Kelebihan dan Kekurangan Jenis-Jenis Machine Learning

Meskipun peran ML sangat membantu, tentu masih banyak kekurangan dan kelebihan yang harus kita pahami. Simak penjelasan berikut sebelum menentukan jenis Machine Learning yang akan digunakan dalam model.

Bunga Dea Laraswati
Bunga Dea Laraswati

Table of Contents

Machine Learning (ML) adalah sebuah teknologi yang mampu membuat mesin (komputer) belajar dari data-data yang diinput. Ada banyak tipe atau jenis-jenis ML yang saat ini diaplikasikan secara umum. Tentu dari setiap tipe-tipe nya memiliki berbagai kelebihan dan kekurangannya masing-masing. Lalu seperti apa jenis-jenis Machine Learning? Jenis ML apa yang cocok untuk bisnis Anda? Dan apa saja kelebihan dan kekurangan dari jenis-jenis ML tersebut? Berikut penjelasannya!

1. Supervised Learning

Seperti namanya, supervised learning didasarkan pada supervision,artinya dalam teknik supervised learning, kita melatih mesin menggunakan kumpulan data "berlabel", dan berdasarkan pelatihan tersebut, mesin memprediksi hasilnya. Di sini, data berlabel menentukan bahwa beberapa input sudah dipetakan ke output. Lebih baiknya lagi, kita bisa melakukan hal berikut: pertama, kita melatih mesin dengan input dan output yang sesuai, lalu kita meminta mesin untuk memprediksi output menggunakan kumpulan data pengujian. Dengan pengertian di atas, problem seperti regresi dan klasifikasi adalah termasuk dari bagian supervised learning.

Supervised Learning mungkin adalah salah satu jenis machine learning yang paling umum digunakan dalam masalah bisnis. Output-nya juga jelas, mesin dapat memprediksi hasil yang cukup akurat dari input yang kita berikan. Namun, tentunya jenis ML ini memiliki banyak kekurangan terlepas banyak juga kelebihan yang ia punya. Berikut penjelasannya.

- Kelebihan Supervised Learning

  • Supervised Learning adalah proses sederhana untuk Anda pahami. Dalam kasus unsupervised, Anda tidak dapat dengan mudah memahami apa yang terjadi di dalam mesin, bagaimana pembelajarannya, dll.
  • Anda dapat mengetahui dengan tepat berapa banyak kelas yang ada sebelum memberikan data untuk pelatihan.
  • Anda bisa sangat spesifik mendefinisikan kelas. Artinya, Anda dapat melatih pengklasifikasi dengan cara yang membatasi keputusan yang sempurna untuk membedakan kelas secara akurat.
  • Setelah seluruh pelatihan selesai, Anda tidak perlu menyimpan data pelatihan di memori Anda. Sebagai gantinya, Anda dapat mempertahankan batas keputusan sebagai rumus matematika.
  • Supervised Learning dapat sangat membantu dalam masalah klasifikasi.
  • Selain kasus klasifikasi, tugas lain yang mampu dilakukan oleh supervised learning adalah memprediksi nilai target numerik dari beberapa data dan label tertentu.

- Kekurangan Supervised Learning

  • Supervised Learning terbatas dalam berbagai pengertian sehingga tidak dapat menangani beberapa tugas kompleks dalam pembelajaran mesin.
  • Supervised Learning tidak dapat memberi Anda informasi yang tidak diketahui dari data pelatihan seperti yang dilakukan unsupervised learning.
  • Supervised Learning tidak dapat mengelompokkan atau mengklasifikasikan data dengan menemukan fitur-fiturnya sendiri, tidak seperti unsupervised learning.
  • Dalam kasus klasifikasi, jika kita memberikan masukan yang bukan dari salah satu kelas dalam data pelatihan, maka keluarannya mungkin label kelas yang salah. Misalnya, Anda melatih pengklasifikasi gambar dengan data kucing dan anjing. Kemudian jika Anda memberikan gambar jerapah, keluarannya mungkin kucing atau anjing, yang mana itu tidak benar.
  • Demikian pula, anggaplah set pelatihan Anda tidak menyertakan beberapa contoh yang ingin Anda miliki di kelas. Kemudian, saat Anda menggunakan contoh tersebut setelah pelatihan, Anda mungkin tidak mendapatkan label kelas yang benar sebagai hasilnya.
  • Saat Anda melatih pengklasifikasi, Anda perlu memilih banyak contoh bagus dari setiap kelas. Jika tidak, keakuratan model Anda akan sangat kurang. Hal ini sangat sulit ketika Anda berurusan dengan data pelatihan yang cukup besar.

2. Unsupervised Learning

Salah satu perbedaan mencolok antara supervised learning dan unsupervised learning adalah adanya variabel target. Dalam kasus supervised, kita tahu apa yang kita prediksi dari model. Dengan demikian, setiap record memiliki label tertentu untuk diprediksi. Di sisi lain, dalam unsupervised, kita tidak memiliki variabel target. Setiap rekaman bersifat independen dan tidak memiliki label untuk mendeskripsikannya.

