Author : Naqvi, Ali S

PENDAHULUAN

Pada akhir tahun 2017, empat firma audit besar di Inggris (Big Four) menghadapi masalah serius terkait
penurunan kualitas audit. Mereka yang seharusnya menjadi penjamin kepercayaan di pasar keuangan justru
dipertanyakan kredibilitasnya dan dikenai denda oleh regulator. Kekhawatiran muncul dari berbagai pihak,
termasuk pemangku kepentingan dan Parlemen, yang bahkan mengusulkan RUU untuk memecah monopoli Big
Four.

Pada awal 2019, Komite Bisnis, Energi, dan Strategi Industri Parlemen Inggris mengadakan sesi dengan firma
akuntansi “penantang” dan Big Four, menyoroti masalah kualitas audit dan kurangnya persaingan di pasar audit.
Firma-firma kecil mengeluh bahwa dominasi Big Four (97% pangsa pasar FTSE 350) membuat sulit bagi mereka
untuk bersaing, sementara keadan menekankan perlunya berinvestasi dalam teknologi dan Sumber Daya
Manusia.

Dalam respons terhadap tekanan ini, Big Four mulai mempertimbangkan penggunaan kecerdasan buatan (AI)
sebagai fokus utama untuk meningkatkan efektivitas dan efisiensi audit. Ada pandangan untuk mengotomatisasi
seluruh proses audit dengan menghubungkan tugas-tugas audit dalam serangkaian "chunk" terhubung.

Osborn dan Frey memprediksi kemungkinan otomatisasi total audit mencapai 94%. Kesimpulannya, AI dianggap
sebagai masa depan profesi audit dan akuntansi. Pentingnya adopsi AI adalah untuk mengatasi kesalahan
manusia, bukan menggantikan pekerjaan manusia sepenuhnya. Fokus utama adalah pada perbaikan kualitas
audit dan kepercayaan pasar keuangan melalui pemanfaatan teknologi.

DEFINISI ARTIFICIAL INTELEGENCE

Ada banyak definisi tentang AI. Beberapa definisi mengelompokkan seputar mesin bangunan yang dapat
melakukan tugas-tugas yang biasanya dilakukan oleh manusia.

 John McCarthy, (1956) berpendapat bahwa kecerdasan buatan atau Artificial Intelligence (AI)
adalah usaha memodelkan proses berpikir manusia dan mendesain mesin agar dapat menirukan
perilaku manusia.
 Menurut H. A. Simon (1987) Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian,
aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang -
dalam pandangan manusia adalah- cerdas.
 Menurut Rich and Knight (1991), kecerdasan buatan (artificial intelligence) merupakan sebuah studi
tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik
oleh manusia.
 IEEE Corporate Advisory Group (CAG), (2017) kecerdasan buatan (artificial intelligence) adalah
Kombinasi otomasi kognitif, pembelajaran mesin, penalaran, generasi hipotesis dan analisis,

1|Page
 pemrosesan bahasa alami, dan mutasi algoritma yang disengaja menghasilkan wawasan dan analitika
pada tingkat atau di atas kemampuan manusia.
 Al Naqvi, (2020) kecerdasan buatan (artificial intelligence) adalah Teknologi dengan kemampuan untuk
mencapai tujuan dalam lingkungan yang tidak pasti. Saat lingkungan menjadi semakin kompleks,
diperlukan tingkat kecerdasan yang lebih tinggi untuk mengatasi tantangannya. Namun, apa artinya
untuk "mennavigasi" dalam konteks lingkungan yang tidak pasti? Mengapa suatu entitas akan
melakukan hal tersebut? Jawabannya adalah bahwa entitas yang cerdas tidak akan menghadapi situasi
yang tidak pasti tanpa alasan atau tujuan yang jelas.

SEJARAH SINGKAT AI

Pada tahun 1956 nama Artificial Intelligence pertama tercetus dari John McCarthy dalam sebuah program
AI Darthmouth Summer Research Project on Artificial Intelligence (DSRPAI). Namun sayangnya project ini tidak
berjalan semulus rencana awal, karena kurangnya komitmen dari para peneliti yang terlibat. Pengembangan AI
saat itu cenderung lambat, tetapi project inilah yang memulai peluang AI hingga bisa berkembang seperti saat
ini.

Artificial Intelligence dari Tahun ke Tahun

Seperti yang sudah disampaikan sebelumnya, benih kecerdasan buatan sudah ditanamkan sejak para filsuf
mengeluarkan teori-teori yang menjadi landasan perkembangan kecerdasan buatan. Siapa sajakah para ahli
tersebut dan apakah kontribusinya?

1. Tahun 1900

Pada sekitar tahun ini, muncul filsuf yang mengeluarkan teori-teori matematika yang menjadi landasan mesin
komputer atau kecerdasan buatan. Beberapa filsuf tersebut adalah George Boole, Alfred North Whitehead, dan
Bertrand A. W. Russell.

