Modul 1 — Kapan Sebuah Masalah Layak Diserahkan ke Machine Learning

Satu kalimat yang belum bisa dikerjakan

Bayangkan kamu bekerja sebagai analis di perusahaan distribusi bahan bangunan yang memasok ratusan toko di beberapa kota. Suatu pagi kepala operasional berhenti di meja kamu dan berkata: “Kita perlu AI. Pesaing sudah pakai, penjualan mereka naik.” Tidak ada dokumen, tidak ada target, tidak ada data yang disiapkan. Hanya satu kalimat, dan kamu diminta menindaklanjutinya minggu ini.

Godaan pertamanya jelas: buka laptop, tarik data penjualan dua tahun terakhir, coba beberapa algoritma, lihat mana yang angkanya paling bagus. Ini justru cara tercepat untuk membuang satu bulan kerja. Bukan karena algoritmanya keliru, melainkan karena belum ada satu orang pun di ruangan itu yang tahu keputusan apa yang sedang dicoba diperbaiki.

Tiga cara permintaan seperti ini biasanya gagal

Gagal karena tidak ada keputusan yang berubah. Kamu berhasil membuat model yang memperkirakan penjualan bulan depan per kota. Modelnya jalan, angkanya masuk akal. Lalu apa? Kalau jadwal produksi sudah dikunci enam bulan di depan dan tidak ada yang boleh mengubahnya, prediksi itu hanya jadi tambahan slide rapat. Model yang tidak mengubah tindakan siapa pun bukanlah proyek yang gagal secara teknis — ia gagal sebelum dimulai.

Gagal karena jawabannya tidak pernah dicatat. Kamu ingin memperkirakan toko mana yang akan berhenti memesan. Setelah menggali basis data, ternyata sistem hanya menyimpan transaksi yang berhasil. Toko yang berhenti tidak pernah ditandai; mereka cuma menghilang pelan-pelan dari daftar. Tidak ada kolom yang bisa dipakai sebagai jawaban benar. Tanpa itu, tidak ada yang bisa dipelajari mesin.

Gagal karena masalahnya memang tidak butuh model. Permintaan “tentukan toko mana yang dapat gratis ongkir” terdengar seperti pekerjaan machine learning. Padahal kebijakannya sudah tertulis di surat edaran perusahaan: pesanan di atas nilai tertentu dan jarak di bawah radius tertentu. Itu aturan tetap. Menuliskannya sebagai kode biasa memakan waktu setengah hari, bisa diaudit, dan hasilnya konsisten. Membuatkannya model justru menambah risiko tanpa menambah manfaat.

Yang sebenarnya kamu kerjakan di tahap ini

Pekerjaan pertama seorang praktisi bukan memilih algoritma, melainkan mengubah kalimat kabur menjadi rumusan yang bisa diperiksa benar-salahnya. Praktiknya berupa tiga pertanyaan yang diajukan sebelum menyentuh data:

1. Keputusan apa yang akan berubah? Siapa yang mengambilnya, kapan, dan berapa banyak keputusan seperti itu dalam sebulan.
2. Apa yang ingin ditebak, dan apakah jawabannya pernah tercatat? Jawaban ini harus bisa ditulis sebagai satu kolom pada tabel, dengan definisi yang tidak bisa ditafsirkan dua arah.
3. Bagaimana kita tahu proyek ini berhasil, dalam bahasa orang yang memintanya? Bukan “akurasi tinggi”, melainkan sesuatu seperti “jumlah slot kosong berkurang” atau “nilai tagihan macet turun”.

Ketiga pertanyaan itu murah. Menjawabnya butuh beberapa percakapan, bukan berminggu-minggu pengodean. Namun jawabannya menentukan apakah seluruh pekerjaan sesudahnya ada gunanya.

Kenapa tahap ini sering dilewati

Karena tahap ini tidak terlihat seperti kerja. Tidak ada notebook yang jalan, tidak ada grafik yang muncul, tidak ada angka yang naik. Orang yang baru masuk ke bidang ini sering merasa perlu segera menunjukkan sesuatu yang bergerak. Sayangnya, pekerjaan yang paling menentukan hasil akhir justru terjadi sebelum satu baris kode model ditulis — dan biaya memperbaikinya belakangan jauh lebih besar. Mengganti definisi target di minggu pertama berarti mengubah satu paragraf. Menggantinya setelah model dilatih dan dipresentasikan berarti membuang seluruh pipeline data, seluruh eksperimen, dan sebagian kepercayaan tim kepadamu.

