KERTAS KERJA UJIAN

Semester : Ganjil / Genap / Pendek*) Tahun akademik : 2022/2023

Nomor Induk Mahasiswa 21158667 Nomor Ujian : - Paraf Mahasiswa

Nama Dava Janwar Iskandar

Fakultas / Program Studi Teknik Informatika Paraf Pengawas

Mata Kuliah Kecerdasan Buatan

Dosen Hasan Amin, S.T Nilai Ujian (00-100)

Waktu Hari Tanggal Jam Ruang

Pelaksanaan Ujian Rabu 24 Mei 2023 08:00 Online

Jawab:
1. Kecerdasan buatan (Artificial Intelligence atau AI) merujuk pada kemampuan komputer
atau mesin untuk meniru kecerdasan manusia. AI mencakup berbagai teknik dan
pendekatan yang bertujuan untuk membuat sistem komputer dapat melakukan tugas-
tugas yang biasanya membutuhkan kecerdasan manusia, seperti pemahaman bahasa
alami, pengambilan keputusan, pengenalan pola, dan pembelajaran.

AI menjadi topik yang penting dan menarik dalam bidang teknologi saat ini karena
beberapa alasan:

1. Kemampuan Peningkatan: AI memiliki potensi untuk meningkatkan kinerja sistem

dan proses yang ada. Dengan kemampuan pemrosesan yang cepat dan kemampuan
untuk menganalisis dan memahami data yang besar, AI dapat membantu
mengoptimalkan operasi bisnis, meningkatkan efisiensi produksi, dan mengurangi
biaya.

2. Peningkatan Produktivitas: Dengan menggunakan AI, tugas-tugas yang sebelumnya

membutuhkan waktu dan usaha manusia dapat dilakukan dengan cepat dan efisien.
Ini memungkinkan manusia untuk fokus pada tugas-tugas yang membutuhkan
pemikiran kreatif dan analitis, sementara tugas-tugas rutin dapat diotomatiskan oleh
AI.

3. Pengambilan Keputusan yang Lebih Baik: AI dapat menganalisis data secara

mendalam dan menyediakan wawasan yang berharga untuk mendukung pengambilan
keputusan yang lebih baik. Dengan kemampuan untuk memproses data secara real-
time, AI dapat membantu dalam mengidentifikasi tren, pola, dan peluang bisnis yang
mungkin terlewatkan oleh manusia.

4. Inovasi Teknologi: Pengembangan AI telah memicu inovasi dalam berbagai bidang.

Misalnya, dalam bidang otomotif, AI telah digunakan untuk mengembangkan
kendaraan otonom yang dapat mengemudi sendiri. Di bidang kesehatan, AI telah
digunakan untuk mendiagnosis penyakit dan merancang perawatan yang lebih efektif.

5. Perkembangan dan Pertumbuhan Industri: AI telah menjadi fokus perhatian dalam

industri teknologi, baik di perusahaan besar maupun startup. Perkembangan AI telah
menciptakan peluang baru untuk berbagai jenis pekerjaan dan industri, termasuk
pengembangan perangkat lunak, penelitian dan pengembangan, ilmu data, dan
analisis.

6. Etika dan Tantangan Sosial: Pengembangan AI juga menghadirkan tantangan etika

dan sosial yang kompleks. Isu seperti privasi data, keamanan, dan dampak sosial AI
 telah menjadi perhatian utama. Diperlukan diskusi dan regulasi yang cermat untuk
memastikan bahwa penggunaan AI dilakukan dengan tanggung jawab dan
memperhatikan kepentingan manusia. Dalam keseluruhan, AI telah mengubah cara
kita hidup, bekerja, dan berinteraksi dengan teknologi. Keunggulan AI dalam
mengolah data, meningkatkan efisiensi, dan mendukung pengambilan keputusan telah
membuatnya menjadi topik yang penting dan menarik dalam bidang teknologi saat
ini.

2. Salah satu model referensi umum yang digunakan dalam pengembangan sistem
kecerdasan buatan adalah model referensi umum untuk pembelajaran mesin (general-
purpose machine learning framework). Berikut adalah beberapa komponen utama dalam
model referensi ini:
1. Data Input: Komponen ini berfungsi untuk mengumpulkan dan menyimpan data yang
akan digunakan untuk melatih dan menguji model kecerdasan buatan. Data input
dapat berupa berbagai jenis informasi, seperti teks, gambar, audio, atau data
terstruktur lainnya.

