Studi eksplorasi dan pemanfaatan Sistem Automl

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.