Pembelajaran Mesin 1 Pendahuluan dan Contoh Penerapan

Deskripsi Kasar

Machine learning (pembelajaran mesin) adalah sebuah proses dimana mesin belajar untuk memprediksi, mengklasifikasi, atau mencari hasil yang tepat. Prediksi adalah tebakan kejadian masa depan sedangkan klasifikasi adalah penamaan sesuatu. Kualitas pembelajaran mesin dapat diuji dengan membandingkan prediksi atau klasifikasi yang dihasilkan dengan hasil nyata yang akan muncul di masa depan atau klasifikasi yang telah ditentukan. Perbandingan hasil atau klasifikasi pun dimasukan ke dalam mesin agar mesin tersebut terus belajar. Mesin pembelajaran juga dapat meringankan beban manusia untuk mencari solusi dari suatu masalah.

Perbedaan Dengan Kecerdasan Buatan

Perbedaan dengan pembelajaran mesin dengan kecerdasan buatan adalah di hasil dimana perbedaannya adalah pembelajaran mesin menghasilkan prediksi atau klasifikasi sedangan kecerdasan buatan menghasilkan keputusan. Sehingga pembelajaran mesin termasuk bagian kecerdasan buatan.

Contohnya dokter yang mendiagnosa seorang pasien dimana dapat menentukan penyakitnya bagaikan pembalajaran mesin sedangkan dokter yang telah mendiagnosa pasien dimana setelah itu memutuskan perawatan pasien seperti menentukan obat yang harus diminum, makanan yang harus dimakan, dan aktifitas yang harus dilakukan bagaikan kecerdasan buatan.

Contoh Penerapan Pembelajaran Mesin Rekan-Rekan Saya Saat S2 dan S3

Sistem Peringatan Dini Murid Akan Gagal

Terdapat 3 penelitian di lab saya yang pada inti melatih mesin menggunakan log data Moodle (OASEnya Kumamoto University) untuk menghasilkan kecerdasan buatan untuk memprediksi mahasiswa yang akan gagal mata kuliah. Penelitian pertama menggunakan K-Mean Clustering, penelitian kedua menggunakan statistik, dan penelitian ketiga menggunakan Convoluted Neural Network (“An artificial neural network based early prediction of failure-prone students in blended learning course.” International Journal of Emerging Technologies in Learning (iJET) 14.19 (2019): 77-92). Untuk melakukan penelitian ini dibutuh log data tahun-tahun sebelumnya beserta dengan riwayat mahasiswa yang gagal.

Memprediksi Murid Curang Saat Ujian Online

Merupakan penelitian rekan saya yang mengimplementasikan sistem mouse tracking yang saya buat dimana rekan saya membuat kecerdasan buatan untuk memprediksi mahasiswa curang saat ujian online (“Identifying potential cheaters by tracking their behaviors through mouse activities,” 2020 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 2020, pp. 143-149, doi: 10.1109/TALE48869.2020.9368400).

Menggali Kembali Bobot Penilaian Penentuan Beasiswa Bidik Misi Yang Hilang

Menggunakan Back-Propagation Neural Network dan Fuzzy untuk back tracing cara panitia sebelumnya menilai (“Indonesia Scholarship Selection Model Using a Combination of Back-Propagation Neural Network and Fuzzy Inference System Approaches.” International Journal of Intelligent Engineering and Systems 11.3 (2018): 79-90).

Menentukan Bobot Filter Yang Optimal Pada Multimedia

• Transkripsi audio dan video menjadi tulisan atau kebalikan dengan proses pembuatan siaran (“Improved Transcription and Speaker Identification System for Concurrent Speech in Bahasa Indonesia Using Recurrent Neural Network.” IEEE Access 9 (2021): 70758-70774).
• Pembelajaran sendiri pelacakan bola mata dan hal-hal lain (“Self-training Pupil Detection Based on Mouse Click Calibration for Eye-Tracking Under Low Resolution.” 2020 6th International Conference on Control, Automation and Robotics (ICCAR). IEEE, 2020).
• Filter multimedia otomatis (“Bone conduction microphone measures in the external auditory canal: An application for implementing cross-talk cancellation for bone-conducted sound.” Acoustical Science and Technology 40.5 (2019): 356-359).
• Pergerakan dan penangkapan kamera otomatis (“Virtual camera movement with particle swarm optimization and local regression.” International Review on Computers and Software 11.9 (2016): 773-793.)