Infest Talk 2024 Membawa Semangat Dalam Mempelajari Machine Learning

Infest Talk yang berlangsung pada tanggal 4 Mei membawa angin segar dalam dunia teknologi, khususnya dalam bidang Machine Learning (ML). Keberhasilan acara ini tidak terlepas dari peran para panitia Infest 2024 yang telah bekerja keras dalam menyiapkan kebutuhan acara. Mulai dari pemilihan tema yang relevan, penentuan pemateri yang kompeten, hingga desain media yang menarik. Tidak terlepas juga dari perjuangan panitia dalam mengumpulkan dana terutama dari sponsorship. semuanya disiapkan dengan detail dan penuh pertimbangan.

Acara ini menjadi wadah bagi para peserta untuk mendapatkan pengetahuan baru tentang ML, sebuah bidang yang sedang berkembang pesat dan memiliki potensi besar dalam berbagai sektor. Dengan menghadirkan pemateri yang ahli di bidangnya, Infest Talk berhasil memberikan pemahaman yang mendalam tentang konsep dasar ML, aplikasinya, dan bagaimana teknologi ini dapat digunakan untuk memecahkan berbagai masalah kompleks di dunia nyata.

Mari kita simak penjelasan selengkapnya tentang bagaimana Infest Talk berhasil menjadi seminar nasional yang menginspirasi banyak orang dan membuka mata kita tentang pentingnya ML dalam era digital saat ini. Selamat membaca!

Acara

“The Future of Machine Learning” menjadi tema Infest Talk kali ini. Ide dari Machine Learning, sebagai bagian integral dari Inteligensi Buatan (AI), telah menjadi topik yang sangat populer dalam dunia IT. Dengan berbagai potensi yang dimilikinya, urgensi untuk membahas topik ini menjadi semakin penting. Oleh karena itu, melalui Infest Talk ini, kita berharap dapat memperdalam pemahaman kita tentang Machine Learning dan bagaimana kita dapat memanfaatkan teknologi ini untuk menciptakan masa depan yang lebih baik dan lebih cerdas Acara ini dilakukan secara hybrid, dengan peserta dan pemateri terbagi ke dalam Offline di Teater 2 Gedung Konferensi dan melalui Zoom Meeting. Event Infest Talk dibagi menjadi dua bagian, yaitu Seminar Nasional di pagi hari dan Infest Talk yang berlanjut di siang hari. Seminar Nasional berfokus pada pemahaman mendalam dan menyeluruh mengenai konsep Machine Learning dan penerapannya yang dijelaskan oleh para ahli. Sedangkan, Infest Talk adalah kegiatan diskusi yang membahas isu-isu Machine Learning dari sudut pandang akademisi dan praktisi.

Seminar Nasional

Kegiatan seminar nasional dimoderatori oleh dosen jurusan Sistem Informasi, pak Dian Prawira.

Sesi Pertama: fase materi oleh Prof. Saiful Bukhori

Materi sesi pertama dibawakan secara daring oleh narasumber, Prof. Dr. Saiful Bukhori. Pengalaman beliau dalam penelitian yang luas dalam Machine Learning, termasuk penelitian tentang aplikasi deteksi cepat kemurnian susu dengan Machine Learning, desain dan konstruksi graf, serta penerapan graf spasial temporal dengan pewarnaan anti-magic rainbow.

Prof Saiful menceritakan sejarah ML, sebagai bagian dari AI, adalah bidang yang berkembang pesat sejak tahun 90an. Studi tentang bagaimana kita dapat mempelajari pola dan hubungan antar data. Machine Learning berfokus pada algoritma dan mendapatkan wawasan dari data. Dari Neural Network, kita beralih ke Deep Learning, yang merupakan perkembangan lanjutan dari Neural Network. Perkembangan Machine Learning berjalan seiring dengan perkembangan data. Tujuannya adalah untuk menemukan solusi terbaik dari model terbaik. 

Pada perkembangan aplikasi Deep Learning. Pertama, kita perlu memahami bagaimana mendesain model. Machine Learning dapat membantu kita menginterpretasikan data dengan baik, terutama karena jumlah data yang sangat besar dan sulit untuk ditafsirkan oleh manusia. Membuat model tergantung pada data yang diolah (dipelajari). Tujuannya adalah menemukan solusi untuk masalah baru dengan data baru yang diperoleh. Karena ML biasanya dilakukan dengan supervisi. Dalam konteks ini, kita mencari anomali. Misalnya, konteks penyakit, ada anomali yang perlu dideteksi. AI juga digunakan dalam mendeteksi data palsu dan penipuan (fraud) pada bank. Kolaborasi menjadi penting dalam hal ini.

