Integration of Bayesian Methods in Machine Learning: A Theoretical and Empirical Review

Abstrak Studi ini merupakan sebuah tinjauan literatur sistematis yang mendalami integrasi metode Bayesian dalam pembelajaran mesin. Metode Bayesian telah terbukti memberikan keuntungan signifikan dalam menangani ketidakpastian dan variabilitas data, yang merupakan tantangan utama dalam pengembangan model pembelajaran mesin yang handal. Tinjauan ini menggali literatur terbitan dalam 10 tahun terakhir dari sumber seperti Scopus, DOAJ, dan Google Scholar untuk mengidentifikasi pendekatan teoritis dan empiris dalam penggunaan metode Bayesian. Hasil penelitian menyoroti bahwa metode Bayesian memungkinkan integrasi pengetahuan awal yang informatif dengan data yang ada, memperbaiki estimasi parameter, dan meningkatkan ketahanan model terhadap variasi data yang kompleks. Namun, tantangan utama dalam implementasi metode ini adalah kompleksitas komputasional yang tinggi dalam melakukan inferensi, terutama dalam konteks data multi-modal. Tinjauan ini memberikan wawasan mendalam tentang perkembangan terbaru dalam aplikasi metode Bayesian dalam pembelajaran mesin dan merumuskan arah penelitian mendatang untuk mengatasi tantangan tersebut secara efektif. Abstrak This study presents a systematic literature review that delves into the integration of Bayesian methods in machine learning. Bayesian methods have been shown to provide significant advantages in handling data uncertainty and variability, which are major challenges in developing reliable machine learning models. This review explores literature published in the last 10 years from sources such as Scopus, DOAJ, and Google Scholar to identify theoretical and empirical approaches in the use of Bayesian methods. The findings highlight that Bayesian methods enable the integration of informative prior knowledge with existing data, improve parameter estimation, and enhance model robustness against complex data variations. However, the main challenge in implementing these methods is the high computational complexity involved in performing inference, especially in the context of multi-modal data. This review provides in-depth insights into the latest developments in the application of Bayesian methods in machine learning and formulates future research directions to effectively address these challenges.