tentang konsep statistik, seperti distribusi probabilitas, inferensi statistik, dan konsep lainnya, membantu dalam pemodelan dan analisis data. 2. Aljabar Linear: Aljabar linear diperlukan untuk memahami operasi matriks, yang sering digunakan dalam pembelajaran mesin, terutama dalam metode seperti regresi linier, dekomposisi matriks, dan analisis faktor. 3. Kalkulus: Konsep kalkulus, seperti turunan dan integral, diperlukan dalam optimisasi algoritma pembelajaran mesin, seperti algoritma gradien stokastik (SGD). 4. Teori Probabilitas: Teori probabilitas adalah dasar bagi banyak metode pembelajaran mesin, terutama dalam konteks pembelajaran statistik dan pembelajaran dalam. Ini termasuk konsep seperti distribusi probabilitas, probabilitas bersyarat, dan estimasi parameter. 5. Teori Informasi: Teori informasi membantu dalam pemahaman tentang bagaimana data dikompresi dan cara mengukur informasi dalam data. Ini berguna dalam pemodelan dan seleksi fitur. 6. Optimisasi: Pemahaman tentang algoritma optimisasi, seperti gradien stokastik (SGD), algoritma genetika, dan algoritma optimisasi lainnya, penting dalam proses pelatihan model. 7. Kontrol Teori: Kontrol teori dapat diterapkan dalam masalah pembelajaran penguatan (reinforcement learning) dan dalam pengembangan agen cerdas. 8. Teori Graf: Teori graf digunakan dalam pembelajaran mesin, terutama dalam pengenalan pola dan pemodelan data berstruktur seperti jaringan sosial, grafik pengetahuan, dan lainnya. 9. Teori Pembelajaran: Landasan teori yang berkaitan dengan pembelajaran manusia dan psikologi kognitif dapat memberikan wawasan tentang bagaimana pembelajaran mesin bisa dioptimalkan untuk memahami cara manusia memproses informasi. Hasil Penelitian 1. Pengenalan Gambar: Penelitian dalam pengenalan gambar telah menghasilkan model pembelajaran mesin yang mampu mengidentifikasi objek dalam gambar dengan tingkat akurasi yang tinggi. Misalnya, model Convolutional Neural Networks (CNN) telah menghasilkan hasil luar biasa dalam mengenali objek dalam gambar. 2. Penerjemahan Mesin: Penelitian di bidang penerjemahan mesin menggunakan algoritma pembelajaran mesin, seperti algoritma berbasis rangkaian (sequence-to- sequence), telah memungkinkan pengembangan sistem penerjemahan otomatis yang semakin akurat dalam menerjemahkan teks dari satu bahasa ke bahasa lain. 3. Analisis Sentimen: Penelitian di bidang analisis sentimen telah menghasilkan model pembelajaran mesin yang mampu menganalisis dan mengklasifikasikan teks berdasarkan sentimen, misalnya, untuk mengidentifikasi apakah sebuah ulasan adalah positif, negatif, atau netral. 4. Kendaraan Tanpa Pengemudi: Penelitian dalam kendaraan tanpa pengemudi telah menghasilkan perkembangan yang signifikan dalam otomatisasi transportasi. Mobil otonom dapat mengenali lingkungan mereka, mengambil keputusan, dan mengemudi tanpa campur tangan manusia. 5. Pengenalan Suara: Penelitian dalam pengenalan suara telah menghasilkan asisten suara cerdas seperti Siri, Google Assistant, dan Alexa yang mampu memahami dan merespons perintah suara manusia. 6. Diagnostik Medis: Pembelajaran mesin telah digunakan untuk mendeteksi penyakit, misalnya, melalui analisis gambar medis, pengenalan pola genetik, dan data klinis, yang dapat membantu dalam diagnosis dini dan perawatan yang lebih efektif. 7. Rekomendasi Produk: Penelitian dalam rekomendasi produk menggunakan pembelajaran mesin untuk menganalisis perilaku pengguna dan memberikan rekomendasi produk yang sesuai, seperti yang dilakukan oleh platform e- commerce. 8. Pemantauan Anomali: Pembelajaran mesin digunakan dalam pemantauan jaringan komputer untuk mendeteksi aktivitas yang tidak biasa atau potensial serangan siber.
Kesimpulan Machine Learning atau
Pembelajaran Mesin merupakan teknik pendekatan dari Artificial Intelligent ( AI ) yang digunakan untuk menirukan hingga menggantikan peran manusia dalam melakukan aktivitas hingga memecahkan masalah. Secara singkat Machine Learning adalah mesin yang dibuat supaya dapat belajar dan melakukan pekerjaan tanpa arahan dari penggunanya. Pendekatan pembelajaran mesin yang diterapkan dalam tinjauan sistematis bidang penelitian yang kompleks seperti peningkatan kualitas dapat membantu dalam proses penyaringan judul dan inklusi abstrak. Pendekatan pembelajaran mesin menjadi perhatian khusus mengingat output pencarian yang terus meningkat dan aksesibilitas terhadap bukti yang ada merupakan tantangan khusus dalam peningkatan kualitas bidang penelitian. Peningkatan persetujuan peninjau tampaknya dikaitkan dengan peningkatan kinerja prediktif.