Program Studi Bisnis Digital • FEB

Pembelajaran Dalam dan Pembelajaran Mesin

Pertemuan 7 — Teknik Supervised Learning: Regression, SVM, Neural Network

Dari prediksi angka (regresi) ke pemisah kelas paling tegas (SVM) hingga jaringan neuron yang meniru cara otak belajar — tiga algoritma inti supervised learning yang paling banyak dipakai industri digital.

RPS MINGGU 7 • 2 × 50 MENIT

Selamat datang kembali, Anda sudah sampai di pertemuan ketujuh mata kuliah Pembelajaran Dalam dan Pembelajaran Mesin. Minggu lalu kita membahas teknik unsupervised learning seperti K-means dan hierarchical clustering, di mana model mengelompokkan data tanpa label jawaban. Hari ini kita berpindah ke sisi lain dari taksonomi yang sudah kita pelajari dua minggu lalu, yaitu supervised learning, di mana model belajar dari data yang sudah punya jawaban benar. Kita akan bahas tiga algoritma andalan secara berurutan: regresi untuk memprediksi angka seperti omzet penjualan, Support Vector Machine atau SVM untuk memisahkan kelas data setegas mungkin, dan neural network yang meniru cara kerja neuron otak manusia. Bayangkan Anda bekerja di sebuah startup e-commerce seperti Tokopedia atau Shopee; ketiga teknik ini adalah alat sehari-hari untuk memprediksi harga, mendeteksi transaksi mencurigakan, dan merekomendasikan produk. Siapkan kalkulator sederhana Anda, karena hari ini kita akan menghitung beberapa contoh dari nol supaya konsepnya tidak terasa seperti kotak hitam.

Bagian 1 dari 3

Regresi: Memprediksi Angka

Bagaimana mesin belajar menggambar garis terbaik yang menjelaskan hubungan antar-variabel — dan bagaimana kita mengukur seberapa baik garis itu.

Regresi dalam Peta Supervised Learning

Minggu lalu kita bagi pembelajaran mesin menjadi unsupervised, supervised, dan semi-supervised. Regresi adalah salah satu dari dua cabang utama supervised learning (belajar dari data ber-label / labeled data, yaitu data yang sudah punya jawaban benar).

REGRESI (REGRESSION)

OUTPUT ANGKA

Memprediksi nilai kontinu — harga saham BBCA, omzet UMKM bulan depan, suhu besok.

KLASIFIKASI (CLASSIFICATION)

OUTPUT KATEGORI

Memprediksi kelas/label — email spam atau bukan, nasabah gagal bayar atau lunas.

SVM dan neural network yang akan kita bahas hari ini bisa dipakai untuk kedua tugas — regresi maupun klasifikasi — tergantung bagaimana output-nya dirancang.

Regresi Linear Sederhana: Mencari Garis Terbaik

Simple linear regression mencari garis lurus yang paling mendekati sebaran titik data. Garis ini punya dua parameter: intersep (b0) dan kemiringan/slope (b1).

Y = b0 + b1X

Metode pencariannya disebut Ordinary Least Squares (OLS) — garis yang meminimalkan total kuadrat selisih (residual) antara nilai aktual dan nilai prediksi.

Bayangkan Anda punya data lima UMKM binaan: modal promosi digital masing-masing dan omzet bulanan mereka. Kalau dipetakan di grafik, titik-titiknya tersebar naik dari kiri-bawah ke kanan-atas. Tugas regresi linear adalah menemukan satu garis lurus yang paling mewakili pola itu, dinyatakan dengan rumus Y sama dengan b0 ditambah b1 kali X. Intersep b0 adalah titik potong garis di sumbu Y, sementara slope b1 memberi tahu kita berapa kenaikan omzet untuk setiap tambahan satu juta modal. Metode Ordinary Least Squares, atau OLS, mencari garis itu dengan cara meminimalkan total kuadrat jarak vertikal antara setiap titik data dan garis prediksi; kita sebut jarak itu residual atau error. Di slide berikutnya, kita akan hitung sendiri b0 dan b1 ini dari data nyata, langkah demi langkah, supaya rumus ini tidak lagi terasa abstrak.