George Boole adalah seorang matematikawan yang menemukan Aljabar Boolean. Ilmu ini menjelaskan operasi
logika. Dengan aljabar ini, bisa dibuktikan nilai kebenaran true atau false yang direpresentasikan dengan digit
biner 0 dan 1, sama seperti bahasa yang digunakan mesin komputer saat ini. Semua data yang disimpan, diolah,
dan disajikan oleh mesin komputer berbentuk angkan atau bit.

Sementara itu, Alfred North Whitehead dan Bertrand A. W. Russell mengeluarkan sebuah mahakarya yang
sangat penting bagi perkembangan kecerdasan buatan, yaitu Principia Mathematica atau disebut juga PM. PM
mencoba menjelaskan aksioma atau kumpulan pernyataan serta aturan inferensi dalam bentuk symbolic
logic yang belum bisa dibuktikan, tapi bisa menjadi landasan pemikiran logis.

Namun, karya tersebut sempat disanggah pada 1931 oleh Göedel yang mengeluarkan teori incompleteness.
Dalam teori itu, ia menjelaskan bahwa PM tidak akan mungkin bisa menjelaskan segala sesuatu dengan lengkap
karena akan selalu ada yang tidak sempurna.

2|Page
 2. Tahun 1930

Pada era 1930-an, muncullah Alan Turing, Claude Shannon, dan John von Neumann. Alan Turing adalah salah
satu tokoh penting dalam perkembangan teknologi. Ia adalah penemu Turing Machine dan teori Tes Turing yang
bisa menguji tingkat kecerdasan suatu mesin komputer. Pada era sekarang, Tes Turing dapat kita lihat
pengaplikasiannya dalam fitur tes CAPTCHA.

Sedangkan, Claude Shannon dikenal sebagai bapak dari teori informasi, teori yang lahir sebagai bentuk
pengaplikasian Aljabar Boolean. Lalu, John von Neumann adalah orang yang merumuskan bahwa komputer
harus dipisahkan menjadi dua bagian, yakni hardware dan software.

Pada era ini, para ahli membicarakan bagaimana komputer dapat merepresentasikan pengetahuan. Mesin
komputer hanya akan bergerak jika sudah dimasukkan data. Para ahli memperdebatkan bagaimana cara
memasukkan data-data tersebut ke dalam mesin agar mesin dapat belajar.

3. Tahun 1950

Perlu diingat bahwa memasuki era 1950-an, dunia sudah memiliki komputer digital. Komputer muncul pertama
kali pada 1946 sesudah Perang Dunia II. Awalnya, komputer diciptakan di Amerika untuk keperluan perang,
namun karena perang sudah berakhir, mesin komputer tersebut digunakan oleh Departemen Statistik untuk
mengolah data besar demi kepentingan negara.

Memasuki era 1950-an, muncullah John McCarthy, Marvin Lee Minsky, Herbert Alexander Simon, Allen Newell,
dan Edward Albert Feigenbaum yang mulai merumuskan istilah AI. AI muncul pertama kali pada 1956 di
pertemuan di Dartmouth. Kontribusi lainnya yang membawa perkembangan bagi komputer adalah bahasa LISP
atau LISt Processing yang merupakan bahasa pemrograman tingkat tinggi klasik. Lalu, ada juga Semantic
Network and Frame, expert system, serta general problem solver.

4. Tahun 1980

Era 1980-an dikenal juga sebagai second wave of AI. Para ahli yang berkontribusi dalam era ini adalah David
Rumelhart, Lotfi Zadeh, John Holland, Lawrence Fogel, Ingo Rechenberg, dan John Koza. Hasil penemuan
mutakhir di era ini adalah sebagai berikut:

 Learning of MLP
 Fuzzy logic
 Genetic algorithms
 Evolutionary programming
 Evolution strategy
 Genetic programming

3|Page
 5. Tahun 2000

Perkembangan kecerdasan buatan yang ketiga bermula pada era 2000-an saat komputer dan internet sudah
ada. Adapun produk-produk perkembangannya meliputi penemuan World Wide Web atau WWW oleh Tim
Berners-Lee pada 1989, Internet of Things oleh Kevin Ashton pada 1999, sistem cloud yang dimulai dari 1950
dan terus dikembangan hingga 1990-an, munculnya istilah big data oleh John R. Mashey pada 1998, dan deep
learning oleh Geoffrey Hinton pada 2006.

Dari guest lecture yang disampaikan Dr. Lukas tersebut, dapat diambil kesimpulan bahwa perkembangan AI
terbagi menjadi empat bagian, yakni dimulai dari perkembangan teori, gelombang pertama yang menandai
munculnya pemikiran untuk memberikan pengetahuan bagi mesin, gelombang kedua ketika mesin mulai
mengolah data yang dimasukkan, serta gelombang ketiga saat internet telah ditemukan.

