Istilah seperti Artificial Intelligence, Machine Learning, Deep Learning, dan Generative AI semakin sering digunakan. Namun, istilah-istilah tersebut sebenarnya tidak memiliki arti yang sama. Secara sederhana, konsep-konsep tersebut dapat dipahami sebagai bagian dari satu ekosistem teknologi yang saling berhubungan.
Artificial Intelligence: Konsep Paling Luas
Artificial Intelligence (AI) atau kecerdasan buatan adalah bidang ilmu komputer yang bertujuan membuat sistem komputer mampu melakukan tugas yang biasanya membutuhkan kecerdasan manusia.
Contohnya antara lain:
- mengenali gambar,
- memahami bahasa,
- membuat keputusan,
- memprediksi suatu kejadian,
- menjawab pertanyaan, dan
- menghasilkan teks atau gambar.
AI merupakan istilah yang paling luas. Tidak semua sistem AI menggunakan Machine Learning. Beberapa sistem AI klasik menggunakan aturan yang secara eksplisit ditentukan oleh manusia, misalnya:
IF tekanan darah ≥ 140/90 mmHg THEN klasifikasikan sebagai hipertensi.
Sistem seperti ini sering disebut rule-based system atau expert system.
Machine Learning: Komputer Belajar dari Data
Machine Learning (ML) merupakan bagian dari Artificial Intelligence yang memungkinkan komputer mempelajari pola dari data.
Pada pendekatan pemrograman tradisional, manusia menentukan aturan dan komputer menjalankan aturan tersebut.
Secara sederhana:
Data + Rules → Output
Dalam Machine Learning pendekatannya sedikit berbeda:
Data + Output yang diketahui → Model
Model yang telah dipelajari kemudian digunakan untuk menghasilkan prediksi pada data baru:
Data baru + Model → Prediction
Sebagai contoh, kita memiliki ribuan data individu yang berisi umur, jenis kelamin, indeks massa tubuh, tekanan darah, kebiasaan merokok, dan status hipertensi.
Machine Learning dapat mempelajari hubungan antara berbagai karakteristik tersebut dengan kejadian hipertensi. Setelah proses pembelajaran selesai, model dapat digunakan untuk memperkirakan risiko hipertensi pada individu lain.
Inilah ide dasar dari Machine Learning: belajar dari pola yang terdapat pada data.
Tiga Pendekatan Utama Machine Learning
Secara umum Machine Learning dapat dikelompokkan menjadi tiga pendekatan.
Supervised Learning
Pada supervised learning, data yang digunakan sudah memiliki outcome atau label.
Misalnya:
- hipertensi vs tidak hipertensi,
- diabetes vs tidak diabetes,
- pasien meninggal vs bertahan hidup.
Algoritma belajar dari hubungan antara variabel prediktor dengan outcome tersebut.
Beberapa algoritma yang umum digunakan antara lain:
Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, dan Neural Network.
Supervised learning banyak digunakan untuk classification dan prediction.
Unsupervised Learning
Pada unsupervised learning, data tidak memiliki label outcome tertentu.
Komputer mencoba menemukan struktur atau pola yang tersembunyi di dalam data.
Contohnya adalah melakukan pengelompokan kabupaten/kota berdasarkan karakteristik indikator kesehatan menggunakan clustering.
Algoritma yang sering digunakan antara lain:
K-Means Clustering, Hierarchical Clustering, dan Principal Component Analysis (PCA).
Reinforcement Learning
Pada reinforcement learning, komputer belajar melalui interaksi dengan lingkungan. Sistem mendapatkan reward atau punishment berdasarkan keputusan yang dilakukan.
Pendekatan ini banyak digunakan pada robotika, permainan komputer, autonomous systems, dan berbagai sistem pengambilan keputusan yang bersifat dinamis.
Lalu, Apa Itu Deep Learning?
Deep Learning merupakan bagian dari Machine Learning.
Deep Learning menggunakan struktur yang disebut Artificial Neural Network, yang secara sederhana terinspirasi dari cara jaringan neuron bekerja dalam sistem biologis.
Jika jaringan tersebut memiliki banyak lapisan pemrosesan, kita menyebutnya sebagai deep neural network.
Deep Learning sangat efektif untuk menangani data kompleks seperti:
- gambar medis,
- suara,
- video,
- teks,
- rekam medis dalam jumlah besar.
Sebagai contoh, Deep Learning dapat digunakan untuk membantu mengenali kelainan pada foto rontgen atau CT scan.
Namun, Deep Learning biasanya membutuhkan jumlah data dan sumber daya komputasi yang jauh lebih besar dibandingkan metode Machine Learning konvensional.
Generative AI
Perkembangan berikutnya adalah Generative Artificial Intelligence.
Jika sebagian besar model Machine Learning tradisional digunakan untuk melakukan prediksi atau klasifikasi, Generative AI dirancang untuk menghasilkan konten baru.
Konten tersebut dapat berupa:
- teks,
- gambar,
- suara,
- video,
- kode program, atau
- data sintetis.
Salah satu teknologi yang banyak digunakan dalam Generative AI berbasis teks adalah Large Language Model (LLM).
Model seperti ChatGPT merupakan contoh aplikasi yang menggunakan Large Language Model untuk memahami dan menghasilkan bahasa.
Secara sederhana hubungan konsep tersebut dapat digambarkan sebagai:
Artificial Intelligence
→ Machine Learning
→ Deep Learning
→ berbagai model modern, termasuk Large Language Models
→ digunakan dalam berbagai aplikasi Generative AI
Dengan demikian, Machine Learning bukan sesuatu yang terpisah dari Artificial Intelligence. Machine Learning merupakan salah satu pendekatan utama dalam pengembangan sistem Artificial Intelligence.
Machine Learning Bukan Sekadar Algoritma
Satu hal yang penting dipahami adalah bahwa Machine Learning bukan hanya memilih algoritma.
Pengembangan model biasanya melibatkan beberapa tahapan:
Problem Definition → Data Collection → Data Preparation → Model Development → Model Evaluation → Deployment → Monitoring
Dalam konteks kesehatan masyarakat, kualitas data, pemilihan outcome, interpretasi model, potensi bias, validitas eksternal, serta aspek etika sering kali jauh lebih penting daripada sekadar memilih algoritma yang paling kompleks.
Model dengan akurasi tinggi belum tentu menjadi model terbaik apabila tidak dapat dijelaskan, tidak dapat digunakan pada populasi lain, atau tidak memberikan manfaat dalam pengambilan keputusan.
Karena itu, penerapan Machine Learning dalam kesehatan sebaiknya dimulai bukan dengan pertanyaan:
“Algoritma apa yang akan digunakan?”
tetapi dengan pertanyaan:
“Masalah kesehatan apa yang ingin kita selesaikan, dan bagaimana data dapat membantu kita mengambil keputusan yang lebih baik?”