PROMO KILAT 2 DAYS ONLY!!
Belajar Data Science 3 Bulan hanya 100K!

1 Hari 17 Jam 24 Menit 50 Detik

Konsep Robustness dalam Model Machine Learning

Belajar Data Science di Rumah 01-November-2023
https://dqlab.id/files/dqlab/cache/kv-2-banner-longtail-selasa-07-2023-11-01-104714_x_Thumbnail800.jpg

Model machine learning merupakan entitas matematis yang digunakan untuk memodelkan hubungan antara data input dan output, dengan tujuan untuk melakukan prediksi atau pengambilan keputusan berdasarkan data yang ada.


Model-model ini berperan penting dalam pembelajaran mesin (machine learning) dan memungkinkan komputer untuk “mempelajari” pola dari data dan membuat prediksi atau keputusan berdasarkan pola tersebut.


Setiap model machine learning yang dirancang oleh machine learning specialist tentunya memiliki kriteria bahwa model tersebut bebas dari miss dan tidak mengandung gangguan pada data. Kriteria ini dinamakan dengan konsep “robustness” atau robust.


Dalam konteks machine learning, "robust" atau "kekuatan" mengacu pada kemampuan suatu model atau algoritma untuk tetap berfungsi dengan baik atau memberikan hasil yang baik meskipun terdapat ketidakpastian, gangguan, atau variasi dalam data masukan atau lingkungan.


Dengan kata lain, model yang "robust" adalah model yang stabil dan dapat mengatasi variasi atau gangguan dalam data dengan baik. Untuk mencapai tingkat robustness dalam model machine learning diperlukan penggunaan berbagai teknik seperti normalisasi data, penanganan outlier, ensemble learning, dan teknik lainnya.


Pada artikel kali ini, kita akan membahas jenis-jenis robustness yang diaplikasikan dalam model machine learning. Simak selengkapnya yuk sahabat DQLab!


1. Robustness terhadap Outliers

Robustness terhadap outliers dalam konteks machine learning mengacu pada kemampuan sebuah model atau algoritma untuk tetap memberikan hasil yang baik atau stabil ketika data inputnya mengandung nilai-nilai yang jauh dari nilai-nilai data lainnya, yaitu nilai-nilai yang disebut sebagai "outliers."


Outliers adalah data yang signifikan secara statistik berbeda dari mayoritas data dalam dataset, dan mereka dapat merusak performa model jika tidak ditangani dengan baik.

Machine Learning

Sumber Gambar: CXL


Dalam kasus robustness terhadap outliers, ini berarti model tidak akan terlalu dipengaruhi atau terganggu oleh keberadaan outliers dalam data, dan masih dapat memberikan prediksi yang akurat untuk data yang bukan outliers.


Hal ini penting karena outliers dapat muncul dalam berbagai situasi, dan mereka bisa menjadi data yang valid atau kesalahan pengukuran, sehingga model yang tidak tahan terhadap outliers dapat memberikan hasil yang buruk atau tidak andal.


2. Robustness terhadap Variasi Data

Robustness terhadap variasi data adalah kemampuan suatu model machine learning untuk memberikan hasil yang baik dan konsisten, bahkan ketika data input mengalami variasi yang signifikan atau perubahan dalam distribusi data.


Variasi data ini dapat disebabkan oleh berbagai faktor, seperti perubahan tren, perubahan lingkungan, atau perubahan dalam karakteristik data itu sendiri. Model yang robust terhadap variasi data mampu menghasilkan prediksi atau hasil yang andal dalam berbagai situasi.


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


3. Robustness terhadap Noise

Robustness terhadap noise adalah kemampuan suatu model machine learning untuk menghasilkan hasil yang baik dan stabil bahkan ketika data inputnya mengandung gangguan acak atau ketidakpastian yang dikenal sebagai "noise."


Noise adalah variasi atau gangguan yang tidak memiliki pola yang konsisten dan dapat muncul dalam data karena berbagai faktor, seperti kesalahan pengukuran atau perbedaan acak dalam data.

Machine Learning

Sumber Gambar: Enovatia


Baca juga : Bootcamp Machine Learning and AI for Beginner


4. Robustness terhadap Adversarial Attacks

Robustness terhadap serangan adversarial adalah kemampuan suatu model machine learning untuk tetap memberikan hasil yang baik dan stabil, bahkan ketika data inputnya dimanipulasi secara sengaja dengan serangan adversarial.


Serangan adversarial adalah upaya untuk mengganggu model machine learning dengan menambahkan gangguan kecil ke data input sehingga model memberikan prediksi yang salah atau tidak diinginkan.


Gimana sahabat DQ? Seru banget kan membahas tentang konsep robustness dalam model machine learning. 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