bentuknya tetap harus dua dimensi.

Setelah itu, variabel y_train dibuat untuk menyimpan label atau jawaban yang benar dari data latih. Angka 0 berarti tidak membeli, sedangkan angka 1 berarti membeli. Label ini berpasangan dengan data umur di X_train, sehingga model tahu umur mana yang membeli dan umur mana yang tidak.

Kemudian, sebuah objek model dibuat dari LogisticRegression. Pada tahap ini, model belum belajar apa-apa. Ia masih kosong dan hanya siap untuk dilatih menggunakan data yang sudah disediakan.

Proses training atau pelatihan dilakukan dengan memanggil fungsi fit pada model. Di sinilah supervised learning benar-benar terjadi, karena model belajar dari data input X_train dan label y_train. Model mencoba menemukan pola hubungan antara umur dan keputusan membeli.

Setelah model selesai dilatih, langkah berikutnya adalah melakukan prediksi. Variabel umur_baru dibuat untuk menyimpan data umur baru yang ingin diprediksi, yaitu umur 38 tahun. Data ini juga harus berbentuk array dua dimensi agar sesuai dengan format yang diminta oleh model.

Fungsi predict digunakan untuk meminta model menebak apakah umur 38 tahun tersebut termasuk kategori membeli atau tidak membeli. Hasil prediksi akan berupa angka 0 atau 1 dan disimpan ke dalam variabel prediksi.

Bagian terakhir adalah pengecekan hasil prediksi menggunakan percabangan if. Jika hasil prediksi bernilai 1, maka program akan menampilkan teks bahwa orang tersebut diprediksi akan membeli. Jika hasilnya 0, maka program akan menampilkan bahwa orang tersebut diprediksi tidak akan membeli.

Cabang kedua adalah Unsupervised Learning, yaitu machine learning yang bekerja dengan data tanpa label atau tanpa jawaban yang pasti. 
Pada cabang ini, mesin tidak diberi tahu hasil akhirnya, tetapi dibiarkan mencari pola, kelompok, atau hubungan tersembunyi di dalam data.
Contohnya adalah pengelompokan pelanggan berdasarkan kebiasaan belanja, di mana sistem secara otomatis membagi pelanggan ke dalam beberapa grup tanpa kita tentukan aturannya.
 Unsupervised learning sering dipakai untuk analisis data, segmentasi pasar, dan eksplorasi data.


Cabang ketiga adalah Reinforcement Learning, yaitu jenis machine learning di mana mesin belajar melalui proses coba-coba dengan sistem reward dan punishment.
Mesin akan melakukan suatu aksi, lalu menerima umpan balik berupa hadiah jika benar atau hukuman jika salah. Dari proses ini, mesin belajar memilih tindakan terbaik. 
Contoh nyatanya adalah AI yang belajar bermain game, robot yang belajar berjalan, atau sistem AI yang bermain catur dan semakin kuat karena belajar dari kemenangan dan kekalahan sebelumnya.


jadi seperti itulah bagaimana mesin bisa belajar dari data yang ini nantinya akan menjadi fundamental bagi dunia AI

 

\