Bab 8: Integrasi Matematika dengan Teknologi

8.1 Perkembangan Matematika

Matematika telah berkembang dari alat praktis untuk perhitungan sehari-hari menjadi disiplin ilmu yang sangat abstrak dan kompleks. Penemuan dan inovasi dalam matematika telah memungkinkan perkembangan teknologi dan sains, serta pemahaman yang lebih dalam tentang alam semesta. Matematika terus menjadi bidang yang dinamis dengan banyak area penelitian baru yang terus berkembang.

Mulanya bangsa Mesir mengembangkan matematika untuk kebutuhan praktis seperti pengukuran lahan dan konstruksi piramida. Mereka menggunakan sistem bilangan desimal dan hieroglif untuk menghitung. Matematika Mesir Kuno menunjukkan bagaimana masyarakat kuno mengembangkan dan menerapkan konsep matematika untuk memenuhi kebutuhan praktis mereka. Ini juga mencerminkan kecerdikan dan kemampuan mereka dalam mengelola sumber daya, membangun monumen, dan mengatur kehidupan sehari-hari mereka dengan bantuan matematika.

Pada abad pertengahan, ilmuwan Muslim seperti Al-Khwarizmi dan Omar Khayyam membuat kontribusi signifikan dalam aljabar, trigonometri, dan astronomi. Al-Khwarizmi menulis kitab yang menjadi dasar kata “algebra”. Sementara di India Matematikawan seperti Aryabhata dan Brahmagupta mengembangkan konsep nol, sistem bilangan desimal, dan metode kalkulasi yang kompleks.

Perkembangan aplikasi matematika di zaman renaisans dan awal modern, matematikawan seperti Fibonacci memperkenalkan sistem bilangan Hindu-Arab ke Eropa. Pada abad ke-17, tokoh-tokoh seperti Descartes, Fermat, dan Pascal mengembangkan konsep-konsep dasar dalam aljabar dan probabilitas. Isaac Newton dan Gottfried Wilhelm Leibniz secara independen mengembangkan kalkulus, yang menjadi alat penting dalam matematika dan ilmu fisika.

Perkembangan matematika modern terjadi di abad ke-20 hingga sekarang. Perkembangan besar terjadi dalam analisis, topologi, dan geometri diferensial. Matematikawan seperti Kurt Gödel, Alan Turing, dan John von Neumann membuat terobosan dalam logika, teori komputer, dan teori game. Era komputer membawa perkembangan baru dalam matematika komputasi, termasuk algoritma, kriptografi, dan kecerdasan buatan. Matematika terus berkembang dalam aplikasi ke bidang fisika, teknik, ekonomi, biologi, dan ilmu sosial. Model matematika digunakan untuk memecahkan masalah kompleks di dunia nyata.

8.2 Penggunaan Software Matematika

Software matematika memainkan peran penting dalam membantu para ilmuwan, insinyur, dan matematikawan untuk memecahkan masalah kompleks, memvisualisasikan data, dan melakukan perhitungan yang rumit. Berikut adalah beberapa software matematika yang umum digunakan beserta penggunaannya:

8.2.1 Matlab

Matlab (Matrix Laboratory) merupakan salah satu aplikasi yang banyak digunakan untuk kegiatan analisis dan komputasi numerik. Aplikasi ini menggunakan bahasa pemrograman matematika yang lanjut dan beroperasi dalam bentuk matriks (Cahyono, 2013). Sebelum aplikasi ini menjadi produk komersial dari perusahaan Mathworks Inc, pada awalnya program ini merupakan interface untuk koleksi rutin-rutin numerik yang berasal dari LINPACK dan EISPACK, dan selanjutnya dikembangkan dengan mengaplikasikan bahasa FORTRAN.

Pemanfaatan perangkat lunak MATLAB akan menghasilkan penyelesaian aljabar linear yang cepat dan akurat dibandingkan dengan perhitungan manual. Selain itu, hasil pengolahan datanya dapat disajikan secara visual dalam bentuk dua dimensi maupun tiga dimensi. Gambar 8.1 menunjukkan visual grafik persamaan $\sin((x^2 + y^2)/a)$ dengan $a = 10$.