Coba Sendiri: Geser Titik, Lihat Garis Regresi Berubah

Geser posisi titik data modal-omzet pada scatter plot, amati bagaimana garis regresi OLS menyesuaikan diri secara langsung.

Hitung dari Nol: Koefisien Regresi (OLS)

Data 5 UMKM binaan: modal promosi (X, juta Rp) = 2, 4, 6, 8, 10 — omzet bulanan (Y, juta Rp) = 5, 8, 10, 14, 18.

Langkah	Perhitungan	Nilai
1. Rata-rata X (x̄)	(2+4+6+8+10) / 5	6
2. Rata-rata Y (ȳ)	(5+8+10+14+18) / 5	11
3. Σ(x−x̄)(y−ȳ)	24+6+0+6+28	64
4. Σ(x−x̄)²	16+4+0+4+16	40
5. Slope b1	64 ÷ 40	1,6
6. Intersep b0	11 − (1,6 × 6)	1,4

MODEL REGRESI

Y = 1,4 + 1,6X

Tiap tambahan Rp1 juta modal → omzet naik ~Rp1,6 juta

Sekarang kita buktikan sendiri bahwa rumus regresi bukan sihir, melainkan aritmetika biasa. Langkah pertama dan kedua hanya mencari rata-rata modal dan rata-rata omzet dari lima UMKM binaan kita. Langkah ketiga dan keempat menghitung penyimpangan tiap titik data dari rata-ratanya, lalu mengalikan dan menjumlahkannya sesuai rumus slope OLS. Ketika kita bagi hasil langkah tiga dengan langkah empat, kita dapat slope b1 sebesar 1,6, artinya setiap tambahan satu juta rupiah modal promosi berasosiasi dengan kenaikan omzet sekitar 1,6 juta rupiah. Terakhir, intersep b0 kita hitung dari rata-rata Y dikurangi slope dikali rata-rata X, menghasilkan 1,4. Jadi model akhir kita adalah Y sama dengan 1,4 ditambah 1,6 kali X — model sederhana ini bisa langsung dipakai memprediksi omzet UMKM lain yang belum ada datanya, asal modalnya berada di rentang yang wajar.

Coba Sendiri: Hitung Koefisien OLS Langkah demi Langkah

Ubah data modal dan omzet UMKM, telusuri stepper untuk melihat bagaimana slope dan intersep OLS dihitung dari nol.

Seberapa Baik Model Kita? Mengukur dengan R²

Model saja tidak cukup — kita perlu ukuran seberapa dekat prediksi dengan kenyataan. Tiga metrik paling umum:

R² (R-SQUARED)

0,98

98% variasi omzet dijelaskan oleh modal — mendekati 1 = model sangat kuat.

RMSE

~0,57

Root Mean Squared Error — rata-rata besar kesalahan prediksi (dalam juta Rp), makin kecil makin baik.

MAE

~0,48

Mean Absolute Error — rata-rata selisih mutlak, lebih tahan terhadap outlier dibanding RMSE.

Model kita di slide sebelumnya punya R² ≈ 0,98 — artinya garis regresi cocok sangat baik dengan lima titik data UMKM tadi.

Setelah punya model, pertanyaan berikutnya adalah bagaimana kita tahu model itu bagus atau jelek. R-squared, atau koefisien determinasi, mengukur berapa persen variasi data yang berhasil dijelaskan oleh model kita; nilainya antara nol dan satu, dan makin dekat ke satu makin bagus. Untuk data UMKM kita tadi, kalau Anda hitung selisih kuadrat prediksi dan aktual dibanding total variasi data, hasilnya sekitar 0,98, artinya model kita menjelaskan 98 persen pola omzet. RMSE dan MAE mengukur besar kesalahan dalam satuan asli data, dalam kasus ini juta rupiah; RMSE lebih sensitif terhadap kesalahan besar sementara MAE memberi bobot yang sama pada semua kesalahan. Dalam praktik konsultasi bisnis digital, ketiga metrik ini selalu dilaporkan bersamaan supaya klien tahu bukan hanya seberapa pas modelnya, tapi juga seberapa besar rata-rata meleset prediksinya dalam rupiah.

