UNAIR NEWS – Banyak cara manusia belajar suatu hal, mulai dengan melihat, kemampuan adaptasi, dan analisis lingkungan sekitar. Sejak kecil, manusia terbiasa untuk menyerap banyak data dan mengerti pola informasi. Merespon hal tersebut, Narasio Data mengajak mahasiswa untuk memahami penerapan konsep berpikir manusia itu jika diaplikasikan ke dalam mesin.
Narasio Data Goes to Campus x Universitas Airlangga (UNAIR) berlangsung secara daring via zoom pada Jumat (10/3/2023). Acara itu menghadirkan Gilang Ari Saputra selaku Data Scientist di Indo Premier Sekuritas (IPOT) sebagai narasumber. Tujuan dari acara itu sendiri untuk mengenalkan konsep unsupervised learning yang digunakan di banyak aplikasi dewasa ini.
“Machine learning adalah sebuah keadaan dimana kita perlu proses input dan output. Keadaan ini dibagi menjadi dua, yakni supervised learning dan unsupervised learning. Nah, disini kita akan fokus membahas unsupervised learning,” jelas narasumber ketika membuka sesi pematerian.
Ia melanjutkan bahwa tujuan dari unsupervised learning yaitu mencari tahu pola atau relasi dari data tanpa adanya supervisor dari ahli. Menurutnya, tipe dari unsupervised learning yang paling umum adalah pengelompokan, pengurangan dimensi, dan pemodelan generatif.
“Pengelompokan adalah tipe yang paling sering dipakai. Hal ini dikarenakan konsepnya adalah mengelompokkan kemiripan satu data poin dengan data poin lainnya,” tambahnya.
Gilang menuturkan, pengelompokan pada aplikasi meliputi segmentasi pelanggan, analisis data, deteksi anomali, sistem pencarian, dan segmentasi pada gambar. Lebih lanjut, aplikasi akan mengelompokkan pelanggan berdasarkan data yang dimiliki. Hal ini bertujuan untuk “treat” pelanggan sesuai preferensinya.
“Misalkan ada pelanggan yang suka beli saham jangka pendek, baru beli dan dalam hitungan menit lalu dijual. Maka kita akan segmentasikan dia berdasarkan kecepatan transfer, jadi cluster pertama dikategorikan sebagai scalping. Beda lagi bagi orang yang suka beli saham low risk di akhir bulan. Dia akan kita segmentasikan dalam cluster value investing,” jelas Gilang secara rinci.
Narasumber turut menjelaskan tipe-tipe pengelompokan yang terdiri atas centroid-based, density-based, distributed-based, dan hierarchical. Selanjutnya, ia menjelaskan algoritma pengelompokan yang paling populer yakni K-Means.
“K-Means memiliki tahapan berupa inisialisasi, penugasan, pembaruan, pengulangan, dan hasil. Tapi kita harus nentuin nilai K yang optimal. Hal ini bisa dilakukan melalui elbow method, silhouette method, dan domain knowledge,” lanjutnya. Gilang menutup sesi pematerian dengan memberikan penjelasan terkait pro dan kontra dari K-Means itu sendiri.
Penulis: Widiasih Fatmarani
Editor: Nuri Hermawan
