TUGAS BESAR 1

PENGANTAR KECERDASAN BUATAN

Dosen Pengampun : Hery Derajad Wijaya, S.Kom, MM

Disusun oleh :
Ari Satria Wiratama
41519010122

UNIVERSITAS MERCU BUATAN

FAKULTAS TEKNIK INFORMATIKA
TANGERANG
2020
No 1
Judul Artikel PENERAPAN EXTREME LEARNING
MACHINE (ELM) UNTUK PERAMALAN
LAJU INFLASI DI INDONESIA
Topik Artificial Intelligence
Data
Metode/Algoritma Metode Extreme learning machine (ELM)
Abstrak Inflasi merupakan salah satu indikator untuk
mengukur perkembangan suatu bangsa.
Apabila inflasi tidak terkontrol akan
memberikan banyak dampak negative
terhadap masyarakat disuatu negara. Ada
banyak cara untuk mengendalikan inflasi,
salah satunya dengan peramalan. Peramalan
adalah suatu aktivitas untuk mengetahui
kejadian di masa mendatang berdasarkan data
masa lalu. Pada penelitian ini menggunakan
metode kecerdasan buatan yakni extreme
learning machine (ELM). Kelebihan ELM
yaitu cepat dalam proses pembelajaran.
Berdasarkan penggujian yang dilakukan
metode ELM mendapatkan nilai kesalahan
sebesar 0.0202008, lebih kecil dibandingkan
dengan metode backpropagation sebesar
1.16035821. Hal tersebut membuktikan
bahwa metode ELM sangat cocok digunakan
untuk peramalan.
Hasil Pada peramalan laju inflasi menggunakan
extreme learning machine (ELM) dilakukan
pengujian parameter terhadap jumlah neuron
pada hidden layer. Pengujian ini bertujuan
untuk mengetahui jumlah neuron yang
optimal untuk melakukan peramalan laju
inflasi. Tabel 1 dan Gambar 2. menunjukkan
bahwa dengan metode extreme learning
machine nilai error tertinggi hanya terjadi
pada bulan juli 2005 yaitu 0.113691. Hal
tersebut membuktikan bahwa metode
extreme learning machine efektif digunakan
untuk peramalan karena selisih antara data
aktual dan data prediksi hanya 0.0202008.
Pada Tabel 2 di tunjukkan hasil perbandingan
metode ELM dan backpropagation.
Berdasarkan Tabel 2 ELM hanya
membutuhkan waktu 0 detik untuk
 mendapatkan nilai kesalahan sebesar
0.0202008.
Kesimpulan Pengujian yang dilakukan yaitu
pengujian jumlah neuron pada hidden layer,
hal tersebut bertujuan untuk mengetahui
seberapa banyak neuron yang diperlukan
untuk mendapatkan hasil yang optimal.
Berdasarkan pengujian tersebut didapatkan
bahwa arsitektur yang sesuai untuk peramalan
laju inflasi dengan menggunakan 9 parameter
uji adalah dengan 3 layer yaitu 1 layer input
yang terdiri dari 9 neuron, 1 layer hidden
dengan neuron sejumlah 20 neuron dan 1layer
output dengan 1 neuron. Fungsi aktivasi yang
digunakan adalah fungsi sigmoid karena
menyesuaikan range data 0-1. Penelitian ini
menegaskan bahwa ELM mempunyai
keunggulan pada cepatnya waktu komputasi
di proses pelatihan, performa ELM tidak
berkurang meskipun ada penambahan
variabel yang digunakan, selain kelebihan,
ELM juga mempunyai kekurangan yaitu pada
proses penentuan jumlah neuron di hidden
layer yang menggunakan proses trial dan
error. Untuk penelitian selanjutnya akan
dilakukan proses penentuan jumlah neuron di
hidden layer secara otomatis menggunakan
metode optimasi dengan tujuan untuk
membuat kinerja ELM lebih efektif dan
efisien.
