“Model-model Machine Learning mengungguli model-model statistika klasik. Pendekatan machine learning mampu memberikan performa yang lebih baik dalam memprediksi” papar Dr. Bagus Sartono dari IPB University pada Guest Lecture Interpretable Machine Learning: Membuka Kotak Hitam Model Machine Learning yang diselenggarakan secara daring oleh Kelompok Riset Data Science Jurusan Matematika FMIPA Universitas Jember (5/1). Lebih lanjut Dr. Bagus menjelaskan bahwa Machine learning memiliki kemampuan prediksi yang sangat memuaskan, namun prediksi saja tidak cukup. Oleh karena itu, perlu diketahui hal yang dilakukan oleh model-model machine learning. “Apa yang harus dikerjakan setelah mengetahui hasil prediksi? Penjelasan ini sangat penting. Jika kita mampu menjelaskan model yang digunakan, maka akan menambah keyakinan masyarakat tentang hasil prediksi.” jelas pria asli Kencong Kabupaten Jember ini.  Penjelasan akan model juga sangat bermanfaat bagi mereka yang berada pada posisi sebagai regulator untuk dijadikan acuan dalam mengambil kebijakan. Sehingga dibutuhkan kolaborasi antara manusia dan mesin untuk memberikan informasi secara menyeluruh.

Sebelumnya Ketua Jurusan Matematika FMIPA UNEJ Kusbudiono, S.Si., M.Si. dalam pembukaan acara menyampaikan bahwa kegiatan KeRis seperti kuliah tamu akan menambah update wawasan dengan semakin berkembangnya ilmu pengetahuan. Dr. Alfian Futuhul Hadi, S.Si., M.Si sebagai Koordinator KeRis Data Science (DSc) mengungkapkan kelompok riset DSc masih terus belajar tentang machine learning. “Kita terus belajar tentang machine learning seperti SVM, NBC, random forest dan sedang mengaplikasikannya ke dalam beberapa bidang” ungkapnya yang dalam acara ini juga sebagai moderator.

Dokumentasi Acara Guest Lecture DSc

Dr. Bagus Sartono juga menjelaskan model-model dalam machine learning memiliki kemampuan prediksi yang sangat baik, akan tetapi tidak mudah untuk diinterpretasikan. Untuk mengurai masalah itu, perlu dibuka cara kerja model-model dalam machine learning. “Diambil model yang interpretable, yang hasil prediksinya dikombinasikan dengan variable awal” jelasnya. Dengan menggunakan model-model machine learning akan menghasilkan interpretasi yang menjadi lebih mudah untuk dipahami. “Terdapat berbagai usulan teknik di beberapa literatur dan beberapa aplikasi untuk berikan interprestasi terhadap black box atau hasil prediksinya” tutupnya dihadapan 322 peserta guest lecture yang dilanjutkan dengan sesi diskusi.

Daftar Peserta Guest Lecture Interpretable Machine Learning