BAB 1

INTRODUCING ARTIFICIAL INTELLIGENCE

DISUSUN OLEH:
1. Sattariah
2. Irdayanti Nurdiah

PROGRAM STUDI S1 TEKNIK KOMPUTER

FAKULTAS TEKNIK
UNIVERSITAS SAINS CUT NYAK DHIEN
2021
 KATA PENGANTAR

Segala puji bagi Allah SWT Tuhan semesta alam, yang telah membimbing

penulis sehingga makalah ini dapat terselesaikan. Shalawat serta salam semoga

tetap tercurahkan kepada Rasulullah SAW dan keluarganya. Makalah ini dibuat

sebagai salah satu referensi mata kuliah guna membantu mahasiswa mengenai

materi Introducing Artificial Intelligence. Dalam makalah ini materi yang

berkaitan dengan landasan teori, prinsip kerja, aplikasi dan pembahasan dari

komponen elektronika. Penulis menyadari bahwa makalah ini masih banyak

kelemahan baik dari segi tatatulis maupun sistematikanya oleh karena itu penulis

sangat mengharapkan kritik dan saran yang bersifat membangun demi

penyempurnaan makalah kami untuk selanjutnya. Akhir kata semoga makalah ini

dapat berguna bagi penulis khususnya dan bagi para pembaca yang berminat pada

umumnya.

Langsa, Oktober 2021

Kelompok I

i
 DAFTAR ISI

KATA PENGANTAR ......................................................................i

DAFTAR ISI .....................................................................................ii

BAB I PENDAHULAN

1.1. Latar Belakang ...............................................................1

1.2. Rumusan Masalah ..........................................................1
1.3. Tujuan Masalah ..............................................................2

BAB II PEMBAHASAN

2.1. AI ...................................................................................3
2.1.1. Apa itu AI ......................................................3
2.1.2. Bertidak secara manusiawi : Pendekatan uji
Turing .............................................................4
2.1.3. Berpikir secara manusiawi : Pendekatan
pemodelan kognitif ........................................5
2.1.4. Berpikir secara rasional : Pendekatan hukum
pemikiran .......................................................6
2.1.5. Bertindak secara rasional : Pendekatan agen
rasional ...........................................................7
2.1.6. Mesin yang bermanfaat ..................................8
2.2. Dasar – dasar Kecerdasan Buatan..................................9
2.2.1. Filsafat ...........................................................9
2.2.2. Matematika ....................................................11
2.2.3. Ekonomi .........................................................14
2.2.4. Ilmu Saraf ......................................................16

ii
 2.2.5. Psikologi ........................................................19
2.2.6. Teknik Komputer ...........................................22
2.2.7. Teori Kontrol dan Sibernetika .......................23
2.2.8. Linguistik .......................................................25
2.3. Sejarah Kecerdasan Buatan ............................................25
2.3.1. Lahirnya Kecerdasan Buatan ........................25
2.3.2. Antusiasme awal, harapan besar ....................27
2.3.3. Sebuah dosis realitas ......................................29
2.3.4. Sistem pakar ...................................................30
2.3.5. Kembalinya Jaringan Saraf ............................32
2.3.6. Penalaran Probabilistic dan Pembelajaran
Mesin .............................................................32
2.3.7. Data Besar ......................................................34
2.3.8. Pembelajaran Mendalam.................................35
2.4. Kecanggihan Seni ..........................................................36
2.5. Risiko dan Manfaat AI ...................................................41

BAB III PENUTUP

3.1. Kesimpulan.....................................................................47
3.2. Saran...............................................................................47

DAFTAR PUSTAKA........................................................................53

iii
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Menurut apa yang kami sebut model standar, AI terutama berkaitan

dengan tindakan rasional. Agen cerdas yang ideal mengambil tindakan

terbaik dalam suatu situasi. Kami mempelajari masalah agen bangunan

yang cerdas dalam pengertian ini. Diperlukan dua penyempurnaan untuk

gagasan sederhana ini: pertama, kemampuan agen mana pun, manusia

atau lainnya, untuk memilih tindakan rasional dibatasi oleh kerumitan

komputasional untuk melakukannya; kedua, konsep mesin yang mengejar

tujuan yang pasti perlu diganti dengan mesin yang mengejar tujuan untuk

memberi manfaat bagi manusia, tetapi tidak pasti apa tujuan itu.

1.2. Rumusan Masalah

a. Apa itu diode?

b. Apa itu LED?

c. Apa itu Resistor?

d. Apa itu Potensiometer?

e. Apa itu Trimpot?

f. Apa itu NTC??

g. Apa itu PTC?

1.3. Tujuan Masalah

1
a. Untuk mengetahui Dioda.

b. Untuk mengetahui LED.

c. Untuk mengetahui Resistor.

d. Untuk mengetahui Pontensiometer.

e. Untuk mengetahui Trimpot.

f. Untuk mengetahui NTC.

g. Untuk mengetahui PTC.

2
 BAB II

PEMBAHASAN

2.1. AI

2.1.1. Apa itu AI

Secara historis, para ilmuan telah meneliti beberapa versi AI yang

berbeda. Beberapa peneliti telah mendefinisikan kecerdasan dalam hal

kesetiaan untuk manusia kinerja, sementara yang lain lebih menyukai

definisi kecerdasan yang abstrak dan formal yang disebut

rasionalitas.beberapa menganggap kecerdasan sebagai milik internal

proses berpikir dan pemikiran, sementara yang lain fokus pada

kecerdasan perilaku, karakterisasi eksternal. Dari dua dimensi ini,

manusia dengan rasional dan pikiran. pencarian kecerdasan seperti

manusia harus sebagian merupakan ilmu empiris yang terkait dengan

psikologi, yang melibatkan pengamatan dan hipotesis tentang perilaku

dan proses berpikir manusia yang sebenarnya pendekatan rasionalis, di

sisi lain, melibatkan kombinasi matematika dan teknik, dan

menghubungkan ke statistik, teori kontrol, dan ekonomi. Ada empat

kemungkinan perilaku, dan telah ada program penelitian untuk semua.

Empat perilaku tersebut sebagai berikut :

3
2.1.2. Bertindak secara manusiawi: Pendekatan uji Turing

Uji Turing, diusulkan oleh Alan Turing (1950), dirancang

sebagai eksperimen pemikiran yang akan menghindari ketidak

jelasan filosofis dari pertanyaan "Bisakah mesin berpikir?". Sebuah

komputer akan lulus ujian jika seorang manusia menginterogasi

komputer, setelah mengajukan beberapa pertanyaan tertulis dan

tidak dapat mengetahui apakah jawaban tertulis itu berasal dari

seseorang atau dari komputer. Komputer akan benar-benar cerdas

jika lulus. Program komputer untuk lulus tes diterapkan secara

ketat. Komputer akan membutuhkan kemampuan berikut:

 pemrosesan bahasa alami untuk berkomunikasi dengan

sukses dalam bahasa manusia;

 representasi pengetahuan untuk menyimpan apa yang

diketahui atau didengarnya;

 penalaran otomatis untuk menjawab pertanyaan dan

menarik kesimpulan baru;

 pembelajaran mesin untuk beradaptasi dengan keadaan

baru dan untuk mendeteksi dan memperkirakan pola

Turing melihat fisik simulasi seseorang sebagai tidak perlu

untuk menunjukkan kecerdasan. Namun peneliti lain telah

mengusulkan tes Turing total, yang membutuhkan interaksi dengan

4
 objek dan orang di dunia nyata. Untuk lulus tes Turing total, robot

akan membutuhkan.

 visi komputer dan pengenalan ucapan untuk

memahami dunia

 robotika untuk memanipulasi objek dan bergerak.

Keenam disiplin ilmu ini menyusun sebagian besar AI.

Namun peneliti AI telah mencurahkan sedikit upaya untuk lulus tes

Turing, percaya bahwa penting untuk mempelajari prinsip-prinsip

yang mendasari kecerdasan. Pencarian "penerbangan buatan"

berhasil ketika para insinyur dan penemu berhenti meniru burung

dan mulai menggunakan terowongan angin dan belajar tentang

aerodinamika. Teks-teks teknik penerbangan tidak mendefinisikan

tujuan bidang mereka sebagai membuat "mesin yang terbang persis

seperti merpati sehingga mereka dapat menipu bahkan merpati

lain."

2.1.3. Berpikir secara manusiawi : Pendekatan pemodelan kognitif

Untuk menyatakan bahwa sebuah program berpikir seperti

manusia, kita harus tahu bagaimana manusia berpikir. Kita dapat

belajar tentang pemikiran manusia dalam tiga cara:

 Introspeksi : mencoba menangkap pikiran kita sendiri

saat mereka lewat.

 eksperimen psikologis : mengamati seseorang dalam

Tindakan.

5
  pencitraan otak : mengamati kerja otak.

Begitu kita memiliki teori pikiran yang cukup tepat,

memungkinkan untuk mengekspresikan teori tersebut sebagai

program komputer. Jika perilaku input-output program cocok

dengan perilaku manusia yang sesuai, itu adalah bukti bahwa

beberapa mekanisme program juga dapat beroperasi pada manusia.

