MODUL PERKULIAHAN

Digital Economy

Kecerdasan Buatan Dan Mesin Pembelajaran

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

07
Ekonomi dan Bisnis Manajemen S1 Team Teaching

Abstract Kompetensi
Materi pada pertemuan ini berkaitan Mahasiswa mampu mendefinisikan
dengan pengertian kecerdasan mengenai kecerdasan buatan dan
buatan dan mesin pembelajaran mesin pembelajaran

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
1 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
A. Kecerdasan Buatan (AI)

a) Definisi Kecerdasan Buatan (AI)

Kecerdasan buatan (AI) adalah bagian dari ilmu komputer yang membuat mesin (komputer)
mampu melakukan pekerjaan seperti halnya manusia. Pada awal penciptaannya, komputer hanya
berfungsi sebagai alat penghitung. Namun seiring dengan perkembangan zaman, peran komputer
semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat
komputasi, tetapi yang lebih penting, komputer diharapkan dapat melakukan segala sesuatu yang
dapat dilakukan manusia. Manusia dapat pandai memecahkan masalah di dunia ini karena manusia
memiliki pengetahuan dan pengalaman pengetahuan yang diperoleh dari belajar. Namun bekal
pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, kesimpulan
berdasarkan pengetahuan dan pengalaman yang dimilikinya.
Secara lebih rinci, kecerdasan buatan dapat dilihat dari berbagai perspektif, antara lain:
• Sudut pandang kecerdasan
Kecerdasan buatan akan membuat mesin buatan akan mampu melakukan apa yang manusia
lakukan.

• Sudut pandang penelitian

Kecerdasan buatan adalah studi tentang bagaimana membuat komputer melakukan sesuatu
sebaik yang dilakukan manusia.
Domain yang sering dibahas oleh peneliti antara lain:
1. Mengerjakan tugas.
2. Persepsi (penglihatan & ucapan).
3. Bahasa alami (memahami, menghasilkan dan menerjemahkan).
4. Pemikiran yang masuk akal.
5. Kontrol robot.
6. Tugas formal.
7. Permainan.
8. Matematika (geometri, logika, kalkulus, integral, dan pembuktian)
9. Tugas ahli.
10. Analisis keuangan.
11. Analisis medis.
12. Analisis ilmiah.
13. Rekayasa (desain, pemecahan masalah, perencanaan manufaktur).

• Sudut pandang bisnis

Kecerdasan buatan adalah kumpulan alat yang sangat kuat dan metodologis dalam
memecahkan masalah bisnis.

• Sudut pandang pemrograman

Kecerdasan buatan mencakup studi tentang pemrograman simbolik, pemecahan masalah, dan
pencarian.
Untuk melakukan aplikasi kecerdasan buatan, dibutuhkan 2 bagian utama yaitu (Gambar 1.1):
• Basis pengetahuan, berisi fakta, teori, pemikiran, dan hubungan satu sama lain.
• Gangguan motorik (inference engine), yaitu kemampuan menarik kesimpulan berdasarkan
pengalaman.

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
2 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
 Gambar 7.1 Penerapan Konsep Kecerdasan Buatan

b) Kecerdasan buatan dan kecerdasan natural (kecerdasan yang dimiliki manusia)

Kecerdasan buatan memiliki beberapa keunggulan komersial, antara lain:
1. Kecerdasan buatan lebih permanen. Kecerdasan alami dapat berubah dengan cepat. Kemungkinan
karena sifat manusia adalah pelupa. Kecerdasan buatan tidak akan berubah selama sistem
komputer tidak mengubahnya.
2. Kecerdasan buatan lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari
orang ke orang adalah proses yang sangat panjang, dan juga skill yang tidak akan pernah bisa
diduplikasi. Oleh karena itu, jika pengetahuan berada dalam sistem komputer, itu dapat disalin
dari komputer itu dan dengan mudah ditransfer ke komputer lain.
3. Kecerdasan buatan lebih murah daripada kecerdasan alami. Memberikan layanan komputer lebih
mudah dan murah daripada harus membawa seseorang untuk melakukan beberapa pekerjaan
dalam jangka waktu yang lama.
4. Kecerdasan buatan konsisten. Hal ini karena kecerdasan buatan merupakan bagian dari teknologi
komputer. Sedangkan kecerdasan alamiah akan selalu berubah.

c) Kecerdasan buatan dapat didokumentasikan

Keputusan yang dibuat oleh komputer dapat dengan mudah didokumentasikan dengan
melacak setiap aktivitas sistem. Kecerdasan buatan dapat bekerja lebih cepat daripada kecerdasan
alami. Kecerdasan buatan dapat melakukan pekerjaan yang lebih baik daripada kecerdasan alami.
Sedangkan kelebihan kecerdasan alami adalah Kreativitas. Kemampuan untuk menambah atau
memenuhi pengetahuan sudah melekat pada manusia. Dalam kecerdasan buatan, untuk meningkatkan
pengetahuan harus dilakukan melalui sistem yang dibangun. Kecerdasan alami memungkinkan orang
untuk menggunakan pengalaman secara langsung. Pada saat yang sama, AI harus menggunakan input
simbolis. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan terbatas.

