Pembelajaran Mesin

Secara umum, algoritma pembelajaran mesin dapat dianggap sebagai kotak hitam. Dibutuhkan input dan menghasilkan output. Tujuan pembelajaran ini adalah untuk menunjukkan kepada Anda cara membuat 'kotak hitam' ini dan menyesuaikannya dengan kebutuhan Anda. Misalnya, kita dapat membuat model yang memprediksi cuaca besok, berdasarkan data meteorologi beberapa hari terakhir. "Kotak hitam" sebenarnya adalah model matematika. Algoritma pembelajaran mesin akan mengikuti semacam metode coba-coba untuk menentukan model yang memperkirakan keluaran, dengan masukan yang diberikan. Setelah kita memiliki model, kita harus melatihnya. Pelatihan adalah proses dimana, model belajar bagaimana memahami input data.

	Jenis Pembelajaran Mesin
Supervised	UnSupervised	Reinforcement
Disebut terawasi karena disediakan algoritme yang tidak hanya dengan input, tetapi juga dengan target (output yang diinginkan). Berdasarkan informasi itu, algoritme mempelajari cara menghasilkan output sedekat mungkin dengan target. Fungsi tujuan dalam pembelajaran terawasi disebut loss function (juga biaya atau kesalahan) Kami mencoba meminimalkan kerugian(loss) karena semakin rendah fungsi kerugian(loss function), semakin tinggi akurasi model.	Dalam pembelajaran mesin tanpa pengawasan, peneliti memberi masukan kepada model, tetapi tidak dengan target. Sebaliknya, dia memintanya untuk menemukan semacam ketergantungan atau logika yang mendasari dalam data yang disediakan. Misalnya, Anda mungkin memiliki data keuangan untuk 100 negara Model berhasil membagi (menjadi 5 kelompok, Anda kemudian memeriksa 5 kelompok dan mencapai kesimpulan bahwa kelompok tersebut adalah “Maju”, “Berkembang tetapi berprestasi”, berprestasi tinggi”, “Berkembang tetapi kurang berprestasi”, kurang berprestasi”, “stagnasi” dan “memburuk” Algoritme membagi mereka menjadi 5 kelompok berdasarkan kesamaan tetapi Anda tidak tahu kesamaan apa yang dapat dibagi berdasarkan lokasi.	Dalam ML Reinforcement penguatan,tujuan algoritme adalah untuk memaksimalkan imbalannya Ini terinspirasi oleh perilaku manusia dan cara orang mengubah tindakan mereka sesuai dengan insentif, seperti mendapatkan hadiah atau menghindari hukuman. Fungsi tujuan disebut reward function Kami mencoba memaksimalkan reward function Contoh adalah komputer bermain Super Mario, Semakin tinggi skor yang dicapai, semakin baik kinerjanya Skor dalam hal ini adalah fungsi tujuan.
Metode: 1.    Regression 2.    Classification	Metode: Clustering	Metode: 1.     Decision process 2.     Reward system

Membangun Blok Algoritma Pembelajaran Mesin
Logika dasar di balik pelatihan suatu algoritma melibatkan empat bahan: data, model, fungsi tujuan, dan algoritma optimasi.
1. kita perlu menyiapkan sejumlah data untuk dilatih. Biasanya, mengambil data historis
2. Memilih jenis model Secara kasar, ini adalah beberapa fungsi, yang ditentukan oleh bobot dan bias. Memasukkan data masukan ke dalam model. Pada dasarnya, ide dari algoritma pembelajaran mesin adalah untuk menemukan parameter yang modelnya memiliki kekuatan prediksi tertinggi.
3.Fungsi tujuan mengukur kekuatan prediksi model. Secara matematis, masalah pembelajaran mesin bermuara pada pengoptimalan fungsi. Misalnya, dalam kasus kerugian, kita berusaha meminimalkannya.
4.Mencapai optimasi menggunakan algoritma optimasi. Menggunakan nilai fungsi tujuan, algoritma optimasi memvariasikan parameter model. Operasi ini diulang sampai kita menemukan nilai parameter, yang fungsi tujuannya optimal.

