Apa itu machine learning (ML)

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Apa itu machine learning (ML)

Machine learning (ML) — pembelajaran mesin — adalah cabang dari kecerdasan buatan di mana sistem mempelajari pola dari data alih-alih mengikuti aturan yang ditulis tangan. Bayangkan seperti mengajar lewat contoh: alih-alih menulis resep langkah demi langkah, Anda menunjukkan ribuan hidangan jadi kepada sistem dan membiarkannya menemukan sendiri cara memasak. Alih-alih programmer mengodekan setiap keputusan, sistem diperlihatkan ribuan atau jutaan contoh dan menemukan aturannya sendiri.

Sebagian besar AI praktis saat ini — dari filter spam dan asisten suara hingga analisis citra medis dan model bahasa besar — dibangun di atas machine learning. Ketika sebuah proyek kripto mengklaim menggunakan AI, teknologi yang mendasarinya hampir selalu merupakan salah satu bentuk ML.

Singkatnya: ML berarti belajar dari data. Alih-alih memberi tahu sistem apa yang harus dilakukan, Anda menunjukkan contoh dan sistem menemukan polanya. Dalam AI kripto, "machine learning" di kartu proyek berarti proyek mengklaim pembelajaran berbasis data, bukan logika yang di-hardcode.

Cara kerja machine learning

Sistem machine learning mengikuti siklus umum. Memahami setiap langkah sangat penting untuk mengevaluasi apakah klaim ML sebuah proyek nyata — setiap langkah menghasilkan artefak yang dapat diverifikasi yang dapat menjadi bukti.

Siklus hidup ML

Definisikan masalahnya — tentukan apa yang perlu diprediksi atau diklasifikasikan oleh model. Contohnya: "diberikan sebuah transaksi blockchain, tentukan apakah transaksi itu mencurigakan." Rumusan masalah yang jelas adalah titik pemeriksaan pertama saat mengevaluasi klaim ML.
Kumpulkan data — himpun dataset yang relevan dengan masalahnya. Ini bisa mencakup riwayat transaksi, log aktivitas dompet, dokumen teks, atau rekaman perilaku pengguna. Data dapat berasal dari sumber publik, basis data milik sendiri, atau catatan on-chain.
Siapkan dan bersihkan data — data mentah jarang dapat langsung dipakai. Langkah ini meliputi menghapus kesalahan, menangani nilai yang hilang, menormalkan format, dan membagi data menjadi set pelatihan, validasi, dan uji. Persiapan data biasanya menghabiskan sebagian besar waktu proyek ML.
Pilih arsitektur model — pilih jenis model AI yang sesuai dengan tugas: jaringan saraf, pohon keputusan, support vector machine, atau metode ensembel. Pilihannya bergantung pada jenis data, kompleksitas masalah, dan komputasi yang tersedia. Untuk teks, arsitektur transformer (dasar dari GPT, BERT, dan LLM modern seperti DeepSeek) mendominasi. Untuk data tabular, gradient-boosted trees (XGBoost, LightGBM) sering mengungguli deep learning.
Latih modelnya — jalankan algoritme pelatihan yang menyesuaikan parameter internal model (bobot) sehingga prediksinya cocok dengan hasil yang diketahui dalam data pelatihan. Pelatihan mengiterasi data berkali-kali (disebut epoch), secara bertahap mengurangi selisih antara prediksi dan kenyataan (diukur oleh fungsi kerugian / loss function).
Evaluasi — ukur model yang telah dilatih terhadap data uji yang disisihkan atau benchmark untuk memeriksa apakah ia mempelajari pola yang sesungguhnya atau sekadar menghafal set pelatihan (masalah yang disebut overfitting). Metrik yang umum meliputi akurasi, presisi, recall, dan skor F1 untuk klasifikasi; mean squared error dan R-squared untuk regresi; perplexity untuk model bahasa.
Deploy — masukkan model ke produksi di mana ia melakukan inferensi pada masukan baru yang belum pernah dilihat. Deployment melibatkan penyiapan infrastruktur penyajian, pengelolaan latensi, dan penanganan kasus tepi.
Pantau dan latih ulang — data dunia nyata berubah seiring waktu (data drift). Model yang dilatih pada pola transaksi blockchain tahun lalu mungkin berkinerja buruk pada transaksi saat ini. Sistem ML yang bertanggung jawab menyertakan pipeline pemantauan yang mendeteksi penurunan kinerja dan memicu pelatihan ulang dengan data segar.

