Perpustakaan Digital ITB

Pembelajaran mesin menjadi topik yang hangat di kalangan masyarakat, peneliti, dan industri. Hal tersebut diakibatkan oleh manfaat yang didapatkan dari pembelajaran mesin dalam kehidupan sehari-hari dan permasalahan bisnis. Peranan penting pada perkembangan pembelajaran mesin didasari oleh salah satu cabang dari matematika, yaitu optimisasi. Optimisasi merupakan tulang punggung dari pembelajaran mesin, tetapi seiring dengan berjalannya waktu, metode optimisasi tradisional semakin ditinggalkan karena waktu komputasi yang lama. Permasalahan tersebut dapat diselesaikan dengan menggunakan metode optimisasi minibatch gradient descent, dimana parameter akan diupdate dengan mengambil subset dari data asli, sehingga untuk setiap iterasi tidak akan digunakan keseluruhan data yang harapannya akan mempercepat waktu komputasi. Mini-batch gradient descent memiliki waktu komputasi yang lebih cepat dibandingkan dengan metode tradisional, gradient descent. Metode optimisasi tersebut diaplikasikan pada algoritma k-means dan berdasarkan hasil evaluasi yang didapat, kedua metode optimisasi menghasilkan hasil clustering yang cukup mirip.