Pembelajaran yang diawasi(supervise) dapat dibagi menjadi dua subtipe yaitu regresi dan klasifikasi

Regresi

Klasifikasi

Output regresi adalah angka kontinu Contoh Memprediksi nilai tukar EUR/USD pada waktu akan dating. Outputnya adalah angka, seperti 102,153 dll. Memprediksi harga rumah, misalnya $234,200 atau $512,414. Salah satu sifat utama dari keluaran regresi adalah bahwa terurut, Sebagai $102<$153 dan $243200<$512414 sehingga dapat pasti dikatakan bahwa satu output lebih besar dari yang lain. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin karena algoritma akan mendapat informasi tambahan dari keluaran.

Output klasifikasi adalah label dari semacam kelas Contoh Mengklasifikasikan foto hewan berdasarkan Kelasnya contoh: “kucing”, “anjing“, “sapi”, dll Memprediksi konversi dalam konteks bisnis dapat memiliki dua kelas pelanggan, misalnya “akan membeli lagi” dan “tidak akan membeli lagi”. Dalam hal klasifikasi, label tidak dipesan dan tidak dapat dibandingkan sama sekali. Foto anjing bukanlah “atau “foto kucing (secara objektif). rumah dpinggir jalan senilai $512,414 adalah “lebih” (lebih mahal) daripada rumah senilai $234,200 tidak di pinggir jalan. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin, karena kelas yang berbeda diperlakukan pada pijakan yang sama.

Virtual Machine (VM)