Coba Sendiri: Ukur Kebaikan Model dengan R Kuadrat

Ubah sebaran titik data di sekitar garis regresi, amati bagaimana nilai R kuadrat naik atau turun mengikuti kerapatan sebaran.

Dari Satu ke Banyak Variabel: Regresi Berganda

Multiple regression memakai lebih dari satu prediktor sekaligus — makin realistis, tapi menyimpan jebakan.

Y = b0 + b1X1 + b2X2 + ... + bnXn

Contoh: Prediksi Omzet Toko Online

X1 = anggaran iklan digital
X2 = jumlah pengikut media sosial
X3 = rating produk rata-rata

Overfitting (istilah: model terlalu "hafal" data latih): terlalu banyak variabel bisa membuat model sangat akurat di data lama tapi meleset jauh di data baru — solusinya diuji dengan data testing terpisah.

Di dunia nyata, omzet sebuah toko online jarang hanya dipengaruhi satu variabel; biasanya ada anggaran iklan, jumlah pengikut media sosial, rating produk, dan banyak faktor lain sekaligus. Regresi berganda memperluas rumus sederhana tadi dengan menambah lebih banyak variabel X, masing-masing punya koefisien b sendiri yang menunjukkan kontribusinya. Namun ada jebakan yang harus Anda waspadai bernama overfitting, yaitu ketika model terlalu menyesuaikan diri dengan data latih sampai-sampai ikut "menghafal" noise atau kebisingan yang sebenarnya tidak berpola. Model yang overfitting akan terlihat sangat akurat saat diuji dengan data lama, tetapi mengecewakan saat dihadapkan data baru yang belum pernah dilihat. Karena itu, praktik standar di industri adalah selalu memisahkan data menjadi data latih dan data uji, lalu mengevaluasi model hanya berdasarkan performanya di data uji yang belum pernah dilihat sebelumnya.

Coba Sendiri: Tambah Variabel pada Regresi Berganda

Aktifkan atau nonaktifkan variabel prediktor satu per satu, amati bagaimana koefisien beta dan performa model berubah dengan jumlah variabel yang berbeda.

Bagian 2 dari 3

Support Vector Machine (SVM)

Bukan sekadar memisahkan dua kelompok data — SVM mencari batas pemisah yang paling "adil" dengan jarak maksimal ke kedua sisi.

Hyperplane, Margin, dan Support Vector

SVM mencari hyperplane (garis/bidang pemisah antar-kelas) dengan margin (jarak kosong) paling lebar antara dua kelompok data.

Tiga Istilah Kunci

Hyperplane: garis/bidang pemisah kelas.
Margin: jarak dari hyperplane ke titik data terdekat kedua sisi (garis putus-putus).
Support vector: titik data yang paling dekat dengan hyperplane — merekalah yang menentukan posisi garis.

SVM memilih hyperplane dengan margin terlebar (maximum margin classifier) — bukan sekadar garis pemisah pertama yang ditemukan.

Perhatikan diagram di sebelah kiri: ada dua kelompok data, lingkaran dan kotak, dan kita ingin menarik garis pemisah di antara mereka. Garis tegas di tengah itu disebut hyperplane, sementara dua garis putus-putus di kiri-kanannya menandai margin, yaitu ruang kosong antara hyperplane dan titik data terdekat dari masing-masing kelompok. Titik-titik data yang paling dekat dengan hyperplane, yang menyentuh garis putus-putus, disebut support vector, dan merekalah yang sebenarnya menentukan posisi dan kemiringan hyperplane, bukan seluruh titik data. Keunggulan utama SVM dibanding sekadar menarik garis pemisah sembarang adalah SVM secara matematis mencari margin paling lebar, sehingga model punya "ruang aman" maksimal ketika menghadapi data baru yang sedikit meleset dari pola data latih. Dalam konteks bisnis digital, bayangkan SVM digunakan Bank untuk memisahkan nasabah lancar dan berisiko gagal bayar — margin lebar membuat keputusan itu lebih tegas dan tidak mudah salah klasifikasi pada kasus borderline.

Coba Sendiri: Cari Hyperplane dengan Margin Terlebar

Geser posisi hyperplane pada dua kelompok data, amati bagaimana lebar margin berubah dan titik mana yang menjadi support vector.