Gambar 8.1 Grafik tiga dimensi pada aplikasi MATLAB Sumber: MathWorks®

8.2.2 Aplikasi R

Aplikasi R menjadi salah satu program yang dapat diakses dengan mudah tanpa perlu membayar karena berada di bawah GPL (General Public License). Aplikasi yang merupakan wujud kolaborasi riset dari pakar statistik di seluruh dunia ini dapat digunakan untuk kegiatan analisis data (Sihombing et al., 2019). Dengan kemudahan aksesnya, aplikasi ini dimanfaatkan dalam penyelesaian soal kalkulus yang menunjang kemampuan pemrograman mahasiswa (Fauzan & Mahara, 2020). R menyediakan beragam teknik statistik (pemodelan linier dan nonlinier, uji statistik klasik, analisis deret waktu, klasifikasi, pengelompokan, dan grafis.

8.3 Kalkulus dan Aljabar dalam Teknologi

Perkembangan matematika, terutama dalam bidang kalkulus dan aljabar, telah mengalami evolusi yang signifikan sepanjang sejarah (Irmayanti et al., 2021). Berikut adalah beberapa cara kalkulus telah mempengaruhi teknologi.

1. Analisis Struktur dan Material: Kalkulus digunakan untuk menghitung tegangan, regangan, dan deformasi dalam struktur bangunan dan mesin.
2. Dinamika Fluida: Dalam teknik sipil dan mekanik, kalkulus digunakan untuk memodelkan aliran fluida dalam pipa, jembatan, pesawat terbang, dan mobil.
3. Sistem Kontrol: Kalkulus membantu dalam desain sistem kontrol otomatis, seperti dalam robotika dan sistem kendali penerbangan.
4. Gerak dan Gaya: Hukum Newton dan persamaan gerak memerlukan kalkulus untuk memodelkan dan memprediksi perilaku objek.
5. Elektromagnetisme: Persamaan Maxwell yang mengatur listrik dan magnetisme merupakan persamaan diferensial parsial yang memerlukan kalkulus untuk diselesaikan.
6. Relativitas: Teori relativitas umum Einstein menggunakan kalkulus diferensial dan integral untuk menjelaskan kelengkungan ruang-waktu.
7. Pemrosesan Sinyal: Kalkulus digunakan dalam analisis sinyal digital dan analog, seperti dalam audio, gambar, dan video.
8. Pembelajaran Mesin: Algoritma optimasi dan backpropagation dalam jaringan saraf tiruan menggunakan kalkulus diferensial.
9. Grafik Komputer: Kalkulus digunakan dalam rendering gambar, simulasi fisika, dan animasi komputer.
10. Optimasi Portofolio: Kalkulus digunakan untuk memaksimalkan keuntungan dan meminimalkan risiko dalam investasi.
11. Model Penetapan Harga Opsi: Model matematika seperti Black-Scholes menggunakan kalkulus untuk menentukan harga opsi.
12. Analisis Ekonomi: Kalkulus digunakan dalam analisis marginal dan teori ekonomi untuk memahami hubungan antara variabel ekonomi.
13. Model Populasi: Persamaan diferensial digunakan untuk memodelkan pertumbuhan populasi dan interaksi spesies.
14. Farmakokinetik: Kalkulus digunakan untuk memodelkan bagaimana obat diserap, didistribusikan, dimetabolisme, dan dieliminasi oleh tubuh.
15. Pemodelan Penyakit: Kalkulus membantu memodelkan penyebaran penyakit menular dan efek intervensi kesehatan.

8.4 Machine Learning

Machine learning adalah cabang dari kecerdasan buatan (AI) yang berfokus pada pengembangan algoritma yang memungkinkan komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit (Patil et al., 2023). Gambar 8.2 memperlihatkan empat pilar pada machine learning (Peter et al., 2019).

Gambar 8.2 Empat pilar machine learning (Di dalam gambar terdapat pilar: Regression, Dimensionality Reduction, Density Estimation, dan Classification. Di bagian bawah terdapat fondasi: Vector Calculus, Linear Algebra, Probability & Distributions, Analytic Geometry, Optimization, Matrix Decomposition).

Pemahaman operasi dasar aljabar linear menjadi hal yang wajib dimiliki bagi siapa saja yang ingin menjadi ahli dalam machine learning. Aljabar linear memberikan kerangka kerja pada kegiatan manipulasi data yang ditampilkan dalam bentuk vektor dan matriks. Dalam machine learning, operasi aljabar linear dimanfaatkan secara luas pada beberapa tahap yakni pengolahan data hingga training dan evaluasi model yang dikembangkan.