Peta modul ini

Dua unit berikutnya membangun dua kemampuan inti. Pertama, mengenali di rak mana sebuah masalah duduk: prediksi berlabel, pengelompokan tanpa label, atau cukup aturan tetap. Kedua, menulis kartu spesifikasi masalah — dokumen pendek berisi target, satuan pengamatan, sumber data, dan ukuran keberhasilan. Setelah itu kita kerjakan satu kasus dari nol sampai spesifikasinya jadi, membongkar salah paham yang paling sering muncul, lalu menguji keputusanmu lewat kuis berbasis kasus baru.

Sebelum lanjut

Ambil catatan, lalu tulis satu permintaan nyata yang pernah mampir ke mejamu atau ke meja rekanmu — persis seperti kalimat aslinya diucapkan, lengkap dengan kekaburannya. Simpan. Kita akan membedah permintaan itu memakai alat yang dibangun di unit-unit berikutnya, dan di akhir modul kamu akan mengubahnya menjadi rumusan tugas yang layak dikerjakan.

Menentukan rak sebelum memilih alat

Setiap permintaan kerja yang sampai ke mejamu bisa diletakkan pada salah satu dari tiga rak. Menentukan raknya lebih dulu menghemat waktu berminggu-minggu, karena rak itulah yang menentukan data seperti apa yang kamu butuhkan, dan apakah kamu butuh model sama sekali.

Rak pertama: prediksi berlabel

Cirinya satu dan tegas: jawaban dari masa lalu tercatat sebagai sebuah kolom. Kamu punya baris-baris kejadian lampau, dan pada tiap baris ada nilai yang ingin kamu tebak untuk kejadian baru.

Contoh dari lapangan: sebuah perusahaan ekspedisi ingin menebak apakah suatu pengiriman akan terlambat. Di basis datanya tersimpan puluhan ribu pengiriman lampau, masing-masing dengan tanggal janji dan tanggal terima. Dari dua kolom itu, kolom jawaban “terlambat / tidak terlambat” bisa dibentuk. Inilah yang membuat masalah tersebut layak masuk rak pertama.

Rak ini punya dua bentuk. Klasifikasi ketika jawabannya berupa kategori: terlambat atau tidak, menunggak atau lunas, keluhan masuk kategori tagihan atau kategori jaringan. Regresi ketika jawabannya berupa angka: berapa hari keterlambatannya, berapa liter permintaan minggu depan, berapa rupiah nilai transaksi berikutnya.

Satu peringatan penting sejak awal: kolom jawaban itu harus punya definisi tunggal. “Pelanggan tidak aktif” bukan definisi. “Tidak melakukan transaksi selama enam puluh hari berturut-turut” adalah definisi. Kalau dua orang di tim menghitung kolom yang sama dan hasilnya berbeda, model kamu belajar dari sesuatu yang tidak jelas.

Rak kedua: pengelompokan tanpa label

Di rak ini tidak ada kolom jawaban, dan memang tidak akan pernah ada. Yang kamu punya hanya deskripsi objek — misalnya ribuan pelanggan dengan frekuensi belanja, nilai rata-rata, dan jenis barang yang dibeli — lalu kamu meminta mesin menyusunnya menjadi beberapa kelompok yang anggotanya mirip satu sama lain.

Yang perlu kamu pahami: keluarannya bukan kebenaran, melainkan usulan. Tidak ada cara memeriksa apakah kelompok yang terbentuk “benar”, karena tidak ada kunci jawaban. Manusia masih harus melihat tiap kelompok, memberinya nama, dan memutuskan apakah pembagian itu berguna. Kalau tim pemasaran melihat hasilnya dan berkata “kelompok tiga dan empat kelihatan sama saja bagi kami”, itu bukan bug — itu memang sifat rak ini.

Karena itu pengelompokan tanpa label paling tepat dipakai untuk menemukan pertanyaan, bukan untuk mengotomatiskan keputusan. Ia berguna ketika kamu belum tahu ada pola apa di data, misalnya sebelum merancang paket layanan baru. Ia tidak cocok dipasang sebagai mesin yang menentukan siapa dapat potongan harga.

Rak ketiga: cukup aturan tetap

Rak ini paling sering dilewati, padahal paling sering benar. Sebuah masalah cukup diselesaikan dengan aturan tetap jika aturannya sudah diketahui, sudah disepakati, dan relatif stabil.

Contohnya banyak: potongan ongkos kirim untuk pesanan di atas nilai tertentu; denda keterlambatan sekian persen per hari; penolakan berkas yang tidak melampirkan dokumen wajib; peringatan ketika suhu lemari pendingin vaksin keluar dari rentang yang ditetapkan pemasok. Semua ini ditulis sebagai kode biasa dalam hitungan jam.

Aturan tetap punya keunggulan yang sering diremehkan: bisa dijelaskan kata per kata kepada pelanggan yang protes, tidak butuh data latih, mudah diaudit, dan hasilnya konsisten hari ini maupun tahun depan. Model machine learning tidak punya satu pun dari keunggulan itu secara gratis.

