Machine Learning memiliki banyak istilah yang sering digunakan secara bergantian, seperti supervised learning, unsupervised learning, reinforcement learning, semi-supervised learning, self-supervised learning, deep learning, hingga generative AI. Bagi pembaca yang baru mempelajari bidang ini, istilah-istilah tersebut dapat terlihat seperti kategori yang setara. Padahal, masing-masing berada pada tingkat konsep yang berbeda.<\/p>\n\n\n\n
Cara paling sederhana untuk memahami klasifikasi Machine Learning adalah dengan melihat bagaimana sebuah sistem belajar dari data<\/strong>. Berdasarkan mekanisme pembelajarannya, Machine Learning secara umum dapat dibedakan menjadi tiga paradigma utama, yaitu supervised learning, unsupervised learning, dan reinforcement learning<\/strong>. Dalam perkembangannya, muncul pula pendekatan seperti semi-supervised learning<\/strong> dan self-supervised learning<\/strong> yang digunakan untuk mengatasi keterbatasan ketersediaan label data.<\/p>\n\n\n\n Pemahaman tentang klasifikasi ini penting karena membantu kita membedakan antara paradigma pembelajaran, jenis tugas, algoritma, arsitektur model, dan aplikasi Machine Learning.<\/p>\n\n\n\n Supervised learning adalah pendekatan Machine Learning ketika model belajar menggunakan data yang sudah memiliki target atau label. Dengan kata lain, pada saat training, sistem mengetahui pasangan antara input dan jawaban yang benar.<\/p>\n\n\n\n Sebagai contoh, kita memiliki data individu yang berisi umur, indeks massa tubuh, status merokok, aktivitas fisik, dan status hipertensi. Variabel seperti umur, IMT, merokok, dan aktivitas fisik digunakan sebagai features<\/strong>, sedangkan status hipertensi digunakan sebagai target<\/strong>.<\/p>\n\n\n\n Model kemudian belajar pola hubungan antara features dan target. Setelah proses training selesai, model dapat digunakan untuk memperkirakan outcome pada individu baru yang sebelumnya belum pernah dilihat.<\/p>\n\n\n\n Secara konseptual, supervised learning dapat digambarkan sebagai:<\/p>\n\n\n\n Input Data \u2192 Known Target \u2192 Learning Process \u2192 Prediction Model<\/strong><\/p>\n\n\n\n Dua jenis tugas yang paling umum dalam supervised learning adalah classification<\/strong> dan regression<\/strong>. Classification digunakan ketika outcome berbentuk kategori, misalnya hipertensi atau tidak hipertensi, positif atau negatif, serta risiko rendah, sedang, atau tinggi. Sebaliknya, regression digunakan ketika outcome berbentuk nilai numerik kontinu, seperti tekanan darah sistolik, berat badan, kadar gula darah, atau lama rawat.<\/p>\n\n\n\n Algoritma yang umum digunakan dalam supervised learning antara lain Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, k-Nearest Neighbors, Gradient Boosting, dan Neural Network.<\/p>\n\n\n\n Dalam bidang kesehatan, supervised learning banyak digunakan untuk pengembangan model prediksi penyakit, penilaian risiko, klasifikasi citra medis, prediksi prognosis, serta berbagai bentuk decision support.<\/p>\n\n\n\n Berbeda dengan supervised learning, pada unsupervised learning data tidak memiliki target atau label yang telah ditentukan sebelumnya. Sistem tidak diberi tahu kelompok atau jawaban yang benar. Sebaliknya, algoritma mencoba menemukan pola, struktur, atau hubungan yang terdapat di dalam data.<\/p>\n\n\n\n Pendekatan ini berguna ketika kita belum mengetahui bagaimana observation seharusnya dikelompokkan atau ketika tujuan analisis adalah memahami struktur data.