Nama : Yusrinnatul Jinana

NIM : 22.55.2328

Dosen Pengampu : Dr. rer. Nat. Fal Sadikin

Jelaskan langkah-langkah mengerjakan project AI sesuai began dibawah ini.

1. Asking The Right Question

Tahapan ini yaitu termasuk kedalam tahapan identifikasi masalah dan tahapan ini
merupakan bagian awal yang akan kita siapkan. Pada tahapan ini melibatkan aspek
perencanaan dan motivasi proyek kita yang berarti kita harus menghitung potensi yang
profitabilitas model dan mengerjakan proses penerapannya. Contohnya yaitu pada masalah
yang akan kita selesaikan yaitu cara membuat model yang dapat memberikan keterangan
pada gambar secara otomatis dengan Bahasa inggris, kemudian kita mencari terlebih
dahulu apa masalah yang ada sehingga akan dibuatkan model seperti itu.
2. Preparing Data
Tahapan ini merupakan tahapan penyiapan data yang dibutuhkan untuk membangun
proyek AI, data yang dibutuhkan yaitu data yang relevan dan berkualitas tinggi. Untuk
menyiapkan data diperlukan beberapa bagian yaitu pelabelan atau data labelling, dimana
data tersebut yaitu tempat pengembangan proyek AI yang berada pada titik tersempitnya.
Contoh nya yaitu seperti mempersiapkan data dengan data eksternal yang sudah
dikumpulkan dan melakukan sedikit pengolahan pada datanya untuk dapat dimasukkan ke
dalam proyek.

3. Selecting the algorithm

Tahapan ini yaitu tahapan untuk memilih algoritma yang tepat dan cocok digunakan untuk
proyek yang kita ambil. Tahapan pemilihan algoritma disini juga sudah masuk ke tahapan
pembuatan model (modelling) dan kita perlu menerapkan prinsip untuk pembangunan
jangka panjang. Karena data tersebut sudah dikumpulkan dan dianotasi, langkah logis
berikutnya dari proyek kecerdasan buatan adalah merancang dan membangun model.
Umumnya langkah proyek ini mungkin paralel dengan pengumpulan dan pelabelan data,
 atau dapat dimulai tepat setelah Anda meneliti solusi dan mulai memodelkan arsitektur AI
masa depan, yang akan kita training dan testing di tahap selanjutnya.
4. Training The Model
Tahapan ini merupakan tahapan pelatihan model yang sudah diterapkan dengan algoritma
yang sudah di pilih, Secara khusus training disini artinya melewati kumpulan yang lebih
kecil dari data Anda yang sudah dibersihkan dan dianotasi melalui model Anda yang
disempurnakan untuk jumlah tertentu (dikenal dengan istilah Epoch). Epoch disini adalah
jumlah waktu yang dibutuhkan algoritme untuk melatih seluruh kumpulan data proyek.
5. Testing The Model
Tahapan ini merupakan tahapan pengujian model AI, ini merupakan praktik yang
dilakukan pada data yang tidak terlihat, yaitu data yang sebelumnya tidak pernah ditemui
oleh algoritma. Langkah proyek ini sangat penting karena membantu menghilangkan
kesalahan model dan meningkatkan kinerja model. Anda akan melihat bagaimana model
Anda menjadi lebih baik melalui peningkatan hasil evaluasi. Untuk menyempurnakan
model Anda, ketiga langkah proyek pelatihan-pengujian-pemurnian (training-testing-
refining) ini harus diulang berulang kali sampai Anda mendapatkan hasil yang memuaskan,
hingga pada akhirnya, kita memiliki model yang siap dan sudah dipoles.

Cobalah Membuat Planning AI Project sesuai dengan minat anda dengan menggunakan
bagian diatas.

Kanker payudara adalah kondisi ketika sel-sel abnormal tumbuh dengan tidak terkendali di dalam
jaringan payudara. Kanker payudara adalah jenis kanker yang paling umum terjadi pada wanita,
namun dapat juga terjadi pada pria. Pembuatan AI untuk kanker payudara dilakukan untuk
membantu dalam deteksi dan diagnosis kanker payudara. AI dapat memproses gambar mamografi
payudara untuk mengidentifikasi adanya tanda-tanda kanker payudara yang mungkin tidak terlihat
oleh dokter atau spesialis radiologi. Dengan menggunakan AI, deteksi kanker payudara dapat
dilakukan dengan lebih cepat dan akurat, sehingga dapat meningkatkan kesempatan untuk
melakukan pengobatan dini dan memperbaiki prognosis pasien. Selain itu, pembuatan AI untuk
kanker payudara juga dapat membantu dalam peningkatan efisiensi dan akurasi proses diagnosis
kanker payudara. AI dapat membantu mengurangi kesalahan interpretasi dan menghasilkan
diagnosis yang lebih akurat dan konsisten, sehingga dapat meningkatkan kepercayaan diri spesialis
radiologi dalam memberikan diagnosis dan rekomendasi pengobatan. Dalam kesimpulannya,
pembuatan AI untuk kanker payudara penting untuk meningkatkan deteksi dan diagnosis kanker
payudara, serta meningkatkan efisiensi dan akurasi proses diagnosa.

