Solusi Tingkatkan Kualitas Analisa Data, BCA Gunakan Machine Learning

0
558

Jika algoritma pada ML semakin bagus maka akurasi keputusan dan prediksi sistem akan semakin baik. Sama halnya seperti otak manusia, jika ingin semakin pintar maka harus banyak belajar.

JAKARTA, Komite.id – Tak bisa dipungkiri, bahwa saat ini teknologi telah berkembang pesat. Pandemi COVID-19, telah memunculkan sebuah pola baru yang menciptakan kebiasaan baru dalam penggunaan teknologi. Di area data, teknologi sebelumnya memiliki banyak limitasi, namun kini data-data yang dihasilkan sudah sangat jauh berkembang. Data sudah bisa disimpan dalam ukuran besar, sehingga memungkinkan untuk menyimpan data dalam durasi yang lama. Penggunaan data dalam ukuran besar tentunya membuat kenyaman tersendiri bagi banyak orang. Sehingga, peranan data pun sangat penting dalam aktivitas perusahaan maupun perorangan.

“Jenis data yang disimpan pun bervariasi, tidak hanya data-data yang terstruktur seperti transaksi atau data nasabah tetapi juga data-data seperti video, audio maupun lock system,” terang IT Excecutive Vice President BCA, Fransiscus Kaurrany saat menjadi keynote speech dalam kegiatan Virtual e-Summit DataGov AI 2021, yang mengusung tema “Big Data & AI Technology Transformation atau Big Data dan Teknologi Transformasi AI, Kamis (25/11).

Dikatakan olehnya, penggunaan Machine Learning (ML) dan Artificial Intelligence (AI) untuk beberapa hal di perbankan Indonesia. Salah satunya untuk mempercepat proses pengambilan keputusan yang juga meningkatkan kualitas dari Analisa. Sebagai contoh, pemanfaatan sekaligus penggunaan AI atau ML dalam hal credit scoring, menentukan next best action berupa marketing atau menawarkan produk dengan solusi yang lebih tepat, maupun dapat membantu perbankan dalam melakukan retensi terhadap nasabah yang punya keluhan atau masukan.

Pemanfaatan machine learning, bertujuan untuk menentukan suatu keputusan dari data-data tersebut. Jika algoritma pada ML semakin bagus maka akurasi keputusan dan prediksi sistem semakin baik. Sama halnya seperti otak manusia, jika ingin semakin pintar maka harus banyak belajar. Maka, mesin yang mengolah banyak data pun akan menghasilkan output yang semakin akurat. Hingga kini, dalam pengolahan data machine learning menjadi satu bagian yang wajib ada karena berperan penting bagi seluruh aktivitas sehari-hari dalam sebuah perusahaan maupun organisasi.

Menurut IT Executive Vice President BCA tersebut, mesin learning juga bisa dimanfaatkan untuk melakukan monitoring yang selama ini akan sangat challenging apabila dilakukan secara manual atau analitik biasa, salah satunya dengan melihat anomali dari tingkah laku transaksi ataupun tingkah laku customer. Selain itu, ML atau AI dapat digunakan untuk membantu mempercepat operasional atau meringankan pekerjaan operasional seperti chat board dengan memanfaatkan NLP (Natural Language Processing).

NLP bertujuan untuk menggabungkan linguistik komputasi pemodelan bahasa manusia berbasis aturan dengan model statistik, pembelajaran mesin, dan pembelajaran mendalam. Adanya teknologi ini memungkinkan program komputer untuk memproses bahasa manusia sebagai teks atau data ucapan dengan memahami makna sepenuhnya, mengingat keperluan dan perasaan pembicara, atau penulis. NLP dapat membantu bisnis meningkatkan pengetahuan mereka dan mendapatkan visibilitas lebih dari sebelumnya pada semua aspek operasi kontak pelanggan yang dimiliki.

“Satu hal yang sering dilihat oleh orang adalah hasil akhir. Kami juga memberikan analogi bahwa sesuatu yang kita lihat dan keputusan yang disarankan, analoginya itu seperti dashboard di dalam kendaraan. Sesuatu yang secara grafis bisa kita lihat dan kelihatan menarik, tetapi dibalik dari dashboard tersebut sebenarnya ada engine atau mesin yang menjalankan model-model dalam mesin learning. Akan tetapi satu hal yang seringkali tidak dilihat adalah bahan bakar pada mesin learning,” terangnya.

Baginya, data merupakan bahan bakar atau view lock dari mesin learning. Untuk mendapatkan kualitas yang lebih baik dari mesin learning tersebut tentu dibutuhkan kualitas bahan bakar yang juga lebih baik, sehingga selain memperhatikan model-model mesin learning yang bisa digunakan untuk meningkatkan kualitas dari pengambilan keputusan dan analisa, kita juga perlu memperhatikan bagaimana data itu dikumpulkan, seberapa cepat pengumpulan data tersebut dan berapa akurasi dari data yang sudah dikumpulkan. Untuk itu, lanjut Fransiscus Kaurrany, kita perlu memperhatikan tata kelolanya, siapa yang boleh mengakses dan bagaimana data itu dapat disimpan.

Sejatinya, ada dua artikulasi penting yang mematok kekuatan model ML, yaitu jumlah data yang tersedia untuk dianalisis dan algoritma komputasi untuk melakukan analisis. Semakin banyak volume data yang masuk melalui suatu platform, maka akan dapat menganalisis data lebih kompleks sehingga dapat menghasilkan lebih banyak informasi. Selain itu, algoritma perhitungan akan lebih terlatih seiring dengan meningkatnya volume dan kompleksitas data yang masuk.

Hal ini berkaitan dengan perumpamaan Garbage in Garbage out (GIGO), apabila kualitas data yang disimpan tidak dijaga, maka keputusan yang dihasilkan mesin learning pun menjadi kurang akurat. Jika dilihat kilas baliknya, tidak semua masalah dapat diselesaikan dengan program mesin learning, tetapi seringkali algoritma yang kompleks dapat diselesaikan dengan sangat sederhana melalui pembelajaran mesin, diagnosa medis, deteksi penipuan kartu kredit, pengenalan nomor, negosiasi, tindakan, segmentasi pelanggan, mobil otonom dan sebagainya.

“Ini perlu diperhatikan oleh semua tampilan yang menarik dan didukung oleh mesin learning platform, sehingga mampu memproses data dan menjalankan berbagai model ML dengan performa yang baik. Namun, satu hal yang sangat fundamental adalah bagaimana kita mengumpulkan dan membersihkan data itu sendiri,” tutupnya.

Dengan begitu, kehadiran ML sangat penting dalam beberapa perusahaan. Bersama memperhatikan penggunaan ML agar efektif, dengan melakukan pelatihan program maka akan semakin banyak contoh yang dipelajari program serta semakin akurat. ML sendiri membutuhkan data untuk materi belajar sebelum bisa mengeluarkan output. Berbeda dengan program komputer statis biasa, program ML dirancang untuk bisa belajar sendiri. (red)

 

 

This site uses Akismet to reduce spam. Learn how your comment data is processed.