Kecerdasan Buatan dalam Machine Learning

Kecerdasan buatan bukan hanya terbatas pada sesuatu yang memiliki raga fisik seperti robot, tetapi kecerdasan buatan sebenarnya merupakan program yang mempunyai bentuk matematis. Berbeda dengan program pada umumnya yang akan mengeksekusi ketika ada intruksi atau perintah. Yang menjadi perbedaan antara program kecerdasan buatan dengan program biasa adalah kemampuan untuk belajar. Program dapat dikatakan mampu belajar apabila program terebut dapat memperbarui parameter.

Permasalahan-permasalahan utama dalam bidang kecerdasan buatan sebagai berikut

• Representasi pengetahuan, adalah merepresentasikan pengetahuan dalam suatu bentuk yang formal. Dari hasil representasi maka dapat dilakukan inferensi dengan operator logika dan algoritma.
• Machine Learning, merupakan sebuah teknik dalam melakukan inferensi terhadap data dengan pendekatan matematis. Dasar dari machine learning adalah untuk membuat model yang merefleksikan pola-pola (pattern) data.
• Planning, perencanaan suatu metode penyelesaian masalah dengan cara memecah masalah ke dalam sub-sub masalah yang lebih kecil, menyelesaikan sub-sub masalah satudemi satu, kemudian menggabungkan solusi-solusi dari sub-sub masalah tersebut menjadi sebuah solusi.
• Multi-agent system, adalah sistem yang mempunyai banyak agen yang berinteraksi satu sama lain dalam menyelesaikan suatu permasalahan.

Intelligent Agent

Agen cerdas mempunyai empat kategori berdasarkan cara reasoning dan behavior.

• Acting Humanly, yaitu agen dapat bertingkah laku dan berinteraksi layaknya seperti manusia. Contohnya turing test, tujuan dari turing test adalah untuk mengevaluasi apakah sebuah sistem dapat mengecoh maupun menipu manusia.
• Acting Rationally, yaitu agen mampu bertindak dengan optimal. Tindakan yang opimal belum tentu menyerupai tindakan dari manusia, karena suatu tindakan manusia belum tentu juga optimal. Contohnya, agen yang dapat mencari rute terpendek dalam mengoptimalkan sumber daya.
• Thingking Humanly, yaitu agen dapat berpikir layaknya seperti manusia dalam segi kognitif kecuali dapat mengerti apa itu kesedihan atau kesenangan.
• Thingking Rationally, yaitu agen dapat berpikir secara rasional dengan prinsip optimasi agar hasil yang didapatkan optimal.

Konsep Belajar
Secara operasional, belajar merupakan perubahan tingkah laku berdasarkan pengalaman (event/data) untuk menjadi lebih baik lagi. Pada machine learning, belajar adalah menyesuaikan konfigurasi parameter (tingkah laku) terhadap utility function sesuai dengan data.

Training, Development, Testing Set

Dalam membangun model machine learning terdapat tiga hal penting yaitu training dan testing. Training merupakan proses pembangunan model sedangkan testing merupakan proses pengujian terhadap kinerja dari model pembelajaran. Data set adalah sekumpulan data dapat berupa sampel dalam statistik, sample ini merupakan data yang dipergunakan dalam membuat model ataupun untuk mengevaluasi model machine learning.
Training set merupakan himpunan data yang dipergunakan untuk melatih atau membangun model atau dapat juga disebut sebagai data set.
Development set merupakan himpunan data yang dipergunakan dalam mengoptimisasi saat melatih model. Sebuah model dilatih dengan dengan training set dan kinerja saat pelatihan diuji dengan development set. Hal ini berguna dalam generalisasi agar model mampu mengenali pola atau pattern secara generik.
Testing set, merupakan himpunan data yang dipergunakan dalam menguji model setelah proses pelatihan selesai dilakukan.

Kinerja machine learning berubah-ubah sesuai dengan parameter pembelajaran, kinerja machine learning dapat diukur oleh fungsi tujuan (utility function) yaitu mengoptimalkan nilai suatu fungsi tertentu dengan meminimalisir nilai error ataupun loss. Machine learning ini mirip seperti halnya manusia belajar, kita awalnya membuat kesalahan akan tetapi kita akan mengetahui mana yang benar agar tidak salah kembali dengan menyesuaikan diri secara perlahan agar menjadi benar. Machine learning pun hampir sama dengan mengubah-ubah parameer pembelajaran untuk mengopimalkan fungsi tujuan hanya saja sebuah machine learning membutuhkan data yang cukup banyak sedangkan manusia dapat belajar dengan contoh atau data yang sedikit.

Referensi
https://wiragotama.github.io/ebook_machine_learning.html