d) Sejarah AI
Istilah kecerdasan buatan pertama kali dicetuskan pada Dartmouth Conference pada tahun
1956. Sejak itu, AI terus berkembang, seperti halnya berbagai studi tentang teori dan prinsipnya.
Meskipun istilah AI baru muncul pada tahun 1956, teori yang memunculkan AI sudah ada sejak tahun
1941. Berikut adalah tahapan sejarah perkembangan kecerdasan buatan:
• Era komputer elektronik (1941)
Pada tahun 1941, sarana penyimpanan dan penyediaan informasi ditemukan. Penemuan
tersebut dinamakan komputer elektronik yang dikembangkan di Amerika Serikat dan Jerman.
Komputer pertama membutuhkan ruangan besar yang terpisah dan ruangan ber-AC. Saat itu,
komputer melibatkan konfigurasi kabel untuk menjalankan program, sangat merepotkan programmer.
Pada tahun 1949, berhasil membuat komputer yang mampu menyimpan program, sehingga
memudahkan untuk memasukkan program. Penemuan ini menjadi rencana dasar yang mengarah pada
pengembangan kecerdasan buatan.
• Masa persiapan AI (1943-1956)
Pada tahun 1943, Warren McCulloch dan Walter Pitts mengajukan tiga hal: pengetahuan
tentang fisiologis dan fungsi sel saraf di otak, analisis logika proposisional, dan teori komputasi
Turing. Mereka berhasil menghasilkan model saraf tiruan di mana setiap neuron yang digambarkan
hidup dan mati. Mereka menunjukkan bahwa setiap fungsi dapat dihitung dengan jaringan saraf sel,
dan bahwa semua hubungan logistik dapat diimplementasikan dengan struktur jaringan yang
sederhana.
Pada tahun 1950, Norbert Wiener melakukan penelitian tentang prinsip-prinsip teori umpan
Kecerdasan Buatan Dan Mesin
‘21 Pembelajaran
3 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
balik. Contoh yang terkenal adalah termostat. Penemuan ini juga merupakan awal dari perkembangan
AI. Pada tahun 1956, John McCarthy (yang setelah lulus dari Princeton kemudian melanjutkan ke
Dartmouth College) meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk
membantunya melakukan penelitian di Automata, jaringan sel saraf dan pembelajaran kecerdasan.
Mereka mengerjakan proyek ini selama dua bulan di Dartmouth. Hasilnya adalah program yang
mampu berpikir non-numerik dan memecahkan masalah berpikir, yang disebut Principia
Mathematica. Kejadian ini membuat McCarthy dikenal sebagai bapak kecerdasan buatan.
• Awal perkembangan AI (1952-1969)
Pada tahun-tahun pertama pengembangannya, AI mengalami banyak kesuksesan. Diawali
dengan kesuksesan Newell dan Simon dengan sebuah program bernama General Problem Solver.
Program ini dirancang untuk memulai pemecahan masalah manusia. Pada tahun 1958, McCarthy di
MTT Lab Memo No. 1 mendefinisikan bahasa pemrograman tingkat tinggi LISP, yang mendominasi
pembuatan program AI. Kemudian, McCarthy membuat program yang disebut Programs With
Common Sense. Dalam program tersebut, dibuat desain untuk menggunakan pengetahuan dalam
mencari solusi. Pada tahun 1959, Nathaniel Rochester dari IBM dan murid-muridnya
memperkenalkan program pembuktian teorema geometri AI. Program ini dapat membuktikan suatu
teorema dengan menggunakan aksioma-aksioma yang ada. Pada tahun 1963, program James Slagle
memecahkan masalah integral untuk kursus kalkulus. Pada tahun 1968, program analogi Tom Evan
memecahkan masalah analogi geometris pada tes IQ.
• Perkembangan AI melambat (1966-1974)
Prediksi Herbert Simon pada tahun 1957, yang mengatakan bahwa AI akan menjadi ilmu
yang akan berkembang pesat ternyata salah. Dalam 10 tahun ke depan, perkembangan AI mencatat.
Peristiwa ini disebabkan oleh tiga kesulitan utama yang dihadapi oleh kecerdasan buatan, yaitu:
Masalah pertama: program AI yang muncul mengandung sedikit atau tidak ada pengetahuan
tentang subjek tersebut. Program kecerdasan buatan hanya berhasil dalam operasi sintetik sederhana.
Contohnya adalah program ELIZA Weizenbaum (1965) yang dapat melakukan percakapan serius
tentang berbagai topik, tetapi sebenarnya hanya meminjam dan memanipulasi kalimat yang diketik
oleh manusia. Masalah kedua: banyak masalah yang harus memecahkan AI. Karena terlalu banyak
masalah terkait, tidak jarang banyak program AI yang gagal. Masalah ketiga: ada beberapa
keterbatasan perilaku struktur dasar yang digunakan untuk menghasilkan produk cerdas. Sebagai
contoh, pada tahun 1969 buku Minsky dan Papert Perceptrons membuktikan bahwa program
perceptron dapat mempelajari apa saja, tetapi hanya mewakili sedikit. Misalnya, perceptron input
yang berbeda tidak dapat dikenali untuk mengenali dua input yang berbeda.
• Sistem berbasis pengetahuan (1969-1979)
Pengetahuan adalah kekuatan kecerdasan buatan. Peristiwa tersebut ditunjukkan oleh program
yang dibuat oleh Ed Feigenbaum, Bruce Buchanan, dan Joshua Lederberg, yang membuat program
untuk memecahkan masalah struktur molekul berdasarkan informasi yang diperoleh dari spektrometer
massa. Program yang disebut program Dendral ini berfokus pada berbagai aspek pengetahuan kimia.
Dari segi diagnosis media, ada juga yang menemukan yaitu Saul Amarel di komputer dalam proyek
biomedis. Proyek ini dimulai dari keinginan untuk mendapatkan diagnosis penyakit berdasarkan
pengetahuan yang ada tentang mekanisme penyebab penyakit.
• AI menjadi sebuah industri (1980-1988)
Industrialisasi AI dimulai dengan ditemukannya sistem pakar (expert system) yang disebut
R1, yang mengonfigurasi sistem komputer baru. Program ini mulai dioperasikan di Digital Equipment
Corporation (DEC), McDermott, pada tahun 1982. Pada tahun 1986, program ini telah menghemat
US$40 juta per tahun. Pada tahun 1988, grup AI pada bulan Desember menjalankan 40 sistem pakar.
Hampir semua perusahaan besar di AS memiliki divisi AI sendiri yang menggunakan atau
mempelajari sistem AI. Ledakan industri AI ini juga melibatkan perusahaan besar seperti Carnegie
Group, Inference, Intellicorp, dan Technology yang menawarkan perangkat lunak untuk membangun
sistem AI. Perusahaan perangkat keras seperti LISP dan Machines Inc., Texas Instruments,
Symbolics, dan Xerox juga berperan dalam membangun stasiun kerja yang dioptimalkan untuk
membangun program LISP. Dengan demikian, perusahaan yang sejak tahun 1982 hanya

