Machine Learning Adalah: Kapan Bisnis Benar-benar Butuh ML

Machine learning adalah cara membuat komputer belajar pola dari data masa lalu, lalu memakai pola itu untuk menebak atau memutuskan sesuatu pada data baru. Contohnya: dari riwayat dua tahun penjualan, model machine learning memperkirakan berapa karton yang akan laku minggu depan. Tidak ada orang yang menulis rumusnya satu per satu. Model menemukan polanya sendiri.

Untuk pemilik bisnis, pertanyaan yang lebih penting adalah: apakah masalah saya memang butuh ML? Banyak masalah yang terdengar canggih ternyata cukup diselesaikan dengan aturan sederhana, atau dengan LLM (model bahasa seperti ChatGPT) yang sudah jadi. Artikel ini membantu Anda membedakannya.

Pengertian machine learning dengan bahasa sederhana

Program biasa bekerja dengan aturan yang ditulis manusia. Misalnya: “kalau piutang lewat 30 hari, kirim pengingat.” Aturannya jelas, hasilnya bisa ditebak.

Machine learning dipakai saat aturannya terlalu rumit untuk ditulis. Coba bayangkan Anda harus menulis aturan untuk menebak pelanggan mana yang akan berhenti berlangganan bulan depan. Ada puluhan faktor: frekuensi login, jumlah tiket komplain, lama berlangganan, paket yang dipakai. Menulis aturannya satu per satu hampir mustahil. ML mempelajari kombinasi faktor itu dari data pelanggan yang dulu berhenti dan yang bertahan.

Hasil belajarnya disebut model. Model ini lalu dipakai untuk menilai data baru. Satu hal yang perlu diingat: model selalu memberi tebakan, bukan kepastian. Tebakannya bisa sangat akurat, tapi tetap ada peluang salah.

Jenis machine learning: supervised dan unsupervised

Ada beberapa jenis ML, tapi untuk kebutuhan bisnis sehari-hari, dua jenis ini yang paling sering muncul.

Supervised learning (belajar dengan contoh berlabel). Anda memberi model data yang jawabannya sudah diketahui. Misalnya 5.000 transaksi lama, masing-masing sudah ditandai “lunas tepat waktu” atau “telat bayar”. Model belajar ciri-ciri tiap kelompok, lalu menebak label untuk transaksi baru. Dua bentuk yang umum:

Klasifikasi: menebak kategori. Contoh: email ini keluhan atau pertanyaan biasa, pelanggan ini berisiko churn atau tidak.
Regresi: menebak angka. Contoh: perkiraan penjualan bulan depan, perkiraan lama pengiriman.

Unsupervised learning (belajar tanpa label). Anda tidak memberi jawaban. Model mencari pola atau kelompok sendiri di dalam data. Contoh paling umum adalah segmentasi pelanggan: model mengelompokkan pelanggan berdasarkan pola belanja, lalu tim Anda yang memberi nama kelompoknya, misalnya “pembeli grosir musiman” atau “pelanggan kecil tapi rutin”.

Contoh machine learning di bisnis

Berikut contoh pemakaian yang realistis untuk bisnis di Indonesia:

Perkiraan permintaan stok. Misalnya distributor makanan memperkirakan kebutuhan per SKU per gudang, supaya tidak kelebihan stok barang yang lambat laku.
Prediksi pelanggan yang akan berhenti. Contoh di perusahaan SaaS: model menandai akun dengan pola pemakaian menurun, lalu tim customer success menghubungi mereka lebih dulu.
Deteksi transaksi janggal. Misalnya klaim reimbursement yang polanya jauh berbeda dari biasanya ditandai untuk dicek manual.
Skor prioritas leads. Contoh di agensi atau bisnis properti: leads diberi skor berdasarkan kemiripan dengan leads yang dulu jadi deal.
Rekomendasi produk. Toko online menampilkan produk yang sering dibeli bersamaan.

Perhatikan polanya: semua contoh di atas punya data historis yang cukup banyak, dan hasilnya berupa tebakan yang membantu orang mengambil keputusan.

ML vs LLM vs aturan biasa: mana yang Anda butuhkan

Ini bagian yang paling sering membuat bingung. Sekarang banyak orang menyebut semua hal berbau AI sebagai machine learning. Secara teknis LLM memang hasil machine learning, tapi cara memakainya di bisnis sangat berbeda. Anda tidak melatih LLM sendiri. Anda memakai model yang sudah jadi lewat aplikasi atau API.