Penulis Adyan Nur Alfiyatin,
Wayan Firdaus Mahmudy,
Candra Fajri Ananda,
Yusuf Priyo Anggodo
Nama junal,Volume,Nomor,Tahun Jurnal Teknologi Informasi dan Ilmu
Komputer (JTIIK), Vol. 6, No. 2, April 2019
Ulasan artikel Perkembangan inflasi pada bangsa Indonesia
bisa dilakukan dengan peramalan suatu
aktivitas. Peramalan tersebut dilakukan pada
penelitian menggunakan metode kecerdasan
buatan yaitu extreme learning machine
(ELM). Metode ini perkenal oleh Huang pada
tahun 2004. ELM merupakan jaringan syaraf
tiruan feed forward yang menggunakan
konsep Single Hidden Layer Feedforward
Neural Networks (SLFNs), dikarenakan ELM
hanya mempunyai satu hidden layer pada
arsitektur jaringannya. Dan untuk menemukan
peramalan akurat bisa menggunakan Tahapan
tahapan pada metode ELM seperti
Normalisasi data,Proses Training, Proses
Testing. Pada analisa dan hasil akhir,
dilakukannya penelitian pada pengujian
parameter terhadap jumlah neuron pada
hidden layer. Pengujian ini bertujuan untuk
mengetahui jumlah neuron yang optimal
untuk melakukan peramalan laju inflasi. Pada
pengujian ini dilakukan 10 kali percobaan
dengan kelipatan 2 sesuai dengan penelitian
yang telah di lakukan oleh Hidayat &
Suprapto (2012). Dan pada penelitian ini
menunjukkan bahwa dengan metode extreme
learning machine nilai error tertinggi hanya
terjadi pada bulan juli 2005 yaitu 0.113691.
Hal tersebut membuktikan bahwa metode
extreme learning machine efektif digunakan
untuk peramalan karena selisih antara data
aktual dan data prediksi hanya 0.0202008.
Beberapa penelitian juga menegaskan bahwa
nilai kesalahan ELM untuk peramalan relatif
kecil dan waktu yang dibutuhkan untuk
pelatihan cukup singkat (Handika, Giriantari
& Dharma. 2016; Hidayat & Suprapto 2012).
Dan pada akhir penelitian ini Pengujian yang
dilakukan yaitu pengujian jumlah neuron pada
hidden layer, hal tersebut bertujuan untuk
mengetahui seberapa banyak neuron yang
diperlukan untuk mendapatkan hasil yang
optimal. Berdasarkan pengujian tersebut
didapatkan bahwa arsitektur yang sesuai
untuk peramalan laju inflasi dengan
menggunakan 9 parameter uji adalah dengan
3 layer yaitu 1 layer input yang terdiri dari 9
neuron, 1 layer hidden dengan neuron
sejumlah 20 neuron dan 1 layer output dengan
1 neuron. Dan menunjukan bahwa pada
Penelitian ini menegaskan bahwa ELM
mempunyai keunggulan pada cepatnya waktu
komputasi di proses pelatihan, performa ELM
tidak berkurang meskipun ada penambahan
variabel yang digunakan, selain kelebihan,
ELM juga mempunyai kekurangan yaitu pada
 proses penentuan jumlah neuron di hidden
layer yang menggunakan proses trial dan
error.

No 2
Judul Artikel ANALISIS BEBAN KERJA MENTAL
TERHADAP APLIKASI DENGAN
ANTARMUKA CERDAS
Topik Artificial Intelligence
Data
Metode/Algoritma Metode NASA-TLX
Abstrak Penelitian ini mengeksplorasi tentang
bagaimana korelasi penerapan kognitif
ergonomi yang terdapat di beberapa
implementasi antarmuka sebuah perangkat
lunak maupun website. Antarmuka tersebut
diimplementasikan dengan dukungan
kecerdasan buatan sehingga tercipta fitur
antarmuka yang cerdas atau Intelligent User
Interface (IUI). Semakin cerdas fitur yang
dipersembahkan lewat antarmuka, ekspektasi
yang diharapkan adalah semakin rendah
beban kerja mental yang dirasakan pengguna
ketika melakukan pekerjaan. Bidang kognitif
ergonomi akan dikaji dari segi bagaimana sisi
kenyamanan user dalam hal proses mental
berpikir saat menggunakan fitur IUI,
khususnya yaitu bagaimana pengaruh jumlah
informasi di suatu aplikasi berdampak pada
sisi kenyamanan pengguna saat berinteraksi
dengan antarmuka cerdas. Proses
pengambilan data dan pengujian akan
dilaksanakan melalui kuesioner yang dirujuk
dari studi kognitif ergonomi dengan metode
NASA-TLX. Hasil kajian berupa
perbandingan hasil beban mental yang
dirasakan pengguna saat melakukan interaksi
dengan aplikasi yang sering digunakan sehari-
 hari untuk perkuliahan berdasarkan program
studi yang ditekuni di UAD. Frekuensi kerja
dengan aplikasi dan tingkat adaptasi teknologi
juga diprediksi akan mempengaruhi beban
kerja. Hasil akan divalidasi secara kualitatif
dari pengujian user experience secara
berkelompok.