Lingkungan komputasi cloud menyediakan pasokan sumber daya komputasi berdasarkan permintaan saat dibutuhkan. Dibangun di atas kemajuan teknologi virtualisasi dan komputasi terdistribusi untuk mendukung penggunaan sumber daya komputasi yang efisien biaya, menekankan pada skalabilitas sumber daya dan layanan sesuai permintaan. Memungkinkan untuk meningkatkan hasil bisnis dan menurunkan penggunaan sumber daya berdasarkan kebutuhan. Mengelola permintaan pelanggan menciptakan tantangan alokasi sumber daya sesuai permintaan. Teknologi Virtual Machine (VM) digunakan untuk penyediaan sumber daya. Diharapkan dengan menggunakan lingkungan tervirtualisasi akan mengurangi waktu rata-rata respons pekerjaan, serta pelaksanaan task sesuai dengan ketersediaan sumber daya. Oleh karena itu, VM dialokasikan untuk pengguna berdasarkan karakteristik pekerjaan. Pemanfaatan sumber daya di cloud secara efektif dan dinamis dapat membantu menyeimbangkan beban dan menghindari situasi seperti sistem yang berjalan lambat.
Cloud adalah jenis sistem paralel dan terdistribusi, terdiri dari sekumpulan komputer yang saling berhubungan dan virtual. Disediakan secara dinamis dan disajikan sebagai satu atau lebih sumber daya komputasi terpadu, berdasarkan Service Level Agreements (SLA). Dibentuk melalui negosiasi antara penyedia layanan dan konsumen. Komputasi cloud adalah komputasi berbasis internet dimana sekelompok besar jaringan server jarak jauh, yang memungkinkan berbagi tugas pemrosesan data, penyimpanan data terpusat dan akses online. Komputasi cloud juga berfokus pada memaksimalkan efektivitas sumber daya bersama. Sumber daya cloud tidak hanya dibagikan oleh banyak pengguna tetapi juga dialokasikan ulang berdasarkan permintaan, secara dinamis. Teknologi pendukung utama adalah virtualisasi. Perangkat lunak virtualisasi memungkinkan perangkat komputasi fisik dipisahkan secara elektronik menjadi satu atau lebih perangkat virtual, yang masing-masing dapat dengan mudah digunakan dan dikelola untuk menghitung task. Virtualisasi mempercepat operasi teknologi informasi dan mengurangi biaya, dengan meningkatkan pemanfaatan infrastruktur.
Penjadwalan adalah bagian penting dari sistem operasi, penjadwalan CPU berkaitan dengan masalah dalam memutuskan proses mana dalam antrean siap pakai yang akan dialokasikan. Ketika suatu pekerjaan diserahkan ke manajer sumber daya, pekerjaan akan menunggu dalam antrean sampai dijadwalkan dan dieksekusi. Waktu yang dihabiskan dalam antrean atau waktu tunggu, tergantung pada beberapa faktor termasuk prioritas pekerjaan, memuat sistem, dan ketersediaan sumber daya yang diminta. Waktu penyelesaian merupakan waktu antara ketika pekerjaan diserahkan sampai pekerjaan selesai. Termasuk waktu tunggu serta waktu pelaksanaan pekerjaan yang sebenarnya. Waktu respons menunjukkan seberapa cepat pengguna menerima respons dari sistem setelah pekerjaan diserahkan. Throughput sistem didefinisikan sebagai jumlah pekerjaan yang diselesaikan per unit waktu. Waktu respons rata-rata adalah metrik kinerja penting bagi pengguna yang diharapkan waktu responsnya minimal. Banyak pekerjaan berbeda dikirimkan ke cloud dalam lingkungan produksi yang khas. Broker cloud melakukan pra-konfigurasi dan menyimpan semua VM yang diperlukan ke cloud untuk menjalankan pekerjaan pengguna dan semua pekerjaan masuk dalam antrean. Penjadwal tingkat sistem berjalan pada sistem khusus, mengelola semua pekerjaan dan memutuskan apakah menyediakan VM baru dari cloud atau mengalokasikan pekerjaan ke VM.
Teknologi mesin virtual telah digunakan untuk penyediaan sumber daya. VM dialokasikan untuk pengguna berdasarkan karakteristik pekerjaan. Pekerjaan berprioritas rendah tidak seharusnya menunda pelaksanaan pekerjaan berprioritas tinggi. Skenario ini mengarah pada pertentangan sumber daya antara pekerjaan prioritas rendah dan tinggi untuk mengakses sumber daya. VM didasarkan pada reservasi sumber daya yaitu reservasi CPU, memori dan sumber daya jaringan untuk setiap instance VM atau cluster VM. Tujuan dasarnya adalah mengaktifkan aplikasi untuk meminta pembuatan mesin virtual dan cluster berdasarkan spesifikasi tingkat tinggi pada lingkungan VM dan QoS yang diinginkan. Sebuah model untuk memprediksi berbagai overhead run-time yang terlibat dalam menggunakan mesin virtual, memungkinkan untuk mendukung reservasi sebelumnya. Abstraksi pekerjaan yang digunakan oleh penjadwal batch mengikat penyediaan sumber daya, pekerjaan dan pelaksanaannya secara bersama.

