Presented by Dr Mahardika Pratama From La Trobe University Melbourne.
Resumed by Nugroho Setiawan  From Universitas Gadjah Mada

Pada kali ini, saya mengikuti guess lecture dari Dr Mahardika yang merupakan pengajar dari La Trobe University Melbourne.
Dalam presentasi ini, Dr. Mahardika membagi presentasinya kedalam 4 bagian besar.

1. Bagian Pertama adalah mengenai Introduction yang terdiri tentang Evolving Learning : Apa mengapa dan aplikasinya dalam dunia nyata.
2. Bagian Kedua adalah mengenai materi utama yang akan dibahas yaitu : Evolving Type-2 Reccurent Fuzzy Neural Network.

        Pada bagian Kedua ini dibahas mengenai kebaruan dan kontibusinya, arsitektur         jaringannya, serta aturan proses learningnya

3. Pada Bagian Ketiga adalah pembuktian Konsepnya dengan Contoh numerik dan perbandingannya
4. Contoh Perkerjaan lain yang berhubungan dengan Evolving Learning

Dalam penjelasan awalnya beliau memaparkan bahwa evolving learning sangat cocok untuk online realtime application, dikarenakan bisa otomatis mengenerate rule.

Dibagian slide kedua, beliau memaparkan mengapa dengan online learning saja tidak cukup? Dikarenakan dengan adanya teknologi data cloud struktur data bermacam-macam dan ada batas-batas keputusan dari sistem yang mengharuskan untuk diubah ketika ada sebuah data baru. Dengan teknologi online learning saja kita tidak bisa data baru yang berbeda struktur.

Dengan adanya evolving learning kita bisa memprediksi berbagai fungsi dengan derajat akurasi yang tinggi.

Selain itu, keuntungan dari evolving learning adalah

1. Menghindari training data ketika menambah data baru
2. Tingkat efisiensi tinggi
3. Skalabilitas yang tinggi
4. Sangat adaptif terhadap lingkungan yang berubah-ubah
5. Sangat mudah untuk dipahami
6. Mudah untuk diimplementasikan
7. Sangat mudah untuk diproses secara paralel
8. Banyak teori yang mendukung
9. Online to Batch Conversions

Envolving learning merupakan konsep yang umum, kita bisa mengimplementasikan dengan berbagai macam metode seperti Neural Network,  Randomize NN, SVM  dan lain lain, namun normalnya menggunakan fuzzy sistem.

Beberapa alasan menggunakan fuzzy sistem adalah fuzzy sistem merupakan pendekatan yang paling universal, bisa mempredikisi berbagai fungsi non-linier dengan tingkat error yang kecil. Selain itu hasil keputusan dari fuzzy system adalah bersifat gray box, sehingga kita paham bagaimana sebuah result itu dihasilkan.

Disini Dr. Mahardika memberikan penekanan bahwa Evolutionary Learning itu berbeda dengan Envolving Learning. Evolutionary learning dalam prosesnya dilakukan dengan metode optimasi itearive seperti menggunakan Genetic Algorithm, Neural Network dan lain sebagainya Sedangkan Envolving dilakukan secara real time online.

Contoh Envolving Learning dalam dunia nyata adalah monitoring penggunaan konsumsi listrik rumah tangga yang terus menerus.  Dari hal ini kita bisa mengetahi perbedaan pola penggunaan listrik yang berbeda-beda dari setiap rumah.

Dr. Mahardika memaparkan juga masalah dalam dunia nyata yang diselesaikan dengan envolving learning sistem yaitu itu memonitor kondisi dari mesin cutter dalam manufaktur industri. Bagaimana kondisi dari cutter itu masih bagus atau tidak. Envolving learning sangat cocok diterapkan dalam monitoring manufaktur ini dikarenakan kita membutuhkan sebuah system yang dinamik, dimana semua sistem komputerisasi dalam industri ini saling terkoneksi.

Selain itu dengan envolving learning mampu menangani data stream yang digenerate secara terus menerus. Dengan envolving learning juga diharapkan mampu membuat sebuah sistem yang mempelajari karakteristik dari sebuah kondisi yang mempunyai karakteristik yang berbeda-beda.

Saat ini Dr. Mahardika juga sedang melakukan sebuah eksperimen untuk menerapkan sebuah envolving learning untuk memprediksi emisi NOX dari mesin mobil.

Pada awalnya envolving learning di type 1 fuzzy system. Namun, pada type 1 fuzzy sistem mempunyai karakteristik crisp. Input dari degeree of membersip adalah single value, sehingga jika kita memberikan input yang salah maka akan menimbulkan permasalahan.

Menurut Dr. Mahardika, masalah kesalahan input ini muncul biasanya dari noise measurement data,disagreement uncertain knowledge expert, data tidak akurat dan lain-lain.

Dalam type-1 fuzzy sistem dia tidak mempunyai degree toleransi untuk dara uncertainly.

Dalam pemaparannya Dr Mahardika menyampaikan dalam Type-2 Fuzzy sistem kita memiliki 3D system. Mempunyai secondary membership selain dari primary membership. Jadi dengan adanya secondary membership kita bisa mengkarakterisasi data uncertainly dengan lebih baik.

Masalah penelitian dari Envolving Type-2 Reccurent Fuzzy Neural Network

1. Data uncertain
2. Karakteristik dari sistem berubah-ubah
3. Tidak adanya order sistem
4. Curse of dimensionality (banyak literatur yang offline)

Dalam penelitian ini Dr. Mahardika menginginkan adanya sebuah sistem yang plug n play dan menghindari pre processing step.

Riset yang dilakukan antara university dan industry adalah swimming stroke detection. Caranya adalah dari video dan dicapture dan dilakukan proses analisa gerakan dari perenang.

Selain itu, ada juga riset penelitian lain yang dilakukan oleh beberapa mahasiswanya yaitu adalah Lung Nodule Classification From CT Scan.  Klasifikasi tumor yang didpatkan dari CT Scan yang kemudian datanya diproses menggunakan deep learning.

Future Works

Dengan envolving learning transfer . Melakukan suatu kasus dengan data domain berbeda.

Contohnya adalah bagaimana cara mendapatkan data harga rumah di Jogja, namun kita tidak mendapatkan dari data dari pasar jogja. Namun kita memiliki data yang banyak dari Amerika. Bagaimana kita memanfaatkan data harga pasar di Amerika untuk memprediksi harga rumah di Jogja. Data bukan lagi crisp namun data stream.

Selain itu juga untuk mempelajari lebih dalam mengenai genomik kanker.yang digunakan untuk memprediksi mutasi dari sel kanker dari berbagai sumber yang berbeda. Itu bisa saja dikembangkan untuk prediksi dari tingkat harapan hidup dari pasien kanker dai kambuhnya kanker setelah remisi penuh atau parsial.