Machine Learning: Panduan Praktis Sebelum Memulai

Apa yang sebenarnya dikerjakan machine learning

Machine learning adalah cara membuat komputer menemukan aturan sendiri dari contoh, alih-alih Anda menuliskan aturannya satu per satu. Kalau Anda bisa menjelaskan aturannya dengan jelas, misalnya "diskon 10% untuk pembelian di atas satu juta" - Anda tidak butuh machine learning, cukup kode biasa yang lebih cepat, lebih murah, dan bisa diperiksa.

Machine learning baru masuk akal ketika aturannya terlalu rumit atau terlalu banyak untuk ditulis manual: memperkirakan permintaan bulan depan dari puluhan faktor, mengenali pola pembelian, atau menilai risiko kredit. Intinya bukan kecanggihan, melainkan apakah polanya memang ada di data Anda.

Kapan machine learning bukan jawabannya

Kalau data Anda sedikit, puluhan atau ratusan baris, machine learning hampir pasti kalah dibanding penilaian manusia yang paham bidangnya. Kalau keputusannya harus bisa dipertanggungjawabkan secara hukum atau audit, model yang sulit dijelaskan justru menyulitkan. Kalau masalahnya sebenarnya soal proses yang berantakan atau data yang tidak pernah dicatat rapi, machine learning tidak akan memperbaikinya, dan sering hanya menutupi akar masalahnya. Dan kalau yang Anda butuhkan cuma laporan atau ringkasan, itu urusan analisis data biasa, bukan machine learning.

Alur kerja proyek machine learning

Urutan ini terlihat sederhana, tapi bagian yang memakan waktu hampir selalu di awal. Menyiapkan data biasanya menghabiskan jauh lebih banyak waktu daripada melatih modelnya.

1. 1Rumuskan keputusan apa yang mau dibantu, bukan teknologi apa yang mau dipakai. "Menurunkan barang kedaluwarsa 20%" bisa diukur; "menerapkan AI" tidak.
2. 2Periksa datanya lebih dulu. Berapa banyak, sejak kapan, siapa yang mencatat, dan seberapa sering salah. Kalau jawabannya tidak jelas, hentikan dulu di sini.
3. 3Bangun tolok ukur paling sederhana, misalnya menebak dengan rata-rata. Model apa pun yang tidak mengalahkan ini tidak layak dilanjutkan.
4. 4Latih beberapa model sederhana sebelum yang rumit. Model sederhana sering sudah cukup, dan jauh lebih mudah dijelaskan ke atasan atau klien.
5. 5Uji dengan data yang belum pernah dilihat model, dan pastikan pembagiannya mengikuti waktu kalau datanya berurutan. Kalau tidak, angkanya akan terlihat bagus tapi menipu.
6. 6Rencanakan pemantauan sejak awal. Model menurun kualitasnya seiring perubahan kondisi, tanpa pemantauan, penurunan itu tidak akan ketahuan sampai merugikan.

Alasan proyek machine learning gagal

Dari yang kami temui, kegagalan jarang disebabkan algoritmanya kurang canggih:

• Data dikumpulkan setelah proyek dimulai. Kalau pencatatan baru dirapikan sekarang, model baru bisa dilatih tahun depan.
• Akurasi dikejar tanpa melihat biaya kesalahan. Model dengan akurasi 95% bisa berbahaya kalau 5% yang meleset justru kasus yang paling merugikan.
• Tidak ada yang bertanggung jawab setelah model jadi. Model yang tidak dipantau akan menyimpang perlahan tanpa ada yang menyadari.
• Hasil model tidak masuk ke proses kerja. Prediksi yang cuma berhenti di dashboard tidak mengubah keputusan apa pun.