Kernel Trick: Ketika Data Tidak Bisa Dipisah Garis Lurus

Banyak data dunia nyata tidak terpisah rapi oleh garis lurus. Kernel trick memetakan data ke dimensi lebih tinggi agar bisa dipisah linear di sana.

Fungsi kernel (mis. RBF, polynomial) menghitung kemiripan antar-titik seolah data diproyeksikan ke ruang berdimensi lebih tinggi — tanpa benar-benar menghitung koordinat di dimensi itu, sehingga tetap efisien.

Walkthrough — Dua Kasus Klasifikasi Transaksi E-Commerce

Kasus	Pola Data	Strategi SVM
1. Deteksi fraud sederhana	Nominal transaksi vs jam transaksi terpisah cukup rapi	Kernel linear — hyperplane garis lurus sudah cukup
2. Deteksi fraud kompleks	Transaksi wajar mengelilingi transaksi mencurigakan (pola melingkar)	Kernel RBF — data "dilipat" ke dimensi lebih tinggi agar terpisah

Perhatikan diagram lingkaran di kiri: titik-titik lingkaran mengelompok di tengah, sementara titik-titik kotak mengelilinginya di semua sisi — tidak ada satu pun garis lurus yang bisa memisahkan keduanya dengan bersih. Di sinilah kernel trick berperan; secara konsep, data ini "dilipat" atau diproyeksikan ke ruang berdimensi lebih tinggi, di mana ternyata kedua kelompok itu bisa dipisahkan dengan bidang datar. Kabar baiknya, secara matematis SVM tidak perlu benar-benar menghitung koordinat di dimensi tinggi itu satu per satu; fungsi kernel seperti RBF (radial basis function) langsung menghitung kemiripan antar-titik seolah-olah sudah diproyeksikan, sehingga tetap efisien secara komputasi. Pada tabel walkthrough, kasus pertama menggambarkan pola transaksi yang sudah cukup rapi sehingga kernel linear paling sederhana sudah memadai. Kasus kedua menggambarkan pola melingkar seperti diagram tadi, yang membutuhkan kernel RBF agar bisa dipisahkan — ini mirip kasus deteksi fraud kartu kredit yang pola normal dan mencurigakannya saling tumpang tindih di ruang data mentah.

Coba Sendiri: Lipat Data ke Dimensi Lebih Tinggi

Aktifkan kernel RBF pada data yang tidak terpisah linear, amati bagaimana data "terlipat" ke dimensi baru sehingga bisa dipisah bidang datar.

SVM di Dunia Bisnis Digital

SVM populer untuk kasus klasifikasi dengan data berdimensi tinggi namun jumlah sampel terbatas — kondisi umum di startup tahap awal.

FRAUD DETECTION

TRANSAKSI

Memisahkan transaksi e-wallet normal vs mencurigakan dari pola nominal, lokasi, jam.

CHURN PREDICTION

PELANGGAN

Memprediksi pelanggan yang berpotensi berhenti berlangganan layanan streaming/SaaS.

SENTIMEN ULASAN

TEKS

Mengklasifikasi ulasan produk Tokopedia/Shopee sebagai positif atau negatif.

Kelemahan: SVM melambat signifikan pada dataset sangat besar (jutaan baris) dan kurang cocok bila kelas tumpang tindih parah.

Di industri digital, SVM sering jadi pilihan pertama ketika jumlah fitur atau variabelnya banyak tetapi jumlah datanya belum terlalu besar, kondisi yang sangat umum di startup tahap awal yang datanya belum sebanyak perusahaan besar. Contoh nyata pertama adalah deteksi fraud pada transaksi e-wallet, di mana SVM memisahkan transaksi normal dari yang mencurigakan berdasarkan kombinasi nominal, lokasi, dan waktu transaksi. Contoh kedua adalah prediksi churn, yaitu memperkirakan pelanggan layanan streaming atau software berlangganan mana yang berpotensi berhenti, sehingga tim bisa melakukan intervensi lebih dulu. Contoh ketiga adalah analisis sentimen ulasan produk di platform seperti Tokopedia atau Shopee, mengklasifikasikan ulasan sebagai positif atau negatif secara otomatis. Namun perlu diingat, SVM punya kelemahan: performanya melambat signifikan ketika data mencapai jutaan baris, dan kurang optimal ketika kelas-kelasnya tumpang tindih sangat parah — untuk kasus seperti itu, neural network yang akan kita bahas berikutnya sering jadi pilihan lebih baik.

