1. Startup

Memahami Dasar-dasar “Data Science” untuk Bisnis (Bagian 4)

Machine Learning dalam menyusun data prediktif

Machine Learning (ML) menjadi salah satu teknologi yang akhir-akhir ini banyak diperbincangkan. Perannya bisa bermacam-macam, salah satu yang sudah mulai banyak realisasinya ialah untuk membangun sebuah sistem dengan kecerdasan buatan, misalnya layanan chatbot. Dalam praktik Data Science, konsep ML turut diberlakukan. Pengertian ML di sini adalah penerapan model algoritmik terhadap data, dengan cara yang iteratif, sehingga komputer dapat menemukan pola tersembunyi atau tren yang dapat digunakan untuk membuat prediksi.

Beberapa contoh pemanfaatan ML dalam kebutuhan proyeksi data yang saat ini ada misalnya untuk kebutuhan real-time internet advertising, spam filtering, search egine, recommendation engine, dan sebagainya. Pada dasarnya gambaran untuk proses sederhana ML dalam data ada tiga tahapan, yakni penyiapan data, pembelajaran data, dan aplikasi data. Sistem bergerak secara berkelanjutan mempelajari setiap masukan data, dengan memvalidasi dan menguji hingga menghasilkan akurasi data untuk proyeksi.

Konsep ilmu dasar dalam implementasi ML adalah statistik dan ilmu komputer. Lalu kedua konsep tersebut disusun dengan berbagai model, ada tiga tepatnya yang populer saat ini, yaitu Supervised Algorithms, Unsupervised Algorithms, dan Semi-Supervised/Reinforcement Algorithms. Perbedaan antara ketiganya ialah pada pelabelan masukan data, karena ini menjadi salah satu kunci pada pemrosesan berikutnya. Komputer harus mampu memahami dan memilah tipikal data tersebut dan mengelompokkan sesuai kategori yang ditunjuk.

Model Roinforcement menjadi yang paling relasional, sistem mempelajari tingkah laku secara komprehensif. Model ini mencoba mengadopsi cara berpikirnya manusia untuk belajar yang saat ini masih terus dieksplorasi untuk penerapan dan studi kasusnya.

Apa yang bisa dilakukan dengan data dan Machine Learning?

Peruntukan konsep ML sangat bergantung dengan pendekatan algortima yang digunakan. Saat ini ada banyak sekali temuan algoritma untuk pembelajaran mesin tersebut. Masing-masing dapat diterapkan pada fungsionalitas khusus. Sehingga sebelum menerapkan suatu konsep ML, pastika untuk terlebih dulu memahami tentang masing-masing pendekatan algoritma yang tersedia, agar mendapati proses yang lebih optimal.

Algoritma Machine Learning / Jixta

Sebagai contoh untuk pengguna aplikasi Gmail di ponsel, ada yang namanya fitur Smart Reply. Sebuah opsi tombol yang berisi balasan muncul ketika ada email masuk di aplikasi. Misalnya emailnya seputar ajakan untuk melakukan sesuatu, sistem akan melihat kalender yang terintegrasi lalu mengusulkan waktu yang tepat. Apa yang dilakukan oleh sistem ialah mempelajari secara mendalam susunan kata dan maknanya yang ada di dalam badan email tersebut, sehingga dapat disimpulkan tipikal email tersebut apakah sebuah informasi, undangan, atau lain sebagainya.

Fitur Smart Reply di Gmail Apps / Google

Contoh lain penerapan fitur ini adalah pada layanan Facebook. Ketika mengunggah sebuah foto bersama teman-teman, biasanya secara otomatis Facebook sudah memberikan rekomendasi orang-orang yang di-tag di foto tersebut. Fitur ini bernama DeepFace. Sama, menggunakan metode Deep Learning untuk menemukan sebuah keluaran prediktif. Deep Learning ini merupakan model ML yang menggunakan hierarchical neural network untuk mempelajari data pada cara yang iteratif dan adaptif. Cara ini efektif untuk mempelajari pola data yang tidak memiliki label atau tidak terstruktur.

Masih banyak algoritma lain yang dapat diterapkan untuk pemecahan kasus berbeda. Namun pada dasarnya semua akan bergantung pada satu masukan yang disebut dengan data. Semakin detail dan banyak data yang diberikan, sistem akan mempelajari lebih banyak hal.

Pada penerapannya Machine Learning tidak akan berjalan secara standalone. Berbagai konsep lain dalam Data Science seperti Big Data masih akan terlibat, misalnya untuk membuat analisis real-time dalam pembelajaran data –salah satunya menggunakan Apache Spark. Sehingga dapat disimpulkan bahwa pembelajaran tentang Data Science sangatlah luas. Data sendiri masih banyak potensi untuk dieksplorasi. Ke depan diyakini masih akan banyak konsep baru yang lahir terkait dengan pengelolaan data, khususnya guna menunjang kebutuhan bisnis.

- Baca juga seri tulisan sebelumnya:

Are you sure to continue this transaction?
Yes
No
processing your transaction....
Transaction Failed
Try Again

Sign up for our
newsletter

Subscribe Newsletter
Are you sure to continue this transaction?
Yes
No
processing your transaction....
Transaction Failed
Try Again