Editorial ilmu komputer
Open AccessOA2026
Machine Learning dalam Ilmu Komputer: Algoritma, Arsitektur, Aplikasi, dan Tren Penelitian yang Muncul
Makalah ini meninjau algoritma, arsitektur, dan aplikasi machine learning, serta menyoroti kemajuan terkini dalam deep learning, federated learning, edge AI, dan automated ML. Makalah ini juga membahas tantangan seperti bias data dan interpretabilitas, serta mengeksplorasi arah yang muncul seperti explainable AI dan quantum machine learning.
A. Pawar· International Journal For Multidisciplinary Research· 2026· DOI 10.36948/ijfmr.2026.v08i02.75254
Masalah inti
Machine learning (ML) telah menjadi landasan ilmu komputer dan kecerdasan artifisial modern. ML memungkinkan sistem komputer mempelajari pola dari dataset besar dan meningkatkan kinerja tanpa pemrograman eksplisit. Perkembangan terkini dalam deep learning, federated learning, edge AI, dan automated machine learning telah memperluas kemampuan sistem ML di berbagai industri seperti kesehatan, keuangan, keamanan siber, dan transportasi cerdas. Makalah ini memberikan tinjauan komprehensif atas algoritma, arsitektur, aplikasi, dan perkembangan penelitian machine learning dari 2023–2025. Makalah ini juga membahas tantangan seperti bias data, kompleksitas komputasi, dan interpretabilitas, serta mengeksplorasi arah penelitian yang muncul termasuk explainable AI, quantum machine learning, dan sistem AI berkelanjutan.
Inovasi
Makalah ini melakukan tinjauan komprehensif atas algoritma, arsitektur, aplikasi, dan perkembangan penelitian machine learning dari 2023–2025. Makalah ini menyintesis temuan dari literatur yang ada untuk memberikan gambaran umum tentang keadaan bidang saat ini. Tinjauan ini mencakup berbagai paradigma ML, termasuk deep learning, federated learning, edge AI, dan automated machine learning. Metodologi ini melibatkan analisis kemajuan terkini dan mengidentifikasi tantangan utama serta tren yang muncul. Makalah ini juga membahas implikasi dari perkembangan ini bagi berbagai industri dan arah penelitian.
Pendahuluan
Machine learning (ML) telah menjadi landasan ilmu komputer dan kecerdasan artifisial modern. ML memungkinkan sistem komputer mempelajari pola dari dataset besar dan meningkatkan kinerja tanpa pemrograman eksplisit. Perkembangan terkini dalam deep learning, federated learning, edge AI, dan automated machine learning telah memperluas kemampuan sistem ML di berbagai industri seperti kesehatan, keuangan, keamanan siber, dan transportasi cerdas. Makalah ini memberikan tinjauan komprehensif atas algoritma, arsitektur, aplikasi, dan perkembangan penelitian machine learning dari 2023–2025. Makalah ini juga membahas tantangan seperti bias data, kompleksitas komputasi, dan interpretabilitas, serta mengeksplorasi arah penelitian yang muncul termasuk explainable AI, quantum machine learning, dan sistem AI berkelanjutan.
Mengapa penting
Makalah ini membahas tantangan yang dihadapi machine learning, termasuk bias data, kompleksitas komputasi, dan interpretabilitas. Bias data dapat menyebabkan hasil yang tidak adil atau diskriminatif, terutama dalam aplikasi sensitif seperti kesehatan dan keuangan. Kompleksitas komputasi membatasi skalabilitas model ML, terutama dengan meningkatnya ukuran dataset dan parameter model. Interpretabilitas sangat penting untuk membangun kepercayaan dan memastikan akuntabilitas, terutama dalam keputusan berisiko tinggi. Arah penelitian yang muncul bertujuan mengatasi tantangan ini. Explainable AI (XAI) berupaya membuat model ML lebih transparan dan mudah dipahami. Quantum machine learning mengeksplorasi potensi komputasi kuantum untuk mempercepat algoritma ML. Sistem AI berkelanjutan berfokus pada pengurangan konsumsi energi dan dampak lingkungan dari ML. Arah ini diperkirakan akan membentuk masa depan penelitian dan aplikasi ML.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…