Bagian 3 dari 3

Neural Network

Meniru cara neuron otak manusia saling terhubung dan "menyala" — fondasi dari deep learning yang akan kita perdalam di pertemuan-pertemuan mendatang.

Anatomi Neural Network: Neuron, Lapisan, Aktivasi

Jaringan tersusun dari neuron (unit pemroses) yang tersusun dalam lapisan (layer): input, tersembunyi (hidden), dan output.

Tiga Konsep Kunci

Bobot (weight): kekuatan koneksi antar-neuron, dipelajari dari data.
Bias: nilai tambahan agar neuron lebih fleksibel.
Fungsi aktivasi (mis. sigmoid): mengubah jumlah sinyal jadi output "menyala" (0–1) atau tidak.

Lihat diagram di kiri: neuron-neuron pada lapisan input menerima data mentah, misalnya durasi kunjungan pengguna di sebuah situs e-commerce dan jumlah klik produk. Sinyal itu diteruskan ke lapisan tersembunyi atau hidden layer, di mana setiap koneksi punya bobot atau weight yang menentukan seberapa besar pengaruh sinyal tersebut, ditambah satu nilai bias yang membuat neuron lebih fleksibel dalam menyesuaikan pola. Setelah dijumlahkan, hasilnya dilewatkan ke fungsi aktivasi, misalnya sigmoid, yang mengubah angka mentah tadi menjadi nilai antara nol dan satu, seolah neuron itu "menyala" atau "tidak menyala" sesuai kekuatan sinyalnya. Proses ini berulang dari lapisan ke lapisan sampai mencapai lapisan output, yang misalnya memberi probabilitas seorang pengunjung situs akan membeli produk atau tidak. Di slide berikutnya, kita akan menghitung satu neuron secara manual, lengkap dengan bobot dan fungsi aktivasinya, supaya Anda melihat sendiri bahwa di balik istilah "AI" yang terdengar canggih, dasarnya hanyalah operasi perkalian dan penjumlahan yang bisa ditelusuri.

Coba Sendiri: Jelajahi Anatomi Neural Network

Klik neuron pada tiap lapisan, amati koneksi dan bobotnya, lihat bagaimana sinyal mengalir dari input ke hidden layer sampai output.

Hitung dari Nol: Forward Pass Satu Neuron

Prediksi probabilitas pengunjung situs membeli produk: input durasi kunjungan (x1=0,5) dan jumlah klik produk (x2=0,8), keduanya sudah dinormalisasi 0–1.

Langkah	Perhitungan	Nilai
1. Bobot × input 1 (w1=0,4)	0,4 × 0,5	0,20
2. Bobot × input 2 (w2=0,6)	0,6 × 0,8	0,48
3. Jumlahkan + bias (b=−0,1)	0,20 + 0,48 − 0,1	0,58
4. Hitung e^−0,58	e^−0,58 ≈	0,56
5. Fungsi aktivasi sigmoid	1 ÷ (1 + 0,56)	0,64

OUTPUT NEURON

0,64

~64% probabilitas pengunjung ini membeli produk

Sekarang kita buktikan bahwa satu neuron hanyalah kalkulator kecil. Langkah pertama dan kedua mengalikan tiap input dengan bobotnya masing-masing: durasi kunjungan 0,5 dikali bobot 0,4 menghasilkan 0,20, dan jumlah klik produk 0,8 dikali bobot 0,6 menghasilkan 0,48. Langkah ketiga menjumlahkan kedua hasil itu lalu menambahkan bias sebesar minus 0,1, menghasilkan nilai gabungan 0,58 — inilah sinyal mentah sebelum diaktifkan. Langkah keempat dan kelima menerapkan fungsi aktivasi sigmoid, yang rumusnya satu dibagi satu ditambah e pangkat minus dari nilai gabungan tadi; setelah dihitung, e pangkat minus 0,58 kira-kira 0,56, sehingga hasil akhirnya sekitar 0,64. Artinya, berdasarkan pola durasi kunjungan dan jumlah klik ini, neuron kita memperkirakan sekitar 64 persen kemungkinan pengunjung tersebut akan membeli produk — persis seperti yang dipakai Tokopedia atau Shopee untuk menampilkan rekomendasi checkout yang dipersonalisasi.

