Bagaimana Mesin Bisa Belajar dari Data? Memahami Cara Kerja AI
Ketika kita mendengar istilah Artificial Intelligence (AI), kita sering membayangkan komputer yang bisa menjawab pertanyaan, mengenali wajah, menerjemahkan bahasa, membuat gambar, atau bahkan mengendarai kendaraan.
Lalu muncul pertanyaan yang lebih mendasar:
Bagaimana komputer bisa belajar melakukan semua itu?
Komputer pada dasarnya tidak belajar seperti manusia belajar di sekolah.
Kita bisa menjelaskan aturan kepada manusia, memberikan contoh, lalu manusia menggunakan penalarannya untuk menghadapi situasi baru.
Dalam machine learning, pendekatannya berbeda.
Alih-alih menuliskan semua aturan satu per satu, kita memberikan komputer data, menentukan tujuan yang ingin dicapai, lalu menggunakan algoritma untuk menyesuaikan model agar menghasilkan prediksi atau keputusan yang semakin baik.
Itulah inti dari machine learning.
Mesin belajar bukan dengan memahami dunia seperti manusia, tetapi dengan menemukan pola dalam data yang dapat digunakan untuk menghasilkan keluaran pada data baru.
AI dan Machine Learning Itu Sama?
Tidak persis.
Artificial Intelligence (AI) adalah bidang yang lebih luas mengenai sistem komputer yang dapat melakukan tugas yang biasanya membutuhkan kemampuan seperti persepsi, pengambilan keputusan, pembelajaran, atau pemecahan masalah.
Sementara machine learning (ML) adalah salah satu pendekatan untuk membangun sistem AI dengan memungkinkan model belajar dari data.
Secara sederhana:
AI adalah bidang besarnya.
Machine learning adalah salah satu cara untuk membangun sistem AI.
Karena itu, ketika kita berbicara tentang AI modern, machine learning hampir selalu menjadi bagian penting dari pembahasannya.
Jadi, Apa yang Sebenarnya “Dipelajari” Mesin?
Ini bagian yang sering disalahpahami.
Mesin tidak selalu belajar “fakta” seperti manusia menghafal buku.
Yang dipelajari model machine learning pada dasarnya adalah pola dan hubungan matematis dalam data yang membantu model menghasilkan keluaran untuk suatu tugas.
Misalnya kita ingin membuat sistem yang dapat memperkirakan harga rumah.
Kita bisa memberikan data berupa:
- luas rumah;
- jumlah kamar;
- lokasi;
- usia bangunan;
- luas tanah;
- dan harga jual sebelumnya.
Model kemudian mencari pola hubungan antara karakteristik rumah dengan harga.
Setelah dilatih, model dapat menerima data rumah yang baru dan menghasilkan sebuah prediksi harga.
Jadi, mesin tidak diberi aturan sederhana seperti:
“Kalau luas rumah bertambah 10 meter persegi, harga pasti naik sekian rupiah.”
Sebaliknya, model belajar dari banyak contoh untuk menemukan pola yang paling berguna bagi tugas tersebut.
1. Semuanya Dimulai dari Data
Kalau machine learning adalah proses belajar dari data, maka kualitas data menjadi sangat penting.
Bayangkan kita ingin melatih sistem untuk membedakan foto kucing dan anjing.
Kalau data latihan berisi ribuan gambar yang jelas, beragam, dan representatif, model memiliki bahan belajar yang lebih baik.
Tetapi kalau hampir semua foto kucing berasal dari satu jenis kondisi pencahayaan dan semua foto anjing berasal dari kondisi berbeda, model bisa menemukan pola yang salah.
Misalnya model malah belajar:
“Foto terang = kucing.”
Bukan:
“Ciri tertentu pada gambar lebih mungkin menunjukkan kucing.”
Inilah salah satu alasan mengapa data bukan sekadar bahan bakar machine learning.
Data menentukan pola apa yang memiliki kesempatan untuk dipelajari oleh model.
2. Data Bisa Memiliki Input dan Target
Dalam banyak kasus machine learning, kita memiliki dua komponen penting:
Input adalah informasi yang diberikan kepada model.
Target adalah keluaran yang ingin diprediksi.
Contohnya untuk prediksi harga rumah:
- Input → luas, lokasi, jumlah kamar, usia bangunan;
- Target → harga rumah.
Untuk klasifikasi email:
- Input → karakteristik atau isi email;
- Target → spam atau bukan spam.
Data semacam ini memungkinkan model membandingkan prediksinya dengan target yang diketahui.
Inilah dasar dari supervised learning.
3. Model Membuat Prediksi
Setelah mendapatkan data, model mulai menghasilkan prediksi.
Misalnya sebuah model memprediksi harga rumah:
Prediksi model: Rp900 juta
Sementara harga sebenarnya:
Rp1 miliar
Ada selisih.