Kapan aturan tetap kalah? Ketika faktor yang berpengaruh terlalu banyak, bobot masing-masing tidak diketahui siapa pun, dan hubungannya berubah seiring waktu. Kalau kamu mencoba menuliskan aturannya lalu berakhir dengan tiga puluh baris syarat yang saling bertumpuk dan tak ada yang bisa menjelaskan dari mana angkanya berasal, itu tanda kuat masalahnya sudah pindah ke rak pertama.

Empat pertanyaan penyaring

Sebelum menyetujui sebuah proyek prediksi berlabel, jawab empat pertanyaan ini. Satu saja dijawab “tidak”, proyeknya perlu dirumuskan ulang.

1. Apakah jawaban masa lalu tercatat dalam jumlah memadai? Kalau kejadian yang ingin ditebak hanya muncul beberapa kali setahun, mesin tidak punya cukup contoh.
2. Apakah semua informasi yang dipakai model tersedia pada saat keputusan diambil? Ini penyaring yang paling sering menjatuhkan proyek. Kolom “alasan keterlambatan yang diisi kurir” memang menjelaskan keterlambatan dengan sempurna — tapi baru terisi setelah paket telat. Memakainya berarti melihat masa depan.
3. Apakah pola masa lalu masih berlaku? Jika tarif, wilayah layanan, atau perilaku pelanggan berubah total tahun lalu, data sebelum itu bisa jadi menyesatkan.
4. Apakah ada tindakan yang berubah kalau prediksinya tersedia? Kalau tidak ada, yang dibutuhkan adalah laporan atau dasbor, bukan model.

Rak keempat yang jarang disebut

Ada satu kemungkinan lagi: masalahnya layak, tapi datanya belum pernah dikumpulkan. Jawaban yang jujur untuk kasus semacam ini bukan “tidak bisa”, melainkan “belum bisa sekarang”. Pekerjaan yang tepat adalah merancang pencatatan — menambahkan kolom status, mewajibkan petugas menandai hasil, menyimpan riwayat. Enam bulan kemudian barulah proyek prediksinya masuk akal. Menyampaikan ini lebih awal jauh lebih dihargai daripada menyerahkan model yang dilatih dari data yang tidak layak.

Dari keluhan menjadi dokumen satu halaman

Setelah tahu raknya, langkah berikutnya adalah menuliskan masalahnya dalam bentuk yang bisa diperiksa orang lain. Alatnya sederhana: satu halaman berisi tujuh baris, yang di kelas ini kita sebut kartu spesifikasi masalah. Kartu ini yang kamu bawa ke rapat, bukan notebook. Kalau tujuh barisnya terisi dan disetujui pemilik proses, pekerjaan teknis sesudahnya jadi jauh lebih ringan.

Sepanjang unit ini kita pakai satu kasus sebagai penuntun: sebuah penyedia layanan langganan air minum galon isi ulang di kawasan perkotaan mengeluh bahwa pelanggan berhenti berlangganan diam-diam.

Baris 1: keputusan yang akan berubah

Tulis siapa yang mengambil keputusan, kapan, dan berapa sering. Untuk kasus kita: tim retensi memilih pelanggan mana yang ditelepon dan ditawari paket hemat, setiap awal bulan. Kalimat ini sudah menutup separuh kekaburan. Ia memberi tahu kita bahwa prediksi dibutuhkan bulanan, bukan harian, dan bahwa hasilnya berupa daftar nama, bukan angka tunggal.

Kalau baris ini tidak bisa diisi, hentikan di sini. Tidak ada gunanya melanjutkan.

Baris 2: satuan pengamatan

Satuan pengamatan menjawab pertanyaan: satu baris pada tabel latihmu mewakili apa? Ini baris yang paling sering diisi keliru oleh pemula.

Jawaban refleks untuk kasus kita adalah “satu pelanggan”. Tapi keputusannya diambil setiap awal bulan, dan pelanggan yang sama dinilai ulang setiap bulan. Jadi satuan yang benar adalah satu pelanggan pada satu bulan — pelanggan A bulan Januari adalah baris yang berbeda dari pelanggan A bulan Februari, dengan riwayat yang berbeda pula.

Aturan praktisnya: satuan pengamatan harus sama persis dengan satuan keputusan. Kalau keputusan diambil per barang per cabang per minggu, maka satu baris adalah kombinasi barang–cabang–minggu. Salah di baris ini membuat seluruh tabel latihmu tidak cocok dengan cara sistemnya akan dipakai nanti.

Baris 3: target dan definisinya

Tulis kolom jawaban beserta definisi operasional dan jangkauan waktunya. Untuk kasus kita: pelanggan disebut berhenti jika tidak ada pemesanan sama sekali selama enam puluh hari sejak akhir bulan pengamatan.

