 |
| Aktifitas machine learning disekitar kita. |
Pernah mencari sepatu lari di marketplace, lalu keesokan harinya iklan sepatu muncul di mana-mana? Mulai dari beranda marketplace, video pendek, sampai situs berita, seolah-olah semuanya tahu bahwa kita sedang mencari sepatu baru.
Tidak sedikit orang yang kemudian bertanya-tanya, “Jangan-jangan ponsel saya sedang menguping?”
Sebenarnya, ada penjelasan yang lebih sederhana dan menarik. Di balik iklan yang terasa begitu personal, ada teknologi bernama Machine Learning. Teknologi ini memungkinkan komputer mempelajari kebiasaan kita melalui aktivitas yang kita lakukan di internet.
Kitalah Yang Memberikan Informasi
Machine Learning adalah teknologi yang membuat komputer mampu belajar dari data dan menemukan pola tanpa harus diberi instruksi khusus untuk setiap kemungkinan (Géron, 2019; Sridhar & Vijayalakshmi, 2021).
Komputer tidak benar-benar tahu apa yang sedang kita pikirkan atau inginkan. Ia hanya mengamati aktivitas kita mulai dari barang apa yang dicari, iklan apa yang diklik, video apa yang ditonton sampai selesai, unggahan apa yang disukai, hingga produk apa yang dibeli.
Buku Social Media and Machine Learning menjelaskan bahwa aktivitas miliaran pengguna di media sosial menghasilkan jejak digital dalam jumlah besar. Setiap kali kita mengeklik, mencari, menyukai, atau membagikan sesuatu, ada informasi yang dapat diolah oleh sistem (3G Editorial Board, 2021).
Jejak tersebut kemudian diterjemahkan menjadi angka atau informasi yang disebut fitur. Contohnya, seberapa sering seseorang mencari sepatu, berapa lama ia menonton video tentang olahraga, atau berapa kali ia membuka halaman produk tertentu (Géron, 2019).
Dari berbagai informasi itu, komputer mulai mencari pola. Misalnya, orang yang sering mencari sepatu lari biasanya juga tertarik pada pakaian olahraga atau jam tangan pintar. Pola tersebut kemudian digunakan untuk memperkirakan hal-hal yang mungkin kita sukai berikutnya (Coen, 2019).
Bayangkan Anda membuka marketplace pada pagi hari, mencari laptop, membandingkan harga, lalu membaca beberapa ulasan. Sistem tidak tahu pasti apakah Anda akan membeli laptop. Namun, dari kebiasaan pengguna lain yang memiliki aktivitas serupa, sistem dapat memperkirakan bahwa Anda mungkin tertarik pada produk tersebut.
Jadi, hasil kerja Machine Learning bukanlah membaca pikiran, melainkan menghitung kemungkinan berdasarkan kebiasaan.
Media Sosial Terasa Jauh Mengenal Kebiasaan Kita
Coba perhatikan beranda media sosial Anda. Pernah merasa bahwa unggahan yang muncul semakin lama semakin sesuai dengan minat pribadi?
Hal itu bukan terjadi begitu saja. Sistem media sosial mempelajari bagaimana kita berinteraksi dengan berbagai konten. Misalnya, ketika kita sering berhenti menggulir layar untuk membaca unggahan teman tertentu atau memberikan tanda suka pada postingannya, sistem dapat menangkap bahwa kita tertarik dengan konten orang tersebut. Akibatnya, unggahannya berpeluang lebih sering muncul di beranda.
Sebaliknya, ketika kita jarang melihat atau berinteraksi dengan unggahan tertentu, sistem dapat menyesuaikan kembali konten yang ditampilkan (3G Editorial Board, 2021). Hal serupa juga terjadi pada rekomendasi belanja. Pernah melihat tulisan “Pelanggan yang membeli produk ini juga membeli produk berikut”? Rekomendasi seperti itu menggunakan pendekatan yang disebut collaborative filtering.
Sederhananya, sistem membandingkan kebiasaan belanja kita dengan kebiasaan pengguna lain yang memiliki minat serupa. Jika banyak orang dengan pola belanja yang mirip menyukai produk tertentu, produk tersebut bisa direkomendasikan kepada kita (Sridhar & Vijayalakshmi, 2021; 3G Editorial Board, 2021).