Alhasil, kini AI telah berkembang jauh dan seiring dengan semakin canggihnya teknologi di masa depan, bukan
tidak mungkin AI juga akan ikut tumbuh bersamanya.

LAUNCHPAD FACTORS

Walaupun pencapaian dalam penelitian sangat signifikan untuk kemajuan bidang ini, banyak aspek fundamental
yang menjadi pondasi dilandaskan pada perkembangan Internet dan ponsel seluler. Secara spesifik, ada lima
bidang keterampilan yang menjadi faktor penentu untuk kebangkitan dan masa depan revolusi kecerdasan
buatan.

1. Ketersediaan Data

Ponsel pintar dan Internet telah menjadi sumber data besar, menumpuk representasi realitas kita dalam format
digital. Algoritma yang sudah ada sejak beberapa dekade lalu mendapati kehidupan baru dengan melibas
dataset yang luas. Era kecerdasan buatan pun dimulai, memungkinkan penggunaan gambar untuk pengenalan,
video untuk CGI, suara untuk keamanan, data IoT untuk meningkatkan kinerja mesin, dan data transaksional
untuk pengambilan keputusan bisnis. Siklus tersebut menciptakan kemampuan untuk menemukan pola baru,
mengklasifikasikan berdasarkan kriteria tertentu, dan bahkan belajar dari model hadiah dan hukuman, semuanya
dimungkinkan oleh adanya data.

2. Penyimpanan dan Pengelolaan Data

Kemampuan untuk menghasilkan data adalah satu hal, tetapi penyimpanan data dengan biaya efektif dan
organisasi untuk pengambilan data yang cepat adalah hal lain. Pekerjaan insinyur perangkat lunak, perangkat
keras, dan manajer data memungkinkan penyimpanan data yang dihasilkan oleh manusia dan mesin. Penurunan
biaya penyimpanan dengan teknologi seperti cloud, serta perkembangan profesi manajemen data dan
pengetahuan manajemen data, meningkatkan kemampuan kita untuk mengorganisir dan memanfaatkan data.
Algoritma yang haus akan data memasuki dunia di mana data melimpah, dan variasi, volume, serta verasitas
data dapat dikelola.

4|Page
 3. Kecepatan dan Kekuatan Pemrosesan

Peningkatan daya pemrosesan melalui GPU dan perbaikan arsitektur big data telah memungkinkan efisiensi
pembelajaran mesin. Hal ini dipengaruhi oleh kemampuan mesin untuk memproses data dengan cepat,
memungkinkan kolaborasi multiple mesin, dan meningkatkan performa komputasional. Hasilnya, masalah yang
dulu memakan waktu berhari-hari atau berminggu-minggu kini dapat diselesaikan dalam hitungan menit dan
detik.

4. Jaringan Global

Dalam komunitas kecerdasan buatan, berbagi penelitian memiliki gaya yang unik dan disebut sebagai "swag"
oleh generasi muda. Berbagi penelitian dilakukan secara agresif, menciptakan kolaborasi global. Waktu antara
penulisan dan publikasi penelitian dijaga singkat, berbeda dengan ilmu sosial yang sering memakan waktu lama.
Banyaknya konferensi memberikan peluang besar bagi peneliti untuk menyajikan penelitiannya. Internet
memainkan peran penting dalam lonjakan penelitian dalam kecerdasan buatan, mempercepat penemuan, dan
memberikan kehidupan baru pada produk dan layanan AI.

5. Algoritma dan Pendekatan

Meskipun bidang kecerdasan buatan mengalami beberapa masa suram, optimisme di kalangan komunitas
penelitian kecerdasan buatan tidak pernah pudar. Tetap berkomitmen, mereka bekerja dengan tekun untuk
menciptakan penemuan baru dan menyelesaikan masalah. Mungkin musim dingin berlaku di luar, tetapi di dalam
pusat penelitian, selalu ada semangat kebaharuan. Banyak pendekatan dan algoritma baru dikembangkan dan
disajikan. Dalam banyak kasus, algoritma yang tidur karena kurangnya daya pemrosesan atau data tiba-tiba
mendapatkan kehidupan baru. Dunia kecerdasan buatan siap meninggalkan musim dingin terakhirnya.