Selisih tersebut memberi informasi mengenai seberapa jauh prediksi model dari target yang diharapkan.
Dalam machine learning, ukuran matematis yang digunakan untuk menggambarkan kesalahan prediksi sering disebut loss atau fungsi kerugian.
Model kemudian menggunakan informasi tersebut untuk memperbaiki parameter internalnya.
4. Model Belajar dari Kesalahannya
Di sinilah kata “belajar” dalam machine learning mulai masuk akal.
Bayangkan model menghasilkan banyak prediksi.
Setiap prediksi dibandingkan dengan target atau ukuran keberhasilan yang sesuai.
Jika hasilnya masih buruk, parameter model disesuaikan.
Kemudian model mencoba lagi.
Prediksi → ukur kesalahan → sesuaikan parameter → prediksi lagi.
Proses ini dapat dilakukan berkali-kali selama proses training.
Google menjelaskan konsep-konsep fundamental seperti loss, gradient descent, regression, classification, dan neural networks sebagai bagian dari dasar machine learning.
Secara intuitif, gradient descent dapat dibayangkan sebagai cara untuk mencari arah perubahan parameter yang membantu mengurangi kesalahan model.
Bukan berarti model “menyadari kesalahannya” seperti manusia.
Yang terjadi adalah prosedur matematis mengubah parameter berdasarkan sinyal kesalahan.
5. Parameter Adalah Bagian dari “Pengaturan Internal” Model
Sebuah model machine learning dapat memiliki banyak parameter.
Parameter tersebut adalah nilai internal yang disesuaikan selama proses training agar model dapat menghasilkan keluaran yang semakin sesuai dengan tujuan.
Bayangkan kita memiliki tombol-tombol internal yang menentukan seberapa besar pengaruh berbagai pola terhadap prediksi akhir.
Pada awal training, nilai parameter tersebut belum menghasilkan model yang bagus.
Seiring proses training, parameter disesuaikan berdasarkan data dan tujuan pembelajaran.
Pada model modern, terutama neural network, jumlah parameter bisa menjadi sangat besar.
Tetapi prinsip dasarnya tetap sama:
Data digunakan untuk mengubah parameter model agar performanya terhadap tugas tertentu menjadi lebih baik.
6. Tidak Semua Machine Learning Belajar dengan Cara yang Sama
Ada beberapa paradigma utama dalam machine learning.
Tiga yang paling umum dibahas adalah:
- supervised learning;
- unsupervised learning;
- reinforcement learning.
Ada juga pendekatan penting lain seperti self-supervised learning dan semi-supervised learning, terutama dalam sistem AI modern.
7. Supervised Learning: Belajar dari Contoh yang Sudah Diketahui
Dalam supervised learning, model dilatih menggunakan data yang memiliki target atau label yang diketahui.
Misalnya kita ingin membuat sistem untuk mendeteksi apakah sebuah transaksi berpotensi penipuan.
Kita dapat memiliki data transaksi sebelumnya yang sudah diketahui hasilnya:
- Transaksi A → bukan penipuan;
- Transaksi B → penipuan;
- Transaksi C → bukan penipuan;
- dan seterusnya.
Model belajar mencari hubungan antara karakteristik transaksi dengan label tersebut.
Setelah training, model bisa menerima transaksi baru dan menghasilkan prediksi.
Supervised learning banyak digunakan untuk tugas seperti:
- klasifikasi;
- prediksi harga;
- prediksi risiko;
- deteksi spam;
- dan berbagai tugas prediksi lainnya.
8. Unsupervised Learning: Mencari Pola Tanpa Label yang Sudah Ditentukan
Bagaimana kalau kita tidak memiliki jawaban yang benar untuk setiap data?
Di sinilah unsupervised learning dapat digunakan.
Misalnya sebuah perusahaan memiliki data jutaan pelanggan, tetapi belum tahu bagaimana pelanggan tersebut sebaiknya dikelompokkan.
Model dapat digunakan untuk menemukan pola kesamaan dan membentuk kelompok berdasarkan karakteristik data.
Teknik seperti clustering dapat digunakan untuk mencari kelompok data yang memiliki kemiripan.
Jadi perbedaannya sederhana:
Supervised learning: model belajar dengan target yang diketahui.
Unsupervised learning: model mencari struktur atau pola dalam data tanpa target yang telah ditentukan seperti pada supervised learning.
9. Reinforcement Learning: Belajar dari Reward dan Penalti
Jenis ketiga bekerja dengan cara berbeda.
Dalam reinforcement learning, sebuah agent berinteraksi dengan lingkungan dan memilih tindakan.
Tindakan tersebut menghasilkan konsekuensi berupa reward atau penalti.
Agent kemudian belajar mencari strategi yang dapat memaksimalkan reward dalam jangka panjang.