Terdapat Tiga Cara Mesin Belajar dari Data
Dalam perkembangannya, Machine Learning memiliki beberapa pendekatan. Tiga cara yang paling umum dikenal adalah sebagai berikut.
Supervised Learning
Pada cara ini, komputer belajar menggunakan data yang sudah memiliki jawaban atau keterangan.
Contohnya adalah penyaring email spam. Sebelum bisa mengenali email mencurigakan, sistem terlebih dahulu dilatih menggunakan banyak contoh email yang sudah diberi tanda “spam” atau “bukan spam”. Setelah mempelajari contoh tersebut, komputer dapat membantu memilah email baru secara otomatis (Coen, 2019). Namun, sistem ini membutuhkan banyak data yang sudah diberi label. Proses pemberian label biasanya melibatkan manusia sehingga memerlukan waktu dan biaya (Géron, 2019).
Unsupervised Learning
Berbeda dengan cara sebelumnya, komputer tidak diberi jawaban sejak awal. Ia diminta mencari kemiripan dan mengelompokkan data berdasarkan pola yang ditemukan.
Misalnya, sebuah toko ingin memahami karakter pelanggannya. Komputer dapat membantu mengelompokkan pelanggan berdasarkan kebiasaan belanja, seperti kelompok yang sering membeli produk elektronik, kelompok yang menyukai perlengkapan olahraga, atau kelompok yang lebih tertarik pada kebutuhan rumah tangga. Cara ini juga dapat membantu menemukan transaksi kartu kredit yang tidak biasa dan patut diperiksa karena mungkin merupakan penipuan (Coen, 2019; Géron, 2019).
Reinforcement Learning
Pada pendekatan ini, komputer belajar dengan cara mencoba suatu tindakan, melihat hasilnya, lalu memperbaiki keputusan berikutnya.
Bayangkan ketika kita sedang belajar bermain gim. Saat memilih strategi yang tepat, kita mendapatkan poin atau hadiah. Ketika salah mengambil keputusan, kita kehilangan kesempatan mendapatkan poin. Dari pengalaman tersebut, kita belajar menentukan strategi yang lebih baik.
Prinsip serupa digunakan dalam reinforcement learning. Sistem akan terus belajar dari hasil tindakannya untuk menemukan keputusan yang paling menguntungkan (Géron, 2019; Sridhar & Vijayalakshmi, 2021). Pendekatan ini juga digunakan dalam pengelolaan jaringan komunikasi, misalnya untuk membantu memilih saluran frekuensi ketika kondisi jaringan terus berubah (Patil et al., 2027).
Machine Learning Ada di Sekitar Kita
Machine Learning bukan hanya digunakan untuk menampilkan iklan atau mengatur beranda media sosial. Tanpa disadari, teknologi ini sudah menjadi bagian dari berbagai aktivitas sehari-hari.
Ketika membuka ponsel menggunakan fitur pengenalan wajah, mengunggah foto yang dapat mengenali wajah teman, atau meminta asisten suara menjalankan perintah, kita sedang menggunakan teknologi yang memanfaatkan kemampuan komputer untuk mengenali pola gambar dan suara (Coen, 2019).
Di bidang kesehatan, teknologi ini dapat membantu tenaga medis menganalisis citra seperti hasil MRI untuk menemukan tanda-tanda penyakit. Di bidang perbankan, sistem dapat mempelajari pola transaksi dan memberikan peringatan ketika menemukan aktivitas yang berbeda dari kebiasaan pemilik rekening (Coen, 2019).
Semua contoh tersebut memiliki satu kesamaan: komputer membutuhkan banyak data sebagai bahan belajar. Semakin banyak contoh yang relevan dan berkualitas, semakin baik peluang sistem dalam mengenali pola. Namun, banyaknya data saja tidak otomatis menjamin hasil yang benar.
Rekomendasi Mesin Tidak Sepenuhnya Benar
Meskipun terlihat pintar, Machine Learning tidak selalu memberikan hasil yang tepat. Kualitas hasilnya sangat bergantung pada data yang digunakan untuk belajar. Jika datanya terlalu sedikit, tidak mewakili kondisi sebenarnya, atau mengandung banyak kesalahan, hasil prediksinya juga bisa keliru (Coen, 2019; Géron, 2019).
