COMMUNICATION: A REVIEW
Unsupervised Semi-supervised
Supervised learning :
Algoritma ML juga dapat learning : learning :
diklasifikasikan menjadi supervised, Semua data
Pelabelan tidak
semisupervised, unsupervised, and RL, mungkin dilakukan Sebagai jalan tengah
pelatihan diberi karena kurangnya antara pembelajaran
seperti yang ditunjukkan pada label, dapat informasi atau tidak yang diawasi dan tidak
memeriksa apakah mungkin dilakukan diawasi, pembelajaran
Gambar 3. prediksinya benar karena biaya tinggi. semi supervise
atau salah pada titik memungkinkan
mana pun dalam campuran bagian data
proses training. Dengan pelatihan yang tidak
menggunakan data diberi label dan diberi
Model yang diawasi yang tidak berlabel, label.
mempelajari pola model dapat
dari data training mengekstrak pola
atau struktur Pembelajaran semi-
untuk kemudian tersembunyi dalam supervisi merupakan
dapat memprediksi data yang mungkin pilihan yang sangat
label untuk data berguna untuk baik ketika hanya
yang tidak berlabel memahami fenomena sebagian kecil dari
selama inferensi. SL tertentu atau data yang tersedia
telah diterapkan keluarannya dapat diberi label dan/atau
untuk tugas klasifikasi digunakan sebagai proses pelabelannya
dan regresi. masukan. sulit atau mahal. Contoh
teknik ini adalah
pseudolabelling.
2.1.2 PROBABILISTIC MODELING
• CNN, adalah jenis Deep Neural Network (DNN) yang terdiri dari layer-layer
konvolusi dan telah umum digunakan dalam aplikasi visi komputer seperti
klasifikasi gambar, deteksi objek, dan pelacakan objek, speech dan natural
language processing.
• Arsitektur CNN ditentukan dengan memilih ukuran, jumlah, posisi filter (kernel),
dan fungsi aktivasi.
• Training kemudian melibatkan pencarian serangkaian filter terbaik yang
dapat diterapkan pada masukan untuk mengekstrak informasi berguna dan
memprediksi keluaran yang benar.
2.2.2 RECURRENT NEURAL NETWORKS
• Deep generative model melibatkan penemuan dan pembelajaran otomatis keteraturan dalam data masukan
sedemikian rupa sehingga sampel baru dapat dihasilkan.
• Model-model ini telah menunjukkan berbagai aplikasi, khususnya di bidang computer vision. Model generatif yang
paling populer adalah AE variasional (VAE) dan jaringan adversarial generatif (GAN).
• VAE mempelajari distribusi data yang rumit menggunakan NN tanpa pengawasan. Meskipun VAE adalah salah satu
jenis AE, distribusi pengkodeannya diatur selama pelatihan untuk memastikan bahwa ruang latennya (yaitu
representasi data terkompresi) memiliki properti yang baik untuk menghasilkan data baru.
• GAN terdiri dari dua NN dalam kompetisi, di mana jaringan generator G belajar menangkap distribusi data dan
menghasilkan data baru dan model diskriminator D memperkirakan probabilitas bahwa sampel tertentu berasal
dari generator daripada initial training data. Generator digunakan untuk menghasilkan misleading sampel dan
untuk memverifikasi bahwa diskriminator dapat menentukan apakah sampel yang diberikan asli atau palsu.
2.3 REINFORCEMENT LEARNING (RL)
• Subset Machine Learning ini melibatkan metode pembelajaran
yang berbeda dari supervised, semi-supervised, atau
unsupervised learning.
• RL adalah tentang mempelajari tindakan apa yang harus diambil
dengan harapan memaksimalkan reward signal, yang
merupakan imbalan numerik yang menandakan keberhasilan
hasil suatu tindakan.
• Agen harus menemukan tindakan mana yang memberikan
imbalan paling besar dengan mencoba setiap tindakan, seperti
yang ditunjukkan pada Gambar 6.
• Salah satu tantangan yang dihadapi selama RL adalah
menyeimbangkan trade-off antara eksplorasi dan eksploitasi.
• Selain agen dan lingkungan, sistem RL memiliki empat subelemen:
kebijakan, sinyal imbalan, fungsi nilai,dan, model lingkungan.
2.4 DISCUSSION
2.4.1 MODEL SELECTION
• Pemilihan model AI adalah bidang luas yang mencakup berbagai pendekatan, yang masing-masing mencakup beberapa algoritma.
AI dapat didasarkan pada aturan yang telah ditentukan sebelumnya atau pada ML. Pembelajaran ini dapat berupa pembelajaran
upervised, semi- supervised, unsupervised, atau reinforcement learning.
• Karena setiap pendekatan menawarkan sesuatu yang berbeda pada dunia AI, minat terhadap masing-masing pendekatan harus
bergantung pada masalah yang ada; pendekatan atau algoritma yang lebih kompleks tidak serta merta memberikan hasil yang
lebih baik.
• Oleh karena itu, pilihan pendekatan atau algoritma tidak boleh didasarkan pada keanggunan yang dirasakan, namun dengan
mencocokkan metode dengan karakteristik masalah yang dihadapi, termasuk tujuan, kualitas data, sumber daya komputasi, batasan
waktu. , dan pembaruan prospektif di masa mendatang. Memecahkan suatu masalah mungkin memerlukan kombinasi lebih dari satu
pendekatan.
• Setelah menilai masalah dan memilih pendekatan, suatu algoritma harus dipilih. Algoritma dibandingkan dengan membagi data
menjadi set pelatihan dan set pengujian. Set pelatihan kemudian digunakan untuk melatih model, sedangkan set pengujian digunakan
untuk membandingkan keluaran antar model.
