TL;DR
Machine learning adalah metode bikin komputer menemukan pola dari data historis tanpa kamu tulis aturannya satu per satu. Kamu kasih contoh input dan output, lalu model mencari hubungan di antaranya. Setelah dilatih, model itu bisa menebak hasil untuk data baru. Buat analis, bentuk paling sering kepakai adalah regresi untuk menebak angka dan klasifikasi untuk menebak kategori.
Machine learning adalah cara bikin komputer nemuin aturan sendiri dari data, tanpa kamu tulis aturannya satu per satu.
Kamu kasih contoh soal beserta jawabannya. Komputer yang cari hubungannya.
Habis itu, dia bisa jawab soal baru yang belum pernah dia lihat. Itu inti seluruh bidangnya, dan kamu nggak perlu bisa coding buat paham bagian ini.
Machine learning adalah metode di mana komputer mempelajari pola dari data historis, lalu memakai pola itu buat menebak hasil pada data baru. Kamu nggak nulis aturannya. Kamu nyediain contoh, dan algoritmanya yang nyusun aturan dari contoh-contoh itu.
Bedanya sama program biasa gampang dilihat lewat satu contoh.
Program biasa: "kalau nilai transaksi di atas Rp 500.000, kasih diskon 5 persen." Aturan itu kamu yang tulis, dan nggak akan berubah sendiri.
Machine learning: kamu kasih 20.000 transaksi lengkap dengan mana yang berakhir jadi pelanggan setia. Modelnya yang nyimpulin bahwa pelanggan yang belanja di atas Rp 340.000 pada kunjungan pertama punya peluang 2,3 kali lebih besar buat balik lagi.
Angka Rp 340.000 itu nggak kamu tentuin. Data yang nunjukin.
Langkah 2 yang paling sering dilewatin pemula, dan itu penyebab utama model kelihatan hebat di laptop tapi ngaco di kenyataan.
Supervised learning. Data latihnya punya jawaban. Ini yang paling sering kepakai di kerjaan analis. Dua bentuknya: regression buat nebak angka, dan klasifikasi buat nebak kategori.
Unsupervised learning. Nggak ada jawaban. Kamu kasih data pelanggan, model yang ngelompokin sendiri. Ini dasar dari segmentation.
Reinforcement learning. Model belajar lewat coba-coba plus hadiah. Kepakai di robotik dan penyesuaian harga otomatis. Jarang kepakai di analis harian.
| Jenis | Pertanyaan yang dijawab | Contoh di toko |
|---|---|---|
| Regresi | Berapa angkanya? | Berapa karung beras terjual minggu depan? |
| Klasifikasi | Masuk kategori mana? | Pelanggan ini bakal balik atau enggak? |
| Pengelompokan | Ada berapa kelompok alami? | Pelanggan terbagi jadi berapa tipe belanja? |
| Deteksi anomali | Mana yang aneh? | Transaksi mana yang mencurigakan? |
Dataset toko_berkah di ngulikdata isinya 18.420 transaksi toko kelontong di Sleman, Januari 2023 sampai Juni 2025.
Pertanyaannya: berapa karung beras yang perlu disiapin minggu depan?
Cara lama tanpa model. Ambil rata-rata 4 minggu terakhir, tambah 20 persen. Waktu aku uji ke 12 minggu terakhir, kesalahannya rata-rata 23 persen.
Pakai regresi dengan 3 penjelas. Minggu ke berapa dalam bulan, ada tanggal gajian atau enggak, dan penjualan minggu sebelumnya. Kesalahannya turun ke 14 persen.
Turun 9 poin. Dan yang bikin turun bukan algoritma canggih, tapi tambahan kolom "ada tanggal gajian atau enggak".
Waktu aku lihat koefisiennya, minggu yang mengandung tanggal 25 sampai akhir bulan punya penjualan beras rata-rata 31 persen lebih tinggi. Itu pola yang jelas kalau kamu tinggal di Indonesia, tapi model nggak akan tahu kecuali kamu kasih kolomnya.
Ini pelajaran yang paling sering kelewat. Pengetahuan kamu soal bisnisnya lebih menentukan hasil dibanding pilihan algoritmanya.
Kamu bisa mulai di spreadsheet hari ini juga.
=TREND(jawaban_latih; penjelas_latih; penjelas_uji)=AVERAGE(ABS(hasil_uji - tebakan) / hasil_uji)Kalau angkanya di bawah cara lama kamu, modelnya udah berguna. Sesederhana itu.
Buat ngerapiin agregasinya, SUMIFS dan AVERAGE udah cukup. Dokumentasi resmi fungsi TREND di Microsoft ngejelasin detail argumennya.
Ngukur akurasi di data latih. Model selalu kelihatan hebat di data yang dia pelajari. Angka yang berarti cuma yang dari data uji.