	Aturan biasa	LLM	Machine learning khusus
Cocok untuk	Logika jelas dan tetap	Teks: membaca, meringkas, mengelompokkan, menulis	Tebakan angka atau kategori dari data historis
Butuh data latih	Tidak	Tidak (cukup contoh di prompt)	Ya, biasanya ribuan baris berlabel
Waktu mulai	Hari	Hari sampai minggu	Minggu sampai bulan
Contoh	Pengingat jatuh tempo, approval berdasarkan nominal	Klasifikasi email masuk, ekstraksi data dari faktur	Perkiraan penjualan, prediksi churn

Cara cepat memutuskan:

Bisa ditulis sebagai aturan “kalau … maka …”? Pakai aturan biasa. Lebih murah, lebih mudah dicek, dan tidak pernah “menebak”. Ini wilayah otomatisasi biasa.
Masalahnya soal memahami atau menghasilkan teks? Coba LLM dulu. Mengelompokkan keluhan pelanggan, membaca isi PDF, atau merangkum notulen tidak perlu model yang dilatih sendiri. Penjelasan lengkapnya ada di artikel LLM adalah.
Butuh tebakan angka atau risiko dari data transaksi bertahun-tahun? Baru di sini ML khusus layak dipertimbangkan.

Banyak bisnis yang mengira butuh ML sebenarnya belum punya laporan dasar yang rapi. Kalau Anda belum tahu angka penjualan per produk per bulan dengan pasti, mulai dari data analytics dulu. Seringnya, dashboard sederhana sudah menjawab sebagian besar pertanyaan.

Syarat data sebelum mulai proyek ML

Model ML hanya sebagus data yang dipakai untuk melatihnya. Sebelum memulai, cek hal-hal ini:

Jumlah data cukup. Tidak ada angka pasti, tapi puluhan baris jelas terlalu sedikit. Untuk klasifikasi sederhana, ribuan contoh adalah titik awal yang wajar.
Rentang waktu cukup panjang. Untuk perkiraan penjualan, idealnya minimal satu sampai dua tahun, supaya pola musiman seperti Lebaran atau akhir tahun ikut terbaca.
Label tersedia dan konsisten. Kalau ingin menebak “pelanggan telat bayar”, data lama harus mencatat siapa yang telat dan siapa yang tidak, dengan definisi yang sama.
Data sudah bersih. Duplikat, format tanggal campur aduk, dan nama pelanggan yang ditulis berbeda-beda akan merusak hasil. Langkahnya dibahas di artikel data cleaning.
Ada keputusan yang akan berubah. Tanyakan: kalau model memberi tebakan, siapa yang memakainya dan apa yang mereka lakukan berbeda? Kalau jawabannya tidak jelas, proyek ML akan berakhir sebagai laporan yang tidak dibuka.
Ada yang merawat. Pola bisnis berubah. Model yang akurat tahun lalu bisa melenceng tahun ini, jadi perlu dipantau dan dilatih ulang.

Kalau sebagian besar syarat di atas belum terpenuhi, bukan berarti Anda tidak bisa memakai AI. Artinya langkah pertama Anda adalah merapikan data dan proses, baru kemudian ML.

Kesalahan umum saat memulai

Beberapa hal yang sering terjadi:

Memulai dari teknologi. “Kita harus pakai ML” terdengar keren, tapi tidak bisa diukur. “Kita ingin stok mati turun” adalah tujuan yang jelas.
Mengharapkan akurasi 100%. Tentukan dari awal akurasi berapa yang sudah membantu. Tebakan yang benar 80% sering sudah jauh lebih baik daripada tebakan manual.
Tidak ada pembanding. Bandingkan hasil model dengan cara sederhana, misalnya rata-rata penjualan tiga bulan terakhir. Kalau model tidak lebih baik dari cara sederhana, pakai cara sederhana.
Model jadi, tapi tidak masuk ke alur kerja. Hasil prediksi yang hanya tersimpan di file jarang dipakai. Hasilnya perlu masuk ke tempat tim bekerja: spreadsheet, dashboard, atau notifikasi.

Kalau Anda ragu apakah masalah di tim Anda butuh ML, cukup LLM, atau sebenarnya cukup aturan otomatisasi biasa, Aqilatic bisa membantu menilainya lewat audit proses gratis. Kami mengerjakan proyek AI, data, dan otomatisasi, jadi rekomendasinya tidak berat sebelah. Detailnya ada di bagian layanan kami.

Pertanyaan yang sering muncul

Apa bedanya AI dan machine learning?

AI adalah istilah payung untuk sistem yang meniru kemampuan berpikir manusia. Machine learning adalah salah satu cara membangun AI, yaitu dengan belajar dari data. LLM seperti ChatGPT juga dibangun dengan machine learning.

Apakah bisnis kecil bisa memakai machine learning?

Bisa, asalkan datanya cukup dan masalahnya jelas. Tapi untuk banyak bisnis kecil, aturan otomatisasi dan LLM yang sudah jadi memberi hasil lebih cepat dengan biaya lebih rendah.

Berapa lama membuat model machine learning?

Tergantung kondisi data. Kalau data sudah rapi, prototipe bisa jadi dalam beberapa minggu. Kalau data masih tersebar di banyak file dan belum bersih, sebagian besar waktu justru habis untuk merapikan data.