Mengkaji Kemampuan Model Machine Learning dalam Mempertahankan Karakteristik Diferensial Fungsi Matematika Nonlinear

Mengkaji Kemampuan Model Machine Learning dalam Mempertahankan Karakteristik Diferensial Fungsi Matematika Nonlinear

SEMARANG, 22 September 2026 — Clarisa Yovanda Priliana, mahasiswa Program Studi Magister Matematika, Departemen Matematika, Fakultas Sains dan Matematika, Universitas Diponegoro, berkesempatan mempresentasikan hasil penelitiannya dalam National Seminar of the Malaysian Institute of Statistics (ISMy) XIX 2026 yang diselenggarakan pada 21 September 2026 di Kulliyyah of Engineering, International Islamic University Malaysia (IIUM), Gombak, Selangor, Malaysia.

Seminar tersebut mengangkat tema “Bridging Theory and Practice in Statistical Research” dan diselenggarakan oleh Institut Statistik Malaysia (ISMy) bekerja sama dengan IIUM. Kegiatan ini mempertemukan akademisi, peneliti, dan praktisi dari berbagai institusi untuk membahas perkembangan penelitian statistika dan data science serta memperluas jejaring akademik internasional.

Dalam sesi presentasi paralel, Clarisa memaparkan penelitian berjudul “Post-Hoc Differential Fidelity Evaluation of Machine Learning Models on Nonlinear Mathematical Functions.” Penelitian ini mengkaji tiga model machine learning, yaitu Random Forest (RF), Support Vector Regression dengan Radial Basis Function kernel (SVR-RBF), dan Multi-Layer Perceptron dengan aktivasi Tanh (MLP-Tanh) dalam mengaproksimasi fungsi matematika nonlinear.

Penelitian menggunakan fungsi matematika nonlinear sebagai benchmark untuk menguji kemampuan beberapa model machine learning dalam melakukan aproksimasi. Evaluasi tidak hanya melihat kedekatan nilai prediksi dengan fungsi asli, tetapi juga mempertimbangkan karakteristik matematis berupa perubahan dan kelengkungan fungsi. Hasil penelitian menunjukkan bahwa akurasi prediksi tidak selalu mencerminkan kemampuan model dalam mempertahankan karakteristik matematis fungsi. Seiring meningkatnya kompleksitas fungsi nonlinear, model menghadapi tantangan yang lebih besar dalam mempertahankan karakteristik tersebut.

“Presentasi pada forum internasional ini memberikan kesempatan untuk mendapatkan perspektif baru mengenai evaluasi model machine learning, khususnya dalam melihat kemampuan model tidak hanya dari akurasi prediksi, tetapi juga dari kemampuannya mempertahankan karakteristik diferensial suatu fungsi,” ujar Clarisa

Keikutsertaan dalam forum internasional ini memberikan kesempatan bagi Clarisa untuk mempresentasikan kajian yang menghubungkan matematika, analisis numerik, dan machine learning, sekaligus berdiskusi dengan akademisi dan peneliti dari berbagai institusi. Penelitian ini menjadi salah satu bentuk pengembangan kajian matematika terapan dan komputasi, dengan memanfaatkan konsep fungsi, turunan, aproksimasi numerik, serta model machine learning untuk memahami sejauh mana suatu model mampu merepresentasikan karakteristik matematis dari fungsi nonlinear.

Mengkaji Kemampuan Model Machine Learning dalam Mempertahankan Karakteristik Diferensial Fungsi Matematika Nonlinear
Mengkaji Kemampuan Model Machine Learning dalam Mempertahankan Karakteristik Diferensial Fungsi Matematika Nonlinear