NAMA : AJI HARYO SHOKO
KELAS: 17.5C.11
NIM : 17230913
1. Jelaskan peran matematika dalam machine learning ( minimal 300 kata )
Peran Matematika dalam Machine Learning
Matematika merupakan fondasi yang sangat fundamental dalam machine learning dan data
science. Tanpa pemahaman matematika yang memadai, kita akan kesulitan memahami bagaimana
model bekerja, mengapa model memberikan hasil tertentu, dan bagaimana cara memperbaiki
kesalahan yang terjadi. Setiap algoritma dalam machine learning pada dasarnya adalah
implementasi dari konsep-konsep matematika yang telah diterjemahkan ke dalam kode komputer.
Tiga Pilar Matematika dalam Machine Learning
Pertama, Aljabar Linear berperan sebagai bahasa untuk merepresentasikan data. Dalam
praktiknya, semua jenis data—baik itu teks, gambar, audio, maupun data tabular—dikonversi
menjadi bentuk numerik berupa vektor, matriks, atau tensor. Misalnya, sebuah gambar digital
sebenarnya adalah matriks angka yang merepresentasikan intensitas pixel. Operasi-operasi dalam
algoritma machine learning seperti perkalian matriks, transformasi linear, dan dekomposisi matriks
semuanya berakar dari aljabar linear. Teknik pengurangan dimensi seperti PCA juga menggunakan
konsep eigenvektor dan eigenvalue untuk menyederhanakan data kompleks.
Kedua, Kalkulus menjadi kunci dalam proses pelatihan model. Tujuan utama pelatihan adalah
menemukan parameter optimal yang meminimalkan kesalahan prediksi. Proses ini dilakukan
melalui optimasi menggunakan Gradient Descent, yang mengandalkan perhitungan turunan
(derivative) untuk mengetahui arah perubahan parameter. Dalam neural network yang kompleks,
Backpropagation menggunakan aturan rantai dari kalkulus untuk menghitung gradien secara efisien
di setiap lapisan. Tanpa kalkulus, kita tidak bisa melakukan proses pembelajaran pada model.
Ketiga, Statistika dan Probabilitas memberikan kerangka kerja untuk menangani ketidakpastian
dan membuat inferensi dari data. Banyak algoritma seperti Naive Bayes, Regresi Logistik, dan
Hidden Markov Models dibangun berdasarkan teori probabilitas. Statistika juga penting dalam
evaluasi model—metrik seperti precision, recall, dan confidence interval semuanya berbasis
statistik. Konsep bias-variance tradeoff membantu kita memahami mengapa model underfitting atau
overfitting.
Secara keseluruhan, matematika bukan sekadar alat pendukung, tetapi merupakan inti dari
machine learning. Pemahaman matematika yang baik memungkinkan praktisi untuk tidak hanya
menggunakan library yang sudah ada, tetapi juga mengembangkan solusi baru, men-debug model
dengan efektif, dan membuat keputusan yang tepat dalam pemilihan dan tuning algoritma.