Perhatikan tiga hal yang terkandung di sana. Pertama, definisinya bisa dihitung mesin tanpa penilaian manusia. Kedua, ada jangkauan waktu yang tegas: enam puluh hari. Ketiga, titik awalnya jelas: akhir bulan pengamatan. Tanpa ketiganya, dua orang bisa menghitung target berbeda dari data yang sama.

Angka enam puluh hari itu sendiri bukan kebenaran alam. Ia harus disepakati bersama tim operasional, misalnya karena siklus pemesanan normal berkisar dua sampai tiga minggu, sehingga dua bulan tanpa pesanan dianggap tanda kuat. Yang penting: angkanya punya alasan dan tertulis.

Baris 4: sumber data dan batas waktu informasi

Sebutkan tabel apa saja yang dipakai, lalu tarik satu garis yang sering dilupakan: batas waktu informasi. Model hanya boleh memakai data yang sudah ada pada saat keputusan diambil.

Untuk kasus kita, keputusan diambil pada 1 Februari. Maka boleh dipakai: jumlah pesanan Januari, jarak antarpesanan, keluhan yang tercatat sampai 31 Januari, jenis paket berlangganan. Tidak boleh dipakai: pesanan Februari, atau kolom “tanggal pengembalian galon terakhir” yang baru terisi ketika pelanggan sudah pamit berhenti.

Kolom jenis terakhir itu disebut kebocoran informasi masa depan. Efeknya khas dan menipu: hasil pengujian di laptop kelihatan luar biasa, hampir sempurna, lalu begitu dipasang di lapangan hasilnya berantakan. Kalau ada model yang tiba-tiba terlalu bagus, curigai baris ini lebih dulu.

Baris 5: garis dasar

Garis dasar adalah cara paling sederhana yang sudah dipakai atau bisa dipakai tanpa model. Untuk kasus kita, garis dasarnya bisa berupa aturan: “telepon pelanggan yang tidak memesan selama tiga puluh hari terakhir.”

Tanpa garis dasar, angka apa pun dari modelmu tidak punya makna. Model yang menebak benar tujuh dari sepuluh terdengar bagus sampai ketahuan bahwa aturan satu baris tadi juga menebak benar tujuh dari sepuluh — dengan biaya nol dan tanpa perawatan.

Baris 6: ukuran keberhasilan

Tulis dua lapis. Lapis teknis dipakai saat mengembangkan; lapis keputusan dipakai saat melapor ke pemilik proses.

Lapis teknis harus mengikuti kapasitas tindakan. Misalkan tim retensi hanya sanggup menelepon dua ratus pelanggan per bulan. Maka yang relevan bukan performa model pada seluruh basis pelanggan, melainkan: dari dua ratus nama teratas yang direkomendasikan, berapa yang benar-benar berhenti seandainya tidak dihubungi. Model dengan angka keseluruhan yang bagus tapi lemah di dua ratus teratas tidak berguna di sini.

Lapis keputusan diterjemahkan ke bahasa bisnis: berapa pelanggan yang berhasil dipertahankan per bulan dibandingkan cara lama, atau berapa nilai langganan yang terselamatkan. Angka inilah yang menentukan proyek dilanjutkan atau tidak.

Baris 7: batasan dan biaya kesalahan

Dua jenis kesalahan hampir tidak pernah sama harganya. Menelepon pelanggan yang sebenarnya setia: biayanya beberapa menit waktu petugas dan sedikit rasa terganggu. Melewatkan pelanggan yang benar-benar akan berhenti: biayanya kehilangan langganan berbulan-bulan. Karena timpang, model tidak boleh disetel seolah kedua kesalahan itu setara.

Cantumkan juga batasan lain yang mengikat: seberapa cepat prediksi harus tersedia, data mana yang tidak boleh dipakai karena alasan privasi atau kebijakan internal, dan siapa yang bertanggung jawab kalau keluarannya salah.

Uji akhir kartu

Serahkan kartu itu kepada rekan yang tidak ikut membuatnya. Kalau ia bisa menyebutkan satu baris data contoh, isi kolom jawabannya, dan tindakan apa yang diambil dari prediksi itu — kartumu sudah cukup jelas untuk mulai bekerja.

Kasus

Sebuah klinik pratama di pinggiran kota melayani janji temu dokter umum dan dokter gigi. Kepala klinik mengeluh: banyak pasien membuat janji lalu tidak datang tanpa memberi kabar, sehingga slot yang sebenarnya diminati pasien lain terbuang. Ia bertanya, “Bisa nggak kita pakai machine learning untuk ini?”

Semua angka pada kasus ini adalah angka rekaan untuk keperluan latihan, bukan data nyata dari klinik mana pun.