Contohnya, Anda pernah membeli perlengkapan bayi sebagai hadiah untuk teman. Namun, setelah itu, iklan popok, susu bayi, dan perlengkapan anak terus bermunculan. Sistem mungkin menganggap Anda sedang memiliki bayi, padahal Anda hanya membeli hadiah.
Ada juga kondisi ketika komputer terlalu menghafal pola dari data latihan sehingga kesulitan mengenali situasi baru. Dalam Machine Learning, kondisi ini disebut overfitting (Géron, 2019). Untuk mengurangi risiko tersebut, data biasanya dibagi menjadi dua bagian. Data pertama digunakan untuk melatih komputer, sedangkan data kedua digunakan untuk menguji apakah komputer benar-benar mampu mengenali pola baru (Coen, 2019).
Hal penting lainnya adalah komputer hanya menemukan hubungan atau kemiripan dalam data. Hubungan tersebut belum tentu menunjukkan hubungan sebab-akibat. Seperti dijelaskan oleh Sridhar dan Vijayalakshmi (2021), dua hal yang sering terjadi bersamaan belum tentu saling menyebabkan.
Dengan kata lain, ketika sebuah iklan muncul setelah kita mencari produk tertentu, bukan berarti sistem benar-benar memahami alasan di balik pencarian kita.
Kendali Privasi Digital
Di balik kemudahan rekomendasi, ada hal penting yang perlu diperhatikan, yaitu privasi. Aktivitas kita di internet dapat menghasilkan banyak informasi yang digunakan untuk kepentingan bisnis, termasuk pemasaran dan penayangan iklan yang disesuaikan dengan kebiasaan pengguna (3G Editorial Board, 2021).
Karena itu, penting bagi kita untuk lebih sadar terhadap jejak digital yang ditinggalkan. Ada beberapa kebiasaan sederhana yang bisa mulai dilakukan yaitu memeriksa izin akses aplikasi, mengatur personalisasi iklan melalui pengaturan akun, serta menghapus riwayat pencarian ketika diperlukan.
Kita juga perlu lebih cermat sebelum memberikan izin aplikasi untuk mengakses lokasi, kontak, kamera, atau informasi pribadi lainnya. Teknologi memang dapat membantu kita menemukan informasi dan produk yang dibutuhkan. Namun, bukan berarti kita harus membagikan semua informasi tanpa memahami bagaimana data tersebut digunakan.
Akhirnya
Machine Learning bukanlah teknologi yang bisa membaca pikiran. Ia bekerja dengan mengamati aktivitas, mengumpulkan informasi, menemukan pola, lalu memperkirakan apa yang mungkin kita sukai atau lakukan berikutnya.
Itulah sebabnya iklan sepatu lari bisa muncul setelah kita mencarinya di marketplace. Atau berita gosip yang sering muncul di beranda media sosial kita, setelah menyukai postingan terkait. Bukan selalu karena ponsel sedang menguping, melainkan karena aktivitas digital kita meninggalkan jejak yang dapat dipelajari oleh sistem.
Pada akhirnya, memahami Machine Learning bukan hanya soal mengenal teknologi yang semakin berkembang. Lebih dari itu, kita perlu memahami bagaimana teknologi bekerja di sekitar kita, bagaimana data pribadi dimanfaatkan, dan bagaimana kita tetap bisa mengendalikan jejak digital sendiri.
Referensi
3G Editorial Board. (2021). Social Media and Machine Learning (3GE Collection on Computer Science). 3G E-Learning LLC.
Coen, A. (2019). Machine Learning for Beginners: The Ultimate Guide to Learn and Understand Machine Learning - A Practical Approach to Master Machine Learning to Improve and Increase Business Results.
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media.
Patil, V. H., Kadam, A. K., Prasad, R. S., Shanmugasundaram, S., & Pachghare, V. (Eds.). (2027). AI, Machine Learning, and Blockchain for Next-Generation Spectrum Management. CRC Press.
Sridhar, S., & Vijayalakshmi, M. (2021). Machine Learning. Oxford University Press India.