Di era saat ini, industri di seluruh dunia menerapkan automasi dan memanfaatkan berbagai teknologi seperti Machine Learning (ML) dalam operasional bisnis. Perusahaan berlomba-lomba untuk mengintegrasikan teknologi machine learning untuk memudahkan kegiatan mereka dalam menjalankan bisnis. Bahkan, tak hanya di perusahaan yang bergerak di bidang teknologi saja, teknologi ML juga banyak diterapkan di industri lainnya seperti kesehatan, pendidikan, dan lain sebagainya.
Secara definisi, machine learning adalah sebuah mesin yang diciptakan agar bisa belajar layaknya manusia. Teknologi ML ini bisa menangkan data dan memungkinkan mesin melakukan pembelajaran dan menciptakan suatu algoritma atau sistem yang tercipta dari data untuk membentuk suatu model yang nantinya digunakan untuk menentukan kelas dan tipe dari data baru agar mesin bisa menciptakan prediksi atau keputusan dari data yang sudah diperoleh.
Contoh hasil penerapan machine learning yang pastinya sering kamu jumpai sehari-hari adalah fitur face recognition di handphone. Faktanya, handphone yang kamu gunakan itu sudah diajarkan untuk bisa mengidentifikasi wajah kamu agar bisa terbuka jika menangkan ada gambar wajah kamu. Makanya, jika teman kamu mencoba handphone kamu maka ponsel tidak akan terbuka. Fakta menariknya, selain satu contoh ini ternyata ada banyak contoh hasil penerapan machine learning dari perusahaan-perusahaan yang pastinya sering kamu dengar namanya. Penasaran apa saja? Simak artikel ini sampai akhir!
BACA JUGA: Contoh Artificial Intelligence di Kehidupan Sehari-hari
Mengenal 4 Tipe Machine Learning
Sebelum mengetahui contoh penerapan machine learning di berbagai perusahaan. Kamu harus mengetahui dulu 4 jenis machine learning yang banyak diterapkan di perusahaan-perusahaan. Berikut penjelasan lengkapnya:
Machine Learning – Supervised Learning
Supervised learning atau bisa juga disebut algoritma terbimbing adalah tipe ML yang kerjanya menggunakan data yang sudah memiliki label, data tersebut akan digunakan untuk melatih algoritma agar bisa digunakan pada proses klasifikasi. Beberapa contoh algoritma supervised learning adalah:
- Regresi linear
- K-nearest neighbor
- Support vector machine
- Random forest
- Naive bayes classifier
BACA JUGA: Panduan Membuat Portofolio Data Science Untuk Pemula
Machine Learning – Unsupervised Learning
Selanjutnya tipe kedua adalah unsupervised learning yaitu tipe ML yang dalam prosesnya data digunakan sebagai inputan yang tidak memiliki label. Nantinya algoritma atau model akan belajar mengenai pola dalam data lalu menentukan korelasinya, oleh karena itu dalam tipe unsupervised learning ini tidak memerlukan data training atau data testing. Beberapa contoh unsupervised learning adalah:
- k-means
- Hierarchical clustering
- dbscan
- fuzzy c-means
Machine Learning – Semi Supervised Learning
Tipe ketiga adalah semi supervised learning yaitu metode yang melibatkan data mulai dari yang jumlahnya kecil hingga jumlahnya besar. Tipe semi supervised learning ini memiliki dua metode yang bisa dilakukan yaitu self training dan co training. Beberapa contoh penerapan dari semi supervised learning adalah:
- Speech recognition
- Web contest classification
- Document classification
Reinforcement Learning
Terakhir, tipe reinforcement learning yang memiliki agent untuk berinteraksi dengan lingkungan, belajar, dan bertindak berdasarkan pengalaman. Reinforcement learning adalah tipe algoritma ML yang bisa membuat agent dan mesin bekerja otomatis untuk menentukan perilaku ideal sehingga bisa memaksimalkan kinerjanya. Contoh reinforcement learning:
- Monte carlo methods
- Temporal difference learning
- Q-Learning
BACA JUGA: Rekomendasi Data Sources Gratis untuk Data Visualization
Contoh Penerapan Machine Learning di Netflix
Contoh penerapan machine learning dari perusahaan populer adalah Netflix yaitu perusahaan yang bergerak di bidang jaringan televisi internet. Netflix jadi platform streaming populer terutama di kalangan Gen Z bahkan memiliki lebih dari 36 juta pelanggan di lebih dari 40 negara di seluruh dunia. Netflix menggunakan teknologi ML salah satunya untuk mengembangkan recommender system atau sistem rekomendasi yang digunakan Netflix untuk memberi rekomendasi secara personal kepada pengguna berdasarkan preferensi dan perilaku mereka.
