Reporter: Feris Thia | Editor: tri.adi
Pada artikel sebelumnya sekitar dua minggu yang lalu, penulis telah membahas kemampuan machine learning untuk melakukan predictive analytics. Kegunaannya untuk ragam sektor, seperti ritel, finansial, grosir, dan logistik.
Saat ini sudah banyak tools, baik proprietary maupun open source yang dapat digunakan untuk melakukan prediksi. Beberapa tools populer adalah WEKA, R, dan Azure Machine Learning dengan interface yang lebih user friendly.
Azure Machine Learning
Teknologi machine learning buatan Microsoft dikenal dengan nama Azure Machine Learning. Ini adalah teknologi berbasis cloud yang memungkinkan para analis untuk membuat sejumlah eksperimen dengan berbagai kombinasi input data dan algoritma untuk menghasilkan model prediksi (prediction model).
Baru saja dirilis bulan Februari tahun ini, Azure Machine Learning mendapat respon positif, dan langsung dikenal sebagai game changer. Sebab, kapasitasnya untuk memproses data dengan jumlah besar secara cepat.
Berkat teknologi ini, perusahaan tidak perlu lagi mengeluarkan investasi besar untuk pembelian hardware (server). Dengan fitur yang user friendly dan self service, selain analis, tim IT juga sangat terbantu sehingga dapat berfokus untuk melayani kebutuhan internal bisnis.
Studi kasus
Salah satu contoh eksperimen yang dapat dilakukan adalah untuk memprediksi harga mobil pada tahun-n menggunakan data historis pada tahun-tahun sebelumnya. Informasi, yang dikenal sebagai Dataset pada Azure Machine Learning, dibagi menjadi dua bagian untuk training dan testing.
Training adalah kegiatan yang memungkinkan pengguna memilih algoritma-algoritma yang tepat untuk proses prediksi. Selanjutnya pilihan tersebut masuk dalam Azure Machine Learning.
Testing berarti melakukan validasi data terhadap hasil prediksi. Setelah pengguna melakukan training, Azure Machine Learning akan mempelajari pattern dari data, memberikan prediksi, dan memperlihatkan level akurasi prediksi.
Banyak sekali kasus bisnis yang dapat digali menggunakan teknologi machine learning. Seperti memprediksi customer rating, memprediksi konsumsi listrik/bandwidth, dan lainnya sehingga pengambilan keputusan dapat dilakukan secara methodical dan objektif.
Tentu saja terdapat banyak faktor yang dapat mempengaruhi hasil eksperimen untuk menentukan akurasi prediksi. Salah satu kunci suksesnya terletak pada tahap awal, yaitu persiapan data, yang memakan waktu paling lama dan paling sulit dilakukan.
Contoh persiapan data adalah data cleansing untuk menjaga kualitas data. Kemudian attribute reduction untuk menghilangkan data yang tak perlu, seperti tanggal lahir yang diganti dengan umur. Data enrichment, dan mempersiapkan data warehouse jika diperlukan.
