passport_photo_dbd5f4e0_crop - Aji Gautama Putrada Satwiko

Aji Gautama Putrada

Fokus Penelitian:

Cyber Physical System

Tema Penelitian:

Smart and Adaptive Lighting pada Gedung Perkantoran dengan Activity Recognition dan Reinforcement Learning

Deskripsi Penelitian: 

Gedung-gedung perkantoran menerapkan konsep Green Building, yaitu gedung yang tanggap lingkungan dan menerapkan strategi-strategi untuk penghematan energi. Bentuk-bentuk penghematan energi yang dilaksanakan antara lain dengan menggunakan energi terbaharukan seperti solar panel, atau dengan mengganti lampu neon dengan lampu LED yang lebih hemat energi. Smart lighting, yang juga dapat diterapkan, adalah penerapan internet of things (IoT) dan machine learning untuk kendali otomatis dari lampu-lampu. Kemampuan sistem menggunakan machine learning mengakibatkan sistem tersebut untuk mampu menerapkan smart control seperti optimasi antara penghematan daya dengan standar pencahayaan perusahaan dengan particle swarm optimization (PSO), mengendalikan lampu dengan gerakan pada smartwatch menggunakan support vector machine (SVM), atau mengendalikan lampu berdasarkan pola tidur pengguna yang diprediksi dengan jaringan saraf tiruan (JST). Otomasi lampu juga bisa dilakukan berdasarkan aktifitas yang disimpulkan dari sensor gerak, yang disebut juga Activity Recognition. Ini dilakukan karena jika otomasi hanya dilakukan berdasarkan sensor gerak saja, kemungkinan kesalahan prediksi bisa berlawanan dengan kenyamanan pengguna. Namun memprediksi aktifitas saja tidak cukup, mengingat aktifitas pengguna bisa saja berubah sehingga diperlukan sistem yang adaptif. Reinforcement learning pernah diusulkan untuk menerapkan sistem smart lighting yang adaptif. Namun dalam kasus pada penelitian tersebut, adaptasi digunakan untuk menyesuakan kondisi pencahayaan sesuai kenyamanan pengguna pada kantor tempat penelitian tersebut diterapkan. Untuk mengevaluasi kinerja sistem yang diusulkan, suatu sistem internet of things (IoT) diimplementasikan. Pada sistem tersebut, model prediksi Activity Recognition dilatih berdasarkan data sensor gerak dari sistem IoT tersebut. Sistem adaptif berdasarkan Reinforcement Learning akan memanfaatkan hasil Activity Recogntion untuk sistem Reward yang menjadi feedback pada metode tersebut. Sistem yang dibuat adalah sistem smart lighting yang diterapkan di gedung perkantoran. Sistem ini terdiri dari tiga lapis arsitektur IoT, yaitu end device, platform, dan application. Ketiga lapisan tersebut dihubungkan dengan internet. Lapisan end device berisi embedded system yang terdiri dari lampu, microcontroller, sensor, dan actuator. Lapisan platform berisi database dan komputasi machine learning serta cloud service lainnya. Lapisan application adalah antarmuka dengan pengguna. Application pada dasar nya terdiri dari fungsi monitoring dan control. Fungsi monitoring yang ditawarkan adalah melihat status masing-masing lampu dan melihat nilai intensitas cahaya. Fungsi melihat intensitas cahaya adalah agar mengetahui kesesuaian intensitas cahaya dengan standar intensitas cahaya di perkantoran. Fungsi control yang ditawarkan adalah menyalakan atau mematikan lampu, mengatur intensitas lamapu, dan menyalakan fitur smart control. Untuk bagian end device, satu end device dapat mengendalikan dua lampu LED tipe tabung dalam satu rumah. Sehingga jumlah end device dalam satu ruangan adalah sama dengan jumlah rumah lampu yang ada. Penempatan nya juga dekat dengan masing-masing lampu. Setiap end device mempunyai sensor gerak (PIR sensor) untuk mendeteksi gerakan dari user sehingga gerakan user yang terdeteksi adalah sesuai dengan posisi lampu. Intensitas cahaya yang diukur juga adalah intensitas cahaya sekitar lampu. Agar end device dapat terhubung dengan internet, end device terhubung dengan access point yang terdapat pada ruangan.

