REVIEW JURNAL

MENINGKATKAN SISTEM PEMBELAJARAN MESIN OTOMATIS MELALUI AL

HIJAU
Disajikan Untuk Memenuhi Tugas Ujian Akhir Semester
Mata Kuliah Model Dan Strategi Belajar Mengajar

Oleh:
Nama : Muhammad Safiul Anam
NIM : 2022100012418
Nama : Irfan Kamil
NIM : 2022100012500
Nama : Ahmad Syaikhu
NIM : 2022100012496
Dosen Pembimbing
Dr. Ahmad Ihwanul Muttaqin M.Pd.I
NIY :

PRODI PENDIDIKAN AGAMA ISLAM

INSTITUT AGAMA ISLAM SYARIFUDDIN LUMAJANG
2023
 KATA PENGANTAR
Segala puji bagi allah, puji syukur kami panjatkan kepada allah SWT yang telah
memberikan taufiq serta hidayahnya sehingga kami dapat menyelesaikan tugas Ujian Akhir
Semester matkul Strategi dan Model Belajar Mengajar. Sholawat dan salam semoga terus tercurah
limpahkan kepada nabi kita Muhammad SAW semoga kita bisa berkumpul di akhirat kelak amin.
Terimahkasih kami sampaikan kepada bapak dosen Dr. Ahmad Ihwanul Muttaqin M.Pd.I
yang selalu membimbing dalam mengajarkan model serta strategi belajar dan mengajar di berbagai
jadwal matkul. Dan tak lupa kami ucapkan terimahkasih kepada para dosen – dosen yang tidak
dapat kami sebut satu persatu namun tidak mengurangi rasa taat dan ta’zdim kami. Tentu
terimahkasih kepada teman teman sekalian yang banyak mensuport serta mengingatkan secara
bathin atau dzohir.
Tentunya hal yang telah kami sajikan ini belum sempurna. Karna itu kami mohon kritik dan
saran kepada parapembaca yang kami hormati.
Dan juga semoga dari karya tulis jawaban ini bermanfaat dan harapan kami dapat membantu
untuk menambah wawasan ilmu kami.