2. Preprocessing: Preprocessing adalah tahap di mana data input diolah dan dimodifikasi
agar dapat digunakan oleh model kecerdasan buatan. Ini dapat meliputi langkah-
langkah seperti normalisasi data, penghapusan noise, ekstraksi fitur, atau pembagian
data menjadi set pelatihan dan set pengujian.

3. Model: Model merupakan inti dari sistem kecerdasan buatan. Model ini dapat berupa
jaringan saraf tiruan (artificial neural network), pohon keputusan (decision tree), atau
algoritma pembelajaran mesin lainnya. Model tersebut dirancang untuk mempelajari
pola dan hubungan dalam data pelatihan untuk membuat prediksi atau mengambil
keputusan.

4. Training (Pelatihan): Tahap pelatihan melibatkan memberikan data pelatihan pada

model dan menyesuaikan parameter internalnya agar dapat menghasilkan prediksi
yang akurat. Proses ini sering melibatkan optimisasi dengan menggunakan algoritma
seperti algoritma penurunan gradien (gradient descent) untuk menemukan nilai
parameter yang optimal.

5. Evaluasi: Setelah pelatihan, model dievaluasi menggunakan data pengujian yang

terpisah. Evaluasi ini bertujuan untuk mengukur seberapa baik model dapat
melakukan prediksi atau mengambil keputusan dengan benar. Metrik evaluasi yang
umum digunakan meliputi akurasi, presisi, recall, dan F1-score, tergantung pada jenis
masalah yang dipecahkan.

6. Fine-tuning (Pemantapan): Setelah evaluasi, model dapat mengalami pemantapan

untuk meningkatkan kinerjanya. Hal ini mungkin melibatkan penyesuaian
hiperparameter, seperti laju pembelajaran (learning rate) atau jumlah lapisan dalam
 jaringan saraf tiruan, serta penggunaan teknik-teknik seperti regularisasi atau
pengurangan dimensi.

7. Inferensi: Setelah melalui tahap pelatihan dan pemantapan, model dapat digunakan
untuk melakukan inferensi atau prediksi pada data baru yang belum pernah dilihat
sebelumnya. Model akan mengambil input dari data baru dan menghasilkan output
yang relevan berdasarkan pembelajaran yang telah dilakukan.

8. Output: Output yang dihasilkan oleh model dapat berupa prediksi kelas, nilai
numerik, atau keputusan yang diambil berdasarkan masukan. Output ini dapat
digunakan untuk memberikan wawasan, mendukung pengambilan keputusan, atau
mengotomatisasi tugas-tugas tertentu. Model referensi umum ini memberikan
kerangka kerja umum yang dapat disesuaikan dengan kebutuhan aplikasi AI yang
berbeda. Setiap komponen memainkan peran penting dalam pengembangan sistem
kecerdasan buatan.

3. Perbedaan antara kecerdasan buatan lemah (narrow AI) dan kecerdasan buatan kuat
(strong AI) terletak pada tingkat kemampuan dan cakupan kecerdasan yang dimiliki oleh
sistem AI tersebut. Berikut penjelasan lebih detail:

1. Kecerdasan Buatan Lemah (Narrow AI): Kecerdasan buatan lemah mengacu pada
sistem AI yang memiliki kemampuan terbatas dalam melakukan tugas-tugas tertentu.
Sistem ini dirancang untuk menyelesaikan tugas spesifik dengan efisiensi tinggi,
tetapi memiliki keterbatasan dalam konteks yang lebih luas. Contoh dari kecerdasan
buatan lemah adalah asisten suara (seperti Siri atau Google Assistant) yang dapat
menjawab pertanyaan, kendaraan otonom yang dapat mengemudi secara mandiri,
atau sistem rekomendasi yang merekomendasikan produk atau konten berdasarkan
preferensi pengguna. Implikasi pengembangan sistem AI dengan kecerdasan buatan
lemah adalah fokus pada solusi yang sangat terbatas dalam skenario tertentu.
Pengembang AI berusaha untuk menciptakan sistem yang dapat secara efektif
menyelesaikan tugas-tugas tertentu tanpa mencoba meniru kecerdasan manusia secara
menyeluruh.

