Machine Learning: Ilmu Titen

Sebagai orang Jawa. Belajar machine learning ini sebenarnya bukan hal yang baru, meski orang yang mengatakan dirinya "masa kini" selalu skeptis terhadap machine learning ala orang jawa —atau bisa disebut juga nusantara pada umumnya.

Orang Nusantara, Jawa khususnya ini mempunyai salah satu cabang keilmuan bernama ilmu titen. Berasal dari kata niteni yang berarti mencatat, mengamati dan mengingat tanda-tandanya berulang-ulang. Dapat berupa pengamatan alam, sosial atau perilaku. Lalu korelasinya dengan machine learning apa? Ketiganya dapat diibaratkan data-set digital, dapat berupa teks, angka, gambar, suara, dst, dll. —meski pada realitanya, komputer tidak pernah benar-benar mengenali teks, gambar, suara, dst, dll.

Selanjutnya, data-data tersebut di olah oleh otak manusia untuk menemukan keteraturan tanda pola-pola tertentu yang terkandung di dalamnya. Di zaman ini, data tersebut di olah oleh CPU/GPU dengan berbagai algoritma matematika juga untuk menemukan pola-pola yang ada di dalamnya. Di atas, komputer dikatakan tidak mengenali teks, gambar, suara, dst, dll. Akan tetapi, komputer dapat mengenali angka. Jadi, apapun sumber datanya, hal yang pertama dilakukan adalah mengubah semua sumber data tersebut menjadi sekumpulan angka-angka.

Hasilnya adalah bisa berupa tanda musim tanam, peralihan musim, watak seseorang, dst, dll. Dalam dunia masa kini, machine learning dapat membantu membuat diagnosis medis, merekomendasikan konten —dan pada ruang lingkup kecerdasan buatan, machine learning merupakan pondasi utama yang bertindak sebagai mesin inti untuk memberikan kemampuan belajar pada sistem kecerdasan buatan.

Namun, baik ilmu titen maupun machine learning sama-sama berpijak pada prinsip probabilitas, bukan kepastian mutlak. Nenek moyang kita memahami betul bahwa tanda alam bisa meleset ketika terjadi anomali—apa yang dalam terminologi modern kita sebut sebagai outlier atau kecenderungan overfitting, yakni ketika sebuah pola terlalu kaku menggantungkan diri pada data masa lalu sehingga gagap merespons dinamika baru. Catatan-catatan tradisional seperti primbon, dalam sudut pandang ini, tak ubahnya sebuah checkpoint atau berkas model yang telah dilatih selama berabad-abad oleh ribuan pengamat anonim, yang terus diperbarui setiap kali lanskap sosial dan alam bergeser.

Perbedaan terbesarnya mungkin hanya terletak pada medium ekstraksi dan kecepatannya. Jika para leluhur membutuhkan siklus puluhan tahun dan ingatan kolektif lintas generasi untuk merumuskan satu pola Pranata Mangsa, algoritma masa kini mampu memproses jutaan baris matriks angka hanya dalam hitungan detik di dalam kepingan silikon. Kendati demikian, muaranya tetap tunggal: memperkecil loss function atau tingkat ketidakpastian hidup, agar manusia tidak meraba-raba di dalam kegelapan saat hendak menentukan musim tanam maupun mengambil keputusan strategis lainnya.