Bidang interdisipliner ilmu kognitif menyatukan model komputer

dari AI dan eksperimental Ilmu kognitif teknik dari psikologi untuk

membangun teori yang tepat dan dapat diuji dari pikiran manusia.

2.1.4. Berpikir secara rasional: Pendekatan hukum pemikiran

Filsafat Yunani Aristotle adalah salah satu orang pertama

yang mencoba menyusun "pemikiran yang benar" yaitu, proses

penalaran yang tak terbantahkan. Silogisme memberikan pola

untuk struktur argument yang selalu menghasilkan kesimpulan

yang benar ketika diberikan premis yang benar. Ahli logika di abad

ke-19 mengembangkan notasi yang tepat untuk pernyataan tentang

objek di dunia dan hubungan di antara mereka. Pada tahun 1965

program pada prinsipnya dapat memecahkan setiap masalah yang

dapat dipecahkan dijelaskan dalam notasi logis. Logika yang

dipahami secara konvensional membutuhkan pengetahuan tentang

dunia yang yakin suatu kondisi yang pada kenyataannya jarang

tercapai. Kita sama sekali tidak mengetahui aturan, katakan saja

6
 politik atau peperangan dengan cara yang sama seperti kita

mengetahui aturan catur atau aritmatika. teori dari probabilitas

mengisi celah ini memungkinkan penalaran yang ketat dengan

informasi yang tidak pasti. Di dalam Prinsip ini memungkinkan

pembangunan model pemikiran rasional yang komprehensif yang

mengarah dari informasi perseptual mentah ke pemahaman tentang

bagaimana dunia bekerja hingga prediksi tentang masa depan. Apa

yang tidak dilakukannya, adalah menghasilkan kecerdasan

perilaku. Untuk itu, diperlukan teori tindakan rasional.

2.1.5. Bertindak rasional: Pendekatan agen rasional

Agen ialah sesuatu yang bertindak (agen berasal dari

bahasa latin agare, melakukan). Tentu saja semua program komputer

melakukan sesuatu, tetapi agen komputer diharapkan untuk berbuat

lebih banyak: beroperasi secara mandiri, memahami lingkungan,

bertahan dalam jangka waktu yang lama, beradaptasi dengan

berubahan, dan menciptakan serta mengejar tujuan. Agen rasional

adalah salah satu yang bertindak untuk mencapai hasil terbaik atau,

ketika ada ketidak pastian, hasil terbaik yang diharapkan.

Dalam pendekatan "hukum pemikiran" untuk AI,

penekanannya adalah pada kesimpulan yang benar. Membuat

kesimpulan yang benar bagian dari agen rasional, karena salah satu

cara untuk bertindak secara rasional adalah dengan menyimpulkan

7
 bahwa tindakan yang diberikan adalah yang terbaik dan kemudian

bertindak berdasarkan kesimpulan itu.

Semua keterampilan untuk tes Turing juga memungkinkan

agen untuk bertindak secara rasional. Representasi pengetahuan dan

penalaran memungkinkan agen untuk mencapai keputusan yang baik.

Kita harus mampu menghasilkan kalimat yang dapat dipahami dalam

bahasa alami untuk bertahan dalam masyarakat yang kompleks. Kita

perlu belajar tidak hanya untuk pengetahuan, tetapi juga karena itu

meningkatkan kemampuan kita untuk menghasilkan perilaku yang

efektif, terutama dalam keadaan yang baru. Pendekatan agen rasional

untuk AI memiliki dua keunggulan dibandingkan pendekatan

lainnya. Pertama, ini lebih umum daripada pendekatan "hukum

pemikiran" karena inferensi yang benar hanyalah salah satu dari

beberapa mekanisme yang mungkin untuk mencapai rasionalitas.

Kedua, lebih setuju untuk pengembangan ilmiah. Standar rasionalitas

didefinisikan dengan baik secara matematis dan sepenuhnya umum.

Kita sering dapat bekerja kembali dari spesifikasi ini untuk

mendapatkan desain agen yang terbukti mencapainya sesuatu yang

sebagian besar tidak mungkin jika tujuannya adalah untuk meniru

perilaku atau proses berpikir manusia.

2.1.6. Mesin yang bermanfaat

Model standar telah menjadi panduan yang berguna untuk

penelitian AI sejak awal, tetapi mungkin bukan model yang tepat

8
 dalam jangka panjang. Alasannya adalah bahwa model standar

mengasumsikan bahwa akan memasok tujuan yang ditentukan

sepenuhnya ke mesin.

Kesepakatan antara preferensi yang sebenarnya dan tujuan

yang di masukkan ke dalam mesin harus sesuai dengan manusia. Jika

mengembangkan sistem AI di lab atau di simulator seperti pada

sebagian besar lapangan ada perbaikan yang mudah untuk tujuan

yang salah ditentukan: setel ulang sistem, perbaiki tujuan, dan coba

lagi. Saat bidang ini berkembang menuju sistem cerdas yang semakin

mampu digunakan di dunia nyata, pendekatan ini tidak lagi layak.

Sistem yang digunakan dengan tujuan yang salah akan memiliki

konsekuensi negatif. Maka dari itu semakin cerdas sistemnya,

semakin negatif konsekuensinya.

2.2. Dasar-dasar Kecerdasan Buatan

2.2.1. Filsafat

Aristoteles (384–322 SM) adalah orang yang pertama

merumuskan sperangkat hukum yang tepat untuk mengatur bagian

rasional dari pikiran. Aristoteles mengembangkan sistem silogisme

informal untuk penalaran yang tepat, yang pada prinsipnya

memungkinkan seseorang untuk menghasilkan kesimpulan secara

mekanis, mengingat premis awal.

Ramon Llull (c. 1232-1315) merancang sistem penalaran

yang diterbitkan sebagai: Ars Magna atau Seni Yang Hebat (1305).

9
Llull mencoba menerapkan sistem menggunakan perangkat

mekanis yang sebenarnya: satu set roda kertas yang dapat diputar

menjadi permutasi yang berbeda.

René Descartes (1596-1650) memberikan diskusi pertama

yang jelas tentang perbedaan antara pikiran dan materi. Dia

mencatat bahwa konsepsi murni fisik dari pikiran tampaknya

meninggalkan sedikit ruang untuk kehendak bebas. Jika pikiran

diatur sepenuhnya oleh hukumhukum fisika, maka ia tidak

memiliki kehendak bebas yang lebih daripada sebuah batu karang

yang "memutuskan" untuk jatuh ke bawah. Descartes adalah

pendukung daridualisme. Dia berpendapat bahwa ada bagian dari

pikiran manusia (atau jiwa atau roh) yang berada di luar alam,

dibebaskan dari hukum fisik. Hewan, di sisi lain, tidak memiliki

kualitas ganda ini; mereka dapat diperlakukan sebagai mesin.

Sebuah alternatif untuk dualisme adalah materialisme, yang

menyatakan bahwa operasi otak sesuai dengan hukum fisika

merupakan pikiran. Kehendak bebas hanyalah cara persepsi pilihan

yang tersedia muncul pada entitas yang memilih.

Syaratnyafisikisme dan naturalisme juga digunakan untuk

menggambarkan pandangan yang bertentangan dengan

supranatural ini

Vienna Circle yang terkenal (Sigmund, 2017), sekelompok

filsuf dan matematikawan yang bertemu di Wina pada 1920-an dan

1930-an, mengembangkan doktrin positivisme logis. Doktrin ini

10
 menyatakan bahwa semua pengetahuan dapat dicirikan oleh teori-

teori logis yang pada akhirnya terhubung dengan kalimat observasi

yang sesuai dengan input sensorik; dengan demikian positivisme

logis menggabungkan rasionalisme dan empirisme.

teori konfirmasi dari Rudolf Carnap (1891–1970) dan Carl

Hempel (1905–1997) berusaha untuk menganalisis perolehan

pengetahuan dari pengalaman dengan mengukur tingkat

kepercayaan yang harus diberikan untuk kalimat logis berdasarkan

koneksi mereka ke pengamatan yang mengkonfirmasi atau

diskonfirmasi mereka. Buku CarnapStruktur Logis Dunia (1928)

mungkin merupakan teori pikiran pertama sebagai proses

komputasi.

Elemen terakhir dalam gambaran filosofis tentang pikiran

adalah hubungan antara pengetahuan dan tindakan. Pertanyaan ini

sangat penting untuk AI karena kecerdasan membutuhkan tindakan

serta penalaran. Selain itu, hanya dengan memahami bagaimana

tindakan dibenarkan, kita dapat memahami bagaimana membangun

agen yang tindakannya dapat dibenarkan (atau rasional).

2.2.2. Matematika

Filsuf mengintai beberapa ide dasar AI, tetapi lompatan ke

ilmu formal membutuhkan matematisasi logika dan probabilitas

dan pengenalan cabang matematika baru: komputasi.