Coba Sendiri: Hitung Forward Pass Neuron Anda Sendiri

Ubah nilai input, bobot, dan bias, amati bagaimana hasil penjumlahan dan output sigmoid berubah pada satu neuron.

Bagaimana Neural Network "Belajar"? Backpropagation

Setelah forward pass menghasilkan prediksi, jaringan membandingkannya dengan jawaban benar, lalu memperbaiki bobot lewat backpropagation (proses "menyalahkan mundur" tiap bobot atas errornya).

Walkthrough — Siklus Belajar Satu Neuron

Tahap	Yang Terjadi
1. Forward pass	Neuron menghasilkan prediksi 0,64 (dari slide sebelumnya), tapi pengunjung ini ternyata tidak membeli (jawaban benar = 0).
2. Hitung error	Selisih prediksi vs jawaban benar = 0,64 − 0 = 0,64 — model terlalu percaya diri.
3. Backpropagation	Error "disebar mundur" ke tiap bobot (w1, w2, bias) — dihitung seberapa besar masing-masing berkontribusi pada error.
4. Update bobot	Bobot yang paling berkontribusi pada error dikurangi sedikit demi sedikit (learning rate kecil) agar prediksi berikutnya lebih akurat.

Siklus forward pass → hitung error → backpropagation diulang ribuan kali (disebut epoch) sampai bobot stabil dan error mengecil.

Neuron tunggal yang kita hitung tadi hanyalah satu langkah kecil; yang membuat neural network benar-benar "belajar" adalah proses berulang bernama backpropagation. Pertama, jaringan melakukan forward pass seperti yang barusan kita hitung, menghasilkan prediksi 0,64, tetapi ternyata pengunjung itu tidak jadi membeli, sehingga jawaban benarnya adalah nol. Kedua, jaringan menghitung besarnya error, yaitu selisih antara prediksi dan jawaban benar, yang dalam kasus ini cukup besar karena model terlalu percaya diri. Ketiga, error itu "disebar mundur" dari output ke setiap bobot yang terlibat, menghitung kontribusi masing-masing bobot terhadap kesalahan tersebut — inilah asal nama backpropagation, karena arah perhitungannya mundur dari output ke input. Keempat, setiap bobot diperbarui sedikit demi sedikit menggunakan parameter yang disebut learning rate, dan seluruh siklus ini diulang ribuan kali, yang dalam istilah machine learning disebut epoch, sampai model cukup akurat memprediksi pola pembelian yang sesungguhnya.

Coba Sendiri: Jalankan Animasi Backpropagation

Jalankan animasi siklus belajar langkah demi langkah, amati bagaimana error disebar mundur dan bobot diperbarui sedikit demi sedikit.

Regresi vs SVM vs Neural Network: Kapan Pakai Apa?

Kriteria	Regresi	SVM	Neural Network
Jenis output	Angka (regresi)	Kategori (bisa regresi)	Keduanya
Kebutuhan data	Sedikit cukup	Sedang	Butuh banyak data
Mudah dijelaskan?	Sangat mudah	Cukup mudah	Sulit ("kotak hitam")
Waktu latih	Cepat	Sedang – lambat	Lambat, butuh komputasi besar
Contoh pakai	Prediksi omzet	Deteksi fraud	Rekomendasi produk, gambar, teks

Tidak ada algoritma "terbaik" mutlak — pilihan bergantung jumlah data, kebutuhan penjelasan (interpretability), dan sumber daya komputasi yang tersedia.

