Perbedaan AI, Machine Learning, dan Deep Learning untuk Analis

AI, machine learning, dan deep learning itu tiga lingkaran yang bersarang. AI lingkaran paling luar, machine learning ada di dalamnya, deep learning ada di dalam machine learning.

Jadi setiap deep learning adalah machine learning. Setiap machine learning adalah AI. Tapi kebalikannya nggak berlaku.

Buat kamu yang kerja sebagai analis, bedain tiga istilah ini bukan soal gaya-gayaan istilah. Ini nentuin kamu jawab apa waktu manajer nanya "bisa nggak kita pakai AI buat prediksi stok?"

Apa bedanya AI, machine learning, dan deep learning?

AI adalah istilah payung untuk sistem apa pun yang bikin komputer ngerjain hal yang biasanya butuh otak manusia. Machine learning adalah salah satu cara mewujudkan AI, yaitu dengan melatih model dari data historis. Deep learning adalah cabang machine learning yang pakai neural network berlapis banyak, dan biasanya butuh data jauh lebih besar.

Beda utamanya ada di cara sistem itu dapet "aturan" yang dia pakai.

Di AI klasik, aturannya kamu yang tulis. Kalau stok di bawah 10, munculkan peringatan. Kalau pelanggan belanja di atas Rp 500.000, kasih diskon. Aturan itu nggak berubah sampai kamu yang ubah sendiri.

Di machine learning, aturannya ditemukan sendiri dari data. Kamu kasih 3 tahun data penjualan, modelnya yang nyari pola mana yang bikin penjualan naik.

Di deep learning, polanya bertingkat. Lapisan pertama nangkep pola kasar, lapisan berikutnya nangkep pola yang lebih halus dari output lapisan sebelumnya.

Apa itu artificial intelligence (AI)?

Artificial intelligence adalah bidang ilmu komputer yang bikin mesin bisa ngerjain tugas yang biasanya butuh kecerdasan manusia. Contohnya ngenalin wajah, nerjemahin bahasa, main catur, atau ngasih rekomendasi produk. AI nggak harus belajar dari data. Sistem berbasis aturan yang ditulis manual juga masuk kategori AI.

Istilah ini udah dipakai sejak 1956, jauh sebelum ada ChatGPT.

Contoh AI yang sama sekali nggak pakai machine learning: mesin catur Deep Blue generasi awal, sistem pakar diagnosis penyakit tahun 80-an, sampai fitur "data validation" di spreadsheet yang nolak input di luar aturan.

Yang bikin bingung, sekarang orang sering pakai kata AI padahal maksudnya large language model. Itu cuma satu sudut kecil dari peta AI.

Apa itu machine learning?

Machine learning adalah metode bikin komputer nemuin pola dari data tanpa kamu tulis aturannya satu per satu. Kamu kasih contoh input dan output, modelnya yang cari hubungan di antaranya. Habis dilatih, model itu bisa nebak output untuk input baru yang belum pernah dia lihat.

Ada tiga jenis besar yang paling sering kepakai di kerjaan analis.

Supervised learning. Data latihnya punya jawaban. Kamu punya 24 bulan data dan tahu berapa omzet tiap bulan, lalu model belajar nebak omzet bulan depan. Regression masuk di sini, dan itu teknik yang sama yang kamu pakai waktu bikin trendline di Excel.

Unsupervised learning. Nggak ada jawaban. Kamu kasih data pelanggan, model yang ngelompokin mereka jadi beberapa grup. Ini dasar dari segmentation dan cohort analysis.

Reinforcement learning. Model belajar dari trial and error plus hadiah. Ini yang dipakai di robotik dan optimasi harga real-time.

Dokumentasi scikit-learn ngelist puluhan algoritma supervised yang bisa kamu coba, dan sebagian besar cukup jalan di laptop biasa.

Kalau kamu baru mulai, baca dulu machine learning adalah buat versi paling dasarnya.

Apa itu deep learning?

Deep learning adalah bagian dari machine learning yang pakai artificial neural network dengan banyak lapisan tersembunyi. Tiap lapisan ngolah output lapisan sebelumnya jadi representasi yang makin abstrak. Karena jumlah parameternya besar, deep learning butuh data latih yang banyak dan komputasi yang berat.

Kata "deep" di situ artinya jumlah lapisannya banyak. Bukan berarti pemahamannya lebih dalam.

Deep learning menang telak di data yang nggak berbentuk tabel. Gambar, suara, video, teks panjang. Model bahasa yang kamu pakai tiap hari itu deep learning.

Tapi buat data tabel yang isinya kolom tanggal, produk, qty, dan harga, model klasik kayak gradient boosting sering ngalahin neural network. Dan jauh lebih gampang dijelasin ke atasan.

Tabel perbandingan singkat

Aspek	AI (umum)	Machine learning	Deep learning
Sumber aturan	Ditulis manusia atau dipelajari	Dipelajari dari data	Dipelajari berlapis dari data
Kebutuhan data	Bisa nol	Ratusan sampai ribuan baris	Puluhan ribu ke atas
Hardware	Laptop biasa	Laptop biasa	Sering butuh GPU
Gampang dijelasin	Gampang	Sedang	Susah
Cocok buat	Aturan bisnis tetap	Data tabel, prediksi angka	Gambar, suara, teks
Contoh di kantor	Alert stok minimum	Prediksi omzet bulan depan	OCR struk belanja

Contoh kasus: tiga pendekatan di dataset toko_berkah

Dataset toko_berkah di ngulikdata isinya 18.420 baris transaksi dari sebuah toko kelontong di Sleman, Januari 2023 sampai Juni 2025. Kolomnya sederhana: tanggal, produk, kategori, qty, harga_satuan, total.

