Abstract:
Bidang pembelajaran mesin atau machine learning (ML] telah mengalami kemajuan signifikan
namun keahlian yang diperlukan untuk membangun dan mengoptimalkan model ML tetap
menjadi hambatan bagi banyak pengguna khususnya yang bukan informatikawan. Sistem Pem-
belajaran Mesin Otomatis (AutoML) bertujuan untuk mempermndah akses ke ML dengan
mengotomatisasi beberapa proses penerapan ML pada masalah dunia nyata. Skripsi ini menya-
jikan studi eksplorasi tentang sistem AutoML H20, PyCaret, dan AutoGluon dengan fokus pada
kinerrja, kecepatan, dan aplikasi praktienya.
Skripst dimulat dengan tinjanan mengenat sistem AutoML H2O, PyCaret, dan AutoGluon
dengan mengkaji ide dasar, keunggulan, dan keterbatasannya. Skripsi kemudian dilanjutkan
dengan melakukan serangkaian eksperimen untuk mengevaluasi sistem-sistem ini pada berbagai
dataset dan membandingkan kinerjanya dengan model ML yang dibuat secara mamal. Metrik
utama seperii performa, waktu komputasi, dan kemudahan penggunaan dianalisis untuk menilai
efektivitas solusi AutoML. Hasil dari eksplorasi AutoML H2O, PyCaret, dan AutoGluon me-
mmjukkan bahwa kutiga AutoMI. tersebnt nndah digunakan dan menghasilkan model dengan
kualitas yang setara dengan teknik manual.
Pada tahap pemanfaatan sistem AutoML diterapkan pada data dunia nyata untuk menye-
lesaikan masalah kompleks tepatnya pada teks berita politik. Hasilnya menunjukkan potensi
AntoML untuk mengurangi waktu dan keahlian yang dibutuhkan dalam mengembangkan model
berkinerja tinggi pada data tidak terstruktur. Hasil dari pembuatan model menunjukkan bahwa
AutoML H2O, PyCaret, dan AutoGluon mampu menghasilkan model dengan kualitas yang
sangat baik dengan metrik presisi di tingkat >80%. Di akhir skripsi juga dibnat beberapa
perangkat lunak untuk menguji tahap peluncuran model yang dihasilkan olch sistem AutoML
H2O, PyCaret, dan AutoGluon. Pengujian menunjukkan bahwa model-model tersebut dapat
diluncurkan dengan baik.