Kondisi yang berhasil digali dari percakapan: dalam enam bulan terakhir tercatat sekitar enam ribu janji temu; kira-kira satu dari lima janji berakhir tanpa kehadiran. Klinik melayani sekitar enam puluh janji per hari. Ada satu petugas administrasi yang, di sela pekerjaannya, sanggup menelepon paling banyak lima belas pasien per hari sebagai pengingat pada H-1.

Langkah 1 — Keputusan apa yang berubah?

Bukan “mengurangi ketidakhadiran”. Itu tujuan, bukan keputusan. Keputusannya konkret: setiap sore, petugas memilih lima belas dari sekitar enam puluh pasien berjadwal besok untuk ditelepon.

Sekarang bentuk keluarannya jelas: bukan angka tunggal, bukan laporan bulanan, melainkan daftar prioritas harian sepanjang lima belas nama.

Langkah 2 — Rak yang mana?

Apakah aturan tetap cukup? Klinik tidak punya kebijakan tertulis tentang siapa yang harus ditelepon, dan tidak ada yang bisa menyebutkan bobot pasti antara riwayat mangkir, jarak rumah, dan jenis layanan. Jadi bukan rak aturan tetap.

Apakah ada kolom jawaban dari masa lalu? Ada. Sistem antrean klinik mencatat status tiap janji: hadir, batal dengan pemberitahuan, atau tidak hadir tanpa kabar. Maka ini prediksi berlabel, bentuk klasifikasi.

Langkah 3 — Satuan pengamatan

Godaannya menulis “pasien”. Tapi keputusan diambil per janji temu, dan pasien yang sama bisa punya banyak janji. Satuan yang benar: satu janji temu. Enam ribu janji dalam enam bulan berarti sekitar enam ribu baris — memadai untuk memulai.

Langkah 4 — Definisi target

Ada tiga status, sementara keputusan kita hanya dua arah: telepon atau tidak. Kita perlu memutuskan status “batal dengan pemberitahuan” masuk ke mana.

Diskusi dengan kepala klinik menghasilkan kesepakatan: pasien yang membatalkan sehari sebelumnya justru membantu, karena slotnya bisa ditawarkan ke orang lain. Yang merugikan adalah yang tidak datang tanpa kabar. Maka:

Target = 1 jika status akhir janji adalah tidak hadir tanpa pemberitahuan; 0 untuk hadir maupun batal dengan pemberitahuan.

Definisi ini bisa dihitung mesin, tidak butuh tafsir, dan langsung nyambung ke keputusan menelepon.

Langkah 5 — Sumber data dan batas waktu informasi

Keputusan diambil sore H-1. Semua kolom diperiksa satu per satu terhadap garis waktu itu.

Tiga kolom terakhir adalah kebocoran informasi masa depan. Kalau ikut dipakai, hasil pengujian akan tampak nyaris sempurna, lalu sistemnya gagal total di hari pertama pemakaian — karena sore itu ketiganya masih kosong.

Langkah 6 — Garis dasar

Aturan paling sederhana yang bisa dipakai tanpa model: telepon lima belas pasien yang punya riwayat ketidakhadiran terbanyak. Diuji ke data enam bulan terakhir, katakanlah dari lima belas nama yang dipilih aturan ini, rata-rata enam benar-benar tidak hadir.

Angka enam dari lima belas inilah yang harus dikalahkan. Kalau model hasil kerja tiga minggu hanya mencapai tujuh dari lima belas, kepala klinik berhak bertanya apakah tambahan satu orang itu sepadan dengan biaya perawatan sistem.

Langkah 7 — Ukuran keberhasilan

Lapis teknis: dari lima belas nama teratas yang direkomendasikan tiap hari, berapa yang benar-benar akan mangkir. Perhatikan bahwa kita tidak memakai persentase tebakan benar atas seluruh enam puluh janji. Kalau memakainya, model yang selalu menjawab “semua hadir” akan tampak benar empat dari lima kali, padahal daftar teleponnya kosong dan tidak berguna sama sekali.

Lapis keputusan: jumlah slot yang berhasil diselamatkan per bulan — yaitu pasien yang jadi datang setelah ditelepon, ditambah slot yang sempat ditawarkan ulang karena pasien memberi kabar batal saat dihubungi.

Biaya dua jenis kesalahan: menelepon pasien yang sebenarnya akan datang memakan sekitar dua menit dan umumnya diterima baik. Melewatkan pasien yang mangkir berarti satu kursi kosong dan satu pasien lain yang tidak terlayani. Timpang, dan condong ke arah lebih baik menelepon.

