MAKALAH

APLIKASI PENERAPAN AI

Disusun Oleh:

Nama : Dwi Fadilah

NPM : 1061909

Prodi : Teknologi Rekayasa Perangkat Lunak

Kelas : 1 TRPL

Semester : 1 (Satu)

POLITEKNIK MANUFAKTUR NEGERI BANGKA BELITUNG

Kawasan Industri Air Kantung Sungailiat,

Bangka 33211Telp. (0717) 93586, Fax (0717) 93585

Email : polman@polman-babel.ac.id

Website : www.polman-babel.ac.id

TAHUN AJARAN 2019/2020

1|Page
 Kata Pengantar

Puji syukur atas berkat rahmat Allah SWT yang senantiasa memberikan rahmat-nya
kepada saya, sehingga saya dapat menyelsaikan Makalah dari mata kuliah Pengantar Teknologi
Informasi(PTI) ini dengan tepat waltu. Dan saya juga berterima kasih kepada teman-teman yang
telah membantu ataupun yang telah memberikan dukungan kepada saya dalam menysun dan
menyelsaikan Makalah ini.

Demikian, semoga laporan ini dapat bermanfaat. Terima kasih.

Pangkalpinang, 3 Desember 2019

Fadel Razsiah

DAFTAR ISI
Kata Pengantar........................................................................................................................................2
BAB I PENDAHULUAN..........................................................................................................................3
1.1 Latar Belakang Masalah..............................................................................................................3
Sejarah Artificial Intellegence (AI)........................................................................................................3
BAB II PEMBAHASAN............................................................................................................................5
A. Pengertian Artificial Intelligence (AI)...............................................................................................5
B. Penerapan Aplikasi AI.....................................................................................................................7
1. Spotify.........................................................................................................................................7
BAB 3 PENUTUP.....................................................................................................................................16
A. KESIMPULAN................................................................................................................................16

2|Page
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Sejarah Artificial Intellegence (AI)

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-
apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung
digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada
mesin penghitung mekanis yang dapat diprogram. Bertrand Russell dan Alfred North Whitehead
menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan
Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943
yang meletakkan fondasi untuk jaringan saraf. Tahun 1950-an adalah periode usaha aktif dalam
AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark
I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh
Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John
McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk
pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing
memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku

3|Page
cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan
psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan

pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program
berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan
Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan saraf
sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe
mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan
inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar
pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk
mengatasi jalan berintang yang kusut secara mandiri. Pada tahun 1980-an, jaringan saraf
digunakan secara meluas dengan algoritme perambatan balik, pertama kali diterangkan oleh Paul
John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-
teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan saraf.
Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model
jaringan saraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan
kembali algoritme pembelajaran propagansi balik (Back-Propagation learning). Algoritme ini
berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai
perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih
khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam
sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya
yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk
pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah
AS.

4|Page
 BAB II
PEMBAHASAN

A. Pengertian Artificial Intelligence (AI)

Kecerdasan buatan adalah kecerdasan yang ditambahkan kepada suatu sistem yang bisa
diatur dalam konteks ilmiah atau bisa disebut juga intelegensi artifisial (bahasa Inggris:
Artificial Intelligence) atau hanya disingkat AI, didefinisikan sebagai kecerdasan entitas ilmiah.
Andreas Kaplan dan Michael Haenlein mendefinisikan kecerdasan buatan sebagai “kemampuan
sistem untuk menafsirkan data eksternal dengan benar, untuk belajar dari data tersebut, dan
menggunakan pembelajaran tersebut guna mencapai tujuan dan tugas tertentu melalui adaptasi
yang fleksibel”. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan
dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang
dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara
lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan saraf tiruan dan robotika.

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika
relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan
persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi
manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk
direalisasikan dalam Informatika. Seperti contoh: Pengenalan Objek/Muka, bermain sepak bola.

Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang
sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi
yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin dan

5|Page
program komputer untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas.
Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk
menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah.
Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada
penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan
dalam bidang ekonomi, sains, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam
beberapa aplikasi perangkat lunak komputer rumah dan video game.

B. Penerapan Aplikasi AI

1. Spotify

Gambar1.1

Spotify adalah layanan musik streaming, podcast dan video komersial Swedia yang
menyediakan hak digital manajemen yang dilindungi konten dari label rekaman dan perusahaan
media. Ini tersedia di sebagian besar Amerika, Eropa Barat dan Oseania. Musik dapat diakses
atau dicari oleh artis, album, genre, playlist, atau label rekaman. Spotify beroperasi di bawah
model bisnis freemium, dengan dua streaming musik tingkatan: Spotify Gratis (160kbit/s) dan
Spotify Premium (hingga 320kbit/s). Berlangganan Premium dapat menghapus iklan,
meningkatkan kualitas audio dan memungkinkan pengguna untuk men-download musik untuk
mendengarkan secara offline. Spotify diluncurkan pada September 2008 oleh Swedia startup

6|Page
Spotify AB. Pada Juni 2015 Spotify memiliki lebih dari 75 juta pengguna aktif, termasuk sekitar
20 juta pengguna berbayar. Jumlah pelanggan dibayarkan mencapai 30 juta pada Maret 2016.
Spotify Ltd beroperasi sebagai perusahaan induk, yang berkantor pusat di London, sementara
Spotify AB menangani penelitian dan pengembangan di Stockholm.