Setelah membahas tiga algoritma satu per satu, penting bagi Anda sebagai calon praktisi bisnis digital untuk bisa memilih yang tepat sesuai kebutuhan. Regresi unggul ketika Anda butuh model yang cepat dilatih dan mudah dijelaskan ke atasan atau klien, misalnya menjelaskan kenapa omzet diprediksi naik. SVM cocok ketika data Anda berdimensi tinggi tapi jumlah sampelnya belum terlalu besar, dan masih relatif bisa dijelaskan dibanding neural network. Neural network unggul pada tugas yang sangat kompleks seperti pengenalan gambar atau rekomendasi produk personal, tetapi menuntut data dalam jumlah besar dan komputasi yang berat, serta sering disebut "kotak hitam" karena sulit dijelaskan alasannya secara sederhana. Sebagai analis bisnis digital, keputusan memilih algoritma bukan soal mana yang paling canggih, melainkan mana yang paling sesuai dengan data yang Anda punya, kebutuhan penjelasan ke stakeholder, dan anggaran komputasi perusahaan.

Studi Kasus: Startup E-Commerce Memilih Algoritma

Sebuah startup fesyen online punya tiga kebutuhan sekaligus. Algoritma mana yang paling tepat untuk masing-masing?

KEBUTUHAN 1

PREDIKSI OMZET

Data historis 24 bulan, ingin tahu tren omzet 3 bulan ke depan.
→ Regresi

KEBUTUHAN 2

FILTER SPAM ULASAN

5.000 ulasan berlabel, fitur teks berdimensi tinggi.
→ SVM

KEBUTUHAN 3

REKOMENDASI FOTO PRODUK

Jutaan gambar produk, pola visual sangat kompleks.
→ Neural Network

Perusahaan digital modern jarang memakai satu algoritma saja — ketiganya sering berjalan berdampingan untuk fungsi yang berbeda.

Mari kita satukan tiga algoritma hari ini dalam satu kasus nyata: sebuah startup fesyen online dengan tiga kebutuhan berbeda sekaligus. Kebutuhan pertama, memprediksi tren omzet tiga bulan ke depan dari data historis dua puluh empat bulan, paling pas dijawab regresi karena datanya sedikit, hubungannya relatif linear, dan hasilnya perlu dijelaskan ke investor secara sederhana. Kebutuhan kedua, menyaring lima ribu ulasan produk yang sudah berlabel spam atau bukan, dengan fitur teks yang berdimensi tinggi, cocok memakai SVM karena efektif pada dimensi tinggi dengan jumlah sampel yang belum masif. Kebutuhan ketiga, merekomendasikan foto produk dari jutaan gambar dengan pola visual sangat kompleks, membutuhkan neural network karena tugas pengenalan gambar butuh kemampuan menangkap pola yang sangat rumit yang tidak sanggup ditangkap regresi atau SVM. Yang perlu Anda catat, perusahaan digital modern hampir tidak pernah bergantung pada satu algoritma saja; ketiganya biasanya berjalan berdampingan, masing-masing menangani fungsi bisnis yang berbeda dalam satu ekosistem.

Latihan Kelas: Diskusi Kelompok

Bentuk kelompok 3–4 orang. Diskusikan skenario berikut selama 10 menit, lalu presentasikan singkat.

Skenario

Sebuah platform ojek online ingin membangun model untuk memprediksi apakah seorang pengemudi berpotensi berhenti (churn) dalam 3 bulan ke depan, berdasarkan data: jumlah trip per minggu, rating rata-rata, lama bergabung, dan jarak tempuh rata-rata.

PERTANYAAN 1

Apakah ini kasus regresi atau klasifikasi? Jelaskan alasannya.

PERTANYAAN 2

Algoritma mana (regresi/SVM/neural network) yang akan Anda coba pertama kali, dan mengapa — pertimbangkan jumlah data pengemudi yang tersedia?

Sekarang giliran Anda mempraktikkan cara berpikir yang sudah kita bangun sepanjang pertemuan ini. Bentuk kelompok kecil tiga sampai empat orang, dan diskusikan skenario sebuah platform ojek online yang ingin memprediksi pengemudi mana yang berpotensi berhenti dalam tiga bulan ke depan. Pertanyaan pertama menguji pemahaman Anda soal taksonomi: apakah churn ini termasuk regresi karena hasilnya angka, atau klasifikasi karena hasilnya kategori berhenti-atau-tidak — jawaban yang benar adalah klasifikasi, karena outputnya berupa dua kategori, meskipun secara teknis SVM dan neural network keduanya sanggup menjawabnya. Pertanyaan kedua meminta Anda mempertimbangkan trade-off praktis: kalau platform baru punya data lima ratus pengemudi, SVM mungkin lebih masuk akal dibanding neural network yang butuh data jauh lebih banyak agar tidak overfitting. Saya akan berkeliling mendengarkan diskusi kelompok, dan setelah sepuluh menit, dua atau tiga kelompok akan saya minta mempresentasikan jawabannya secara singkat di depan kelas.