Grid and Cloud

Bidang grid, utility dan cloud computing memiliki seperangkat kesamaan tujuan dalam pemanfaatan sumber daya bersama agar dapat digunakan secara optimal, untuk memenuhi berbagai permintaan dengan biaya yang kompetitif dan tepat waktu. Sejak komputasi grid memulai perjalanan teknologinya sekitar satu dekade lebih awal dari komputasi cloud, cloud dapat mengambil manfaat dari teknologi dan pengalaman grid dalam membangun infrastruktur komputasi terdistribusi. Komputasi cloud adalah kombinasi komunitas distribusi dan komputasi grid yang diimplementasikan pada dunia nyata. Implementasi komputasi cloud saat ini lebih difokuskan pada masalah penelitian. Salah satu masalah utama dalam cloud adalah alokasi task yaitu mengalokasikan task secara dinamis pada prosesor server. Komputasi cloud bukanlah teknologi baru, cloud adalah nama baru dari grid yang dikombinasikan dengan mesin virtual. Fokus grid pada banyak masalah penjadwalan, yang juga terjadi dalam skenario komputasi cloud secara online. Cloud menyediakan perangkat keras komputasi tervirtualisasi yang mirip dengan utilitas publik, sehingga disebut Infrastructure-as-a Service (IaaS). Semua perangkat keras divirtualisasikan, cloud memberikan ilusi sumber daya tanpa batas yang dapat dibuat tersedia bagi pengguna sesuai permintaan dan dapat ditingkatkan secara dinamis. Komputasi yang ditawarkan melalui cloud mengacu pada aplikasi dan platform perangkat lunak, biasanya dengan notasi model layanan, maka disebut Software-as-a Service (SaaS).
Penjadwalan task adalah aktivitas berurutan yang menggunakan satu set input untuk menghasilkan satu set output. Proses dalam himpunan terbatas ditugaskan secara statis ke prosesor, baik pada saat kompilasi atau saat start-up. Beban kerja berlebihan dapat dihindari menggunakan beberapa algoritme terkait. Teknik komputasi grid dapat secara luas dikategorikan sebagai kebijakan terpusat atau desentralisasi, dinamis atau campuran dalam tren terbaru. Penjadwalan sumber daya adalah pusat penelitian pada cloud, karena besarnya waktu eksekusi dan biaya sumber daya. Perbedaan kriteria penjadwalan sumber daya dan parameter yang digunakan mengarah ke berbagai kategori Resource Scheduling Algorithms (RSA). Tahap pertama manajemen sumber daya adalah penyediaan sumber. Tujuan pertama penjadwalan sumber daya adalah untuk mengidentifikasi sumber daya yang sesuai untuk penjadwalan beban kerja yang tepat waktu dan meningkatkan efektivitas pemanfaatan sumber daya. Dengan kata lain, tingkat kualitas layanan yang disyaratkan dapat terpenuhi dengan jumlah sumber daya yang digunakan dapat minimum dan beban kerja dapat dipertahankan, atau meminimalkan waktu penyelesaian beban kerja (memaksimalkan throughput). Penjadwalan sumber daya yang baik, diperlukan pemetaan beban kerja pada sumber daya yang baik. Tujuan kedua penjadwalan sumber daya adalah mengidentifikasi beban kerja yang memadai dan cocok untuk mendukung penjadwalan beberapa beban kerja, agar mampu memenuhi berbagai persyaratan QoS seperti pemanfaatan CPU, ketersediaan, keandalan, keamanan, dll, pada beban kerja cloud.

Gambar 1. Model Penjadwalan Cloud Dinamis

Kecerdasan buatan dan komputasi awan(cloud computing)

Kecerdasan buatan dan komputasi awan(cloud computing) telah bergabung untuk meningkatkan kehidupan jutaan orang. Asisten digital seperti Siri, Google Home, dan Amazon Alexa memadukan AI dan komputasi awan dalam kehidupan kita setiap hari. Dengan isyarat verbal cepat, pengguna dapat melakukan pembelian, menyesuaikan termostat rumah pintar, atau mendengar lagu yang diputar melalui speaker terhubung. Aliran AI dan sumber daya berbasis cloud yang lancar membuat permintaan tersebut menjadi kenyataan. Sebagian besar pengguna bahkan tidak pernah menyadari bahwa ini adalah perpaduan khusus dari dua bidang teknologi—kecerdasan buatan dan komputasi awan—yang memungkinkan pengalaman terhubung dan intuitif. Dalam skala yang lebih besar, kemampuan bekerja AI di lingkungan bisnis komputasi awan membuat organisasi lebih efisien, strategis, dan didorong oleh wawasan pengetahuan. Komputasi awan menawarkan lebih banyak fleksibilitas, kelincahan, dan penghematan biaya bagi bisnis dengan menghosting data dan aplikasi di cloud. Kemampuan kecerdasan buatan sekarang berlapis dengan komputasi awan dan membantu perusahaan mengelola data mereka, mencari pola dan wawasan dalam informasi, memberikan pengalaman pelanggan, dan mengoptimalkan alur kerja. Berikut untuk melihat lebih dekat apa yang perlu Anda ketahui tentang masa depan AI dan komputasi awan. 

