PRODI BISNIS DIGITAL · FEB UNDIP

Pembelajaran Dalam dan Pembelajaran Mesin

Pertemuan 1: Definisi dan Aplikasi Machine Learning & Data Mining

Mengenal dasar berpikir mesin belajar dari data — dari definisi hingga aplikasi nyata di bisnis Indonesia.

RPS minggu 1 · 2x50 menit

Bagian 1 dari 3

Dunia Data & Kenapa Mesin Perlu Belajar

Memahami ledakan data di sekitar kita, dan mengapa cara berpikir manusia saja tidak lagi cukup untuk mengolahnya.

Tujuan Pembelajaran Hari Ini

SETELAH PERTEMUAN INI

Kompetensi Dasar

Membedakan data, informasi, dan pengetahuan
Mendefinisikan machine learning (ML) secara tepat
Mendefinisikan data mining dan bedanya dengan ML
Mengenali aplikasi ML & data mining di bisnis Indonesia

KENAPA INI PENTING BAGI LULUSAN BISNIS DIGITAL?

Anda tidak dituntut membangun algoritma dari nol seperti mahasiswa ilmu komputer. Tapi sebagai calon product manager, analis bisnis, atau digital marketer, Anda wajib paham apa yang bisa dan tidak bisa dilakukan ML/data mining — supaya Anda bisa memberi arahan yang tepat ke tim data.

Data: Bahan Bakar Era Digital

Setiap klik, transaksi, dan swipe menghasilkan jejak data — bahan mentah yang diolah menjadi keputusan bisnis.

DATA TERSTRUKTUR

Rapi dalam baris & kolom, seperti tabel Excel atau database.

Riwayat transaksi Tokopedia (harga, tanggal, kategori)
Data nasabah BBCA (saldo, jenis rekening)

DATA TIDAK TERSTRUKTUR

Tidak punya format tabel baku — perlu diolah dulu.

Foto produk di Shopee, ulasan teks pembeli
Rekaman suara chatbot layanan pelanggan

Sekitar 80–90% data bisnis dunia saat ini berbentuk tidak terstruktur (estimasi industri) — inilah salah satu alasan utama ML dibutuhkan: ia sanggup "membaca" pola dari teks, gambar, dan suara, bukan cuma angka rapi di tabel.

Dari Data ke Keputusan: Batas Kemampuan Manusia

Manusia unggul dalam penalaran & konteks, tapi lemah dalam mengolah volume & kecepatan data yang sangat besar secara konsisten — di sinilah mesin mengambil alih tugas "menemukan pola".

Machine learning tidak menggantikan manusia sepenuhnya — ia mempercepat proses menemukan pola dalam data yang terlalu besar untuk dianalisis manual.

Perhatikan diagram di layar — ini menggambarkan masalah klasik sebelum era ML. Bayangkan Anda seorang analis di Bank BRI yang harus memeriksa satu juta transaksi kartu kredit setiap hari untuk mencari yang mencurigakan atau berpotensi penipuan. Secara manual, itu mustahil dilakukan dengan cepat dan konsisten, apalagi manusia juga bisa lelah, bosan, atau bias dalam menilai. Machine learning hadir bukan untuk menggantikan analis tersebut, tetapi untuk mempercepat proses penyaringan awal — mesin bisa memindai jutaan transaksi dalam hitungan detik dan menandai yang paling mencurigakan, baru manusia yang memutuskan tindakan akhirnya. Ini adalah gagasan inti yang harus Anda pegang sepanjang mata kuliah ini: ML adalah alat bantu pengambilan keputusan, bukan pengganti penilaian manusia sepenuhnya.

Ledakan Data di Indonesia

PENGGUNA INTERNET

~213 juta

jiwa (~2024, estimasi APJII)

NILAI TRANSAKSI E-COMMERCE

~Rp 487 T

estimasi tahunan (Bank Indonesia)

PENGGUNA DOMPET DIGITAL

~200 juta

akun aktif (estimasi multi-platform)

Angka-angka ini bersifat estimasi dan berubah cepat setiap tahun — intinya bukan hafalan angka pasti, melainkan menangkap skala: data di Indonesia tumbuh jauh lebih cepat daripada kemampuan manusia mengolahnya secara manual.

