Editorial Ilmu Komputer & AI
Open AccessOA2024
Pendekatan hibrida untuk optimasi dan metode machine learning: tinjauan literatur sistematis
Tinjauan literatur sistematis ini menganalisis metode hibrida yang mengintegrasikan teknik optimasi dan machine learning untuk mengatasi keterbatasan masing-masing dalam clustering dan klasifikasi. Kajian ini menyajikan gambaran bibliometrik, tinjauan state-of-the-art, dan analisis SWOT terhadap sepuluh algoritma paling banyak dikutip, serta mengidentifikasi peluang bagi pendekatan hibrida.
Beatriz Flamia Azevedo; Ana Maria A. C. Rocha; Ana I. Pereira· Machine-mediated learning· 2024· DOI 10.1007/s10994-023-06467-x
Masalah inti
Masalah dunia nyata semakin kompleks sehingga menuntut model dan algoritma canggih yang mampu menangani dataset besar secara efisien dan menemukan solusi optimal. Namun, tidak ada satu metode atau algoritma pun yang sempurna; masing-masing memiliki keterbatasan yang dapat dikurangi atau dihilangkan dengan menggabungkan metodologi yang berbeda. Algoritma hibrida diharapkan memanfaatkan kekuatan optimasi dan machine learning sekaligus untuk menciptakan metodologi terintegrasi yang lebih efisien. Makalah ini menyajikan tinjauan literatur sistematis dan bibliometrik yang ekstensif mengenai metode hibrida yang melibatkan teknik optimasi dan machine learning untuk clustering dan klasifikasi. Tujuannya adalah mengidentifikasi potensi metode dan algoritma untuk mengatasi kesulitan salah satu atau kedua metodologi ketika digabungkan. Setelah menjabarkan metode optimasi dan machine learning, disajikan gambaran numerik karya yang diterbitkan sejak 1970, diikuti tinjauan state-of-the-art mendalam selama tiga tahun terakhir. Analisis SWOT terhadap sepuluh algoritma paling banyak dikutip dari basis data yang terkumpul menyelidiki kekuatan dan kelemahan algoritma murni serta menyoroti peluang dan ancaman yang dieksplorasi melalui metode hibrida. Penyelidikan ini menyoroti karya dan temuan penting yang melibatkan metode hibrida dalam clustering dan klasifikasi serta menunjukkan kesulitan metode murni yang dapat diperkuat melalui inspirasi dari metodologi lain—metode hibrida.
Inovasi
Metodologi tinjauan mengikuti pendekatan sistematis: pencarian literatur yang komprehensif mengenai metode hibrida yang menggabungkan optimasi dan machine learning untuk clustering dan klasifikasi telah dilakukan. Para penulis melakukan analisis bibliometrik untuk memberikan gambaran numerik publikasi sejak 1970, mengidentifikasi tren dan kontributor utama. Selanjutnya, tinjauan state-of-the-art mendalam yang berfokus pada tiga tahun terakhir dilakukan untuk menangkap kemajuan terkini. Analisis SWOT dilakukan terhadap sepuluh algoritma paling banyak dikutip dari basis data yang terkumpul, memeriksa kekuatan dan kelemahannya dalam bentuk murni serta peluang dan ancaman yang muncul ketika dihibridisasi. Pendekatan terstruktur ini memungkinkan penilaian yang ketat terhadap lanskap saat ini dan arah masa depan metode hibrida.
Pendahuluan
Masalah dunia nyata semakin kompleks sehingga menuntut model dan algoritma canggih yang mampu menangani dataset besar secara efisien dan menemukan solusi optimal. Namun, tidak ada satu metode atau algoritma pun yang sempurna; masing-masing memiliki keterbatasan yang dapat dikurangi atau dihilangkan dengan menggabungkan metodologi yang berbeda. Algoritma hibrida diharapkan memanfaatkan kekuatan optimasi dan machine learning sekaligus untuk menciptakan metodologi terintegrasi yang lebih efisien. Makalah ini menyajikan tinjauan literatur sistematis dan bibliometrik yang ekstensif mengenai metode hibrida yang melibatkan teknik optimasi dan machine learning untuk clustering dan klasifikasi. Tujuannya adalah mengidentifikasi potensi metode dan algoritma untuk mengatasi kesulitan salah satu atau kedua metodologi ketika digabungkan. Setelah menjabarkan metode optimasi dan machine learning, disajikan gambaran numerik karya yang diterbitkan sejak 1970, diikuti tinjauan state-of-the-art mendalam selama tiga tahun terakhir. Analisis SWOT terhadap sepuluh algoritma paling banyak dikutip dari basis data yang terkumpul menyelidiki kekuatan dan kelemahan algoritma murni serta menyoroti peluang dan ancaman yang dieksplorasi melalui metode hibrida. Penyelidikan ini menyoroti karya dan temuan penting yang melibatkan metode hibrida dalam clustering dan klasifikasi serta menunjukkan kesulitan metode murni yang dapat diperkuat melalui inspirasi dari metodologi lain—metode hibrida.
Mengapa penting
Tinjauan ini menegaskan potensi metode hibrida untuk mengatasi keterbatasan teknik optimasi dan machine learning secara individual. Dengan menggabungkan metodologi, algoritma hibrida dapat mencapai kinerja yang lebih baik dalam hal kualitas solusi, kecepatan konvergensi, dan ketahanan. Namun, perancangan metode hibrida yang efektif memerlukan pertimbangan cermat terhadap keseimbangan antara eksplorasi dan eksploitasi, biaya komputasi, dan karakteristik spesifik masalah. Analisis SWOT menyediakan kerangka untuk memahami kapan dan bagaimana melakukan hibridisasi, sehingga membimbing peneliti dan praktisi. Arah penelitian masa depan mencakup pengembangan strategi hibrida adaptif, integrasi deep learning dengan optimasi, dan penanganan skalabilitas untuk big data. Para penulis menyimpulkan bahwa metode hibrida merupakan jalur yang menjanjikan untuk menangani masalah dunia nyata yang kompleks dalam clustering dan klasifikasi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…