Machine learning sering terkesan sebagai fenomena dekade terakhir, padahal gagasannya sudah berumur lebih dari tujuh puluh tahun. Ide neuron matematis lahir pada 1943, program yang belajar bermain dam muncul pada 1952, dan istilah machine learning sendiri dipopulerkan Arthur Samuel pada 1959. Perjalanan panjang tersebut bukan garis lurus menuju keberhasilan: bidang ini dua kali mengalami masa pendanaan menyusut yang kini dikenal sebagai AI winter, sebelum akhirnya bangkit lewat tiga gelombang besar yang bergantian dominan. Pada chapter ini kita akan menelusuri linimasa temuan penting, lalu membaca tiga gelombang tersebut — AI simbolik, pembelajaran statistik, dan deep learning — sebagai satu cerita utuh.
Linimasa Temuan Penting #
Tabel berikut merangkum tonggak-tonggak yang paling sering dirujuk dalam literatur machine learning. Kolom dekade membantu kita melihat di mana ide-ide tersebut menggerombol.
| Dekade | Tahun | Tonggak | Makna bagi machine learning |
|---|---|---|---|
| 1940-an | 1943 | McCulloch dan Pitts menerbitkan model neuron matematis | Fondasi konseptual jaringan saraf: neuron sebagai unit hitung sederhana. |
| 1950-an | 1950 | Alan Turing mengusulkan uji Turing | Tolok ukur perilaku cerdas pada mesin sekaligus pertanyaan dasar filsafat AI. |
| 1950-an | 1952 | Arthur Samuel memprogram pemain dam yang belajar dari pengalaman | Program pertama yang meningkat kinerjanya lewat praktik, cikal bakal definisi machine learning. |
| 1950-an | 1957 | Frank Rosenblatt menciptakan perceptron | Algoritme pembelajaran berbasis neuron pertama yang benar-benar diimplementasikan pada perangkat. |
| 1960-an | 1969 | Minsky dan Papert menerbitkan buku Perceptrons dengan kritik masalah XOR | Minat riset jaringan sarap menurun drastis; menjadi konteks AI winter pertama. |
| 1980-an | 1986 | Rumelhart, Hinton, dan Williams memopulerkan backpropagation | Jaringan sarap berlapis banyak akhirnya dapat dilatih secara praktis. |
| 1990-an | 1995 | Cortes dan Vapnik memformalkan SVM; Ho merintis random decision forests | Era metode berlandaskan teori statistik yang kuat dan efisien. |
| 1990-an | 1997 | Hochreiter dan Schmidhuber memperkenalkan LSTM | Jaringan sarap berulang yang mampu mengingat konteks panjang pada data berurutan. |
| 1990-an | 1998 | LeCun membangun LeNet untuk pengenalan digit tulisan tangan | Bukti awal jaringan sarap konvolusional yang dipakai secara komersial. |
| 2000-an | 2001 | Breiman menerbitkan makalah Random Forests | Metode ensemble yang hingga kini menjadi andalan data tabular. |
| 2000-an | 2006 | Hinton dan rekan merancang deep belief nets yang dapat dilatih bertahap | Lahirnya kembali minat pada jaringan berlapis dalam; istilah deep learning menyebar. |
| 2010-an | 2012 | AlexNet memenangkan kompetisi ImageNet dengan selisih besar | Kombinasi GPU, dataset raksasa, dan jaringan dalam menggeser standar pengenalan citra. |
| 2010-an | 2014 | Goodfellow dan rekan memperkenalkan generative adversarial network (GAN) | Dua jaringan berlatih bersama mampu menghasilkan data sintetis yang menyerupai data asli. |
| 2010-an | 2017 | Vaswani dan rekan menerbitkan arsitektur Transformer (Attention Is All You Need) | Momen kunci pemrosesan bahasa: arsitektur berbasis attention sepenuhnya. |
| 2010-an–kini | 2018+ | Era BERT, GPT, dan model bahasa besar | Pelatihan awal (pre-training) berskala besar menjadi pola standar industri. |
Dari tabel tersebut terlihat pola: ide jaringan sarap sudah tua, tetapi baru pada 2012-an komputasi dan data yang memadai tersedia bersamaan. Sejarah machine learning memang sejarah tiga faktor yang saling menunggu — algoritme, data, dan daya komputasi.
