Machine Learning, Business Intelligence, dan Big Data Analytics

Begitu mendengar istilah data mining, secara naluriah kita tahu bahwa itu bukan hanya tentang mengumpulkan data, dan kita pasti sepaham bahwasanya seberapa besar dan banyaknya data yang kita peroleh tidak selalu akan membuat kita menjadi pintar dan cerdas. Melainkan hanya membuat kita menjadi salah satu dari pemulung atau pengumpul yang memiliki tumpukan barang di seluruh pelosok rumah atau gudang kita. Ya, hal tersebut juga berlaku bagi mesin dan sistem. Big data sangat mungkin untuk dibuat menjadi sesuatu yang terorganisir dengan baik dan bisa memiliki potensi penggunaan yang membuatnya lebih bernilai. Tapi akankah kita pernah mengambil itu dan menggunakannya? Apakah kita akan benar-benar mendapatkan keuntungan dari apa yang telah susah payah kita kumpulkan? Kemungkinan besar tidak. Namun tujuan utamanya adalah untuk mengubah data ke dalam tindakan yang dapat memberi kontribusi. Business Intelligence.

Big Data Analytics

Sebagian besar data mining dan teknik analisis statistik bergantung pada teknologi DBMS relasional, data warehouse, ETL, OLAP, dan BPM. Sejak akhir 1980-an, berbagai algoritma data mining telah dikembangkan oleh para peneliti dari komunitas intelligence, algoritma, dan basis data buatan. Beberapa diantaranya yang paling terkenal adalah: C4.5, k-means, SVM (Support Vector Machine), Apriori, EM (Expectation Maximization), PageRank, AdaBoost, kNN (k-Nearest Neighbors), Naïve Bayes, dan CART. Algoritma tersebut mencakup klasifikasi, clustering, regresi, analisis asosiasi, dan analisis jaringan. Sebagian besar algoritma data mining yang populer ini telah dimasukkan dalam sistem data mining komersial dan open source. Kemajuan lain seperti jaringan saraf tiruan untuk klasifikasi/prediksi dan clustering dan algoritma genetika untuk optimasi dan pembelajaran mesin memiliki kontribusi untuk keberhasilan data mining dalam aplikasi yang berbeda.

Machine learning masih memiliki potensi untuk menjadi teknologi yang mainstream di perusahaan-perusahaan industri perangkat lunak, dalam penggabungan dengan teknologi lain yang berkaitan dengan kecerdasan buatan dan komputasi kognitif, dalam bisnis intelijen dan analisis industri. Potensi machine learning dalam menangani data dalam jumlah besar dan kemampuannya dalam ekstraksi pengetahuan dari big data tersebut menjadikan machine learing semakin popular dalam penggunaannya ke arah analisis prediktif dan data mining. Yang membuat machine learning selalu menjadi bahan yang menarik untuk dikaji adalah kaitannya dengan masalah yang kompleks mengenai algoritma yang digunakan harus beradaptasi dengan perubahan kondisi yang berlangsung secara terus menerus. Hal ini kemudian menjadi sebuah aplikasi yang sukses dari teknik learning machine misalnya dalam implementasi pendeteksi spam. Peran data analytics berubah menjadi pendamping dalam sistem pendukung keputusan secara otomatis, atau otomatisasi keputusan.

Otomatisasi Keputusan

Tahap keputusan bisa terjadi dalam dua cara: 

1. Sebagai keputusan yang didukung dan dibuat oleh pengguna.
2. Memungkinkan sistem untuk mendelegasikan kemampuan dalam membuat keputusan untuk dirinya sendiri.

Pada poin kedua maksudnya adalah mengotomatisasi proses pengambilan keputusan berdasarkan analisis sebelumnya dan membiarkan sistem untuk belajar, menyesuaikan, dan memutuskan dengan mendelegasikan keputusan untuk sistem, untuk proses memperluas jangkauan analisis untuk analisis prediksi, pesan peringatan dini, dan bahkan penemuan data. Ada sejumlah kasus di mana machine learning digunakan untuk meningkatkan kemampuan organisasi dalam memenuhi kebutuhan analisis, terutama untuk analisis yang diterapkan untuk platform Big Data. Beberapa contoh dari yang diterapkan untuk analisis Big Data yang lebih yang berorientasi bisnis adalah seperti facebook, yang mengatur apa yang akan ditampilkan di timeline user, mulai dari feeds sampai dengan iklan (sponsor) yang relevan dengan user tersebut. Tentu saja, keputusan dalam menampilkan feed dan iklan dilakukan oleh algoritma, bukan oleh manusia.

Posted in: Business Intelligence, Data Analytics