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
4 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
menghasilkan beberapa juta dolar AS per tahun telah meningkat menjadi 2 miliar dolar AS per tahun
pada tahun 1988.
• Kembalinya jaringan syaraf tiruan (1986-sekarang)
Meskipun bidang ilmu komputer menolak jaringan tersebut setelah diterbitkannya buku
"perceptrons" oleh Minsky dan Papert, para ilmuwan masih mempelajari bidang tersebut dari
perspektif lain, yaitu fisika. Para ahli seperti Hopfield (1982) menggunakan teknik mekanika statistik
untuk menganalisis sifat penyimpanan dan optimasi jaringan saraf. Psikolog David Rumelhart dan
Geoff Hinton terus bekerja pada model saraf memori. Pada tahun 1985 setidaknya empat kelompok
penelitian menemukan kembali algoritma pembelajaran back-propagation. Algoritma telah berhasil
diterapkan di bidang ilmu komputer dan psikologi.
• AI Masa Depan
Ray Kurzweil dalam buku Suyanto (2014:9) mengajukan tiga pertanyaan: dapatkah suatu
kecerdasan membuat kecerdasan lain lebih pintar dari dirinya sendiri? Apakah kita lebih pintar dari
proses evolusi yang menciptakan kita? Dan, apakah kecerdasan yang kita ciptakan akan
melampauinya? Jawaban atas ketiga pertanyaan itu adalah 'Ya, itu mungkin.' Dalam buku tersebut,
Ray Kurzweil membuat prediksi peristiwa dalam 100 tahun ke depan, dari 2009 hingga 2099, ke
dalam tahapan berikut:
• Tahun 2009
PC seharga $1.000 akan mampu melakukan sekitar satu triliun kalkulasi per detik. Komputer
bisa menjadi sangat kecil dan menempel pada pakaian dan perhiasan. Sebagian besar transaksi bisnis
sehari-hari adalah antara orang dan personalitas virtual. Telepon penerjemahnya, di mana pihak yang
menelepon, dan pihak yang dipanggil dapat berbicara dalam dua bahasa yang berbeda, akan
digunakan secara luas di masyarakat.
• Tahun 2019
Sebuah PC seharga US$1000 akan setara dengan kemampuan komputasi otak manusia.
Komputer semakin mudah dioperasikan, tidak terlihat dan menempel di mana-mana. Realitas virtual
sudah dalam tiga dimensi. sebagian besar interaksi dengan komputer melalui gerakan dan komunikasi
ucapan dua arah. Lingkungan realistis yang mencakup segala sesuatu (audio, visual, dan fisik)
memungkinkan manusia untuk dapat melakukan sesuatu, secara virtual, dengan manusia lain,
meskipun ada keterbatasan fisik. Manusia mulai memiliki hubungan dengan kepribadian otomatis
seperti teman dan guru.
• Tahun 2029
Sebuah PC seharga US$ 1000 akan setara dengan kemampuan komputasional seribu otak
manusia. Komputer telah terhubung langsung ke otak manusia dengan koneksi high-bandwidth.
Pencakokan otak berhasil dilakukan untuk meninngkatkan persepsi dan interpretasi secara audio dan
visual, memori dan penalaran. Komputer mampu membaca semua literatur dan material multimedia
yang dibangkitkan oleh mesin maupun manusia. Muncul diskusi tentang legalitas komputer dan
konstitusi manusia.
• Tahun 2049
Makanan yang diproduksi menggunakan nanoteknologi menjadi tersedia secara luas.
Makanan ini memiliki profil nutrisi yang baik dan memiliki rasa dan tekstur yang sama dengan
makanan organik.
• Tahun 2072
Micro-engineering atau teknologi pada level picometer atau 10-12 meter telah berhasil
diterapkan di dunia nyata.
• Tahun 2099
Ada kecenderungan kuat untuk mencampuradukkan pikiran manusia dengan kecerdasan
mesin. Tidak ada lagi perbedaan yang jelas antara manusia dan mesin. sebagian besar entitas tidak
memiliki kehadiran fisik permanen. Kecerdasan berbasis mesin yang berasal dari model kecerdasan
manusia yang diperluas yang diklaim sebagai manusia. Banyak dari kecerdasan ini tidak menentukan
Kecerdasan Buatan Dan Mesin
‘21 Pembelajaran
5 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
pilihan pada suatu unit tertentu. Manusia berdasarkan perangkat lunak jauh melebihi jumlah manusia
yang berbasis sel saraf alami (karbon). Bahkan antara kecerdasan manusia yang masih menggunakan
sel saraf berbasis karbon, ada penggunaan teknologi transplantasi sel saraf yang memberikan
peningkatan besar dalam kemampuan persepsi dan kognitif manusia. Manusia yang tidak
menggunakan cangkok ini tidak dapat berpartisipasi dalam dialog dengan manusia lain yang
menggunakan cangkok sel saraf.
Mungkinkah prediksi pada tahap-tahap berikut akan terwujud? Jika kita melihat saat ini,
komputer kecil di tangan sudah banyak beredar, tetapi komputer belum menempel pada pakaian dan
perhiasan. Apakah sebagian besar transaksi bisnis sehari-hari antara orang dan personalitas virtual?
sudah banyak terlihat dengan banyaknya transaksi online. Telepon dengan terjemahan? Sampai saat
ini telepon dengan terjemahan antar bahasa belum banyak digunakan di masyarakat. Ini masih
digunakan secara terbatas pada kelompok tertentu, seperti dinas rahasia dan militer.

