Rangkuman Pertemuan 1 Universitas Nusamandiri Konsep Kecerdasan Buatan

Rangkuman Pertemuan 1 Universitas Nusamandiri

Konsep Kecerdasan Buatan

 

1.    Trend Teknologi 2021

• Kecerdasan buatan (AI) dan pembelajran mesin
• Otomasi proses robotic (Robotic Process Automation)
• Edge Computing
• Komputasi Kuantum (Quantum Computing)
• Realitas Virtual dan Realitas Tertambah (Virtual Reality and Augmented Reality)
• Blockchain
• Internet of Things (IoT)
• 5G
• Keamanan cyber

2.    Data & Informasi

•    Data

Data adalah bahan baku informasi atau bahasa mathematical dan simbol-simbol pengganti lain yang disepakati oleh umum dalam menggambarkan objek, manusia, peristiwa, aktivitas, konsep dan objek-objek lainnya. Atau dengan kata lain, data merupakan kenyataan apa adanya (raw facts).

1.  Menurut berbagai kamus bahasa Inggris-Indonesia, data diterjemahkan sebagai istilah yang berasal dari kata “datum” yang berarti fakta/bahan-bahan keterangan
2. Dari sudut pandang bisnis, terdapat pengertian data bisnis : “Business data is an organization’s description of things (resources) and events (transactions) that it faces”. Jadi data, dalam hal ini disebut sebagai data bisnis, merupakan deskripsi organisasi tentang sesuatu (resources) dan kejadian (transactions) yang terjadi.
3. Pengertian yang lain mengatakan bahwa “Data is the description of things and events that we face”. Data merupakan deskripsi dari sesuatu dan kejadian yang kita hadapi.
4. Gordon B.Davis dalam bukunya Management Informations System : Conceptual Foundations, Structures, and Development menyebut data sebagai bahan mentah dari informasi, yang dirumuskan sebagai sekelompok lambang-lambang tidak acak yang menunjukkan jumlah atau tindakan atau hal-hal lain.

•    Informasi

Informasi dapat diibaratkan sebagai darah yang mengalir di dalam tubuh
manusia, seperti halnya informasi di dalam sebuah perusahaan yang sangat
penting untuk mendukung kelangsungan perkembangannya, sehingga terdapat
alasan bahwa informasi sangat dibutuhkan bagi sebuah perusahaan. Akibat bila
kurang mendapatkan informasi, dalam waktu tertentu perusahaan akan
mengalami ketidakmampuan mengontrol sumber daya, sehingga dalam
mengambil keputusan-keputusan strategis sangat terganggu, yang pada
akhirnya akan mengalami kekalahan dalam bersaing dengan lingkungan
pesaingnya

• Menurut Gordon B.Davis : menyebutkan informasi sebagai data yang
• telah diolah menjadi bentuk yang berguna bagi penerimanya dan nyata,
• berupa nilai yang dapat dipahami di dalam keputusan sekarang maupun
• masa depan.
• Menurut Barry E. Cushing ; informasi merupakan sesuatu yang
• menunjukkan hasil pengolahan data yang diorganisasi dan berguna
• kepada orang yang menerimanya.
• Menurut Robert N. Anthony dan John Dearden : informasi sebagai suatu
• kenyataan, data,item yang menambah pengetahuan bagi penggunanya.
• Menurut Stephen A. Moscove dan Mark G. Simkin : informasi sebagai
• kenyataan atau bentuk-bentuk yang berguna yang dapat digunakan untuk
• pengambilan keputusan.