Hasil Dalam penelitian ini, yang menjadi objek
penelitian adalah bagaimana penerapan fitur
antarmuka yang cerdas berpengaruh pada
beban mental pengguna sesaat setelah
menggunakan aplikasi. Berdasarkan
pemaparan dalam (“Human Cognitive
Workload Assessment Tool,” n.d.), beban
kerja kognitif (cognitive workload)
mendeskripsikan level kemampuan daya
kerja otak seseorang dalam suatu waktu,
dalam hal memproses informasi, bereaksi
dengan keadaan sekitar, dan dalam hal
membuat keputusan.
Kesimpulan Berdasarkan tingkat kecerdasan yang dimiliki
oleh antarmuka melalui teknik kuesioner
NASA-TLX dan controlled environment User
Experience. Feedback dari partisipan
menunjukkan adanya hasil yang berbeda dari
hipotesis awal, dimana semakin cerdas
antarmuka, beban mental yang dimiliki
pengguna akan lebih rendah. Beberapa
kondisi selama pengujian telah dianalisis,
dilihat dari latar belakang responden dan dari
aktivitas keseharian yang berkaitan dengan
tingkat adopsi teknologi serta frekuensi
penggunaan aplikasi untuk mengerjakan
cognitive task yang serupa. Rencana untuk
penelitian di masa datang, tingkat kecerdasan
aplikasi perlu untuk dibuat lebih signifikan.
Interaksi suara, gerak dan ekspresi lebih perlu
dilibatkan untuk merepresentasikan
kecerdasan antarmuka. Diversifikasi latar
belakang dan tingkat adopsi teknologi
responden juga perlu ditambah untuk dapat
menjawab hipotesis secara lebih akurat. Di
samping itu, motivasi responden juga perlu
ditingkatkan untuk memperbaiki kualitas
jawaban saat proses pengujian di
laboratorium.
Penulis Murein Miksa Mardhia,
Choirul Bariyah
Nama junal,Volume,Nomor,Tahun Jurnal Teknologi Informasi dan Ilmu
Komputer (JTIIK)
Vol. 7, No. 1, Februari 2020
Ulasan artikel Penelitian terhadap beban kerja mental dapat
dilakukan pada teknologi 4.0. Bisa dilakukan
dengan implementasi antarmuka. Antarmuka
tersebut diimplementasikan dengan dukungan
kecerdasan buatan sehingga tercipta fitur
antarmuka yang cerdas atau Intelligent User
Interface (IUI). Semakin cerdas fitur yang
dipersembahkan lewat antarmuka, ekspektasi
yang diharapkan adalah semakin rendah
beban kerja mental yang dirasakan pengguna
ketika melakukan pekerjaan. Proses
pengambilan data dan pengujian akan
dilaksanakan melalui kuesioner yang dirujuk
dari studi kognitif ergonomi dengan metode
NASA-TLX. Metode penelitian mengunakan
rancangan metode yang diacu seperti pada
(Zambon & Coluci, 2012). Pada tahapan
pertama yaitu mengumpulkan data sampel
aplikasi dengan fitur IUI. Beberapa contoh
penerapan antarmuka cerdas dari aplikasi-
aplikasi yang cenderung cukup familiar
digunakan oleh kelompok sampel pengguna
akan dijadikan sampel penerapan IUI.