11
 Ide dari logika formal dapat ditelusuri kembali ke para

filsuf Yunani kuno, India, dan Cina, tetapi perkembangan

matematikanya benar-benar dimulai dengan karya George Boole

(1815–1864), yang mengerjakan detail logika proposisional, atau

Boolean (Boole, 1847 ). Pada tahun 1879, Gottlob Frege (1848–

1925) memperluas logika Boole untuk memasukkan objek dan

relasi, menciptakan logika orde pertama yang digunakan saat ini.5

Selain peran sentralnya pada periode awal penelitian AI, logika

orde pertama memotivasi karya Gödel dan Turing yang mendukung

komputasi itu sendiri, seperti yang kami jelaskan di bawah

teori ini memungkinkan untuk melihat logika generalisasi

untuk situasi dengan informasi yang tidak pasti pertimbangan yang

sangat penting bagi AI.

Hasil fundamental ini juga dapat diinterpretasikan sebagai

menunjukkan bahwa beberapa fungsi pada bilangan bulat tidak

dapat direpresentasikan oleh suatu algoritma—yaitu, mereka tidak

dapat dihitung. Hal ini memotivasi Alan Turing (1912–1954) untuk

mencoba mengkarakterisasi dengan tepat fungsi mana yang mampu

dihitung dengan prosedur yang efektif.

Tesis Gereja Turing mengusulkan untuk mengidentifikasi

gagasan umum komputabilitas dengan fungsi yang dihitung oleh

mesin Turing (Turing, 1936). Turing juga menunjukkan bahwa ada

beberapa fungsi yang tidak dapat dihitung oleh mesin Turing.

Misalnya, tidak ada mesin yang tahusecara umum apakah program

12
yang diberikan akan mengembalikan jawaban pada input yang

diberikan atau berjalan selamanya.

Meskipun komputabilitas penting untuk memahami

komputasi, gagasan tentang traktabilitas memiliki dampak yang

lebih besar pada AI. Secara kasar, masalah disebut keras jika waktu

yang dibutuhkan untuk memecahkan contoh masalah tumbuh

secara eksponensial dengan ukuran contoh. Perbedaan antara

pertumbuhan polinomial dan eksponensial dalam kompleksitas

pertama kali ditekankan pada pertengahan 1960-an (Cobham, 1964;

Edmonds, 1965). Hal ini penting karena pertumbuhan eksponensial

berarti bahwa kasus yang cukup besar sekalipun tidak dapat

diselesaikan dalam waktu yang wajar.

teori dari kelengkapan NP, dipelopori oleh Cook (1971)

dan Karp (1972), memberikan dasar untuk menganalisis

traktabilitas masalah: setiap kelas masalah di mana kelas masalah

NPcomplete dapat dikurangi kemungkinan besar tidak dapat

diselesaikan. (Meskipun belum terbukti bahwa masalah NP-

complete selalu sulit diselesaikan, sebagian besar ahli teori

mempercayainya.) Hasil ini kontras dengan optimisme pers populer

yang menyambut komputer pertama "Otak Super Elektronik" yang

"Lebih Cepat dari Einstein !” Terlepas dari peningkatan kecepatan

komputer, penggunaan sumber daya yang cermat dan

ketidaksempurnaan yang diperlukan akan menjadi ciri sistem

cerdas.

13
2.2.3. Ekonomi

Ilmu ekonomi berasal dari tahun 1776, ketika Adam Smith

(1723-1790) diterbitkan Penyelidikan Sifat dan Penyebab

Kekayaan Bangsa. Smith mengusulkan untuk menganalisis

ekonomi sebagai terdiri dari banyak agen individu yang

memperhatikan kepentingan mereka sendiri. Smith tidak,

bagaimanapun, menganjurkan keserakahan finansial sebagai posisi

moral: bukunya sebelumnya (1759)Teori Sentimen Moral dimulai

dengan menunjukkan bahwa kepedulian terhadap kesejahteraan

orang lain adalah komponen penting dari kepentingan setiap

individu.

Kebanyakan orang menganggap ekonomi sebagai tentang

uang, dan memang analisis matematis pertama dari keputusan di

bawah ketidak pastian, rumus nilai maksimum yang diharapkan

dari Arnauld. (1662), berurusan dengan nilai moneter taruhan.

Daniel Bernoulli (1738) memperhatikan bahwa formula ini

tampaknya tidak bekerja dengan baik untuk jumlah uang yang lebih

besar, seperti investasi dalam ekspedisi perdagangan maritim. Dia

mengusulkan sebagai gantinya sebuah prinsip yang didasarkan

pada maksimalisasi utilitas yang diharapkan, dan menjelaskan

pilihan investasi manusia dengan mengusulkan bahwa utilitas

14
marjinal dari sejumlah uang tambahan berkurang ketika seseorang

memperoleh lebih banyak uang. Ekonomi bukan lagi studi tentang

uang; melainkan studi tentang keinginan dan preferensi.

Teori keputusan, yang menggabungkan teori probabilitas

dengan teori utilitas, menyediakan kerangka kerja formal dan

lengkap untuk keputusan individu (ekonomi atau lainnya) yang

dibuat di bawah ketidak pastina yaitu, dalam kasus di mana

deskripsi probabilistik secara tepat menangkap lingkungan pembuat

keputusan. Ini cocok untuk ekonomi "besar" di mana setiap agen

tidak perlu memperhatikan tindakan agen lain sebagai individu.

Untuk ekonomi "kecil", situasinya jauh lebih sepertipermainan:

tindakan satu pemain dapat secara signifikan mempengaruhi utilitas

lain (baik positif atau negatif). Pengembangan Von Neumann dan

Morgenstern dariteori permainan (lihat juga Luce dan Raiffa, 1957)

memasukkan hasil yang mengejutkan bahwa, untuk beberapa

permainan, agen rasional harus mengadopsi kebijakan yang (atau

paling tidak tampak) acak. Tidak seperti teori keputusan, teori

permainan tidak menawarkan resep yang jelas untuk memilih

tindakan. Dalam AI, keputusan yang melibatkan banyak agen

dipelajari di bawah judul

Ekonomi, dengan beberapa pengecualian, tidak menjawab

pertanyaan ketiga yang tercantum di atas: bagaimana membuat

keputusan rasional ketika imbalan dari tindakan tidak langsung

tetapi hasil dari beberapa tindakan yang diambil berurutan. Topik

15
 ini dikejar di bidangoperasi pencarian, yang muncul dalam Perang

Dunia II dari upaya di Inggris untuk mengoptimalkan instalasi

radar, dan kemudian menemukan aplikasi sipil yang tak terhitung

banyaknya. Karya Richard Bellman (1957) memformalkan kelas

masalah keputusan berurutan yang disebutproses keputusan

Markov, yang kita pelajari di Bab 16 dan, di bawah judul

pembelajaran penguatan, di Bab 23

Bekerja di bidang ekonomi dan riset operasi telah banyak

berkontribusi pada gagasan kami tentang agen rasional, namun

selama bertahun-tahun penelitian AI berkembang di sepanjang jalur

yang sepenuhnya terpisah. Salah satu alasannya adalah kerumitan

yang tampak dalam membuat keputusan yang rasional. Peneliti AI

perintis Herbert Simon (1916–2001) memenangkan Hadiah Nobel

di bidang ekonomi pada tahun 1978 untuk karya awalnya yang

menunjukkan bahwa model berdasarkanmemuaskan—membuat

keputusan yang "cukup baik," daripada menghitung dengan susah

payah keputusan yang optimal-memberikan gambaran yang lebih

baik dari perilaku manusia yang sebenarnya (Simon, 1947). Sejak

1990-an, telah ada kebangkitan minat dalam teknik pengambilan

keputusan untuk AI.

2.2.4. Ilmu Saraf

ilmu saraf adalah studi tentang sistem saraf, terutama otak.

Meskipun tepat cara otak memungkinkan pikiran adalah salah satu

16
misteri besar ilmu pengetahuan, fakta bahwa itu melakukan

mengaktifkan pikiran telah dihargai selama ribuan tahun karena

bukti bahwa pukulan keras ke kepala dapat menyebabkan

ketidakmampuan mental. Juga telah lama diketahui bahwa otak

manusia entah bagaimana berbeda; sekitar 335SM Aristoteles

menulis, "Dari semua hewan, manusia memiliki otak terbesar

sebanding dengan ukurannya."6 Namun, baru pada pertengahan

abad ke-18 otak secara luas diakui sebagai pusat kesadaran.

Sebelum itu, lokasi kandidat termasuk jantung dan limpa.Sebagai

indikator atau petunjuk dalam peralatan dan rangkaian elektronik.

Hal ini dapat dilihat dari warna cahaya yang dipancarkan oleh LED

yaitu berupa warna merah dan hijau

Saat ini ada beberapa data tentang pemetaan antara area

otak dan bagian tubuh yang di kendalikan atau dari mana menerima

input sensorik. Pemetaan semacam itu dapat berubah secara radikal

selama beberapa minggu, dan beberapa hewan tampaknya memiliki

banyak peta. Selain itu, tidak sepenuhnya memahami bagaimana

area lain dapat mengambil alih fungsi ketika satu area rusak.

Hampir tidak ada teori tentang bagaimana memori individu

disimpan atau tentang bagaimana fungsi kognitif tingkat tinggi

beroperasi.

