RIVIEW JURNAL

KELOMPOK 5
1. JUDUL JURNAL
“An Overview of Deep Semi-Supervised Learning”

2. RANGKUMAN SETIAP BAB

a. Intro
Jurnal ini memberikan tinjauan umum tentang deep semi-supervised
learning, yang merupakan pendekatan untuk pembelajaran mesin di mana
model pembelajaran dalam skenario dengan jumlah data yang terbatas dengan
label yang tersedia. Tujuan dari penelitian ini adalah untuk menyajikan konsep
dasar, metode, dan tren terkini dalam deep semi-supervised learning.
Penelitian ini menjelaskan bahwa dalam pembelajaran mesin
tradisional, penggunaan data berlabel penuh sangat penting. Namun, dalam
banyak kasus, pengumpulan dan anotasi data yang tepat sangat mahal atau
sulit dilakukan. Dalam konteks ini, deep semi-supervised learning
menawarkan solusi dengan memanfaatkan data yang berlabel sebagian dan
data yang tidak berlabel.
b. Algoritma terkait
Ada beberapa algoritma terkait yang dibahas dalam konteks deep semi-
supervised learning. Beberapa di antaranya adalah:
 Self-Training: Algoritma ini melibatkan iterasi antara melatih model
menggunakan data berlabel yang tersedia, dan kemudian menggunakan
model yang dilatih untuk memprediksi label untuk data yang tidak
berlabel. Data yang diberi label oleh model kemudian digunakan untuk
melatih ulang model, dan proses ini berlanjut hingga konvergensi.
Self-Training adalah salah satu metode paling sederhana dalam deep
semi-supervised learning.
 Co-Training: Algoritma ini melibatkan penggunaan beberapa modul
atau submodel yang berbeda dan independen dalam melatih model.
Setiap submodel dilatih menggunakan fitur-fitur yang dipilih secara
acak dari data berlabel dan data yang tidak berlabel. Submodel
kemudian saling bertukar prediksi label untuk data yang tidak berlabel,
dan proses ini berlanjut secara iteratif. Co-Training bertujuan untuk
 memanfaatkan keragaman informasi yang terkandung dalam fitur-fitur
yang berbeda untuk meningkatkan kinerja model.
 Pseudo-Labeling: Algoritma ini melibatkan penggunaan model yang
telah dilatih pada data berlabel sebagian untuk memprediksi label
untuk data yang tidak berlabel. Data yang diberi pseudo-label
kemudian digunakan bersama dengan data berlabel yang tersedia untuk
melatih ulang model.

Selain algoritma-algoritma tersebut, jurnal tersebut juga membahas

penggunaan arsitektur deep learning seperti Variational Autoencoders (VAEs) dan
Generative Adversarial Networks (GANs) dalam konteks deep semi-supervised
learning. Arsitektur-arsitektur ini dapat digunakan untuk melakukan pembelajaran
semi-supervised dengan memanfaatkan data yang tidak berlabel.

3. IMPLEMENTASI
Jurnal ini menguraikan beberapa metode penting dalam deep semi-supervised
learning, termasuk Self-Training, Co-Training, dan Pseudo-Labeling. Metode-metode
ini berfokus pada memanfaatkan data yang tidak berlabel untuk melengkapi model
pembelajaran yang dihasilkan dari data yang berlabel sebagian. Selain itu, penelitian
ini juga membahas tentang penggunaan teknik penggalian (mining) data yang tidak
berlabel secara efisien untuk meningkatkan kinerja model.
Selanjutnya, penulis menjelaskan beberapa arsitektur deep learning yang telah
diterapkan dalam deep semi-supervised learning, termasuk Variational Autoencoders
(VAEs) dan Generative Adversarial Networks (GANs). Jurnal ini memberikan
wawasan tentang bagaimana arsitektur-arsitektur tersebut dapat digunakan untuk
melakukan pembelajaran semi-supervised dengan memanfaatkan data yang tidak
berlabel.

4. NOVELTY
Jurnal "An Overview of Deep Semi-Supervised Learning" menyajikan tinjauan
komprehensif tentang penerapan deep learning dalam konteks semi-supervised
learning, dengan penekanan pada penggalian data yang tidak berlabel dan pemahaman
terhadap tantangan dan isu-isu terkini.
5. KESIMPULAN
Secara keseluruhan, jurnal ini memberikan gambaran yang komprehensif tentang deep
semi-supervised learning, meliputi konsep dasar, metode, dan arsitektur yang relevan.
Penelitian ini bermanfaat bagi para peneliti dan praktisi yang tertarik dalam
memanfaatkan data yang tidak berlabel dalam pembelajaran mesin secara efektif.