3.    Hystory Of Machine

Pada tahun 1951, John McCarthy yang baru saja mendapatkan gelar PhD meyakinkan Minsky, Claude Shannon, dan Nathaniel Rochester untuk membantunya membawa peneliti Amerika Serikat yang memiliki ketertarikan pada teori automata, jaring saraf, dan studi mengenai kecerdasan menjadi satu. Mereka mengorganisir sebuah lokakarya di Dartmouth College di Hanover, New Hampshire pada tahun 1956. Pada saat itulah dianggap menjadi tahun lahirnya kecerdasan buatan. Sejak awal, para peneliti kecerdasan buatan tidak segan membuat prediksi mengenai keberhasilan dari kecerdasan buatan ini. Pada awalnya kecerdasan buatan berkembang cukup pesat, hal ini disebabkan karena ekspektasi yang terlalu tinggi dari para peneliti di bidang ini. Hingga pada tahun 1974, bidang kecerdasan buatan mulai kurang diminati. Sampai pada tahun 1980, ketertarikan terhadap kecerdasan buatan sebagai bidang penelitian mulai bangkit kembali. Salah satu yang mendukung hal ini adalah hasil kerja Yarowsky (1995), ia melakukan percobaan menggunakan pemelajaran mesin dan mendapatkan hasil diatas 96% untuk ke akuratan dari percobaannya. Setelah Yarowsky banyak orang-orang yang melakukan percobaan menggunakan pemelajaran mesin dan mendapatkan hasil yang memuaskan, dari sinilah pemelajaran mesin dapat semakin berkembang hingga hari ini.

4.    Machine Learning

Mesin yang dimaksud di sini adalah mesin dalam pengertian lebih mendekati kepada ‘sistem’, bukan mesin 'mekanik'. Istilah pemelajaran pertama kali muncul dalam disiplin ilmu kecerdasan buatan. Pemelajaran berarti menambah pengetahuan, memahami dengan belajar, dan mengikuti perintah. Pemelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pemelajaran mesin adalah representasi dan generalisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa pemelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan kaidah (rule), ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN (artificial neural network) atau jaringan saraf tiruan. Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola.

5.    Bagian AI

Arend Hintze, asisten profesor biologi integratif dan ilmu komputer dan teknik di Michigan State University, mengkategorikan AI menjadi 4 jenis, dari jenis sistem AI yang ada saat ini hingga sistem yang hidup, yang belum ada. Kategorinya adalah sebagai berikut:
Tipe 1: Mesin reaktif. Contohnya, Deep Blue, program catur IBM yang mengalahkan Garry Kasparov pada 1990-an. Deep Blue dapat mengidentifikasi bagian-bagian di papan catur dan membuat prediksi, tetapi ia tidak memiliki ingatan dan tidak dapat menggunakan pengalaman masa lalu untuk memberi tahu langkah berikutnya. Ini menganalisis kemungkinan langkah lawan dan dirinya sendiri serta memilih langkah paling strategis. Deep Blue dan GoogleGOGO dirancang untuk tujuan yang sempit dan tidak dapat dengan mudah diterapkan pada situasi lain.
Tipe 2: Memori terbatas. Sistem AI ini dapat menggunakan pengalaman masa lalu untuk menginformasikan keputusan masa depan. Beberapa fungsi pengambilan keputusan dalam mobil self-driving dirancang dengan cara ini. Pengamatan menginformasikan tindakan yang terjadi di masa depan yang tidak terlalu jauh, seperti jalur penggantian mobil. Pengamatan ini tidak disimpan secara permanen.
Tipe 3: Teori pikiran. Istilah psikologi ini mengacu pada pengertian bahwa orang lain memiliki keyakinan, keinginan sendiri dan niat yang memengaruhi keputusan yang mereka buat. AI jenis ini belum ada sampai saat ini.
Tipe 4: Kesadaran diri. Dalam kategori ini, sistem AI memiliki rasa diri, memiliki kesadaran. Mesin dengan kesadaran diri memahami keadaan mereka saat ini dan dapat menggunakan informasi untuk menyimpulkan apa yang orang lain rasakan. AI jenis ini belum ada sampai saat ini.

6.    Contoh Implementasi

Otomasi: Sistem atau proses yang berfungsi secara otomatis. Misalnya, otomatisasi proses robotik (RPA) dapat diprogram untuk melakukan tugas bervolume tinggi dan berulang yang biasanya dilakukan manusia. RPA berbeda dari otomatisasi TI karena dapat beradaptasi dengan keadaan yang berubah.