Sesi Pertama : Fase Pertanyaan

Pak Dian mengajukan pertanyaan yang seringkali menjadi dilema bagi mahasiswa: “Algoritma atau model Machine Learning mana yang terbaik untuk digunakan dalam riset?” Jawaban yang diberikan oleh profesor cukup jelas, “Untuk itu, kita perlu memahami data apa yang ingin dipelajari. Misalnya, dalam memahami anomali perbankan, kita perlu memahami pola objek, dari situ dapat ditentukan algoritma atau model yang cocok. artinya ML akan bekerja dengan baik apabila kita tau objek data yang ingin dipelajari.”

Restu (mahasiswa Sisfo”22) kemudian menyinggung tentang penelitian Ilmu Komputer yang masih menggunakan metode tradisional. Profesor menjawab, “Bagaimana kita mengubah metode, berdasarkan niatan. Jika kita datang ke kampus dengan niat dan kebiasaan yang sesuai. Selayaknya metode yang kita pakai dalam kuliah. maka, kita mungkin akan memakai metode yang sesuai dalam penelitian nanti.”

Mery (mahasiswa Sisfo”22), yang tampaknya penasaran dengan berbagai jenis Machine Learning, bertanya, “Menurut Bapak, yang mana satu paling menarik?” Profesor menjawab, “Sebenarnya, tidak ada yang lebih bagus, itu semua berdasarkan data dan pola apa yang didapat. Namun, model Agent-Based akan lebih dinamis dalam menyelesaikan masalah. Misalnya, proses kelompok semut dalam mencari makanan mirip dengan algoritma Reinforcement Learning yang menggunakan agent. Namun, kembali lagi, semua tergantung dari data apa yang dipakai dan objek data yang dipelajari.”

Tedrik (mahasiswa Sisfo”23), dengan pertanyaan yang lebih teknis, bertanya, “Bagaimana Anda memilih alat dan tujuan yang tepat, dan bagaimana Anda mengintegrasikan dengan baik dengan metode penelitian?” Profesor menjawab, “Pahami dulu library yang akan digunakan. Saya teringat pemrograman C dan C++, karena instruksi tidak akan dijalankan kecuali di-include. Jadi, sebaiknya kenali arsitektur terlebih dahulu sebelum memilih alat dan tujuan penelitian.” Diskusi ini menunjukkan betapa pentingnya pemahaman mendalam tentang Machine Learning dan bagaimana memilih alat dan metode yang tepat dalam penelitian.

Sesi Kedua : Fase Materi oleh Prof. Herry Sujaini

Pemateri 2: Prof. Herry Sujaini, S. T., M. T., seorang Dosen Informatika di Fakultas Teknik dan juga menjabat sebagai Wakil Ketua Indonesia Association for Computational Linguistics.

Profesor Herry Sujaini membuka diskusi dengan pertanyaan penting: “Apa bedanya AI, ML, dan Deep Learning?” Beliau melakukan demonstrasi sederhana tentang bagaimana mesin belajar. Misalnya, menunjukkan 1 jari berarti A, 2 jari berarti B, 3 jari berarti A, dan 5 jari berarti A. Semua ini terlihat mudah ketika menggunakan satu tangan. Namun, ketika menggunakan dua tangan, penonton belajar bahwa akumulasi menjadi 4 jari berarti B. Proses ini mengubah Machine Learning menjadi memiliki kecerdasan, yang dalam fase ini dapat disebut bentuk dari AI. Deep Learning adalah proses Machine Learning yang lebih kompleks dengan banyak data.

Profesor juga menjelaskan tentang Chat-GPT (Generate, Pre-trained, Transform) dalam konteks Machine Learning dan bagaimana teknologi ini digunakan dalam pembuatan skripsi. Jika data diberikan label, maka prosesnya disebut supervised learning, jika tidak, prosesnya menjadi unsupervised learning. Sebagai contoh, data yang dikumpulkan dapat dikelompokkan (cluster) dengan algoritma tertentu.

Chat-GPT sebagai bentuk Reinforcement Learning adalah bentuk umpan balik, yang mempelajari dari kesalahan sebelumnya. Salah satu penggunaan unik dari Machine Learning adalah dalam penerjemahan bahasa. Banyak mahasiswa yang membuat skripsi dibantu oleh Machine Learning untuk menerjemahkan bahasa daerah yang mereka sendiri tidak mengerti. Karena Machine Learning hanya perlu diberikan data bahasa dan terjemahannya tanpa perlu menjelaskan struktur kalimat secara detail, Machine Learning bisa mempelajarinya sendiri.