Bagian 2 dari 3

Definisi & Cara Kerja Machine Learning

Masuk ke jantung mata kuliah: apa itu machine learning, dan bagaimana ia berbeda dari pemrograman biasa.

Apa itu Machine Learning?

"Sebuah program dikatakan belajar dari pengalaman E terhadap tugas T dan ukuran performa P, jika performanya pada T, diukur dengan P, meningkat seiring bertambahnya E." — Tom Mitchell (1997)

CONTOH KONKRET

Tugas (T): mendeteksi email spam.
Pengalaman (E): ribuan contoh email berlabel "spam"/"bukan spam".
Performa (P): persentase email yang benar diklasifikasikan.

Semakin banyak contoh data (E) yang dipelajari model, semakin baik performanya (P) dalam tugas (T) — ini disebut proses "belajar", bukan diprogram manual aturan demi aturan.

ML vs Pemrograman Tradisional

Pemrograman tradisional: manusia menulis aturan, komputer menghasilkan output. Machine learning: manusia memberi data + contoh jawaban, komputer yang menemukan aturannya sendiri.

Perhatikan dua diagram di layar dengan saksama karena ini adalah pembeda paling penting yang harus Anda pahami di pertemuan pertama ini. Di sisi kiri, cara tradisional, seorang programmer menulis kode dengan aturan eksplisit, misalnya "jika total belanja di atas Rp500 ribu maka beri diskon 10 persen" — aturan itu ditulis manual oleh manusia. Di sisi kanan, pendekatan machine learning justru terbalik, kita memberi komputer data historis beserta contoh jawaban yang benar, misalnya ribuan transaksi yang sudah diberi label "fraud" atau "bukan fraud", lalu komputer sendiri yang menemukan pola atau aturan tersembunyi di baliknya. Bayangkan mendeteksi kecurangan kartu kredit — terlalu rumit untuk ditulis aturan manual satu per satu, karena pola penipuan terus berubah, maka ML jauh lebih cocok untuk kasus semacam ini. Ini adalah kunci untuk memahami kenapa ML populer di industri yang datanya kompleks dan terus berubah seperti perbankan dan e-commerce.

Bagaimana Mesin "Belajar" dari Data

Proses belajar mesin secara garis besar mengikuti alur berikut:

1. DATA HISTORIS

Contoh: 10.000 transaksi Tokopedia berlabel "fraud" / "normal".

2. PELATIHAN MODEL

Algoritma mencari pola yang membedakan fraud dari normal.

3. PREDIKSI BARU

Model menilai transaksi baru: kemungkinan fraud atau tidak.

Model hanya sebaik data yang mengajarinya — istilah "garbage in, garbage out" berlaku: data kotor/bias akan menghasilkan model yang keliru.

Alur tiga tahap ini adalah kerangka dasar yang akan terus kita pakai sepanjang semester, jadi tolong dicatat baik-baik. Tahap pertama, kita kumpulkan data historis yang sudah punya jawaban benar, seperti transaksi Tokopedia yang sudah diketahui mana yang penipuan dan mana yang sah. Tahap kedua, disebut training atau pelatihan, algoritma "membaca" ribuan contoh itu untuk menemukan ciri-ciri umum transaksi penipuan, misalnya nominal tidak wajar atau lokasi pengiriman mencurigakan. Tahap ketiga, model yang sudah terlatih ini dipakai untuk menilai transaksi baru yang belum pernah dilihat sebelumnya. Satu hal penting yang perlu Anda ingat, kalau data pelatihan yang kita berikan kotor atau bias, misalnya hanya berisi contoh penipuan dari satu wilayah saja, maka model juga akan bias dan salah menilai transaksi dari wilayah lain — istilah populernya "garbage in, garbage out", sampah masuk, sampah keluar.