Langkah 8 — Pernyataan tugas final

Setiap sore hari kerja, sistem memberi skor pada tiap janji temu yang dijadwalkan keesokan harinya, memakai hanya informasi yang tersedia sampai pukul lima sore hari itu, untuk memperkirakan apakah janji tersebut akan berakhir sebagai ketidakhadiran tanpa kabar. Keluarannya adalah lima belas janji dengan skor tertinggi, yang akan dihubungi petugas administrasi. Sistem dianggap berhasil jika jumlah janji mangkir yang tertangkap dalam lima belas nama itu melampaui garis dasar aturan riwayat, dan jumlah slot terselamatkan per bulan meningkat dibandingkan tiga bulan sebelum penerapan.

Satu paragraf ini bisa dibaca kepala klinik, petugas administrasi, dan siapa pun yang mengerjakan datanya, tanpa salah tafsir. Inilah keluaran nyata dari modul ini — bukan modelnya, tapi paragraf ini.

Kenapa unit ini ada

Salah paham di bawah ini bukan kesalahan orang ceroboh. Semuanya masuk akal jika dilihat sepintas, dan justru karena itu bertahan lama di kepala orang yang sudah cukup lama bekerja. Tiap butir dikoreksi bukan dengan “itu salah”, tapi dengan alasan mengapa ia meleset.

1. “Datanya sudah banyak, pasti bisa dipakai machine learning”

Yang terjadi sebenarnya: banyak tidak sama dengan berlabel, dan tidak sama dengan relevan. Sebuah koperasi bisa punya jutaan baris transaksi setoran dan penarikan, tetapi tidak satu pun kolom yang menandai anggota mana yang akhirnya bermasalah. Ukuran data menyelesaikan masalah ketersediaan contoh, bukan masalah ketersediaan jawaban.

Alasannya: mesin pada tugas prediksi berlabel belajar dengan mencocokkan ciri terhadap jawaban. Kalau kolom jawaban tidak ada, tidak ada yang bisa dicocokkan, sebanyak apa pun barisnya. Pertanyaan pertama bukan “berapa banyak data kita”, melainkan “kolom mana yang menjadi jawaban, dan apakah ia terisi untuk kejadian masa lalu”.

2. “Akurasi sembilan puluh persen berarti modelnya bagus”

Yang terjadi sebenarnya: pada kejadian yang jarang, angka tinggi bisa dicapai tanpa model sama sekali. Kalau hanya satu dari dua puluh paket yang salah kirim, sistem yang selalu menjawab “tidak ada masalah” langsung benar sembilan puluh lima persen — dan tidak pernah menemukan satu pun paket bermasalah.

Alasannya: persentase tebakan benar menjumlahkan dua hal yang nilainya sangat berbeda: menebak benar kasus biasa yang berlimpah, dan menebak benar kasus langka yang justru jadi alasan proyek dibuat. Ukuran yang benar harus mengikuti kapasitas tindakan: dari sekian kasus yang sanggup kamu tangani, berapa yang benar-benar bermasalah. Selalu bandingkan juga terhadap tebakan mayoritas sebagai garis dasar.

3. “Tidak ada label? Pakai pengelompokan saja”

Yang terjadi sebenarnya: pengelompokan tanpa label tidak menggantikan prediksi berlabel; ia menjawab pertanyaan yang berbeda. Kalau kamu butuh tahu pelanggan mana yang akan berhenti bulan depan, hasil pengelompokan hanya memberimu beberapa kumpulan pelanggan yang mirip — tanpa memberi tahu kelompok mana yang akan pergi.

Alasannya: ketiadaan label adalah kekurangan data, bukan pilihan metode. Kalau labelnya memang dibutuhkan, jalan yang benar adalah membentuknya dari data yang ada (misalnya menghitungnya dari riwayat transaksi) atau mulai mencatatnya sekarang untuk dipakai beberapa bulan lagi. Mengganti tujuan proyek agar cocok dengan data yang kebetulan tersedia adalah cara halus untuk gagal.

4. “Aturan tetap itu solusi kelas dua”

Yang terjadi sebenarnya: untuk masalah yang aturannya sudah disepakati dan stabil, aturan tetap adalah jawaban terbaik, bukan jawaban seadanya. Ia bisa dijelaskan kalimat per kalimat kepada pelanggan yang protes, diaudit pengawas internal, dan berjalan konsisten tanpa perlu dilatih ulang.

Alasannya: machine learning membeli kemampuan menangani pola yang tidak bisa dituliskan manusia, dan membayarnya dengan biaya data, biaya perawatan, dan berkurangnya kemampuan menjelaskan. Kalau polanya sudah bisa dituliskan, kamu membayar harga itu tanpa mendapat apa pun sebagai gantinya.

5. “Masukkan saja semua kolom yang ada, biar model yang memilih”

Yang terjadi sebenarnya: sebagian kolom baru terisi setelah kejadian yang ingin kamu tebak sudah terjadi. Kolom “tanggal penyelesaian klaim”, “alasan pembatalan”, atau “biaya tindakan” hanya ada pada baris yang kejadiannya sudah selesai. Model yang meminumnya akan mencetak hasil uji yang nyaris sempurna.