Data menjadi hal yang paling penting dalam pengembangan Machine Learning. Semakin banyak data, semakin presisi hasilnya. Oleh karena itu, mahasiswa perlu memanfaatkan potensi Big Data yang ada. Sebagai contoh, data dari SIAKAD dapat digunakan untuk riset atau skripsi.

Salah satu judul skripsi yang sering dipilih oleh mahasiswa adalah riset Sentimen Analisis, yang berkaitan dengan bagaimana pandangan (emosi) orang banyak terhadap isu tertentu. Riset ini relatif mudah karena data yang biasa digunakan berasal dari media sosial. Data tersebut dilabeli sehingga prosesnya menjadi supervised learning.

Bagaimana mulai belajar Machine Learning? Profesor menyarankan untuk mulai dari bergabung dengan komunitas. Ada banyak komunitas di internet yang menyediakan Dataset, Model, dan algoritma pemrograman, sehingga tidak perlu terlalu mendalami pemrograman. Bahkan, ada kursus yang tersedia untuk mahasiswa yang ingin mencari referensi penelitian yang bisa dijadikan referensi skripsi.

Sesi Kedua : Fase Pertanyaan

Dalam dunia teknologi informasi, istilah Data Mining dan Machine Learning sering kali digunakan. Namun, apakah kedua istilah ini berbeda?

Data Mining berarti proses penggalian data yang berguna dari kumpulan data yang besar. Sedangkan Machine Learning berarti proses menemukan pola atau pengetahuan yang sudah ada dalam data. Meskipun Machine Learning sering digunakan dalam proses Data Mining, Machine Learning memiliki cakupan yang lebih luas dan menjadi bagian utama yang disisipi oleh Data Mining sebagai salah satu pembahasannya.

Bagaimana peran etika dan keamanan data dari machine learning dalam mengumpulkan informasi pribadi seseorang?

Etika dan keamanan data menjadi perhatian utama dalam penggunaan Machine Learning, terutama dalam mengumpulkan informasi pribadi seseorang. Jika menggunakan data pribadi, perlu meminta izin dari pemilik data tersebut, kecuali data tersebut sudah tersedia secara public. Praktik seperti peretasan data pribadi dianggap melanggar hukum dan etika. Bahkan dalam konteks pembuatan paper ilmiah, kita perlu memberikan sitasi dari sumber data yang digunakan.

Perbandingan kinerja deep learning pada analisis sentimen, apakah Algoritma GPT dapat digunakan dalam analisis sentimen, dan bagaimana saran terhadap penelitian terkait?

Analisis sentimen adalah salah satu aplikasi dari Machine Learning, khususnya Deep Learning. Algoritma GPT dapat digunakan dalam analisis sentimen. Proses ini lebih kepada bagaimana kita melakukan penyesuaian atau ‘fine tuning’ terhadap model yang sudah ada.

Bagaimana labeling untuk teks yang didapat di sosial media yang memiliki kalimat satire?

Satu tantangan dalam analisis sentimen adalah bagaimana melakukan pelabelan untuk teks yang didapat dari media sosial yang memiliki kalimat satire. Dalam hal ini, kita bisa memberikan label ‘satire’ pada teks tersebut. Jangan takut untuk mengubah label satire menjadi label tertentu jika diperlukan. Jika perlu meneliti sentimen untuk data satire, data tersebut bisa dibagi ke dalam sub-label sehingga mendapatkan kesimpulan tertentu, atau bahkan tambahkan saja label satire.

Dengan demikian, Machine Learning memberikan banyak peluang dan tantangan dalam berbagai aspek, mulai dari pemilihan algoritma, etika dan keamanan data, hingga pelabelan data. Seiring dengan perkembangan teknologi, kita perlu terus belajar dan beradaptasi dengan berbagai perubahan dan inovasi dalam bidang ini.

Infest Talk

Kegiatan Infest Talk kali ini dimoderatori oleh Navila Natasyahrani, seorang mahasiswa Program Studi Sistem Informasi angkatan 2021. Dalam sesi ini, Pak Fitri, seorang akademisi, hadir sebagai pemateri.

Pak Fitri memulai dengan memberikan pengertian tentang Machine Learning (ML). Menurutnya, ML adalah cabang dari Artificial Intelligence (AI) yang memungkinkan komputer belajar dari data tanpa perlu diprogram secara spesifik. Beliau juga membahas keterkaitan ML dengan berbagai bidang ilmu dan bagaimana proses pembuatan ML, yang melibatkan tahapan seperti pengumpulan data, penambangan data, seleksi data, pemrosesan data, pemilihan algoritma terbaik, seleksi model, dan akhirnya aplikasi dari model tersebut.

