Teknik ML di mana model yang sudah dilatih untuk satu task dipakai ulang sebagai titik awal untuk task lain, sehingga nggak perlu mulai dari nol.
Bayangin kamu udah jago main gitar. Pas mau belajar bass, kamu nggak mulai dari nol, kan? Pemahaman tentang chord, ritme, dan teori musik yang udah kamu punya langsung berguna. Transfer Learning di ML persis kayak gitu.
Transfer Learning adalah teknik di mana "pengetahuan" yang udah dipelajari model dari satu tugas dipakai sebagai fondasi untuk tugas lain yang mungkin berbeda tapi punya kesamaan tertentu. Model yang sudah di-train di task A bisa di-repurpose untuk task B, terutama kalau task B punya data yang lebih sedikit.
Training model dari nol (from scratch) butuh dua hal yang sering kali mahal: data berlabel dalam jumlah besar dan computational resource yang signifikan. Transfer Learning memotong keduanya secara drastis.
Contoh nyata: GPT, BERT, dan model bahasa besar (LLM) dilatih di corpus teks yang sangat besar. Developer bisa ambil model ini dan sesuaikan untuk tugas spesifik seperti analisis sentimen review produk Indonesia dengan data yang jauh lebih sedikit.
| Tahap | Yang Terjadi |
|---|---|
| Pre-training | Model dilatih di dataset besar dan general, misalnya jutaan gambar atau miliaran token teks |
| Feature extraction | Layer-layer awal model yang sudah di-train dipakai langsung dan dibekukan (frozen), hanya layer akhir yang baru |
| Fine-tuning | Semua atau sebagian layer di-train ulang dengan learning rate kecil menggunakan data target |
Transfer Learning paling efektif ketika:
Kunci keberhasilan Transfer Learning adalah seberapa mirip source task dan target task. Makin mirip domain-nya, makin besar kemungkinan transfer pengetahuannya efektif.
Udah paham Transfer Learning? Lanjut latihan SQL dan Excel yuk!
Latihan interaktif, langsung di browser.