KATA PENGANTAR

Era Digitalisasi pada Industri 4.0 di Indonesia saat ini dihadapkan pada tantangan hadirnya
permintaan dan penawaran talenta digital dalam mendukung perkembangan ekosistem industri teknologi.
Tantangan tersebut perlu dihadapi salah satunya melalui kegiatan inovasi dan inisiasi dari berbagai pihak
dalam memajukan talenta digital Indonesia, baik dari pemerintah maupun mitra kerja pemerintah yang
dapat menyiapkan angkatan kerja muda sebagai talenta digital Indonesia. Kementerian Komunikasi dan
Informatika melalui Badan Penelitian dan Pengembangan Sumber Daya Manusia sejak tahun 2018-2019,
telah menginisiasi Program Digital Talent Scholarship yang telah berhasil dianugerahkan kepada 26.000
penerima pelatihan di bidang teknologi informasi dan komunikasi. Program Digital Talent Scholarship ini
ditujukan untuk memberikan pelatihan dan sertifikasi tema-tema bidang teknologi informasi dan
komunikasi, diharapkan menjadi bagian untuk memenuhi permintaan dan penawaran talenta digital
Indonesia.

Tahun ini, Program Digital Talent Scholarship menargetkan pelatihan peningkatan kompetensi bagi
60.000 peserta yang bertujuan untuk meningkatkan keterampilan dan daya saing SDM bidang teknologi
informasi dan komunikasi sebagai bagian dari program pembangunan prioritas nasional. Program pelatihan
DTS 2021 ditujukan untuk meningkatkan keterampilan, keahlian angkatan kerja muda Indonesia,
masyarakat umum dan aparatur sipil negara di bidang teknologi informasi dan komunikasi sehingga dapat
meningkatkan produktivitas dan daya saing bangsa di era Industri 4.0.

Program DTS 2021 secara garis besar dibagi menjadi Tujuh akademi, yaitu: Fresh Graduate Academy
(FGA), Program pelatihan berbasis kompetensi bersama GlobalTech yang ditujukan kepada peserta
pelatihan bagi lulusan S1 bidang TIK dan MIPA, dan terbuka bagi penyandang disabilitas; Vocational School
Graduate Academy (VSGA), Program pelatihan berbasis kompetensi nasional yang ditujukan kepada peserta
pelatihan bagi lulusan SMK dan Pendidikan Vokasi bidang TI, Telekomunikasi, Desain, dan Multimedia;
Coding Teacher Academy (CTA), Program pelatihan merupakan program pelatihan pengembangan
sumberdaya manusia yang ditujukan kepada peserta pelatihan bagi Guru setingkat SMA/SMK/MA/SMP/SD di
bidang pemrograman. Online Academy (OA), Program pelatihan OA merupakan program pelatihan Online di
bidang Teknologi Informasi yang ditujukan kepada peserta pelatihan bagi Masyarakat umum, ASN,
mahasiswa, dan pelaku industri; Thematic Academy (TA), Program pelatihan TA merupakan program
pelatihan multisektor bagi pengembangan sumberdaya manusia yang ditujukan kepada peserta pelatihan
dari jenjang dan multidisiplin yang berbeda; Regional Development Academy (RDA), Program pelatihan RDA
merupakan program pelatihan pengembangan sumberdaya manusia yang ditujukan untuk meningkatkan
kompetensi ASN di Kawasan Prioritas Pariwisata dan 122 Kabupaten Prioritas Pembangunan. Digital
Entrepreneurship Academy (DEA), Program pelatihan DEA merupakan program pelatihan pengembangan
sumberdaya manusia yang ditujukan kepada talenta digital di bidang Usaha Mikro, Kecil, dan Menengah
(UMKM).

Selamat mengikuti Pelatihan Digital Talent Scholarship, mari persiapkan diri kita menjadi talenta digital
Indonesia.

Jakarta, 24 Februari 2021

Kepala Badan Penelitian dan Pengembangan Sumber Daya Manusia
Kementerian Komunikasi dan Informatika Republik Indonesia
Dr. Hary Budiarto, M.Kom

Pendahuluan

Latar belakang
Tujuan Pembelajaran

A. Tujuan Umum
Setelah mempelajari modul ini peserta latih diharapkan mampu menjelaskan lingkup
pelatihan Artificial Intelligence untuk membuat sistem intelijen dari data
menggunakan metodologi Data Science sesuai SKKNI.