Dimensionality reduction atau pengurangan dimensi adalah tugas mengurangi jumlah fitur dalam kumpulan data. Dalam tugas machine learning seperti regresi atau klasifikasi, sering kali memiliki terlalu banyak variabel yang harus dikerjakan. Variabel-variabel ini disebut juga fitur. Semakin tinggi jumlah fitur maka semakin sulit untuk memodelkannya. Selain itu, beberapa fitur ini bisa jadi tidak bermanfaat, sehingga menambah gangguan pada kumpulan data. Oleh karena itu, fitur perlu dikurangi.

Estimasi kepadatan adalah salah satu hal dasar yang dijumpai dalam statistik dan machine learning. Estimasi kepadatan bertujuan untuk menemukan distribusi probabilitas yang menggambarkan data tertentu. Salah satu teknik untuk proses estimasi kepadatan adalah Model campuran Gaussian.

Klasifikasi (classification) didefinisikan sebagai proses pengenalan, pemahaman, dan pengelompokan objek dan ide ke dalam kategori yang telah ditentukan sebelumnya. Dengan bantuan kumpulan data pelatihan yang telah dikategorikan sebelumnya, klasifikasi dalam program machine learning memanfaatkan berbagai algoritma untuk mengklasifikasikan kumpulan data masa depan ke dalam kategori yang relevan dan relevan.

8.4.1 Supervised Learning

Jenis machine learning ini melatih algoritma menggunakan data yang sudah diberi label. Model belajar untuk memetakan input ke output berdasarkan data latih. Contoh Algoritma yang digunakan meliputi regresi linear, regresi logistik, decision trees, random forests, support vector machines, neural networks. Implementasi supervised learning seperti klasifikasi email spam, prediksi harga rumah, pengenalan suara.

8.4.2 Unsupervised Learning

Algoritma pada unsupervised learning bekerja dengan data yang tidak berlabel dan mencoba menemukan struktur tersembunyi dalam data. Contoh algoritma seperti K-means clustering, hierarchical clustering, principal component analysis (PCA), autoencoders. Aplikasi jenis machine learning ini seperti segmentasi pelanggan, deteksi anomali, dan kompresi data.

8.4.3 Semi-Supervised Learning

Semi-Supervised Learning merupakan metode yang menggunakan sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel untuk pelatihan. Tujuan dari pembelajaran semi-supervisi adalah untuk mempelajari suatu fungsi yang secara akurat dapat memprediksi variabel keluaran berdasarkan variabel masukan, serupa dengan pembelajaran yang diawasi. Namun, tidak seperti pembelajaran yang diawasi, algoritma dilatih pada kumpulan data yang berisi data berlabel dan tidak berlabel.

8.4.4 Reinforcement Learning

Algoritma belajar melalui percobaan dan kesalahan dengan mendapatkan umpan balik berupa reward atau punishment. Contoh Algoritma yang banyak diterapkan antara lain Q-learning, deep Q-networks (DQN), policy gradients. Algoritma ini dipakai pada aplikasi pengendalian robot, permainan video, pengoptimalan portofolio.

8.5 Optimisasi

Optimisasi adalah cabang matematika dan ilmu komputer yang berkaitan dengan menemukan solusi terbaik (optimal) dari suatu masalah di antara sekumpulan solusi yang mungkin. Optimisasi memiliki berbagai aplikasi dalam pengetahuan, teknik, ekonomi, dan bisnis (Widayanti, 2017). Metode ini disebut-sebut sebagai alat yang sangat kuat yang memungkinkan pengambilan keputusan yang lebih baik di berbagai bidang dengan meningkatkan efisiensi, mengurangi biaya, dan meningkatkan kinerja.

8.6 Pemodelan dan Simulasi

8.6.1 Simulasi Fisika

Simulasi fisika adalah teknik untuk memodelkan dan memprediksi perilaku sistem fisik melalui penggunaan komputer. Teknik ini sangat penting dalam berbagai bidang ilmu pengetahuan dan teknik, memungkinkan para peneliti dan insinyur untuk memahami fenomena kompleks, menguji hipotesis, dan merancang sistem baru tanpa harus melakukan eksperimen fisik yang mahal atau tidak praktis.