17
 Otak dan komputer digital memiliki sifat yang agak

berbeda. Gambar di atas menunjukkan bahwa komputer memiliki

waktu siklus satu juta kali lebih cepat daripada otak. Otak

menebusnya dengan penyimpanan dan interkoneksi yang jauh lebih

banyak daripada komputer pribadi kelas atas, meskipun

superkomputer terbesar cocok dengan otak pada beberapa metrik.

Futuris membuat banyak dari angkaangka ini, menunjuk ke

pendekatankeganjilan di mana komputer mencapai tingkat kinerja

manusia super (Vinge, 1993; Kurzweil, 2005; Doctorow dan

Stross, 2012), dan kemudian dengan cepat meningkatkan diri lebih

jauh. Tetapi perbandingan angka mentah tidak terlalu informatif.

Bahkan dengan komputer dengan kapasitas yang hampir tidak

terbatas, kita masih memerlukan terobosan konseptual lebih lanjut

dalam pemahaman kita tentang kecerdasan (lihat Bab 29). Secara

kasar, tanpa teori yang benar, mesin yang lebih cepat hanya

memberi Anda jawaban yang salah lebih cepat.

18
2.2.5. Psikologi

Asal usul psikologi ilmiah biasanya dilacak pada karya

fisikawan Jerman Hermann von Helmholtz (1821–1894) dan

muridnya Wilhelm Wundt (1832–1920). Helmholtz menerapkan

metode ilmiah untuk mempelajari penglihatan manusia, dan

karyanya Buku Pegangan Optik Fisiologis telah digambarkan

sebagai "risalah tunggal yang paling penting pada fisika dan

fisiologi penglihatan manusia" (Nalwa, 1993, hal.15). Pada tahun

1879, Wundt membuka laboratorium pertama psikologi

eksperimental, di Universitas Leipzig. Wundt bersikeras dengan

hati-hati

Perbandingan kasar dari super komputer terkemuka,

Summit (Feldman, 2017); komputer pribadi khas tahun 2019; dan

otak manusia. Kekuatan otak manusia tidak banyak berubah dalam

ribuan tahun, sedangkan super komputer telah meningkat dari

megaFLOP pada 1960-an menjadi gigaFLOP pada 1980-an,

teraFLOP pada 1990-an, petaFLOP pada 2008, dan exaFLOP pada

2018 (1 exaFLOP = 1018 operasi floating point per detik).

19
 eksperimen terkontrol di mana para pekerjanya akan

melakukan tugas perseptual atau asosiatif sambil mengintrospeksi

proses pemikiran mereka. Kontrol yang cermat sangat membantu

menjadikan psikologi sebagai ilmu, tetapi sifat subjektif dari data

membuatnya tidak mungkin bagi para peneliti untuk menyangkal

teori mereka sendiri.

Psikologi kognitif, yang memandang otak sebagai alat

pemroses informasi, Helmholtz juga bersikeras bahwa persepsi

melibatkan suatu bentuk inferensi logis yang tidak disadari. Sudut

pandang kognitif sebagian besar dikalahkan oleh behaviorisme di

Amerika Serikat, tetapi di Cambridge's Applied Psychology Unit,

disutradarai oleh Frederic Bartlett (1886-1969), pemodelan kognitif

mampu berkembang.Sifat Penjelasan, oleh siswa dan penerus

Bartlett Kenneth Craik (1943), dengan paksa membangun kembali

legitimasi istilah "mental" seperti keyakinan dan tujuan, dengan

alasan bahwa mereka sama ilmiahnya seperti, katakanlah,

menggunakan tekanan dan suhu untuk berbicara tentang gas,

meskipun gas terbuat dari molekul yang tidak memiliki keduanya.

Craik menetapkan tiga langkah kunci dari agen berbasis

pengetahuan: stimulus harus diterjemahkan ke dalam representasi

internal, representasi dimanipulasi oleh proses kognitif untuk

memperoleh representasi internal baru, dan di diterjemahkan

kembali ke dalam tindakan. Sementara itu, di Amerika Serikat,

perkembangan pemodelan komputer menyebabkan terciptanya

20
bidangilmu kognitif. Bidang tersebut dapat dikatakan telah dimulai

pada sebuah lokakarya pada bulan September 1956 di MIT hanya

dua bulan setelah konferensi di mana AI itu sendiri “lahir.”

Sekarang pandangan umum di kalangan psikolog bahwa

"teori kognitif harus seperti program komputer" (Anderson, 1980);

yaitu, harus menggambarkan operasi fungsi kognitif dalam hal

pemrosesan informasi.

(HCI) di bawah psikologi. Doug Engelbart, salah satu

pelopor HCI, memperjuangkan gagasan peningkatan kecerdasan—

IA daripada AI. Dia percaya bahwa komputer harus meningkatkan

kemampuan manusia daripada mengotomatisasi tugas-tugas

manusia. Pada tahun 1968, "ibu dari semua demo" Engelbart

memamerkan untuk pertama kalinya mouse komputer, sistem

windowing, hypertext, dan konferensi video—semua dalam upaya

untuk menunjukkan apa yang dapat dicapai oleh pekerja

pengetahuan manusia secara kolektif dengan beberapa peningkatan

kecerdasan. Hari ini kita lebih cenderung melihat IA dan AI

sebagai dua sisi dari mata uang yang sama, dengan yang pertama

menekankan kontrol manusia dan yang terakhir menekankan

perilaku cerdas pada bagian mesin. Keduanya dibutuhkan agar

mesin bisa berguna bagi manusia

21
2.2.6. Teknik Komputer

Komputer elektronik digital modern ditemukan secara

independen dan hampir bersamaan oleh para ilmuwan di tiga

negara yang berperang dalam Perang Dunia II. Pertama operasional

komputer adalah elektromekanis. Heath Robinson,9 dibangun pada

tahun 1943 oleh tim Alan Turing untuk satu tujuan: mengartikan

pesan Jerman. Operasional pertama dapat diprogram komputer

adalah Z-3, penemuan Konrad Zuse di Jerman di 1941. Zuse juga

menemukan angka floating-point dan bahasa pemrograman tingkat

tinggi pertama, Plankalkül. Pertamaelektronik komputer, ABC,

dirakit oleh John Atanasoff dan muridnya Clifford Berry antara

1940 dan 1942 di Iowa State University. Harapan saat ini adalah

bahwa peningkatan fungsionalitas di masa depan akan datang dari

paralelisme massif konvergensi yang aneh dengan sifat-sifat otak.

Kami juga melihat desain perangkat keras baru berdasarkan

gagasan bahwa dalam menghadapi dunia yang tidak pasti, kami

tidak memerlukan 64 bit presisi dalam jumlah kami; hanya 16 bit

(seperti padabfloat16 format) atau bahkan 8 bit akan cukup, dan

akan memungkinkan pemrosesan yang lebih cepat.

Kami baru mulai melihat perangkat keras yang disetel

untuk aplikasi AI, seperti unit pemrosesan grafis (GPU), unit

pemrosesan tensor (TPU), dan mesin skala wafer (WSE). Dari

tahun 1960-an hingga sekitar 2012, jumlah daya komputasi yang

digunakan untuk melatih aplikasi pembelajaran mesin teratas

22
 mengikuti hukum Moore. Model pembelajaran mesin yang

membutuhkan waktu satu hari penuh untuk dilatih pada tahun 2014

hanya membutuhkan waktu dua menit pada tahun 2018 (Yingdkk.,

2018). Meskipun belum praktis, komputasi kuantum menjanjikan

akselerasi yang jauh lebih besar untuk beberapa hal penting

subclass dari algoritma AI.

AI berhutang budi pada sisi perangkat lunak ilmu

komputer, yang telah memasok sistem operasi, bahasa

pemrograman, dan alat yang diperlukan untuk menulis program

modern (dan makalah tentangnya). Tapi ini adalah satu area di

mana hutang telah dilunasi: bekerja di AI telah memelopori banyak

ide yang telah kembali ke ilmu komputer arus utama, termasuk

pembagian waktu, penerjemah interaktif, komputer pribadi dengan

windows dan mouse, lingkungan pengembangan yang cepat, yang

terkait -daftar tipe data, manajemen penyimpanan otomatis, dan

konsep kunci dari pemrograman simbolik, fungsional, deklaratif,

dan berorientasi objek.

2.2.7. Teori kontrol dan sibernetika

Ktesibios dari Aleksandria (c. 250 SM) membangun mesin

self-controlling pertama: jam air dengan regulator yang

mempertahankan laju aliran konstan. Penemuan ini mengubah

definisi tentang apa yang dapat dilakukan oleh artefak.

Sebelumnya, hanya makhluk hidup yang dapat mengubah

23
perilakunya sebagai respons terhadap perubahan lingkungan.

Contoh lain dari kontrol umpan balik yang mengatur sendiri sistem

termasuk gubernur mesin uap, diciptakan oleh James Watt (1736-

1819), dan termostat, ditemukan oleh Cornelis Drebbel (1572-

1633), yang juga menemukan kapal selam. James Clerk Maxwell

(1868) memprakarsai teori matematika sistem kontrol.