- Kelebihan Unsupervised Learning

  • Unsupervised Learning bisa “melihat” apa yang tidak bisa dipandang oleh visual manusia.
  • Unsupervised Learning bisa melihat pola yang tersembunyi dan pengaplikasiannya banyak di terapkan di industri.
  • Output dari hasil Unsupervised Learning bisa menghasilkan objek bisnis yang baru dan bahkan tak terpikirkan oleh user.
  • Unsupervised Learning memiliki kompleksitas yang rendah, sehingga user tidak harus menafsirkan label.
  • Cukup mudah untuk menjelaskan data yang tidak berlabel.

- Kekurangan Unsupervised Learning

  • Unsupervised Learning bisa jadi lebih “mahal” karena mungkin memerlukan intervensi manusia untuk memahami pola.
  • Tidak bisa dipastikan apakah outputnya bisa dimanfaatkan karena tidak ada label yang jelas untuk memastikan kegunaannya.
  • User tidak dapat secara akurat menentukan penyortiran dan output dari tugas Unsupervised Learning. Hal ini sangat bergantung pada model dan in-turn pada mesin.
  • Hasil sering kali kurang akurat.

3. Reinforcement Learning

Reinforcement Learning adalah jenis ML yang hampir sama dengan unsupervised, yaitu digunakan pada data yang tidak memiliki label. Namun, ini berbeda dari metode unsupervised karena meskipun data tidak berlabel, pemrograman eksplisit diperlukan. Pengembang harus membuat algoritma untuk menentukan tidak hanya tujuan tetapi juga penghargaan dan hukuman yang akan digunakan. Reinforcement Learning berbeda dengan Supervised Learning karena setelah parameter awal tersebut ditulis, tidak ada lagi interupsi yang dibutuhkan oleh developer. Sebagai gantinya, mesin akan menginterpretasikan data berdasarkan tujuan dan parameter yang ditetapkan.

Kelebihan Reinforcement Learning

  • Mampu menyelesaikan masalah yang sangat kompleks yang teknik konvesional tidak dapat lakukan
  • Model ini bekerja seperti pola belajar manusia dan karenanya, menunjukkan kesempurnaan dalam setiap tindakan.
  • Memberikan hasil jangka panjang.
  • Model mampu belajar dari kesalahan dan keberhasilannya. Jadi sangat kecil kemungkinan terjadi error yang sama berulang kali.
  • Model belajar dari pengalaman sehingga tidak dibutuhkan dataset untuk memandu model.
  • Model mampu memberikan scope untuk pemeriksaan cerdas hubungan situasi dan tindakan dan menciptakan perilaku yang ideal dalam konteks tertentu, yang mengarah ke kinerja yang maksimal.
  • Model ini mampu mengungguli manusia di beberapa bidang, contoh Program AlphaGo DeepMind, sebuah produk AI dari Google, mengalahkan juara dunia Lee Sedol di game Go pada Maret 2016.

Kekurangan Reinforcement Learning

  • Reinforcement Learning sebagai kerangka kerja salah dalam banyak hal, tetapi justru kualitas inilah yang membuatnya berguna.
  • Terlalu banyak Reinforcement Learning dapat menyebabkan overload, yang dapat mengurangi hasil.
  • Reinforcement Learning tidak cocok digunakan untuk memecahkan masalah sederhana.
  • Reinforcement Learning membutuhkan banyak data dan banyak komputasi. Itulah mengapa algoritma ini cocok pada video game karena seseorang dapat memainkan game tersebut berulang kali, sehingga mendapatkan banyak data dari pemain.
  • Reinforcement Learning mengasumsikan dunia adalah Markovian, padahal bukan. Model Markovian menggambarkan urutan kejadian yang mungkin dimana probabilitas setiap kejadian hanya bergantung pada keadaan yang dicapai pada kejadian sebelumnya.
  • Batasan dimensi membatasi Reinforcement Learning sulit belajar  untuk sistem fisik nyata. Menurut Wikipedia, batasan dimensi mengacu pada berbagai fenomena yang muncul saat menganalisis dan mengatur data di ruang berdimensi tinggi yang tidak terjadi di lingkungan berdimensi rendah seperti ruang fisik tiga dimensi yang dialami sehari-hari. Kerugian lainnya adalah batasan sampel dunia nyata.

Misalnya, pertimbangkan kasus pembelajaran dengan robot. Perangkat keras robot biasanya sangat mahal, mengalami keausan, dan membutuhkan perawatan yang cermat. Memperbaiki sistem robot membutuhkan banyak biaya. Untuk mengatasi banyak masalah Reinforcement Learning, kita dapat menggunakan kombinasi Reinforcement Learning dengan teknik lain daripada mengabaikannya. Salah satu kombinasi yang populer adalah Reinforcement Learning dengan Deep Learning.

Kesimpulan

Itulah beberapa kelebihan dan kekurangan dari jenis-jenis Machine Learning. Setelah mengetahui kelebihan dan kekurangannya, kita bisa mengetahui cara memanfaatkannya sesuai kebutuhan bisnis kita. Ingin tahu lebih lanjut bagaimana mempelajari jenis-jenis ML di atas dan pengaplikasiannya? Mari bergabung bersama Algoritma Data Science School! investasi sekali, sampai jadi ahli!

YONVI SATRIA

Get Free Learning Resources

* indicates required
Insights

Bunga Dea Laraswati

Sr. Writer Algoritma Data Science School