<\/p>\n\n\n\n Salah satu tugas yang paling umum adalah clustering<\/strong>. Dalam clustering, algoritma mencoba mengelompokkan observation yang memiliki karakteristik serupa. Sebagai contoh, suatu dataset kesehatan masyarakat dapat berisi informasi mengenai umur, aktivitas fisik, status gizi, tekanan darah, pola konsumsi, dan perilaku merokok. Tanpa menentukan kelompok sebelumnya, algoritma dapat menemukan beberapa segmen populasi dengan pola risiko kesehatan yang berbeda.<\/p>\n\n\n\n Algoritma clustering yang sering digunakan antara lain K-Means, Hierarchical Clustering, Gaussian Mixture Model, dan DBSCAN.<\/p>\n\n\n\n Selain clustering, unsupervised learning juga digunakan untuk dimensionality reduction<\/strong>. Tujuannya adalah menyederhanakan data dengan banyak variabel menjadi representasi yang lebih kecil tanpa kehilangan terlalu banyak informasi penting. Salah satu metode yang dikenal luas adalah Principal Component Analysis atau PCA.<\/p>\n\n\n\n Dalam kesehatan masyarakat, unsupervised learning dapat digunakan untuk segmentasi populasi, pemetaan karakteristik wilayah, eksplorasi pola penyakit, pengelompokan fasilitas kesehatan, serta identifikasi pola yang belum diketahui sebelumnya.<\/p>\n\n\n\n Perbedaan utamanya dengan supervised learning terletak pada keberadaan label. Pada supervised learning, model mempelajari hubungan antara input dan target yang sudah diketahui. Pada unsupervised learning, model mencoba menemukan struktur data tanpa target yang telah ditentukan.<\/p>\n\n\n\n Reinforcement learning menggunakan mekanisme pembelajaran yang berbeda dari supervised dan unsupervised learning. Dalam pendekatan ini, sebuah sistem atau agent<\/strong> belajar melalui interaksi dengan lingkungan.<\/p>\n\n\n\n Agent melakukan suatu tindakan atau action<\/strong>, kemudian lingkungan memberikan feedback berupa reward<\/strong> atau penalty<\/strong>. Melalui proses berulang tersebut, agent berusaha mempelajari strategi atau policy<\/strong> yang dapat memaksimalkan reward dalam jangka panjang.<\/p>\n\n\n\n Secara sederhana, proses reinforcement learning dapat digambarkan sebagai:<\/p>\n\n\n\n Agent \u2192 Action \u2192 Environment \u2192 Reward \u2192 Learning<\/strong><\/p>\n\n\n\n Contoh klasiknya adalah sebuah robot yang belajar bergerak melalui labirin. Robot mencoba berbagai tindakan, seperti bergerak ke kanan, kiri, maju, atau mundur. Jika tindakan tertentu mendekatkannya pada tujuan, robot memperoleh reward. Jika tindakan tersebut membawa pada kesalahan, robot memperoleh penalty. Setelah melalui banyak percobaan, sistem secara bertahap belajar memilih tindakan yang lebih baik.<\/p>\n\n\n\n Dalam bidang kesehatan, reinforcement learning memiliki potensi pada masalah yang memerlukan keputusan berurutan. Contohnya meliputi penyesuaian intervensi digital, adaptive treatment strategy, personalisasi rekomendasi, dan pengambilan keputusan yang berubah mengikuti respons pasien dari waktu ke waktu.<\/p>\n\n\n\n Jika supervised learning banyak digunakan untuk menjawab pertanyaan \u201capa yang kemungkinan terjadi?\u201d, maka reinforcement learning lebih dekat dengan pertanyaan \u201ctindakan apa yang sebaiknya dilakukan berikutnya?\u201d.<\/p>\n\n\n\n Dalam praktik nyata, salah satu kendala terbesar dalam pengembangan Machine Learning adalah ketersediaan data berlabel. Data mungkin tersedia dalam jumlah besar, tetapi proses pemberian label membutuhkan biaya, waktu, atau tenaga ahli.<\/p>\n\n\n\n Sebagai contoh, sebuah institusi mungkin memiliki 100.000 citra radiologi, tetapi hanya 5.000 di antaranya yang telah dibaca dan diberi label oleh radiolog. Dalam kondisi seperti ini, membuang seluruh data yang belum memiliki label tentu tidak ideal.