e) Aplikasi-Aplikasi Dari AI
Kecerdasan buatan (AI) telah dipelajari selama kurang lebih 45 tahun. Sampai saat ini,
beberapa produk aplikasi AI telah diproduksi. Produk-produk ini dapat dijalankan pada perangkat
keras komputer mulai dari komputer pribadi (PC) seharga US$50.000. Biasanya, input untuk produk
ini membentuk data simbolik. Aplikasi AI meliputi:
• Permainan,
• Bahasa alam,
• Desain CAD/CAM dan sistem manufaktur
• Perangkat keras,
• Manajemen data
• Sistem otomatisasi kantor
• Analisis Intelijen Militer
• Kontrol dan Pengumpulan Informasi Disk Video
• Robot Kontrol
• Analisis program komputer
• Diagnosa Penyakit,
• Komputer
• Prakiraan senyawa kimia,
• sistem
• Operasi komputer,
• Manajemen kendali senjata.
Apakah AI hari ini sesuatu yang baru sekarang? Bagian AI meliputi:
• Pemrosesan Terdistribusi Paralel (Jaringan Neural)
• Penglihatan mesin
• Alat Pemrograman Otomatis
• Manajemen memori
• Pengenalan Pola
• Pemrosesan Bahasa Alami
• Dasar pengetahuan,

Kecerdasan buatan, subbagian dari ilmu komputer, adalah teknologi perangkat lunak yang
mengekspresikan data, memproses data, dan memecahkan masalah melalui pemrograman, secara
simbolis daripada numerik. Masalah dengan bentuk simbolik ini adalah salah satu yang sering kita
temui dalam kehidupan kita sehari-hari. Masalah-masalah ini lebih berkaitan dengan simbol dan
konsep daripada dengan angka. Di sini, dengan bantuan kecerdasan buatan, seseorang berusaha
membuat komputer tampak mampu berpikir cerdas. Apa yang membuat kecerdasan buatan dan proses
simbolik mudah dipahami adalah membandingkannya dengan program tradisional yang melakukan
operasi numerik.
Program konvensional dapat menjawab “X + Y” jika nilai X dan Y diberikan, tetapi program
ini tidak dapat menjawab bahwa “X + Y = 2X”, juga tidak dapat menjawab mengapa mobil tidak
dapat distarter.

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
6 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
 Gambar 7.2 Hubungan antara pengembangan di dalam computer science dan engineering
applications

Menggunakan AI, kecerdasan buatan dapat diterapkan ke berbagai jenis:

• Pengontrol
• Pengendalian proses,
• Tekanan
• Pengontrol
• Diagnosis kegagalan
• Sumber Drive
• Motor listrik
• Mengelola listrik di pusat/distribusi
• Manufaktur
• Penjadwalan, proses, kontrol
• Proses dekomposisi, kontrol
• Robot,
• Kontrol pekerjaan
• Kontrol lalu lintas
• Peramalan
• Perkiraan Biaya
• Pemadaman Listrik,
• Peramalan Saham (Forex Forecasting)
• Perencanaan (Planning)
• Perencanaan Proyek (Project Planning)
• Job Scheduling (Penjadwalan Job Shop)
• Perencanaan Anggaran
• Pemrosesan Gambar (Image Processing)
• Visi Komputer
• Pengenalan suara
• Pengakuan Objektif

f) Kelebihan AI
Kecerdasan Buatan memiliki banyak keunggulan dibandingkan sistem konvensional:
1. Objek perancangan sistem selalu membutuhkan persamaan matematis dari objek yang akan
dikunjungi, yang mana untuk sistem linier masih dapat diperoleh, tetapi untuk sistem nonlinier
sangat sulit diperoleh. Perancangan sistem kecerdasan buatan memerlukan informasi penalaran
yang cukup dari perilaku prosesnya, yang dapat berupa informasi bahasa (linguistic information).
Kecerdasan Buatan Dan Mesin
‘21 Pembelajaran
7 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
2. Proses belajar pun bisa dilakukan. Memiliki kemampuan menarik berdasarkan input-output data
sebelumnya.
3. Memiliki kemampuan untuk secara mandiri mengubah parameter atau menyesuaikan parameter
sistem internal. Dapat kuat terhadap perubahan parameter objektif. Kemampuan untuk
memprediksi perubahan parameter objek dengan menyesuaikan parameter internalnya.