 

20210830_172808 - AZKA KHOIRUNNISA

Azka Khoirunnisa

Fokus Penelitian:

Data Science

Tema Penelitian:

Klasifikasi Microarray Data

Deskripsi Penelitian: 

Kanker adalah salah satu penyebab kematian terbesar di dunia. Penyakit ini bisa menyerang siapa saja, mulai dari anak-anak sampai orang dewasa. Berdasarkan data dari IARC di tahun 2020, jumlah kasus kanker di dunia telah meningkat menjadi 19.3 juta kasus dengan 9.9 juta kematian. Tingginya angka kematian pada pasien kanker ini salah satunya disebabkan oleh keterlambatan deteksi kanker di tubuh pasien, sehingga pasien baru mengetahui bahwa terserang penyakit ini setelah memasuki stadium lanjut. Oleh karena itu, sangat penting untuk bisa mendeteksi penyakit ini secara dini. Sehingga pasien dapat segera mendapatkan pengobatan yang sesuai untuk penyakitnya. Saat ini, di dunia medis sudah tersedia beberapa metode untuk mendeteksi kanker. Salah satunya adalah teknologi DNA Microarray. DNA Microarray adalah sebuah chip yang di dalamnya menyimpan ratusan hingga ribuan ekspresi gen dalam bentuk DNA. DNA Microarray dapat digunakan untuk mendeteksi kanker melalui analisis dari ekspresi gen yang terserang kanker. Adapun analisis ini menggunakan 2 tipe DNA, yaitu DNA normal dan DNA yang terserang kanker. Pada penelitian sebelumnya, metode Logistic Regression (Regresi Logistik) digunakan untuk membangun sistem deteksi kanker, dengan mengklasifikasikan 4 dataset kanker yang berbeda. Rata-rata akurasi dari sistem yang dibangun adalah 72.58%. Rendahnya akurasi dari sistem deteksi kanker pada penelitian ini disebabkan oleh adanya resiko Overfitting yang dimiliki oleh metode Regresi Logistik. Oleh karena itu, penelitian selanjutnya dilakukan untuk mengatasi masalah overfitting. Kami memperkenalkan teknik baru yaitu kombinasi dari minimum Redundancy Maximum Relevance (mRMR) dan Modified Logistic Regression untuk reduksi data dan klasifier data. Metode Regresi Logistik dimodifikasi dengan menambahkan suatu term pada cost function, sehingga masalah overfitting dapat teratasi. Adapun rata-rata akurasi dari sistem yang dibangun adalah sebesar 93.33%. Akurasi dari penelitian ini bisa dibilang sudah cukup tinggi, namun mengingat penyakit kanker adalah penyakit yang mematikan, maka diperlukan suatu sistem yang memiliki akurasi mendekati 100%. Selain itu, penelitian ini juga tidak memperhatikan waktu komputasi dari sistem yang dibangun. Perlu diperhatikan juga bahwa Microarray data memiliki masalah utama, yaitu curse of dimensionality. Microarray data memiliki fitur yang jumlahnya sangat besar, jika dibandingkan dengan records-nya. Oleh karena itu, studi disertasi ini akan fokus pada: (i) Mencari satu atau beberapa metode machine learning yang cocok digunakan untuk data Microarray, (ii) Menganalisa apakah terdapat kekurangan dari metode-metode tersebut, (iii) Mencari cara untuk mengatasi masalah pada metode tersebut, sehingga dapat dibangun suatu sistem deteksi kanker yang tidak hanya memiliki akurasi yang tinggi, tapi juga memiliki waktu komputasi yang rendah.

 

n6_foto - Mohamad Nurkamal Fauzan

Mohamad Nurkamal Fauzan

Fokus Penelitian:

Cyber Physical System

Tema Penelitian:

Optimalisasi ANN pada Skalabilitas dan Energi IoT pada Produksi Padi Indonesia

Deskripsi Penelitian: 

