Model machine learning hanya bisa menghitung angka. Sementara teks berupa rangkaian huruf yang maknanya bergantung pada urutan, konteks, dan bahkan hal yang tidak tertulis.

Seluruh bidang Natural Language Processing pada dasarnya menjawab satu pertanyaan: bagaimana mengubah teks menjadi angka tanpa kehilangan maknanya?

Artikel ini mengikuti perjalanan jawaban atas pertanyaan itu, dari cara paling sederhana yang masih sangat berguna sampai teknologi di balik ChatGPT. Semua contoh memakai bahasa Indonesia, karena penanganan bahasa Indonesia punya tantangan tersendiri.

Anda sudah terbiasa dengan data tabel: tiap baris berdiri sendiri, urutannya tidak penting, dan pembagian data dilakukan secara acak.

Begitu masuk ke data deret waktu, hampir semua kebiasaan itu justru menjadi kesalahan.

Data penjualan harian, harga saham, jumlah pengunjung, dan suhu udara semuanya punya satu sifat khusus: urutannya bermakna. Nilai hari ini berkaitan dengan nilai kemarin. Mengabaikan hubungan itu menghasilkan model yang tampak sempurna di layar dan gagal total di dunia nyata.

Artikel ini membahas aturan main yang berbeda itu, dari pemeriksaan awal sampai tiga pendekatan pemodelan yang paling sering dipakai.

Banyak orang berhenti belajar machine learning saat bertemu rumus matematika. Padahal matematika yang benar-benar dibutuhkan untuk memahami cara kerja model jauh lebih sedikit daripada yang dibayangkan.

Artikel ini punya satu tujuan yang jelas: membawa Anda dari nol sampai benar-benar memahami gradient descent, algoritma yang menjadi mesin di balik hampir semua model machine learning modern.

Tidak ada bukti matematis, tidak ada notasi yang tidak dijelaskan. Setiap konsep disertai contoh kode yang bisa dijalankan dan analogi yang bisa dibayangkan.

Dalam tutorial, data selalu datang sebagai berkas CSV yang rapi. Di dunia kerja, hampir tidak pernah begitu.

Data yang Anda butuhkan biasanya tersebar di beberapa tabel dalam sebuah database. Kolom yang Anda inginkan ada di tabel A, targetnya di tabel B, dan riwayat transaksinya di tabel C. Tidak ada yang akan menyiapkan CSV untuk Anda.

SQL adalah bahasa untuk mengambil dan menggabungkan data itu. Artikel ini membahas bagian-bagian SQL yang benar-benar dipakai praktisi machine learning, dengan penekanan pada satu hal yang sering terlewat: cara membangun dataset tanpa membocorkan informasi masa depan.

Ada kebiasaan yang membedakan praktisi berpengalaman dari pemula: sebelum menulis satu baris kode model, mereka menghabiskan waktu melihat datanya dulu.

Kebiasaan ini terasa membuang waktu di awal, tapi hampir selalu menghemat waktu di akhir. Masalah yang ditemukan dalam lima menit lewat sebuah grafik bisa saja butuh dua hari untuk diselidiki kalau baru ketahuan setelah model dilatih.

Artikel ini membahas cara memeriksa data secara sistematis, grafik apa yang dipakai untuk situasi apa, dan bagaimana temuan dari pemeriksaan itu diterjemahkan menjadi keputusan pemodelan.

Machine learning berdiri di atas statistika. Anda bisa menjalankan model.fit() tanpa memahami satu pun rumus statistik, tapi Anda tidak akan bisa menjawab pertanyaan-pertanyaan yang muncul setelahnya.

Apakah selisih skor 0,03 antara dua model itu nyata atau cuma keacakan? Kenapa median lebih baik daripada rata-rata untuk mengisi sel kosong? Kalau model bilang seseorang punya risiko tinggi, seberapa besar sebenarnya peluangnya? Semua itu pertanyaan statistik.

Artikel ini membahas dasar-dasar yang benar-benar terpakai. Tidak ada bukti matematis, tidak ada turunan rumus. Fokusnya pada memahami maksudnya dan tahu kapan konsep itu berlaku.

Anda selesai membangun model. Skornya bagus. Anda presentasikan ke atasan atau klien, dan pertanyaan pertama yang muncul hampir selalu sama:

"Kenapa modelnya memutuskan begitu?"

Kalau jawaban Anda hanya "karena hasil pelatihannya begitu", model itu kemungkinan besar tidak akan dipakai. Di banyak bidang seperti perbankan, asuransi, dan kesehatan, ketidakmampuan menjelaskan bahkan bisa membuat model dilarang dipakai secara hukum.

Artikel ini membahas tiga alat utama untuk membuka isi model: permutation importance, partial dependence plot, dan SHAP. Ketiganya bekerja pada model apa pun, termasuk yang paling rumit sekalipun.

Dari semua konsep teori dalam machine learning, ini yang paling langsung terpakai sehari-hari.

Alasannya sederhana. Setiap kali model Anda tidak sesuai harapan, ada dua kemungkinan penyebab yang menuntut tindakan berlawanan. Salah mendiagnosis berarti Anda akan memperbaiki dengan cara yang justru memperburuk keadaan.

Artikel ini menjelaskan dua sumber kesalahan itu, cara mengenalinya dari angka yang Anda lihat sehari-hari, dan tindakan apa yang tepat untuk masing-masing.

Anda sudah punya model yang jalan, skornya 0,82. Pertanyaan berikutnya selalu sama: bagaimana cara membuatnya lebih baik?

Jawaban yang paling sering terpikir adalah menyetel pengaturan model. Itu memang salah satu jalannya, tapi bukan satu-satunya, dan sering bukan yang paling efektif.

Artikel ini membahas dua hal yang saling melengkapi. Pertama, cara menyetel pengaturan model secara sistematis, dari yang paling sederhana sampai yang paling efisien. Kedua, dan ini yang sering dilewati, cara mendiagnosis dulu apa sebenarnya masalahnya, supaya Anda tidak menghabiskan berjam-jam menyetel model padahal masalahnya ada di tempat lain.

Anda melatih model, mengukurnya, dan hasilnya 92 persen. Angka itu bagus. Tapi pertanyaan yang sebenarnya adalah: apakah angka itu bisa dipercaya?

Cara membagi data menentukan jawabannya. Pembagian yang salah bisa menghasilkan angka yang jauh lebih tinggi daripada performa sebenarnya, dan celakanya Anda tidak akan menyadarinya sampai model dipakai di dunia nyata.

Artikel ini membahas cara membagi data dengan benar untuk berbagai jenis situasi, dari yang paling sederhana sampai teknik yang dipakai saat harus menyetel model sambil mengukurnya.