BINUS Book Review - Dasar-Dasar Menginterpretasikan Model Machine Learning

Machine learning telah membuat kemajuan luar biasa di dalam beberapa tahun terakhir antara lain menghasilkan model yang secara akurat dapat mengenali objek dan lokasinya di dalam sebuah gambar, menterjemahkan bahasa, mengenali penyimpangan dari kejadian yang umum (anomaly), dan bahkan mengalahkan juara dunia dalam permainan seperti catur dan Go. Kemajuan ini telah merevolusi banyak industri mulai dari pendidikan dan keuangan hingga perawatan kesehatan dan hiburan. Namun, karena model machine learning yang dipergunakan menjadi semakin kompleks maka model menjadi semakin sulit untuk dipahami dan diinterpretasikan. 

Machine learning yang dapat ditafsirkan (Interpretable Machine Learning) adalah sebuah cabang dari ilmu Kecerdasan Artifisial (Artificial Intelligence) yang berupaya mengatasi tantangan ini. Dengan merancang model yang menghasilkan tidak hanya hasil prediksi yang akurat, tetapi juga penjelasan tentang bagaimana hasil prediksi tersebut diperoleh, peneliti membuat machine learning yang lebih transparan, dapat dipercaya, dan lebih tahan terhadap berbagai serangan terhadap model machine learning yang bertujuan untuk merusak kinerja dan integritas model. 

Buku ini dimaksudkan untuk memberikan pengantar yang komprehensif ke dalam bidang machine learning yang dapat ditafsirkan. Isi dari buku ini mencakup beberapa konsep dasar dan teknik terbaru untuk merancang dan menafsirkan model machine learning. Penulis berharap buku ini akan menjadi referensi yang berharga bagi para 

vi 

Dasar-Dasar Menafsirkan Model Machine Learning 

Dan Implementasinya Menggunakan Python 

peneliti, praktisi, dan mahasiswa yang tertarik untuk mengembangkan machine learning yang berkinerja tinggi, lebih mudah dipahami, dan bermanfaat bagi semua orang. 

Isi buku ini dibagi ke dalam tiga bagian. Bagian I memberikan paparan mengenai beberapa konsep dasar termasuk definisi machine learning, teknik pembelajaran machine learning, transparansi dan interpretabilitas model, kategori model yang dapat ditafsirkan, dan taksonomi metode interpretasi model. Bagian II menjelaskan beberapa teknik khusus untuk menginterpretasikan model yang dapat ditafsirkan langsung tanpa model pembantu (surrogate model). Terakhir, Bagian III membahas beberapa metode interpretasi model-agnostic untuk membuat interpretasi model secara lokal maupun global tanpa tergantung kepada arsitektur model. 

Buku ini dimaksudkan agar dapat dibaca oleh para pembaca dengan latar belakang pemula di bidang machine learning, tetapi juga memberikan detail teknis bagi mereka yang ingin mendalami topik tertentu dengan lebih mendalam. 

Kami ingin mengucapkan terima kasih kepada semua kontributor buku ini atas kerja keras dan dedikasi mereka. Kami berharap buku ini akan membantu menginspirasi dan menginformasikan generasi peneliti machine learning yang dapat ditafsirkan berikutnya, dan berkontribusi pada masa depan di mana machine learning tidak hanya akurat, tetapi juga transparan dan akuntabel. 

Bagi pembaca yang membutuhkan pemahaman mengenai dasar-dasar pendekatan machine learning disarankan untuk membaca terlebih dahulu buku berjudul “The Elements of Statistical Learning: Data Mining, Inference, and Prediction” (Hastie et al. 2009) dan “Dive into Deep Learning” (Zhang et al. 2021).