Nama : Febria Erliana Hadi

NIM : 182410102003
Kelas : Kecerdasan Buatan B

Peran Kecerdasan Buatan Pada Kehidupan Manusia dan Mekanismenya

1. Seberapa Penting AI untuk kehidupan manusia?

Kecerdasan buatan atau kecerdasan artifisial merupakan kecerdasan yang ditambahkan

dalam sebuah sistem atau mesin sehingga bisa merasakan, berpikir, berpikir, dan bertindak
layaknya kecerdasan manusia. Kemampuan yang diadopsi dari pola pemikiran manusia ini kian
banyak ditumpahkan ke dalam mesin komputer untuk membantu pekerjaan individu atau
instansi di kehidupan sehari-hari. Menurut para ahli, kecerdasan buatan adalah ilmu yang
mempelajari cara membuat komputer melakukan sesuatu sama seperti yang dilakukan manusia
(Minsky, 1989). Perangkat yang dibuat dalam basis kecerdasan buatan mampu menganalisa
kalimat, angka, atau kata unntuk merepresentasikan obyek, proses dan hubungannya. Proses
itulah yang nantinya dapat melengkapi data yang tidak komplit. Di era modern ini, beberapa
sektor industri telah memanfaatkan perangkat berbasis kecerdasan buatan. Seperti sektor
industri games, finansial, hingga kesehatan.

2. Beri contoh dan jelaskan mekanisme AI untuk setiap kategori :

A. Game

Untuk pembentukan A.I. pada game ternyata digunakan pula algoritma, yaitu
jenis pohon n-ary untuk suatu struktur. Implementasi pohon (tree) ini biasa disebut
game tree. Berdasarkan game tree inilah sebuah game disusun algoritma kecerdasan
buatannya. A.I. yang disematkan dalam sebuah game yang membentuk analisis game
tree biasanya merepresentasikan kondisi atau posisi permainan dari game sebagai suatu
node, dan merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah
yang menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi
suatu pohon (tree). Namun, biasanya representasi langsung tersebut mempunyai
kelemahan, yaitu representasi data pohon akan menjadi sangat lebar dan banyak.
Mungkin bagi sebuah mesin komputer mampu melakukan kalkulasi sebanyak apapun
masalah, namun game tree yang lebar dan besar memberikan beberapa masalah, antara
lain konsumsi proses memori, kapasitas penyimpanan yang cukup besar dan kinerja
 yang kurang pada konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa
algoritma dan penyederhanaan bagi sebuah game tree.

Pada salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat
dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode ini
berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan tidak
hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk game-game
yang lebih rumit seperti catur, tentunya dengan algoritma dan representasi berbeda.
Minimax yang merupakan salah satu metode penerapan (implementasi) pohon n-ary
pada suatu game, menandakan bahwa implementasi struktur (pohon khusunya)
sangatlah diperlukan pada pembuatan dan penerapan A.I., dan tidak menutup
kemungkinan ilmu dan metode baru yang lebih canggih akan ditemukan di masa depan.