Pak Fitri menekankan bahwa penerapan pembelajaran mesin sangat luas, salah satunya adalah dalam pengembangan game. Beliau juga memberikan ilustrasi proses ML, dimana input data dilatih untuk menghasilkan model, model tersebut kemudian diterapkan algoritma untuk membuat prediksi, dan hasil prediksi tersebut dievaluasi. Beliau juga menjelaskan empat jenis teknik pembelajaran dalam ML, yaitu pembelajaran dengan data yang disertai target, pembelajaran dengan data yang tidak disertai target, pembelajaran dengan penggabungan data, dan pembelajaran dengan observasi aksi dan lingkungan.

Pak Fitri juga membahas perkembangan terkini dalam ML, termasuk penelitian yang dilakukan oleh dosen dan mahasiswa menggunakan Chat GPT. Beliau juga membahas berbagai penerapan ML, seperti pengenalan suara, wajah, proses gambar, dan pengolahan gambar. Menurut beliau, manfaat utama ML adalah memudahkan berbagai proses, meningkatkan efisiensi, dan mendorong inovasi. Namun, beliau juga menekankan bahwa ML memiliki dampak negatif, seperti masalah akses, keamanan, etika, dan tanggung jawab.

Pak Fitri juga membahas berbagai tantangan dan solusi dalam penggunaan ML, seperti kualitas data, privasi, skala, dan ketergantungan. Beliau juga membahas peluang karir dalam bidang ML.

Dalam sesi tanya jawab, Pak Fitri dan Bg Kamel, seorang praktisi, berbagi sudut pandang mereka tentang definisi dan penerapan ML. Mereka juga membahas teknologi ML yang sedang tren di kalangan praktisi dan akademisi, serta penerapan ML yang seringkali tidak disadari oleh masyarakat. Mereka juga membahas manfaat dan dampak positif dan negatif dari ML terhadap masyarakat, serta berbagai cerita dan penerapan tentang ML. Mereka juga membahas tantangan dalam membangun fitur ML dan pengalaman mereka dalam penerapan ML.

Dalam sebuah diskusi yang menarik, Febriola, seorang mahasiswa dari Bina Sarana Informatika, Jurusan Sistem Informasi Akuntansi, bertanya apakah penerapan Machine Learning (ML) bisa digunakan dalam keadilan sosial. Pak Fitri, seorang akademisi, menjawab bahwa segala sesuatu tentang Chat GPT harus digunakan dengan etika dan kita perlu selektif dalam mengambil data. Kamel, seorang praktisi, menambahkan bahwa algoritma ML belajar berdasarkan aturan yang diberikan. Jadi, jika tujuannya untuk meningkatkan keadilan sosial, pembuat bisa merancang algoritma untuk itu. Namun, banyak faktor yang menentukan keberhasilannya, karena keadilan sosial adalah hal yang umum.

Dimas Supandi kemudian mengajukan pertanyaan tentang bagaimana mengurangi ketergantungan manusia terhadap AI, mengacu pada film Wall-E. Kamel menyarankan bahwa AI tidak harus digunakan sebagai pengganti, melainkan sebagai alat. Fitri menambahkan bahwa kita akan tetap menggunakan AI di masa depan, dan untuk mengurangi ketergantungan, kita perlu mengelola diri sendiri.

Febrianto kemudian bertanya tentang roadmap ML untuk pemula yang baru masuk ke bidang ini sehingga bisa menjadi profesional. Fitri menyarankan untuk memulai dengan banyak membaca dan mengetahui apa yang ingin dipelajari. Kamel menambahkan bahwa kita perlu tahu kebutuhan kita, karena ada banyak turunan dari ML. Salah satu tujuan bisa menjadi prompt engineer, sebagai orang yang membuat teks Chat GPT. Dia menekankan pentingnya memasukkan data yang akan dilatih di awal dan kemudian menentukan tujuan selanjutnya. Intinya, sebelum melakukan apa pun, kita harus menentukan tujuan kita terlebih dahulu. Diskusi ini menunjukkan betapa pentingnya pemahaman mendalam tentang ML dan bagaimana memilih alat dan metode yang tepat dalam penelitian.

Kredit

…Terima kasih kepada 64 orang panitia yang telah bekerja keras dalam menyiapkan acara ini. …Ucapan terima kasih kami sampaikan kepada sponsor (Maxim, Gaia, Jaya Abadi, dan Ayani Megamall) atas dana yang telah diberikan. …Terima kasih kepada para peserta, dewan juri, narasumber, dan tamu atas partisipasinya. …Terima kasih kepada semua pihak yang terlibat. Sampai jumpa di Infest 2025 🤩🤗😎 

*Artikel ini diparafrase oleh AI Bing.