Setelah model dilatih, ia diuji dengan data baru yang belum pernah dilihat sebelumnya. Tujuannya untuk memastikan apakah model bisa mengenali pola dengan baik, bukan sekadar menghafal data latihan.
Prediksi dan Perbaikan
Kalau hasilnya belum akurat, model bisa diperbaiki. Bisa dengan menambahkan data baru, mengubah parameter, atau bahkan mengganti algoritma yang digunakan. Proses perbaikan ini terus dilakukan sampai hasil prediksi cukup bagus.
Intinya, machine learning bekerja dengan belajar dari data lama untuk kemudian membuat prediksi di masa depan. Semakin banyak data yang diberikan, semakin pintar juga modelnya, persis seperti manusia yang makin mahir setelah banyak berlatih.
Jenis-Jenis Machine Learning
1. Supervised Learning
Supervised learning adalah jenis machine learning di mana sistem dilatih menggunakan data yang sudah memiliki label atau jawaban yang benar. Ibaratnya, seperti seorang murid yang belajar dengan bimbingan guru. Contohnya, jika ingin melatih model untuk mengenali email spam, kita menyediakan ribuan contoh email yang sudah diberi label "spam" atau "bukan spam". Dari data ini, sistem akan mempelajari ciri-ciri email spam, lalu mampu mengklasifikasikan email baru dengan benar.
Metode ini banyak digunakan pada klasifikasi (misalnya pengenalan wajah, deteksi penyakit) dan regresi (misalnya memprediksi harga rumah berdasarkan luas dan lokasi).
2. Unsupervised Learning
Berbeda dengan supervised learning, unsupervised learning bekerja tanpa data berlabel. Sistem hanya diberi data mentah, lalu diminta menemukan pola atau pengelompokan di dalamnya. Misalnya, perusahaan e-commerce menggunakan unsupervised learning untuk menganalisis kebiasaan belanja pelanggan, kemudian mengelompokkan mereka ke dalam kategori tertentu. Dengan begitu, strategi promosi dapat disesuaikan dengan kebutuhan tiap kelompok.
Contoh penerapan unsupervised learning antara lain clustering (pengelompokan pelanggan, analisis pasar) dan dimensionality reduction (menyederhanakan data kompleks agar lebih mudah dianalisis).
3. Trial and Error (Reinforcement Learning)
Jenis lain yang tak kalah penting adalah reinforcement learning, sering juga dianggap sebagai metode trial and error. Pada pendekatan ini, sistem belajar dengan cara mencoba berbagai tindakan, kemudian mendapat umpan balik berupa "reward" (hadiah) atau "punishment" (hukuman). Semakin banyak percobaan yang dilakukan, sistem akan belajar strategi terbaik untuk mencapai tujuan.