Contoh praktis

Misalkan sebuah proyek mengklaim model ML-nya mendeteksi aktivitas dompet yang mencurigakan. Implementasi yang dapat diverifikasi akan menunjukkan:

Data: data on-chain apa yang dikumpulkan dan bagaimana pelabelannya (mis., alamat yang ditandai oleh basis data eksploitasi yang dikenal)
Model: arsitektur apa yang digunakan (mis., pengklasifikasi gradient-boosted pada fitur transaksi)
Metrik: tingkat deteksi terukur, tingkat positif palsu, dan metodologi (mis., "dievaluasi pada 10.000 transaksi yang disisihkan dari periode yang terdefinisi")
Deployment: bagaimana model menyajikan prediksi waktu nyata (endpoint API, karakteristik latensi)
Pembaruan: seberapa sering model dilatih ulang dan apa yang memicu pelatihan ulang

Jika sebuah proyek tidak mendeskripsikan satu pun dari ini, klaim "ML"-nya tidak memiliki substansi yang dapat diverifikasi.

Pendekatan ML kunci yang relevan bagi AI kripto

Machine learning bukan teknik tunggal — melainkan keluarga pendekatan, masing-masing cocok untuk jenis masalah yang berbeda.

Pendekatan	Cara belajarnya	Kebutuhan data	Contoh kripto
Supervised learning	Dari contoh berlabel	Dataset berlabel	Deteksi penipuan, klasifikasi scam
Unsupervised learning	Menemukan struktur tanpa label	Dataset tak berlabel	Pengelompokan dompet, deteksi anomali
Reinforcement learning	Melalui percobaan dan imbalan	Lingkungan + sinyal imbalan	Agen otomatis, optimalisasi protokol
Deep learning	Jaringan saraf berlapis banyak	Dataset besar + komputasi	LLM, pembuatan gambar, NLP
Transfer learning	Mengadaptasi model pra-latih ke tugas baru	Dataset kecil spesifik tugas	Fine-tuning LLM untuk domain kripto

Supervised learning

Model belajar dari data berlabel — setiap contoh disertai jawaban benar yang diketahui. Model belajar memetakan masukan ke keluaran dan dievaluasi berdasarkan seberapa baik ia memprediksi jawaban benar untuk contoh baru yang belum pernah dilihat.

Cara kerjanya: diberikan pasangan (masukan, keluaran benar), algoritme menyesuaikan parameter model untuk meminimalkan kesalahan prediksi.
Contoh: pengklasifikasi yang dilatih pada transaksi berlabel (penipuan / sah) untuk menandai scam. Setiap contoh pelatihan adalah sebuah transaksi dengan fitur (jumlah, riwayat pengirim, interaksi kontrak) dan sebuah label.
Alat yang umum: scikit-learn, XGBoost, LightGBM, dan kerangka kerja deep learning seperti PyTorch dan TensorFlow.
Kekuatan: akurasi tinggi ketika label yang baik tersedia.
Keterbatasan: memerlukan data berlabel, yang bisa mahal dan memakan waktu untuk dibuat.

Unsupervised learning

Model menemukan pola tanpa label. Tidak ada yang memberi tahu apa yang harus dicari; ia menemukan sendiri struktur, klaster, atau anomali dalam data.