B. Speech Recognition
Pengenalan ucapan atau Speech Recognition (SR) adalah proses identifikasi
suara berdasarkan kata yang diucapkan dengan melakukan konversi sebuah sinyal
akustik, yang ditangkap oleh audio device (perangkat input suara). Speech Recognition
juga merupakan sistem yang digunakan untuk mengenali perintah kata dari suara
manusia dan kemudian diterjemahkan menjadi suatu data yang dimengerti oleh
komputer. Pada saat ini, sistem ini digunakan untuk menggantikan peranan input dari
keyboard dan mouse. Teknologi ini memungkinkan suatu perangkat untuk mengenali
dan memahami kata-kata yang diucapkan dengan cara digitalisasi kata dan
mencocokkan sinyal digital tersebut dengan suatu pola tertentu yang tersimpan dalam
suatu perangkat. Kata-kata yang diucapkan diubah bentuknya menjadi sinyal digital
dengan cara mengubah gelombang suara menjadi sekumpulan angka yang kemudian
disesuaikan dengan kode-kode tertentu untuk mengidentifikasikan kata-kata tersebut.
Hasil dari identifikasi kata yang diucapkan dapat ditampilkan dalam bentuk tulisan atau
dapat dibaca oleh perangkat teknologi sebagai sebuah komando untuk melakukan suatu
pekerjaan, misalnya penekanan tombol pada telepon genggam yang dilakukan secara
otomatis dengan komando suara.
Alat pengenal ucapan, yang sering disebut dengan speech recognizer,
membutuhkan sampel kata sebenarnya yang diucapkan dari pengguna. Sampel kata
akan didigitalisasi, disimpan dalam komputer, dan kemudian digunakan sebagai basis
data dalam mencocokkan kata yang diucapkan selanjutnya. Pengenalan ucapan dalam
 perkembangan teknologinya merupakan bagian dari pengenalan suara (proses
identifikasi seseorang berdasarkan suaranya). Pengenalan suara sendiri terbagi menjadi
dua, yaitu pengenalan pembicara (identifikasi suara berdasarkan orang yang berbicara)
dan pengenalan ucapan (identifikasi suara berdasarkan kata yang diucapkan). Alat
pengenal ucapan banyak digunakan dalam bidang kesehatan untuk membantu para
penyandang cacat dalam beraktivitas. Contohnya pada aplikasi Antarmuka Suara
Pengguna atau Voice User Interface (VUI) yang menggunakan teknologi pengenal
ucapan.

C. Natural Language Processing

Konsep NLP mulai dibahas oleh Alan Turing di tahun 1950-an, ia
mengembangkan sebuah tes sederhana untuk menentukan apakah mesin dapat meniru
cara manusia berbicara secara meyakinkan atau tidak. Contoh nyata yang dapat kita
lihat sekarang yaitu Siri dan Alexa, dua asisten virtual ini mampu memahami kata-kata
yang diucapkan manusia dan menjalankan fungsi dari perintah yang kita ucapkan.
Melalui Siri dan Alexa, kita bisa mencari informasi, mengirim pesan maupun
mengontrol smart home secara praktis hanya dengan melontarkan pertanyaan atau
perintah. Namun, jika kita ingin komputer dapat memahami cara berkomunikasi
manusia, maka diperlukan sebuah sistem untuk mengetahui makna dari kata dan
kalimat tersebut. Teknologi NLP dapat berfungsi karena adanya machine learning
(ML). Machine Learning adalah proses di mana komputer menganalisis data dalam
jumlah besar untuk mencari suatu pola sehingga mereka bisa “memahami” data
tersebut sebagaimana manusia memahaminya. Dalam hal NLP komputer harus
mengolah sejumlah besar teks/artikel dalam bahasa tertentu. Setelah data tersebut
diolah, komputer kemudian akan memiliki kemampuan untuk mengerti ucapan dan
tulisan dalam bahasa tersebut.

D. Computer Vision
Computer Vision adalah ilmu dan teknologi mesin yang melihat, di mana mesin
mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan
tugas tertentu. Sebagai suatu disiplin ilmu, visi komputer berkaitan dengan teori di balik
sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil
banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-
dimensi dari scanner medis. Sedangkan sebagai disiplin teknologi, computer vision
berusaha untuk menerapkan teori dan model untuk pembangunan sistem computer
vision.

Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan

yang mempelajari bagaimana komputer dapat mengenali obyek yang diamati. Cabang
ilmu ini bersama Artificial Intelligence akan mampu menghasilkanVisual Intelligence
System. Perbedaannya adalah Computer Vision lebih mempelajari bagaimana
komputer dapat mengenali obyek yang diamati. Namunkomputer grafik lebih ke arah
pemanipulasian gambar (visual) secara digital. Bentuk sederhana dari grafik komputer
adalah grafik komputer 2D yang kemudian berkembang menjadi grafik komputer 3D,
pemrosesan citra, dan pengenalan pola. Grafik komputer sering dikenal dengan
istilah visualisasi data. Sebuah komputer yang menyerupai kemampuan manusia dalam
menangkap sinyal visual (human sight) dilakukan dalam empat tahapan proses dasar :
1. Proses penangkapan citra/gambar (image acquisition)
Proses penangkapan informasi visual dan proses pengubahan sinyal
analog menjadi data digital, yang siap untuk diporoses oleh komputer). Image
Acqusition pada manusia dimulai dengan mata, kemudian informasi visual
diterjemahkan ke dalam suatu format yang kemudian dapat dimanipulasi oleh
otak. Umumnya mata pada computer vision adalah sebuah kamera
video. Senada dengan proses di atas, computer vision membutuhkan mata untuk
menangkap sinyal visual.
Contohnya : Kamera menterjemahkan sebuah scene atau image.
2. Proses pengolahan citra (image processing)
Image processing adalah proses pengolahan informasi image yang telah
didigitalisasi oleh converter analog ke digital atau membantu peningkatan dan
perbaikan kualitas image, sehingga dapat dianalisa dan di olah lebih jauh secara
lebih efisien. Image processing akan meningkatkan perbandingan sinyal
terhadap noise. Sinyal-sinyal tersebut adalah informasi yang akan
merepresentasikan objek yang ada didalam image. Sedangkan noise adalah
segala bentuk interferensi, kekurang pengaburan, yang terjadi pada sebuah
objek.
3. Analisa data citra (image analysis)
Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama
dari objek melalui suatu proses investigasi. Sebuah program komputer akan
 mulai melihat melalui bilangan biner yang merepresentasikan informasi visual
untuk mengidentifikasi mengidentifikasi fitur fitur‐‐fitur fitur spesifik spesifik
dan dan karekteristiknya. Lebih khusus lagi program image analysis digunakan
untuk mencari tepi dan batas‐batasan objek dalam image.
4. Proses pemahaman data citra (image understanding)
Merupakan langkah terakhir dalam proses computer vision.pada bagian
ini akan melibatkan kajian tentang tehnik-tehnik artificial intelligent. Image
Understanding (dengan menerapkan konsep-konsep kecerdasan buatan -
artificial intelligent-untuk memahami data visual yang ditangkapnya). Ini
adalah langkah terakhir dalam proses computer vision, yang mana sprsifik objek
dan hubungannya di identifikasi. Pada bagian ini akan melibatkan kajian
tentang teknik-teknik artificial intelligent. Understanding berkaitan dengn
template matching yang ada dalam sebuah scene. Metoda ini menggunakan
program pencarian (search program) dan teknik penyesuaian pola (pattern
matching techniques)

E. Machine Learning
Machine learning adalah aplikasi artificial intelligence (AI) yang menyediakan
sistem kinerja secara otomatis serta belajar memperbaiki diri dari pengalaman tanpa
diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program
komputer yang bisa mengakses data dan menggunakannya untuk belajar sendiri.
Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang
di mana-mana dalam kehidupan sehari-hari. Proses pembelajaran dimulai dengan
observasi data, seperti contoh: pengelaman langsung, atau intruksi untuk mencari pola
data dan membuat keputusan yang lebih baik dimasa depan berdasarkan contoh
tersebut. Tujuan utamanya adalah membiarkan komputer belajar secara otomatis tanpa
intervensi atau bantuan manusia dan menyesuaikan aktivitas yang sesuai. Karena
teknologi komputasi, machine learning saat ini tidak seperti machine learning di masa
lalu.
Sementara, algoritma machine learning sudah ada sejak lama, kemampuannya
secara otomatis menggunakan perhitungan matematis yang kompleks ke data besar dan
yang lebih cepat merupakan perkembangan terakhir. Machine Learning merupakan
salah satu cabang dari disiplin ilmu AI (Artificial Intellegence) atau Kecerdasan Buatan
yang membahas mengenai pembangunan sistem yang berdasarkan data. contoh aplikasi
 pembelajaran mesin yang dipublikasikan secara luas adalah Mobil Google yang sangat
hyped dan self-driving dan penawaran rekomendasi online seperti Amazon dan Netflix.