<\/p>\n\n\n\n Semi-supervised learning mencoba mengatasi masalah tersebut dengan menggunakan kombinasi sejumlah kecil labeled data dan sejumlah besar unlabeled data<\/strong>.<\/p>\n\n\n\n Pendekatan ini berguna ketika mendapatkan data relatif mudah tetapi mendapatkan label membutuhkan proses yang lebih kompleks. Dalam konteks kesehatan, situasi ini sering ditemukan pada citra medis, rekam medis, data laboratorium, dan data surveillance.<\/p>\n\n\n\n Secara konseptual, semi-supervised learning berada di antara supervised dan unsupervised learning.<\/p>\n\n\n\n Self-supervised learning menjadi semakin penting dalam perkembangan Artificial Intelligence modern. Pendekatan ini memungkinkan model belajar dari data yang tidak memiliki label manual dengan cara menciptakan tugas pembelajaran dari struktur data itu sendiri.<\/p>\n\n\n\n Sebagai contoh sederhana, pada data teks sebuah model dapat diberikan kalimat dengan sebagian kata yang dihilangkan, kemudian diminta untuk memprediksi kata yang hilang tersebut. Dalam kasus ini, data yang sama berfungsi sebagai input sekaligus sumber target pembelajaran.<\/p>\n\n\n\n Pendekatan ini memungkinkan model belajar dari kumpulan data yang sangat besar tanpa memerlukan proses pelabelan manual untuk setiap observation.<\/p>\n\n\n\n Self-supervised learning banyak digunakan dalam pengembangan model bahasa, computer vision, speech recognition, representation learning, dan foundation models.<\/p>\n\n\n\n Large Language Models modern, misalnya, menggunakan self-supervised learning dalam tahap pretraining untuk mempelajari pola bahasa dari data teks dalam jumlah besar.<\/p>\n\n\n\n Salah satu kebingungan yang sering muncul adalah menempatkan deep learning sebagai kategori yang sejajar dengan supervised learning, unsupervised learning, dan reinforcement learning.<\/p>\n\n\n\n Secara konseptual, posisi tersebut kurang tepat.<\/p>\n\n\n\n Supervised, unsupervised, dan reinforcement learning menjelaskan bagaimana model belajar<\/strong>, sedangkan deep learning lebih berkaitan dengan jenis arsitektur model yang digunakan<\/strong>, khususnya neural network dengan banyak lapisan.<\/p>\n\n\n\n Dengan demikian, deep learning dapat digunakan dalam berbagai paradigma pembelajaran.<\/p>\n\n\n\n Sebuah deep neural network dapat digunakan untuk supervised classification, misalnya dalam deteksi kelainan pada citra medis. Arsitektur deep learning juga dapat digunakan untuk self-supervised learning dalam pretraining model bahasa, maupun dalam reinforcement learning pada sistem pengambilan keputusan kompleks.<\/p>\n\n\n\n Jadi, deep learning bukan paradigma pembelajaran yang berdiri sejajar dengan supervised atau unsupervised learning. Ia merupakan pendekatan pemodelan yang dapat digunakan di dalam berbagai paradigma tersebut.<\/p>\n\n\n\n Generative AI juga sebaiknya tidak diposisikan sebagai kategori pembelajaran yang sejajar dengan supervised learning atau reinforcement learning.<\/p>\n\n\n\n Generative AI menggambarkan kemampuan suatu model untuk menghasilkan konten baru<\/strong>, seperti teks, gambar, suara, video, atau kode program.<\/p>\n\n\n\n Model generatif dapat dikembangkan melalui kombinasi berbagai pendekatan. Sebagai contoh, Large Language Model dapat terlebih dahulu dilatih menggunakan self-supervised learning, kemudian disempurnakan melalui supervised fine-tuning, dan selanjutnya dapat menggunakan mekanisme berbasis reinforcement learning atau preference optimization.