Cara kerjanya: algoritme mengelompokkan titik-titik data yang serupa atau mengidentifikasi pencilan berdasarkan properti statistik.
Contoh: mengelompokkan alamat dompet berdasarkan pola perilaku — frekuensi transaksi, jumlah, interaksi dengan protokol yang dikenal — untuk mengidentifikasi kelompok dompet yang berkaitan tanpa label sebelumnya.
Alat yang umum: k-means clustering, DBSCAN, principal component analysis (PCA), autoencoder.
Kekuatan: berfungsi ketika pelabelan tidak praktis atau terlalu mahal.
Keterbatasan: hasilnya memerlukan interpretasi manusia; algoritme menemukan struktur tetapi tidak menjelaskan apa makna klasternya.

Reinforcement learning (RL)

Model belajar melalui percobaan dan imbalan. Ia mengambil tindakan dalam sebuah lingkungan dan menerima umpan balik (positif atau negatif). Seiring waktu, ia mempelajari strategi yang memaksimalkan imbalan kumulatif.

Cara kerjanya: agen mengamati keadaan saat ini, mengambil tindakan, menerima imbalan atau penalti, dan memperbarui strateginya. Putaran ini berulang ribuan atau jutaan kali.
Contoh: agen otomatis yang belajar mengoptimalkan biaya gas dengan mengatur waktu transaksi berdasarkan pola kepadatan jaringan.
Tonggak pencapaian: RL menggerakkan sistem pemain gim seperti AlphaGo. Dalam kripto, RL muncul dalam penyetelan parameter protokol dan strategi berbasis agen.
Kekuatan: cocok untuk masalah pengambilan keputusan sekuensial di mana tindakan optimal bergantung pada konsekuensi jangka panjang.
Keterbatasan: memerlukan sinyal imbalan yang terdefinisi baik dan banyak iterasi; bisa tidak stabil selama pelatihan.

Deep learning

Cabang ML yang menggunakan jaringan saraf dengan banyak lapisan (karena itu disebut "deep"). Deep learning menggerakkan sebagian besar terobosan AI modern: pengenalan gambar, pemrosesan bahasa alami, model generatif, dan model bahasa besar.

Cara kerjanya: data mengalir melalui lapisan-lapisan neuron buatan berturut-turut, masing-masing mengekstraksi fitur yang semakin abstrak. Lapisan konvolusional mungkin mendeteksi tepi; lapisan yang lebih dalam menggabungkan tepi menjadi bentuk, lalu objek.
Contoh: model transformer (arsitektur di balik GPT, BERT, dan DeepSeek) yang di-fine-tune pada dokumentasi kripto untuk mengekstraksi informasi terstruktur dari teks tak terstruktur.
Arsitektur kunci: transformer (teks/urutan), jaringan saraf konvolusional / CNN (gambar), jaringan saraf rekuren / RNN (deret waktu).
Kekuatan: unggul pada data yang kompleks dan berdimensi tinggi (teks, gambar, audio, urutan).
Keterbatasan: memerlukan dataset besar, daya komputasi yang signifikan, dan penyetelan yang cermat. Kinerjanya lebih sulit diinterpretasikan dibandingkan model yang lebih sederhana.

Transfer learning

Teknik di mana model yang dilatih awal pada dataset umum yang besar diadaptasi ke tugas spesifik dengan dataset yang lebih kecil. Alih-alih melatih dari nol, model memulai dengan pengetahuan yang sudah dipelajari.

Cara kerjanya: ambil model seperti BERT (dilatih awal pada teks umum) dan fine-tune pada dataset whitepaper kripto yang lebih kecil untuk mengklasifikasikan klaim proyek.
Mengapa penting: transfer learning mengurangi data dan komputasi yang dibutuhkan untuk tugas baru. Banyak proyek AI kripto menggunakan versi fine-tune dari model yang sudah ada alih-alih melatih dari nol.