Alasannya: hasil sempurna itu berasal dari melihat masa depan, sesuatu yang tidak akan tersedia pada saat sistem benar-benar dipakai. Gejalanya khas: hebat di laptop, ambruk di lapangan. Karena itu tiap kolom harus diuji dengan satu pertanyaan yang sama — apakah nilai ini sudah pasti ada pada detik keputusan diambil? Kalau ragu, keluarkan.

6. “Rumusan masalahnya bisa diperbaiki nanti setelah modelnya jadi”

Yang terjadi sebenarnya: mengubah definisi target atau satuan pengamatan membatalkan hampir seluruh pekerjaan sesudahnya. Tabel latih harus dibentuk ulang, ciri-cirinya dihitung ulang, semua eksperimen diulang, dan hasil yang sudah terlanjur dipresentasikan harus ditarik.

Alasannya: target dan satuan pengamatan berada di dasar tumpukan; semua yang lain berdiri di atasnya. Biaya memperbaikinya naik tajam seiring waktu — dari satu paragraf di minggu pertama menjadi berminggu-minggu kerja setelah model dipakai. Menghabiskan dua hari untuk mengunci rumusan bukan penundaan, melainkan bentuk penghematan yang paling besar hasilnya di seluruh proyek.

Cara memakai daftar ini

Baca ulang kartu spesifikasi atau usulan proyek yang ada di mejamu sambil menyusuri enam butir tadi satu per satu. Salah paham nomor dua dan lima adalah yang paling sering lolos pemeriksaan, karena keduanya justru membuat angka terlihat bagus. Curigai hasil yang terlalu memuaskan lebih dulu, bukan hasil yang mengecewakan.

Petunjuk pengerjaan

Kuis ini menguji keputusan, bukan ingatan. Tidak ada satu pun soal yang jawabannya bisa ditemukan dengan mencocokkan kalimat di materi. Keempat kasusnya baru — belum pernah muncul di unit mana pun — dan hanya bisa dipecahkan dengan menerapkan cara berpikir yang sudah kamu bangun: menentukan rak masalah, menetapkan satuan pengamatan, menyaring kolom terhadap batas waktu informasi, dan memilih ukuran keberhasilan yang mengikuti kapasitas tindakan.

Cara mengerjakan:

1. Sediakan sekitar lima belas menit tanpa gangguan. Empat soal, masing-masing satu jawaban benar.
2. Baca kasusnya lebih dulu sampai habis sebelum melihat pilihan jawaban. Kalau perlu, tulis dulu jawabanmu sendiri di kertas, baru cari pilihan yang paling mendekati.
3. Untuk tiap soal, tanyakan pada dirimu: keputusan apa yang sedang diambil di kasus ini, dan kapan keputusan itu diambil? Sebagian besar jawaban keliru berasal dari melewatkan pertanyaan kedua.
4. Jangan membuka materi selama mengerjakan. Kalau kamu merasa perlu membukanya, itu justru penanda berguna tentang bagian mana yang perlu kamu baca ulang setelah selesai.
5. Setelah menjawab, baca pembahasannya — termasuk untuk soal yang kamu jawab benar. Pembahasan menjelaskan bukan hanya mengapa satu pilihan benar, tetapi mengapa tiga lainnya salah. Bagian kedua ini yang biasanya paling banyak menambah pemahaman.

Cara membaca hasilmu: kalau kamu salah pada satu soal, cukup baca ulang bagian terkait di unit yang bersangkutan. Kalau salah dua atau lebih, ulangi unit tiga dan unit empat sebelum melanjutkan ke modul berikutnya — dua unit itu adalah fondasi seluruh kelas ini, dan kesulitan di sini akan berlipat di modul-modul selanjutnya.

Semua nama perusahaan dan angka dalam soal adalah rekaan untuk keperluan latihan.

Yang sudah kamu bangun di modul ini

Modul ini tidak mengajarkan satu pun algoritma, dan itu disengaja. Yang kamu bangun adalah kemampuan yang menentukan apakah algoritma apa pun nanti ada gunanya: mengubah permintaan kabur menjadi rumusan tugas yang bisa diperiksa benar-salahnya oleh orang lain.

Tiga rak masalah

Prediksi berlabel dipakai ketika jawaban dari masa lalu tercatat sebagai sebuah kolom. Bentuknya klasifikasi bila jawabannya kategori, regresi bila jawabannya angka. Syarat mutlaknya bukan jumlah data, melainkan keberadaan kolom jawaban dengan definisi tunggal.

Pengelompokan tanpa label dipakai ketika tidak ada kunci jawaban. Keluarannya usulan yang masih harus ditafsirkan manusia, cocok untuk menemukan pertanyaan, tidak cocok untuk mengotomatiskan keputusan yang punya konsekuensi.

