Tugas Resume Kuliah Pakar “Everything With AI, How About You?

”
Nama : Ulfatmi Hanifa

NIM : 1911521010

Pengenalan Artificial Intelligence

Artificial Intelligence digunakan untuk memberikan solusi dalam mengatasi masalah

infrastruktur yang hemat biaya, memberikan layanan sosial yang efektif, merencanakan sumber
daya pendidikan yang berkualitas, membantu pemerintah menyusun kebijakan yang tepat,
membangun pasar digital yang nyaman, membantu pemerintah dalam memberikan layanan
terbaik di sector-sektor publik, dll.
Berikut merupakan komponen dari Artificial Intelligence:

1. Learn: Dengan setiap titik data, interaksi dan hasil, kembangkan dan pertajam keahlian
2. Reason: Pahami konsep yang mendasarinya, bentuk hipotesis, terapkan aturan, dan
simpulkan serta ekstrak ide.
3. Perceive: Gunakan pendengaran dan penglihatan untuk mengumpulkan informasi dari
dunia sekitar.
4. Understand: Terapkan konteks, pahami citra, ucapan, dan data tidak terstruktur lainnya
seperti yang dilakukan manusia
5. Interact: Berbicara dan berinteraksi dengan manusia secara alami

Berikut merupakan perkembangan Artificial Intelligence dari dekade ke dekade :

1. Pada dekade tahun 2010-an yang dikenal adalah big data, data analytics, dan machine
learning.
2. Dalam dekade 2020-an, yang dikenal adalah artificiasl narrow intelligence (basis
dominan).
3. Dalam dekade 2030-an, yang berkembang adalah artificial general intelligence (human
level intelligence).
4. Sementara untuk dekade tahun 2040-an, yang berkembang adalah artificial super
intelligence (lebih baik dari level human).
Di Indonesia, visi kecerdasan artifisial sejalan dengan visi Indonesia 2045 diharapkan
adanya strategi nasional kecerdasan artifisial Indonesia.

Perkembangan teknologi dipengaruhi oleh 2 hal:

1. Society 5.0: Sepeti kondisi sekarang ini dimana teknologi memanusiakan manusia,
maksudnya teknologi berusaha untuk membantu pekerjaan manusia, spt mengurangi
kemiskinan, membantu berbisnis (ex. Tokopedia)
2. Industry 5.0: Perkembangan teknologi dipengaruhi oleh kebutuhan industri atau pasar
yang semakin bersaing dan ingin terus memenuhi permintaan pasar dengan baik. Jadi
data digunakan untuk memprediksi kebutuhan pasar.
 Foundasi AI
1. Big Data
2. Data Analytics ilmunya data science
3. Pencarian pola tersembunyi,didukung data enginering dan data
management(memanage data)
4. Machine Learning menjadi fondasi AI

Algorithmic Behavior & Matching

AI memiliki algoritma atau kemampuan dalam mempelajari kebiasaan seseorang dan

mencocokkannya sesuatu dengan kebiasaan orang tersebut. Contohnya penerapan
recommender engine, seperti spotify melayani pelanggannya dengan mencocokkan
kesukaannya.
Today: Big Data & Behavior

Data adalah modal dalam membuat model dari behavior seseorang untuk memprediksi
sesuatu. Contohnya di social media adanya polarisasi kesukaan seseorang. Hal ini berasal dari
data yang mengalir dalam jumlah besar dan terus-menerus di internet yang disebut sebagai Big
Data yang memungkinkan polarisasi kesukaan seseorang di social medianya. Big Data ini
memungkinkan digunakan saat ini untuk:

1. Algorithm & Big Data: bertujuan untuk membentuk manusia berdasarkan kebiasaan
sosialnya.
2. Social Engineering (News & Social Media).
3. Compete for Attention: persaingan antar perusahaan dengan AI yang digunakan secara
masif, contohnya iklan yang dimana-mana yang dicocokkan dengan pengguna.
Yang membuat AI menjadi mudah :
1. Banyaknya data yang mudah di dapatkan.
2. Data yang banyak sehingga bisa melihat pola dari data

Data is Everywhere
Baru-baru ini, sejumlah besar data dihasilkan setiap menit aktivitas. Anda dapat
menghasilkan data dalam jumlah besar hanya dalam satu hari. Data ini memberikan wawasan
yang berguna.
 Data ini berasal dan bersumber dari mana saja, saat ini data dikumpulkan dan dikelola
secara realtime dalam volume yang sangat besar untuk memprediksi sesuatu. Contohnya data
yang dikumpulkan oleh LinkedIn dan Instagram, yaitu data aktivitas penggunanya yang
dimanfaatkan untuk meningkatkan layanannya dengan mencocokkan kebiasaan pengguna dan
juga bisa sebagai kepentingan bisnis lain seperti periklanan.