Spotify menggunakan metode machine learning dibagian arsitekturnya yang disebut dengan
Collaborative Filtering untuk menghubungkan berbagai jenis musik yang sesuai dengan
persona pengguna. Hal ini ditunjukan dengan hadirnya fitur bernama Weekly Discover sejak
tahun 2015 silam dimana Spotify merangkum seluruh musik yang telah kalian dengar selama ini,
lalu secara ajaib meracik dan menyediakan list musik baru yang sesuai dengan preferensi kalian
dengan tingkat akurasi yang tinggi. Fitur tersebut tentunya sangat amat membantu para pengguna
Spotify untuk tidak lagi secara manual merancang playlist tersendiri dan memilih musik yang
sebegitu besar jumlahnya — melainkan tersedia dan diperbaruhi setiap minggunya secara
otomatis.

Gambar1.2

7|Page
Apa relevansinya Machine Learning dengan Musik?

Musik juga memiliki atribut, yaitu lirik dan interaksi instrumental. Interaksi instrumental
menghasilkan irama, yang pada dasarnya terdiri atas gabungan amplitudo atau gelombang suara,
dan gelombang ini yang mempengaruhi persepsi pendengar. Persepsi ini melandaskan keputusan
seseorang untuk menentukan bagus tidaknya sebuah lagu. Disinilah tantangan kalian sebagai
musisi untuk memadukan lirik dan instrumentasi lagu yang tepat sehingga tidak terjebak dalam
sebuah fenomena yang dikenal dengan Millenial Whooping.

Apa relevansi antara manusia, musik dalam Machine Learning?

Seperti yang telah dijelaskan diatas, jawabannya adalah persepsi. Berikuut adalah
penjelasan rinci bagaimana proses presepsi bekerja didalam machine learning dan bagaimana
kaitannya dengan interaksi manusia. Persepsi itu 90% subyektif dan 10% obyektif.
Sederhananya, kategori musik yang didengar mungkin terdengar aneh di telinga kalian, dan
sebaliknya. Namun, ada kondisi dimana kita sepakat bahwa lagu A layak didengar atau
tidak.Kesepakatan itu tercapai ketika persepsi sejalan dengan kita, namun bagaimana sebenarnya
kesepakatan itu tercapai? jawabannya ada pada atribut musik. Persepsi juga bisa bertumpu pada
lirik, pada irama, atau sebaliknya. Sungguh abstrak dan kompleks, namun hal ini terjadi dengan
sangat cepat karena otak yang sangat canggih. Tetapi hal tersebut, belum bisa dicapai oleh
mesin.

Gambar1.3

8|Page
 Didalam machine learning, tahap awal yang harus dicapai adalah untuk mendefinisikan
atribut musik yang terdiri atas puluhan ribu hingga jutaan lirik dan interaksi instrumental
kedalam genre, dimana genre ini sebenarnya adalah bahasa lain dari kumpulan amplitudo yang
dipaketkan kepada manusia melalui label Blues, Jazz, Pop, Electronic atau Rock. Jazz berbeda
dengan Electronic pada bagian atribut music.Lantas, seluruh atribut dari masing-masing musik
akan dikategorikan kedalam ID unik, misalnya ABC. Fungsi dari ID ini adalah untuk membantu
mesin didalam mengklasifikasikan sebuah lagu. Klasifikasi tersebut dijelaskan melalui sistem
kategorisasi Spotify dibawah. Namun sebelumnya, harus memahami mengenai bagaimana fungsi
ID dari masing-masing lagu yang terkumpul didalam platform bekerja.

Cara kerja :

Saya mendengar lagu dengan ID ABC, Amanda mendengar lagu dengan ID FDC. Secara teknis,
mesin akan melihat dan memahami bahwasanya lagu dengan ID ABC ∈ lagu dengan ID FDC =
C yang berarti terdapat persamaan di keduanya. Persamaan tersebut dilihat dari atribut musik.
Namun, persamaan tersebut masih menuai bias. Bias, dalam hal ini merupakan ambiguitas, dan
ambiguitas dilihat dari sebuah pertanyaan yang berbunyi sebagai berikut :

Darimana mesin dapat memastikan secara akurat bahwa Amanda menyukai lagu yang didengar
Cordova dan begitu juga sebaliknya?