Tahapan kedua yaitu mengidentifikasi kriteria
uji ergonomi kognitif. Dengan cara meneliti
tentang komponen ergonomi kognitif yang
visible untuk diamati dari interaksi yang
terjadi saat partisipan berkomunikasi lewat
antarmuka cerdas. Tahapan ketiga yaitu
merancang model kerangka kerja untuk
menguji aspek ergonomi kognitif untuk fitur
IUI di aplikasi/piranti. Tahapan keempat yaitu
proses perekrutan partisipan. Kelompok
responden direkrut dari latar belakang
keilmuan yang sering terlibat dengan
penggunaan aplikasi komputer. Tahap
terakhir yaitu memvalidasi model kerangka
uji. Model kuesioner NASA-TLX akan
digunakan untuk menilai bagaimana nilai
beban mental repsonden saat berinteraksi
dengan setiap fitur IUI di aplikasi. Dan hasil
 penelitian ini yang menjadi bahan objek
penelitian adalah bagaimana penerapan fitur
antarmuka yang cerdas berpengaruh pada
beban mental pengguna sesaat setelah
menggunakan aplikasi. Tapi memerlukan
faktor yaitu mempersepsikan tugas,
mengingat, dan mengeluarkan reaksi terhadap
solusi yang harus dilakukan. Dalam rangka
mengukur ketiga komponen tersebut, metode
evaluasi akan melibatkan teknik pengambilan
data dengan kuesioner NASA-TLX dan
pengamatan waktu dan ekspresi responden.
Tujuan hasil ini adalah untuk menentukan
apakah pekerjaan yang dilakukan responden
memiliki beban kerja rendah (underload),
optimal (optimal load), atau berlebihan
(overload). Kuesioner ini dibagi ke dalam dua
bagian: (1) Pemberian bobot, dan (2)
Pemberian Peringkat.

No 3
Judul Artikel PENGEMBANGAN MEDIA
PEMBELAJARAN MOBILE LEARNING
BERBASIS ANDROID PADA MATA
KULIAH KECERDASAN BUATAN
Topik Artificial Intelligence
Data
Metode/Algoritma (Research and Development) atau
R&D
Abstrak Penelitian ini bertujuan untuk
mengembangkan dan menghasilkan media
pembelajaran mobile learning berbasis
android pada mata kuliah kecerdasan buatan
yang tervalidasi dan mendeskripsikan
kevalidan, kepraktisan dan keefektifannya.
Penelitian ini merupakan Research and
Development dengan lima tahapan
(ADDIE), yaitu Analisis, Desain,
Pengembangan/Development, Implementasi
dan Evaluasi. Model pengembangan yang
digunakan adalah model pengembangan
multimedia versi Luther-Sutopo yang
 terdiri dari enam tahap, yaitu pengonsepan,
pendesainan, pengumpulan materi,
pembuatan, pengujian dan pendistribusian.
Hasil penelitian menunjukkan bahwa (1) uji
validitas dari 2 orang ahli media
menunjukkan nilai 94 dengan kategori sangat
valid; (2) uji praktikalitas dari 2 orang ahli
materi menunjukkan nilai 92,88 dengan
kategori sangat praktis; (3) uji efektifitas dari
9 orang mahasiswa pada perkuliahan
kecerdasan buatan menunjukkan nilai 93,63
dengan kategori sangat efektif. Berdasarkan
hasil uji validitas, praktikalitas dan efektifitas,
maka produk m-learning dinilai layak dan
dapat digunakan pada pembelajaran mata
kuliah kecerdasan buatan. Sehingga
disarankan dosen dan mahasiswa dapat
memanfaatkannya sebagai salah satu
alternatif media pembelajaran.
Hasil Uji praktikalitas produk juga
menggunakan instrumen angket yang diisi
olehdua orang ahli materi yaitu dosen mata
kuliah kecerdasan buatan. Lembar angket uji
validitas kepada ahli media terdiri dari 12
butir soal, yang terbagi dalam 3 aspek yaitu
aspek tampilan aplikasi, aspek isi materi dan
aspek manfaat aplikasi. Hasil uji praktikalitas
dari para ahli materi dapat dilihat bahwa hasil
dari aspek tampilan aplikasi diperoleh rata-
rata (96+88)/2 = 92; aspek isi materi
diperoleh rata-rata (90+90)/2 = 90; dan
aspek manfaat aplikasi (93,33+100)/2 =
96,66.Secara keseluruhan rata-rata penilaian
yang diperoleh dari dua orang ahli materi
menunjukkan nilai 92,88 dengan kategori
Sangat Praktis.