B. Tujuan Khusus
Adapun tujuan mempelajari unit kompetensi melalui modul Pengantar Pelatihan AI
untuk Instruktur ini adalah untuk menyiapkan peserta latih sehingga pada akhir
pelatihan diharapkan memiliki kemampuan sebagai berikut:
1. Mampu menjelaskan lingkup pelatihan bidang Artificial Intelligence
2. Mampu menjelaskan lingkup kompetensi yang diperlukan pada pengembangan
sistem intelijensi menggunakan data
3. Mampu memasang tools utama yang diperlukan untuk menyelesaikan masalah
dengan menggunakan data science.

Latar Belakang

Unit kompetensi ini dinilai berdasarkan tingkat kemampuan peserta dalam memahami
konsep dasar AI termasuk konsep dari teknologi AI. Adapun penilaian dilakukan
dengan menggabungkan serangkaian metode untuk menilai kemampuan dan
penerapan pengetahuan pendukung penting. Penilaian dilakukan dengan mengacu
kepada Kriteria Unjuk Kerja (KUK) dan dilaksanakn di Tempat Uji Kompetensi (TUK),
ruang simulasi atau workshop dengan cara:
1.1. Lisan
1.2. Wawancara
1.3. Tes tertulis
1.4. Metode lain yang relevan

Deskripsi Pelatihan

Materi ini berisi penjelasan mengenai konsep dasar AI termasuk konsep teknologi AI dan
cabang AI.

Kompetensi Dasar

A. Mampu memahami konsep dasar Artificial Intelligence

B. Mampu mengidentifikasi konsep teknologi pada sebuah aplikasi AI

Indikator Hasil Belajar

 Dapat melakukan identifikasi konsep teknologi AI yang digunakan pada sebuah aplikasi AI dan
memahami konsep dasar pada berbagai teknologi AI

INFORMASI PELATIHAN

Akademi Thematic Academy

Mitra Pelatihan Kementerian Komunikasi dan Informatika

Tema Pelatihan Data Scientist: Artificial Intelligence untuk Dosen

dan Instruktur

Sertifikasi • Certificate of Attainment;

• Sertifikat Kompetensi Associate Data Scientist

Persyaratan Sarana Peserta/spesifikasi device Memiliki laptop/komputer dengan spesifikasi

Tools/media ajar yang akan digunakan
minimal :
• RAM minimal 2 GB (disarankan 4 GB)
• Laptop dengan 32/64-bit processor
• Laptop dengan Operating System Windows 7,
8, 10, MacOS X atau Linux
• Laptop dengan konektivitas WiFi dan memiliki
Webcam
• Akses Internet Dedicated 126 kbps per peserta
per perangkat
• Memiliki aplikasi Zoom
• Memiliki akun Google Colab

Aplikasi yang akan digunakan selama pelatihan • Spyder

• Jupyter notebook

Tim Penyusun Tim Pusat AI ITB (PUI-PT AI-VLB):

• Dwi Hendratmo Widyantoro
• Masayu Leylia Khodra
• Nur Ulfa Maulidevi
• Dessi Puji Lestari
• Windy Gambetta
• Nugraha Priya Utama
• Ayu Purwarianti

INFORMASI PEMBELAJARAN

Unit Kompetensi Materi Kegiatan Durasi Rasio Sumber pembelajaran

pembelajaran pembelajaran Pelatihan Praktek
: Teori
 Mampu Modul dan Slide Daring/online Live Class 40:60 [1] Stuart J Russell & Peter
menjelaskan dalam 2JP Norvig, Artificial
konsep dasar AI memahami LMS 4JP Intelligence: A Modern
dengan benar dan konsep dasar AI Approach, 3rd Edition,
mengidentifikasi Prentice-Hall
konsep teknologi International, Inc, 2010
AI yang digunakan [2] Ayu Purwarianti,
pada sebuah Bambang Riyanto, Dessi
aplikasi AI Puji Lestari, Intan
Muchtadi Alamsyah,
Nugraha Priya Utama,
Ridwan Sutriadi, Sapto
Wahyu Indratno, Sophi
Damayanti, “Artificial
Intelligence di Masa
Pandemi”, ITB Press, 2021