<\/p>\n\n\n\n Artinya, satu sistem AI modern dapat menggunakan lebih dari satu paradigma pembelajaran selama proses pengembangannya.<\/p>\n\n\n\n Agar berbagai istilah tersebut tidak bercampur, struktur Machine Learning dapat dipahami dalam beberapa lapisan.<\/p>\n\n\n\n Pada tingkat learning paradigm<\/strong>, terdapat supervised learning, unsupervised learning, reinforcement learning, semi-supervised learning, dan self-supervised learning.<\/p>\n\n\n\n Pada tingkat task<\/strong>, kita mengenal classification, regression, clustering, dimensionality reduction, ranking, dan berbagai tugas lainnya.<\/p>\n\n\n\n Pada tingkat algorithm atau model<\/strong>, terdapat Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, k-Nearest Neighbors, Gradient Boosting, dan Neural Network.<\/p>\n\n\n\n Sementara itu, istilah seperti Deep Learning, Convolutional Neural Network, dan Transformer lebih berkaitan dengan pendekatan atau arsitektur model.<\/p>\n\n\n\n Di tingkat aplikasi, kita kemudian menemukan computer vision, natural language processing, recommendation system, predictive analytics, hingga Generative AI.<\/p>\n\n\n\n Dengan membedakan setiap tingkat tersebut, hubungan antara berbagai istilah dalam Machine Learning menjadi jauh lebih mudah dipahami.<\/p>\n\n\n\n Tidak ada satu paradigma Machine Learning yang selalu lebih baik dibandingkan lainnya. Pemilihan pendekatan harus dimulai dari bentuk masalah dan data yang tersedia.<\/p>\n\n\n\n Jika tersedia target atau outcome yang sudah diketahui dan kita ingin melakukan prediksi, supervised learning biasanya menjadi pendekatan utama. Jika tidak tersedia label dan tujuan kita adalah menemukan struktur tersembunyi dalam data, unsupervised learning lebih relevan.<\/p>\n\n\n\n Jika hanya sebagian kecil data memiliki label, semi-supervised learning dapat dipertimbangkan. Untuk data dalam jumlah sangat besar yang tidak mempunyai label manual, self-supervised learning dapat digunakan untuk mempelajari representasi awal.<\/p>\n\n\n\n Sementara itu, jika masalah melibatkan serangkaian keputusan yang saling memengaruhi dari waktu ke waktu, reinforcement learning dapat menjadi pendekatan yang relevan.<\/p>\n\n\n\n Karena itu, proses Machine Learning sebaiknya tidak dimulai dari pertanyaan:<\/p>\n\n\n\n \u201cAlgoritma apa yang ingin saya gunakan?\u201d<\/p>\n<\/blockquote>\n\n\n\n Tetapi dari pertanyaan:<\/p>\n\n\n\n \u201cMasalah apa yang ingin diselesaikan, data apa yang tersedia, dan bagaimana sistem seharusnya belajar dari data tersebut?\u201d<\/strong><\/p>\n<\/blockquote>\n\n\n\n Satu domain yang sama dapat menggunakan beberapa paradigma Machine Learning.<\/p>\n\n\n\n Jika kita ingin memprediksi siapa yang berisiko mengalami hipertensi berdasarkan karakteristik individu dan outcome hipertensi sudah tersedia, maka pendekatannya adalah supervised learning.<\/p>\n\n\n\n Jika kita ingin mengetahui apakah terdapat kelompok populasi dengan profil risiko kesehatan yang berbeda tanpa menentukan kelompok sebelumnya, pendekatan yang digunakan dapat berupa unsupervised learning melalui clustering.<\/p>\n\n\n\n Jika hanya sebagian kecil data kesehatan memiliki diagnosis yang sudah divalidasi, semi-supervised learning dapat dimanfaatkan untuk menggunakan data berlabel dan tidak berlabel secara bersamaan.<\/p>\n\n\n\n Jika terdapat jutaan rekam medis berbentuk teks dan kita ingin membangun representasi bahasa sebelum melakukan tugas prediksi tertentu, self-supervised learning dapat digunakan dalam tahap awal.