Soal latihan UAS AI

1. Jelaskan perbedaan konsep Artificial Intelligence (AI) Machine learning (ML) dan Deep
Learning (DL) dari sisi feature extraction, jumlah data, interpretability, waktu eksekusi?

Perbedaan konsep Artificial Intelligence (AI) Machine learning (ML) dan Deep Learning (DL)
dari sisi feature extraction, jumlah data, interpretability, waktu eksekusi adalah
a. Artificial Intelligence (AI) : AI sendiri adalah suatu bidang yang luas yang menyangkup Machine
Learning dan Deep Learning. Oleh karena itu karateristik darinya dapat bervariasi tergantung dengan
teknik atau metode yang digunakan. Secara general dapat disimpulkan dari 4 sisi yaitu :
i. Feature Extraction : Feature extraction dalam AI dapat dilakukan secara manual dan
otomatis, hal ini bergantung kepada metode atau teknik algoritma yang dipakai.
ii. Jumlah Data : Jumlah data yang dibutuhkan juga sangatlah bervariasi. Beberapa teknik AI
dapat bekerja dengan jumlah data yang sedikit, tetapi ada juga yang membutuhkan jumlah
data yang banyak seperti Deep Learning.
iii. Interpretability : Interpretability dari AI sendiri bervariasi, ada teknik yang mempunyai
intepretability yang mudah dipahami contohnya KNN, Linear Regression. dan Decission Tree.
Tetapi ada juga teknik yang terlalu kompleks untuk di interpretasikan, contohnya
model-model Deep Learning.
iv. Waktu Eksekusi : Waktu eksekusi AI sendiri dapat bervariasi bergantung pada kompleksitas
model/teknik dan jumlah data yang ada.
b. Machine Learning (ML) : ML adalah bagian dari AI yang berfokus pada mesin yang dapat belajar
melalui data. Secara general, tujuan dari utama dari ML adalah untuk membuat suatu
sistem/algoritma yang dapat belajar dengan sendiri nya melalui data yang diberikan. Berikut
penjelasan singkat atas feature extraction, jumlah data, interpretability, waktu eksekusi dalam ML :
i. Feature Extraction :Feature extraction dalam ML merupakan proses data mentah di
transformasi atau di ekstraksi, dengan tujuan untuk mendapatkan bentuk yang lebih mudah
di proses dan dapat meningkatkan akurasi prediksi.Feature extraction dalam Machine
Learning (ML) dapat dilakukan dengan dua pendekatan utama, yaitu secara manual atau
otomatis, tergantung pada konteks dan sifat data yang dihadapi. Pendekatan manual
melibatkan keterlibatan ahli domain atau pemilik pengetahuan manusia untuk memilih
fitur-fitur yang dianggap relevan berdasarkan pemahaman mendalam mereka tentang data.
Sedangkan pendekatan otomatis menggunakan metode statistik seperti uji chi-squared atau
analisis varians, algoritma machine learning seperti Random Forest, dan teknik reduksi
dimensi seperti Principal Component Analysis (PCA).
ii. Jumlah Data : Algoritma dalam ML dapat bekerja dengan jumlah data yang sedikit ataupun
banyak. Tetapi, performance suatu model ML biasanya berkembang dengan jumlah data
yang lebih banyak. Tetapi jumlah data yang diperlukan biasanya tergantung pada
kompleksitas masalah, algoritma yang digunakan, dan akurasi yang dituju.
iii. Interpretability : Interpretability dalam ML tergantung pada algoritma yang digunakan.
Untuk algoritma statistikal yang cukup simpel mungkin masih mudah untuk diinterpretasi.
Tetapi, untuk algoritma yang kompleks atau pun semi-kompleks sudah tidak mudah untuk di
interpretasi lagi.