Lumajang, 18 Januari 2024

Penulis
 BAB I
PENDAHULUAN
A. Nama dan Penerbit Jurnal : Castellanos-Nieves dan Universitas La Laguna
B. Judul : Meningkatkan Sistem Pembelajaran Mesin Otomatis Melalui Al Hijau
C. Penulis : Dagoberto Castellanos-Nieves dan Luis Garcia-Forte
D. Abstrak Artikel :
Pembelajaran mesin otomatis (AutoML), yang bertujuan untuk memfasilitasi desain
dan optimalisasi model pembelajaran mesin dengan mengurangi upaya dan keahlian
manusia, merupakan bidang penelitian dengan potensi signifikan untuk mendorong
pengembangan kecerdasan buatan dalam sains. Namun, AutoML juga menimbulkan
tantangan karena konsumsi sumber daya dan energi serta dampak lingkungan, yang
merupakan aspek yang sering diabaikan. Makalah ini sebagian besar berpusat pada
implikasi keberlanjutan yang timbul dari proses komputasi dalam bidang
AutoML.Dalam penelitian ini, pembuktian konsep telah dilakukan menggunakan
perpustakaan Scikit-learn yang diadopsi secara luas. Metrik efisiensi energi telah
digunakan untuk menyempurnakan hyperparameter dalam strategi Bayesian dan
pencarian acak, dengan tujuan meningkatkan jejak lingkungan. Temuan ini
menunjukkan bahwa AutoML dapat dibuat lebih berkelanjutan dengan
mempertimbangkan efisiensi energi dalam proses komputasi. Hasil yang diperoleh
dari eksperimen ini menjanjikan dan sejalan dengan kerangka Green AI, sebuah
paradigma yang bertujuan untuk meningkatkan jejak ekologis dari keseluruhan
proses AutoML. Proposal yang paling sesuai untuk masalah yang diteliti, dipandu
oleh metrik yang diusulkan, telah diidentifikasi, dengan potensi generalisasi terhadap
masalah serupa lainnya.
 BAB II
PEMBAHASAN
Maksud dari meningkatkan system pembelajaran melalui al hijau yaitu berguna untuk
menyempurnakan hyperparameter dalam strategi Bayesian dan pencarian acak, dengan tujuan
meningkatkan jejak lingkungan. seperti pemrosesan data, eksplorasi berbagai algoritme
pembelajaran mesin, dan penyetelan hyperparameter yang efisien. Jadi Dalam konteks ini, ML
adalah alat yang ampuh dan serbaguna untuk memecahkan masalah kompleks di berbagai domain.
Namun, sistem ML sering kali memerlukan sumber daya komputasi dalam jumlah besar , yang
dapat berdampak negatif terhadap lingkungan dan efisiensi energi perangkat.
Sedangkan maksud tujuan artikel ini adalah untuk mengekplorasi implementasi
berkelanjutan yang terkait dengan proses komputasi dalam domain mesin otomatis.
Dan isi artikel ini kami mengusulkan bukti konsep untuk mengembangkan sistem
pembelajaran mesin otomatis yang mematuhi prinsip komputasi ramah lingkungan. Bukti konsep
(PoC) adalah implementasi sebagian atau tidak lengkap dari suatu metode atau ide yang dilakukan
untuk memverifikasi kelayakan penerapan praktis. Hal ini menunjukkan bahwa suatu konsep atau
teori layak untuk diterapkan secara bermanfaat, membantu memitigasi risiko, menunjukkan nilai,
dan mengopi kinerja sebelum implementasi penuh.
Dengan mempertimbangkan pendekatan ini, kami mengidentifikasi tantangan dan peluang
utama untuk mengintegrasikan teknik komputasi ramah lingkungan ke dalam pipeline ML, seperti
prapemrosesan data, pemilihan model, penyesuaian hyperparameter, dan penerapan . Kami juga
membahas beberapa potensi penerapan dan manfaat sistem pembelajaran mesin ramah lingkungan
untuk berbagai bidang, seperti layanan kesehatan, pendidikan, dan kota pintar. Untuk
menyimpulkan pendahuluan ini, kami menguraikan beberapa arah penelitian terbuka dan perspektif
masa depan untuk bidang penelitian baru dan menjanjikan ini.
Berbagai strategi telah dikembangkan untuk menilai kelestarian lingkungan dalam konteks
AutoML, yang bertujuan untuk mengidentifikasi area dengan dampak lingkungan lebih tinggi dan
mencapai optimalisasi keberlanjutan yang lebih besar. Di antara yang paling relevan adalah
pengukuran konsumsi sumber daya komputasi, estimasi emisi karbon, evaluasi efisiensi energi,
skalabilitas, dan analisis siklus hidup AutoML yang mencakup algoritma pembuatan dan
penyimpanan datadan pemilihan konfigurasi, pelatihan dan evaluasi model, dan implementasi
model. Khususnya, itumenampilkan putaran umpan balik yang berputar kembali ke pemilihan
algoritme dan konfigurasi setelahnya tahap pelatihan dan evaluasi model.
diurai menjadi enam bagian, pertama kami memberikan tinjauan literatur yang relevan,
kedua membahas formalisasi yang diperlukan, ketiga Metodologi proposal, keempat Hasil
eksperimen
1. Canggih
Adopsi kecerdasan buatan (AI) yang meluas telah memperkuat pentingnya
mencapai keseimbangan antara kinerja model pembelajaran mesin dan
keberlanjutan. Berdasarkan prinsipprinsip ini, hal ini terutama disebabkan oleh
dampak yang tidak dapat disangkal dari sistem AI terhadap jejak karbon kita.
Mengatasi tantangan ini telah mendorong eksplorasi beragam strategi. Dalam
mencapai keseimbangan ini, hal ini mencakup kurasi model yang lebih
 efisien ,optimalisasi hyperparameter yang cermat , dan pemanfaatan transfer
pengetahuan secara bijaksana.
Selain itu, penggabungan teknik pembelajaran penguatan , mekanisme
pemantauan waktu nyat , dan perangkat keras hemat energi telah muncul sebagai
praktik umum. Dalam lanskap yang memiliki banyak aspek ini, perhatian khusus
telah diberikan pada penilaian siklus hidup dan desain kumpulan data yang efisien .
Secara saling melengkapi, aspekaspek ini telah ditekankan, dengan mengakui peran
penting kesadaran dan pendidikan dalam mendorong keberlanjutan dalam domain
pembelajaran mesin.
Pengoptimalan hyperparameter untuk algoritme pembelajaran mesin telah
menjadi pusat penelitian aktif, terutama yang menunjukkan kemajuan besar dalam
penelitian terbaru. Menanggapi meningkatnya kebutuhan akan AI yang ramah
lingkungan, berbagai strategi optimasi telah muncul . Strategi-strategi ini selaras
dengan prinsip-prinsip AI Ramah Lingkungan dan berupaya memitigasi dampak
lingkungan yang terkait dengan pengembangan AI.
Di antara teknik optimasi yang paling hemat sumber daya adalah teknik yang
didasarkan pada model sekuensial Bayesian dan turunannya. Secara khusus, mereka
bertujuan untuk meminimalkan jumlah evaluasi fungsi tujuan, sehingga mengurangi
biaya komputasi. Optimalisasi Bayesian , khususnya, memanfaatkan model
pengganti probabilistik untuk memandu pemilihan hyperparameter untuk dievaluasi
berdasarkan hasil sebelumnya.
Meskipun sebagian besar penelitian saat ini berpusat pada pemantauan jejak
karbon, penyempurnaan hyperparameter, dan benchmarking model, pendekatan
inovatif lainnya telah berupaya mengurangi jumlah iterasi yang diperlukan untuk
menemukan hyperparameter yang optimal. Strategi-strategi ini, seperti yang
digariskan oleh Stamoulis dkk. mewakili perubahan yang signifikan dari penyetelan
hyperparameter tradisional dan secara substansial dapat mengurangi biaya energi
yang terkait dengan pencarian kumpulan hyperparameter yang optimal. Khususnya,
De dkk. menunjukkan bagaimana penyetelan hyperparameter, jika menyertakan
pertimbangan konsumsi energi, dapat mendorong pengembangan model yang lebih
hemat energi.