Indonesia merupakan negara agraris tropis terbesar di dunia setelah Brazil. Dari 27 persen zona tropis di dunia, Indonesia memiliki 11 persen wilayah tropis. Indonesia memiliki hasil tani seperti beras, singkong, kacang tanah, tembakau, kedelai, merica, kelapa sawit, teh, gula, dan masih banyak lainnya (Gischa Kompas, 2021). Pada masa pandemi virus corona (Covid-19) tahun 2020, berbagai industri menghadapi tekanan. Namun, sektor pertanian mencatatkan capaian positif selama tahun 2020 lalu (Bardan Kontan, 2021). Pertanian memiliki peran penting dalam pembangunan negara agraris. Jika populasi penduduk meningkat maka diperkirakan kebutuhan makanan hasil pertanian juga akan meningkat. Dalam proses pertanian, petani bertujuan untuk mencapai peningkatan hasil dengan biaya yang paling rendah. Petani di negara agraris seperti Indonesia umumnya menggunakan teknik tradisional atau mengandalkan intuisi mereka untuk memutuskan tanaman yang akan dibudidayakan. Metode ini membutuhkan intervensi manusia yang konstan. Teknik tradisional memberikan rekomendasi umum tanpa mempertimbangkan variasi di lapangan sehingga memberikan hasil yang kurang efisien. Salah satu contoh hasil pertanian adalah produktifitas padi. Di Indonesia umumnya untuk produktifitas padi dibutuhkan area sawah yang memadai berikut teknik irigasinya. Di beberapa wilayah ada juga yang terkendala masalah irigasi sehingga mengandalkan curah hujan atau dikenal sebagai sawah tadah hujan.. Debit dan kualitas air untuk mendukung produksi sawah tradisional perlu diperhatikan dalam skala yang lebih luas sebab dengan menggunakan teknik tadah hujan untuk beberapa daerah akan mengalami kondisi kering ekstrim atau banjir parah yang mengakibatkan gagal panen. Demikian juga dengan tanah yang memerlukan treatment dengan melihat beberapa parameter dari alam. Banyak studi yang telah membahas tentang green house, sistem irigasi untuk mengoptimalkan produksi pertanian, hal ini perlu melihat juga faktor biaya, infrastruktur, kebijakan dan energi. Teknologi hari ini Berupa Internet of Things (IoT) dan kecerdasan buatan memungkinkan untuk membantu menyelesaikan permasalahan itu. Solusi berupa IoT dapat difungsikan sebagai asisten bagi petani dalam memproduksi padi. Dalam beberapa penelitian, IoT dapat terkendala oleh beberapa hal diantaranya masalah skalabilitas dan energi. Penulis melihat peluang untuk berkontribusi dalam memberikan solusi khususnya tentang IoT dan pertanian (produksi padi) dengan cakupan masalah yang diangkat: 1.Skalabilitas solusi 2.Penggunaan energi 3.Kondisi alam / lapangan Penelitian ini diharapkan dapat memberikan kontribusi dalam bentuk model arsitektur solusi IoT dan optimasi suatu algoritma yang disematkan pada perangkat IoT. Harapannya jika solusi berhasil direalisasikan maka dapat diadopsi secara luas khususnya untuk pertanian di Indonesia.

 

my_photo - SAID AL FARABY

Said Al Faraby

Fokus Penelitian:

Data Science

Tema Penelitian:

Membuat pertanyaan otomatis untuk tujuan pendidikan

Deskripsi Penelitian: 

Studi ini akan fokus pada pembuatan pertanyaan-jawaban otomatis, terutama untuk tujuan pendidikan yang mempertimbangkan domain (misalnya sejarah, fisika) dari teks. Selain kelancaran dan relevansi, sistem ini bertujuan untuk nilai pedagogis dalam membantu siswa memahami materi mereka. Banyak penelitian telah mengeksplorasi bagaimana menghasilkan pertanyaan factoid. Oleh karena itu, dalam penelitian ini saya ingin lebih mendalami soal inferensi, karena tidak hanya baik untuk menghafal tetapi juga menalar dan memahami. Untuk memungkinkan inferensi, saya berencana menggunakan knowledge graph untuk menyimpan informasi kunci yang diekstraksi dari teks. Model berbasis RNN akan digunakan untuk mengekstrak frase kunci dan juga menghasilkan pertanyaan.

Merumuskan pertanyaan kompleks merupakan hal yang menantang bagi manusia, jadi akan menarik untuk mengetahui apakah mesin dapat melakukan sebaik manusia untuk tugas ini. Untuk setting pendidikan, beberapa tantangannya adalah: (i) bagaimana memilih target jawaban yang penting dan cukup sulit bagi siswa untuk menalar jawabannya; (ii) bagaimana menghasilkan pertanyaan alami yang tidak ambigu untuk target jawaban tersebut. Dampak dari sistem ini akan sangat besar, dapat menghemat waktu guru untuk membuat kuis. Ini dapat membantu siswa bermotivasi rendah untuk mempelajari konsep lebih mudah melalui pencarian aktif menggunakan pasangan tanya jawab yang dihasilkan. Selain itu, data tanya jawab yang dihasilkan dapat digunakan oleh sistem lain (misalnya Chatbot, dialog, tanya jawab) sebagai data pelatihan tambahan.