2. Kecerdasan Buatan Kuat (Strong AI): Kecerdasan buatan kuat mengacu pada sistem
AI yang memiliki kemampuan untuk melakukan tugas-tugas yang kompleks dan
abstrak dengan tingkat kecerdasan yang mendekati atau bahkan melebihi kemampuan
manusia di berbagai bidang. Sistem AI kuat diharapkan dapat memiliki pemahaman
yang luas, kemampuan penalaran tingkat tinggi, dan fleksibilitas untuk menghadapi
berbagai situasi yang tidak terbatas. Implikasi pengembangan sistem AI dengan
kecerdasan buatan kuat adalah tujuan jangka panjang yang lebih ambisius.
Pengembang AI berusaha untuk menciptakan sistem yang mampu belajar secara
mandiri, memahami konteks dengan lebih baik, menunjukkan kreativitas, dan
memiliki pemahaman yang mendalam tentang dunia seperti yang dimiliki oleh
 manusia. Perbedaan antara kecerdasan buatan lemah dan kecerdasan buatan kuat
memiliki implikasi dalam pengembangan sistem AI. Kecerdasan buatan lemah lebih
fokus pada solusi yang spesifik dan terbatas, sedangkan kecerdasan buatan kuat
mengejar tujuan yang lebih luas untuk menciptakan kecerdasan yang serbaguna.
Pengembang AI harus mempertimbangkan cakupan, tingkat abstraksi, dan
kompleksitas yang diinginkan dalam pengembangan sistem AI mereka, serta
mengakui keterbatasan dan tantangan teknis yang terkait dengan masing-masing jenis
kecerdasan buatan.

4. Algoritma pembelajaran mesin (machine learning) adalah pendekatan komputasional

untuk mempelajari pola dan membuat prediksi atau pengambilan keputusan berdasarkan
data. Ini melibatkan penggunaan teknik statistik dan algoritma komputer yang
memungkinkan sistem untuk belajar dari data yang diberikan dan memperbaiki
kinerjanya seiring waktu. Berikut adalah konsep dasar dan langkah-langkah dalam proses
pembelajaran mesin:

1. Konsep Dasar:

a. Data Training: Proses pembelajaran mesin dimulai dengan dataset pelatihan, yang
terdiri dari input data (fitur) dan output yang sesuai (label). Dataset ini berperan
penting dalam melatih model untuk mempelajari pola dan membuat prediksi.

b. Model: Model dalam pembelajaran mesin merujuk pada representasi matematis

yang dipilih untuk mempelajari pola dalam data. Model ini dapat berupa jaringan
saraf tiruan, pohon keputusan, regresi linier, atau algoritma pembelajaran mesin
lainnya.

c. Pelatihan: Proses pelatihan melibatkan memberikan data pelatihan pada model

dan menyesuaikan parameter atau bobot internalnya agar dapat menghasilkan
prediksi yang akurat. Model beradaptasi dengan data pelatihan melalui teknik
optimisasi untuk mengoptimalkan kinerjanya.

d. Evaluasi: Setelah pelatihan, model dievaluasi menggunakan data pengujian yang

terpisah. Evaluasi ini bertujuan untuk mengukur seberapa baik model dapat
melakukan prediksi atau mengambil keputusan dengan benar. Metrik evaluasi
yang umum digunakan meliputi akurasi, presisi, recall, dan F1-score, tergantung
pada jenis masalah yang dipecahkan.

e. Inferensi: Setelah melalui tahap pelatihan dan evaluasi, model dapat digunakan
untuk melakukan inferensi atau prediksi pada data baru yang belum pernah dilihat
sebelumnya. Model akan mengambil input dari data baru dan menghasilkan
output yang relevan berdasarkan pembelajaran yang telah dilakukan.
 2. Langkah-langkah dalam Proses Pembelajaran Mesin:
a. Preprocessing Data: Langkah pertama adalah preprocessing data, yang melibatkan
pembersihan, transformasi, dan normalisasi data. Ini mencakup penghapusan data
yang hilang, menghilangkan noise, penyeimbangan kelas, dan mengubah fitur
menjadi format yang sesuai.

b. Pembagian Data: Data pelatihan biasanya dibagi menjadi set pelatihan dan set
validasi atau pengujian. Set pelatihan digunakan untuk melatih model, sedangkan
set validasi atau pengujian digunakan untuk mengukur kinerja model yang dilatih.