Gelombang Pertama: AI Simbolik dan Musim Dingin Pertama #
Gelombang pertama AI berjalan lewat pendekatan simbolik: kecerdasan dimodelkan sebagai manipulasi simbol dan aturan yang ditulis manusia. Program pembuktian teorema dan sistem pakar era 1970–1980-an mengemas pengetahuan pakar menjadi ratusan aturan if/else. Pendekatan simbolik berhasil pada ranah sempit, tetapi rapuh ketika menghadapi dunia nyata yang penuh pengecualian — persis keterbatasan yang kita bahas pada chapter Apa itu Machine Learning?.
Benang cerita machine learning pada periode ini diwakili perceptron Rosenblatt (1957), neuron buatan yang belajar mengubah bobotnya sendiri. Euforia awal pecah ketika Minsky dan Papert membuktikan secara matematis pada 1969 bahwa perceptron berlapis tunggal tidak mampu menghitung fungsi XOR sederhana. Kritik tersebut — ditambah laporan evaluasi yang pesimistis terhadap riset AI pada awal 1970-an — membuat pendanaan pemerintah, terutama di Amerika Serikat, tersumbat. Periode mandek inilah yang disebut AI winter pertama.
Gelombang Kedua: Pembelajaran Statistik #
Pada 1990-an, titik berat bergeser ke pendekatan statistik: model belajar dari data dengan jaminan teoretis yang lebih kuat. Support Vector Machine (Cortes–Vapnik, 1995) berakar pada teori pembelajaran statistik yang mampu menjelaskan kapan generalisasi baik tercapai. Metode ensemble seperti random forests (perintisan Ho 1995, dirapikan Breiman 2001) menggabungkan banyak pohon keputusan sederhana menjadi prediktor yang tangguh. Pada gelombang inilah machine learning menemukan bahasa bersamanya dengan statistika: bias, variance, regularisasi, dan validasi silang.
Gelombang kedua menghasilkan alat yang tetap dipakai sampai sekarang. SVM dan random forests menjadi standar de facto untuk data tabular berukuran sedang — ranah tempat mayoritas masalah bisnis nyata berada. Karena itu pula Course ini memusatkan praktik pada algoritme klasik keluaran gelombang kedua, bukan hanya pada model yang sedang tren.
Gelombang Ketiga: Deep Learning #
Gelombang ketiga dimulai dari kebangkitan jaringan sarap berlapis dalam. Backpropagation (1986) memberi cara melatih lapisan tersembunyi; deep belief nets (2006) menunjukkan lapisan dalam dapat diinisialisasi secara bertahap. Momen yang mengubah segalanya tiba pada 2012: AlexNet, jaringan konvolusional dalam yang dilatih pada dua GPU, memenangkan kompetisi ImageNet dengan tingkat galat jauh di bawah peserta lain. Tiga bahan kuncinya — dataset berisi lebih dari satu juta citra, GPU, dan arsitektur yang lebih dalam — akhirnya hadir bersamaan.
Setelah 2012, kemajuan beruntun terjadi: GAN (2014) untuk pembangkitan data, LSTM yang telah ada sejak 1997 kembali dipakai luas untuk teks dan suara, lalu Transformer (2017) menggantikan jaringan berulang pada pemrosesan bahasa. Era 2018+ ditandai model bahasa besar seperti BERT dan GPT yang dilatih awal pada korpus raksasa lalu disesuaikan untuk tugas spesifik. Pola pre-training berskala besar tersebut kini menjadi kerangka kerja dominan di industri.
Pola yang Berulang #
Membaca ketiga gelombang tersebut, dua pola berulang terlihat jelas. Pertama, kemajuan besar selalu muncul ketika teknik, data, dan komputasi hadir bersamaan — bukan ketika satu ide jenius lahir sendirian. Perceptron menunggu puluhan tahun sampai data dan GPU memadai; Transformer melaju cepat karena keduanya sudah tersedia. Kedua, ekspektasi pasar selalu melesat lebih jauh dari kemampuan teknis, sehingga siklon kegembiraan dan kekecewaan berulang. Siklus tersebut menuntut sikap tenang dari praktisi: pahami kemampuan dan batasan setiap metode.
Sejarah memberi kita peta besar; langkah berikutnya adalah memahami keragaman cara model belajar. Tiga paradigma utama — supervised, unsupervised, dan reinforcement learning — akan kita bedah pada chapter Jenis Pembelajaran Machine Learning.
Referensi Resmi #
- Support Vector Machines — scikit-learn User Guide — dokumentasi resmi algoritme keluaran gelombang pembelajaran statistik.
- Ensemble methods: forests of randomized trees — scikit-learn User Guide — dokumentasi resmi random forests yang berakar pada makalah Breiman tahun 2001.