Abram Setyo Prabowo - D6704

 iv. Waktu Eksekusi : Waktu eksekusi ML sendiri dapat bervariasi tergantung pada
kompleksitas model/teknik dan jumlah data yang ada.
C. Deep Learning (DL) : Deep Learning (DL) adalah subbidang dalam Machine Learning (ML) yang
fokus pada penggunaan neural network dengan struktur berlapis (lebih dari 3 layer). Secara
konseptual, DL mencoba meniru kemampuan manusia dalam menemukan pola-pola kompleks dan
abstrak dari data. Dalam praktiknya, arsitektur deep learning dapat terdiri dari puluhan atau bahkan
ratusan layer, memungkinkan model untuk mengekstraksi representasi fitur yang lebih dalam dan
lebih kompleks dari data. Berikut penjelasan singkat atas feature extraction, jumlah data,
interpretability, waktu eksekusi dalam DL :
i. Feature Extraction : Feature extraction dalam DL biasanya dilakukan secara otomatis. Ini
dalah salah satu keuntungan DL dibandingkan ML karena dapat menghasilkan features yang
lebih kompleks dan abstrak.
ii. Jumlah Data : Algoritma dalam DL biasanya membutuhkan jumlah data yang besar untuk
dapat bekerja dengan baik. Hal ini dikarenakan model/algoritma dalam DL lebih kompleks
dan mempunyai lebih banyak parameter untuk dipelajari.
iii. Interpretability : Interpretability dalam DL kerap di lihat seperti suatu “black boxes”. Hal ini
dikarenakan cara kerja internal darinya kerap sangat sulit untuk di interpretasi. Hal ini
dikarenakan kompleksitas dari model dan feature yang memiliki abstraksi yang tinggi.
iv. Waktu Eksekusi : Waktu eksekusi DL sendiri cukup lama dalam waktu training atau belajar.
Tetapi, pada prediksi biasanya model DL dapat bekerja cukup cepat.

2. Jawablah pertanyaan terkait supervised dan unsupervised learning di bawah ini!

a. Bandingkan pendekatan model yang digunakan dalam supervised learning dengan
unsupervised learning. Jelaskan bagaimana keduanya memproses data untuk
menghasilkan hasil yang diinginkan?

i. Supervised Learning : Supervised Learning mengunakan data berlabel. Hal ini berarti supervised
learning membutuhkan data yang memiliki suatu kolom untuk menjadi target output. Supervised
learning digunakan untuk dapat memprediksi atau menklasifikasi suatu variable independen
berdasarkan variable-variable yang bersifat dependen terhadap variable independent terebut.
Prediksi atau klasifikasi variable independent tersebut bergantung pada pola yang ada dalam data
training. Contoh modelnya adalah Regresi Logistik, Random Forest, Support Vector Machines (SVM),
Neural Networks, dan KNN.
ii. Unsupervised Learning : Unsupervised Learning menggunakan data tidak berlabel. Hal ini berarti
unsupervised learning tidak membutuhkan suatu kolom untuk menjadi target output. Melainkan,
unsupervised learning mencari pola-pola dalam data dengan tujuan untuk mengelompokan
objek-objek yang hampir sama. Contoh modelnya adalah K-Means Clustering, Hierarchical Clustering,
dan Principal Component Analysis (PCA).

b. Berikan beberapa tantangan utama yang dihadapi dalam supervised learning dan
unsupervised learning. Bagaimana tantangan ini mempengaruhi kinerja model?

i. Tantangan pada Supervised Learning :

Abram Setyo Prabowo - D6704

1. Overfitting : Model yang dibuat terlalu kompleks dan cocok
pada data training, hal ini dapat menyebabkan model mempunyai performance yang buruk terhadap
data testing/data baru.
2. Underfitting : Model telalu simple sehingga tidak dapat mendapatkan pola dalam data, hal ini
dapat menyebabkan model mempunyai performance yang buruk terhadap data training maupun
testing.
3. Data Quality : Kualitas dari data berdapak pada performance suatu model. Beberapa tanda suatu
data itu berkualitas adalah data yang variable dependen dan independennya jelas, variable
dependennya tidak saling berkorelasi tinggi dengan satu sama lain, tidak punya atau minim missing
value.
4. Data Quantity : Kuantitas oleh data juga berdampak pada performance dari model, secara general
lebih banyak data lebih baik. Hal ini dikarenakan semakin banyak data yang kita punya maka semakin
data tersebut dapat merepresentasikan populasi.
5. Data Imbalance : Data yang memiliki distribusi yang tak imbang atau imbalance dapat
menyebabkan model menjadi bias terhadap mayoritas.
6. Feature Engineering : Data yang ada harus diproses dan dibersihkan dahulu sebelum digunakan
dikarenkan data mentah yang ada biasanya tidak cocok untuk model-model prediksi. Proses ini
biasanya membutuhnya pengetahuan atas bidang dari masalah yang ingin dipecahnkan.

ii. Tantangan pada Unsupervised Learning :

