Kebenaran dalam Perspektif Filsafat Ilmu Pengetahuan dan Implementasi dalam Data Science dan Machine Leaning
DOI:
https://doi.org/10.23887/jfi.v5i2.42207Kata Kunci:
falsifikasi, demarkasi, machine learning, data science, pseudoscienceAbstrak
Perkembangan data science atau machine learning mengalami perkembangan yang sangat cepat. Perkembangan ini berpotensi menjadi suatu pseudoscience akibat proses pengumpulan, pemakaian algoritma serta proses pengolahan data yang tidak sesuai dengan standar baku penelitian. Machine learning adalah satu dari sekian teknik di bidang artificial intelligence (AI) yang memungkinkan suatu mesin untuk belajar mandiri. Beberapa implematasi machine learning seperti robot konsultan, pengoptimalan proses, penilaian kredit, bidang keamanan, serta pelayanan. Algoritma supervised learning merupakan salah satu yang sering dipakai pada bidang data science. Penerapan algoritma supervised learning dalam dunia data science bisa terjebak menjadi pseudoscience akibat adanya kesalahan dalam pemakaian dan pengolahan data pada penelitian. Solusi untuk menghindarinya adalah dengan menerapkan konsep epistemologi Karl Popper yaitu berkaitan dengan falsifikasi sains untuk menyelesaikan persoalan demarkasi. Untuk memperkuatnya dapat juga menggunakan prinsip 4 teori kebenaran yaitu koherensi, korespondensi, pragmatis dan konsensus.
Referensi
Atabik, A. (2014). Teori Kebenaran Perspektif Filsafat Ilmu: Sebuah Kerangka Untuk Memahami Konstruksi Pengetahuan Agama. Fikrah, 2(1), 253-271.
Dochmie, M. R. (2018). Keilmiahan Ilmu-ilmu Islam Ditinjau dari Prinsip Falsifikasi Karl Popper. Prosiding Konferensi Integrasi Interkoneksi Islam dan Sain, 1, 145-150.
Greg Yangy, J. P.-D. (2019). A Mean Field Theory of Batch Normalization. A Conference Paper at ICLR 2019.
Jimy. (2019, 8 18). Medium. Retrieved 11 10, 2021, from https://bit.ly/3naHJSj
Krizhevsky, A. a. (2017). ImageNet Classification with Deep Convolutional Neural Networks. Association for Computing Machinery, 84-90.
Kumar, S., Dhanda, N., & Pandey, A. (2018). Data Science — Cosmic Infoset Mining, Modeling and Visualization. 2018 International Conference on Computational and Characterization Techniques in Engineering & Sciences (CCTES), 1-4. doi:10.1109/CCTES.2018.8674138
Lima, T. K. (2020, 10). KBBI Daring. (Badan Pengembangan dan Pembinaan Bahasa) Retrieved 11 13, 2021, from https://bit.ly/3Hj8Y5u
Mahayana, D. (2018). Catatan Kuliah Filsafat Ilmu Pengetahuan. Bandung: ITB Press.
Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., & Hernández-Orallo, J. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048-3061. doi:10.1109/TKDE.2019.2962680
Mohammad Rastegari, V. O. (2016). XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks. European Conference on Computer Vision, 525-542.
Nielson, B. a. (2021). Induction, Popper, and machine learning.
Nur, M. (2012). Revivalisasi Epistemologi Falsifikasi. Jurnal Agama dan Hak Azazi Manusia, 2(1), 1-14.
Olavsrud, T. (2020, 10 22). 5 famous analytics and AI disasters. Retrieved 11 11, 2021, from CIO.com - Tech News, Analysis, Blogs, Video: https://bit.ly/31NT2Ys
Padli, M., & Mustofa, M. (2021). Kebenaran dalam Perspektif Filsafat Serta Aktualisasinya dalam Menyaring Berita. Jurnal Filsafat Indonesia, 4(1), 78-88.
Rahman, S. (2017). Relevansi Epistemologi Karl R. Popper. Komunike, Volume IX(2), 138-149.
Ray, S. (2019). A Quick Review of Machine Learning Algorithms. International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 35-39. doi:10.1109/COMITCon.2019.8862451
Suyanto. (2018). Machine Learning. Bandung: Penerbit Informatika.
Team, M. o. (2020, 11 3). Aplikasi Machine Learning di Bidang Riset Keuangan. (Universitas Bina Nusantara) Retrieved 11 9, 2021, from https://bit.ly/30lYrFj
Warin, T. a. (2021). Machine Learning in Finance: A Metadata-Based Systematic Review of the Literature. Journal of Risk and Financial Management, 14(7). doi:10.3390/jrfm14070302
Yanghao Li, N. W. (2017). Adaptive Batch Normalization for Practical Domain Adaptation. Pattern Recognition.
Yiwen Zhao, L. W. (2018). The Application of Convolution Neural Networks in Sign Language Recognition. 2018 Ninth International Conference on Intelligent Control and Information Processing (ICICIP), 269-272.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Jurnal Filsafat Indonesia
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Filsafat Indonesia Undiksha is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