Kalau diperhatikan dengan baik, pertanyaan diatas sebenarnya serupa dengan bagaimana
interaksi manusia di lingkungan sosial, yaitu :

Bagaimana kita tahu bahwa Cordova menyukai lagu yang kita dengar? atau sebaliknya?

Kalau kita amati berdasarkan pola interaksi manusia, maka jawaban atas ambiguitas diatas
adalah dengan mencoba mendengarkan lagunya terlebih dulu untuk melenyapkan asumsi, yang
kemudian disusul oleh jawaban. Nah, kata kunci atas persamaan ambiguitas baik dari perspektif
machine learning dan interaksi manusia adalah mencoba, dan mencoba dalam machine learning
dapat dijelaskan dengan konsep weights.

9|Page
 Gambar1.4

Apa itu Weights?

Kalau kalian menjawab berat maka benar, namun apa dan bagaimana konsep berat yang
dimaksud dalam konteks ini? Begini, kalau dalam interaksi manusia, weights ini bisa diartikan
sebagai data pendukung yang bertujuan untuk merumuskan beragam hipotesa yang tujuan
akhirnya adalah menghasilkan fakta.

Misalnya, di dalam menjawab ambiguitas diatas, kita bisa menggunakan analogi seperti halnya :

A : Bagaimana kamu bisa yakin kalau Cordova juga suka lagu yang sama seperti yang kamu
dengar?

Amanda : Oh, dia pernah sih bilang kalau dia suka genre yang sama seperti aku, yaitu
alternatives. Siapa tahu kan?

Apakah kalian melihat kata kunci dari weights diatas? genre. Lalu, setelah melihat jawaban
tersebut, apakah kalian para pembaca sudah yakin bahwa Cordova juga menyukai lagu yang

10 | P a g e
didengar oleh Amanda? Tentu saja belum, karena masih terlalu umum. Namun, setidaknya
jawaban diatas telah mengeliminasi asumsi awal yang bersifat prejudifikasi. Bagaimana ?

Coba perhatikan pola interaksi sebagai berikut :

A : Darimana kamu yakin bahwa Cordova juga menyukai lagu yang sama seperti yang kamu
dengar?

Amanda : Oh, dia pernah sih bilang kalau dia suka genre yang sama seperti aku, yaitu
alternatives. Siapa tahu kan?

A : Oh ya? tapi kan lagu dengan genre alternatives banyak. Bagaimana kamu bisa yakin kalo
lagunya sama? hm?

Perhatikan lanjutan interaksi yang ada di dalam contoh percakapan diatas. Lawan bicara Amanda
terdengar sedikit yakin, namun masih meragu karena genre terlalu umum kemudian
menghasilkan pertanyaan lanjutan yang lebih mengerucut mengenai lagu.

Dapat disimpulkan weights memiliki fungsi yang sangat penting, dan korelasi terhadap peran
musisi adalah untuk memastikan bahwa deskripsi atau informasi lagu yang dirancang
harus sangat jelas sejak awal.

Begitu juga didalam machine learning, weights didalam algoritma Spotify dideskripsikan
oleh parameter yang disebut PI atau Play Interval. Play interval sendiri secara definisi sangat
erat hubungannya dengan tingkat frekuensi yang digambarkan dengan seberapa sering lagu
tersebut dimainkan oleh pengguna Spotify. Lebih spesifiknya lagi, untuk meyakinkan mesin
melalui frekuensi atau PI ini sendiri, kita akan sedikit menyinggung soal quantitative behavior
yang melihat faktor, seperti frekuensi lagu tuntas dan tidak tuntas

Apa itu Quantitative Behavior?

Sebuah disiplin yang melihat probabilitas dalam perilaku pengguna dalam proses interaksi
dengan aplikasi. Probabilitas ini nantinya menentukan accessibility diagram.

11 | P a g e
Apa itu Accessibility Diagram?

Accessibility diagram merupakan sebuah mindmap yang memiliki konten yang terdiri atas peta
interaksi pengguna terhadap fitur yang ada didalam aplikasi.

Apa itu Peta Interaksi atau Interaction Map?

