Hasil Pencarian  ::  Simpan CSV :: Kembali

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Pemanfaatan Artificial Intelligence (AI) terutama Machine Learning (ML) semakin banyak ditemui dalam berbagai hal termasuk pengambilan keputusan. Hal ini menimbulkan kebutuhan untuk memperoleh explanation dari prediksi model ML sebagai akuntabilitas dan kepercayaan terhadap sistem AI. Penelitian ini menggunakan abduction yang terdapat pada pendekatan logika untuk memperoleh minimal explanations yang valid secara formal dari suatu prediksi model Artificial Neural Network (ANN) berbasiskan Rectified Linear Unit (ReLU). Peneli-tian ini melakukan implementasi terhadap algoritma subset-minimal dan algoritma cardinality-minimal yang telah ada sebelumnya. Selain itu, penelitian ini mengajukan algoritma randomized-subset-minimal sebagai bentuk pengembangan dari kedua algoritma. Eksperimen menunjukkan bahwa algoritma randomized-subset-minimal dapat menghasilkan explanation dengan ukuran yang lebih kecil daripada algoritma subset-minimal, dengan waktu komputasi yang jauh lebih efisien daripada algoritma cardinality-minimal.Abstrak Berbahasa Inggris:

---

Artificial Intelligence (AI), especially Machine Learning (ML) is prevalent today in many donations, including for decision making. It raises the need for explanations of predictions by ML models to guarantee the accountability and trust of the AI system. This research exploits abduction from logic for obtaining minimal explanations of predictions by Artificial Neural Network (ANN) with rectifier activation function. This research implements both subset-minimal and cardinality-minimal algorithms for finding those explanations. Furthermore, this research proposes randomized subset-minimal algorithm for improving the algorithms. The experiment shows that the proposed algorithm is able to give explanations with a smaller size than the subset-minimal algorithm with computation time that much efficient than the cardinality-minimal algorithm.

"

"Causality berperan penting dalam menjelaskan hubungan causal pada kehidupan seharihari. Causality terbagi menjadi dua gagasan, yakni general causality untuk hubungan sebab-akibat dan actual causality untuk accountability suatu kejadian. Terdapat beberapa upaya untuk memodelkan actual causality secara formal, salah satunya adalah pemodelan menggunakan causal calculus yang diperkenalkan oleh Bochman, walaupun tidak dijelaskan bagiamana pemodelan ini diimplementasikan secara konkret. Dalam tugas akhir ini, dirancang sebuah pemodelan actual causality dalam pemrograman logika menggunakan suatu pengembangan dari abduction, yaitu contextual abduction. Abduction adalah sebuah penalaran yang mana seseorang mengambil penjelasan terbaik dari semua kemungkinan penjelasan sehingga masuk akal dalam menjelaskan suatu observasi. Contextual abduction adalah pengembangan dari abduction yang mana dapat menerima konteks masukan untuk mencari penjelasan yang sesuai dengan konteks. Pemodelan actual causality dengan contextual abduction ini diimplementasikan menggunakan TABDUAL oleh Saptawijaya dan Pereira menjadi suatu prototipe, yang dapat melakukan pencarian actual cause. Prototipe ini diuji terhadap berbagai contoh yang menggambarkan kasus permasalahan actual causality yang mengkonfirmasi hasil pemodelan dengan causal calculus oleh Bochman.

---

Causality has a big role in explaining causal relationships in a daily life. Causality is split into two notions, general causality, which describes relationships between cause and effect, and actual causality, which describes accountability of a certain event. There are a few attempts to formally represent actual causality, one of which uses causal calculus, introduced by Bochman, although it is not explained how to concretely implement this representation. In this final project, a formal representation of actual causality is formulated in logic programming using an extension of abduction, viz., contextual abduction. Abduction is a type of reasoning in which one picks the best explanation from all possible explanations such that it explains a given observation. Contextual abduction is an extension of abduction that takes into account an input context and find an explanation that is suitable to the context. This representation of actual causality with contextual abduction is implemented with TABDUAL of Saptawijaya and Pereira into a prototype that is able to search for actual causes. This prototype is tested against various examples that illustrate actual causality problems, confirming Bochman’s formal representation through causal calculus."