Big Data & Data Challenge

Jenis data dan tingkat tantangan dalam pengolahannya terdiri dari:
1. Data Tidak Terstruktur: dimana challengenya lebih besar dibandingkan dengan data
terstruktur. Karena memperlukan kemampuan untuk bagaimana mengolah insight yang
berasal dari data yang abstrak, seperti gambar, suara, video, aktivitas internet.
2. Data Terstruktur (Umum): data biasa yang sudah terstruktur seperti data penjualan, dll.
Dimana pengolahan data ini lebih sederhana dan mudah.

Competing Data & Ecosystem

Dalam membuat model AI banyak data akan membuat model atau keputusan lebih
akurat. Maka dari itu semakin banyak data maka akan semakin bagus (more data, more
accurate)

Data Science
Data science adalan interdisiplin ilmu yang menggunakan metode ilmiah, proses
ilmiah, serta algoritma dan sistem untuk mengekstrak atau menghasilkan pengetahuan dan
insight dari data terstruktur dan data tidak terstruktur dalam ukuran yang besar. Data scientist
adalah orang yang bekerja dibidang ini dan disebut sebagai “The Sexiest Job Of The 21 st
Century”.
Data Analytics
Analytics fokus pada pemahaman masa lalu; apa yang telah terjadi. Analisis fokus pada
mengapa hal itu terjadi dan apa yang akan terjadi selanjutnya. Analytics yang paling powerfull
adalah analisis prediktif yaitu, seni membangun dan menggunakan model untuk membuat
prediksi berdasarkan pola yang diambil dari data historis. Machine Learning berangkat dari hal
ini, yaitu pengetahuan pakar yang berulang-ulang dan dijadikan model untuk mengambil
keputusan selanjutnya. Contohnya, machine learning dalam memutuskan rekomendasi mobil
berdasarkan behavior atau karakteristik seseorang berdasarkan pengetahuan atau history
sebelumnya.
 1. Big Data
Sekumpulan data yang besar dan banyak
2. Data Analytics
Proses untuk mengetahui pola dari data, korelasi antar data dan informasi lainnya
3. Data Science
Ilmu pengetahuan untuk extract pengetahuan
4. Machine learning
Pemrosesan yang dilakukan
5. Artificial Intelligence
Program untuk mempelajari kemampuan seperti manusia

Machine Learning dan Deep Learning

Big data yang sesuai namanya, data yang besar/banyak dapat diolah menggunakan
konsep data analytics. Berdasarkan hasilnya, data analytics terbagi dalam 4 jenis, yaitu:
descriptive analytics, diagnostic analytics, predictive analytics, prescriptive analytics.

