Teknik Predictive Modeling pada Machine Learning
Machine learning digunakan oleh praktisi data bukan tanpa alasan. Ia memiliki beragam teknik modeling yang bisa diaplikasikan untuk kebutuhan pengambilan keputusan. Setiap model juga tentunya memiliki output sesuai tujuan yang diharapkan. Misalnya, untuk kebutuhan klasifikasi dan prediksi, tentunya dibutuhkan machine learning model yang tidak sama. Bahkan untuk setiap model pun, praktisi data memiliki bermacam pilihan.
Machine learning untuk kebutuhan prediksi sangat membantu perusahaan untuk dapat melihat peluang mendatang. Inilah mengapa teknik predictive modeling pada machine learning adalah teknik yang paling umum digunakan. Contoh sederhananya, model ini akan membantu kalian mengetahui apakah pelanggan akan berlangganan pada layanan yang perusahaan berikan, apakah produk yang ada tetap menjadi tren di masa mendatang, atau mungkin ada peluang baru yang dapat dikembangkan. Model prediksi dapat membantu atas setiap permasalahan tersebut. Nah, berikut akan dijelaskan lebih detail tentang teknik predictive modeling pada machine learning.
1. Predictive Modeling dan Perannya Bagi Bisnis
Predictive modeling adalah teknik dengan pendekatan statistika yang menganalisis pola data untuk menentukan adanya kejadian di masa depan atau peluang baru yang bisa diterapkan. Teknik ini membutuhkan proses machine learning dan data mining sehingga hasil prediksi lebih akurat. Output yang diberikan biasanya berupa tren, kebiasaan berulang yang dapat diidentifikasi polanya, atau prediksi kejadian yang akan datang.
Salah satu contoh penggunaan predictive modeling adalah pada industri perbankan. Dengan mengumpulkan data kredit customer, data pribadi, dan bermacam interaksi lainnya yang dilakukan, maka pihak bank dapat menentukan bobot kredit mereka untuk selanjutnya digunakan sebagai pertimbangan pemberian limit kredit.
Tentu teknik predictive modeling banyak digunakan oleh bisnis untuk pengambilan keputusan. Teknik ini mengenali kebutuhan customer dengan sangat baik. Sehingga setiap keputusan yang diambil lebih tepat sasaran. Berikut beberapa peran predictive modeling dalam peningkatan bisnis dan pengambilan keputusan.
Mengumpulkan data berkaitan dengan permintaan customer
Memitigasi adanya resiko finansial
Mengevaluasi produk yang ada untuk meningkatkan pendapatan
Meminimalkan waktu dan biaya untuk proses prediksi manual
Memprediksi faktor eksternal yang mungkin dapat diimplementasikan di masa depan
Ada bermacam variasi teknik predictive modeling yang bisa digunakan pada machine learning. Dengan ini kalian bisa membandingkan teknik yang tepat sesuai kebutuhan.
Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!
2. Teknik Linear Regression
Analisis regresi linear adalah sebuah metode untuk memprediksi masa depan. regresi linear didasarkan oleh perhitungan matematika, yakni dengan memperhitungkan variabel yang ada. Selain itu, juga bertujuan untuk memeriksa apakah variabel independen (variabel prediktor) mampu memprediksi variabel dependen (hasil) serta variabel mana yang memberi dampak signifikan terhadap hasil prediksi.
Umumnya, tipe analisis ini digunakan untuk mengetahui efek dari variabel independen dengan variabel dependen. Misalnya di bidang bisnis, analisis ini sering digunakan untuk memprediksi tingkat penjualan dengan budget marketing yang akan dikeluarkan atau pengaruh umur dengan daya beli target pasar. Hal yang paling utama adalah regresi linear bisa memprediksi tren ke depannya, seperti perhitungan harga emas dalam enam bulan ke depan dan sebagainya.
Ada banyak teknik analisis regresi linear yang digunakan dalam machine learning. Mari bahas tiga di antaranya yang paling umum.
Simple regresi linear. Model ini menggunakan dua variabel independen, sehingga dianggap sebagai model yang paling sederhana. Hanya saja, karena keterbatasan variabel yang digunakan, simple regresi linear kurang praktikal. Model ini lebih cocok untuk latihan bagi pemula.