Bayangkan sebuah robot berada di dalam ruangan.
Robot harus menemukan jalan menuju tujuan.
Jika mengambil langkah yang mendekatkannya ke tujuan, sistem dapat memberikan reward.
Jika bergerak ke arah yang salah, reward bisa lebih kecil atau bahkan negatif.
Setelah melakukan banyak percobaan, agent dapat belajar kebijakan yang menghasilkan hasil lebih baik.
Reinforcement learning digunakan dalam berbagai konteks, termasuk robotika, permainan, dan masalah pengambilan keputusan berurutan.
10. Bagaimana Model Tahu Bahwa Ia Benar-Benar Belajar?
Ini pertanyaan yang sangat penting.
Kalau kita hanya menguji model menggunakan data yang sudah pernah dilihatnya, model bisa terlihat sangat pintar padahal sebenarnya hanya terlalu hafal data latihan.
Fenomena ini berkaitan dengan overfitting.
Model terlalu menyesuaikan diri dengan data training sehingga performanya terhadap data baru justru buruk.
Karena itu, data biasanya dibagi atau diperlakukan dalam beberapa fungsi berbeda untuk membantu proses pengembangan dan evaluasi model.
Secara sederhana kita dapat membayangkannya sebagai:
- training data → digunakan untuk melatih model;
- validation data → membantu memilih atau menyesuaikan pendekatan selama pengembangan;
- test data → digunakan untuk mengevaluasi performa pada data yang tidak digunakan untuk melatih model.
Tujuannya adalah melihat apakah model dapat generalize ke data baru.
11. Inilah Kenapa “Hafal” Tidak Sama dengan “Belajar”
Bayangkan seorang siswa diberi 100 soal untuk latihan.
Jika siswa hanya menghafalkan jawaban dari 100 soal tersebut, ia mungkin mendapatkan nilai sempurna ketika soal yang sama keluar lagi.
Tetapi ketika angka dan bentuk pertanyaannya diubah, ia bisa gagal.
Model machine learning juga menghadapi masalah yang mirip.
Model yang terlalu cocok dengan data training belum tentu memiliki kemampuan generalisasi yang baik.
Karena itu, tujuan machine learning bukan:
“Buat model sebaik mungkin pada data yang sudah dilihat.”
Tujuannya adalah:
“Buat model yang mampu menghasilkan keluaran yang berguna pada data baru.”
Inilah salah satu konsep paling penting untuk memahami bagaimana machine learning sebenarnya bekerja.
12. Lalu Bagaimana dengan AI Generatif seperti Chatbot?
Di sinilah konsep machine learning menjadi semakin menarik.
Model bahasa besar atau Large Language Model (LLM) merupakan contoh sistem yang menggunakan machine learning dalam skala besar.
Dalam proses pre-training, model mempelajari pola dari sejumlah besar data, termasuk data teks.
Salah satu bentuk pembelajaran yang penting adalah self-supervised learning, di mana sinyal pembelajaran dapat diperoleh dari data itu sendiri.
Contohnya, model dapat diberikan bagian teks dengan sebagian informasi yang disembunyikan lalu dilatih untuk memprediksi bagian yang hilang.
Dengan melakukan proses tersebut dalam skala sangat besar, model dapat mempelajari berbagai pola statistik dan hubungan dalam bahasa.
Setelah itu, model dapat menjalani tahap pelatihan atau penyesuaian tambahan untuk tugas dan perilaku tertentu.
Hasil akhirnya adalah sistem yang dapat menghasilkan teks, menjawab pertanyaan, meringkas informasi, membantu coding, dan melakukan berbagai tugas lainnya.
Tetapi penting untuk memahami:
Model bahasa tidak otomatis memiliki pemahaman manusia tentang dunia hanya karena mampu menghasilkan bahasa yang sangat meyakinkan.
Itulah salah satu alasan AI dapat menghasilkan jawaban yang terdengar benar tetapi sebenarnya salah—topik yang sudah kita bahas dalam artikel ProSains sebelumnya.
Baca juga: Kenapa AI Bisa Salah Padahal Terlihat Sangat Meyakinkan?
13. Kenapa Data yang Buruk Bisa Menghasilkan AI yang Buruk?
Sekarang kita bisa memahami sebuah prinsip penting:
Model belajar dari data yang digunakan dalam proses pembelajarannya.
Kalau data tersebut tidak representatif, memiliki kesalahan, terlalu sempit, atau mengandung bias tertentu, model dapat mempelajari pola yang bermasalah.
Misalnya sebuah sistem rekomendasi hanya dilatih dari perilaku kelompok pengguna tertentu.
Ketika sistem digunakan untuk kelompok yang sangat berbeda, performanya bisa menurun karena pola yang dipelajari tidak sepenuhnya mewakili pengguna baru.