Kini, yang paling banyak dipelajari adalah predictive analytics, merupakan seni
membangun dan menggunakan model untuk membuat prediksi berdasarkan pola yang
diekstraksi dari data historis.
Hasil data analytics digunakan dalam Machine Learning. Machine Learning merupakan
sub-bagian dari Artificial Intelligence yang menghasilkan model matematis melalui
pembelajaran data. Terdapat berbagai jenis paradigma dan algoritma Machine Learning yang
 telah dihasilkan diantaranya k-nearest neighbor, logistic regression, naive bayes, gradient
boosting, random forest, support vector machines, deep learning, dll.
Dalam machine learning, terdapat dua algoritma pembelajaran yaitu supervised
learning dan unsupervised learning. Supervised learning adalah pendekatan machine learning
yang ditentukan berdasarkan penggunaan dataset berlabel (labeled dataset). Dalam dataset ini,
terdapat sebuah “label”, yaitu satu kolom yang menjadi target output model.
sedangkan unsupervised learning adalah metode pembelajaran dengan menggunakan algoritme
machine learning untuk menganalisis dan mengelompokkan kumpulan data yang tidak berlabel
(unlabelled data).
Cara kerja machine learning dapat diilustrasikan dengan kejadian berikut. Penentuan
mobil yang cocok untuk seorang pembeli: SUV atau city car. Misalkan, calon pembeli pertama,
seorang kepala keluarga, membeli mobil dengan memberikan kriteria yang dibutuhkannya
seperti jumlah anggota keluarga, budget mobil, dll. Kemudian, calon pembeli kedua, seorang
mahasiswa, juga memberikan kriteria mobil yang dibutuhkannya. Lalu, terdapat berbagai
macam calon pembeli yang datang, dan menghasilkan banyak data. Dari data-data tersebut,
dilakukan pembelajaran oleh mesin sehingga dapat dibuatkan. Dengan model tersebut, dapat
diputuskan mobil yang cocok untuk si calon pembeli. Setelah dibangunnya model, tidak butuh
pengambilan keputusan secara manual lagi. Apabila model tidak lagi cocok dengan kondisi
yang ada, dibuatkan model baru lagi.
Model evaluation digunakan untuk melakukan evaluasi tingkat akurasi model machine
leaning yang telah dibangun. Bisa menggunakan confussion matrix, dimana confussion matrix
akan memperlihatkan berapa banyak data yang diprediksi benar, dan aktualnya benar;
diprediksi salah, data aktualnya benar; diprediksi benar, aktualnya salah; dan diprediksi salah,
data akutalnya salah. Kemudian, ada metode ROC Curve yang menggambarkan kemampuan
diagnostik sistem pengklasifikasi biner karena ambang batas diskriminasinya bervariasi.
Pada dekade terakhir, berkembang istilah deep learning yang memiliki prinsip jaringan
syaraf tiruan yang terdiri dari banyak lapisan, yang terbukti menghasilkan model dengan
performa yang lebih baik, terutama untuk problem-problem klasifikasi dan regresi. Deep
Learning dapat melakukan discriminative (berupa mendeteksi object, recognisi object) serta
generative berupa deep fake (rekayasa peristiwa palsu) seperti video obama yang seolah-olah
berpidato menggunakan bahasa Jawa, padahal Obama berpidato menggunakan bahasa Inggris.

Peluang AI

Penggunaan AI akan menghasilkan performa yang baik pada data yang memiliki
tingkat kompleksitas tinggi dan data yang berjumlah banyak dibandingkan menggunakan
algoritma lama. Namun, pada data yang jumlahnya sedikit, penggunaan AI tidak akan
menghasilkan performa yang baik.

· Preprocessing Unstructured Data

Cara melakukan preprocessing pada data tidak terstruktur ada dua, structure analysis
dan content analysis. Dalam structure analysis dilakukan network modeling, centrality,
strength, network cohesion, disebut social network analysis. Dalam context analysis dilakukan
text classification, text clustering, text network analysis, disebut text analytics.
 SNA merupakan memiliki metode analisis yang berkonsentrasi pada relationship
research dan sering digunakan dalam mengukur sebuah hubungan dan menggambarkan
beberapa informasi secara individu. Contoh penggunaan SNA (social network analysis) bisa
kita lihat pada penggunaan social media twitter, seperti gambar berikut. Dengan SNA akan
digambarkan seperti jaringan/network yang melihatkan kata-kata yang relate atau
berhubungan yang sering diucapkan pengguna sosial setelah menyebut suatu kata utama.
Misal: orang orang akan menyebut kata Jakarta setelah menyebut kata basuki_btp.

Kemudian, dengan bantuan metode analisis text analytics dapat dilihat apakah sebuah
cuitan di twitter tersebut termasuk cuitan positif atau negative.

Contoh implementasi Artificial Intelligence

1. Mempelajari profile pengguna untuk memberikan penawaran pembelian barang di toko

ecommerce sesuai dengan profil pengguna secara real time
2. Deteksi object dengan CNN untuk mengidentifikasi produk fashion yang populer
3. Memetakan kualitas pelayanan trasnportasi online berdasarkan jumlah diskusi yang
dilakukan pengguna di sosial media
4. Tracking pergerakan tourist berdasarkan online review