Metode Elemen Hingga menggunakan algoritma dengan membagi domain masalah menjadi elemen-elemen kecil dan menyelesaikan persamaan diferensial parsial yang mengatur perilaku fisik pada setiap elemen. Metode ini diterapkan pada analisis struktur, simulasi termal, dan elektromagnetisme. Metode volume hingga memiliki algoritma dengan membagi domain menjadi volume kontrol kecil dan menyelesaikan integral dari persamaan konservasi.

Metode Dinamika Molekuler merupakan simulasi gerakan atom dan molekul berdasarkan hukum Newton dan potensi interaksi antar partikel. Metode ini diterapkan pada simulasi material, biologi molekuler, kimia. Berbeda dengan metode lain, metode Monte Carlo Menggunakan statistik dan sampling acak untuk menyelesaikan masalah fisika seperti fisika statistik, pemodelan radiasi, dan optimisasi.

8.6.2 Klimatologi

Matematika memiliki peran penting dalam klimatologi, terutama dalam pemodelan, analisis, dan prediksi fenomena iklim. Pemodelan iklim melibatkan penggunaan persamaan matematika untuk merepresentasikan proses fisik dan kimia yang terjadi dalam sistem iklim Bumi. Beberapa metode matematika yang digunakan seperti persamaan diferensial parsial, metode numerik dan pemodelan stokastik.

Kegiatan analisis data iklim melibatkan matematika untuk mengolah data yang dikumpulkan dari berbagai sumber, seperti satelit, stasiun cuaca, dan model iklim. Statistik dan Probabilitas digunakan untuk menganalisis tren, variabilitas, dan ekstrem iklim. Analisis deret waktu digunakan untuk menganalisis data iklim yang dikumpulkan secara berurutan sepanjang waktu. Analisis spektral, transformasi Fourier, dan analisis komponen utama (Principal Component Analysis, PCA) untuk mengidentifikasi pola temporal dan spasial.

Matematika memungkinkan prediksi kondisi iklim jangka pendek dan proyeksi perubahan iklim jangka panjang. Model Prediksi numerik kondisi cuaca menggunakan model matematika untuk memprediksi kondisi cuaca menggunakan model matematika untuk memprediksi kondisi cuaca jangka pendek. Contoh penerapannya adalah model atmosfer global dan regional yang memecahkan persamaan diferensial untuk dinamika atmosfer. Berbeda dengan model prediksi numerik, model iklim global digunakan untuk menganalisis interaksi kompleks antara atmosfer, lautan, daratan, dan es untuk memproyeksikan perubahan iklim jangka panjang. Implementasi model iklim global seperti pada Model Coupled Model Intercomparison Project (CMIP) yang digunakan dalam laporan Intergovernmental Panel on Climate Change (IPCC).

8.7 Statistika dan Analisis Data

Matematika memainkan peran mendasar dalam statistika dan analisis data, serta menyediakan alat dan kerangka kerja untuk mengumpulkan, menganalisis, dan menafsirkan data. Matematika menyediakan fondasi teoritis dan praktis yang diperlukan untuk melakukan analisis statistik yang data, memungkinkan kita untuk mengambil keputusan yang lebih baik berdasarkan data yang tersedia. Beberapa konsep matematika, matematika diskrit, teori angka dan analisis ril. Dengan memahami konsep-konsep matematika ini, analisis statistik dapat dilakukan dengan lebih akurat dan efisien.

8.8 Visualisasi Data

Visualisasi data adalah teknik untuk mengubah data menjadi representasi grafis atau visual agar lebih mudah dipahami dan dianalisis. Ini sangat penting dalam mengidentifikasi pola, tren, dan anomali dalam data yang mungkin tidak terlihat melalui analisis data mentah. Data yang diolah oleh alat komputasi akan ditampilkan dalam beberapa bentuk antara lain grafik batang, grafik lurus, grafik lingkaran, histogram, scatter plot, heatmap, box plot, tree map, graph dan diagram jaringan. Visualisasi data menjadi alat yang kuat untuk memahami dan menyampaikan informasi yang kompleks. Dengan menggunakan teknik visualisasi yang tepat, data dapat diubah menjadi wawasan yang dapat ditindaklanjuti.