Materi Pokok

Penjelasan konsep dasar AI termasuk konsep teknologi AI dan cabang AI

Sub Materi Pokok

• Definisi Artificial Intelligence

• Perancangan Intelligent Agent
• Jenis Teknologi Artificial Intelligence
• Teknologi AI sebagai bagian dari Revolusi Industri 4.0
• Perkembangan Teknologi Artificial Intelligence
• Penerapan Teknologi Artificial Intelligence
• Tantangan dalam Pengembangan Teknologi Artificial Intelligence di Indonesia
 MATERI PELATIHAN

A. Definisi Artificial Intelligence

Terdapat berbagai istilah mengenai Artificial Intelligence (AI), diantaranya adalah seperti
yang tertera pada [1] dimana terdapat 4 macam definisi AI yaitu berfikir rasional,
bertindak rasional, berfikir seperti manusia dan bertindak seperti manusia. Pengertian
setiap definisi ini dapat dilihat pada tabel berikut.

Tabel 1. Empat Konsep Definisi Artificial Intelligence[1]

Thinking Humanly Thinking Rationally

“The exciting new effort to make
computers think.. Machines with minds,
in the full and literal sense” (Haugeland,
1985)
“[The automation of] activities that we
associate with human thinking, activities
such as decision making, problem solving,
learning …” (Bellman, 1978)
Acting Humanly
“The art of creating machines that
perform functions that require
intelligence when performed by people.”
(Kurzweil, 1990)
“The study of how to make computers do
things at which, at the moment, people
are better.” (Rich and Knight, 1991)
“The study of mental faculties through
the use of computational models.”
(Charniak and McDermott, 1985)
“The study of the computations that
make it possible to perceive, reason, and
act.” (Winston, 1992)
Acting Rationally
“Computational Intelligence is the study
of the design of intelligent agents.” (poole
et al., 1998)
“AI .. Is concerned with intelligent
behavior in artifacts.” (Nilsson, 1998)

Teknologi yang berada pada definisi AI sebagai “berfikir” adalah teknologi mengenai cara
kerja otak manusia (humanly) atau teknologi mengenai model komputasi yang bersifat
rasional (rationally).

Berbeda dengan definisi AI sebagai “berfikir”, definisi AI sebagai “melakukan aksi” lebih
fokus pada aksi atau output yang dihasilkan dari sebuah teknologi, baik output yang
mirip dengan aksi manusia (acting humanly) atau aksi yang mengikuti kaidah (acting
rationally). Terdapat perbedaan yang tipis antara acting humanly dan acting rationally,
karena aksi manusia dapat bersifat rasional, sehingga sebuah teknologi bisa saja
digolongkan ke dalam keduanya.
 Gambar 1. Contoh Teknologi AI untuk setiap Definisi

Selain definisi di atas, European Commission mendefinisikan AI sebagai sebuah sistem

yang menampilkan perilaku cerdas dengan menganalisis lingkungannya menggunakan
algoritma tertentu dan mengambil tindakan - dengan beberapa tingkat otonomi - untuk
mencapai tujuan tertentu [AI HLEG European Commission, “A Definition of AI: Main
Capabilities and Disciplines,” 2019].

Perancangan Intelligent Agent

Lebih lanjut, pada buku [1] juga dinyatakan bahwa AI dapat dinyatakan sebagai sebuah
intelligent agent yang menghasilkan aksi menggunakan actuator berdasar persepsi
yang diperoleh dari lingkungannya melalui sensor. Untuk memastikan kemungkinan
sebuah intelligent agent itu bisa dibangun atau tidak serta resiko kegagalan sebuah
intelligent agent, diperlukan perancangan terlebih dahulu. Merancang sebuah intelligent
agent berarti mendefinisikan PEAS (performance measure/pengukuran performansi,
environment/lingkungan, actuator/aktuator, dan sensor) untuk sebuah task. Sebagai
contoh, untuk merancang pengemudi taksi otomatis, dapat ditetapkan PEAS sebagai
berikut:

• Pengukuran performansi: aman, cepat, tidak melanggar aturan lalu lintas,

kenyamanan penumpang
• Lingkungan: jalan, rambu-rambu lalu lintas, kendaraan lain, penumpang
• Aktuator: kemudi, gas, rem, klakson
• Sensor: kamera, sonar, speedometer, GPS
Salah satu poin penting pada perancangan intelligent agent ini adalah lingkungan atau
environment yang tipenya dapat dilihat pada tabel di bawah ini.

Tabel 2. Tipe Lingkungan pada Intelligent Agent[1]

Tipe Lingkungan Penjelasan

Fully observable (vs partially An agent's sensors give it access to the complete
observable) state of the environment at each point in time.