Hitung dari Nol: Akurasi Model Klasifikasi Spam

Model spam-filter diuji pada 100 email. Hasilnya: 40 spam terdeteksi benar (TP), 45 email normal benar (TN), 10 salah tandai spam (FP), 5 spam lolos (FN).

Langkah	Perhitungan	Nilai
1. Prediksi benar (TP + TN)	40 + 45	85
2. Total data uji	diberikan	100
3. Akurasi (%)	(85 ÷ 100) × 100	85%
4. Presisi — TP ÷ (TP + FP)	40 ÷ (40 + 10)	80%

AKURASI MODEL

85%

dari 100 email yang diuji

Mari kita hitung bersama contoh paling dasar dalam mengukur performa model klasifikasi, yaitu akurasi. Bayangkan Anda punya model spam-filter yang diuji pada 100 email nyata, dan hasilnya seperti tabel di layar. Langkah pertama, kita jumlahkan prediksi yang benar, yaitu 40 email spam yang benar terdeteksi ditambah 45 email normal yang benar dikenali, hasilnya 85. Langkah kedua, total data yang kita uji memang sudah diketahui yaitu 100 email. Langkah ketiga, kita bagi prediksi benar dengan total data lalu kalikan 100 untuk dapat persentase, hasilnya 85 persen akurasi. Langkah keempat saya tambahkan sebagai bonus, yaitu presisi, mengukur dari semua yang ditandai spam, berapa persen yang benar-benar spam — ini penting karena akurasi tinggi tidak selalu berarti model bagus, terutama kalau datanya tidak seimbang, itu akan kita bahas lebih dalam di pertemuan tentang evaluasi model.

Aplikasi ML Sehari-hari di Indonesia

E-COMMERCE

Rekomendasi

Tokopedia/Shopee menyarankan produk berdasar riwayat belanja Anda.

PERBANKAN

Deteksi Fraud

BCA/Mandiri menandai transaksi kartu yang mencurigakan secara real-time.

TRANSPORTASI

Estimasi Tarif

Gojek/Grab memprediksi harga & waktu tempuh berdasarkan pola lalu lintas.

Pola yang sama berulang: data historis pengguna → model belajar pola → prediksi/rekomendasi personal untuk setiap pengguna baru.

Sekarang mari kita hubungkan konsep tadi dengan aplikasi yang Anda pakai setiap hari. Ketika Anda membuka Tokopedia dan melihat "rekomendasi untuk Anda", itu adalah model ML yang mempelajari pola belanja jutaan pengguna lain yang mirip dengan Anda. Ketika Anda transfer uang lewat aplikasi BCA dan tiba-tiba diminta verifikasi tambahan, kemungkinan besar sistem deteksi fraud berbasis ML mendeteksi pola transaksi yang tidak biasa dari kebiasaan Anda. Begitu juga saat Anda memesan Gojek dan melihat estimasi tarif serta waktu tiba, itu hasil model yang belajar dari pola lalu lintas historis di lokasi Anda. Perhatikan bahwa ketiga contoh ini punya pola yang sama persis seperti yang kita bahas di slide sebelumnya, data historis diolah model untuk menghasilkan prediksi personal — ini bukti bahwa satu konsep dasar ML bisa diterapkan di banyak industri berbeda.

Bagian 3 dari 3

Data Mining: Menambang Wawasan dari Data

Mengenal istilah yang sering tertukar dengan ML, tahapan prosesnya, dan cara mengukur kemiripan antar data.

Apa itu Data Mining?

Data mining = proses menemukan pola, hubungan, dan wawasan tersembunyi dari kumpulan data besar — sering memakai teknik statistik, database, dan (salah satunya) machine learning.

FOKUS DATA MINING

Menjawab: "Pola/hubungan apa yang tersembunyi di data ini?"
Contoh: pelanggan yang beli popok cenderung juga beli susu formula.

FOKUS MACHINE LEARNING

Menjawab: "Bagaimana membuat sistem yang bisa memprediksi/memutuskan otomatis?"
Contoh: sistem otomatis memutuskan transaksi ini fraud atau bukan.

