Apa itu Machine Learning? Berikut 3 Implementasinya di Kehidupan Sehari-Hari

Data Science dan Machine Learning merupakan istilah yang sering sekali muncul dan didengar di kalangan data enthusiast. Banyak orang dari berbagai latar belakang yang berbeda mulai mempelajari ilmu data science. Baik orang dengan latar belakang computer science, statistics, mathematics, bahkan hingga orang dengan latar belakang yang tidak memiliki korelasi secara langsung dengan data science seperti linguistik pun turut serta mempelajarinya. Banyaknya pihak yang serempak mempelajari ilmu ini tidak hanya dikarenakan Data Science dan Machine Learning membuka kesempatan pekerjaan yang menjanjikan, tapi juga karena Data Science dan Machine Learning adalah alasan di balik banyak kecanggihan teknologi yang kita temukan di sekitar kita. 

Mulai dari prediksi cuaca hingga self-driving car merupakan teknologi yang juga menggunakan Data Science dan Machine Learning sebagai landasannya. Lalu apa sebenarnya yang dimaksud dengan Data Science dan Machine Learning? Mungkin kita telah mendengar banyak definisi mengenai kedua istilah tersebut. Namun, kali ini, untuk mempermudah kita memahami apa itu Data Science dan Machine Learning, kita akan coba untuk melihat beberapa implementasinya dalam kehidupan kita sehari-hari.

Oleh karena itu, DQLab akan berbagi tentang tiga implementasi Machine Learning yang mungkin secara tidak sadar sering kita temukan di kehidupan sehari-hari. Bahkan tidak menutup kemungkinan kita adalah salah satu pengguna dari produk hasil Machine Learning tersebut. Lalu apa saja implementasi dari Machine Learning tersebut? Yuk simak terus penjelasan dalam artikel ini!

1. Recommendation System

Salah satu contoh implementasi Data Science dan Machine Learning yang paling sering kita temukan dalam kehidupan sehari-hari adalah recommendation system. Recommendation System adalah suatu algoritma Machine Learning yang dibuat untuk mempelajari perilaku dari seseorang dan mengetahui apa yang kemungkinan lebih disukainya sehingga kita dapat memberikan rekomendasi produk/jasa dengan lebih tepat. 

Sebagai contoh, Netflix. Apakah anda termasuk orang yang menggunakan Netflix? Jika iya, maka anda pasti pernah melihat di salah satu bagian di aplikasi tersebut ada bagian "best picks for ¦.". Mungkin anda pernah bertanya "Bagaimana Netflix mengetahui bahwa saya menyukai film Avengers?" "Bagaimana Netflix memberikan rekomendasi film lain sesuai kesukaan saya padahal saya belum pernah menontonnya dan memberikan rating terhadap film apapun?". Jawabannya adalah dengan Recommendation System. 

Dengan Recommendation System, Netflix dapat melakukan setidaknya 2 hal; pertama, netflix dapat mempelajari perilaku historis (historical behavior) kita dalam menonton film. Film dengan genre seperti apa yang kita lebih sukai, aktor mana, durasi berapa, film produksi siapa, dan lain sebagainya. Berdasarkan pengetahuan ini, Netflix dapat memberikan kita rekomendasi film untuk kita tonton selanjutnya. Metode ini dalam recommendation system diistilahkan dengan "content-based filtering".  

Kedua, Netflix juga dapat memberikan rekomendasi film dengan melakukan yang namanya "collaborative filtering". Berbeda dengan content-based filtering, collaborative filtering tidak mempelajari data perilaku historis kita dalam menonton suatu film. Dalam collaborative filtering, Netflix memberikan rekomendasi berdasarkan perilaku orang lain yang juga menonton film yang sama. Semisal, orang-orang yang nonton film Avengers biasanya juga menonton film Iron Man, sehingga kita yang baru saja menonton film Avengers akan disarankan untuk juga menonton film Iron Man. 

Baca Juga : Belajar Machine Learning Python, Yuk Bangun Portofolio Datamu Sekarang!