Deterministic(vs. stochastic) The next state of the environment is completely

determined by the current state and the action
executed by the agent. (If the environment is
deterministic except for the actions of other agents,
then the environment is strategic)

Episodic (vs. sequential) The agent's experience is divided into atomic

"episodes" (each episode consists of the agent
perceiving and then performing a single action), and
the choice of action in each episode depends only on
the episode itself

Static (vs dynamic) The environment is unchanged while an agent is

deliberating

Discrete(vs. continuous) A limited number of distinct, clearly defined

percepts and actions.

Single agent(vs. multiagent) An agent operating by itself in an environment

Known(vs Unknown) This distinction refers not to the environment itself

but to the agent’s (or designer’s) state of knowledge
about the “laws of physics” of the environment

Untuk merancang sebuah intelligent agent, selain merancang PEAS, diperlukan juga
penetapan tipe lingkungan untuk intelligent agent yang ingin dikembangkan. Untuk itu,
perlu dipilih nilai bagi setiap tipe lingkungan pada tabel di atas. Contoh tipe lingkungan
untuk catur dan autonomous driving dapat dilihat pada tabel di bawah ini.

Tabel 3. Contoh Tipe Lingkungan untuk Beberapa Intelligent Agent[1]

Chess with a clock Chess without a Taxi driving

clock
Fully Observable Yes Yes No
Deterministic Deterministic Deterministic No
 Episodic No No No
Static Semi Yes No
Discrete Yes Yes No
Single agent No No No

B. Jenis Teknologi Artificial Intelligence

Terdapat berbagai jenis pembagian teknologi AI. Yang pertama adalah berdasarkan
tujuan task-nya. Berdasarkan tujuan task, terdapat dua jenis teknologi AI yaitu ANI
dimana task yang dikerjakan adalah khusus untuk domain atau tujuan tertentu serta
general AI yang sering juga disebut strong AI, dimana AI yang dihasilkan dapat melakukan
berbagai hal seperti seorang manusia secara utuh. General AI memiliki tipe kecerdasan
seperti manusia, kecerdasan yang mampu beradaptasi dan mampu melakukan tugas
secara luas, mulai tugas yang sederhana hingga yang kompleks. Adapun contoh specific
AI adalah chatbot untuk pemesanan tiket pesawat, klasifikasi jenis penyakit kulit, dst.

Pembagian kedua adalah berdasar prinsip kerja teknologi AI. Berdasar prinsip kerja
teknologi AI, AI (intelligent agent) dapat digolongkan menjadi problem solving agent dan
knowledge based agent[1]. Prinsip kerja teknologi AI pada problem solving agent adalah
penggunaan algoritma searching untuk mencari solusi terbaik dari sebuah persoalan.
Contoh persoalan yang dapat diselesaikan oleh problem solving agent adalah persoalan
pencarian rute terpendek dari sebuah lokasi asal ke lokasi tujuan, persoalan penjadwalan
kelas, persoalan pewarnaan peta, permainan catur, dll.

Pada problem solving agent, seluruh kandidat solusi sudah dapat didefinisikan dari awal
dan pencarian solusi terbaik dilakukan berbasis pada algoritma pencarian yang dapat
dibagi menjadi classical search dan local search. Pada classical search, jalur pencarian
merupakan hal penting yang harus dihasilkan. Sedangkan pada local search (terbagi atas
uninformed/blind search dan informed search), jalur pencarian tidak penting, sehingga
solusi bisa dicari dengan menggunakan algoritma yang lebih efisien dibandingkan
dengan classical search. Contoh persoalan yang tidak memerlukan jalur pencarian adalah
pewarnaan peta atau penjadwalan kelas. Pembagian algoritma searching pada problem
solving agent adalah sebagai berikut:

1. UnInformed/Blind Search
 a. Pencarian dilakukan tanpa informasi tambahan mengenai solusi terbaik
b. Informasi yang tersedia adalah definisi problem
c. Contoh: DFS, BFS, IDS, UCS , DLS
2. Informed Search
a. Disebut juga dengan Heuristic Search
b. Memiliki informasi tambahan yang terkadang berguna
c. Mengetahui jika sebuah langkah memiliki nilai yang lebih baik daripada
langkah lainnya
d. Contoh: Best FS, A*
3. Local Search (untuk Optimization Problem)
a. Tidak pentingnya mencari jalur menuju tujuan/goal
b. Menggunakan memory yang lebih kecil dibandingkan classical search
c. Dapat menemukan solusi yang masuk akal dalam ruang pencarian yang
besar yang masih memungkinkan algoritma yang sistematik
d. Contoh: Hill-climbing search, simulated annealing search, GA