B. Mesin Pembelajaran
Seseorang tidak pernah berhenti belajar dalam hidupnya. Peristiwa ini terjadi tanpa kita sadari
terjadi secara alami. Namun dalam menjelajahi sebuah mesin, tentu saja tidak praktis. Seseorang yang
telah belajar melalui pengalaman sehari-hari. Dari pengalaman ini, seseorang akan memperoleh
pengetahuan. Ada berbagai cara untuk mendapatkan pengetahuan. Cara termudah adalah belajar
menghafal atau menyimpan berita yang dihitung. Cara lain sudah ada dengan mendapatkan ilmu dari
orang lain yang ahli. Seseorang juga dapat belajar melalui pemecahan masalah yang dicari. Setelah
berhasil mengatasi suatu masalah, seseorang akan mengingat struktur dan cara menyelesaikan
masalah tersebut. Jika manusia melewati suatu masalah yang hampir serupa, maka seseorang dapat
menyelesaikan masalah tersebut dengan lebih efisien.
Dalam kehidupan sehari-hari, kita bisa melihat pembelajaran mesin dalam kehidupan sehari-hari
bermanfaat. Beberapa model yang terlihat sangat nyata adalah pengenalan suara, pengenalan sidik jari
atau pengenalan tulisan tangan. Perkembangan machine learning saat ini sangat pesat. Berbagai
penelitian telah dilakukan dalam membangun mesin yang lebih pintar. Model terbaru yang bisa kita
lihat adalah ASIMO, robot cerdas buatan Honda, yang dapat mengenali dan mengenali emosinya.
Untuk menghasilkan robot secerdas Asimo, beberapa Kecerdasan Buatan (AI) yang diterapkan,
seperti pengenalan suara untuk dapat berinteraksi, mengenali wajah pemilik dan mengenali ruangan.
Pembelajaran mesin sekarang menjadi cabang sains yang populer. Sehingga dapat menghasilkan robot
secerdas Asimo, kemudian beberapa AI yang diterapkan, seperti pengenalan suara untuk dapat
berinteraksi, pengenalan gambar untuk mengenali wajah dan mengenali pemilik dan masih banyak
lagi. Machine learning kini menjadi salah satu cabang ilmu yang populer di media. Dibuat sebagai
cabang dari kecerdasan buatan, hampir semua orang pernah berinteraksi, menggunakan atau
mendengar sistem komputer pribadi yang dibangun menggunakan teknik pembelajaran mesin. Dari
foto melihat yang diberi tag secara otomatis di Facebook, menggunakan rekomendasi di Google,
mengklik rekomendasi produk yang homogen dalam belanja online, menikmati layanan email bebas
spam, hingga mendengar tentang AlphaGo yang mengalahkan pro terbaik di game Go.
Machine Learning atau Pembelajaran Mesin merupakan teknik pendekatan dari Artificial
Intelligent ( AI ) yang digunakan untuk menirukan hingga menggantikan peran manusia dalam
melakukan aktivitas hingga memecahkan masalah. Secara singkat Machine Learning adalah mesin
yang dibuat supaya dapat belajar dan melakukan pekerjaan tanpa arahan dari penggunanya.
Secara garis besar, algoritma machine learning dibagi menjadi tiga jenis, yaitu supervised
learning, unsupervised learning, dan reinforcement learning.
Adapun beberapa langkah-langkah dalam penerapan pembelajaran mesin (Machine Learning) adalah
sebagai berikut :
1. Identifikasi Masalahmu
2. Mengumpulkan dan Mempersiapkan Data
3. Seleksi Algoritma Untuk Solusi
4. Evaluasi dan Perbaikan Terhadap Model
Adapun beberapa alasan penggunaan bahasa pemrograman Python dalam pembuatan sebuah model
dalam Machine Learning adalah :
• Mudah Dipelajari
• Varietas Library yang Tinggi dan Beragam
• Komunitas yang Luas dan Banyaknya Open Source

Machine learning merupakan sistem yang mampu belajar sendiri untuk memutuskan sesuatu
tanpa harus berulangkali diprogram oleh manusia sehingga komputer menjadi semakin cerdas berlajar
dari pengalaman data yang dimiliki. Berdasarkan teknik pembelajarannya, dapat dibedakan supervised
learning menggunakan dataset (data training) yang sudah berlabel, sedangkan unsupervised learning

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
8 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
menarik kesimpulan berdasarkan dataset. Input berupa dataset digunakan pembelajaran mesin untuk
menghasilkan analisis yang benar. Penyelesaian digunakan Python yang menyediakan algoritma dan
library yang digunakan membuat machine learning. Artificial intelligence (AI) dan machine learning
saat ini kembali memasuki fase booming setelah beberapa dekade mengalami pasang surut.
Kecerdasan Buatan kembali digandrungi, dimana penerapannya dilakukan secara masive pada
aplikasi- aplikasi bisnis dan social media jaman now seperti Facebook, Twitter, Google, Amazon, dan
bahkan berbagai aplikasi besar dari Indonesia seperti Go-jek, Tokopedia, dan sebagainya.
Struktur pembahasan dalam buku ini meliputi 3 bagian besar yaitu (1) Konsep Machine
Learning dan Kecerdasan Buatan (2) Dasar-Dasar Pemrograman Python untuk Machine Learning
serta (3) Contoh Penerapan Machine Learning Menggunakan Python dengan menerapkan beberapa
algoritma baik Supervised maupun Unsupervised Learning. Beberapa studi kasus dibahas secara
lengkap dari pemahaman algoritma, mengolah dataset sampai pada training dan testing serta
visualisasi hasil dari model machine learning yang dikembangkan.

a) Definisi Pembelajaran Mesin ( Machine Learning )