Ordinary least squares (OLS). Menjadi model yang paling umum digunakan, OLS biasa digunakan untuk mengestimasi sebuah parameter yang tidak diketahui nilainya. OLS mengolah data sebagai matriks dan menggunakan aljabar linear. Prosesnya terbilang cukup singkat, menjadi salah satu alasan mengapa OLS banyak dipilih.
Gradient descent. Model ini juga umum dilakukan dalam machine learning. Jika ingin menggunakan model ini, maka kalian perlu memilih parameter learning rate (alpha) yang menentukan langkah perbaikan yang harus diambil di setiap iterasi prosedur. Karena sifatnya yang mudah untuk dimengerti, gradient descent pun cocok digunakan jika kalian memiliki data dalam jumlah banyak.
3. Teknik Logistic Regression
Logistic regression adalah jenis analisis statistik yang sering digunakan data analyst untuk pemodelan prediktif. Dalam pendekatan analitik ini, variabel dependennya terbatas atau kategoris, bisa berupa A atau B (regresi biner) atau berbagai opsi hingga A, B, C atau D (regresi multinomial). Jenis analisis statistik digunakan dalam software statistik untuk memahami hubungan antara variabel dependen dan satu atau lebih variabel independen dengan memperkirakan probabilitas.
Contohnya, kalian ingin mengetahui kemungkinan pengunjung memilih atau tidak memilih penawaran yang dibuat di website(variabel terikat). Kalian dapat melakukan analisis dengan melihat karakteristik pengunjung, seperti situs asal mereka, kunjungan berulang ke situs, hingga perilaku di situs website (variabel independen).
Terdapat tiga jenis utama logistic regression yang berbeda dalam eksekusi dan teori. Berikut penjelasannya.
Binary logistic regression. Dalam kebutuhan mengklasifikasikan suatu objek, binary logistic regression hanya menyediakan dua kemungkinan jawaban. Konsep ini biasanya direpresentasikan sebagai 0 atau 1 dalam pengkodean. Contohnya, menilai risiko kanker (hasilnya tinggi atau rendah).
Multinomial logistic regression. Model ini menyediakan beberapa kelas yang dapat diklasifikasikan sebagai item. Ada satu set yang terdiri dari tiga atau lebih kelas yang telah ditentukan dan disiapkan sebelum menjalankan model. Contohnya, memprediksi apakah seorang siswa akan melanjutkan ke perguruan tinggi, sekolah perdagangan, atau ke dunia kerja.
Ordinal regresi logistik. Tipe ini juga merupakan model di mana ada beberapa kelas yang dapat diklasifikasikan sebagai item, namun butuh pengurutan kelas. Kelas tidak perlu proporsional dan jarak antar tiap kelas bisa berbeda-beda. Contohnya, peringkat restoran pada skala 0 hingga 5 bintang.
Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021
4. Teknik Decision Tree
Decision tree adalah salah satu metode klasifikasi yang paling populer, karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi decision tree dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simple, sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.
Decision tree juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Decision tree memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain.
Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan dalam metode ini, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.
Kelebihan lain dari metode ini adalah mampu mengeliminasi perhitungan atau data-data yang kiranya tidak diperlukan. Sebab, sampel yang ada biasanya hanya diuji berdasarkan kriteria atau kelas tertentu saja. Meski memiliki banyak kelebihan, namun bukan berarti metode ini tidak memiliki kekurangan. Decision tree ini bisa terjadi overlap, terutama ketika kelas dan kriteria yang digunakan sangat banyak tentu saja dapat meningkatkan waktu pengambilan keputusan sesuai dengan jumlah memori yang dibutuhkan.
Model machine learning sangat beragam sehingga perlu dipahami secara mendasar terlebih dahulu. Ini penting bagi data scientist sebelum menguasai teknik lainnya agar model yang dibangun sesuai dengan kasus yang ada. Apakah kalian mulai tertarik mempelajarinya? Tidak perlu khawatir, pemula pun juga bisa memulai dengan konsep dasar terlebih dahulu. Nah, DQLab adalah platform belajar yang tepat dan sesuai. Modul pembelajaran yang disusun sesuai untuk pemula karena memang diawali dengan konsep dasar terlebih dahulu.
Ingin belajar machine learning secara mudah? Yuk segera Sign Up ke website DQLab dan perdalam pemahamanmu dalam memanfaatkan machine learning!
Penulis : Dita Feby
Editor : Annissa Widya