Teori paradigma menjadi nyata ketika kita membuka aplikasi marketplace, membayar dengan QRIS, atau memesan ojek daring: hampir semua layanan digital yang dipakai sehari-hari menjalankan model machine learning di balik layarnya. Setiap penerapan selalu bisa diurai dengan tiga pertanyaan yang sama: data apa yang masuk, keluaran apa yang diharapkan, dan paradigma pembelajaran mana yang paling cocok. Pada chapter ini kita akan memetakan sembilan domain penerapan dengan kerangka tiga pertanyaan tersebut, dengan perhatian khusus pada konteks Indonesia di mana relevan. Hasilnya berupa peta yang bisa Anda pakai untuk membaca sistem machine learning di sekitar Anda.
Rekomendasi Produk dan Konten #
Sistem rekomendasi adalah penerapan machine learning yang paling banyak dirasakan pengguna. Pada e-commerce, masukannya adalah riwayat pencarian, pembelian, dan perilaku klik tiap pengguna, ditambah atribut produk seperti kategori dan harga. Keluarannya berupa daftar produk terurut yang dipilih khusus untuk tiap pengguna — halaman “rekomendasi untuk Anda” di marketplace. Pada layanan streaming, polanya sama: riwayat tontonan dan rating menjadi bahan untuk menyusun daftar tontonan berikutnya.
Dari sisi paradigma, rekomendasi memakai kombinasi: supervised learning untuk memprediksi peluang pengguna menyukai tiap kandidat item, dan unsupervised learning untuk memahami segmentasi pengguna serta kemiripan produk. Pendekatan collaborative filtering memanfaatkan pola pengguna lain yang serupa, sedangkan content-based filtering memanfaatkan kemiripan atribut item.
Deteksi Penipuan Transaksi #
Pembayaran digital menuntut pemeriksaan ribuan transaksi per detik, tugas yang mustahil dikerjakan tim manual. Masukan model berisi fitur transaksi: nominal, waktu, lokasi merchant, kecepatan percobaan berurutan, pola perangkat, hingga riwayat akun. Keluarannya berupa skor risiko atau keputusan cepat: transaksi diloloskan, ditahan untuk verifikasi tambahan, atau ditolak.
Fraud detection memakai paradigma klasifikasi dengan tantangan khusus: kelas penipuan sangat jarang — sering di bawah satu persen transaksi — sehingga data latih timpang dan metrik accuracy saja menyesatkan. Karena itu praktisi memadukan supervised learning dengan deteksi anomali: model isolation forest menandai transaksi yang menyimpang jauh dari kebiasaan akun, lalu model klasifikasi terlatih menilai kasus yang sudah terkonfirmasi.
Diagnosis Medis Berbasis Citra #
Pada ranah kesehatan, machine learning membaca citra radiologi — rontgen dada, CT scan, retinografi — dan menandai wilayah yang perlu ditinjau dokter. Masukan berupa citra mentah beserta metadata pemeriksaan; keluaran berupa klasifikasi temuan atau peta heatmap lokasi kecurigaan. Paradigma yang dipakai adalah supervised learning dengan deep learning, karena citra mentah menuntut representasi berlapis yang dipelajari otomatis.
Penting dicatat perannya: model menjadi penyaring pertama yang mempercepat prioritas kasus, bukan pengganti diagnosis dokter. Evaluasi sistem pembacaan mamografi berbasis model menunjukkan performa sekelas radiolog pada tugas penyaringan tertentu, tetapi keputusan akhir tetap di tangan tenaga medis.
Pengenalan Wajah dan Biometrik #
Pengenalan wajah menyertai kita sejak membuka kunci ponsel. Masukan berupa citra wajah hasil kamera; keluaran berupa identitas terverifikasi atau penolakan. Paradigma utamanya supervised learning: jaringan sarap dalam dilatih menghasilkan embedding — vektor angka yang mewakili ciri wajah — lalu kemiripan vektor antara wajah terdaftar dan wajah baru menentukan kecocokan. Di Indonesia, penerapan serupa dipakai untuk verifikasi daring nasabah baru perbankan dan lembaga pembiayaan, membandingkan selfie dengan foto identitas resmi.
Bahasa, Terjemahan, dan Asisten Suara #
Pemrosesan bahasa alami (NLP) mengalir dari tiga layanan yang tampak sederhana: transkrip suara ke teks, terjemahan, dan asisten yang menjawab pertanyaan. Masukannya berupa audio atau teks; keluarannya berupa teks, terjemahan, atau tindakan seperti mengatur pengingat. Paradigma dominan era kini adalah self-supervised learning: model bahasa dilatih awal pada korpus raksasa dengan tugas tebak kata, lalu disesuaikan secara supervised untuk tugas spesifik. Ketersediaan korpus bahasa Indonesia yang terus membaik membuat kualitas layanan berbahasa Indonesia ikut meningkat — dari penyaringan komentar beracun sampai peringkasan dokumen.