Machine learning atau pembelajaran adalah teknik metodologi kecerdasan buatan (AI) yang
digunakan untuk meniru peran yang dimainkan manusia dalam melakukan aktivitas untuk
memecahkan masalah. Maka, Machine Learning adalah mesin yang dibuat untuk dapat belajar dan
bekerja tanpa Arahan dari penggunanya. Menurut Arthur Samuel, seorang pelopor Amerika di bidang
permainan komputer dan kecerdasan buatan, pembelajaran mesin adalah cabang ilmu yang
mempelajari bagaimana menggambarkan kemampuan komputer untuk belajar tanpa diprogram secara
eksplisit. Pembelajaran mesin dapat dilakukan berdasarkan ide yang diperoleh dari data sebelumnya
dan menggunakan intervensi manusia atau pengguna minimal untuk mengidentifikasi pola dan
membuat keputusan. Oleh karena itu, kapasitas pembelajaran mesin tidak terbatas saat belajar.
Sejak istilah pertama pembelajaran mesin dikenal, banyak orang telah mengembangkannya,
terutama Deep Blue, yang dibuat pada tahun 1996 oleh IBM, sebuah perusahaan Amerika yang
memproduksi dan menjual perangkat keras dan perangkat lunak komputer. Penggunaan Deep Blue
yang paling terkenal adalah kemampuan bermain catur. Deep Blue sangat populer untuk mengalahkan
juara catur profesional.
Sementara itu, Tom M. Mitchell mendefinisikan bahwa “Sebuah program komputer yang
belajar dari pengalaman (experience) E dari suatu tugas yang diberikan (Task) dengan kinerja yang
terukur (performance). Misalnya program komputer yang belajar menggunakan catur dapat
mengembangkan kemampuannya P, yang diukur sebagai kemampuan menang pada tugas T bermain
catur berdasarkan pengalaman yang diperoleh E dari bermain catur melawan dirinya sendiri.

b) Jenis-Jenis Pembelajaran Mesin

Secara garis besar algoritma machine learning terbagi menjadi tiga jenis, yaitu supervised
learning, unsupervised learning, dan reinforcement learning. Sebelum menggunakan machine learning
untuk menyelesaikan masalah, kita harus memahami ketiga jenis machine learning tersebut, karena
algoritma tersebut memiliki fungsi dan tujuannya masing-masing.
1. Pembelajaran yang Diawasi
Pembelajaran terbimbing mengadopsi konsep pendekatan fungsi, di mana pada dasarnya
algoritma dilatih untuk dapat memilih fungsi yang paling menggambarkan input di mana X
tertentu membuat estimasi terbaik dari y. Namun, pada kenyataannya tidak sedikit orang yang
kesulitan menemukan fungsi yang paling cocok. Kemungkinan ini karena algoritma tergantung
pada asumsi yang digunakan. Jika ada asumsi yang tidak terpenuhi, tidak jarang hasil pengolahan
data menimbulkan bias. Oleh karena itu, algoritma ini membutuhkan data pelatihan yang benar
agar sistem dapat mempelajari pola dan regresi, klasifikasi, K-NN, Naive Bayes, Pohon
Keputusan, Regresi Linier, Support Vector Machine, dan jaringan saraf.
2. Algoritme pembelajaran yang ditemukan adalah jenis pembelajaran mesin yang paling umum.
Dalam bahasa Indonesia, pembelajaran terawasi. Istilah "diawasi" muncul karena algoritma ini
dirancang untuk dipelajari melalui contoh. Terawasi memiliki beberapa kelebihan dan
kekurangan. Keuntungan pertama pembelajaran terawasi adalah proses yang sederhana dan
mudah dijangkau. Apa lagi, algoritme ini juga ampuh untuk klasifikasi. Data yang digunakan data
secara real time sehingga membutuhkan data baru untuk memprediksi hasilnya Dari algoritma ini
Kecerdasan Buatan Dan Mesin
‘21 Pembelajaran
9 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
 adalah kebutuhan waktu komputasi yang lama untuk pelatihan dan menggunakan algoritma yang
lebih kompleks daripada algoritma pembelajaran tanpa pengawasan karena harus melabeli setiap
masukan.
3. Pembelajaran Tanpa Pengawasan
Algoritma unsupervised learning adalah algoritma yang tidak memerlukan data berlabel. Dalam
pembelajaran tanpa pengawasan, algoritma tidak membutuhkan pelatihan data. Algoritma ini
digunakan dalam pendeteksian pola dan pemodelan deskriptif yang tidak memerlukan kategori
atau keluaran berlabel yang menjadi algoritma dasar untuk menemukan model yang tepat.
Algoritma ini digunakan untuk aturan pengelompokan dan asosiasi. Keuntungan unsupervised
learning adalah karena tidak memerlukan label, algoritma lebih fleksibel untuk mencari pola yang
mungkin belum diketahui sebelumnya. Sedangkan kekurangan dari algoritma ini adalah sulitnya
mencari informasi pada data karena tidak ada label dan lebih sulit untuk membandingkan dengan
masukan.
Setelah memahami pembelajaran yang diawasi dan tidak diawasi, ternyata tidak semua algoritma
dapat dikategorikan sebagai pembelajaran yang diawasi atau tidak diawasi. Algoritma ini bisa
disebut semi-supervised learning.
4. Pembelajaran Semi-Diawasi dan Pembelajaran Penguatan
Seperti disebutkan sebelumnya, pembelajaran semi-terawat adalah algoritma yang tidak dapat
dibagi menjadi pembelajaran terawasi dan pembelajaran tanpa pengawasan. Algoritma ini cocok
untuk sejumlah besar data, dibagi menjadi dua bagian, berlabel dan tidak berlabel. Keuntungan
dari pembelajaran semi-supervised adalah membutuhkan biaya yang lebih rendah karena hanya
setengah dari data yang diberi label dan tidak memerlukan tenaga ahli untuk mengolahnya.
5. Tujuan pembelajaran memperkuat adalah menggunakan pengamatan yang dikumpulkan dari
interaksi dengan lingkungan untuk mengambil tindakan yang akan memaksimalkan keluaran dan
penawaran. Algoritma ini akan terus belajar berulang kali. Dalam algoritme ini terdapat agen yang
akan belajar dari interaksi dengan lingkungannya. Untuk menghasilkan model, alhasil
pembelajaran dapat terus berlanjut melalui beberapa tahapan, antara lain mengamati data
masukan, setelah mengambil tindakan untuk mengambil keputusan. Setelah keputusan dibuat,
agen akan menerima “reward” atau mendukung dari lingkungan. Kemudian, amati kembali
masukan tersebut dan proses pengambilan keputusan dilakukan kembali dengan tambahan
tambahan dari lingkungan agar hasil keputusan yang diambil lebih akurat.
Pembelajaran mesin dan ilmu data adalah dua ilmu yang saling melengkapi. Kedua ilmu ini saling
melengkapi dan biasanya diterapkan secara bersamaan. Ilmu data adalah ilmu yang banyak
dipelajari saat ini. Hal ini dikarenakan jumlah data yang semakin meningkat dan profesi data
scientist yang banyak diminati. Kedua ilmu ini bisa diterapkan di berbagai sektor, mulai dari
keuangan, pendidikan, logistik, komunikasi, bahkan fashion. Kabar baiknya adalah bahwa ilmu
data dapat dipelajari oleh siapa saja dengan latar belakang pendidikan apa pun