F. Jaringan Syaraf Tiruan

Jaringan saraf tiruan (JST) merupakan salah satu teknologi pengolahan sinyal
terbaru di kotak peralatan insinyur. lingkup yang sangat interdisipliner, tetapi
pendekatannya akan membatasi pandangan ke perspektif rekayasa. Dalam rekayasa,
jaringan saraf melayani dua fungsi penting: sebagai pengklasifikasi pola dan sebagai
filter nonlinier adaptif. Dengan ini akan memberikan gambaran singkat mengenai teori,
belajar aturan, dan aplikasi model paling penting jaringan syaraf tiruan. Definisi dan
Gaya Komputasi Sebuah Jaringan Syaraf Tiruan adalah adaptif, sistem yang paling
sering nonlinier yang belajar untuk melakukan fungsi (input / peta output) dari data.
Adaptif berarti bahwa parameter sistem yang berubah selama operasi, biasanya disebut
fase pelatihan. Setelah tahap pelatihan Jaringan Syaraf Tiruan parameter tetap dan
sistem ini dikerahkan untuk memecahkan masalah yang dihadapi (tahap pengujian).
Jaringan Syaraf Tiruan dibangun dengan sistematis prosedur langkah-demi langkah
untuk mengoptimalkan kinerja atau kriteria untuk mengikuti beberapa kendala internal
implisit, yang umumnya disebut sebagai kaidah belajar. input / output data pelatihan
yang mendasar dalam teknologi jaringan saraf, karena mereka menyampaikan
informasi yang diperlukan untuk “menemukan” titik operasi optimal. Sifat nonlinier
dari elemen pemrosesan jaringan syaraf (PES) menyediakan sistem dengan banyak
fleksibilitas untuk mencapai hampir semua input yang diinginkan / skema keluaran,
yaitu, beberapa Jaringan Syaraf Tiruan adalah pembuat skema universal. Ada gaya
dalam perhitungan saraf yang patut menggambarkan.
Sebuah masukan disajikan ke jaringan saraf dan respon yang sesuai target yang
diinginkan atau ditetapkan pada output (ketika hal ini terjadi pelatihan disebut diawasi).
Kesalahan terdiri dari perbedaan antara respon yang diinginkan dan output sistem. Ini
informasi kesalahan diumpankan kembali ke sistem dan menyesuaikan parameter
sistem secara sistematis (aturan belajar). Proses ini diulang sampai kinerja yang dapat
diterima. Hal ini jelas dari gambaran bahwa kinerja sangat bergantung pada data. Jika
salah satu tidak memiliki data yang mencakup sebagian besar kondisi operasi atau jika
mereka berisik, maka teknologi jaringan saraf tiruan adalah mungkin bukan solusi yang
tepat. Di sisi lain, jika ada banyak data dan masalah ini kurang dipahami untuk
mendapatkan model perkiraan, maka teknologi jaringan syaraf tiruan adalah pilihan
 yang baik. Prosedur operasi ini harus kontras dengan desain teknik tradisional, terbuat
dari spesifikasi subsistem mendalam dan protokol pergaulan. Dalam jaringan saraf
tiruan, desainer memilih topologi jaringan, fungsi kinerja, aturan belajar, dan kriteria
untuk menghentikan fase pelatihan, tetapi sistem secara otomatis menyesuaikan
parameter. Jadi, sulit untuk membawa informasi apriori ke dalam desain, dan ketika
sistem tidak bekerja dengan baik itu juga sulit untuk secara bertahap menyempurnakan
solusi. Tapi solusi berbasis ANN sangat efisien dalam hal waktu dan sumber daya
pembangunan, dan dalam masalah yang sulit banyak jaringan syaraf tiruan memberikan
kinerja yang sulit untuk mencocokkan dengan teknologi lainnya. Denker 10 tahun yang
lalu mengatakan bahwa “jaringan saraf tiruan adalah cara terbaik kedua untuk
menerapkan solusi” termotivasi oleh kesederhanaan desain mereka dan karena
universalitas mereka, hanya dibayangi oleh desain tradisional yang diperoleh dengan
mempelajari fisika dari masalah. Saat ini, jaringan syaraf tiruan yang muncul sebagai
teknologi pilihan bagi banyak aplikasi, seperti pengenalan pola, prediksi, identifikasi
sistem, dan kontrol. Contoh Aplikasinya adalah GTE Process Monitor. GTE
Laboratories telah menggunakan jaringan saraf dalam pabrik bola lampunya. Tujuan
proyek ini adalah untuk mengidentifikasi parameter-parameter yang paling
berpengaruh terhadap proses produksi.