Tentunya sistem rekomendasi ini memberikan manfaat yang besar bagi Netflix karena bisa membantu pengguna untuk membantu menemukan konten yang sesuai dengan minat dan preferensi mereka. Pada penerapannya, Netflix menggunakan beberapa pendekatan ML seperti:
Collaborative Filtering
Netflix menggunakan metode ML dengan metode collaborative filtering untuk menganalisis pola-pola yang dibuat oleh pengguna seperti:
- Kesamaan preferensi
- Perbedaan preferensi
Untuk nantinya diberikan rekomendasi. Contohnya, pengguna A dan pengguna B memiliki preferensi yang serupa dalam beberapa film, misalnya film Korea, maka sistem akan merekomendasikan film yang disukai oleh pengguna A dan pengguna B juga.
Content Based Filtering
Netflix menggunakan metode ini untuk menganalisis atribut pada setiap konten film yang ada seperti:
- Genre
- Aktor
- Sutradara
Sistem rekomendasi akan mencocokan atribut ini dengan preferensi pengguna dan memberikan rekomendasi dari kesesuaian yang ada.
Hybrid Filtering
Terakhir, Netflix menggabungkan metode-metode sebelumnya untuk memberikan rekomendasi yang lebih akurat dan komprehensif dengan memanfaatkan informasi dari berbagai sumber nantinya sistem rekomendasi dapat memberikan hasil yang lebih relevan dan personal. Dalam penerapannya juga Netflix menggunakan 3 jenis algoritma ML seperti:
Algoritma Personalized Video Ranking
Algoritma ini dibuat untuk memberikan rekomendasi yang dipersonalisasi berdasarkan preferensi pengguna. Algoritma ini menggunakan informasi mengenai:
- Riwayat penonton
- Penilaian atau ulasan
Dengan menganalisis data ini, algoritma ML bisa mengidentifikasi pola-pola dan kesamaan dalam preferensi pengguna.
Algoritma Top-N Ranker
Selanjutnya, algoritma ini bertujuan untuk menyajikan daftar video teratas yang direkomendasikan kepada pengguna. Algoritma ini menggunakan berbagai faktor penentu seperti:
- Popularitas
- Kualitas
- Interaksi pengguna sebelumnya
Algoritma ini akan memilih video yang memiliki peringkat tertinggi dalam kriteria-kriteria tersebut untuk menyajikan daftar video teratas kepada pengguna.
Algoritma Popularity Ranker
Algoritma ini berfokus untuk menampilkan video yang populer secara umum kepada pengguna. Algoritma ini menggunakan:
- Jumlah tayangan
- Jumlah suka
- Jumlah share
Algoritma ini memprioritaskan video yang sedang tren atau viral dan seringkali menyajikan video yang populer di kalangan pengguna pada umumnya.
Contoh Penerapan Machine Learning di Airbnb
Pasti kamu sudah tidak asing dengan perusahaan Airbnb. Pernahkan kamu penasaran bagaimana cara Airbnb menyortir dan menyajikan daftar penginapannya saat kamu mencari tempat menginap? Jawabannya adalah machine learning. Lengkapnya, berikut contoh penerapan machine learning di Airbnb:
Menentukan Preferensi Host
Machine learning digunakan oleh perusahaan Airbnb untuk mengetahui hal-hal yang mempengaruhi keputusan host dalam menerima customer. Pada penerapannya, Airbnb akan menggunakan query dan eksperimen dari data dari host dan pengguna supaya host dan pengguna bisa cocok satu sama lain.
