ASAL AI

Machine Learning: Mesin yang Menemukan Aturan Sendiri

Alih-alih menulis aturan, kamu kasih contoh. Tiga rasa utamanya: supervised, unsupervised, dan reinforcement learning.

LEVEL 01± 8 menit baca

Masalah klasik: tulis aturan "ciri-ciri email spam" — ribuan aturan, besok spamer ganti taktik, ulangi dari awal. Capek.

Machine learning (ML) membalik arahnya. Kamu tidak menulis aturan. Kamu kasih ribuan contoh email spam dan email normal, lalu algoritma menemukan sendiri pola pembedanya. Output dari proses belajar itu disebut model.

Rumus mentalnya:

Program biasa: data + aturan → jawaban. Machine learning: data + jawaban → aturan (model).

Tiga rasa utama

1. Supervised learning — belajar dengan kunci jawaban. Kamu kasih pasangan input-label: foto + "ini kucing", email + "spam". Model belajar memetakan input ke label. Dipakai untuk: klasifikasi (spam atau bukan) dan regresi (prediksi angka: harga rumah, cuaca).

2. Unsupervised learning — belajar tanpa kunci jawaban. Cuma data, tanpa label. Model mencari struktur tersembunyi: mengelompokkan pelanggan dengan perilaku mirip (clustering), meringkas keragaman data. Dipakai juga untuk menemukan anomali — transaksi kartu yang "aneh".

3. Reinforcement learning — belajar dari coba-coba. Agen beraksi di lingkungan, dapat reward atau penalti, lalu memperbaiki strategi. Ini yang bikin AI menaklukkan Go (AlphaGo) dan melatih robot berjalan. ChatGPT juga "dihaluskan" dengan teknik dari keluarga ini (RLHF).

Siklus kerja ML di dunia nyata

  1. Kumpulkan data — sering kali tahap paling lama dan paling menentukan.
  2. Latih — algoritma menyetel parameter internal supaya tebakannya makin akurat terhadap data latih.
  3. Uji — cek di data yang belum pernah dilihat. Ini penting: hafal soal ujian bukan berarti paham.
  4. Pakai dan pantau — model bisa "menua" kalau pola dunia berubah (spam baru, tren baru).

Overfitting: musuh utama

Kalau model terlalu hafal data latih (termasuk noise-nya), ia jago di soal lama tapi bodoh di soal baru. Itu overfitting. Obatnya: data lebih banyak, model lebih sederhana, dan selalu evaluasi di data terpisah.

Analogi ringan: siswa yang menghafal jawaban akan kalah ujian yang soalnya diacak; siswa yang paham konsep lolos di soal apa pun.

Kenapa ini fondasi semuanya

Neural network, deep learning, sampai LLM — semuanya machine learning, cuma "otot" belajarnya beda. Kalau ini sudah kebayang, kamu siap masuk ke mesin belajarnya: Neural Networks.