Teori kontrol modern, khususnya cabang yang dikenal

sebagai kontrol optimal stokastik, memiliki tujuan untuk

merancang sistem yang meminimalkan a fungsi biaya lembur. Ini

kira-kira cocok dengan model standar AI: merancang sistem yang

berperilaku optimal. Lalu, mengapa AI dan teori kontrol dua

bidang yang berbeda, meskipun ada hubungan dekat di antara para

pendirinya? Jawabannya terletak pada hubungan erat antara teknik

matematika yang akrab bagi para peserta dan rangkaian masalah

yang sesuai yang tercakup dalam setiap pandangan dunia. Kalkulus

dan aljabar matriks, alat teori kontrol, cocok untuk sistem yang

dapat dijelaskan oleh set variabel kontinu yang tetap, sedangkan AI

didirikan sebagian sebagai cara untuk melepaskan diri dari

keterbatasan yang dirasakan ini. Alat inferensi logis dan komputasi

memungkinkan peneliti AI untuk mempertimbangkan masalah

seperti bahasa, visi, dan perencanaan simbolis yang sepenuhnya

berada di luar lingkup teori kontrol.

24
 2.2.8. Linguistik

Linguistik modern dan AI, kemudian, "lahir" pada waktu

yang hampir bersamaan, dan tumbuh bersama, berpotongan di

bidang hibrida yang disebut linguistik komputasi atau bahasa alami

pengolahan. Masalah memahami bahasa ternyata jauh lebih

kompleks daripada yang terlihat pada tahun 1957. Memahami

bahasa membutuhkan pemahaman tentang materi pelajaran dan

konteks, bukan hanya pemahaman tentang struktur kalimat. Ini

mungkin tampak jelas, tetapi tidak dihargai secara luas sampai

tahun 1960-an. Sebagian besar pekerjaan awal di representasi

pengetahuan (studi tentang bagaimana memasukkan pengetahuan

ke dalam bentuk yang dapat digunakan oleh komputer) dikaitkan

dengan bahasa dan diinformasikan oleh penelitian dalam linguistik,

yang pada gilirannya dihubungkan dengan beberapa dekade kerja

pada analisis filosofis bahasa.

2.3. Sejarah Kecerdasan Buatan

2.3.1. Lahirnya kecerdasan buatan

Karya pertama yang sekarang secara umum dikenal sebagai

AI dilakukan oleh Warren McCulloch dan Walter Pitts (1943).

Terinspirasi oleh karya pemodelan matematika dari penasihat Pitts

25
Nicolas Rashevsky (1936, 1938), mereka menggunakan tiga

sumber: pengetahuan tentang fisiologi dasar dan fungsi neuron di

otak; analisis formal logika proposisional karena Russell dan

Whitehead; dan teori komputasi Turing. Mereka mengusulkan

model neuron buatan di mana setiap neuron dicirikan sebagai

"aktif" atau "mati", dengan sakelar ke "aktif" yang terjadi sebagai

respons terhadap stimulasi oleh sejumlah neuron tetangga yang

cukup. Keadaan neuron dipahami sebagai "secara faktual setara

dengan proposisi yang mengusulkan stimulus yang memadai."

Mereka menunjukkan, misalnya, bahwa setiap fungsi yang dapat

dihitung dapat dihitung oleh beberapa jaringan neuron yang

terhubung,DAN, ATAU, BUKAN, dll.) dapat diimplementasikan

dengan struktur jaringan sederhana. McCulloch dan Pitts juga

menyarankan bahwa jaringan yang didefinisikan dengan tepat bisa

belajar. Donald Hebb (1949) mendemonstrasikan aturan

pembaruan sederhana untuk memodifikasi kekuatan koneksi antar

neuron. Aturannya, sekarang disebutpembelajaran Ibrani, tetap

menjadi model yang berpengaruh hingga hari ini.

Ada sejumlah contoh lain dari pekerjaan awal yang dapat

dicirikan sebagai AI, termasuk dua program permainan catur yang

dikembangkan secara independen pada tahun 1952 oleh

Christopher Strachey di Universitas Manchester dan oleh Arthur

Samuel di IBM. Namun, visi Alan Turing adalah yang paling

berpengaruh. Dia memberikan kuliah tentang topik tersebut sejak

26
 tahun 1947 di London Mathematical Society dan

mengartikulasikan agenda persuasif dalam artikelnya tahun 1950

“Komputasi

2.3.2. Antusiasme awal, harapan besar

Newell dan Simon menindak lanjuti kesuksesan mereka

dengan LT dengan General Problem Solver, atau GPS.Tidak seperti

LT, program ini sejak awal dirancang untuk meniru protokol

pemecahan masalah manusia. Dalam kelas teka-teki terbatas yang

bisa ditanganinya, ternyata urutan program yang

mempertimbangkan subtujuan dan tindakan yang mungkin mirip

dengan urutan manusia mendekati masalah yang sama. Dengan

demikian, GPS mungkin merupakan program pertama yang

mewujudkan pendekatan “berpikir secara manusiawi”.

Keberhasilan GPS dan program selanjutnya sebagai model kognisi

membuat Newell dan Simon (1976) merumuskan yang terkenal

sistem simbol fisik hipotesis, yang menyatakan bahwa "sistem

simbol fisik memiliki kebutuhan dan kebutuhan symbol fisik.

27
Gambar di atas merupakan sebuah adegan dari dunia blok.

SHRDLU (Winograd, 1972) baru saja menyelesaikan perintah

"Temukan balok yang lebih tinggi dari yang Anda pegang dan

masukkan ke dalam kotak."

Di MIT, Minsky mengawasi serangkaian siswa yang

memilih masalah terbatas yang tampaknya membutuhkan

kecerdasan untuk dipecahkan. Domain terbatas ini dikenal

sebagaidunia mikro. S . James Slagletidak program (1963) mampu

memecahkan masalah integrasi kalkulus bentuk tertutup yang khas

dari program kuliah tahun pertama. A Tom EvansNALOGI

Program (1968) memecahkan masalah analogi geometris yang

muncul dalam tes IQ. S . Daniel BobrowSISWA program (1967)

memecahkan masalah cerita aljabar, seperti berikut:

Jika jumlah pelanggan yang Tom dapatkan adalah dua kali kuadrat

dari 20 persen dari jumlah iklan yang dia jalankan, dan jumlah

iklan yang dia jalankan adalah 45, berapa jumlah

28
 pelanggan yang Tom dapatkan?

Dunia mikro yang paling terkenal adalah blok dunia, yang

terdiri dari satu set balok padat yang ditempatkan di atas meja (atau

lebih sering, simulasi meja), seperti yang ditunjukkan pada Gambar

1.3. Tugas khas di dunia ini adalah mengatur ulang balok dengan

cara tertentu, menggunakan tangan robot yang dapat mengambil

satu balok pada satu waktu. Dunia blok adalah rumah bagi proyek

visi David Huffman (1971), karya visi dan propagasi kendala

David Waltz (1975), teori pembelajaran Patrick Winston (1970),

program pemahaman bahasa alami Terry Winograd (1972), dan

perencana Scott Fahlman (1974).

2.3.3. Sebuah dosis realitas

Ada dua alasan utama kegagalan ini. Yang pertama adalah

bahwa banyak sistem AI awal didasarkan terutama pada

"introspeksi informasi" tentang bagaimana manusia melakukan

tugas, bukan pada analisis tugas yang cermat, apa artinya menjadi

solusi, dan apa yang perlu dilakukan oleh suatu algoritme. Untuk

menghasilkan solusi semacam itu dengan andal.

Alasan kedua untuk kegagalan adalah kurangnya apresiasi

terhadap kerasnya banyak masalah yang coba dipecahkan oleh AI.

Sebagian besar sistem pemecahan masalah awal bekerja dengan

mencoba berbagai kombinasi langkah sampai solusi ditemukan.

Strategi ini pada awalnya berhasil karena dunia mikro berisi sangat

29
 sedikit objek dan karenanya sangat sedikit kemungkinan

tindakandan urutan solusi yang sangat singkat. Sebelum teori

kompleksitas komputasi dikembangkan, secara luas dianggap

bahwa "meningkatkan" masalah yang lebih besar hanyalah masalah

perangkat keras yang lebih cepat dan memori yang lebih besar.

Optimisme yang mengiringi pengembangan pembuktian teorema

resolusi, misalnya, segera sirna ketika para peneliti gagal

membuktikan teorema yang melibatkan lebih dari beberapa lusin

fakta. Fakta bahwa sebuah program dapat menemukan solusi pada

prinsipnya tidak berarti bahwa program tersebut berisi salah satu

mekanisme diperlukan untuk menemukannya dalam praktik.

2.3.4. Sistem pakar

Gambaran pemecahan masalah yang muncul selama dekade

pertama penelitian AI adalah mekanisme pencarian tujuan umum

yang mencoba merangkai langkah-langkah penalaran dasar untuk

menemukan solusi lengkap. Pendekatan seperti itu disebutmetode

yang lemah karena, meskipun umum, mereka tidak meningkatkan

ke contoh masalah yang besar atau sulit. Alternatif untuk metode

yang lemah adalah dengan menggunakan pengetahuan domain-

spesifik yang lebih kuat yang memungkinkan langkah-langkah

penalaran yang lebih besar dan dapat lebih mudah menangani

kasus-kasus yang biasanya terjadi di bidang keahlian yang sempit.