Karena itu, membangun machine learning bukan sekadar:
“Masukkan data sebanyak mungkin lalu biarkan AI belajar.”
Kualitas, relevansi, representasi, cara pengukuran, dan tujuan penggunaan data semuanya penting.
14. Data Banyak Belum Tentu Lebih Baik
Jumlah data memang penting dalam banyak sistem machine learning.
Tetapi lebih banyak data tidak otomatis berarti model lebih baik.
Bayangkan kita memiliki satu juta data yang sebagian besar salah.
Menambah jumlah data menjadi dua juta tidak otomatis memperbaiki masalah tersebut.
Model tetap memiliki peluang mempelajari pola yang salah jika kualitas data dan proses pembelajarannya bermasalah.
Karena itu, dalam proyek AI, pertanyaan yang lebih berguna bukan hanya:
“Berapa banyak datanya?”
Tetapi juga:
“Data ini mewakili masalah yang ingin kita selesaikan atau tidak?”
15. Jadi, Apakah Mesin Benar-Benar “Mengerti” Data?
Jawabannya bergantung pada apa yang kita maksud dengan mengerti.
Model machine learning dapat menangkap pola yang sangat kompleks dan menghasilkan prediksi yang sangat berguna.
Namun, kemampuan tersebut tidak otomatis berarti model memiliki pengalaman dunia seperti manusia.
Model bekerja berdasarkan representasi matematis yang dipelajari dari data dan tujuan pembelajaran yang diberikan kepadanya.
Karena itu, kemampuan model harus dinilai dari:
- tugas yang diberikan;
- data yang digunakan;
- cara model dilatih;
- cara performanya diuji;
- dan kondisi ketika model digunakan.
Jadi, Bagaimana Mesin Bisa Belajar dari Data?
Sekarang seluruh prosesnya bisa kita sederhanakan.
Data
↓
Model menerima data sebagai input
↓
Model menghasilkan prediksi
↓
Prediksi dibandingkan dengan target atau ukuran keberhasilan
↓
Kesalahan dihitung
↓
Parameter model disesuaikan
↓
Proses diulang berkali-kali
↓
Model diuji pada data baru
↓
Jika mampu bekerja dengan baik pada data baru, model memiliki generalisasi yang lebih baik.
Itulah gambaran sederhana bagaimana mesin bisa “belajar”.
Bukan dengan kesadaran seperti manusia.
Bukan dengan membaca buku lalu memahami dunia secara otomatis.
Tetapi dengan menggunakan data untuk menyesuaikan parameter model sehingga pola yang dipelajari dapat digunakan untuk menghasilkan keluaran yang semakin berguna.
Kesimpulan
Machine learning memungkinkan komputer belajar dari data tanpa harus diberi seluruh aturan secara eksplisit satu per satu.
Model mempelajari pola melalui proses training, mengukur kesalahan atau reward, lalu menyesuaikan parameter internalnya.
Namun, belajar dari data tidak berarti model otomatis memahami dunia seperti manusia.
Kualitas data, tujuan training, desain model, evaluasi, dan kemampuan generalisasi semuanya menentukan seberapa berguna sebuah sistem AI.
Karena itu, ketika melihat AI yang terlihat sangat pintar, pertanyaan yang lebih penting bukan hanya:
“Seberapa canggih modelnya?”
Tetapi juga:
“Data apa yang dipelajarinya, bagaimana ia dilatih, dan seberapa baik ia bekerja pada situasi yang belum pernah dilihat sebelumnya?”
Machine learning adalah pendekatan AI yang memungkinkan sistem belajar dari data dengan menyesuaikan parameter model untuk meningkatkan performa pada tugas tertentu. Model dapat digunakan untuk membuat prediksi, klasifikasi, menemukan pola, atau mengambil keputusan.
Model belajar melalui proses berulang: menerima data, menghasilkan keluaran, mengukur kesalahan atau reward, lalu menyesuaikan parameter. Tantangan utamanya bukan sekadar membuat model bagus pada data latihan, tetapi membuatnya mampu generalize dan bekerja dengan baik pada data baru.
Sumber Rujukan
- NIST — Machine Learning — definisi machine learning sebagai sistem komputer yang beradaptasi dan belajar dari data untuk meningkatkan akurasi.
- Google for Developers — Machine Learning Crash Course — materi dasar mengenai machine learning, loss, gradient descent, regression, classification, neural networks, dan konsep fundamental lainnya.
- IBM — What Is Machine Learning? — penjelasan mengenai machine learning, training, generalization, supervised, unsupervised, self-supervised, dan reinforcement learning.
- IBM — Machine Learning Algorithms — penjelasan mengenai supervised learning, unsupervised learning, dan reinforcement learning beserta tujuan masing-masing.
- IBM — What Is Reinforcement Learning? — penjelasan reinforcement learning sebagai proses belajar melalui interaksi, tindakan, dan reward.