Prediksi Harga dan Risiko #
Domain keuangan dan properti memakai paradigma paling klasik. Prediksi harga properti memasukkan fitur luas bangunan, jumlah kamar, lokasi, dan usia bangunan; keluarannya berupa estimasi harga berupa angka — tugas regresi. Penilaian kredit pada industri pembiayaan memasukkan data penghasilan, riwayat pembayaran, dan rasio utang; keluarannya berupa tingkat risiko gagal bayar — tugas klasifikasi dengan regresi logistik dan gradient boosting sebagai pilihan andalan. Kedua contoh tersebut memakai data tabular, ranah tempat algoritme klasik dari gelombang pembelajaran statistik masih sulit dikalahkan.
Perawatan Prediktif di Industri #
Pabrik dan perusahaan utilitas mengganti jadwal perawatan rutin dengan perawatan prediktif. Masukan berupa data sensor mesin: suhu, getaran, tekanan, arus listrik, yang dicatat terus-menerus. Keluarannya berupa perkiraan sisa umur komponen atau peluang kegagalan dalam beberapa hari ke depan, sehingga tim pemeliharaan dapat menjadwalkan penggantian tepat sebelum mesin berhenti bekerja. Paradigma yang dipakai supervised learning pada data deret waktu; random forest dan gradient boosting menjadi pilihan umum, sementara data sensor berurutan panjang juga cocok untuk jaringan sarap berulang.
Iklan Daring #
Sebagian besar pendapatan layanan daring dibiayai iklan, dan lelang iklan tersebut dimenangkan prediksi. Masukan berupa profil pengguna, konteks halaman, dan karakteristik iklan kandidat; keluarannya berupa peluang pengguna mengeklik (click-through rate) yang menentukan urutan dan harga di lelang milidetik. Paradigma yang dipakai supervised learning klasifikasi pada skala sangat besar — menjadi salah satu penerapan machine learning dengan volume prediksi tertinggi di dunia.
Layanan Transportasi #
Aplikasi transportasi di Indonesia memakai machine learning pada dua titik utama. Pertama, estimasi perjalanan: data rute historis, kondisi lalu lintas real-time, dan waktu permintaan menjadi masukan untuk memperkirakan durasi dan tarif perjalanan — tugas regresi. Kedua, penyesuaian harga dan penempatan pengemudi: model memprediksi permintaan per wilayah dan jam agar pasokan pengemudi mendekati titik permintaan. Kombinasi prediksi permintaan dan optimasi rute inilah yang membuat waktu tunggu tetap pendek saat jam sibuk di kota-kota besar.
Peta Domain ke Paradigma #
| Domain | Data masukan | Keluaran | Paradigma yang cocok | Algoritme contoh |
|---|---|---|---|---|
| Rekomendasi | Riwayat interaksi dan atribut item | Daftar item terurut | Supervised + unsupervised | Gradient boosting, collaborative filtering |
| Deteksi penipuan | Fitur transaksi real-time | Skor risiko | Supervised + deteksi anomali | Random forest, isolation forest |
| Diagnosis medis | Citra radiologi | Klasifikasi temuan | Supervised (deep learning) | Jaringan sarap konvolusional |
| Pengenalan wajah | Citra wajah | Identitas terverifikasi | Supervised (embedding) | Jaringan sarap dalam |
| Asisten suara dan NLP | Audio dan teks | Transkrip, jawaban, terjemahan | Self-supervised + supervised | Transformer |
| Prediksi harga properti | Fitur properti dan lokasi | Estimasi harga | Supervised (regresi) | Gradient boosting, regresi linier |
| Penilaian kredit | Data keuangan historis | Tingkat risiko | Supervised (klasifikasi) | Regresi logistik, LightGBM |
| Perawatan prediktif | Data sensor mesin | Peluang kegagalan | Supervised (deret waktu) | Random forest, LSTM |
| Iklan daring | Profil pengguna dan konteks | Peluang klik | Supervised (klasifikasi) | Regresi logistik, gradient boosting |
| Transportasi | Rute dan lalu lintas historis | Estimasi durasi dan tarif | Supervised (regresi) | Gradient boosting |
Pola yang muncul dari tabel tersebut: masalah data tabular didominasi paradigma supervised dengan algoritme klasik, citra dan bahasa memakai deep learning, sedangkan data tanpa label atau kelas langka memanfaatkan unsupervised learning dan deteksi anomali. Mengenal pola ini membantu kita memperkirakan solusi bahkan sebelum menulis kode.
Semua penerapan di atas menunjukkan sisi hasil; yang jarang terlihat adalah proses panjang di baliknya — dari perumusan masalah bisnis hingga pemantauan pasca-deployment. Proses itulah yang akan kita susun tahap demi tahap pada chapter Siklus Hidup Proyek Machine Learning.
Referensi Resmi #
- Outlier detection — scikit-learn User Guide — dokumentasi resmi deteksi anomali yang dipakai pada domain keamanan transaksi.
- imbalanced-learn documentation — pustaka resmi untuk menangani data latih timpang seperti kasus deteksi penipuan.