Orang mungkin mengatakan bahwa untuk memecahkan masalah

30
yang sulit, Anda harus sudah hampir tahu jawabannya. Ini

dikembangkan di Stanford, di mana Ed Feigenbaum (mantan

mahasiswa Herbert Simon), Bruce Buchanan (seorang filsuf yang

menjadi ilmuwan komputer), dan Joshua Lederberg (ahli genetika

pemenang Nobel) bekerja sama untuk memecahkan masalah

menyimpulkan struktur molekul dari informasi. disediakan oleh

spektrometer massa. Masukan ke program terdiri dari elemen-

elemen metode yang lemah.

Rumus molekul (misalnya, C6H13TIDAK2) dan spektrum

massa yang memberikan massa berbagai fragmen molekul yang

dihasilkan ketika dibombardir oleh berkas elektron.

Misalnya, spektrum massa mungkin berisi puncak di M = 15,

sesuai dengan massa metil (CH3) pecahan.

Dendral peneliti berkonsultasi dengan ahli kimia analitik

dan menemukan bahwa mereka bekerja dengan mencari pola

puncak yang terkenal dalam spektrum yang menyarankan

substruktur umum dalam molekul. Misalnya, aturan berikut

digunakan untuk mengenali subkelompok keton (C=O) (yang

beratnya 28): jika M adalah massa seluruh molekul dan ada dua

puncak di x1 dan x2 seperti yang (A) x1 +x2 = M +28; (B)x1 -28

adalah puncak yang tinggi; (C)x2 -28 adalah puncak yang tinggi;

dan(d) Setidaknya satu dari x1 dan x2 tinggi kemudian ada

subkelompok keton.Menyadari bahwa molekul mengandung

31
 substruktur tertentu akan sangat mengurangi jumlah kandidat yang

mungkin.

Pertumbuhan luas aplikasi untuk masalah dunia nyata

menyebabkan pengembangan berbagai alat representasi dan

penalaran. Beberapa didasarkan pada logika—misalnya, bahasa

Prolog menjadi populer di Eropa dan Jepang, dan PLANNER

keluarga di Amerika Serikat.

Secara keseluruhan, industri AI berkembang pesat dari beberapa

juta dolar pada tahun 1980 menjadi miliaran dolar pada tahun 1988,

termasuk ratusan perusahaan yang membangun sistem pakar,sistem

visi, robot, dan perangkat lunak serta perangkat keras yang khusus

untuk tujuan ini.

2.3.5. Kembalinya jaringan saraf

Pada pertengahan 1980-an setidaknya empat kelompok

yang berbeda menemukan kembali propagasi balik algoritma

pembelajaran pertama kali dikembangkan pada awal 1960-an.

Algoritme diterapkan pada banyak masalah pembelajaran dalam

ilmu komputer dan psikologi, dan penyebaran hasil secara luas

dalam koleksiPemrosesan Terdistribusi Paralel (Rumelhart dan

McClelland, 1986) menyebabkan kegembiraan yang luar biasa.

2.3.6. Penalaran probabilistik dan pembelajaran mesin

32
 Kerapuhan sistem pakar menyebabkan pendekatan baru

yang lebih ilmiah menggabungkan probabilitas daripada logika

Boolean, pembelajaran mesin daripada pengkodean tangan, dan

hasil eksperimen daripada klaim filosofis.14 Menjadi lebih umum

untuk membangun teori yang ada daripada mengusulkan yang baru,

untuk mendasarkan klaim pada teorema yang ketat atau metodologi

eksperimental yang solid (Cohen, 1995) daripada intuisi, dan untuk

menunjukkan relevansi dengan aplikasi dunia nyata daripada

contoh mainan .

AI didirikan sebagian sebagai pemberontakan terhadap

keterbatasan bidang yang ada seperti teori kontrol dan statistik,

tetapi pada periode ini ia menerima hasil positif dari bidang

tersebut. Seperti yangdikatakan David McAllester (1998):

Pada periode awal AI, tampak masuk akal bahwa bentuk-

bentuk baru dari komputasi simbolik, misalnya, bingkai dan

jaringan semantik, membuat banyak teori klasik menjadi usang.

Hal inimenyebabkan bentuk isolasionisme di mana AI menjadi

sebagian besar terpisah dari ilmu komputer lainnya. Isolasionisme

ini saat ini sedang ditinggalkan. Ada pengakuan bahwa

pembelajaran mesin tidak boleh diisolasi dari teori informasi,

bahwa penalaran yang tidak pasti tidak boleh diisolasi dari

pemodelan stokastik, bahwa pencarian tidak boleh diisolasi dari

optimasi dan kontrol klasik, dan bahwa penalaran otomatis tidak

boleh diisolasi dari metode formal dan analisis statis.

33
 Salah satu konsekuensi dari apresiasi baru AI untuk data,

pemodelan statistik, pengoptimalan,dan pembelajaran mesin adalah

penyatuan kembali secara bertahap subbidang seperti visi

komputer, robotika, pengenalan suara, sistem multiagen, dan

pemrosesan bahasa alami yang telah menjadi agak terpisah dari inti

AI. Proses reintegrasi telah menghasilkan manfaat yang signifikan

baik dari segi aplikasi—misalnya, penyebaran robot praktis

berkembang pesat selama periode ini—dan dalam pemahaman

teoretis yang lebih baik tentang masalah inti AI.

2.3.7. Data besar

Kemajuan luar biasa dalam daya komputasi dan penciptaan

World Wide Web telah memfasilitasi pembuatan kumpulan data

yang sangat besar—sebuah fenomena yang kadang-kadang dikenal

sebagai data besar. Kumpulan data ini mencakup triliunan kata

teks, miliaran gambar, dan miliaran jam bicara dan video, serta

sejumlah besar data genomik, data pelacakan kendaraan, data

clickstream, data jejaring sosial, dan sebagainya.

Hal ini menyebabkan pengembangan algoritma

pembelajaran yang dirancang khusus untuk mengambil keuntungan

dari kumpulan data yang sangat besar. Seringkali, sebagian besar

contoh dalam kumpulan data tersebut adalahtidak berlabel;

34
 misalnya, dalam karya berpengaruh Yarowsky (1995) tentang

disambiguasi katasense, kemunculan kata seperti "tanaman" tidak

diberi label dalam kumpulan data untuk menunjukkan apakah

mereka merujuk ke flora atau pabrik. Namun, dengan kumpulan

data yang cukup besar, algoritme pembelajaran yang sesuai dapat

mencapai akurasi lebih dari 96% dalam tugas mengidentifikasi

makna mana yang dimaksudkan dalam sebuah kalimat. Selain itu,

Banko dan Brill (2001) berpendapat bahwa peningkatan kinerja

yang diperoleh dari peningkatan ukuran kumpulan data sebanyak

dua atau tiga kali lipat melebihi peningkatan apa pun yang dapat

diperoleh dari mengutak-atik algoritma.

Ketersediaan data besar dan pergeseran menuju

pembelajaran mesin membantu AI memulihkan daya tarik

komersial (Havenstein, 2005; Halevy dkk., 2009). Data besar

adalah factor penting dalam kemenangan 2011 sistem Watson IBM

atas juara manusia di Jeopardy! game kuis, sebuah acara yang

berdampak besar pada persepsi publik tentang AI.

2.3.8. Pembelajaran mendalam

Syarat pembelajaran yang mendalam mengacu pada

pembelajaran mesin yang menggunakan beberapa lapisan elemen

komputasi yang sederhana dan dapat disesuaikan. Eksperimen

dilakukan dengan jaringan seperti itu sejak tahun 1970-an, dan

dalam bentukjaringan saraf konvolusi mereka menemukan

35
 beberapa keberhasilan dalam pengenalan digit tulisan tangan pada

1990-an (LeCun dkk., 1995). Namun, baru pada tahun 2011,

metode pembelajaran mendalam benar-benar lepas landas. Ini

terjadi pertama dalam pengenalan suara dan kemudian dalam

pengenalan objek visual.apat diperoleh dari mengutak-atik

algoritma.

Keberhasilan luar biasa ini telah menyebabkan kebangkitan

minat AI di kalangan mahasiswa, perusahaan, investor, pemerintah,

media, dan masyarakat umum. Tampaknya setiap minggu ada

berita tentang aplikasi AI baru yang mendekati atau melampaui

kinerja manusia, sering kali disertai dengan spekulasi keberhasilan

yang dipercepat atau musim dingin AI yang baru.

Pembelajaran mendalam sangat bergantung pada perangkat

keras yang kuat. Sedangkan CPU computer standar dapat

melakukan 109 atau 1010 operasi per detik. algoritme

pembelajaran mendalam yang berjalan pada perangkat keras

khusus (misalnya, GPU, TPU, atau FPGA).