 

Foto Formal2 - SIDIK PRABOWO

Sidik Prabowo

Fokus Penelitian:

Cyber Physical System

Tema Penelitian:

Kerangka Kerja Data Privacy untuk eGovernment di Indonesia

Deskripsi Penelitian: 

Pemerintah Indonesia telah mengeluarkan kerangka kerja dan arsitektur untuk Sistem pemerintahan berbasis Elektronik (SPBE) yang dituangkan dalam RAPERPRES tahun 2021 Tentang “Arsitektur Sistem Pemerintahan Berbasis Elektronik Nasional” .Pada peraturan ini digambarkan kerangka arsitektur secara global terkait penerapan Sistem Pemerintahan berbasis Nasional di Indonesia secara garis besar. Dalam peraturan ini disampaikan aspek-aspek dan domain yang nantinya akan di gunakan sebagai acuan penerapan SPBE di Kementerian dan Lembaga di Indonesia. Adapun untuk detail petunjuk pelaksanaan sampai dengan teknis untuk setiap domain akan didampingi oleh peraturan yang dikeluarkan oleh Lembaga atau badan terkait. Hingga saat ini pemerintah Indonesia belum mengesahkan RUU tentang “Perlindungan Data Pribadi”. yang diharapkan akan menjadi rujukan utama terkait data privacy di Indonesia, berbeda dengan beberapa negara tetangga yang telah terlebih dahulu mengeluarkan regulasi terkait hal ini. Untuk saat ini peraturan yang dapat digunakan sebagai petunjuk perasional dan pedoman bagi Lembaga dan kementerian dalam penerapan keamanan informasi adalah Peraturan Badan Siber dan sandi Negara (BSSN) nomor 4 tahun 2021. Peraturan ini berisi tentang Pedoman manajemen keamanan informasi dan system pemerintahan berbasis elektronik dan standar teknis dan prosedur keamanan Sistem Pemerintahan Berbasis Elektronik (SPBE). Dalam peraturan ini terdapat aspek-aspek yang harus di penuhi dalam teknis pengamanan data dan informasi untuk penerapan SPBE yaitu : kerhasiaan, keaslian, keutuhan, kenirsangkaan (non-repudiation) dan ketersediaan. Hasil dari penelitian sebelumnya menunjukkan bahwa instrument yang digunakan untuk melakukan validasi terhadap penerapan framework Information Assurance terbukti efektif untuk konteks eGovernment di Indonesia. Pada penelitian yang lain pula telah dilakukan analisa secara mendalam terhadap penerapan aturan perlindungan data untuk eGovernment pada 6 negara Caribbean, hal ini dilakukan dengan tujuan untuk mengidentifikasi gaps dan kekurangan dari peraturan terkait perlindungan data di bandingkan dengan GDPR (General Data Protection Regulation). Hasil dari penelitian ini dalam bentuk rekomendasi terkait perbaikan untuk penerapan peraturan atau hukum untuk perlindungan data pribadi

 

 

DSC_0490 - Ikke Dian Oktaviani

Ikke Dian Oktaviani

Fokus Penelitian:

Cyber Physical System

Tema Penelitian:

Penerapan Machine Learning dalam Sistem Pendeteksi Anomali pada Sistem Pencahayaan Cerdas

Deskripsi Penelitian: 