2. Optimasi Bayesian untuk Optimasi Hyperparameter

pada bagian ini, algoritma optimasi Bayesian diperiksa, karena algoritma ini
mewakili metode utama yang digunakan dalam eksperimen. Definisi optimasi
Bayesian dan masalah optimasi hyperparameter disediakan.
beberapa tahun terakhir, terdapat peningkatan minat dalam menggunakan
optimasi Bayesian untuk optimasi hyperparameter. Pengoptimalan Bayesian adalah
algoritme pengoptimalan berbasis model sekuensial yang mempelajari model
probabilistik dari fungsi tujuan dan menggunakan model ini untuk memandu
pencarian konfigurasi hyperparameter optimal . Algoritma optimasi Bayesian dapat
diformalkan melalui Insialisasi,Evaluasi, Pembaruan, Pilih Konfigurasi, dan
mengulangi evaluasi beserta konfigurasi.

3. Bahan dan Metode

 Pada bagian ini, kami menjelaskan metodologi yang digunakan untuk
melakukan penelitian dikonteks eksperimen AutoML, khususnya terkait dengan
Green AI. Kami menyajikandesain eksperimental, implementasi algoritma dan
pipeline, serta metrikdigunakan untuk mengukur efisiensi dan keberlanjutan energi.
Metodologi yang diusulkan mencakup fase-fase berikut;
 Pemilihan Kumpulan Data. Pemilihan kumpulan data yang sudah
mapan dengan penyimpanan minimaldan tuntutan pemrosesan.
 Algoritma dan Seleksi Pipeline. Pemilihan algoritma optimasi
hyperparameter , pipeline, dan algoritma pembelajaran mesin dari
siklus hidup AutoML yang diusulkan.
 Identifikasi Metrik Keberlanjutan. Identifikasi metrik untuk evaluasi
keberlanjutan.
 Implementasi PoC AutoML. Penerapan jejak karbon yang terukur
AutoML bukti konsep, memanfaatkan elemen dari fase yang
disebutkan di atas.
 Evaluasi Usulan. Evaluasi proposal secara komprehensif.
Sebuah studi bukti konsep dengan penekanan khusus pada keberlanjutan dalam
bidang AutoML telah dilakukan. Kami menetapkan kerangka kerja eksperimental yang
bertujuan untuk menilai pengaruh berbagai pendekatan pengoptimalan hyperparameter
terhadap keberlanjutan, yang mencakup variabel seperti durasi pelatihan, pemanfaatan
sumber daya komputasi, dan emisi karbon terkait.
4. Eksperimen
Dua percobaan utama dilakukan. Eksperimen awal menilai Kumpulan Data Cancer
Wisconsin (Diagnostik) melalui penerapan pembuktian konsep. Kumpulan data dipartis
dengan (67–33%) ditujukan untuk pelatihan dan sisanya untuk pengujian. Serangkaian
pipeline tradisional dan serangkaian algoritme inti telah ditentukan. Ruang pencarian
algoritma sengaja dibuat konservatif, dan parameter default digunakan untuk mengurangi
potensi bias dari para ahli yang mempengaruhi hasil . Proses pencarian mencakup teknik
pencarian dan optimasi Bayesian dan hyperparameter acak secara independen.
Penyempurnaan hyperparameter dilakukan menggunakan metrik konsumsi energi (RAM +
CPU). Ditetapkan bahwa algoritma yang dipilih tidak boleh dijalankan pada GPU. Setelah
pencarian dan pengoptimalan hyperparameter selesai , model yang dihasilkan menjalani
pengujian. Metrik untuk akurasi yang seimbang digunakan (karena ketidakseimbangan
kumpulan data dalam pengklasifikasi biner) bersama dengan metrik lain yang sudah ada,
termasuk skor F1 dan Akurasi. Pengujian dilakukan dengan menggunakan pendekatan
validasi silang (cv = 5). Konsumsi energi pada fase pencarian dan pengoptimalan, fase
pelatihan model yang dipilih, dan fase pengujian dihitung. Terakhir, jejak karbon dari
eksperimen dihitung. Hal ini dicapai dengan memperhitungkan konsumsi energi pada fase
pencarian dan pengoptimalan, fase pelatihan model yang dipilih, dan fase pengujian.
Percobaan kedua dilakukan dengan menggunakan dataset yang sama dengan partisi
yang sama.Saluran pipa dan algoritme yang sama digunakan, serta ruang pencarian yang
sama. Pengoptimalan hyperparameter dilakukan menggunakan algoritma Bayes dan acak,
tetapi metrik akurasi seimbang digunakan untuk memilih solusi terbaik. Setelah pencarian
dan optimasi hyperparameter, model yang diperoleh diuji. Akurasi, presisi, skor F1, dan
metrik konsumsi daya (RAM + CPU) digunakan. Pengujian dan jejak karbon diperoleh
dengan cara yang mirip dengan eksperimen sebelumnya.