Pada knowledge based agent, prinsip kerja paling utama adalah pemanfaatan knowledge
dalam menyelesaikan sebuah persoalan. Pada knowledge based agent ini, kandidat solusi
tidak dapat didefinisikan dari awal atau bersifat non-deterministik. Solusi dihasilkan dari
hasil penalaran terhadap knowledge yang ada. Knowledge ini dapat ditetapkan secara
manual dan bisa berasal dari pakar atau juga ditetapkan secara otomatis dari data
menggunakan algoritma machine learning. Untuk KBS tipe pertama, sering disebut
dengan symbolic based KBS dimana terdapat 5 tipe pengetahuan:

1. Declarative knowledge, yaitu pengetahuan mengenai sesuatu yang bisa disebut

dengan concepts, facts atau objects
2. Procedural knowledge, yaitu pengetahuan tentang bagaimana melakukan sesuatu,
bisa berupa rule, strategy, procedure atau agenda. Sering juga disebut dengan
imperative knowledge
3. Meta knowledge, yaitu pengetahuan yang menjelaskan suatu pengetahuan lain
4. Heuristic knowledge, yaitu rules of thumb yang berdasar pada pengalaman
sebelumnya
5. Structural knowledge, yang menjelaskan hubungan antar konsep

Adapun bentuk representasi pengetahuan dapat dibagi menjadi 4 bentuk sbb:

 1. Production rule, dimana rule memiliki representasi yang terdiri atas pasangan
kondisi dan aksi
2. Representasi Logic, dimana pengetahuan direpresentasikan dalam notasi logic
seperti propositional logic, predicate logic, modal logic, dll
3. Semantic network, direpresentasikan sebagai sebuah graphical network yang
terdiri atas concept yang saling terhubung
4. Frame representation, direpresentasikan sebagai sebuah struktur yang terdiri atas
kumpulan atribut dan nilainya untuk menggambarkan sebuah entitas

Untuk knowledge yang dihasilkan dari data secara otomatis menggunakan algoritma
machine learning disebut dengan model AI, dan agent yang menggunakan teknik ini
disebut juga dengan learning agent. Pendekatan menggunakan algoritma machine
learning akan dijelaskan pada modul-modul berikutnya.

Dalam perkembangannya, teknologi AI juga dapat diturunkan menjadi beberapa cabang

yang merepresentasikan domain, diantaranya adalah speech processing, natural language
processing, image processing, dll. Natural language processing adalah teknologi AI pada
domain teks bahasa yang mencakup pemahaman dan pembangkitan teks. Input berupa
teks dapat berasal dari berbagai sumber seperti dokumen dijital, suara yang ditranskripsi
menggunakan ASR (Automatic speech recognition), bahasa isyarat yang diterjemahkan
menggunakan Sign Language Recognition atau dokumen cetak yang ditransformasi
menjadi dijital menggunakan OCR. Input teks tersebut merupakan masukan bagi modul
pemahaman atau pembangkitan teks yang berikutnya dapat menghasilkan berbagai
output seperti knowledge graph, ringkasan (summary), dashboard analisis (klasifikasi),
atau teks panjang seperti respon sebuah chatbot atau hasil terjemahan. Perbedaan antara
modul pemahaman dan pembangkitan teks adalah jenis input atau outputnya yang harus
berupa teks. Untuk modul pemahaman teks, inputnya harus berupa teks. Sedangkan
untuk modul pembangkitan teks, outputnya harus berupa teks. Modul yang kedua input
dan outputnya berupa teks biasanya digolongkan ke dalam modul pembangkitan teks,
seperti text summarization, machine translation, dan chatbot.
 Gambar 2. Lingkup Teknologi Natural Language Processing (Text) [2]

Contoh cabang AI lainnya adalah speech processing. Speech processing adalah teknologi AI
pada domain suara (teknologi dengan input atau output berupa gelombang suara), yang
mencakup pengenalan suara (speech recognition), pembangkitan suara (speech synthesis
atau text to speech), pengenalan pembicara (speaker recognition), dan Para linguistic,
seperti dapat dilihat pada gambar di bawah ini. Task pengenalan suara bertujuan
mengubah input sinyal suara menjadi rangkaian teks. Task pembangkitan suara
bertujuan untuk mengubah input teks menjadi sinyal suara. Task pengenalan pembicara
bertujuan untuk mengenali atau membedakan pembicara. Task para linguistic bertujuan
untuk menganalisis sinyal suara ke dalam label tertentu misalnya emosi dll.

