Bagaimana cara Google map memprediksi waktu tempuh ? Mungkin kita berpikir, menggunakan rumus waktu = jarak / kecepatan rata-rata pengendara. Tapi pendekatan ini memiliki kelemahan, yaitu tidak memperhitungkan macet yang mungkin disebabkan banyak faktor : jam, hari, lampu merah, hujan atau tidak, dan lain-lain.
Akan sangat mustahil membuat aturan yang mampu meng-cover seluruh kondisi. Tidak mungkin membuat jutaan aturan IF-THEN untuk setiap jalan di dunia, misalnya : jika jalan Pramuka DAN hari Senin DAN jam 8 pagi DAN hujan MAKA kecepatan = 5 km/jam. Cara seperti ini terlalu rumit dan kaku, tidak bisa beradaptasi dengan kondisi real di jalan.
Pendekatan yang lebih baik adalah belajar dari data. Dari milyaran data histori pengguna jalan Google Map, lalu Google map belajar dari data itu, lalu Google Map mampu memprediksi sekaligus merekomendasikan jalan yang terbaik untuk kita. Nah inilah MACHINE LEARNING (ML), proses “menyuruh komputer belajar dari pola dara (contoh)”.
Analoginya :
Cara lama : Kita memberi resep (aturan) ke Koki (komputer) untuk memasak.
Cara baru : Kita memberi 1000 contoh masakan jadi (data) ke Koki (komputer) dan menyuruhnya mencari tahu sendiri resepnya.
Komputer akan “belajar” dan menghasilkan sebuah “model” (intuisi buatan). Model ini menemukan pola: “Oh, ternyata di jalan Pramuka, pola setiap hari Senin pagi itu selalu terjadi penumpukan kendaraan. Kecepatan rata-rata turun drastis. Jadi, prediksi saya bukan 10 menit, tapi 50 menit.”
Keren kan ! Dan ternyata, masalah yang dapat diselesaikan dengan Machine Learning tidak hanya prediksi waktu tempuh. 4 hal yang bisa dilakukan Machine Learning:
- Memprediksi Angka (Regresi). Ini bertujuan untuk menjawab pertanyaan “Berapa …?”. Contohnya: Prediksi harga rumah, prediksi kapan waktu driver Gojek tiba.
- Mengelompokkan (Klasifikasi). Ini bertujuan untuk menjawab pertanyaan “Ini masuk grup yang mana …?. Contoh: klasifikasi email spam, klasifikasi transaksi kartu kredit (penipuan / bukan), klasifikasi foto hewan.
- Mencari grup (Clustering). Ini bertujuan untuk menjawab pertanyaan “Ada grup apa saja di data ini…?. Kita tidak tahu grupnya di awal. Contoh: mengelompokkan pelanggan di marketplace.
- Re-enforcement Learning. Di sini, ML nya menerima feedback biar bisa lebih pinter.
Kualitas prediksi bergantung pada data. Jika data yang kita berikan salah, tidak lengkap, atau ngawur, maka prediksi model ML nya juga akan ngawur.
Dalam proses ML, ada data training, ada data test. Model belajar menggunakan 90% data yang kita miliki, data ini disebut data training. Kita “menguji” model menggunakan 10% data sisa. Data ini disebut data testing. Tujuannya untuk melihat apakah model benar-benar “pintar”.
Machine Learning merupakan bagian dari landscape keilmuan AI (Artificial Intelligence / Kecerdasan Buatan). AI ditujukan untuk membuat mesin agar bertindak cerdas seperti manusia. Sedangkan ML adalah cabang keilmuan dari AI yang membuat mesin cerdas dengan belajar dari data. Kemudian ada cabang dari ML yang disebut Deep Learning (DL) yang menggunakan “jaringan saraf tiruan” meniru cara kerja otak manusia. Umumnya model AI modern menggunakan Deep Learning. Yang paling keren, yang pasti semua pakai sekarang adalah Generative AI, ini adalah model yang dapat menciptakan data baru, contohnya ChatGPT.
Nah, jika kita ingin belajar ML atau ingin menggunakan ML, ada beberapa tools yang perlu kita gunakan. Yang paling sering digunakan bahasa pemrograman Python beserta librarynya seperti Scikit-Learn, TensorFlow dan PyTorch. Scikit-Learn adalah library Python ML yang sangat populer. Cocok untuk pemula. Biasanya untuk klasifikasi dan regresi. Sedangkan TensorFlow dan PyTorch dipakai dalam Deep Learning yang menggunakan jaringan saraf tiruan.
Kita sambung di artikel berikutnya yah, masih panjang nih. See you.