1. Evaluation : Tidak seperti supervised learning, unsupervised
learning tidak mempunya metric evaluasi yang jelas. Hal ini menyebabkan untuk dapat mengetahui
apakah sebuah model bekerja dengan baik, dibutuhkannya domain knowledge.
2. Scalability : Algoritma unsupervised learning biasanya mahal secara komputasional dan mungkin
tidak dapat diaplikasikan dalam dataset yang besar.
3. Interpretability : Hasil dari unsupervised learning biasanya sulit untuk diinterpretasikan dan
mungkin tidak menunjukan insight yang jelas.

c. Menurut Anda, dalam konteks aplikasi tertentu, kapan tepatnya untuk menggunakan
supervised learning dan kapan lebih tepat untuk menggunakan unsupervised
learning? Jelaskan mengapa.

Supervised learning: Digunakan ketika tujuan kita adalah untuk mengklasifikasikan atau memprediksi
nilai numerik dari suatu data karena supervised learning memiliki pendekatan yang kuat dan jelas.
Supervised learning dapat digunakan dalam mendeteksi anomali yang memiliki label karena
supervised learning dapat mengajarkan model mengenai data normal dan kemudian
mengidentifikasi data yang tidak sesuai.

Unsupervised learning: Digunakan ketika kita ingin melakukan clustering karena dapat memberikan
wawasan tentang struktur data. Dapat digunakan dalam melakukan dimension reduction untuk
meningkatkan efisiensi pemrosesan data. Unsupervised learning juga dapat digunakan dalam
mendeteksi anomali tanpa label untuk menemukan pola dari data tersebut.

3. Profesor Pokémon melakukan penelitian untuk memahami hubungan antara level

pengalaman (dinyatakan dalam angka) dengan kekuatan serangan Pokémon. Dia ingin

Abram Setyo Prabowo - D6704

 melihat apakah ada korelasi antara level pengalaman Pokémon dan kekuatan serangan
mereka. Dia mengumpulkan data dari sejumlah Pokémon yang berbeda, mencatat level
pengalaman mereka dan kekuatan serangan mereka dalam skala tertentu. Berikut adalah
beberapa data yang dikumpulkan:

Level Pengalaman Kekuatan Serangan

10 50

15 60

20 70

25 80

30 90

a. Dengan menggunakan metode linear regression, tentukan persamaan garis regresi

yang menghubungkan level pengalaman Pokémon dengan kekuatan serangan
mereka.

b. Jika seorang Pokémon memiliki level pengalaman 18, perkiraan berapa kekuatan
serangannya berdasarkan model regresi yang telah Anda hitung?

4. Diketahui sebuah data training sebuah machine learning dalam kasus klasifikasi adalah
sebagai berikut:

Abram Setyo Prabowo - D6704

 a. Dengan menggunakan K-Nearest Neighbors, dengan nilain neighbors =3 dan
menggunakan Jarak Euclidean, tentukan class dari data baru berikut ini :
a. New Data 1 →(Density = 4, Mas s = 3)
b. New Data 2 →(Density =6, Mas =6)

Abram Setyo Prabowo - D6704

Abram Setyo Prabowo - D6704
Jadi class dari data baru dengan Density = 6 dan Mass = 6 adalah Tuna.

Abram Setyo Prabowo - D6704

 b. Dalam Algoritma KNN, apa itu "K”? Bagaimana pengaruh “K” terhadap algoritma
KNN?
K” merupakan banyaknya tetangga terdekat yang akan digunakan untuk
membuat prediksi/klasifikasi. “K” merupakan parameter yang dapat kita
atur, sehingga pengaruh K terhadap algoritma KNN dapat merubah
kepekaan algoritma terhadap pola-pola dalam data. Jadi, saat nilai “K”
diperbesar, model KNN akan mempertimbangkan lebih banyak tetangga
terdekat dalam proses pengambilan keputusan.

c. Bagaimana menentukan nilai “K” yang baik dan mengapa nilai “K” ganjil lebih
diutamakan daripada nilai genap pada Algoritma KNN?
Untuk menentukan nilai “K” yang baik kita dapat memperhatikan beberapa hal
berikut:
- Apabila data memiliki outlier / noise yang tinggi disarankan menggunakan nilai K
yang besar. Hal ini dikarenakan data dengan lebih banyak outlier atau noise
kemungkinan akan berkinerja lebih baik dengan nilai k yang lebih tinggi.
- Apabila data berjumlah genap, sebaiknya nilai K ganjil. Sebaliknya, jika data
berjumlah ganjil, maka kita sebaiknya kita memilih nilai K genap.
Nilai “K” ganjil lebih diutamakan karena dapat menghindari adanya kesamaan jarak
dalam pemilihan mayoritas pada KNN. Apabila nilai “K” genap, akan ada potensi
terdapat 2 kelas mempunyai jumlah tetangga yang sama. Hal ini menyebabkan
ketidakpastian dalam menentukan kelas dari suatu data.