Penerapan Internet of Things (IoT) saat ini menjadi hal lazim yang kerap ditemui di berbagai sektor. Sistem IoT yang dibangun memiliki peran besar dalam perkembangan teknologi guna mempermudah aktivitas sehari-hari. Pada implementasinya, IoT dinilai mampu mengubah sistem konvensional menjadi sistem cerdas yang mampu beroperasi secara mandiri. Karenanya, sistem IoT semakin berkembang dengan pesat hingga hal terkecil.
Sayangnya, tidak semua sistem IoT berjalan sesuai dengan yang diharapkan. Banyak celah yang sering kali ditemukan membuat sistem IoT perlu dikembangkan dari berbagai sisi, misalnya keamanan hingga keakuratan data. Beberapa penelitian telah dilakukan guna mencari hasil terbaik dari sistem yang dibangun. Contohnya, pada sektor perkotaan yang membangun smart city, hal yang menjadi perhatian adalah bagaimana sistem yang dibangun dengan biaya penggunaan energi. Contoh lainnya adalah pada sistem prediksi yang perlu ditingkatkan secara terus menerus dari segi metodologi untuk mencari hasil yang paling tepat dengan data aktualnya. Hal-hal ini menunjukan bahwa ada banyak celah dari sistem IoT yang mungkin ada dan perlu adanya perbaikan sistem.
Pada penelitian ini, celah sistem IoT yang menjadi perhatian adalah kemungkinan munculnya anomali pada sistem yang beroperasi mandiri. Anomali yang timbul dapat mempengaruhi beberapa faktor, misalnya meningkatkan nilai penggunaan daya listrik yang mengakibatkan pembengkakan biaya yang perlu dikeluarkan. Pendeteksian anomali ini menggunakan salah satu metode yang dinilai mampu memberikan hasil yang baik pada data yang bersifat time-series. Long short-term memory (LSTM) adalah metode yang akan coba diterapkan pada sistem pendeteksi ini melihat seberapa efektif metode tersebut memberikan hasil berupa anomali data yang pada sistem IoT. Kebaharuan dari penelitian ini adalah melihat bagaimana metode ini dapat bekerja untuk mendeteksi anomali pada sistem IoT berfokus pada sistem pencahayaan pintar dan meningkatkan nilai akurasi dalam waktu yang relatif singkat pada hasil yang didapatkan dengan melakukan modifikasi terhadap metode yang diterapkan dan/atau melibatkan metode lain yang dianggap tepat.

 

 

1. Foto BSN - Benny Sukma Negara

Benny Sukma Negara

Fokus Penelitian:

Data Science

Tema Penelitian:

Teknik deep learning untuk mendeteksi Covid-19 menggunakan Citra Chest X-Ray

Deskripsi Penelitian: 

Dalam bidang computer vision, metode deep learning telah terbukti mengungguli teknik machine learning sebelumnya dan menjadi salah satu skema yang paling signifikan, yaitu, Convolutional Neural Network, Deep Boltzmann Machine dan Deep Belief Networks, dan Stacked Denoising Autoencoders untuk berbagai tugas visi komputer, termasuk deteksi objek dalam pencitraan medis.

Modalitas pencitraan medis seperti Rontgen Dada (CXR) dan Computed Tomography (CT) dapat memainkan peran utama dalam memastikan pasien positif COVID-19. Proses diagnosis konvensional menjadi relatif lebih cepat namun tetap menimbulkan risiko tinggi bagi tenaga medis. Selain itu, biayanya mahal dan jumlah alat tes diagnostik terbatas. Di sisi lain, skrining berbasis teknik pencitraan medis (mis., X-ray dan CT) relatif aman, lebih cepat, dan mudah diakses.

Sejumlah penelitian mengarah pada pengembangan sejumlah algoritma deep learning yang menunjukkan bahwa akurasi deteksi pasien COVID-19 menggunakan CXR cukup tinggi.

Meskipun ada kelemahan tertentu, seperti perlunya sejumlah besar data pelatihan untuk jaringan deep learning seperti jaringan saraf convolutional (CNN), mengingat epidemi ini relarif baru, sehingga kumpulan data besar gambar radiografi dari individu yang terinfeksi COVID-19 tidak dapat diakses di periode yang begitu singkat. Penelitian ini mengusulkan metode untuk menghasilkan citra CXR sintetis dengan mengembangkan model berbasis Generative Adversarial Network (GANs). GAN telah mendapatkan banyak perhatian di komunitas visi komputer karena kemampuan mereka menghasilkan data tanpa secara eksplisit memodelkan fungsi kepadatan probabilitas.