1. Peran AI dan Cloud Computing
Menurut Statista, nilai global pasar AI akan melampaui perkiraan lebih dari $89 miliar per tahun pada tahun 2025. Persentase signifikan dari nilai itu akan terjadi karena kecerdasan buatan menggerakkan komputasi awan pada gilirannya, karena komputasi awan bertindak sebagai mesin. untuk meningkatkan cakupan dan dampak AI di pasar yang lebih besar. McKinsey baru-baru ini melakukan penelitian untuk mengeksplorasi bagaimana AI dapat memengaruhi penciptaan nilai di berbagai industri. Mereka memperkirakan bahwa di 19 area bisnis dan lebih dari 400 kasus penggunaan potensial, AI dapat menghasilkan nilai $3,5 triliun dan $5,8 triliun per tahun. Angka itu sebenarnya konservatif, karena mencerminkan sub-segmen tertentu dari teknik AI. Secara lebih luas, McKinsey memperkirakan dampaknya bisa mencapai $15,4 triliun per tahun. Deloitte, menunjukkan dalam sebuah analisis bahwa sementara AI memiliki kemampuan luar biasa untuk menguntungkan perusahaan, kebutuhan akan bakat teknis dan infrastruktur besar telah membuatnya kurang dapat dicapai oleh banyak organisasi. Di situlah cloud masuk. Deloitte mencatat, “Hasilnya adalah para inovator ini mempermudah lebih banyak perusahaan untuk mendapatkan keuntungan dari teknologi AI bahkan jika mereka tidak memiliki bakat teknis terbaik, akses ke kumpulan data besar, dan kekuatan komputasi mereka sendiri yang besar. Melalui cloud, mereka dapat mengakses layanan untuk mengatasi kekurangan ini—tanpa harus melakukan investasi besar di muka. Singkatnya, cloud mendemokratisasikan akses ke AI dengan memberi perusahaan kemampuan untuk menggunakannya sekarang.” Mari kita jelajahi beberapa aplikasi paling penting dan menjanjikan untuk AI dan komputasi awan.
 

2. Memberdayakan Self-Managing Cloud dengan AI 

Kecerdasan buatan sedang disematkan ke dalam infrastruktur TI untuk membantu merampingkan beban kerja dan mengotomatiskan tugas yang berulang. Beberapa telah memprediksi bahwa ketika AI menjadi lebih canggih, instance cloud pribadi dan publik akan mengandalkan alat AI ini untuk memantau, mengelola, dan bahkan memperbaiki diri sendiri ketika masalah terjadi. Awalnya, AI dapat digunakan untuk mengotomatisasi alur kerja inti dan kemudian seiring waktu, kemampuan analitis dapat menciptakan proses yang lebih baik yang sebagian besar independen. Proses rutin dapat dikelola oleh sistem itu sendiri, yang selanjutnya membantu tim TI menangkap efisiensi komputasi awan dan memungkinkan mereka untuk fokus pada aktivitas strategis yang bernilai lebih tinggi.
 

3. Meningkatkan Manajemen Data dengan AI 

Di tingkat cloud, alat kecerdasan buatan juga meningkatkan manajemen data. Pertimbangkan penyimpanan data yang sangat besar yang dihasilkan dan dikumpulkan oleh bisnis saat ini, serta proses pengelolaan infrastruktur tersebut—mengidentifikasi data, mencernanya, mengkatalogkannya, dan mengelolanya dari waktu ke waktu. Solusi komputasi awan sudah menggunakan alat AI untuk membantu aspek tertentu dari proses data. Di perbankan, misalnya, bahkan organisasi keuangan terkecil pun mungkin perlu memantau ribuan transaksi per hari. Alat AI dapat membantu merampingkan cara data diserap, diperbarui, dan dikelola, sehingga lembaga keuangan dapat lebih mudah menawarkan data real-time yang akurat kepada klien. Proses yang sama juga dapat membantu menandai aktivitas penipuan atau mengidentifikasi area risiko lainnya. Peningkatan serupa dapat berdampak besar pada bidang-bidang seperti pemasaran, layanan pelanggan, dan manajemen data rantai pasokan.
 4. Menyelesaikan Lebih Banyak dengan Integrasi AI–SaaS 