Keduanya beririsan: data mining sering memakai algoritma ML (mis. clustering) sebagai salah satu alatnya — tapi data mining juga mencakup teknik non-ML seperti statistik deskriptif & query database.

Ini adalah momen penting untuk meluruskan kebingungan yang paling sering terjadi di antara mahasiswa baru. Data mining itu fokusnya menemukan pola atau hubungan tersembunyi dalam data, contoh klasik yang sering diceritakan di buku teks adalah analisis keranjang belanja di minimarket yang menemukan bahwa pembeli popok juga cenderung membeli susu formula di waktu yang sama. Sementara itu, machine learning fokusnya lebih ke membangun sistem yang bisa memprediksi atau memutuskan sesuatu secara otomatis untuk data baru yang belum pernah dilihat. Bayangkan begini, data mining itu seperti detektif yang menyisir data lama untuk menemukan petunjuk pola, sedangkan machine learning itu seperti melatih asisten yang nantinya bisa mengambil keputusan sendiri di masa depan. Keduanya sering tumpang tindih karena banyak teknik data mining sebenarnya memakai algoritma machine learning sebagai alat bantunya, jadi jangan kaget kalau di pertemuan berikutnya istilah ini akan muncul bersamaan.

Data Mining vs Machine Learning vs Statistika

Aspek	Statistika	Data Mining	Machine Learning
Tujuan utama	Menguji hipotesis	Menemukan pola tersembunyi	Membuat prediksi otomatis
Ukuran data	Bisa kecil	Umumnya besar	Umumnya besar
Contoh output	"Rata-rata beda signifikan"	"Pola pembelian A→B"	"Prediksi: 87% kemungkinan churn"

Ketiganya saling melengkapi, bukan saling menggantikan — banyak proyek data di industri memakai ketiganya sekaligus dalam tahapan berbeda.

Tabel ini merangkum tiga bidang yang sering membingungkan mahasiswa baru, dan saya minta Anda tidak menghafalnya secara kaku tapi memahami esensinya. Statistika klasik biasanya dipakai untuk menguji apakah suatu perbedaan itu nyata secara ilmiah, misalnya apakah rata-rata belanja pelanggan pria dan wanita benar-benar berbeda secara signifikan. Data mining lebih eksploratif, ia menyisir data besar untuk menemukan pola yang bahkan belum kita duga sebelumnya. Machine learning lebih ke arah aksi, ia membangun model yang bisa memprediksi sesuatu tentang data baru, misalnya memprediksi pelanggan mana yang berisiko berhenti berlangganan atau istilahnya churn. Di dunia kerja nyata, ketiga pendekatan ini sering dipakai berurutan dalam satu proyek yang sama, misalnya tim data di sebuah startup fintech bisa memakai statistika untuk memvalidasi asumsi awal, data mining untuk eksplorasi pola, lalu machine learning untuk membangun sistem prediksi otomatis.

Tahapan Proses Data Mining (KDD)

KDD (Knowledge Discovery in Databases) adalah kerangka baku tahapan data mining:

Tahap	Apa yang Dilakukan
1. Seleksi Data	Memilih data relevan dari gudang data (mis. hanya transaksi 1 tahun terakhir)
2. Pra-pemrosesan	Membersihkan data kotor/hilang (mis. isi kosong pada kolom harga)
3. Transformasi	Mengubah format data agar siap dianalisis (mis. normalisasi skala angka)
4. Penambangan (Mining)	Menerapkan algoritma pencarian pola (mis. clustering, association rule)
5. Evaluasi & Interpretasi	Menilai pola mana yang benar-benar bermakna bagi bisnis

