PROMO 7.7! DISKON 98%
Belajar Data Science Bersertifikat, 12 Bulan hanya 177K!

0 Hari 4 Jam 28 Menit 54 Detik

Adversarial pada Tipe Supervised Learning

Belajar Data Science di Rumah 07-Januari-2024
https://dqlab.id/files/dqlab/cache/3-longtail-rabu-07-2024-01-05-161645_x_Thumbnail800.jpg

Salah satu keuntungan dari teknologi machine learning adalah memudahkan praktisi data dalam menangkal adanya ancaman dari pihak-pihak yang berusaha mengganggu atau mengacaukan model machine learning yang telah dibuat. Ancaman ini bisa ditepis oleh keberadaan adversarial machine learning yang biasanya rentan terjadi dalam dunia marketing. Adversarial machine learning memungkinkan model untuk belajar dari skenario-skenario yang melibatkan upaya manipulasi atau penipuan data, sehingga meningkatkan ketahanan model terhadap serangan yang bertujuan merusak kualitas dan kehandalan prediksi.


Dalam konteks pemasaran (marketing), di mana data memiliki peran kunci dalam mengidentifikasi tren konsumen, preferensi, dan perilaku pembelian, risiko manipulasi data sangat signifikan. Pihak-pihak yang tidak bermaksud baik dapat mencoba memanipulasi data pelanggan atau informasi pasar untuk mempengaruhi hasil model dan mengambil keuntungan yang tidak sah.


Adversarial machine learning membantu melawan upaya-upaya ini dengan mengenali pola-pola yang mencurigakan atau perubahan yang tidak sesuai dalam data, sehingga memungkinkan sistem untuk memberikan peringatan atau menolak informasi yang dicurigai sebagai manipulasi. Lalu, bagaimana peranan adversarial machine learning ini dan apa contoh nyatanya di kehidupan sehari-hari? Simak terus penjelasannya lewat artikel berikut ini ya sahabat DQLab!


1. Apa itu Adversarial Machine Learning

Adversarial machine learning adalah cabang dari machine learning yang berfokus pada pemahaman, deteksi, dan mitigasi terhadap serangan atau manipulasi terhadap model-machine learning. Pada dasarnya, konsep ini muncul karena model-machine learning tradisional cenderung rentan terhadap perubahan kecil pada input yang mungkin sulit dideteksi oleh model, tetapi dapat menyebabkan perubahan signifikan pada output.

Machine Learning

Sumber Gambar: Viso Suite


Dalam konteks adversarial machine learning, entitas yang berusaha melakukan manipulasi atau serangan disebut sebagai "adversary." Adversary ini dapat mencoba mengubah input sedemikian rupa sehingga model-machine learning memberikan hasil yang salah atau tidak diinginkan. Serangan ini dapat dilakukan dengan berbagai cara, termasuk menambahkan noise ke data, mengubah piksel pada gambar, atau memanipulasi fitur-fitur lainnya dalam data input.


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Aspek Utama dalam Adversarial Machine Learning

Secara umum, adversarial machine learning melibatkan dua aspek utama:

  • Adversarial Training: Model-machine learning dilatih dengan memasukkan data yang telah dimodifikasi atau dimanipulasi sedemikian rupa oleh pihak yang berusaha mengecoh model.

  • Adversarial Defense: Pengembangan metode atau teknik untuk mendeteksi dan mengatasi upaya-upaya adversarial. Ini dapat mencakup penggunaan teknik-teknik khusus seperti deteksi anomali, verifikasi input, dan penggunaan model yang dirancang khusus untuk menanggapi perubahan input yang tidak terduga


3. Contoh Penerapan Adversarial Machine Learning

Adversarial machine learning dapat terjadi dalam berbagai aspek kehidupan sehari-hari, terutama ketika model-machine learning digunakan untuk membuat keputusan atau prediksi yang memiliki dampak nyata. Beberapa contoh situasi di mana adversarial machine learning dapat menjadi relevan melibatkan upaya untuk mengecoh model atau memanipulasi input agar menghasilkan prediksi yang tidak akurat. Berikut adalah beberapa contoh:


Sistem Keamanan dan Pengenalan Wajah:

  • Skenario: Penggunaan teknologi pengenalan wajah untuk keamanan, seperti di bandara atau gedung perkantoran.

  • Adversarial Machine Learning: Seorang adversary dapat mencoba mengenakan aksesori atau melakukan perubahan kecil pada penampilan mereka untuk mengecoh sistem pengenalan wajah agar tidak dapat mengidentifikasi mereka.


Sistem Keamanan CCTV:

  • Skenario: Penerapan sistem pemantauan CCTV untuk mendeteksi perilaku mencurigakan atau kegiatan kriminal.

  • Adversarial Machine Learning: Seseorang dapat mencoba memanipulasi citra atau video yang ditangkap oleh kamera CCTV agar sistem tidak dapat mengenali atau memberikan peringatan palsu terhadap kejadian sebenarnya.


Baca juga : Bootcamp Machine Learning and AI for Beginner


4. Hubungan Adversarial Machine Learning dengan Supervised Learning

Adversarial machine learning masuk dalam ranah machine learning yang umumnya dikenal sebagai supervised learning (salah satu jenis yang membutuhkan bimbingan atau pembelajaran). Konsep utama dari adversarial machine learning adalah untuk mengatasi atau mendeteksi ancaman dari pihak-pihak yang berusaha mengganggu atau memanipulasi model machine learning.

Machine Learning

Sumber Gambar: DeepAI


Dalam adversarial machine learning, model-machine learning dihadapkan dengan input yang sengaja dimodifikasi atau dimanipulasi oleh pihak yang jahat (adversary). Adversary ini berupaya menghasilkan output yang keliru atau merugikan dengan membuat perubahan kecil pada input yang sulit terdeteksi oleh model. Oleh karena itu, upaya dalam adversarial machine learning melibatkan pengembangan model yang tahan terhadap manipulasi atau yang dapat mendeteksi upaya-upaya tersebut.


Eits, kalau kamu masih bingung soal model machine learning, tenang aja. Nggak perlu khawatir jika kamu belum memiliki pengalaman tentang Machine Learning sebelumnya, kamu tetap bisa mengasah pemahaman mendasar kamu tentang Machine Learning, kamu bisa bergabung dalam modul DQLab yang berjudul “Basic Feature Discovering for Machine Learning” .


Caranya gimana? Mudah banget kok cukup signup sekarang ke DQLab.id lalu pilih menu learn. Setelah itu kamu sudah bisa menikmati pembelajaran yang praktis dan aplikatif dan jago Machine Learning bersama DQLab! Tunggu apa lagi? Yuk, signup sekarang dan mulai belajar Module Premium di DQLab dan ikuti Bootcamp Machine Learning and AI for Beginner!


Penulis: Reyvan Maulid

Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login