Intip 3 Implementasi Data Science Versi Drakor Start-Up!
Penggila drama korea pasti sudah familiar dengan drakor Startup. Buat kalian yang belum tahu, jangan sampai ketinggalan dan coba cek deh. Banyak sekali dibicarakan dimana-mana mengenai drakor ini. Drama Korea yang satu ini kental dengan kisah percintaan serta menyuguhkan karier pemerannya dalam memulai usaha rintisan alias start up. Dibintangi oleh Bae Suzy, Nam Joo-Hyuk, Kim Seon-ho, dan Kang Han-na, Start Up bercerita bagaimana perjuangan sebuah perusahaan startup, mulai dari mencari modal, menawarkan ide hingga memasarkan produk agar mampu bersaing di pasaran. Selain jalan ceritanya yang sedikit meliuk-liuk, kuliner yang menggiurkan juga terdapat terselip pesan moral yang disampaikan. Salah satunya adalah implementasi dalam kursus belajar data science. Pada serial Hackathon (pekan retas) yang diadakan oleh SandBox, terdapat beragam istilah-istilah yang bermunculan khususnya dalam dunia data science.
Salah satu keuntungan kecil dalam mengikuti kursus data science adalah mengenal istilah-istilah serta memahaminya. Fakta di lapangan menunjukkan bahwa dalam dunia Data Science itu sendiri terdapat banyak istilah yang seringkali tidak mudah untuk membedakan satu sama lain seperti Machine Learning, Deep Learning, Artificial Intelligence, dan lain sebagainya. Sebagai peserta kursus data science, utamanya pemula pastinya belum familiar dengan beragam istilah ini. Seperti hyperparameter tuning, akurasi model, aplikasi berbasis artificial intelligence dan lain sebagainya. Tentunya, jika kita ingin bekerja di ranah industri data, istilah ini terdengar lebih dekat jika sudah mengetahuinya. Pada artikel DQLab kali ini, kita akan mengulik implementasi dan istilah data science yang diaplikasikan pada Drama Korea Start-Up yang sedang happening saat ini. Bagi kalian yang penasaran utamanya member kursus data science DQLab boleh banget dipantengin nih. Pastikan kalian simak artikelnya sampai habis ya!
1. Hyperparameter Tuning
Berdasarkan definisinya, hyperparameter tuning is choosing a set of optimal hyperparameters for a learning algorithm. Lalu apa perbedaan dari Hyperparameters dan Parameters? Parameters itu nilainya bisa didapatkan secara langsung saat proses training model sedangkan Hyperparameters itu tidak bisa didapatkan secara langsung pada proses training. Hyperparameters nilainya fix sebelum proses training model. Contoh dari Hyperparameters adalah Penalty pada Logistic Regression. Ingat pemodelan yang dibuat Nam Do-san dan tim untuk mendeteksi tulisan palsu dan asli? Model yang mereka buat adalah model deep learning, oleh karena itu mereka mencoba melakukan tuning pada hidden layer serta activation function yang digunakan. Model pertama yang mereka buat masih sangat buruk performanya, sehingga mereka akhirnya melakukan hyperparameter tuning.
Dalam melakukan tuning model, perlu kamu ketahui beberapa parameter yang bisa dilakukan tuning karena setiap metode memiliki hyperparameter yang berbeda-beda. Kamu perlu mengenali metode yang kamu gunakan serta tuning parameter yang bisa di-improve agar model yang dihasilkan memiliki performa yang bagus. Itulah kenapa sebagai seorang Data Scientist kita tidak hanya dituntut untuk menguasai programming, tetapi juga harus memiliki jiwa seni dalam mengkreasikan kombinasi parameter pembentuk model hingga menghasilkan model yang akurat.
2. Akurasi Model
Ketika melakukan analisis data, kamu perlu memilih model yang tepat sehingga dapat diinterpretasikan sesuai dengan tujuan yang ingin dicapai. Ketika sudah mengetahui metodenya, jangan lupa pastikan metode yang kamu pilih merupakan metode yang interpretable atau robustness. Hal ini akan mempengaruhi performance model yang akan kamu buat nantinya. Tidak hanya itu saja, pengaruh ini juga mengindikasikan akurasi model yang dihasilkan. Semakin baik akurasi model, semakin baik pula performanya.