2.4. Kecanggihan Seni

Laporan 2019 (dibandingkan dengan baseline tahun 2000 kecuali

dinyatakan lain):

 Publikasi: Makalah AI meningkat 20 kali lipat antara 2010 dan

2019 menjadi sekitar 20.000 per tahun. Kategori yang paling

populer adalah pembelajaran mesin. (Makalah pembelajaran

mesin di arXiv.orang berlipat ganda setiap tahun dari 2009 hingga

36
 2017.) Penglihatan komputer dan pemrosesan bahasa alami

adalah yang paling populer berikutnya.

 Sentimen: Sekitar 70% artikel berita tentang AI bersifat netral,

tetapi artikel dengan nada positif meningkat dari 12% pada tahun

2016 menjadi 30% pada tahun 2018. Masalah yang paling umum

adalah etika: privasi data dan bias algoritme.

 Siswa: Pendaftaran kursus meningkat 5 kali lipat di AS dan 16

kali lipat secara internasional dari awal tahun 2010. AI adalah

spesialisasi paling populer dalam Ilmu Komputer.

 Keanekaragaman: Profesor AI di seluruh dunia adalah sekitar

80% pria, 20% wanita. Nomor serupa berlaku untuk Ph.D.

mahasiswa dan pekerja industri.

 Konferensi: Kehadiran di NeuroIPS meningkat 800% sejak 2012

menjadi 13.500 peserta. Konferensi lain melihat pertumbuhan

tahunan sekitar 30%.

 Industri: Startup AI di AS meningkat 20 kali lipat menjadi lebih

dari 800.

 Internasionalisasi: China menerbitkan lebih banyak makalah per

tahun daripada AS dan hampir sama banyaknya dengan seluruh

Eropa. Namun, dalam dampak kutipan tertimbang, penulis AS

50% di depan penulis Cina. Singapura, Brasil, Australia, Kanada,

dan India adalah negara dengan pertumbuhan tercepat dalam hal

jumlah perekrutan AI.

37
  Visi: Tingkat kesalahan untuk deteksi objek (seperti yang dicapai

dalam LSFRC, Tantangan Pengenalan Visual Skala Besar)

meningkat dari 28% pada tahun 2010 menjadi 2% pada tahun

2017, melebihi kinerja manusia. Akurasi pada jawaban

pertanyaan visual terbuka (VQA) meningkat dari 55% menjadi

68% sejak 2015, tetapi tertinggal di belakang kinerja manusia

sebesar 83%.

 Kecepatan: Waktu pelatihan untuk tugas pengenalan gambar

turun dengan faktor 100 hanya dalam dua tahun terakhir. Jumlah

daya komputasi yang digunakan dalam aplikasi AI teratas

berlipat ganda setiap 3,4 bulan.

 Bahasa: Akurasi dalam menjawab pertanyaan, yang diukur

dengan skor F1 pada Kumpulan Data Jawaban Pertanyaan

Stanford (SQkamuAD), meningkat dari 60 menjadi 95 dari 2015

ke 2019; di SQ kamuVarian AD 2, kemajuannya lebih cepat, dari

62 menjadi 90 hanya dalam satu tahun. Kedua skor melebihi

kinerja tingkat manusia.

 Tolok ukur manusia: Pada tahun 2019, sistem AI dilaporkan telah

memenuhi atau melampaui kinerja tingkat manusia dalam catur,

Go, poker, Pac-Man, Jeopardy!, Deteksi objek ImageNet,

pengenalan ucapan dalam domain terbatas, terjemahan China-ke-

Inggris dalam batasan domain, Quake III, Dota 2, StarCraft II,

berbagai game Atari, deteksi kanker kulit, deteksi kanker prostat,

pelipatan protein, dan diagnosis retinopati diabetik.

38
 Kendaraan robot: Sejarah kendaraan robot terbentang

kembali ke mobil yang dikendalikan radio pada tahun 1920-an,

tetapi demonstrasi pertama mengemudi di jalan otonom tanpa

pemandu khusus terjadi pada tahun 1980-an (Kanade dkk., 1986;

Dickmanns dan Zapp, 1987). Setelah demonstrasi mengemudi yang

sukses di jalan tanah di DARPA Grand Challenge 132 mil pada

tahun 2005 (Thrun, 2006) dan di jalanjalan dengan lalu lintas di

Urban Challenge 2007, perlombaan untuk mengembangkan mobil

self-driving dimulai dengan sungguh-sungguh. Pada tahun 2018,

kendaraan uji Waymo melewati tengara 10 juta mil yang

dikendarai di jalan umum tanpa kecelakaan serius, dengan

pengemudi manusia yang mengambil alih kendali hanya sekali

setiap 6.000 mil. Segera setelah itu, perusahaan mulai menawarkan

layanan taksi

robotik komersial.

Di udara, drone sayap tetap otonom telah menyediakan

pengiriman darah lintas negara di Rwanda sejak 2016. Quadcopters

melakukan manuver aerobatik yang luar biasa, menjelajahi

bangunan sambil membangun peta 3-D, dan merakit diri menjadi

formasi otonom.

Gerak berkaki: BigDog, robot berkaki empat karya Raibert

dkk. (2008), mengubah kami gagasan tentang bagaimana robot

bergerak—bukan lagi gaya berjalan lambat, kaku, dan menyamping

seperti robot film Hollywood, tetapi sesuatu yang sangat mirip

39
dengan binatang dan mampu pulih saat didorong atau terpeleset di

genangan es. Atlas, robot humanoid, tidak hanya berjalan di medan

yang tidak rata tetapi juga melompat ke kotak dan melakukan

backflip (Ackerman dan Guizzo, 2016).

Perencanaan dan penjadwalan otonom: Seratus juta mil dari

Bumi, program Agen Jarak Jauh NASA menjadi program

perencanaan otonom on-board pertama yang mengontrol

penjadwalan

Mesin penerjemah: Sistem terjemahan mesin online

sekarang memungkinkan pembacaan dokumen dalam lebih dari

100 bahasa, termasuk bahasa asli lebih dari 99% manusia, dan

menerjemahkan ratusan miliar kata per hari untuk ratusan juta

pengguna. Meskipun tidak sempurna, mereka umumnya memadai

untuk dipahami. Untuk bahasa yang terkait erat dengan banyak data

pelatihan (seperti bahasa Prancis dan Inggris) terjemahan dalam

domain sempit mendekati tingkat manusia (Wudkk., 2016b).

Pengenalan suara: Pada tahun 2017, Microsoft

menunjukkan bahwa Sistem Pengenalan Ucapan Percakapan telah

mencapai tingkat kesalahan kata sebesar 5,1%, menyamai kinerja

manusia pada tugas Switchboard, yang melibatkan menyalin

percakapan telepon (Xiong dkk., 2017).operasi untuk pesawat

ruang angkasa (Jonsson dkk., 2000).

Rekomendasi: Perusahaan seperti Amazon, Facebook,

Netflix, Spotify, YouTube, Walmart, dan lainnya menggunakan

40
 pembelajaran mesin untuk merekomendasikan apa yang mungkin

Anda sukai berdasarkan pengalaman masa lalu Anda dan

pengalaman orang lain seperti Anda. Bidang sistem rekomendasi

memiliki sejarah panjang (Resnick dan Varian, 1997) tetapi

berubah dengan cepat karena metode pembelajaran mendalam baru

yang menganalisis konten (teks, musik, video) serta sejarah dan

metadata (van den Oorddkk., 2014; Zhangdkk., 2017). Pemfilteran

spam juga dapat dianggap sebagai bentuk rekomendasi (atau

penolakan); teknik AI saat ini menyaring lebih dari 99,9% spam,

dan layanan email juga dapat merekomendasikan calon penerima,

serta kemungkinan teks tanggapan.

Ini hanya beberapa contoh sistem kecerdasan buatan yang

ada saat ini. Bukan sihir atau fiksi ilmiah—melainkan sains, teknik,

dan matematika, yang diperkenalkan oleh buku ini.

2.5. Risiko dan Manfaat AI

Francis Bacon, seorang filsuf yang dikreditkan dengan

menciptakan metode ilmiah, mencatat dalam Kebijaksanaan Orang Tua

(1609) bahwa "seni mekanik digunakan secara ambigu, berfungsi juga

untuk luka maupun untuk penyembuhan." Karena AI memainkan peran

yang semakin penting dalam bidang ekonomi, sosial, ilmiah, medis,

keuangan, dan militer, sebaiknya pertimbangkan kerugian dan

pemulihannya—dalam bahasa modern, risiko dan manfaat—yang dapat

ditimbulkannya.Namun, jauh sebelum kita memiliki kesempatan untuk

41
“menyelesaikan AI”, kita akan menghadapi risiko dari penyalahgunaan

AI, secara tidak sengaja atau sebaliknya.

Beberapa di antaranya sudah terlihat, sementara yang lain

tampaknya didasarkan pada tren saat ini:

 Senjata otonom yang mematikan: Ini didefinisikan oleh PBB

sebagai senjata yang dapat menemukan, memilih, dan

menghilangkan target manusia tanpa campur tangan manusia.