Pembelajaran mesin: Ilmu membuat komputer bertindak tanpa pemrograman.

Visi mesin: Ilmu yang memungkinkan komputer untuk melihat. Teknologi ini menangkap dan menganalisis informasi visual menggunakan konversi analog-ke-digital kamera dan pemrosesan sinyal digital. Ini sering dibandingkan dengan penglihatan manusia, tetapi penglihatan mesin tidak terikat oleh biologi dan dapat diprogram untuk melihat melalui dinding. Ini digunakan dalam berbagai aplikasi dari identifikasi tanda tangan hingga analisis citra medis. Visi komputer, yang difokuskan pada pemrosesan gambar berbasis mesin, sering dikaitkan dengan visi mesin.

Pemrosesan bahasa alami (NLP): Pemrosesan bahasa manusia oleh program komputer. Salah satu yang lebih tua dan paling dikenal contoh NLP adalah deteksi spam, yang melihat baris subjek dan teks email dan memutuskan apakah itu termasuk sampah. Pendekatan saat ini untuk NLP didasarkan pada pembelajaran mesin. Tugas NLP termasuk terjemahan teks, analisis sentimen dan pengenalan suara.

Robotika: Bidang teknik yang berfokus pada desain dan pembuatan robot. Robot sering digunakan untuk melakukan tugas yang sulit bagi manusia untuk melakukan atau melakukan secara konsisten. Mereka digunakan dalam jalur perakitan untuk produksi mobil atau oleh NASA untuk memindahkan benda besar di luar angkasa. Para peneliti juga menggunakan pembelajaran mesin untuk membangun robot yang dapat berinteraksi dalam lingkungan sosial.

Mobil dengan pengemudi otomatis: Ini menggunakan kombinasi visi komputer, pengenalan gambar dan pembelajaran mendalam untuk membangun keterampilan otomatis dalam mengemudikan kendaraan sambil tetap berada di jalur tertentu dan menghindari penghalang yang tidak terduga, seperti pejalan kaki.

7.    Pendekatan Machine Learning

• Supervised learning

Anda perlu tahu metrik yang akan diprediksi dan memiliki contoh telah sesuai dengan label metrik, machine learning dengan pengawasan (supervised learning) adalah sebuah pendekatan terbaik. AI satu ini bisa digunakan oleh para pemain e-commerce untuk memprediksi banyaknya uang yang akan dibelanjakan setiap pelanggan. Dengan dasar itulah, pelanggan dengan nominal belanja tinggi dapat dijadikan target penawaran promosi tertentu.

• Unsupervised learning

Pendekatan ini digunakan ketika data yang tersedia tidak memiliki label khusus untuk memprediksi algoritma tertentu. Algoritma machine learning bertugas untuk mengelompokkan data serta menemukan pola/solusi baru. Sehingga, data-data yang ada bisa terdeteksi. Contohnya saja Anda bisa memanfaatkan pendekatan unsupervised learning untuk menandai potensi penipuan credit card. Selain itu, dengan pendekatan ini juga  dapat digunakan untuk mencari kesamaan antar pelanggan Anda.

• Semisupervised learning

Pendekatan satu ini tentu berbeda dari unsupervised learning, semisupervised learning lebih memanfaatkan data tanpa label untuk memahami struktur serta distribusi populasi data. Pendekatan semisupervised learning dapat digunakan oleh pihak bank sebelum menawarkan kredit rumah, untuk mengidentifikasi pelanggan yang membutuhkan pinjaman tersebut, tapi belum mendapatkan informasi yang cukup.

• Reinforcement learning

Pada pendekatan ini, komputer akan melakukan interaksi dengan lingkungan sekitar. Feedback yang didapat akan menjadi bahan utama yang akan diolah dalam reinforcement learning. Algoritma pendekatan satu ini akan mempelajari urutan tindakan dan mencari solusi terbaik.

Read more...