Masukin kolom yang isinya jawaban terselubung. Contoh klasik: mau nebak apakah pelanggan bakal beli, tapi kamu masukin kolom "nomor invoice". Kolom itu cuma ada kalau dia udah beli. Modelnya bakal 100 persen akurat dan sama sekali nggak berguna.
Ngabaikan kualitas data. Data quality yang buruk bikin model apa pun ngasih hasil ngawur. Cek nilai kosong, duplikat, dan outlier dulu.
Pakai model rumit buat data kecil. Kalau datamu 500 baris, regresi hampir selalu ngalahin model besar. Bahasan lengkapnya ada di beda AI, machine learning, dan deep learning.
Nggak nentuin pembanding. Sebelum bikin model, catat dulu seberapa akurat cara manual yang sekarang. Tanpa itu, kamu nggak punya cara buat bilang modelnya berguna.
Nyimpulin sebab akibat dari korelasi. Model nemuin hubungan, bukan penyebab. Es krim dan tenggelam sama-sama naik di musim panas, dan nggak satu pun nyebabin yang lain.
Ada tiga kondisi yang bikin usaha kamu kemungkinan besar sia-sia.
Pertama, kalau aturannya udah jelas dan jarang berubah. Tulis aturannya langsung, lebih cepat dan lebih gampang dijelasin.
Kedua, kalau data historisnya di bawah 100 baris. Model bakal ketipu kebetulan.
Ketiga, kalau kamu nggak bisa ngukur hasilnya. Model tanpa metric pembanding cuma jadi tebakan yang kelihatan ilmiah.
Nggak sama, tapi berkaitan. AI adalah istilah payung untuk semua sistem yang bikin komputer ngerjain hal yang butuh kecerdasan. Machine learning salah satu cara mewujudkannya, yaitu dengan belajar dari data. Ada juga AI yang aturannya ditulis manusia dan sama sekali nggak belajar dari data, misalnya alert stok minimum di aplikasi kasir.
Nggak selalu. Regresi sederhana bisa kamu jalanin di Excel lewat Data Analysis ToolPak atau di Google Sheets lewat fungsi LINEST dan TREND. Itu udah cukup buat menebak omzet bulan depan atau nyari hubungan antar variabel. Coding baru dibutuhin waktu kamu perlu model yang lebih rumit atau data yang terlalu besar buat spreadsheet.
Patokan kasarnya minimal 10 baris data per variabel yang kamu pakai. Kalau modelmu pakai 5 variabel, siapin minimal 500 baris. Yang lebih penting dari jumlah adalah variasi. Seribu baris yang semuanya mirip nggak lebih berguna dibanding 200 baris yang mencakup kondisi berbeda, misalnya musim ramai dan musim sepi.
Itu namanya overfitting, model hafal data latihnya termasuk gangguan acaknya. Tanda paling gampang: akurasi di data latih tinggi banget tapi anjlok di data uji. Cara mencegahnya, sisihkan minimal 20 persen data buat pengujian dan jangan pernah pakai data itu waktu melatih. Kurangi juga jumlah variabel kalau datanya sedikit.
Tiga yang paling cepat kerasa: menebak kebutuhan stok minggu depan, ngelompokin pelanggan berdasarkan pola belanja, dan nandain transaksi yang mencurigakan. Ketiganya bisa dimulai dari data kasir yang udah kamu punya. Mulai dari yang pertama, karena hasilnya paling gampang diukur dalam rupiah.
Intinya tiga.
Machine learning nemuin aturan dari data, bukan dari kamu. Yang kamu kasih itu contoh dan konteks bisnisnya.
Selalu sisihkan data uji sebelum melatih. Tanpa itu, angka akurasimu bohong.
Dan pengetahuan bisnis ngalahin algoritma. Di dataset toko_berkah, satu kolom "ada tanggal gajian atau enggak" yang nurunin kesalahan dari 23 persen ke 14 persen.
Coba mulai dari satu tabel penjualan yang udah kamu punya minggu ini. Kalau butuh latihan narik datanya dari database dulu, kulik di NgulikSQL.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Tools AI bisa bikin chart dan ringkas data dalam hitungan detik. Jadi Python masih perlu dipelajari analis di 2026? Jawabannya iya, tapi alasannya udah beda dari 3 tahun lalu.
Aku tes forecasting AI di data penjualan 4 cabang toko grosir. Hasilnya lebih akurat dari tebakan manual, tapi meleset parah di satu titik yang mahal.
Cara ngolah ribuan review pelanggan jadi insight pakai AI, dari nyusun prompt yang konsisten, ngasih label, sampai ngubah hasilnya jadi rekomendasi yang bisa dieksekusi.