 

 

DSC_0014_ (2) - Syafrial Fachri Pane

Syafrial Fachri Pane

Fokus Penelitian:

Data Science

Tema Penelitian:

Analisis Efektivitas Vaksinasi COVID 19 untuk memprediksikan kebijakan pemerintah indonesia terhadap pembatasan sosial

Deskripsi Penelitian: 

Dengan jumlah penduduk Indonesia sebanyak 208.265.720, dipastikan seluruhnya harus mendapatkan pelayanan vaksinasi lengkap untuk menghadapi Coronavirus, dari informasi dihalaman website kementrian kesehatan Republik Indonesia jumlah penerima vaksin sebanyak 58,468,810 dosis pertama (28.07%) dan 32,640,998 dosis kedua (15,67 %) angka tersebut masih belum memenuhi target dari ketercapaian vaksinasi pemerintah Indonesia. ketercapaian vaksinasi lengkap tersebut harus merata dan terpantau diseluruh provinsi, kabupaten dan kota. Selain vaksinasi pemerintah juga diminta melakukan pengawasan varian – varian virus secara ketat dan berkesinambungan tujuannya untuk memprediksi kembali upaya apa yang harus segera dilakukan dengan cepat dan terkendali agar masyarakat dapat menjalankan aktifitas sebagaimana mestinya.
Salah satunya adalah melakukan analisis hasil ketercapaian vaksinasi untuk dapat memprediksi kebijakan terhadap pembatasan sosial disetiap wilayah dengan tepat dan akurat seperti memberikan kelonggaran masyarakat dapat beraktivitas tanpa menggunakan masker, dengan mengasumsikan bahwasanya minimal setengah dari populasi Indonesia sudah menerima vaksin dosis lengkap kemudian mempertimbangan faktor penting lainya seperti jumlah stok vaksin, ketersedian BOR difasilitas kesehatan, angka terkonfirmasi covid harian, dan kematian, selanjutnya menentukan pengawasan terhadap varian – varian baru COVID 19 di seluruh dunia. Penelitian ini penting dilakukan dengan beberapa alasan dimana dari sumber data epidimologi kementrian kesehatan dan satgas covid 19 indonesia sangat disayangkan belum dapat memberikan sebuah prediksi kebijakan seperti kapan setiap wilayah itu bisa lepas masker dan belum ada pengawasan terhadap varian – varian baru covid 19. Pada penelitian sebelumnya sebaran data COVID 19 bukan hanya pada data liner tetapi kebanyakan merupakan data non liner. Penelitian ini akan mengkaji pendekatan Model Deep Learning yang dapat memberikan solusi terhadap ketercapaian penelitian yang akan dikerjakan dengan tingkat akurasi dan prediksi yang tinggi.

 

foto profil jpeg - Nur Alamsyah

Nur Alamsyah

Fokus Penelitian:

Data Science

Tema Penelitian:

Optimalisasi sektor pariwisata dengan menerapkan dynamic pricing berdasarkan atraksi wisata favorit menggunakan metode algoritma genetika di masa pandemi COVID-19.

Deskripsi Penelitian: 

Tujuan dari penelitian ini adalah sebagai bahan pertimbangan dalam menentukan biaya perjalanan wisata oleh travel agent. Dalam penelitian ini, peneliti menggunakan teknik teknik dynamic pricing dengan algoritma genetika. Data yang digunakan dalam penelitian ini adalah data yang diperoleh berdasarkan hasil survey dan wawancara termasuk pengambilan sampel data dari travel agent dalam kurun waktu 1 tahun terakhir. Dimana data yang dibutuhkan dari travel agent adalah : Proses bisnis yang ada travel agent, Data penjualan paket tour baik tempat favorit maupun non favorit dan data harga paket tour. Hasil penelitian ini menjadi masukan bagi travel agent dalam menentukan biaya perjalanan wisata yang dapat terjangkau oleh masyarakat umum di era pandemi COVID-19 saat ini.

 

Screenshot 2022-02-17 150253 - DADANG SETIAWAN

Dadang Setiawan

Fokus Penelitian:

Data Science

Tema Penelitian:

Algoritma Optimisasi Berbasis Strategi Pertempuran

Deskripsi Penelitian: 