G. Automatic Programming
Automatic programming adalah proses pemakaian komputer untuk
menunjukkan beberapa tahap pekerjaan yang dilakukan dalam menyiapkan sebuah
program. Atau pembuatan program komputer bahasa mesin sesuai petunjuk
representasi simbolis program tersebut. Dalam ilmu komputer, istilah pemrograman
otomatis mengidentifikasi jenis pemrograman komputer di mana beberapa mekanisme
menghasilkan program komputer untuk memungkinkan pemrogram manusia untuk
menulis kode pada tingkat abstraksi yang lebih tinggi. Ada sedikit kesepakatan tentang
definisi yang tepat dari pemrograman otomatis, terutama karena maknanya telah
berubah dari waktu ke waktu. David Parnas, menelusuri sejarah "pemrograman
otomatis" dalam penelitian yang dipublikasikan, mencatat bahwa pada tahun 1940-an
itu menggambarkan otomatisasi proses manual meninju pita kertas. Kemudian
mengacu pada terjemahan bahasa pemrograman tingkat tinggi seperti Fortran dan
ALGOL. Bahkan, salah satu program paling awal yang dapat diidentifikasi sebagai
kompiler disebut Autocode. Parnas menyimpulkan bahwa "pemrograman otomatis
 selalu menjadi eufemisme untuk pemrograman dalam bahasa tingkat yang lebih tinggi
daripada yang tersedia untuk programmer. Contohnya adalah low-code development
platform (LCDP), yaitu perangkat lunak yang menyediakan lingkungan yang
digunakan programmer untuk membuat perangkat lunak aplikasi melalui antarmuka
dan konfigurasi pengguna grafis alih-alih pemrograman komputer tradisional.
H. Automated Reasoning/Teorema Proving
Penalaran otomatis merupakan bidang ilmu komputer dan logika matematika
didedikasikan untuk memahami berbagai aspek penalaran. Yang berfungsi untuk
menggunakan informasi yang disimpan untuk menjawab pertanyaan dan menarik
kesimpulan baru.
Penalaran otomatis telah paling umum digunakan untuk membangun provers
teorema otomatis. Seringkali, bagaimanapun, pembuktian teorema membutuhkan
beberapa panduan manusia agar efektif dan lebih umum memenuhi syarat sebagai
asisten bukti . Dalam beberapa kasus, provers semacam itu telah muncul dengan
pendekatan baru untuk membuktikan teorema. Teori Logika adalah contoh yang baik
untuk ini. Program ini datang dengan bukti untuk salah satu teorema di Principia
Mathematica yang lebih efisien (membutuhkan langkah lebih sedikit) daripada bukti
yang diberikan oleh Whitehead dan Russell. Program penalaran otomatis sedang
diterapkan untuk memecahkan semakin banyak masalah dalam logika formal,
matematika dan ilmu komputer, pemrograman logika , verifikasi perangkat lunak dan
perangkat keras, desain sirkuit , dan banyak lainnya. TPTP (Sutcliffe dan Suttner 1998)
adalah perpustakaan dari masalah-masalah seperti itu yang diperbarui secara teratur.
Ada juga kompetisi di antara pembalik teorema otomatis yang diadakan secara teratur
di konferensi CADE (Pelletier, Sutcliffe dan Suttner 2002); masalah untuk kompetisi
dipilih dari perpustakaan TPTP.