Masalahnya klasik. Pemilik toko mau tahu berapa stok beras yang harus dia siapin minggu depan.

Pendekatan 1, aturan manual (AI klasik). Ambil rata-rata penjualan 4 minggu terakhir, tambah buffer 20 persen. Bisa langsung pakai AVERAGE di spreadsheet.

=AVERAGE(B2:B5)*1.2

Waktu aku uji ke 12 minggu terakhir dataset ini, error rata-ratanya 23 persen. Artinya kalau modelnya bilang 40 karung, realisasinya bisa 31 atau 49.

Pendekatan 2, machine learning klasik. Regresi dengan tiga variabel tambahan: minggu ke berapa dalam bulan, ada tanggal gajian atau nggak, dan penjualan minggu sebelumnya. Error rata-ratanya turun ke 14 persen di 12 minggu yang sama.

Turun 9 poin cuma dari nambahin konteks. Nggak butuh GPU, nggak butuh cloud.

Pendekatan 3, deep learning. Aku coba neural network kecil di data yang sama. Errornya 16 persen, jadi malah sedikit lebih buruk dari regresi. Wajar, soalnya 128 minggu data itu terlalu sedikit buat model yang punya ribuan parameter.

Ini yang sering kelewat waktu orang buru-buru pengin pakai teknologi paling baru. Data kecil plus model besar biasanya menghasilkan model yang hafal data latih, bukan model yang bisa nebak.

Kapan analis perlu pakai yang mana?

1. Aturannya udah jelas dan jarang berubah? Tulis aturannya langsung. Nggak usah pakai model.
2. Datanya berbentuk tabel dan di bawah 100.000 baris? Machine learning klasik. Regresi, decision tree, atau gradient boosting.
3. Datanya gambar, suara, atau teks bebas? Deep learning, atau lebih hemat lagi, pakai API model yang udah jadi.
4. Hasilnya harus bisa dipertanggungjawabkan ke auditor? Pilih model yang bisa kamu jelasin per variabel. Regresi menang di sini.

Kalau kamu lagi nyusun rencana belajar, roadmap analis data yang bekerja berdampingan dengan AI ngebahas urutan skill yang masuk akal buat 2026.

Kesalahan umum waktu bedain ketiganya

Nyamain AI dengan chatbot. Model bahasa cuma satu produk dari AI. Sistem rekomendasi, deteksi fraud, dan forecasting juga AI, dan nggak satu pun berbentuk chat.

Pakai deep learning karena kedengeran canggih. Kalau datamu 2.000 baris tabel, neural network hampir pasti kalah dari regresi. Dan kamu bakal susah jawab waktu bos nanya kenapa angkanya segitu.

Lupa ngecek kualitas data dulu. Model sebagus apa pun bakal ngasih hasil ngawur kalau input-nya berantakan. Cek data quality sebelum mikirin algoritma.

Nggak nentuin metrik sukses di awal. Tanpa metric pembanding, kamu nggak punya cara buat bilang model barunya lebih bagus atau enggak.

Ngukur akurasi di data latih. Model selalu keliatan hebat di data yang dia pelajari. Sisihkan minimal 20 persen data buat pengujian.

FAQ

Apakah semua AI itu machine learning?

Nggak. AI mencakup sistem berbasis aturan yang ditulis manusia, dan itu sama sekali nggak belajar dari data. Alert stok minimum di aplikasi kasir kamu itu AI sederhana, tapi bukan machine learning. Machine learning cuma salah satu cara bikin AI, kebetulan lagi jadi yang paling populer sejak 2012-an.

Analis data perlu belajar deep learning nggak?

Buat mayoritas posisi data analyst di Indonesia, enggak wajib. Data yang kamu pegang sehari-hari berbentuk tabel, dan model klasik lebih cocok di situ. Prioritaskan SQL, statistik dasar, dan komunikasi hasil. Deep learning baru jadi penting kalau kamu pindah ke posisi machine learning engineer atau ngurus data gambar dan teks.

Berapa banyak data yang dibutuhkan buat machine learning?

Nggak ada angka pasti, tapi patokan kasarnya minimal 10 baris data per variabel yang kamu pakai. Kalau modelmu pakai 5 variabel, siapin minimal 500 baris biar hasilnya lumayan stabil. Deep learning butuh jauh lebih banyak, sering puluhan ribu contoh ke atas, karena parameternya ribuan sampai jutaan.

Bisa nggak bikin machine learning cuma pakai Excel atau Google Sheets?

Bisa, untuk kasus sederhana. Excel punya Data Analysis ToolPak dengan fitur regresi, dan Google Sheets punya fungsi LINEST plus TREND. Ini cukup buat forecasting penjualan bulanan atau nyari hubungan antar variabel. Kalau butuh model yang lebih rumit kayak decision tree, baru pindah ke Python atau R.

Apa hubungan generative AI dengan tiga istilah ini?

Generative AI adalah bagian dari deep learning. Model kayak GPT dan Gemini pakai neural network berlapis sangat banyak yang dilatih buat nebak kata berikutnya. Jadi urutannya: generative AI ada di dalam deep learning, deep learning ada di dalam machine learning, machine learning ada di dalam AI.

Penutup

Tiga hal yang layak kamu bawa dari sini.

Pertama, urutannya bersarang. AI paling luas, machine learning di dalamnya, deep learning paling dalam.

Kedua, buat data tabel yang jadi makanan sehari-hari analis, machine learning klasik hampir selalu pilihan yang lebih masuk akal. Di dataset toko_berkah, regresi ngalahin neural network dengan selisih error 2 poin.

Ketiga, kualitas data lebih nentuin hasil daripada pilihan algoritma.

Mau mulai dari yang paling dasar? Kulik dulu penjelasan machine learning untuk non-programmer, terus latihan narik datanya sendiri di NgulikSQL.