Aturan tetap dipakai ketika aturannya sudah diketahui, disepakati, dan stabil. Ini pilihan yang sering paling tepat, bukan jalan pintas. Aturan tetap kalah hanya ketika faktornya terlalu banyak, bobotnya tidak diketahui siapa pun, dan hubungannya berubah seiring waktu.

Ada kemungkinan keempat yang harus berani kamu sampaikan: masalahnya layak, tetapi datanya belum pernah dikumpulkan. Jawaban yang benar untuk kasus ini adalah merancang pencatatan lebih dulu.

Tujuh baris kartu spesifikasi

Keputusan yang berubah — satuan pengamatan — target beserta definisi operasional dan jangkauan waktunya — sumber data beserta batas waktu informasi — garis dasar — ukuran keberhasilan dua lapis — batasan dan biaya kesalahan.

Dua baris yang paling sering diisi keliru: satuan pengamatan, yang harus sama persis dengan satuan keputusan, dan batas waktu informasi, yang melarang kolom mana pun yang baru terisi setelah kejadian berlangsung.

Ukuran keberhasilan

Ukuran teknis harus mengikuti kapasitas tindakan. Kalau timmu hanya sanggup menangani sekian kasus, yang relevan adalah berapa banyak kasus benar di dalam sekian nama teratas itu — bukan performa atas seluruh basis data. Ukuran keputusan diterjemahkan ke bahasa pemilik proses: slot terselamatkan, tagihan macet yang dicegah, pengiriman ulang yang berkurang. Dan selalu ada garis dasar, karena angka tanpa pembanding tidak berarti apa-apa.

Daftar periksa mandiri

Gunakan pada satu usulan proyek nyata — misalnya permintaan yang kamu tulis di unit pembuka. Lanjutkan ke modul berikutnya hanya kalau semua butir bisa kamu jawab tanpa membuka materi.

• [ ] Aku bisa menyebutkan siapa yang mengambil keputusan, kapan, dan berapa sering keputusan itu terjadi.
• [ ] Aku bisa menjelaskan apa yang berubah dalam tindakan orang setelah prediksi tersedia — dan yakin bahwa yang dibutuhkan bukan sekadar laporan.
• [ ] Aku sudah menempatkan masalah ini di salah satu dari tiga rak, dan bisa menyebutkan alasannya dalam satu kalimat.
• [ ] Aku sudah mempertimbangkan aturan tetap secara serius, bukan melewatinya begitu saja.
• [ ] Aku bisa menyebutkan dengan tepat apa yang diwakili satu baris data, dan satuan itu sama dengan satuan keputusan.
• [ ] Definisi targetku bisa dihitung mesin tanpa penilaian manusia, punya jangkauan waktu tegas, dan titik awal yang jelas.
• [ ] Aku sudah memeriksa setiap kolom dengan satu pertanyaan: apakah nilainya sudah pasti ada pada detik keputusan diambil?
• [ ] Aku sudah menetapkan garis dasar dan mengetahui angkanya sebelum model apa pun dibuat.
• [ ] Ukuran keberhasilan teknisku mengikuti kapasitas tindakan tim, bukan seluruh basis data.
• [ ] Aku bisa menyebutkan biaya masing-masing jenis kesalahan dan mana yang lebih mahal.
• [ ] Aku sudah menyerahkan rumusan ini ke orang lain, dan ia bisa menyebutkan contoh satu baris data beserta tindakan yang diambil dari prediksinya.

Kalau ada butir yang belum tercentang

Butir tentang satuan pengamatan dan definisi target mengarah ke unit tiga. Butir tentang penyaringan kolom dan ukuran keberhasilan mengarah ke unit empat, tempat keduanya dikerjakan langkah demi langkah pada kasus klinik. Butir tentang aturan tetap mengarah ke unit dua.

Jangan buru-buru. Modul berikutnya masuk ke data dan penyiapannya, dan seluruh pekerjaan di sana berdiri di atas rumusan yang kamu kunci di sini. Rumusan yang goyah tidak akan diperbaiki oleh data yang lebih bersih atau model yang lebih canggih — ia hanya akan membuat pekerjaan berminggu-minggu menjadi sia-sia dengan cara yang baru ketahuan di akhir.

Bawa ini ke modul berikutnya

Simpan kartu spesifikasi yang sudah kamu isi. Di modul berikutnya kartu itu bukan sekadar catatan — baris satuan pengamatan akan menentukan bentuk tabel yang kamu susun, dan baris batas waktu informasi akan menentukan kolom mana yang boleh ikut. Kamu akan bekerja dengan dokumen yang kamu tulis sendiri, bukan dengan contoh dari kelas.