Workflow Proyek Machine Learning: Dari Dataset Mentah sampai Model Siap Dipakai

Banyak tutorial machine learning langsung membuka notebook dan menulis kode. Itu menyenangkan, tetapi sering membuat pemula kehilangan gambaran besar: proyek ML bukan dimulai dari model, melainkan dari masalah.

1. Rumuskan masalah dengan kalimat manusia

Sebelum menyebut Random Forest, SVM, atau Neural Network, tulis dulu tujuan bisnis atau tujuan risetnya. Misalnya: "memprediksi pelanggan yang berisiko berhenti berlangganan" atau "mengelompokkan pola pembelian agar tim marketing bisa membuat segmentasi". Kalimat ini menentukan tipe masalah, data yang dibutuhkan, dan metrik evaluasi.

2. Tentukan target dan unit prediksi

Target adalah hal yang ingin diprediksi. Unit prediksi adalah objek yang diprediksi. Dalam churn prediction, unitnya pelanggan dan targetnya churn atau tidak. Dalam prediksi harga rumah, unitnya rumah dan targetnya harga. Kesalahan di tahap ini bisa membuat seluruh proyek kabur.

3. Kumpulkan data, lalu curigai datanya

Data mentah hampir selalu berantakan. Ada nilai hilang, duplikasi, format tanggal yang tidak konsisten, kategori yang berubah nama, dan outlier. Jangan terburu-buru menghapus semuanya. Beberapa outlier adalah error, tetapi beberapa justru sinyal penting.

4. Buat baseline dulu

Baseline adalah model pembanding sederhana. Untuk klasifikasi, baseline bisa model yang selalu memilih kelas mayoritas. Untuk regresi, baseline bisa rata-rata target. Jika model canggih tidak mengalahkan baseline, berarti ada masalah pada fitur, data, atau framing.

5. Pisahkan train, validation, dan test

Data latih dipakai untuk fitting model. Data validation dipakai untuk memilih parameter. Data test dipakai untuk evaluasi akhir. Jangan mencampur data test ke proses eksperimen karena hasilnya akan terlalu optimistis.

6. Feature engineering

Feature engineering adalah seni membuat sinyal yang lebih mudah dipelajari model. Dari tanggal, kita bisa membuat hari dalam minggu, bulan, atau apakah tanggal itu akhir pekan. Dari transaksi, kita bisa membuat jumlah transaksi terakhir, rata-rata nominal, atau frekuensi pembelian.

7. Training dan tuning

Mulailah dari model sederhana: regresi linear, logistic regression, decision tree, atau random forest. Setelah baseline kuat, baru coba model lebih kompleks. Tuning parameter sebaiknya dilakukan terukur, bukan asal geser semua angka.

8. Error analysis

Lihat kasus yang salah. Apakah error terjadi pada segmen tertentu? Apakah data kelas minoritas kurang? Apakah label tidak konsisten? Error analysis sering memberi petunjuk lebih berguna daripada sekadar menaikkan kompleksitas model.

9. Deployment bukan akhir

Setelah model dipakai, data dunia nyata bisa berubah. Pola pelanggan berubah, musim berganti, produk baru muncul. Karena itu model perlu dipantau: distribusi input, metrik performa, dan contoh prediksi yang mencurigakan.