Teknik optimisasi metaheuristic pada umumnya terinspirasi oleh alam, seperti konsep evolusi, genetik, perilaku hewan, kultur kemasyarakatan, dan lain-lain. Hal-hal tersebut menginspirasi munculnya algoritma-algoritma, baik algoritma yang benar-benar baru, maupun varian dari algoritma yang sudah ada. Dari berbagai jenis inspirasi dari alam tersebut, sampai saat ini belum ada algoritma yang terinspirasi oleh strategi perang. Strategi perang sangat memungkinkan untuk menjadi inspirasi dari suatu algoritma optimasi karena langkah-langkah dalam strategi perang juga ditujukan untuk mendapatkan hasil yang optimal dengan korban seminimal mungkin. Pembagian peran dalam strategi perang juga menggambarkan pembagian peran dalam algoritma optimisasi metaheuristik, seperti eksplorasi (peranan dari mata-mata dan pemandu), eksploitasi (peranan dari kavaleri dan infantri), dan pemimpin tim (komandan). Dengan inspirasi baru ini, diharapkan akan muncul algoritma yang lebih efisien dan efektif dibanding algoritma yang telah ada. Dari ratusan algoritma metaheuristic yang ada, sampai saat ini masih terdapat beberapa kendala dalam melakukan optimasi, terutama pada dua hal. Pertama adalah stabilitas, di mana semakin besar dimensi parameter pada umumnya waktu yang diperlukan untuk menyelesaikan problem bertambah secara eksponensial, sehingga untuk dimensi parameter sangat besar, penyelesaian problem memerlukan waktu yang sangat lama. Kendala kedua adalah dalam hal tuning parameter algoritma. Sebagian besar algoritma yang ada memerlukan tuning parameter ketika menghadapi problem optimasi yang berbeda. Dengan demikian, algoritma tersebut tidak dapat disebut sebagai algoritma yang universal. Riset ini mencoba untuk menemukan algoritma yang stabil dan universal dengan menggunakan prinsip-prinsip yang dimiliki oleh strategi perang.

 

AhmadRDj - Ahmad Rosadi Djarkasih (1)

Ahmad Rosadi Djarkasih

Fokus Penelitian:

Data Science

Tema Penelitian:

Artificial Intelligence (AI), Machine Learning (ML), Explainable Artificial Intelligence (XAI), K Nearest Neighbor (KNN)

Deskripsi Penelitian: 

Keterjelasan merupakan matrik yang mengukur tingkat kemudahan hasil dan/atau proses suatu algoritma ML dapat dimengerti oleh pengguna akhirnya. Dewasa ini dalam berbagai use case yang kritikal di industri keuangan dan kesehatan, keterjelasan sangat diperlukan untuk menjaminkan adoptasi, transparansi dan kepatuhan terhadap aturan baru yang berlaku. Salah satu tantangan yang ada dewasa ini adalah adanya hubungan berbanding terbalik antara keterjelasan dengan performansi algoritma ML. Algoritma yang memiliki performansi tinggi, pada kelompok Neural Network (NN) dan Deep Learning (DL), cenderung memiliki keterjelasan yang rendah. Sedangkan algoritma yang memiliki keterjelasan tinggi cenderung memiliki performansi yang rendah atau tidak terlalu tinggi. Penelitian ini bertujuan untuk membangun suatu model ML yang memiliki keterjelasan dan performansi yang dua-duanya relatif tinggi, dengan memperbaiki performansi model ML yang sudah memiliki keterjelasan yang relatif tinggi. Model KNN dipilih untuk diperbaiki performansinya berdasarkan kenyataan bahwa model ini merupakan salah satu dari beberapa model ML yang banyak diimplementasikan di berbagai use case dalam banyak industri. Untuk meningkatkan performansi model KNN, penelitian akan difokuskan pada aspek-aspek yang mengakibatkan rendahnya performansi model KNN. Beberapa kemungkinan perbaikan yang dapat dilakukan antara lain terkait pengurangan jumlah data yang diperlukan dalam perhitungan tetangga terdekat dan perubahan aturan pemilihan tetangga terdekat mayoritas yang kelasnya akan diberikan sebagai hasil proses prediksi. Agar model berbasis KNN baru yang dihasilkan tetap memiliki keterjelasan sama dengan model KNN, penelitian ini tidak akan menggabungkan proses-proses yang biasa digunakan dalam kelompok model NN dan DL. Terakhir, untuk memastikan tidak terjadi pengurangan keterjelasan, tentunya selain uji performansi umum dengan dataset yang biasa digunakan untuk menguji performansi model berbasis KNN, model berbasis KNN baru yang dibangun ini juga akan diuji dengan serangkaian prosedur uji yang akan mengukur keterjelasannya.