5. Jawablah pertanyaan terkait Classification dengan Clustering

a. Jelaskan perbedaan diantara Clasification dan Clustering?
Classification merupakan teknik supervised learning yang prosesnya berkaitan
dengan kategorisasi melalui pengenalan dan pemahaman objek lalu bisa
memasukkannya ke dalam kelas kategori yang telah ditentukan. Sedangkan
clustering merupakan teknik unsupervised learning yang prosesnya yaitu
pengorganisasian beberapa kelompok data ke dalam kelas dan cluster berdasarkan
kemiripan dari sebuah ojek.

b. Mengapa penting untuk memiliki set data latihan dan pengujian dalam klasifikasi?
Karena pada klasifikasi terdapat ‘label’ jadi diperlukan set data latihan dan pengujian
untuk mengetahui apakah model dapat mengklasifikasi data yang baru maupun
unseen data dan pengujian digunakan sebagai tolak ukur evaluasi dari performa
model yang digunakan.

c. Dalam situasi apa Anda akan memilih menggunakan klasifikasi, dan dalam situasi apa
Anda akan lebih memilih klastering? Jelaskan pemikiran Anda.
Menurut saya, saya akan menggunakan clustering pada saat saya ingin mengetahui
ada kelompok apa saja dari data saya dan selanjutnya saya akan menggunakan
klasifikasi untuk mengetahui data mana saja yang masuk ke kelompok tersebut atau

Abram Setyo Prabowo - D6704

 bisa dibilang saya menggunakan klasifikasi pada saat ingin melakukan eksplorasi data
yang lebih detail/kompleks.

6. William adalah seorang penggemar film anime yang ingin mengelompokkan beberapa film
anime berdasarkan data yang diperoleh.

Film Anime X Y

Attack on Titan 9 8

My Hero Academia 8 7

Kotaro Lives Alone 7 8

Sword Art Online 7 6

Demon Slayer 9 9

One Piece 6 8

Naruto 7 6

Spy x Family 8 9

Pluto 7 8

Gridman Universe 9 9

Berdasarkan data di atas, selesaikan dengan menggunakan K-Means Clustering, dengan

jumlah cluster adalah 2 dan menggunakan euclidean distance. Penentuan pusat awal cluster
menggunakan data 1 dan 2. Lakukanlah iterasi hingga nilai centroid tidak berubah dan
berikan hasil akhir untuk film anime yang masuk ke dalam cluster 1 & cluster 2.

Abram Setyo Prabowo - D6704

Abram Setyo Prabowo - D6704
Abram Setyo Prabowo - D6704
 Cluster 1: Attack on Titan, Demon Slayer, Spy x Family, Gridman Universe
Cluster 2: My Hero Academia, Kotaro Lives Alone, Sword Art Online, One
Piece, Naruto, Pluto

Iterasi ke-3
Centroid cluster 1 = ((9+9+8+9)/4,(8+9+9+9)/4) = {8.75,8.75}
Centroid cluster 2 = ((8+7+7+6+7+7)/6,(7+8+6+8+6+8)/6) = {7,7.17}

Nilai centroid tidak berubah dan masih sama dengan nilai centroid pada iterasi ke-2
sehingga hasil akhir dari k-means clustering adalah:
Cluster 1: Attack on Titan, Demon Slayer, Spy x Family, Gridman Universe
Cluster 2: My Hero Academia, Kotaro Lives Alone, Sword Art Online, One Piece,
Naruto, Pluto

Abram Setyo Prabowo - D6704

 7. Jika diketahui sebuah data perkiraan cuaca seperti di bawah ini:

Dimana terdapat 4 buah faktor penentu cuaca, yakni:

TP : Temprature
SR : Solar Radiation
RH : Relative Humidity
WS : Wind Speed

Kemudian, Anda diminta untuk mendesain sebuah sistem peramalan cuaca menggunakan
Multi Layer Perceptron (MLP) yang dapat menentukan (memprediksi) cuaca yang terdiri dari
2 kelas/ kategori, yakni: ”No Rain” : Tidak hujan ”Rain” : Hujan

a. Gambarkanlah arsitektur MLP yang menurut Anda paling tepat untuk menyelesaikan
masalah prediksi cuaca di atas!