Kesimpulan Berdasarkan penelitian yang telah dilakukan
tentang pengembangan media pembelajaran
mobile learning berbasis android pada mata
kuliah kecerdasan buatan maka diperoleh
kesimpulan sebagai berikut : (1). Dihasilkan
produk media pembelajaran m-learning
berbasis android pada mata kuliah kecerdasan
buatan; (2). Hasil uji validitas dari 2 orang
ahli media menunjukkan nilai 94 dengan
kategori sangat valid, hasil uji
 praktikalitas dari 2 orang ahli materi
menunjukkan nilai 92,88 dengan kategori
sangat praktis, hasil uji efektifitas dari 9 orang
mahasiswa menunjukkan nilai 93,63 dengan
kategori sangat efektif; (3). Berdasarkan hasil
uji validitas, praktikalitas dan efektifitas
seperti yang diuraikan pada poin 2, maka
produk mlearning dinilai layak dan dapat
digunakan pada pembelajaran mata kuliah
kecerdasan buatan.
Penulis Agus Nur Khomarudin,
Liza Efriyanti,
Muhammad Tafsir
Nama junal,Volume,Nomor,Tahun JURNAL EDUCATIVE: Journal of Educational
Studies, Vol.3, No.1, Januari-Juni 2018
Ulasan artikel Dalam era ini media pembelajaran sudah
menggunakan mobile learning dan dapat
diakses oleh semua perangkat. Dalam
penelitian ini, penulis menggunakan Metode
Penelitian dan Pengembangan (Research and
Development) atau R&D. Metode R&D atau
penelitian dan pengembangan adalah metode
penelitian yang digunakan untuk
menghasilkan produk
tertentu, dan menguji keefektifan produk
tersebut. Model Research and Development
yang diterapkan adalah versi ADDIE. ADDIE
merupakan singkatan dari Analysis – Design
–Development – Implement - Evaluate. Uji
validitas produk dilakukan dengan
menggunakan instrumen angket. Instrumen
angket validasi diisi oleh dua orang ahli
desain yang berkompeten dibidangnya. Uji
praktikalitas produk juga menggunakan
instrumen angket yang diisi oleh dua orang
ahli materi yaitu dosen mata kuliah
kecerdasan buatan. Sedangkan instrumen
angket untuk uji efektifitas produk diisi oleh
mahasiswa yang mempelajari mata kuliah
kecerdasan buatan, dipilih secara acak tiga
orang mahasiswa yang berkemampuan tinggi,
tiga orang mahasiswa berkemampuan sedang
dan tiga orang mahasiswa berkemampuan
rendah. Dan tujuan dari penelitian yaitu
dilakukan dalam tahapan pertama yang
dilakukan sebelum pendesainan aplikasi. Pada
tahap ini penulis melakukan observasi dan
wawancara dengan dosen dan mahasiswa,
yang pada dasarnya dosen dan mahasiswa
mengharapkan adanya pemanfaatan teknologi
dan informasi dalam perkuliahan khususnya
pada media pembelajaran berbasis mobile.
Dan pada desain teknologi Perangakat lunak
(software) utama yang digunakan untuk
merancang m-learning dalam penelitian ini
adalah appypie atau appypie.com. Selain
software harus diperhatikan yaitu hardware
(tempat dimana aplikasi m-learning dapat
dijalankan). Aplikasi m-learning yang
dirancang dapat dijalankan pada smartphone
android dengan spesifikasi sebagai berikut :
sistem operasi android Lolipop 5.0 (minimal,
direkomendasikan android versi
6.0/marshmallow), RAM minimal 512 MB,
Resolusi layar minimal 4 inchi dan
Kebutuhan ruang pemasangan aplikasi 30,23
MB. Dan untuk Uji validitas produk
dilakukan dengan menggunakan instrumen
angket. Instrumen angket validasi diisi oleh
dua orang ahli desain dan ahli multimedia
yang berkompeten dibidangnya, serta
memiliki pendidikan minimal S2.
Uji praktikalitas produk juga menggunakan
instrumen angket yang diisi oleh dua orang
ahli materi yaitu dosen mata kuliah
kecerdasan buatan.