Gambar 3. Lingkup Teknologi Speech Processing [2]

Contoh cabang AI lainnya adalah Image processing yang merupakan teknologi AI pada
domain gambar. Image processing mencakup task analisis gambar dan pembangkitan
gambar. Image processing juga mencakup pemrosesan video yang dapat diasumsikan
sebagai rangkaian gambar.

C. Teknologi Artificial Intelligence sebagai bagian dari Revolusi Industri 4.0

Teknologi AI merupakan teknologi yang mulai berkembang sejak abad 19 dan saat ini
sudah digunakan dalam berbagai bidang kehidupan, baik di industri maupun kehidupan
sehari-hari. AI merupakan teknologi yang mendorong terbentuknya Revolusi Industri 4.0
selain big data, cloud serta edge computing dan internet of things, dimana otomatisasi
dilengkapi dengan kecerdasan atau intelligence sehingga dapat memberikan nilai lebih
bagi berbagai teknologi otomatisasi.
Definisi internet of things adalah peralatan/gadget sehari-hari atau objek yang terhubung
dengan Internet dan memiliki kemampuan untuk mengumpulkan dan mengirimkan data,
biasanya berfungsi sebagai sensor pada sebuah intelligent agent. Contoh IoT pada
keseharian/rumah dalam bentuk smart consumer goods: smart bulb, smart light switch,
smart doorlock, smart watch, smartphone, fitness tracker, smart tv, smart thermostat,
smart toilet, smart bike lock dll.
Pengertian cloud computing adalah penyimpanan dan pemrosesan data pada data center
(server) melalui jaringan internet sedangkan pengertian edge computing adalah
pemrosesan data di peralatan seperti smart camera atau smartphone yang saat ini
semakin powerfull. Kedua teknologi ini sudah banyak digunakan dalam kehidupan
sehari-hari, misalnya pada saat seseorang mengakses email berbasis web, mengupload
foto/video di youtube/facebook/google drive, menggunakan office 365 atau google doc,
mengorder layanan online seperti go-food, go-jek, atau booking hotel melalui sebuah
aplikasi di smartphone. Teknologi ini juga memungkinan penyediaan “software-as-a-
service” untuk bisnis seperti platform untuk consumer services, inventory management,
recruiting & HR, design, retail dan shipping oleh cloud provider.
Pengertian big data adalah pengelolaan data dalam ukuran besar, yang tidak dapat
ditangani oleh pengelolaan data biasa. Ukuran data yang besar dapat mengakibatkan
pengaksesan data menjadi lambat. Untuk mempertahankan performansi pengelolaan
data yang cepat, maka diperlukan teknologi khusus pengelolaan data dalam ukuran besar
baik dalam menangkap (capture), mengkurasi (curation), penyimpanan (storage),
pencarian (search), sharing, transfer, analysis serta visualization. Selain untuk
 pengaksesan data, ketersediaan big data juga mendukung pengambilan keputusan yang
lebih baik serta penemuan informasi berharga dari data yang berukuran besar ini.
Dalam perkembangannya, karakteristik big data secara lengkap dapat dinyatakan
sebagai berikut:

• Velocity: kecepatan data yang dihasilkan (per detik, per menit, per jam, per hari,
dst).
• Volume: jumlah data yang diakumulasikan (terabyte, petabyte, exabyte, zettabye,
yottabyte dst)
• Variety: jenis/ragam data yang bermacam-macam: terstruktur, semi-terstruktur,
tidak terstruktur (teks, suara, gambar, video dll)
• Veracity: kesesuaian dengan fakta dan akurasi (khususnya dari data tidak
terstruktur)
• Value: kemampuan untuk mengubah data ke value (profit, manfaat medis & social,
customer satisfication)

Sebuah ekosistem big data dapat dibagi menjadi 4 unsur seperti dapat dilihat pada
gambar di bawah ini, dari mulai sumber data, akuisisi dan penyimpanan data, analitik
data serta pengkonsumsian data seperti grafik dll.