<\/p>\n\n\n\n Sementara itu, bila suatu sistem digital harus memilih intervensi berikutnya berdasarkan respons pengguna dari waktu ke waktu, reinforcement learning dapat menjadi salah satu pendekatan yang dapat dipertimbangkan.<\/p>\n\n\n\n Contoh tersebut menunjukkan bahwa pemilihan paradigma tidak bergantung pada bidang aplikasinya, tetapi pada struktur masalah dan jenis informasi yang tersedia untuk proses pembelajaran<\/strong>.<\/p>\n\n\n\n Machine Learning dapat diklasifikasikan berdasarkan cara sebuah sistem memperoleh informasi dan feedback selama proses pembelajaran.<\/p>\n\n\n\n Supervised learning<\/strong> menggunakan data dengan target atau label yang sudah diketahui dan banyak digunakan untuk classification serta regression.<\/p>\n\n\n\n Unsupervised learning<\/strong> bekerja tanpa label dan digunakan untuk menemukan pola, kelompok, atau representasi di dalam data.<\/p>\n\n\n\n Reinforcement learning<\/strong> menggunakan interaksi, tindakan, dan reward untuk mempelajari strategi pengambilan keputusan.<\/p>\n\n\n\n Dalam perkembangan modern, semi-supervised learning<\/strong> menggabungkan data berlabel dan tidak berlabel, sementara self-supervised learning<\/strong> memungkinkan model membangun learning signal dari data itu sendiri.<\/p>\n\n\n\n Istilah seperti Deep Learning<\/strong> dan Generative AI<\/strong> berada pada tingkat konsep yang berbeda. Deep Learning lebih menggambarkan pendekatan atau arsitektur model, sementara Generative AI menggambarkan kemampuan sistem untuk menghasilkan konten baru.<\/p>\n\n\n\n Memahami struktur tersebut membantu kita melihat bahwa Machine Learning bukan sekadar kumpulan algoritma. Ia merupakan suatu kerangka yang menghubungkan masalah, data, paradigma pembelajaran, model, evaluasi, dan penggunaan hasil<\/strong>.<\/p>\n\n\n\n Dengan demikian, pertanyaan paling penting dalam pengembangan Machine Learning bukanlah memilih metode yang paling kompleks, tetapi menentukan pendekatan pembelajaran yang paling sesuai dengan masalah dan data yang tersedia.<\/p>\n\n\n\n Machine Learning memiliki banyak istilah yang sering digunakan secara bergantian, seperti supervised learning, unsupervised learning, reinforcement learning, semi-supervised learning, self-supervised learning, deep learning, hingga generative AI.\u2026<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-66","post","type-post","status-publish","format-standard","hentry","category-applied-ai-ml-for-publich-health"],"_links":{"self":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/66","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/comments?post=66"}],"version-history":[{"count":1,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/66\/revisions"}],"predecessor-version":[{"id":67,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/66\/revisions\/67"}],"wp:attachment":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/media?parent=66"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/categories?post=66"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/tags?post=66"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Supervised Learning<\/h2>\n\n\n\n
Unsupervised Learning<\/h2>\n\n\n\n
Reinforcement Learning<\/h2>\n\n\n\n
Semi-Supervised Learning<\/h2>\n\n\n\n
Self-Supervised Learning<\/h2>\n\n\n\n
Bagaimana Hubungan dengan Deep Learning?<\/h2>\n\n\n\n
Bagaimana dengan Generative AI?<\/h2>\n\n\n\n
Memahami Hierarki Konsep Machine Learning<\/h2>\n\n\n\n
Memilih Pendekatan Berdasarkan Masalah<\/h2>\n\n\n\n
\n
\n
Contoh dalam Kesehatan Masyarakat<\/h2>\n\n\n\n
Kesimpulan<\/h2>\n\n\n\n
Referensi<\/h2>\n\n\n\n
\n