Berikut ini adalah contoh planning proyek AI untuk masalah kanker payudara dengan langkah-
langkah yang lebih detail:

1. Asking the right question:

Beberapa masalah yang menjadi alasan mengapa perlu dibuat AI untuk kanker payudara
adalah:

a. Deteksi dini: Kanker payudara merupakan penyakit yang lebih mudah diobati jika
dideteksi pada tahap awal. Namun, deteksi dini dapat menjadi sulit karena adanya
tanda-tanda yang tidak terlihat atau tidak teraba. Dengan adanya model AI yang akurat,
deteksi dini dapat dilakukan dengan lebih mudah dan cepat, sehingga meningkatkan
kesempatan penyembuhan.
b. Keterbatasan manusia: Meskipun mamografi dapat digunakan untuk mendeteksi
kanker payudara, dokter masih memerlukan keterampilan dan pengalaman untuk
menginterpretasi hasil mamografi. Model AI dapat membantu dokter dalam interpretasi
hasil mamografi dan menemukan tanda-tanda kanker payudara yang mungkin
terlewatkan oleh mata manusia.
c. Aksesibilitas: Tidak semua orang memiliki akses mudah ke layanan kesehatan,
terutama untuk deteksi dini kanker payudara. Dengan adanya model AI yang dapat
digunakan secara online, masyarakat dapat memiliki akses lebih mudah ke layanan
deteksi dini kanker payudara.
d. Efisiensi: Proses diagnosis kanker payudara dapat memakan waktu dan biaya yang
cukup besar. Dengan adanya model AI yang dapat mempercepat proses diagnosis dan
meningkatkan akurasi, dapat meningkatkan efisiensi dalam sistem kesehatan dan
mengurangi biaya yang dikeluarkan pasien.
2. Preparing data:
a. Mengumpulkan data mamografi pasien yang mencakup kasus kanker payudara dan
kasus kontrol.
b. Menyusun data mamografi menjadi format yang sesuai untuk diproses oleh model AI.
 c. Memastikan kualitas data dan menghilangkan data yang tidak valid atau tidak lengkap.
3. Selecting the algorithm:
a. Memilih algoritma deep learning, seperti convolutional neural network (CNN), yang
dapat mengenali pola pada gambar radiologi.
b. Memilih arsitektur CNN yang sesuai dengan masalah yang ingin diselesaikan.
c. Memilih optimizer dan fungsi loss yang optimal untuk model AI.
4. Training the model:
a. Membagi data mamografi menjadi dua set: training set dan validation set.
b. Melakukan pelatihan model AI dengan data mamografi pada training set.
c. Memonitor kinerja model AI selama pelatihan dan memperbaikinya jika diperlukan
d. Melakukan validasi silang untuk menguji kinerja model AI pada validation set.
5. Testing the model:
a. Menggunakan data mamografi yang belum pernah diproses oleh model AI sebagai data
testing.
b. Mengevaluasi kinerja model AI dengan menggunakan metrik evaluasi seperti akurasi,
presisi, recall, dan F1-score.
c. Menyusun laporan hasil pengujian dan mengevaluasi apakah model AI berhasil
mencapai tujuan proyek.

Apa masalah yang ingin diselesaikan, cakupan data, alasan pemilihan algoritma, alasan
pemilihan teknik training, dan rencana target akurasinya.

Berikut ini adalah contoh planning proyek AI untuk masalah kanker payudara:

1. Masalah yang ingin diselesaikan:

Mengembangkan model AI untuk mendeteksi kanker payudara dengan akurasi yang tinggi
dan mengurangi jumlah kasus kanker payudara yang terdeteksi terlambat.

2. Cakupan data:
a. Data radiologi: termasuk citra mamografi dan hasil pemeriksaan radiologi lainnya.
b. Data pasien: termasuk riwayat kesehatan, usia, faktor risiko, dan riwayat keluarga.
c. Data patologi: termasuk hasil biopsi dan informasi histopatologi.
3. Alasan pemilihan algoritma:
 Pada proyek ini, algoritma yang akan digunakan adalah deep learning, khususnya
convolutional neural network (CNN), karena:
a. CNN telah terbukti sangat efektif dalam mengenali pola pada gambar radiologi.
b. CNN dapat belajar secara mandiri dari data tanpa harus menentukan fitur-fitur
manual yang signifikan.
c. CNN memiliki kemampuan untuk mengidentifikasi pola subtile pada gambar
radiologi yang mungkin tidak dapat dilihat oleh manusia.
4. Alasan pemilihan teknik training:
Untuk teknik training, akan digunakan pembelajaran terawasi dengan metode validasi
silang, karena:
a. Memungkinkan model untuk diuji pada data yang tidak digunakan dalam pelatihan.
b. Mengurangi kemungkinan overfitting pada model.
c. Memungkinkan penentuan parameter model yang optimal.
5. Rencana target akurasi:
a. Memperoleh model dengan tingkat akurasi minimal 95%.
b. Melakukan validasi silang untuk menguji kinerja model.
c. Memperbaiki model jika ditemukan hasil yang tidak memuaskan pada validasi silang.