c) Langkah-langkah aplikasi pembelajaran mesin

Langkah-langkah dalam penerapan pembelajaran mesin (Machine Learning) adalah sebagai
berikut:
1. Identifikasi Masalah Anda,
Tahap pertama dalam proses pembelajaran mesin adalah untuk dapat mendeteksi dan memilah
masalah dalam program. Apa masalah atau tujuan yang ingin dicapai dengan proses Machine
Learning ini, termasuk saat mengumpulkan data. Karena tanpa data, masalah tidak akan
terselesaikan dengan Machine Learning. Data tersebut dapat berupa Excel, MS Access, atau file
lainnya. Langkah ini merupakan bentuk dasar untuk pembelajaran selanjutnya. Dari permasalahan
yang ada, Anda dapat memecahnya menjadi beberapa pertanyaan seperti:
a. Apa tujuan Anda? Apa yang ingin Anda prediksi?
b. Fitur apa (Berat) yang akan Anda gunakan?
c. Jenis data apa yang ingin Anda tarik? Apakah datanya tersedia?
d. Masalah apa yang kita hadapi? Klasifikasi Biner? Atau Pengelompokan?
e. Peningkatan seperti apa yang diharapkan?
f. Bagaimana Anda mengukur Fitur (bobot) dalam data?

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
10 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
2. Menelan dan Melawan Data
Langkah selanjutnya dalam proses pembelajaran mesin adalah mengumpulkan dan menyiapkan
data. Semakin banyak dan kualitas data yang Anda miliki, semakin baik kinerja Machine
Learning. Contoh metode pengumpulan data seperti web scraping dan Data Mining. Namun
secara umum tahapan tersebut dapat digambarkan sebagai berikut.
Pertama, data yang akan digunakan "diajarkan" pada tahap pemilahan data yang dipisahkan
menjadi tiga bagian, yaitu data yang akan digunakan, data yang digunakan untuk validasi dan data
yang digunakan untuk prediksi. Hasil ini juga menegaskan bahwa Machine Learning adalah
sesuatu yang sangat bergantung pada keberadaan data. Dari data ini, kita dapat memutuskan untuk
memutuskan mana yang akan digunakan pada tahap selanjutnya.

3. Algoritma Seleksi Untuk Solusi

Tahap selanjutnya adalah membuat model data. Tahap ini melibatkan pemilihan yang sesuai dan
representasi data dalam bentuk model. Data yang disiapkan dibagi menjadi dua bagian, yaitu data
latih dan data uji. Data yang digunakan untuk pengembangan model dan data pengujian yang
digunakan sebagai referensi. Setelah dilakukan validasi model yaitu pengujian model data dengan
validasi data. Hasil ini berguna untuk mendapatkan umpan balik dari input, proses dan output
yang digunakan. Idealnya, untuk mendapatkan model terbaik, semua algoritma yang tersedia pada
alat ini harus dicoba untuk mendapatkan model terbaik. Namun, seringkali tidak mungkin bahkan
untuk Data Scientist yang cukup berpengalaman. Bisa karena waktu yang tidak mencukupi atau
pengetahuan yang tidak mencukupi. Untuk pemula sebaiknya memilih beberapa model atau
biasanya hanya terlebih dahulu namun yang sederhana dan mudah dicapai terlebih dahulu.