I. Sistem Pakar
Sistem Pakar merupakan suatu metode Artificial Intelligence yang berguna
untuk meniru cara berpikir dan penalaran seorang ahli dalam mengambil keputusan
berdasarkan situasi yang ada. Sistem Pakar pertama kali dikembangkan oleh komunitas
AI pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali ini adalah
General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon.
GPS (dan program-program yang serupa) ini mengalami kegagalan dikarenakan
 cakupannya terlalu luas, hingga kadang justru meninggalkan pengetahuan penting yang
seharusnya disediakan.
Sistem Pakar (Expert System) adalah usaha untuk menirukan seorang pakar.
Biasanya, Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu
mencapai tingkat performa yang sebanding sengan seorang pakar dalam bidang
problem yang khusus dan sempit. Ide dasarnya adalah kepakaran ditransfer dari seorang
pakar atau sumber kepakaran lain ke komputer, pengetahuan yang ada di simpan dalam
komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat,
lalu kemudian komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll)
seperti layaknya seorang pakar. Dan selanjutnya komputer akan menjelaskan ke
pengguna tersebut, dengan alasan-alasannya bila perlu.

J. Robotika
Robot adalah sebuah alat mekanik yang dapat melakukan tugas fisik, baik
menggunakan pengawasan dan kontrol manusia, ataupun menggunakan program.
Robot juga dilengkapi dengan sensor untuk pendeteksi terhadap sesuatu hal,
misalnya seperti sensor panas. Sesuai dengan namanya atau sering disebut
dengan Artificial Intelegensi (AI), Kecerdasan buatan adalah salah satu cabang sains
komputer yang mempelajari otomatisasi tingkah laku cerdas yang didasarkan pada
prinsip-prinsip teoritikal dan terapan yang menyangkut struktur data yang digunakan
dalam representasi pengetahuan, algoritma yang diperlukan dalam penerapan
pengetahuan itu, serta teknik teknik bahasa dan pemprograman yang dipakai dalam
implementasinya dan yang paling banyak menerapkan konsep kecerdasan
buatan adalah dunia robotika.
Sensor adalah piranti yang menerima input berupa suatu besaran atau sinyal
fisik yang kemudian megubahnya menjadi besaran atau sinyal lain yang diteruskan ke
kontroler. Terdapat banyak jenis sensor yang digunakan pada pembuatan robot.
Robot juga membutuhkan masukan (input) yang akan menentukan apa yang
harus dilakukan oleh robot. Input ini umumnya masuk ke dalam otak robot de
ngan berbagai macam cara. Ada yang menggunakan remote, atau diberikan sebelum
robot diaktifkan dan ada juga yang langsung diberikan pada robot melalui
programnya. Hal ini sangat berlaku bagi robot-robot industri pada umumnya.
Contohnya Rhino Robot XR-2 System: Robot ini dibuat oleh Rhino, Inc., dan
digunakan untuk simulasi tentang operasi dari robot-robot industri. Rhino XR-2 dapat
diprogram melalui komputer Apple dan programnya dapat disimpan di disk.
Sumber Referensi :
https://www.slideshare.net/laztorino/kecerdasan-buatan-40813381
http://ori50persen.blogspot.com/2010/12/jaringan-syaraf-tiruan.html
https://iagroup.wordpress.com/2010/10/03/jaringan-saraf-tiruan-dengan-kecerdasan-
buatan/
https://en.wikipedia.org/wiki/Automatic_programming
http://belajarbersamalita.blogspot.com/2015/06/kecerdasan-buatan-artificial-
intelegent.html
https://dedy1354.wordpress.com/pti/materi/kecerdasan-buatan/
https://ariefkendyblog.wordpress.com/2018/01/15/kecerdasan-buatan-pada-sistem-
robotik/