Contohnya, host ingin mendapatkan customer yang maksimal check-in jam 11 malam, Airbnb akan mengolah data tersebut dan mencocokan customer yang preferensinya sama.
Mengurangi Risiko Penipuan
Machine learning sangat berperan penting untuk Airbnb mengurangi risiko penipuan finansial. Airbnb memanfaatkan:
- Machine learning
- Analisis data
Untuk mengidentifikasi dan memblokir penipu sekaligus meminimalkan dampak penipuan. Salah satu contoh risiko penipuan yang dihadapi Airbnb adalah penipu yang menggunakan kartu kredit curian. Oleh karena itu untuk menghentikan penipuan tersebut Airbnb akan menggunakan 3-D Secure yang memastikan perusahaan kartu kredit secara langsung mengatutentikasi pemegang kartu melalui SMS.
Listing Home Recommendation
Baru-baru ini, Airbnb mengeluarkan fitur Listing Embedding dengan tujuan meningkatkan rekomendasi daftar serupa dan personalisasi real-time dalam peringkat pencarian. Penyematan tersebut merupakan representasi Airbnb yang dipelajari dari sisi pencarian menggunakan beberapa code seperti:
- Lokasi
- Harga
- Tipe listingan
- Arsitektur
Contoh Penerapan Machine Learning di eFishery
Jika sebelumnya adalah dua contoh perusahaan global, contoh terakhir ini datang dari perusahaan asal Indonesia yaitu eFishery. Salah satu produk yang dikeluarkan eFishery adalah eFeeder yang mempermudah pemberian pakan dalam proses budidaya ikan. Alat pemberi pakan otomatis ini dapat diatur melalui handphone sesuai dengan keinginan dan kebutuhan budidaya. Untuk menentukan seberapa banyak pakan yang dibutuhkan oleh ikan atau udang, eFishery menggunakan teknologi machine learning. Alat eFeeder ini menggunakan sensor untuk mengumpulkan data seperti:
- Volume pakan
- Konsumsi dan waktu pemberian pakan
- Getaran air dari perilaku ikan
Lalu data-data ini dikirimkan ke cloud. Lewat analisis dengan machine learning, jumlah pakan yang optimal ditentukan dan ditebar. Angka efektivitas pemberian pakan (Feed Conversion Ratio) pun meningkat.
Mengutip Kompas, eFishery mengklaim sistem pemberian pakan otomatis ini mengurangi biaya pakan hingga 21 persen. Pembudidaya juga bisa:
- Mengakses data yang dikumpulkan ke cloud
- Mengelola kolam dari jarak jauh menggunakan aplikasi eFishery yang terpasang di ponsel
- Memantau kondisi ikan atau udang
- Mendeteksi dan mencegah penyakit
Belajar Machine Learning Bersama Digital Skola
Itulah penjelasan machine learning dan contoh penerapan machine learning. Jika kamu tertarik untuk belajar lebih banyak mengenai machine learning, kamu bisa belajar di Bootcamp Data Science Digital Skola. Di kelas ini kamu akan belajar banyak mengenai machine learning seperti:
- Teori-teori dan pendekatan machine learning & data mining, serta membuat pattern
- Mengenal classification beserta metode-metodenya (K-NN, decision tree, multiclass, dsb).
- Mengenal konsep regression (Decision tree, evaluation metrics dan model validation)
- Mempelajari K-Means, DB scan dan hierarchical clustering
- Mempelajari evaluation metrics dan model selection
- Melakukan standardisasi, normalisasi, dan split data
- Menyeimbangkan data yang sudah ada menggunakan feature selection dan dimensionality reduction
- Menyimpan model-model machine learning
- Mengenal HTML, Flask, dan model machine learning API.
Info lengkap klik button di bawah!