Perhatian utama dengan senjata semacam itu adalahskalabilitas:

tidak adanya persyaratan untuk pengawasan manusia berarti

bahwa sebuah kelompok kecil dapat menggunakan sejumlah

besar senjata secara sewenang-wenang terhadap target manusia

yang ditentukan oleh kriteria pengakuan yang layak. Teknologi

yang dibutuhkan untuk senjata otonom mirip dengan yang

dibutuhkan untuk mobil self-driving. Diskusi ahli informal

tentang potensi risiko senjata otonom yang mematikan dimulai di

PBB pada tahun 2014, pindah ke tahap pra-perjanjian formal dari

Kelompok Ahli Pemerintah pada tahun 2017.

 Pengawasan dan persuasi: Meskipun mahal, membosankan, dan

terkadang dipertanyakan secara hokum bagi personel keamanan

untuk memantau saluran telepon, umpan kamera video, email,

dan saluran pesan lainnya, AI (pengenalan ucapan, penglihatan

komputer, dan pemahaman bahasa alami) dapat digunakan dalam

skala yang dapat diskalakan mode untuk melakukan pengawasan

massal terhadap individu dan mendeteksi aktivitas yang menarik.

42
 Dengan menyesuaikan arus informasi kepada individu melalui

media sosial, berdasarkan teknik pembelajaran mesin, perilaku

politik dapat dimodifikasi dan dikendalikan sampai batas tertentu

—kekhawatiran yang menjadi jelas dalam pemilihan yang

dimulai pada tahun 2016.

 Pengambilan keputusan yang bias: Penyalahgunaan algoritme

pembelajaran mesin yang ceroboh atau disengaja untuktugas-

tugas seperti mengevaluasi permohonan pembebasan bersyarat

dan pinjaman dapat mengakibatkan keputusan yang bias

berdasarkan ras, jenis kelamin, atau kategori yang dilindungi

lainnya. Seringkali, data itu sendiri mencerminkan bias yang

menyebar di masyarakat.

 Dampak pada pekerjaan: Kekhawatiran tentang mesin yang

menghilangkan pekerjaan sudah berabad-abad lamanya.

Ceritanya tidak pernah sederhana: mesin melakukan beberapa

tugas yang mungkin dilakukan manusia, tetapi mereka juga

membuat manusia lebih produktif dan karenanya lebih dapat

dipekerjakan, dan membuat perusahaan lebih menguntungkan dan

karenanya mampu membayar upah yang lebih tinggi. Mereka

mungkin membuat beberapa kegiatan layak secara ekonomi yang

sebaliknya tidak praktis. Milik mereka penggunaan umumnya

menghasilkan peningkatan kekayaan tetapi cenderung memiliki

43
 efek menggeser kekayaan dari tenaga kerja ke modal, yang

semakin memperburuk peningkatan ketidaksetaraan.

 Kemajuan teknologi sebelumnya seperti penemuan alat tenun

mekanis telah mengakibatkan gangguan serius pada pekerjaan,

tetapi pada akhirnya orang menemukan jenis pekerjaan baru

untuk dilakukan. Disisi lain, ada kemungkinan bahwa AI juga

akan melakukan jenis pekerjaan baru itu. Topik ini dengan cepat

menjadi fokus utama bagi para ekonom dan pemerintah di seluruh

dunia.

 Aplikasi penting keselamatan: Seiring kemajuan teknik AI,

mereka semakin banyak digunakan dalam aplikasi berisiko tinggi

dan kritis terhadap keselamatan seperti mengemudikan mobil dan

mengelola pasokan air kota. Kecelakaan fatal telah terjadi dan

menyoroti kesulitan verifikasi formal dan analisis risiko statistik

untuk sistem yang dikembangkan menggunakan teknik

pembelajaran mesin. Bidang AI perlu mengembangkan standar

teknis dan etika setidaknya sebanding dengan yang lazim di

disiplin teknik dan perawatan kesehatan lain di mana nyawa

orang dipertaruhkan.

 Keamanan cyber: Teknik AI berguna dalam mempertahankan diri

dari serangan siber, misalnya dengan mendeteksi pola perilaku

yang tidak biasa, tetapi juga akan berkontribusi pada potensi,

kemampuan bertahan, dan kemampuan proliferasi malware.

44
 Misalnya, metode pembelajaran penguatan telah digunakan untuk

membuat alat yang sangat efektif untuk serangan pemerasan dan

phishing otomatis yang dipersonalisasi.

Ketika sistem AImenjadi lebih mampu, mereka akan

mengambil lebih banyak peran sosial yang sebelumnya dimainkan

oleh manusia. Sama seperti manusia telah menggunakan peran ini

di masa lalu untuk melakukan kerusakan, kita dapat berharap

bahwa manusia dapat menyalahgunakan sistem AI dalam peran ini

untuk melakukan lebih banyak kerusakan. Semua contoh yang

diberikan di atas menunjukkan pentingnya tata kelola dan, pada

akhirnya, regulasi. Saat ini, komunitas riset dan perusahaan besar

yang terlibat dalam penelitian AI telah mengembangkan prinsip-

prinsip tata kelola mandiri sukarela untuk aktivitas terkait AI.

sebagian besar peneliti AI memiliki spesialisasi dalam

subbidang tertentu seperti bermain game, representasi pengetahuan,

visi, atau pemahaman bahasa alami—seringkali dengan asumsi

bahwa kemajuan dalam subbidang ini akan berkontribusi pada

tujuan yang lebih luas dari AI. Nils Nilsson (1995), salah satu

pemimpin asli proyek Shakey di SRI, mengingatkan bidang tujuan

yang lebih luas itu dan memperingatkan bahwa subbidang itu

dalam bahaya menjadi tujuan itu sendiri. Kemudian, beberapa

pendiri AI yang berpengaruh, termasuk John McCarthy (2007),

Marvin Minsky(2007), dan Patrick Winston (Beal dan Winston,

2009), sependapat dengan peringatan Nilsson, menyarankan

45
bahwa alih-alih berfokus pada kinerja terukur dalam aplikasi

tertentu, AI harus kembali ke akarnya untuk berjuang, dalam kata-

kata Herb Simon, “mesin yang berpikir, yang belajar dan yang

menciptakan.” Mereka menyebut upaya ituAI tingkat manusia atau

HLAI—mesin harus bisa belajar melakukan apa saja yang bisa

dilakukan manusia. Simposium pertama mereka adalah pada tahun

2004 (Minskydkk., 2004).

Upaya lain dengan tujuan serupa, yaitukecerdasan umum

buatan (AGI) gerakan (Goertzel dan Pennachin, 2007),

mengadakan konferensi pertamanya dan menyelenggarakan Jurnal

Kecerdasan Umum Buatan pada tahun 2008.

Sangat disayangkan bahwa hampir semua penelitian AI

hingga saat ini telah dilakukan dalam model standar, yang berarti

bahwa hampir semua materi teknis dalam edisi ini mencerminkan

kerangka intelektual tersebut. Namun, ada beberapa hasil awal

dalam kerangka kerja baru. Dalam Bab 15, kami menunjukkan

bahwa mesin memiliki insentif positif untuk membiarkan dirinya

dimatikan jika dan hanya jika tidak pasti tentang tujuan manusia.

46
 BAB III

PENUTUP

3.1. Kesimpulan

Filsuf (kembali ke 400 SM) membuat AI dapat

dibayangkan dengan menyarankan bahwa pikiran dalam beberapa

hal seperti mesin, yang beroperasi pada pengetahuan yang

dikodekan dalam beberapa bahasa internal, dan pemikiran itu dapat

digunakan untuk memilih tindakan apa yang harus diambil.

Matematikawan menyediakan alat untuk memanipulasi pernyataan

kepastian logis serta pernyataan probabilistik yang tidak pasti.

Mereka juga menetapkan dasar untuk memahami komputasi dan

penalaran tentang algoritma. Para ekonom memformalkan masalah

pengambilan keputusan yang memaksimalkan utilitas yang

diharapkan bagi pembuat keputusan. Ahli saraf menemukan

47
 beberapa fakta tentang cara kerja otak dan cara otak mirip dan

berbeda dari komputer. Psikolog mengadopsi gagasan bahwa

manusia dan hewan dapat dianggap sebagai mesin pengolah

informasi. Ahli bahasa menunjukkan bahwa penggunaan bahasa

cocok dengan model ini. Insinyur komputer menyediakan mesin

yang semakin canggih yang memungkinkan aplikasi AI, dan

insinyur perangkat lunak membuatnya lebih bermanfaat.

3.2. Saran

Apabila ada kesalahan dalam makalah ini saya harapkan

saran dan kritik dari pembaca demi kesempurnaan pada makalah

ini agar supaya bisa menjadi makalah yang sempurna dan

bermanfaat bagi para pembaca.

48
 DAFTAR PUSTAKA

http://blog.unnes.ac.id/antosupri/pengertian-ntc-negative-temperatur-coefficient-

aplikasi-ntc-dan-cara-menguji-ntc/

https://www.niguru.com/2018/04/potensiometer-dan-trimpot-resistor.html

https://teknikelektronika.com/pengertian-resistor-jenis-jenis-resistor/

https://www.studiobelajar.com/dioda/

https://teknikelektronika.com/pengertian-led-light-emitting-diode-cara-kerja/

49