Alat kecerdasan buatan juga diluncurkan sebagai bagian dari platform Software-as-a-Service (SaaS) yang lebih besar untuk memberikan nilai lebih. Semakin banyak, penyedia SaaS menanamkan alat AI ke dalam rangkaian perangkat lunak mereka yang lebih besar untuk menawarkan fungsionalitas dan nilai yang lebih besar kepada pengguna akhir. Mari kita jelajahi satu contoh populer: platform manajemen hubungan pelanggan Salesforce dan alat AI Einstein-nya. Nilai dari CRM adalah bahwa ia menangkap sejumlah besar data pelanggan dan membuatnya lebih mudah untuk melacak hubungan pelanggan dan mempersonalisasi interaksi. Tetapi volume data bisa sangat banyak. Salesforce memperkenalkan Einstein untuk membantu mengubah data menjadi wawasan yang dapat ditindaklanjuti yang dapat digunakan bisnis untuk menjual lebih banyak, meningkatkan strategi penjualan mereka, dan terlibat dengan pelanggan. Alat tersebut dapat membantu bisnis mencari pola dalam interaksi pelanggan, misalnya, untuk membantu memberi saran kepada penjualan tentang metode apa—seperti telepon, email, atau pertemuan langsung—yang lebih mungkin untuk mendorong adanya konversi. Ini juga dapat digunakan untuk membuat rekomendasi "langkah selanjutnya" berdasarkan sinyal pembelian yang dirasakan alat tersebut.
 

5. Memanfaatkan Layanan Cloud Dinamis 

AI sebagai layanan juga mengubah cara bisnis mengandalkan alat. Pertimbangkan modul ritel berbasis cloud yang memudahkan untuk menjual produk merek mereka. Modul ini memiliki fitur penetapan harga yang dapat secara otomatis menyesuaikan harga pada produk tertentu untuk memperhitungkan masalah seperti permintaan, tingkat inventaris, penjualan pesaing, dan tren pasar. Analisis canggih yang didasarkan pada pemodelan–menarik jaringan saraf dalam–dapat memberi perintah yang jauh lebih baik atas data bisnis mereka, dengan implikasi waktu nyata yang penting. Modul penetapan harga yang didukung AI seperti ini memastikan bahwa penetapan harga perusahaan akan selalu dioptimalkan. Ini bukan hanya tentang memanfaatkan data dengan lebih baik; melakukan analisis dan kemudian menerapkannya tanpa perlu campur tangan manusia. AI dan komputasi awan mengubah bisnis di setiap level. Dari pembelajaran yang lebih dalam hingga otomatisasi proses utama, yang potensinya sangat menjanjikan. Meskipun ada beberapa contoh di pasar sekarang, dengan melihat lanskap, yang menunjukkan bahwa ini akan terus tumbuh di tahun-tahun mendatang. Mulailah menjelajahi bagaimana AI dan komputasi awan bersama-sama dapat membantu Anda memberikan pengalaman yang lebih baik, bekerja lebih efisien, dan menangkap nilai maksimum dari data dan wawasan yang Anda kumpulkan di pasar.

PANDUAN PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT EDISI XIII REVISI TAHUN 2021

PANDUAN PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT EDISI XIII REVISI TAHUN 2021 Perguruan Tinggi Penyelenggara Pendidikan Akademik Perguruan tinggi berkewajiban menyelenggarakan pendidikan, penelitian, dan pengabdian kepada masyarakat sebagaimana diamanatkan dalam Undang-Undang Nomor 20 Tahun 2003 tentang Pendidikan Nasional Pasal 20. Penelitian di perguruan tinggi diarahkan untuk mengembangkan ilmu pengetahuan dan teknologi, serta meningkatkan kesejahteraan masyarakat dan daya saing bangsa seperti dijelaskan dalam Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi Pasal 45 dan 46. Penelitian sebagaimana dimaksud, dilakukan oleh sivitas akademika dan dilaksanakan berdasarkan jalur kompetensi dan kompetisi. Hasil penelitian wajib disebarluaskan dengan cara diseminarkan, dipublikasikan, dan/atau dipatenkan. Hasil penelitian di tingkat perguruan tinggi diharapkan bermanfaat untuk:

LINK DOWNLOAD: BUKU PENELITIAN