Dari ML klasik ke deep learning modern

Memahami evolusi ML membantu mengevaluasi klaim proyek:

ML klasik (1990-an–2010-an): pohon keputusan, support vector machine, regresi logistik. Metode-metode ini bekerja baik pada data terstruktur (tabular) dan tetap umum dalam analitik kripto untuk klasifikasi transaksi dan penskoran risiko.
Era deep learning (2012–sekarang): jaringan saraf berlapis banyak mulai mengungguli metode klasik pada tugas-tugas kompleks. Arsitektur transformer 2017 ("Attention Is All You Need") membentuk ulang bidang ini. BERT (2018) dan GPT (2018–sekarang) membawa transformer ke pemahaman dan pembuatan bahasa.
Foundation model (2020-an–sekarang): model sangat besar yang dilatih awal pada data yang luas, di-fine-tune atau di-prompt untuk tugas spesifik. GPT, Claude, Gemini, dan Mistral adalah contoh yang terkenal. Model-model ini membuat NLP yang kuat mudah diakses tetapi juga memudahkan pembuatan pembungkus tipis yang mengklaim "AI" dengan kerja orisinal yang minimal.

Ketika sebuah proyek mengatakan "machine learning", layak ditanyakan: apakah ini ML klasik pada data terstruktur, fine-tuning foundation model yang sudah ada, atau melatih model baru dari nol?

Mengapa ML penting dalam DecAIHub

Ketika kartu proyek mencantumkan "machine learning" sebagai bagian dari AI component-nya, itu berarti proyek mengklaim menggunakan sistem yang belajar dari data alih-alih mengandalkan aturan statis. Perbedaan ini penting karena:

ML mengimplikasikan pipeline pelatihan — harus ada data, proses pelatihan, dan model yang dihasilkan. Semua ini adalah artefak yang dapat diverifikasi.
ML mengimplikasikan kinerja yang terukur — model yang dipelajari dapat di-benchmark dan dibandingkan. Seperangkat aturan yang dikodekan tangan tidak dapat dievaluasi dengan cara yang sama.
ML mengimplikasikan pemeliharaan berkelanjutan — model memburuk seiring waktu ketika distribusi data bergeser. Proyek yang menggunakan ML perlu melatih ulang dan mengevaluasi ulang secara berkala.
ML mengimplikasikan kebutuhan komputasi — pelatihan dan inferensi memerlukan sumber daya komputasi. Proyek ML terdesentralisasi harus menjelaskan bagaimana komputasi disediakan dan siapa yang menanggung biayanya.

DecAIHub memeriksa bukti Tier-1 dari artefak-artefak ini saat mengevaluasi apakah "machine learning" itu nyata atau sekadar label pemasaran. Flag AI reality (AI_0 hingga AI_4) memetakan langsung ke titik pemeriksaan bukti: apakah proyek mendeskripsikan komponen ML-nya (AI_1)? Apakah ada demo yang berfungsi (AI_2)? Metrik yang dipublikasikan (AI_3)? Dokumentasi arsitektur teknis (AI_4)?

Proyek yang menyebut "machine learning" tanpa menyediakan satu pun artefak ini menerima flag AI reality yang lebih rendah, yang membatasi skor DecAI Fit-nya melalui mekanisme plafon ai_score.

Apa yang tidak dibuktikan oleh ML saja

Kualitas model — mengklaim ML tidak berarti modelnya akurat, tangguh, atau tersetel dengan baik. Kualitas memerlukan bukti benchmark.
Kualitas data — model hanya sebaik data pelatihannya. Data yang buruk, bias, atau tidak memadai menghasilkan hasil yang buruk terlepas dari algoritmenya.
Pembelajaran yang sesungguhnya — beberapa proyek melabeli sistem berbasis aturan atau heuristik sederhana sebagai "ML". Lihat Otomatisasi vs AI component yang nyata.
Keunggulan proprietary — menggunakan pustaka ML siap pakai dengan pengaturan default pada data publik tidak membentuk kedalaman AI yang berarti.
Desentralisasi — model ML dapat berjalan pada infrastruktur yang sepenuhnya tersentralisasi. Fakta bahwa sebuah proyek menggunakan ML tidak mengatakan apa pun tentang apakah AI-nya terdesentralisasi atau integrasi blockchain-nya bermakna.