Lima tahap KDD ini adalah kerangka kerja standar yang akan kita bahas lebih detail satu per satu mulai pertemuan kesembilan sampai kesebelas, jadi hari ini cukup kenalan dulu dengan gambaran besarnya. Bayangkan Anda bekerja di tim data sebuah bank yang ingin menganalisis pola penipuan kartu kredit. Tahap pertama Anda memilih data mana yang relevan, mungkin hanya transaksi setahun terakhir saja bukan seluruh sejarah bank. Tahap kedua Anda membersihkan data yang kosong atau salah format. Tahap ketiga Anda mengubah data ke bentuk yang siap dianalisis komputer, misalnya menyamakan skala rupiah dan dolar. Tahap keempat, inilah bagian yang sering disebut orang sebagai "data mining" itu sendiri, menerapkan algoritma untuk menemukan pola. Tahap terakhir, sangat penting namun sering dilupakan pemula, adalah mengevaluasi apakah pola yang ditemukan itu benar-benar bermakna secara bisnis atau hanya kebetulan statistik semata.

Hitung dari Nol: Mengukur Kemiripan Dua Pelanggan

Pelanggan A: frekuensi belanja bulanan = 8, rata-rata nilai transaksi (skala 0-10) = 3. Pelanggan B: frekuensi = 5, nilai transaksi = 7. Seberapa mirip keduanya? Gunakan jarak Euclidean.

Langkah	Perhitungan	Nilai
1. Selisih fitur frekuensi	8 − 5	3
2. Selisih fitur nilai transaksi	3 − 7	−4
3. Kuadratkan & jumlahkan	3² + (−4)² = 9 + 16	25
4. Akar kuadrat (jarak Euclidean)	√25	5

JARAK ANTAR-PELANGGAN

semakin kecil jarak = semakin mirip perilaku belanja

Ini adalah dasar dari banyak teknik data mining dan machine learning yang akan kita pelajari, terutama clustering di pertemuan keenam, jadi pahami logikanya baik-baik. Bayangkan Anda ingin mengelompokkan pelanggan Tokopedia berdasarkan perilaku belanja mereka, kita butuh cara mengukur seberapa "dekat" atau mirip dua pelanggan itu secara matematis. Kita pakai dua ciri sederhana, frekuensi belanja bulanan dan rata-rata nilai transaksi dalam skala 0 sampai 10. Langkah pertama dan kedua, kita hitung selisih masing-masing ciri antara pelanggan A dan B. Langkah ketiga, kita kuadratkan setiap selisih supaya nilai negatif tidak mengganggu, lalu jumlahkan. Langkah terakhir, kita ambil akar kuadratnya, dan itulah yang disebut jarak Euclidean, hasilnya di sini adalah 5. Semakin kecil angka ini, semakin mirip pola belanja kedua pelanggan tersebut, dan inilah prinsip dasar yang dipakai algoritma seperti K-means untuk mengelompokkan jutaan pelanggan ke dalam beberapa segmen.

Coba Sendiri: Ukur Kemiripan Dua Pelanggan Sendiri

Geser frekuensi belanja dan nilai transaksi masing-masing pelanggan, amati bagaimana jarak Euclidean berubah secara langsung.

Studi Kasus: ML & Data Mining di Industri Indonesia

E-COMMERCE — TOKOPEDIA

Data mining: pola "produk sering dibeli bersamaan".
ML: sistem rekomendasi personal otomatis.

PERBANKAN — BBCA

Data mining: analisis pola transaksi nasabah.
ML: model skoring kredit & deteksi fraud real-time.

UMKM DIGITAL

Data mining: segmentasi pelanggan dari data POS.
ML: prediksi stok/permintaan otomatis.

Perhatikan pola berulang: data mining menemukan wawasan, lalu ML mengotomatiskan aksi berdasarkan wawasan itu — keduanya bekerja berurutan dalam satu pipeline bisnis.

Tiga studi kasus ini saya pilih supaya Anda melihat bahwa konsep yang sama berlaku baik di perusahaan besar seperti BCA maupun UMKM digital kecil yang mungkin nanti Anda rintis sendiri. Di Tokopedia misalnya, data mining dulu dipakai untuk menemukan pola bahwa produk tertentu sering dibeli bersamaan, lalu wawasan itu diotomatiskan lewat sistem ML supaya rekomendasi muncul secara real-time untuk tiap pengguna. Di BCA, analisis pola transaksi nasabah lewat data mining membantu bank memahami kebiasaan nasabah, lalu ML dipakai membangun model skoring kredit dan deteksi fraud yang berjalan otomatis 24 jam. Bahkan sebuah UMKM yang memakai aplikasi kasir digital sederhana pun bisa memanfaatkan data mining untuk mensegmentasi pelanggan, lalu ML untuk memprediksi stok yang perlu disiapkan minggu depan. Poin pentingnya, data mining dan ML jarang berdiri sendiri-sendiri, keduanya biasanya menjadi satu alur kerja yang berurutan dalam bisnis nyata.