c. Pemilihan Model: Berdasarkan jenis masalah dan karakteristik data, model yang
paling cocok dipilih. Ini melibatkan pemilihan algoritma pembelajaran mesin
yang sesuai dan arsitektur model yang tepat.

d. Pelatihan Model: Model diberikan data pelatihan, dan parameter atau bobot
internalnya disesuaikan menggunakan algoritma pembelajaran yang sesuai.
Tujuan pelatihan adalah mengoptimalkan model untuk membuat prediksi yang
akurat.

e. Evalu asi Model: Setelah pelatihan, model dievaluasi menggunakan data

pengujian. Metrik evaluasi digunakan untuk mengukur kinerja model, dan jika
kinerjanya tidak memenuhi harapan, langkah-langkah perbaikan atau fine-tuning
dapat diambil.

f. Optimisasi dan Fine-tuning: Jika kinerja model tidak memuaskan, langkah-

langkah optimisasi dan fine-tuning dapat dilakukan. Ini melibatkan penyesuaian
hiperparameter, seperti laju pembelajaran atau jumlah lapisan dalam jaringan
saraf tiruan, serta penggunaan teknik seperti regularisasi atau pengurangan
dimensi.

g. Inferensi dan Prediksi: Setelah model dilatih dan dioptimalkan, dapat digunakan
untuk melakukan prediksi pada data baru yang belum pernah dilihat sebelumnya.
Model akan menerima input baru dan menghasilkan output yang relevan
berdasarkan pembelajaran yang telah dilakukan.

5. Perbedaan antara pembelajaran mesin terawasi (supervised learning), pembelajaran mesin

tak terawasi (unsupervised learning), dan pembelajaran penguatan (reinforcement
learning) terletak pada jenis data yang digunakan, tujuan pembelajaran, dan metode yang
diterapkan. Berikut adalah penjelasan singkat dan contoh penggunaan masing-masing
teknik:
1. Pembelajaran Mesin Terawasi (Supervised Learning):

- Definisi: Pembelajaran mesin terawasi melibatkan penggunaan data pelatihan yang

memiliki input (fitur) dan output yang sesuai (label). Tujuan utama adalah untuk
melatih model untuk mempelajari hubungan antara input dan output yang diketahui,
sehingga model dapat memprediksi output yang benar untuk data baru.

- Contoh penggunaan: Klasifikasi email sebagai spam atau bukan spam berdasarkan
pada data pelatihan yang memiliki label (spam atau non-spam). Regresi untuk
memprediksi harga rumah berdasarkan fitur seperti luas tanah, jumlah kamar, dll.

2. Pembelajaran Mesin Tak Terawasi (Unsupervised Learning):

- Definisi: Pembelajaran mesin tak terawasi melibatkan penggunaan data pelatihan

yang tidak memiliki label atau output yang diketahui. Tujuan utama adalah untuk
mengidentifikasi pola atau struktur dalam data tanpa petunjuk atau panduan eksternal.

- Contoh penggunaan: Klastering (clustering) data pelanggan untuk mengidentifikasi

kelompok-kelompok yang serupa berdasarkan perilaku pembelian. Reduksi dimensi
untuk memperoleh representasi yang lebih ringkas dari data kompleks.

3. Pembelajaran Penguatan (Reinforcement Learning):

- Definisi: Pembelajaran penguatan melibatkan proses di mana agen belajar untuk

mengambil tindakan dalam suatu lingkungan dengan tujuan untuk memaksimalkan
hadiah atau penghargaan tertentu. Agen belajar melalui percobaan dan umpan balik
dalam bentuk hadiah atau hukuman.

- Contoh penggunaan: Pengendalian permainan komputer, di mana agen belajar

melalui pengalaman bermain dan umpan balik dari hasil tindakan untuk
meningkatkan kinerja permainan. Pengaturan pengendali lalu lintas cerdas yang
belajar memaksimalkan arus lalu lintas yang lancar dan mengurangi kemacetan.
Penting untuk dicatat bahwa beberapa metode dan teknik pembelajaran mesin dapat
melibatkan kombinasi dari ketiga pendekatan ini, dan ada juga teknik pembelajaran
yang lainnya seperti pembelajaran semi-terawasi (semi-supervised learning) dan
transfer learning yang dapat digunakan tergantung pada sifat dan tujuan masalah yang
dihadapi.