4. Evaluasi dan Peningkatan Model

Setelah memiliki model Machine Learning dan model tersebut dapat digunakan untuk
memprediksi data pengujian, langkah terakhir adalah menganalisis kinerja model dan
mengevaluasi model tersebut. Untuk menguji akurasi dan performansi model digunakan
pengujian data (test data). Event ini akan menentukan akurasi dari suatu algoritma yang telah
dipilih pada tahap sebelumnya.

d) Menggunakan Python Dalam Pembuatan Model Pembelajaran Mesin,

Alasan menggunakan bahasa pemrograman Python dalam pemodelan di Machine Learning
adalah:
1. Mudah Dipelajari,
Python menawarkan kode yang pendek dan mudah dibaca. Sementara algoritme yang
kompleks dan alur kerja yang fleksibel adalah kekuatan sebenarnya di balik Machine Learning dan
AI, kesederhanaan Python memungkinkan pengembang dan Ilmuwan Data untuk menulis sistem yang
dapat mereka percayai. Ilmuwan Data dapat fokus pada pemecahan masalah ML daripada berfokus
pada nuansa teknis bahasa pemrograman. Selain itu, Python menarik bagi banyak orang hanya karena
mudah dipelajari. Kode Python mudah dipahami manusia, yang membuat pembuatan model untuk
pembelajaran mesin menjadi sangat mudah.

2. Berbagai macam Varietas

Menerapkan algoritma pembelajaran mesin seringkali merupakan proses yang kompleks dan
memakan waktu. Penting untuk memiliki lingkungan digital yang terstruktur dan teruji dengan baik
untuk memungkinkan ilmuwan data memberikan solusi pengkodean terbaik. Untuk mempersingkat
waktu Data Scientist, programmer memilih sejumlah framework dan library Python. Python memiliki
banyak library yang dapat digunakan untuk memungkinkan Data Scientist atau Developer
memecahkan masalah kompleks dalam hitungan menit atau bahkan detik.

e) Beberapa contoh library yang terdapat pada Python adalah sebagai berikut:
• Sebuah. Keras, TensorFlow, dan Scikit-belajar untuk pembelajaran mesin
• NLTK dan Spacy untuk NLP (Natural Language Processing)
• SciPy untuk komputasi tingkat lanjut

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
11 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id
• NumPy untuk komputasi ilmiah dan analisis data berkinerja tinggi
• e. OpenCV untuk Visi Komputer
• Panda digunakan untuk mengolah data, menganalisis
• Seaborn dan Matplotlib untuk visualisasi data
• Komunitas yang luas dan banyak open source

Banyaknya pengguna Python menjadikan Python komunitas yang luas dan solid. Banyak
programmer Python senior yang bersedia membagikan apa yang mereka ketahui melalui berbagai
platform, baik itu artikel, video, atau menjawab pertanyaan teknis yang sering ditemui di berbagai
platform seperti stackoverflow dan sebagainya. Kondisi ini sangat membantu bagi siapa saja yang
baru belajar Python. Kondisi ini juga memungkinkan pemula python untuk belajar Python secara
mandiri.

Soal Latihan
1. Jelaskan apa yang dimaksud dengan kecerdasan buatan!
2. Jelaskan perbedaan kecerdasan buatan dan kecerdasan alami!
3. Sebutkan dan jelaskan beberapa dari aplikasi kecerdasan buatan yang anda ketahui! (pendapat
sendiri).

DAFTAR PUSTAKA
• Diyah Puspita Ningrum. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: C.V ANDi
OFFSET.
• Dwi Ana Ratna Wati. 2011. Sistem Kendali Cerdas (Fuzzy Logic Controller, Jaringan Syaraf
Tiruan, Algoritma Genetik (AG). Yogyakarta: Graha Ilmu.
• Handy Wicaksono. 2009. Programmable Logic Controller. Yogyakarta: Graha Imu.
• Hendra Jaya. 2016. Desain dan Implementasi Sistem Robotika Berbasis Mikrokontroller.
Makassar: Edukasi Mitra Grafika.
• Majid Abdul. 2005. Perencanaan Pembelajaran (Mengembangkan Kompetensi Guru). Bandung:
Remaja Rosdakarya.
• Kusuma Dewi, Sri . 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha
Ilmu
• Siswanto. 2010. Kecerdasan Tiruan. Yogyakarta: Graha Ilmu Suparman. 1991. Mengenal Artifial
intelligence. Yogyakarta: C.V ANDI OFFSET
• Suyanto. 2014. Artificial Intelligence (Searching-Reasoning-Planning-Learning). Bandung:
Informatika Bandung.
• Sri Kusumadewi dan Sri Hartati. 2010. Neuro Fuzzy (Integrasi Sistem Fuzzy & Jaringan Syaraf).
Yogyakarta: Graha Ilmu.
• Sri Kusumadewi dan Hari Purnomo. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan.
Yogyakarta: Graha Ilmu
• Nurvinda Galuh, Jenis-jenis Machine learning.
• Gading, Serpong, Tanggerang, Banten. https://www.dqlab.id/contact.
• Peter Norvig, Artificial Intelligence, Third Edition, Pearson, 2010.
• Frindy Johana, 2020 , Belajar Data Science di Rumah, dqlab.id.
• Tom M. Mitcell, Machine Learning, The McGraw-Hill, 1997.
• Model, IEEE International Conference on Electrical Engineering and Computer Science.
• Bachtiar, Y. 2013. Resistensi Bangunan Karakter Manusia Indonesia di Era Digital. Jurnal
Pendidikan Dasar.
• Sebastian raschka. 2015. Pyhton machine learning Darujati, C., & Gumelar, A. B. (2012).
Pemanfaatan Teknik Supervised Untuk Klasifikasi Teks Bahasa Indonesia. Jurnal Bandung Text
Mining, 16(1), 5-1.

Kecerdasan Buatan Dan Mesin

‘21 Pembelajaran
12 Biro Akademik dan Pembelajaran
Team Teaching http://www.widyatama.ac.id