Kind: captions
Language: id
Selamat datang di sesi penjelasan kita.
Hari ini kita bakal ngebahas salah satu
teknologi yang bisa dibilang paling
transformatif di zaman kita sekarang,
machine learning. Kita mulai dari
pertanyaan paling dasarnya ya. Gimana
ceritanya sebuah komputer bisa belajar
tanpa kita kasih tahu aturannya satu
persatu secara eksplisit? Begini, cara
tradisional kita nyuruh komputer itu
adalah dengan memberinya set instruksi
yang super kaku. Ini yang disebut hard
computing. Nah, machine learning ini
beda. Dia itu intinya soft computing.
Kita enggak kasih dia aturan main.
Sebaliknya kita kasih dia data yang
banyak banget dan kita biarkan dia cari
tahu sendiri polanya. Ini definisi
formalnya. Tapi kalau mau disederhanain
ya persis kayak kita aja. Semakin banyak
kita latihan atau dalam hal ini semakin
banyak data yang dilihat oleh komputer,
performanya untuk ngerjain suatu tugas
bakal jadi makin bagus.
Oke, sekarang ayo kita langsung coba
masuk lebih dalam. Kita mulai dari tipe
pembelajaran yang paling dasar. Gimana
caranya mesin memprediksi sebuah angka?
Coba bayangin kita mau prediksi harga
rumah. Kita punya data dari masa lalu,
ukuran rumah, dan berapa harganya. Nah,
ini tuh contoh klasik dari supervised
learning yang namanya regresi. Kenapa
supervised? Soalnya kita punya kunci
jawaban dari data-data sebelumnya.
Tujuannya ya untuk memprediksi angka di
masa depan. Jadi, tugas si mesin ini
adalah menemukan satu garis lurus atau
kita sebut hipotesis yang paling pas dan
paling mewakili hubungan antara ukuran
dan harga rumah. bagian belajarnya di
sini itu ya proses menemukan nilai yang
paling pas untuk parameter teta 0 dan
teta 1 itu tadi. Nah, pertanyaannya
sekarang gimana caranya si mesin bisa
nemuin garis terbaik itu? Masa cuma
nebak-nebak asal aja? Tentu enggak.
Pertama-tama si mesin harus punya cara
untuk tahu kapan dia salah. Jadi kita
kasih dia yang namanya fungsi biaya atau
cost function. Anggap aja ini semacam
skor kesalahan. Makin tinggi skornya,
makin jelek tebakannya. Tujuannya jelas
bikin skor ini jadi sekecil mungkin
kalau bisa sampai nol. Terus gimana cara
nurunin skor kesalahan itu? Nah, mesin
pakai algoritma cerdas namanya Gradient
Desent. Analogi ini ngejelasin dengan
pas banget. Prosesnya itu mirip kayak
kita lagi di puncak bukit berkabut dan
mau turun ke lembah titik terenggah.
Kita ambil satu langkah kecil ke arah
yang paling curam ke bawah. Berhenti
lihat lagi terus ulangi. Visualisasi ini
keren banget karena nunjukin persis cara
kerja algoritmanya. Si mesin bakal
terus-terusan ngambil langkah keangkah
kecil buat nemuin parameter yang pas.
Dalam kasus kita tadi ya, kemiringan dan
posisi si garis lurus supaya bisa
menghasilkan skor kesalahan yang paling
rendah. Jadi intinya itu ada di sini.
Proses pengulangan yang simpel tapi luar
biasa kuat ini. Tebak, ukur salahnya,
perbaiki sedikit, terus ulangi lagi.
Inilah jantung dari mekanisme belajar di
banyak banget model machine learning.
Oke, kita naik level ya. Sekarang kita
lihat gimana kemampuan dasar tadi bisa
dikembangkan jadi keahlian baru. Bukan
lagi prediksi angka, tapi membuat
keputusan klasifikasi. Misalnya ya atau
tidak. Tapi di sinilah kita nemu
masalah. Model garis lurus yang kita
pakai tadi ternyata jelek banget buat
jawab pertanyaan ya atau tidak.