Jumlah neuron pada hidden layer (JNHL) yang digunakan adalah:

𝐽𝑁𝐻𝐿 = 23 * (𝐽𝑢𝑚𝑙𝑎h 𝐼𝑛𝑝𝑢𝑡 𝑁𝑒𝑢𝑟𝑜𝑛𝑠 + 𝐽𝑢𝑚𝑙𝑎h 𝑂𝑢𝑡𝑝𝑢𝑡 𝑁𝑒𝑢𝑟𝑜𝑛𝑠)
𝐽𝑁𝐻𝐿 = 23 * (4 + 2)
𝐽𝑁𝐻𝐿 = 23 * 6
𝐽𝑁𝐻𝐿 = 4

b. Berapa jumlah neuron yang Anda gunakan gunakan pada masing-masing

masing-masing layer (input-hidden-output)? Jelaskan alasan Anda mengapa memilih
jumlah neuron tersebut untuk setiap layernya!

Abram Setyo Prabowo - D6704

 c. Jika semua bobot (weight ) MLP diberi nilai 0.1, maka hitunglah output MLP jika
diberikan input dari data (record ) nomor 2 menggunakan perhitungan maju ( feed
forward ), Gunakan fungsi aktivasi sigmoid untuk setiap unit neuron dari
masing-masing layer. Output dari MLP dibulatkan menjadi 1 jika nilainya >= 0.5, dan
selainnya dibulatkan menjadi 0.

Abram Setyo Prabowo - D6704

 8. Diketahui sebuah ANN memiliki tujuan untuk melakukan tugas regresi. Dalam arsitektur
neural network ini dapat menerima 2 buah nilai input/fitur (dinotasikan sebagai X1 dan X2)
dan memiliki 2 lapisan tersembunyi yang masing-masing memiliki 2 dan 3 buah unit neuron,
pada lapisan tersembunyi pertama terdapat unit H1 dan H2, sedangkan pada lapisan
tersembunyi kedua terdapat unit H3, H4 dan H5. Kemudian dari lapisan tersembunyi
langsung terhubung dengan lapisan output dengan satu unit neuron (dinotasikan dengan Y).
Nilai data latih X1 = 1; X2 = 1; Y= 0.5
Nilai inisialisasi bobot :

X1_H2 =0.6
X1_ H1=-0.6
X2_H1 = 0.8
X2_H2=0.8

Н1_Н3 =0.9
H1_H4 =0.2
H1_H5 = 0.4
H2_H3 =0.9
H2_H4 =0.2

Abram Setyo Prabowo - D6704

 H2_HS =0.1
H3_Y =0.8
H4_Y=-0.1
HS_Y=-0.1

Seluruh nilai bias adalah 1 dan bobot bias adalah 0.001.

Unit neuron pada lapisan Hidden kedua (H3, H4, dan-H5) memanfaatkan fungsi aktivasi
sigmoid dan unit neuron lainnya memanfaatkan fungsi aktivasi linear.
NB: Dalam seluruh perhitungan, gunakan ketelitian 5 digit dibelakang koma, lakukan.
pembulatan)

Jawablah :
a) Gambarkan arsitektur neural network diatas dengan notasi beserta bobotnya!.
b) Lakukan iterasi dengan menggunakan Backpropagation dengan learning rate 0.7, hingga
mencapai kriteria:
- Iterasi maksimum adalah 5, atau
- Mencapai MSE Los yang lebih kecil atau sama dengan 0.1.
c) Berdasarkan hasil iterasi dari poin B, Gambarkan kembali arsitektur neural network dengan
notasi beserta bobotnya yang terbaru.
d) Berdasarkan hasil bobot terbaru dari poin B, tentukan nilai outputnya jika diketahui nilai
fitur X1 = 0 dan X2 = .1
e) Berdasarkan hasil bobot terbaru dari poin B, tentukan nilai outputnya jika diketahui nilai
fitur X1 = 0.9 dan X2 = 0.8.
Mean Square Error
𝑛
1 2
𝑀𝑆𝐸 = 𝑛
∑ (𝑡𝑎𝑟𝑔𝑒𝑡𝑖–𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑖)
𝑖=1
Aktivasi Sigmoid
1
σ(𝑥) = −𝑥
1+𝑒

