Bagaimana cara Google map memprediksi waktu tempuh ? Mungkin kita berpikir, menggunakan rumus waktu = jarak / kecepatan rata-rata pengendara. Tapi pendekatan ini memiliki kelemahan, yaitu tidak memperhitungkan macet yang mungkin disebabkan banyak faktor : jam, hari, lampu merah, hujan atau tidak, dan lain-lain.
Akan sangat mustahil membuat aturan yang mampu meng-cover seluruh kondisi. Tidak mungkin membuat jutaan aturan IF-THEN untuk setiap jalan di dunia, misalnya : jika jalan Pramuka DAN hari Senin DAN jam 8 pagi DAN hujan MAKA kecepatan = 5 km/jam. Cara seperti ini terlalu rumit dan kaku, tidak bisa beradaptasi dengan kondisi real di jalan.
Pendekatan yang lebih baik adalah belajar dari data. Dari milyaran data histori pengguna jalan Google Map, lalu Google map belajar dari data itu, lalu Google Map mampu memprediksi sekaligus merekomendasikan jalan yang terbaik untuk kita. Nah inilah MACHINE LEARNING (ML), proses “menyuruh komputer belajar dari pola dara (contoh)”.
Analoginya :
Cara lama : Kita memberi resep (aturan) ke Koki (komputer) untuk memasak.
Cara baru : Kita memberi 1000 contoh masakan jadi (data) ke Koki (komputer) dan menyuruhnya mencari tahu sendiri resepnya.
Komputer akan “belajar” dan menghasilkan sebuah “model” (intuisi buatan). Model ini menemukan pola: “Oh, ternyata di jalan Pramuka, pola setiap hari Senin pagi itu selalu terjadi penumpukan kendaraan. Kecepatan rata-rata turun drastis. Jadi, prediksi saya bukan 10 menit, tapi 50 menit.”
Keren kan ! Dan ternyata, masalah yang dapat diselesaikan dengan Machine Learning tidak hanya prediksi waktu tempuh. 4 hal yang bisa dilakukan Machine Learning: