Machine Learning: Bagaimana AI Belajar Daripada Data

 

(Siri 3: Memahami Teknologi AI)

---

Apa Itu Machine Learning?

Machine Learning (ML) ialah cabang AI yang membolehkan komputer belajar daripada data dan membuat keputusan tanpa arahan tetap.

Berbeza dengan Rule-Based AI, ML tidak hanya ikut peraturan. Ia belajar mengenal corak dan hubungan dalam data untuk meramalkan hasil baru.

---

Bagaimana Machine Learning Belajar?

1️⃣ Kumpulkan Data

ML memerlukan data mentah. Data ini boleh berupa:

• Gambar, video, audio

• Teks dan laporan

• Rekod transaksi atau tingkah laku

2️⃣ Latihan (Training)

AI akan menganalisis data untuk mengenal corak atau pola tersembunyi.

• Contoh: gambar wajah disusun mengikut ciri mata, hidung, mulut

• Algoritma menyesuaikan “berat” (weight) untuk setiap ciri

3️⃣ Model Terbentuk

Selepas latihan, AI membentuk model matematik yang boleh membuat ramalan atau klasifikasi.

4️⃣ Ujian (Testing)

Model diuji dengan data baharu untuk melihat ketepatan.

Jika model kurang tepat, proses latihan diulang dengan data lebih banyak atau algoritma berbeza.

---

Bagaimana Machine Learning Membuat Cadangan/Keputusan?

ML menggunakan pola dalam data untuk meramalkan tindakan atau hasil.

Contoh: Sistem Cadangan Netflix

1. AI lihat filem yang anda tonton

2. Kenal corak (genre, pelakon, masa tontonan)

3. Banding dengan corak pengguna lain

4. Cadangkan filem yang kemungkinan anda suka

Analogi:

Seperti pegawai siasatan polis yang belajar daripada kes-kes lama untuk meneka kes baharu.
Misalnya, jika terdapat corak jenayah tertentu di kawasan A, pegawai boleh ramal kemungkinan jenayah seterusnya.

---

Jenis-jenis Machine Learning

1. Supervised Learning – Belajar dari data berlabel

   • Contoh: Gambar wajah + nama, audio + identiti

2. Unsupervised Learning – Belajar dari data tidak berlabel

   • Contoh: Mengesan corak transaksi mencurigakan, kumpulan jenayah

3. Reinforcement Learning – Belajar melalui ganjaran & hukuman

   • Contoh: Robot rondaan autonomi, AI permainan

---

Contoh Machine Learning Dalam Kehidupan Seharian

Bidang	Contoh ML
Hiburan	Netflix, YouTube, Spotify (cadangan)
Keselamatan	CCTV pintar, pengecaman wajah
Kewangan	Pengesanan transaksi mencurigakan
E-dagang	Cadangan produk, harga dinamik

---

Analogi Mudah

Machine Learning seperti pegawai polis yang bijak belajar dari kes lama:
Dia boleh ramal hasil dan buat keputusan berdasarkan pengalaman terdahulu, walaupun kes baharu tidak pernah berlaku sebelumnya.

Berbeza dengan Rule-Based AI, pegawai ini boleh menyesuaikan diri mengikut keadaan.

---

Kelebihan Machine Learning

• Boleh belajar sendiri tanpa arahan lengkap

• Fleksibel untuk pelbagai masalah

• Meningkat prestasi apabila data bertambah

---

Kekangan Machine Learning

• Perlukan data besar dan berkualiti

• Perlu komputer berkuasa tinggi

• Risiko bias jika data tidak seimbang

---

Kesimpulan Siri 3

Machine Learning ialah AI yang pintar, fleksibel dan belajar daripada pengalaman.
Ia digunakan untuk membuat cadangan, klasifikasi dan ramalan, dari Netflix hingga pengesanan jenayah.

📌 Nota:
Faham ML ialah asas sebelum masuk Deep Learning, CNN/RNN, dan Transformer.