Gambar 4. Ekosistem Big Data

Peran teknologi AI terutama terletak pada bagian analitik big data yaitu penggunaan
berbagai algoritma AI untuk melakukan berbagai analitik big data ini. Pada big data, jenis
analitik dibagi menjadi 4 macam yaitu:

1. Descriptive: penjelasan keadaan bisnis saat ini melalui data historis.

2. Diagnostic: penjelasan mengapa suatu masalah terjadi dengan melihat data historis.
 3. Predictive: proyeksi atau prediksi hasil masa depan berdasarkan data historis.
4. Prescriptive: penggunaan hasil analitik prediktif dan pengetahuan lain dengan
menyarankan upaya terbaik di masa depan.

D. Perkembangan Teknologi AI

Konsep “Artificial Intelligence” muncul sejak tahun 1950 oleh Alan Turing melalui
tulisannya “Can Machines Think?”, namun istilahnya sendiri baru muncul sejak 1956
yaitu adanya proyek riset pada Artificial Intelligence di Dartmouth. Dari sejak 1960an,
banyak proyek riset terkait AI yang dibiayai oleh pemerintah US. Namun, teknologi AI ini
sangat berkembang di tahun 2010-an, ditandai dengan perkembangan teknologi
perangkat keras pendukung serta algoritma deep learning yang merupakan bagian dari
algoritma machine learning yang berkembang dari tahun 1980-an. Jenis algoritma
machine learning yang bukan merupakan deep learning sekarang ini sering disebut
dengan shallow machine learning. Visualisasi algoritma pada AI dapat dilihat pada
gambar di bawah ini.

Gambar 5. Visualisasi Perkembangan Algoritma AI [sumber gambar: NVIDIA]

Beberapa kejadian teknologi AI yang berhasil memenangkan kompetisi melawan

manusia untuk beberapa task khusus dapat dilihat pada gambar di bawah ini. Selain
dalam kompetisi permainan, teknologi AI juga terbukti dapat mengungguli kemampuan
manusia dalam beberapa task khusus, misalnya object detection pada computer vision.
 Gambar 6. Kompetisi Permainan antara Teknologi AI dan Manusia

E. Penerapan Teknologi AI

Teknologi AI dapat diterapkan di berbagai bidang kehidupan dengan tujuan untuk

mempermudah atau mempercepat sebuah proses. Pada dokumen strategi nasional AI
Indonesia, ditetapkan beberapa bidang prioritas untuk penerapan teknologi AI, yaitu
bidang kesehatan, reformasi birokrasi, pendidikan dan riset, ketahanan pangan serta
mobilitas dan kota cerdas. Gambar di bawah ini menunjukkan beberapa pemanfaatan
teknologi AI dalam kota cerdas.

Halo
 Face Recognition Voice Biometrics

Recognition
process

Text

File Digital

Gambar 7. Contoh Penerapan Teknologi AI

F. Tantangan dalam Pengembangan Teknologi Artificial Intelligence di

Indonesia

Dengan telah dikembangkannya dokumen strategi nasional bidang kecerdasan artifisial

(Artificial Intelligence) di Indonesia pada tahun 2020 silam, serta semakin banyaknya
industri yang mengembangkan dan memanfaatkan teknologi AI dalam berbagai kegiatan
usahanya, terdapat beberapa tantangan agar Indonesia dapat menguasai teknologi AI ini
ke depannya:

1. Regulasi: pengaturan etika dan pemakaian AI yang lebih bertanggung-jawab. Etika

terkait pengembangan dan penerapan teknologi AI merupakan hal yang juga
menjadi perhatian negara-negara besar. Pengembangan dan penerapan teknologi
AI yang tidak diatur dengan etika dapat mengakibatkan kerugian bagi masyarakat.
Image generation dan speech synthesis merupakan salah satu contoh teknologi AI
yang berpotensi merugikan masyarakat dimana sebuah video dapat dibuat
dengan mudah menggunakan teknologi AI sehingga menghasilkan sebuah
rekaman video yang sebenarnya tidak pernah terjadi. Teknologi yang disebut
dengan deep fake ini dapat digunakan untuk membuat sebuah film tontonan
dengan biaya yang lebih rendah dibanding produksi film seperti biasanya, namun
 di sisi lain, dapat juga digunakan sebagai bahan informasi hoax yang bertujuan
untuk menghasut masyarakat.
2. Privasi: terkait dengan penggunaan data yang dipakai untuk pembangunan model
AI. Untuk pengaturan privasi ini diperlukan dukungan regulasi dalam pengunaan
data sehingga privasi sumber data tetap terjaga namun penerapan teknologi AI
tetap dapat dilaksanakan.
3. Kurangnya penjelasan: bagaimana model AI sampai pada suatu
keputusan/kesimpulan tertentu (terkait dengan akuntabilitas dan trust). Poin ini
menjadi sangat penting terutama untuk sebuah kepentingan dimana model yang
dihasilkan harus dapat difahami oleh manusia. Poin ini merupakan poin umum di
masyarakat pengembang teknologi AI, bukan hanya di Indonesia. Kebutuhan ini
mendasari dikembangkannya Explainable AI.
4. Ketersediaan data: sejauh mana data yang dipakai cukup representative dan tidak
bias. Algoritma machine learning yang saat ini merupakan teknologi utama pada
AI, sangat tergantung pada ketersediaan data. Jika data yang digunakan untuk
membangun model AI merupakan data yang tidak dapat mewakili semua kasus
yang ada, maka model AI akan memiliki akurasi yang rendah, bersifat overfit
untuk kasus-kasus tertentu yang bersifat majority pada data latih. Oleh karena itu,
proses pengembangan data latih merupakan salah satu hal penting dalam
membangun model AI yang akurat.
5. Kurangnya talenta dalam pengembangan dan penerapan teknologi AI. Dengan
kurangnya talenta yang memiliki kemampuan yang baik dalam mengembangkan
teknologi AI, maka ke depannya Indonesia hanya akan menjadi pasar bagi
teknologi AI yang dikembangkan oleh negara lain. Untuk mengantisipasi
kemungkinan tersebut, maka pengembangan talenta AI merupakan salah satu hal
yang memerlukan perhatian khusus. Usaha pengembangan talenta AI harus
mencakup berbagai hal yang dapat mendorong pengembangan talenta AI dengan
cepat, beberapa diantaranya adalah penyediaan materi pembelajaran teknologi
AI, penyediaan infrastruktur yang memudahkan penguasaan teknologi AI,
penyiapan dosen/guru di bidang AI, serta penetapan SKKNI AI, dll.
Tugas Dan Proyek Pelatihan

1. Pelajarilah video yang menjelaskan strategi AI dari sebuah negara dan buatlah rangkuman dari video
tsb
2. Rancanglah sebuah Intelligent Agent untuk robot pembersih ruangan dengan mengisikan informasi di
bawah ini:
• Performance indicator: …
• Environment: …
• Actuator: …
• Sensor: ...
3. Rancanglah sebuah ide teknologi AI yang dapat bermanfaat di masa pandemi. Tuliskan deskripsi dari
teknologi tersebut dan tuliskan jenis teknik manakah (searching, knowledge, atau learning) yang
digunakan untuk membangun teknologi tsb, jelaskan alasannya

Link Referensi Modul Pertama

● Introduction to AI
○ https://www.youtube.com/watch?v=s9vDgPotU-4
○ https://www.youtube.com/watch?v=wfmM5-d0Zh0
○ https://www.youtube.com/watch?v=eUpRwSrwbHY
○ https://www.youtube.com/watch?v=XfEOoAlArXw
○ https://www.youtube.com/watch?v=uyWHthN3Q9c
● Intelligent Agent
○ https://www.youtube.com/watch?v=XqAUPrLu8_s
○ https://www.youtube.com/watch?v=ehXgvsl8i_I
○ https://www.youtube.com/watch?v=NqeVTW4DUuU
○ https://www.youtube.com/watch?v=btffOHgYsBc
○ https://www.youtube.com/watch?v=d2608-UCcR8
○ https://www.youtube.com/watch?v=Spia43l493c
● Introduction to Knowledge based Agent
○ https://www.youtube.com/watch?v=P2DVmc4Zf7I
○ https://www.youtube.com/watch?v=VhKPNctwInw&t=338s
○ https://www.youtube.com/watch?v=7iZWC_NtegM
○ https://www.youtube.com/watch?v=o2alb-eJNqc

Link Pertanyaan Modul Pertama

Bahan Tayang
Power Point

Link room Pelatihan dan Jadwal live sesi bersama instruktur

Zoom

Penilaian

Komposisi penilaian Tugas Pemahaman Konsep Dasar AI: Nilai 100

Target Penyelesaian Modul Pertama

1 hari/sampai 6JP