Contohnya buat ngebedain tumor ganas
atau jinak. Kenapa? Soalnya kalau ada
satu aja data yang aneh, misalnya
ukurannya super besar, garis prediksinya
bisa langsung kacau balau. Untuk masalah
kayak gini, kita butuh alat bantu baru.
Namanya fungsi sigmoid. Ini fungsi
matematika yang elegan banget. Tugasnya
itu untuk memaksa output angka apapun
dari model kita jadi nilai antara 0 dan
1. Dengan kata lain, dia mengubah
output-nya jadi sebuah probabilitas.
Nah, dengan adanya probabilitas ini,
model baru kita yang namanya regresi
logistik bisa bikin semacam batas
keputusan yang jauh lebih fleksibel. Dia
jadi bisa misahin mana yang ya dan mana
yang tidak. Bahkan untuk pola data yang
rumit dan enggak bisa dipisahin cuma
pakai garis lurus. Oke, regresi logistik
itu hebat buat satu keputusan ya atau
tidak. Tapi gimana kalau masalahnya jauh
lebih kompleks yang butuh ribuan
keputusan kecil yang saling berhubungan?
Misalnya gimana cara kita ngajarin
komputer untuk melihat. Soalnya begini,
untuk tugas kayak pengenalan gambar,
jumlah fiturnya itu bisa meledak. Satu
gambar kecil aja bisa punya ribuan fitur
dari piksel-pikelnya. Modal-modal yang
kita bahas sebelumnya bakal kewalahan,
enggak bakal sanggup secara komputasi.
Di sinilah kita butuh arsitektur yang
jauh lebih kuat yang idenya terinspirasi
dari otak kita. Jaringan saraf tiruan.
anggap aja setiap neuron itu adalah satu
unit regresi logistik tadi. Nah,
neuron-neuron ini disusun
berlapis-lapis. Lapisan pertama mungkin
cuma belajar ngenalin pola simpel kayak
garis atau sudut. Lapisan berikutnya
menggabungkan garis dan sudut itu jadi
bentuk. Misalnya mata atau hidung.
Sampai akhirnya lapisan terakhir bisa
gabungin semua itu buat ngenalin oh ini
wajah manusia. Jadi pemahamannya itu
dibangun secara bertahap selapis demi
selapis. Tapi dengan kekuatan sebesar
ini, ada risiko yang besar juga. Gimana
kalau model kita yang super canggih ini
ternyata enggak benar-benar belajar,
tapi cuma sekedar menghafal semua data
latihan yang kita kasih. Ini yang
membawa kita ke tantangan paling krusial
di machine learning namanya overfeeding.
Ini tuh ibaratnya kayak murid yang
belajar buat ujian dengan cara menghafal
semua soal dan jawaban di buku latihan.
Begitu dikasih soal yang sedikit aja
beda di ujian beneran, dia langsung
bingung dan enggak bisa jawab. Dia
enggak paham konsepnya, dia cuma hafal.
Nah, grafik ini nunjukin perbedaannya
dengan jelas banget. Kita enggak mau
model yang terlalu simpel, tapi juga
enggak mau model yang terlalu rumit
sampai ngikutin setiap titik data. Kita
mau cari yang pas di tengah-tengah yang
bisa menangkap tren umumnya. Dan
ternyata kita bisa mendiagnosis masalah
ini. Kalau modelnya jelek pas latihan
dan jelek juga pas dites dengan data
baru, itu artinya modelnya terlalu
sederhana. Tapi kalau pas latihan
nilainya sempurna, eh pas dites malah
hancur, itu gejala klasik overfitting.
Artinya modelnya terlalu kompleks.
Pertanyaan ini membawa kita ke poin
utamanya. Membangun machine learning
yang bagus itu bukan cuma soal jago
ngoding. Ini lebih kayak jadi seorang
detektif. Kita harus bisa mendiagnosis
masalahnya dengan tepat. Kita harus tahu
kapan model kita ini butuh lebih banyak
data untuk belajar dan kapan dia justru
butuh otak yang lebih sederhana atau
mungkin lebih kompleks. Dan itulah
seninya.