Jangan bingung dengan

Kecerdasan buatan — bidang yang lebih luas. ML adalah cabang dari AI, bukan sinonimnya.
Model AI — artefak yang telah dilatih. ML adalah proses menciptakan artefak itu melalui pembelajaran berbasis data.
Deep learning — cabang ML yang menggunakan jaringan saraf berlapis banyak. Semua deep learning adalah ML, tetapi tidak semua ML adalah deep learning.
Otomatisasi — mengeksekusi aturan yang sudah ditetapkan. ML mempelajari aturannya sendiri dari data. Lihat Otomatisasi vs AI component yang nyata.
Statistika — ML dibangun di atas fondasi statistik tetapi melampaui statistika tradisional dengan berfokus pada kinerja prediktif pada data baru alih-alih pada penjelasan data historis.

Pertanyaan yang sering diajukan

Apa perbedaan antara machine learning dan pemrograman tradisional?

Dalam pemrograman tradisional, pengembang menulis aturan eksplisit: "jika jumlah transaksi melampaui ambang dan pengirim tidak punya riwayat, tandai." Dalam machine learning, pengembang menyediakan contoh berlabel, dan algoritme menemukan aturannya sendiri. Hasilnya adalah model yang dapat mendeteksi pola yang terlalu halus bagi aturan tulisan tangan — tetapi ia memerlukan data pelatihan yang berkualitas dan evaluasi berkelanjutan.

Apakah machine learning memerlukan big data?

Tidak selalu. Model deep learning (terutama LLM) memerlukan dataset besar, tetapi banyak teknik ML klasik bekerja efektif dengan jumlah data yang moderat. Transfer learning lebih jauh mengurangi kebutuhan data dengan memulai dari model yang dilatih awal. Faktor kuncinya adalah kualitas dan relevansi data, bukan sekadar kuantitas. Dataset kecil yang terkurasi baik dan dilabeli dengan benar dapat mengungguli dataset besar yang penuh derau.

Apa perbedaan antara supervised dan unsupervised learning?

Supervised learning menggunakan data berlabel — setiap contoh menyertakan jawaban yang benar, dan model belajar memprediksinya. Unsupervised learning bekerja dengan data tak berlabel, menemukan pola, klaster, atau anomali tanpa diberi tahu apa yang harus dicari. Kategori ketiga, semi-supervised learning, menggabungkan sejumlah kecil data berlabel dengan jumlah lebih besar data tak berlabel. Pilihannya bergantung pada apakah label tersedia dan terjangkau untuk dibuat.

Bagaimana cara mengetahui apakah proyek kripto menggunakan ML yang nyata?

Carilah artefak yang dapat diverifikasi: dataset yang dideskripsikan, arsitektur model yang terdokumentasi, benchmark yang dipublikasikan dengan metodologi, demo publik, dan bukti pelatihan ulang. DecAIHub mengevaluasi ini melalui flag AI reality (AI_1 hingga AI_4) dan pemeriksaan bukti Tier-1. Proyek yang mengatakan "digerakkan ML" tetapi tidak menyediakan satu pun dari ini kemungkinan menggunakan istilah itu sebagai pemasaran.

Apakah deep learning sama dengan machine learning?

Deep learning adalah cabang dari machine learning, bukan sinonim. ML mencakup banyak teknik di luar deep learning: pohon keputusan, support vector machine, metode Bayesian, dan metode ensembel. Deep learning menggunakan jaringan saraf dengan banyak lapisan untuk mempelajari representasi hierarkis. Ia unggul pada data yang kompleks (teks, gambar, audio) tetapi metode ML yang lebih sederhana sering mengunggulinya pada data terstruktur dan tabular.

Lihat juga

Referensi eksternal

Google Developers — Machine Learning Crash Course — kursus pengantar gratis yang mencakup konsep inti ML dengan contoh praktis
Stanford CS229 — Machine Learning — materi kuliah universitas yang komprehensif tentang teori dan praktik ML
Hugging Face — Learn — panduan praktis ML dan NLP modern dengan alat sumber terbuka
Machine learning (Wikipedia) — tinjauan sejarah, metode, dan aplikasi ML
Papers With Code — Methods — referensi metode ML dengan tautan ke makalah dan implementasi