Rangkuman: Tiga Pilar Supervised Learning

Algoritma	Inti Cara Kerja	Kelebihan Utama
Regresi	Mencari garis/bidang terbaik via OLS (meminimalkan kuadrat error)	Cepat, mudah dijelaskan, data sedikit cukup
SVM	Mencari hyperplane dengan margin terlebar; kernel trick untuk data non-linear	Kuat pada dimensi tinggi, sampel terbatas
Neural Network	Lapisan neuron + bobot; belajar via forward pass & backpropagation	Menangkap pola sangat kompleks (gambar, teks, suara)

Semua bermula dari prinsip yang sama: belajar dari data ber-label, lalu diuji pada data baru yang belum pernah dilihat model.

Mari kita tutup pertemuan hari ini dengan merangkum tiga algoritma yang sudah kita bedah tuntas. Regresi bekerja dengan mencari garis atau bidang terbaik lewat metode Ordinary Least Squares, unggul karena cepat dilatih dan hasilnya mudah dijelaskan ke siapa saja, bahkan dengan data yang jumlahnya sedikit. SVM bekerja dengan mencari hyperplane bermargin paling lebar, dan bila datanya tidak terpisah linear, kernel trick memungkinkan pemisahan di dimensi lebih tinggi tanpa kehilangan efisiensi komputasi. Neural network bekerja lewat lapisan-lapisan neuron yang saling terhubung dengan bobot, belajar melalui siklus forward pass dan backpropagation yang berulang ribuan kali, dan unggul menangkap pola sangat kompleks seperti pada gambar, teks, atau suara. Yang paling penting untuk Anda ingat, ketiganya berbagi prinsip fundamental yang sama sebagai supervised learning: belajar dari data yang sudah berlabel, lalu diuji kejujurannya pada data baru yang belum pernah dilihat sebelumnya — prinsip inilah yang akan terus kita pegang di topik-topik berikutnya.

Sebelum Kita Tutup

Minggu Depan: Pertemuan 8

Reinforcement Learning: MDP dan Bellman Equations — bagaimana mesin belajar dari reward dan penalty lewat percobaan berulang, seperti robot atau agen AI yang belajar bermain game.

TUGAS SEBELUM PERTEMUAN 8

Hitung ulang forward pass pada slide 14 dengan mengganti x1=0,7 dan x2=0,3 (bobot & bias tetap sama). Bawa hasilnya ke kelas.

Pertanyaan reflektif: dari tiga algoritma hari ini, mana yang paling relevan untuk ide bisnis digital Anda sendiri? Simpan jawabannya untuk tugas akhir semester.

Sebelum kita mengakhiri pertemuan hari ini, mari saya beri gambaran singkat tentang apa yang menanti Anda minggu depan. Pertemuan kedelapan akan membahas reinforcement learning, sebuah pendekatan belajar mesin yang cukup berbeda dari tiga teknik hari ini, di mana model belajar dari sinyal reward dan penalty lewat percobaan berulang, mirip cara robot belajar berjalan atau agen AI belajar bermain game strategi. Sebagai tugas sebelum pertemuan berikutnya, saya minta Anda menghitung ulang forward pass neuron seperti pada slide empat belas tadi, tetapi dengan mengganti nilai input durasi kunjungan dan jumlah klik, sementara bobot dan bias tetap sama seperti contoh kita — bawa hasil perhitungan Anda ke kelas untuk kita bahas bersama. Saya juga ingin Anda merenungkan satu pertanyaan reflektif: dari regresi, SVM, dan neural network yang kita pelajari hari ini, mana yang paling relevan untuk ide bisnis digital yang mungkin sudah Anda pikirkan, karena jawaban ini akan berguna untuk tugas akhir semester. Terima Kasih atas partisipasi aktif Anda hari ini, sampai jumpa di pertemuan berikutnya.