Latihan Kelas: Diskusi Kelompok (15 menit)

INSTRUKSI

Bentuk kelompok 3–4 orang.
Pilih 1 aplikasi digital yang Anda pakai sehari-hari (mis. Gojek, Shopee, Instagram, DANA).
Identifikasi: fitur mana yang menurut Anda memakai machine learning, dan fitur mana yang lebih dekat ke data mining murni?
Siapkan 1 alasan singkat untuk tiap identifikasi.

Tidak ada jawaban "sempurna" di latihan ini — tujuannya melatih Anda membedakan dua konsep, bukan menghafal definisi kaku.

Latihan ini adalah cara terbaik untuk menguji apakah pemahaman Anda hari ini sudah cukup matang, jadi silakan berdiskusi dengan serius selama lima belas menit ke depan. Pilih aplikasi yang benar-benar Anda pakai setiap hari supaya lebih mudah membayangkan, misalnya kalau Anda memilih Instagram, coba pikirkan fitur "explore" yang menyarankan konten - itu kemungkinan besar hasil machine learning karena bersifat prediksi personal untuk tiap pengguna. Sementara analisis semacam "pengguna yang follow akun A biasanya juga follow akun B" itu lebih dekat ke data mining karena sifatnya menemukan pola umum, bukan prediksi personal langsung. Saya akan berkeliling ke tiap kelompok untuk mendengar diskusi Anda, dan nanti beberapa kelompok akan saya minta presentasi singkat di depan kelas. Ingat, tidak ada jawaban yang benar-benar salah selama alasan Anda logis dan menunjukkan pemahaman konsep yang benar.

Rangkuman & Persiapan Pertemuan Berikutnya

RANGKUMAN HARI INI

Data adalah bahan mentah; ML & data mining mengolahnya jadi wawasan/aksi.
ML: mesin belajar pola dari data untuk membuat prediksi otomatis.
Data mining: menemukan pola/hubungan tersembunyi dalam data besar.
Keduanya beririsan dan sering dipakai berurutan dalam bisnis nyata.

TUGAS SEBELUM PERTEMUAN 2

Baca

Ringkasan singkat konsep "Dimensionality Reduction"

Pertemuan 2 kita akan bahas PCA, SVD, dan ICA — teknik menyederhanakan data berdimensi tinggi. Tidak perlu paham matematikanya dulu, cukup baca gambaran umumnya.

Sebelum kita tutup pertemuan hari ini, mari kita rangkum empat poin kunci yang wajib Anda ingat: data adalah bahan mentah, machine learning membuat mesin belajar pola untuk memprediksi, data mining menemukan pola tersembunyi dalam data besar, dan keduanya sering beririsan serta dipakai berurutan dalam praktik bisnis nyata seperti yang kita lihat di studi kasus Tokopedia dan BCA tadi. Untuk pertemuan kedua minggu depan, kita akan mulai masuk ke topik yang sedikit lebih teknis yaitu teknik dimensionality reduction seperti PCA, SVD, dan ICA — ini adalah cara menyederhanakan data yang punya sangat banyak kolom atau fitur menjadi lebih ringkas tanpa kehilangan informasi penting. Saya minta Anda membaca ringkasan singkatnya saja sebelum pertemuan berikutnya, tidak perlu memahami rumus matematikanya secara mendalam dulu karena kita akan bahas bersama-sama secara bertahap di kelas. Terima Kasih atas partisipasi aktif Anda hari ini, sampai jumpa di pertemuan berikutnya.