Peta interaksi atau Onboarding Flow adalah sketsa navigasi antar fitur didalam produk aplikasi.
Contoh ilustrasinya ada dibawah :

Dalam konteks Spotify, interaksi yang menjadi parameter kesuksesan baik untuk karir musisi
maupun pengguna aplikasi adalah melalui jumlah swipe yang terdapat di antara lagu. Semakin
sering pengguna melakukan swipe, maka sama seperti tidak menuntaskan lagu yang berdampak
buruk bagi presentase PI / Play Interval yang sudah saya jelaskan sebelumnya. Rendahnya PI
akan berpengaruh terhadap algoritma machine learning di Spotify untuk mengklasifikasikan lagu
tersebut sebagai lagu yang tidak populer dan akhirnya tidak bisa muncul di tangga rekomendasi
atau fitur yang dikenal dengan Weekly Discover. Tentu saja, bagi musisi ini merupakan koreksi
untuk selalu aktif didalam mempublikasi karya musiknya supaya bisa menyeimbangkan
penilaian algoritma dari yang awalnya mono menjadi uni. Bagaimana maksudnya?

Gambar1.5

12 | P a g e
Misalnya :

Saya merilis lagu A, dan hanya itu yang ada di feed karya saya, tentu saja penilaian PI
hanya berfokus pada lagu tersebut dan jika lagu tersebut sedang lemah di dalam kompetisi, maka
tidak ada penopang dari karya lainnya bagi algoritma untuk menghitung rata-rata dari karya saya
yang berpengaruh terhadap reputasi saya sebagai artist. Discoverability saya juga lemah, alhasil
saya tidak akan bisa meraih traksi pendengar yang signifikan dan darimana profit akan hadir?.
Bagi musisi, ini menjadi koreksi. Namun, dalam kasus lain, ketika seorang musisi telah memiliki
sederet karya, hal tersebut bukan berarti sudah menjamin aman sepenuhnya, karena algoritma
juga melihat dari tinggi dan rendahnya frekuensi pengguna yang melakukan skipping terhadap
lagu kalian.

Frekuensi skipping berhubungan erat dengan tidak tuntasnya permainan sebuah lagu dan
jika frekuensi tidak tuntas lebih tinggi dari tuntas maka kalian akan tertinggal didalam kompetisi
dan sulit untuk hinggap di tangga rekomendasi dan juga Weekly Discover.Lantas, memasuki
segmen terakhir tulisan, jangan lupakan juga bahwa algoritma machine learning didalam Spotify
memberlakukan sistem matching.

Apa itu Matching?

Matching adalah bagaimana algoritma Spotify menyesuaikan lagu terhadap persona

pendengar sehingga pendengar tidak harus memilih lagu pilihan atau favoritnya secara manual,
melainkan sudah disediakan oleh Spotify yang dalam konteks ini sudah dimention berulang kali
diimplementasi didalam fitur Weekly Discover. Prosesnya sama seperti yang telah dijelaskan
diatas mengenai menganalisa kesamaan atribut di antara kedua ID lagu yang didengar Amanda
dan Cordova, berikut riwayatnya :

Saya mendengar lagu dengan ID ABC, Amanda mendengar lagu dengan ID FDC. Secara
teknis, mesin akan melihat dan memahami bahwasanya lagu dengan ID ABC ∈ lagu dengan ID
FDC = C yang berarti terdapat persamaan di keduanya. Persamaan tersebut dilihat dari atribut
musik. Namun, kali ini dikalikan oleh Play Interval atau PI. Jika lagu yang Cordova dan Amanda

13 | P a g e
dengar memiliki kesamaan atribut baik lirik atau interaksi instrumentasi yang membentuk irama,
dan kedua individu mendengar kedua lagu tersebut secara intensif — maka algoritma machine
learning didalam Spotify akan menghubungkan saya dengan lagu yang didengar Amanda, begitu
juga sebaliknya

Di dunia nyata, pengguna bukan hanya Cordova dan Amanda tapi juga puluhan juta
pendengar di seluruh dunia. Jadi, bisa dibayangkan seberapa efisiennya sistem yang
diimplementasikan di dalam arsitektur Spotify. Saya juga menjamin bahwa 90% lagu yang ada di
bagian Discover Weekly akan sesuai dengan taste kalian, karena pada saat saya menulis ini —
saya sembari mendengarkan kumpulan lagu alternatives dari artist yang saya belum pernah tahu
tapi, langsung klop.

14 | P a g e
 BAB 3
PENUTUP

A. KESIMPULAN

Dengan menggunakan AI (Artificial Intelligence) pada system informatika dapat

mengatasi kesulitan yang kelihatan sulit untuk kecerdasan manusia. Dan dengan menggunakan
AI dapat mempercepat dan mempermudah mengatasi suatu kasus. Pada Spoyify menggunakan
AI pada bagian machine learning. Dengan menggunakan AI pada Spotify dapat menghubungkan
berbagai jenis musik yang sesuai dengan persona pengguna. Didalam machine learning memiliki
beberapa bagian yang berguna untuk menunjang machine learning agar dapat bekerja lebih
maksimal. Selain Spotify masih banyak lagi aplikasi lain yang menggunakan AI (Artificial
Intelligence) fungsinya tegantung masing-masing aplikasi tersebut.

15 | P a g e