Machine Learning (Pembelajaran Mesin) adalah sebuah paradigma yang merujuk pada kemampuan komputer atau ilmu yang mempelajari tentang kemampuan komputer dalam mengambil keputusan berdasarkan data-data yang diterimanya yang telah dipelajari olehnya lebih dulu.

Jika kalian baru di machine learning, ada baiknya kalian baca dulu artikel berikut ya:

Baca Juga: Apa Itu Machine Learning, Penjelasan Sederhana & Contohnya Dalam Kehidupan Sehari-Hari disini

Machine Learning Lifecycle

Machine learning life cycle (daur hidup pembelajaran mesin) adalah sebuah siklus yang harus dilalui oleh mesin (program komputer) untuk bisa belajar dan mampu mengambil keputusan. Secara umum, daur hidup machine learning dapat dilihat pada gambar berikut:

Pada gambar diatas, kita bisa ketahui bahwa proses pertama dalam pembelajaran mesin adalah mempersiapkan data (Data Preparation). Yup, data adalah bahan belajar bagi mesin. Data yang baik berpeluang menghasilkan keputusan yang baik pula. Proses kedua adalah building model yang dimulai dengan pemilihan algoritma serta parameter yang akan digunakan. Tahap ketiga adalah proses training dan tuning dimana mesin akan banyak belajar pada proses ini. Dan langkah terakhir adalah deployment.

Data Preparation

Data preparation adalah step paling awal dari proses pembelajaran mesin. Yup, data adalah bahan atau medium bagi mesin untuk belajar. Karena data yang baik akan menghasilkan performa pembelajaran yang baik pula. Ibarat kata kalau kalian sekolah nih, kalau modul pembelajaran (buku paket atau LKS) nya bagus dan bermutu, pasti kalian akan lebih mudah memahaminya dong.

Proses-proses dalam data preparation dapat dilihat pada bagan berikut:

Data preparation dapat dibagi lagi menjadi beberapa proses seperti: data cleaning (pembersihan data), ekstraksi fitur, encoding, normalisasi atau standarisasi, dan pembagian data training dan data testing. Kita akan mempelajari lengkapnya pada modul-modul berikutnya.

Building Model

Model adalah sebutan bagi algoritma yang sudah pintar (sudah melalui proses training dan pengujian). Membangun sebuah model dimulai dari menentukan algoritma yang akan digunakan oleh mesin sebagai proses pembelajaran. Kalau data preparation identik dengan bahan ajar, maka algoritma identik dengan metode belajar. Setiap anak punya metodenya sendiri-sendiri bukan? Dan begitulan machine learning, setiap setiap data memiliki metodenya masing-masing. Jadi, jika metode yang satu bekerjaa baik pada suatu data, belum tentu metode yang sama dapat bekerja dengan baik juga pada data lainnya.

Proses-proses dalam building model dapat dilihat pada bagan berikut:

Building model dapat dibagi lagi menjadi beberapa proses, seperti: penentuan algoritma, penentuan hyperparameter dan compiling model. Beberapa model advance seperti deep learning memerlukan proses compiling sebelum memasuki proses training. Namun jika kalian menggunakan algoritma-algoritma data machine learning, kalian tidak memerlukannya.

Train & Tune

Training adalah proses belajar, tuning dalah proses peninjauan kembali terhadap metode belajar kita. Jika metode yang digunakan tidak pas atau kurang nyaman atau tidak menghasilkan performa yang baik, jangan ragu untuk menyesuaikannya.

Proses-proses dalam train & tune dapat dilihat dari bagan berikut:

Proses train & tune dapat dibagi lagi menjadi beberapa proses, antara lain: training (pembelajaran), hyperparameter tuning (meninjau kembali hyper parameter untuk mendapatkan hasil yang optimal), pengujian (testing), pembelajaran ulang (retraining) dan optimalisasi. Kita akan belajar semua prosesnya pada modul-modul berikutnya.

Deployment

Deployment adalah proses membagikan model yang kita miliki agar dapat digunakan oleh siapapun dan dimanapun tanpa harus melakukan training lagi. Model yang sudah dideploy biasanya disebut pre-built model. Contohnya adalah model-model dari transformers seperti: BERT, ALBERT dan Roberta. Juga model-model dari Open AI seperti: DELL-E & GPT. Deployment dapat dilakukan secara lokal (melalui lokal host) maupun secara global (menggunakan cloud). Teknik yang paling umum dalam melakukan deployment adalah membuat model kita menjadi website, API ataupun pre-built model.