Abram Setyo Prabowo - D6704

Abram Setyo Prabowo - D6704
 9. Dalam Neural Network, Terdapat beberapa jenis fungsi aktivasi. Jelaskan perbedaan Fungsi
Aktivasi berikut ini:
a. Linear Activation Function
b. Sigmoid Activation Function
c. ReLU Activation Functio
d. Softmax Activation Function
a. Linear Activation Function
Pada linear Activation Function digunakan pada lapisan yang tersembunyi untuk menghasilkan
prediksi yang kurang fleksibel. Biasanya digunakan dalam regression yang rentang nilainya harus
continuous
b. Sigmoid Activation Function

Abram Setyo Prabowo - D6704

Pada sigmoid Activation Function digunakan untuk classification biner dikarenakan function ini akan
menghasilkan nilai probabilitas yang bisa diinterpretasikan sebagai tingkat keyakinan
c. ReLU Activation Function
ReLU Activation Function digunakan untuk mempercepat pelatihan jaringan karena sifatnya tidak
jenuh dan efisien dalam komputasional namun jika terjebak pada nilai negatif ia akan berhenti
belajar. ReLu ini akan menghasilkan output nol jika inputnya negatif dan akan mengeluarkan nilai
inputnya sendiri jika positif.
d. Softmax Activation Function
Softmax Activation Function digunakan untuk memecahkan data yang multiclass classification
dimana outputnya memrepresentasikan probabilitas kelas-kelas nya dan kelas yang memiliki hasil
tertinggi akan menjadi nilai prediksi akhirnya.

Secara general perbedaan yang mencolok dari fungsi-fungsi ini adalah penggunaan fungsi untuk
memecahkan sebuah masalah dan nilai dari output yang dihasilkan oleh fungsi tersebut. Misal ada
problem dengan nilainya bersifat linear sehingga kita dapat menggunakan fungsi linear untuk
menyelesaikan masalah tersebut.

- Fungsi aktivasi pada ANN(Artificial Neural Network) berguna sebagai fungsi transfer yang dapat
digunakan untuk mencapai output yang diinginkan terdapat beberapa fungsi aktivasi yang dapat kita
gunakan sesuai dengan masalah yang ingin diselesaikan. Pertama fungsi linear ini digunakan untuk
menghasilkan output yang sama dengan hasil kombinasi linear. Kedua fungsi sigmoid ini digunakan
untuk menghasilkan nilai output antara 0 dan 1 dan biasanya digunakan pada masalah classification
biner karena nilai yang dihasilkan adalah probabilitas. Ketiga ada fungsi ReLu digunakan untuk
menghasilkan output 0 jika inputnya negatif atau 0 dan output nya akan sama dengan input nya jika
inputnya positif biasanya ReLu ini juga digunakan untuk menyelesaikan masalah nonlinear. Keempat
ada fungsi softmax biasanya digunakan untuk menyelesaikan masalah multiclass classification.
Terakhir fungsi Tanh ini mirip dengan fungsi sigmoid namun pada tanh ini nilai outputnya antara -1
hingga 1.

10. Dalam era teknologi modern, penggunaan robot dalam dunia medis, khususnya dalam
bidang robotic surgery semakin menjadi perhatian utama. Robotik telah memberikan
kontribusi signifikan dalam meningkatkan presisi dan efisiensi prosedur operasi. Namun,
penerapan teknologi ini juga memunculkan sejumlah isu etika yang kompleks.

Kasus: Robotik dalam Operasi Bedah

Sebuah rumah sakit terkemuka mengadopsi teknologi robotic surgery untuk meningkatkan
kualitas operasi dan pemulihan pasien. Robot tersebut dikendalikan oleh seorang ahli bedah
yang terlatih secara khusus.

Dalam konteks penerapan robotic surgery tersebut, identifikasi dan analisis implikasi etika
yang terkait dengan keputusan otomatisasi yang dibuat oleh sistem Al selama operasi bedah.
Pertimbangkan faktor-faktor seperti tanggung jawab ahli bedah, otonomi pasien, dan
dampak jangka panjang terhadap praktik medis. Kemudian analisis juga peran regulasi dalam
mengelola aspek etika pada pengembangan dan penggunaan teknologi robotic surgery.

Abram Setyo Prabowo - D6704

(Jawab sendiri)

Abram Setyo Prabowo - D6704