Saat sesi Hackathon di serial Drakor Start-Up, model yang dibuat Samsan Tech belum bisa menghasilkan performa yang baik dibandingkan dengan Injae Company? Keduanya sama-sama menggunakan dataset tulisan tangan dari Bank dengan tujuan mendeteksi fraud. Namun mengapa performa model Samsan Tech belum bisa sebaik model dari Injae Company? Hal ini dikarenakan arsitektur model yang digunakan tidak sesuai dengan dataset yang ingin diuji. Jika ingin menguji data gambar maka harus menggunakan arsitektur model pendeteksi gambar, bukan arsitektur model pendeteksi video. Dengan menggunakan arsitektur yang tepat, performa model yang dihasilkan pun dapat menjadi lebih tinggi. Oleh karena itu, sebagai seorang Data Scientist tidak hanya keahlian programming yang diperlukan, namun harus memiliki jika kritis dan selektif dalam menentukan model yang akan digunakan dalam memecahkan masalah
3. Implementasi Aplikasi NoonGil
Setelah berhasil masuk ke SandBox, Samsan Tech memutuskan untuk membuat ide bisnis "NoonGil". NoonGil adalah aplikasi yang dapat membantu tuna-netra, dengan menggabungkan image recognition & voice processing technology. Do-San dan tim ingin menciptakan aplikasi yang dapat menyerupai fungsi penglihatan dan suara bagi kaum tuna-netra. Aplikasi ini juga bisa dideteksi dari beragam jenis obat dan kandungannya. Dalam ilmu farmasi disebut farmakologi. Setelah berhasil menjadi aplikasi, NoonGil inilah yang disebut sebagai AI. Hal ini lah yang dapat kamu lakukan setelah membuat model machine learning. Step selanjutnya adalah melakukan implementasi model. Pengimplementasian model ini harus selaras dengan tujuan saat model dibuat. Hasil implementasi dari model ini yang nantinya disebut sebagai AI. Implementasi model biasanya ada yang sederhana berupa dashboard hingga yang kompleks seperti aplikasi NoonGil atau bahkan robotik. Umumnya ketika ingin melakukan implementasi model menggunakan dashboard, kamu harus menyimpan informasi dari model tersebut untuk kamu masukkan ke dalam server dashboard. Jangan lupa untuk melakukan perlakuan backup agar jika terjadi sesuatu yang tidak kita kehendaki, kita masih ada rekam cadangnya. Dengan demikian, model tersebut masih bisa dioperasikan dan dipergunakan kembali.
4. Selain Belajar Data Science, Ini Rekomendasi Film Lainnya untuk Belajar Machine Learning dan AI
Machine Learning & AI kini sudah jadi ilmu yang sangat berperan di keseharian dan bahkan mengubah cara kita beraktivitas. Dua ilmu ini semakin penting untuk dipelajari supaya gak ketinggalan zaman. Untungnya, ilmu ini juga bisa dipelajari lewat film-film seru berikut ini, yuk simak rekomendasinya!
1. Transcendence (2014): Mengisahkan ilmuwan yang berhasil menciptakan mesin AI cerdas dan dilengkapi kecerdasan emosional sehingga bisa berperilaku seperti manusia. Film ini menggambarkan keuntungan dan juga dampak dari teknologi AI.
2. Ex-Machina (2014): Membahas pengembangan AI dalam bentuk robot humanoid dengan kemampuan kognitif yang canggih. Film ini memberi pengetahuan tentang pertimbangan etika seputar machine learning dan uji Turing.3. Her (2013): Berkisah tentang seorang pria yang mempunyai keterikatan emosional dengan sebuah penemuan AI. Film ini membantu kita memahami potensi interaksi manusia dengan AI dan peran pemrosesan bahasa alami.
5. Yuk Mulai Belajar Data Science Sekarang!
Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industri data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab atau ikuti Bootcamp Machine Learning and AI for Beginner!
Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":
1. Buat Akun Gratis dengan Signup di DQLab.id/signup
2. Akses module Introduction to Data Science
3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab
4. Subscribe DQLab.id untuk Akses Semua Module Premium!
Penulis: Reyvan Maulid Pradistya
Editor : Annissa Widya Davita
Mulai Karier
sebagai Praktisi
Data Bersama
DQLab
Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.
Sign-Up dengan Google
Sign-Up dengan Facebook