2.4.2 MODEL REGULARIZATION
• Setelah pendekatan dan algoritma dipilih, penyetelan hyperparameter umumnya dilakukan untuk
meningkatkan keluaran algoritma.
• Jebakan umum dalam ML adalah overfitting, yang menyebabkan mesin berhenti belajar
(menggeneralisasi) dan malah mulai menghafal data.
• model dapat mencapai hasil yang baik pada data yang dilihat tetapi gagal ketika dihadapkan
dengan data baru, yaitu, kesalahan pelatihan berkurang dan kesalahan pengujian meningkat, seperti
yang ditunjukkan pada Gambar 7.
• Overfitting dapat ditemukan dengan membagi data menjadi pelatihan , set validasi dan pengujian,
yang mana baik set validasi maupun pengujian tidak digunakan untuk melatih model.
• Set pelatihan digunakan untuk melatih model, set validasi digunakan untuk memverifikasi prediksi model
pada data yang tidak terlihat dan untuk penyetelan hyperparameter, dan set pengujian digunakan
untuk pengujian akhir model.
• Berbagai metode dapat digunakan untuk mengurangi overfitting. Hal ini dapat dikurangi dengan
menambah ukuran kumpulan data, yang biasa dilakukan di bidang computer vision. Metode lain
melibatkan penggunaan validasi silang daripada membagi data menjadi set pelatihan dan set validasi.
• Pembelajaran ansambel, yaitu proses dimana berbagai model dihasilkan dan digabungkan secara
cerdik untuk memecahkan masalah tertentu, juga umum digunakan.
2.4.3 HYPE AND HOPE
Solusi Berbasis AI :
Definisi dan Limitasi :
• Revolusi dalam kemampuan visi komputer yang disebabkan oleh
• RS adalah proses mengekstraksi informasi tentang DL telah menyebabkan peningkatan pengembangan RS dengan
mengadopsi algoritma DL yang canggih pada citra satelit,
suatu area, objek, atau fenomena dengan klasifikasi citra untuk RS telah menjadi tugas paling populer
dalam visi komputer.
memproses radiasi yang dipantulkan dan • Menggabungkan DNN dengan menggunakan CNN acak yang
dipancarkan dari jarak jauh, umumnya dari satelit meningkatkan gradien untuk klasifikasi adegan.
atau pesawat terbang. • Slgoritma pendeteksian objek berbasis CNN, untuk pendeteksian
kendaraan pada gambar RS.
• RS memiliki beragam aplikasi di berbagai bidang • DL untuk mengklasifikasikan tutupan lahan dan jenis tanaman
menggunakan gambar RS dari Landsat-8 dan Sentinel-1A di
termasuk survei tanah, geografi, geologi, ekologi, lokasi pengujian di Ukraina
meteorologi, oseanografi, militer, dan komunikasi. • Kombinasi kNN dan CNN untuk memetakan habitat laut terumbu
karang di seluruh dunia dengan pencitraan RS.
• Karena RS menawarkan kemungkinan untuk • Yang lain telah mengusulkan penggunaan DL untuk tugas deteksi
memantau area yang berbahaya, sulit atau tidak objek lainnya, seperti deteksi bangunan, pesawat terbang, cloud,
kapal, dan target militer.
mungkin diakses, termasuk pegunungan, hutan, • AI juga telah diterapkan untuk melakukan segmentasi dan
lautan, dan gletser, RS merupakan area penelitian memulihkan gambar RS, misalnya dalam restorasi awan, yang
memulihkan wilayah daratan yang dibayangi oleh awan.
yang populer dan aktif.
3.9 BEHAVIOR MODELING
Solusi Berbasis AI :
Definisi dan Limitasi :
• Potensi algoritma ML untuk memodelkan perilaku
• Karena meningkatnya jumlah satelit aktif dan tidak satelit. Model yang diawasi telah digunakan untuk
menentukan stabilitas satelit[.
aktif (puing-puing) dengan orbit, bentuk, ukuran,
• Model unsupervised telah digunakan untuk mendeteksi
orientasi, dan fungsi yang beragam, maka analis perilaku anomali dan lokasi satelit.
menjadi tidak mungkin memantau semua satelit secara • RNN telah digunakan untuk memprediksi manuver
bersamaan. satelit dari waktu ke waktu.
• Estimasi pose satelit dari satu gambar melalui
• Oleh karena itu, AI, khususnya ML, dapat memainkan gabungan ML dan optimasi geometric.
peran utama dengan membantu mengotomatisasi • Menyajikan survei beragam metodologi AI, untuk
proses ini. klasifikasi objek luar angkasa menggunakan kurva
cahaya sebagai properti pembeda.
• NN dan RL untuk penentuan dan pengendalian sikap di
dalam pesawat; metode mereka secara efektif
memberikan torsi yang dibutuhkan untuk menstabilkan
satelit nano di sepanjang tiga sumbu.
3.10 SPACE-AIR-GROUND INTEGRATING
• Penerapan AI telah menunjukkan hasil yang luar biasa dalam berbagai aspek
komunikasi satelit, termasuk beam-hopping, AJ, prakiraan lalu lintas jaringan,
channel modeling, telemetry mining, pendeteksian kilau ionosfer,
pengelolaan interferensi, penginderaan jauh, pemodelan perilaku, space-air-
ground integrating, dan pengelolaan energi.
• Pekerjaan di masa depan harus bertujuan untuk menerapkan AI, ke sistem
komunikasi yang lebih efisien, aman, andal, dan berkualitas tinggi.