Hi, apakah kemarin kamu mengalami bertanya-tanya terkait #Googleoutage ? Jika iya, pasti kamu sempat bersinggungan dengan situs Downdetector®. Sebuah situs yang dikembangkan dari gagasan bahwa user merupakan pihak yang pertama kali mengalami gangguan apabila terjadi. Namun, sayangnya user tidak selalu mendapatkan informasi terbaru saat menghubungi penyedia layanan. Sebuah pain dan permasalahan real yang dialami dan disulap menjadi solusi bernilai bisnis dengan dibantu oleh machine learning. Untuk kamu yang ingin mendirikan startup dan atau mengenal penerapan machine learning lebih jauh, artikel ini pas banget deh.

Apa itu Downdetector?

Downdetector mengklaim dirinya sebagai sumber paling populer di dunia untuk informasi status ketersediaan layanan yang dibuat pengguna. Melacak lebih dari 6.000 layanan di 45 negara, setiap halaman status Downdetector, menampilkan detail tentang di mana orang lain telah melaporkan masalah terkait layanan perusahaan.

Downdetector juga menampilkan tweet dan komentar dari komunitas pengguna lain yang mencoba memecahkan masalah. Seringkali, user menyadari potensi masalah, jauh sebelum penyedia layanan melaporkan masalahnya secara publik. Dalam kasus lain, pengguna mungkin yakin bahwa mereka mengalami masalah dengan aplikasi, hanya untuk mengetahui bahwa sumber masalahnya sebenarnya ada pada penyedia layanan internet mereka.

Downdetector® menyediakan status dan informasi gangguan real-time untuk segala jenis layanan yang penting bagi kehidupan dan pekerjaan sehari-hari pengguna.

• Operator seluler
• Penyedia jasa internet
• Layanan online
• Game online
• Keuangan

Seru dan bermanfaat sekali ya!

Bagaimana sih, Downdetector bekerja?

1. Mengumpulkan laporan tentang suatu masalah

Ada beberapa metode yang digunakan oleh Downdetector. Pertama yakni dengan melaporkan masalah yang dikirimkan langsung ke halaman status Downdetector. Selain itu, informasi status situs atau layanan dikumpulkan dari interaksi pengguna dengan berbagai sumber di seluruh web, termasuk mesin telusur seperti Google dan platform media sosial seperti Twitter. Informasi tambahan ini, memberikan pandangan holistik tentang gangguan layanan yang dirasakan.

Setiap perusahaan yang dipantau dikonfigurasi dengan daftar kata-kata inklusi yang digunakan untuk mengidentifikasi tweet yang mungkin relevan dengan status layanan online perusahaan itu. Sebuah tweet dinilai berdasarkan relevansinya dengan perusahaan yang dipantau dan sentimen konten untuk menentukan apakah itu harus dihitung sebagai laporan masalah. Downdetector juga melihat indikator utama lainnya dari seluruh web untuk menentukan apakah sejumlah besar pengguna mengalami masalah dengan perusahaan atau layanan yang dipantau.

2. Mengatribusikan laporan pemadaman ke suatu lokasi

Pengguna Downdetector dapat dengan cepat melihat apakah pengguna lain di area mereka mengalami masalah dengan layanan – atau apakah potensi masalah lebih meluas. Saat pengguna mengirimkan laporan masalah di Downdetector, laporan tersebut diatribusikan ke lokasi dan negara. Jika pengguna di satu negara mengirimkan laporan di situs Downdetector untuk negara lain, sistem akan menentukan apakah layanan tersebut dipantau atau tidak di situs yang terkait dengan negara pengguna yang memiliki geolokasi. Jika ya, laporan masalah dikaitkan ke layanan untuk lokasi pengguna yang sebenarnya. Jika layanan tidak dipantau di negara itu, informasi dikumpulkan dan disimpan tetapi tidak dikaitkan sebagai laporan terhadap layanan untuk lokasi lain.

3. Penentuan kriteria akhir untuk penentuan pemadaman

Downdetector menerapkan metodologi data yang ketat untuk menentukan apakah volume pengguna yang cukup mengalami masalah dan kemudian menetapkan status berdasarkan indikator masalah ini. Sejumlah laporan masalah yang terisolasi bukan merupakan indikator kemungkinan terjadinya gangguan atau masalah layanan lainnya. Downdetector hanya melaporkan masalah jika sejumlah besar pengguna terpengaruh. Untuk itu, Downdetector menghitung volume dasar laporan masalah umum untuk setiap layanan yang dipantau, berdasarkan jumlah rata-rata laporan untuk waktu tertentu selama setahun terakhir. Sistem deteksi insiden Downdetector membandingkan jumlah laporan masalah saat ini dengan data dasar ini dan hanya melaporkan masalah jika volume saat ini secara signifikan melebihi volume laporan biasa.

Nah, dalam proses-proses inilah machine learning dan model-model pembelajaran digunakan, tak ketinggalan API dari berbagai platform. Nyaris tidak mungkin jika pendeteksian masalah ini dilakukan secara manual. Memang, kesannya tidak secanggih self driving car dan atau penerapan machin learning yang jauh lebih rumit. Namun, Downdetector berhasil menemukan dan mengangkat real problem user menjadi sebuah produk yang bahkan dijadikan ladang bisnis. Bukankah sangat keren?

Jika kamu mau membangun situs seperti ini, tentu ada banyak hal yang harus kamu ketahui terlebih dahulu. Daftarnya bisa kamu lihat artikel sebelum ini terkait Machine learning dan daftar training Hemera ya! Oh ya, jika kamu butuh bantuan dan konsultasi untuk mengembangkan startup mu, kami juga siap membantu.