2. Market Basket Analysis

Contoh implementasi dari Data Science dan Machine Learning yang selanjutnya adalah Market Basket Analysis. Market Basket Analysis merupakan penerapan Machine Learning yang bertujuan untuk mempelajari data penjualan suatu produk sehingga kita dapat mengetahui produk mana lebih sering dibeli secara bersamaan. Dengan mengetahui informasi tersebut, kita dapat melakukan banyak inovasi marketing seperti membuat orimo tertentu, diskon, atau bundling produk. 

Mungkin kita bisa saja melakukan bundling produk menggunakan logika kita. Semisal, kita melakukan bundling produk roti dengan susu pada toko retail kita. Dengan asumsi, orang yang membeli roti, sepertinya akan lebih enak jika juga membeli susu. Pertanyaannya, apakah setiap orang demikian? Apakah benar nyatanya demikian? Oleh karena itu, menentukan bundling produk juga memerlukan proses Machine Learning, dan tidak hanya sekedar menggunakan logika kita saja. Semisal, jika kita pergi ke suatu pusat perbelanjaan, terkadang kita melihat ada beberapa produk yang dibundling menjadi satu di dekat kasir. Terkadang, produk-produk yang dibundling tersebut tidak memiliki korelasi. Seperti roti dengan deodoran misalnya. Hal itu mungkin saja terjadi. Lalu, bagaimana kita dapat mengetahui produk mana yang lebih sering dibeli bersamaan? Kita dapat menjawabnya menggunakan apriori algorithms. Apriori algorithms merupakan bagian dari Market Basket Analysis yang digunakan untuk mengetahui produk mana yang dibeli secara bersamaan.

3. Natural Language Processing

Penerapan Machine Learning yang selanjutnya adalah Natural Language Processing. Natural Language Processing juga merupakan salah satu contoh Machine Learning yang sering sekali kita temukan dalam kehidupan sehari-hari. Apakah anda memiliki akun Twitter? Jika iya, apakah anda pernah bertanya "Bagaimana twitter memunculkan kata-kata yang trending pada suatu waktu tertentu?". Pernahkah anda menulis review produk  online shop, dan ketika menulis review dan melihat hasil review terdapat ribuan tinjauan dari pelanggan lain. Pernahkah anda bertanya "bagaimana perusahaan dapat menghasilkan pengetahuan dan informasi dari data review produk/jasa tersebut?" Jawaban dari pertanyaan-pertanyaan itu adalah Natural Language Processing. 

Dalam NLP, kita mempelajari teknik-teknik yang digunakan untuk menganalisis data tekstual. Seperti misalnya berita, atau Tweet seseorang, atau review/tinjauan seseorang. Pada kasus twitter, Ia menggunakan Natural Language Processing untuk mencari mana kata yang lebih sering muncul dan sedang hangat diperbincangkan, kemudian ditampilkannya di bagian "trending". Untuk kasus review e-commerce produk, NLP digunakan untuk mengetahui seberapa banyak pelanggan yang puas dan memberikan review positif terhadap barang/jasa yang digunakan dan berapa banyak yang memberikan review sebaliknya. Apabila review nya hanya 5 atau 10 review, mungkin kita dapat melakukannya sendiri. Namun apabila terdapat ribuan bahkan ratusan ribu tinjauan, bagaimana kita memahami feedback dari pelanggan yang begitu banyak tersebut? Saat inilah NLP akan sangat digunakan. 

Baca Juga : Belajar Data Science Otodidak Rumah Aja Bersama DQLab

4. Yuk Mulai Belajar Membuat Model Machine Learning Bersama DQLab!

Yuk mulai pelajari dan terapkan ilmunya pada data yang kamu miliki! Sign Up untuk nikmati module GRATIS "Introduction to Data Science" dengan pengalaman belajar yang seru menyenangkan serta aplikatif pada industri nyata! Untuk kamu yang ingin mulai belajar Data Science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

• Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

• Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring

• Bangun portofolio data langsung dari praktisi data Industri

• Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":

1. Buat Akun Gratis dengan Signup di DQLab.id/signup

2. Akses module Introduction to Data Science

3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Penulis : Jihar Gifari

Editor : Annissa Widya Davita

Tags