PENDAPAT PENULIS

a) ArtificiaI Intelegence bukanlah Teknologi Informasi: Pendapat bahwa kecerdasan buatan (AI) bukan
bagian dari teknologi informasi (TI), dan sebaliknya, teknologi informasi bukan bagian dari AI,
mencerminkan pemahaman bahwa keduanya adalah domain yang saling berbeda meskipun sering kali
terkait erat. Meskipun keduanya memiliki keterkaitan, namun masing-masing memiliki cakupan dan
fokus yang berbeda. Teknologi informasi mencakup sejumlah besar disiplin ilmu dan praktik terkait
pengelolaan informasi, pemrosesan data, dan infrastruktur teknologi yang mendukung operasi bisnis
dan organisasi. Ini termasuk aspek-aspek seperti jaringan komputer, pengembangan perangkat lunak,
manajemen basis data, keamanan informasi, dan infrastruktur teknologi lainnya. Dalam konteks ini, TI
berfokus pada pengelolaan, pengolahan, dan distribusi informasi dengan menggunakan teknologi.
Sementara itu, kecerdasan buatan adalah subbidang di dalam TI yang secara khusus berfokus pada
pengembangan sistem atau algoritma yang dapat melakukan tugas-tugas yang memerlukan tingkat
pemahaman dan keputusan yang mirip dengan kecerdasan manusia. AI melibatkan pembelajaran

5|Page
 mesin, pengolahan bahasa alami, penglihatan komputer, dan berbagai teknik lainnya untuk memberikan
kemampuan berpikir dan belajar pada sistem komputer.
b) ArtificiaI Intelegence bukanlah Learning Machine : Bidang kecerdasan buatan (AI) melibatkan berbagai
aspek yang jauh lebih luas daripada hanya Learning Machine. Meskipun Learning Machine memainkan
peran kunci dalam perkembangan AI, namun AI mencakup berbagai bidang lain yang juga sangat
penting. Dengan demikian, meskipun Learning Machine adalah bagian yang signifikan dari AI, bidang ini
jauh lebih kompleks dan mencakup berbagai disiplin ilmu yang saling terkait untuk mencapai tujuan
akhir yaitu memberikan kecerdasan pada sistem komputer.
c) Robotic process automation bukanlah AI: Seringkali, Robotic process automation (RPA) disalahpahami
sebagai kecerdasan buatan (AI). Beberapa berpendapat bahwa bot RPA dengan fungsi sederhana
sebenarnya dapat dianggap sebagai agen sederhana yang melakukan tugas sesuai instruksi, dan pada
dasarnya, hampir semua perangkat lunak dapat dijelaskan dengan cara yang sama. Oleh karena itu,
diperlukan pemahaman bahwa RPA dapat dianggap sebagai bentuk kecerdasan buatan yang sangat
sederhana atau bahkan dianggap sebagai entitas terpisah yang tidak sepenuhnya termasuk dalam
kategori AI.
d) Data management bukanlah data science : Beberapa orang juga membuat kesalahan dengan
mengacaukan manajemen data dengan data science. Manajemen data berkaitan dengan
pengorganisasian data, sedangkan ilmu data mengacu pada penggunaan data untuk membangun
produk dan layanan cerdas.
e) Machine Learning adalah AI baru dan metode lama sudah tidak relevan lagi : Perkembangan signifikan
terkini di bidang AI (misalnya, deep learning) mungkin membuat sebagian orang percaya bahwa model
dan pendekatan lama sudah tidak relevan lagi. Ini tidak benar. Pendekatan-pendekatan baru ini
melengkapi pendekatan-pendekatan lama. Nyatanya. pendekatan yang lebih lama lebih cocok untuk
jenis kelas masalah tertentu. Perkembangan terkini bila digabungkan dengan metode lama akan
menghasilkan solusi yang lebih kuat dan komprehensif. Misalnya, dalam banyak kasus, penyedia jasa
keuangan memerlukan pengambilan keputusan seketika mengenai persetujuan kredit dan meskipun
neural networks (pendekatan modern) dapat melakukan hal tersebut, mengingat kondisi teknologi saat
ini, tidak mungkin menjelaskan alasan di balik keputusan yang dibuat oleh perusahaan tersebut.
f) Learning Machine bukanlah AI : Learning Machine didasarkan pada salah satu cabang AI yang berasal
dari metode pembelajaran statistik. Bidang AI terdiri dari banyak cabang. Dalam bukunya The Master
Algorithm, Domingos menyebut mereka sebagai suku AI (Domingos, 2015). Dalam beberapa kasus,
tribalisme begitu lazim sehingga beberapa penganut garis keras mungkin menggambarkan Learning
Machine sebagai sesuatu yang tidak bergantung pada AI. Dari sudut pandang mereka, AI adalah
pendekatan berbasis aturan yang dimungkinkan oleh mekanisme pencarian, sedangkan Learning
Machine adalah pembelajaran statistik dan karenanya tidak bergantung pada bidang AI. Seperti yang
telah dijelaskan sebelumnya, Learning Machine merupakan salah satu cabang dari AI.

6|Page
TEST TURING

Tes Turing dapat dipandang sebagai ukuran kecerdasan dalam artefak AI. Cara lain untuk memikirkan Tes
Turing adalah dengan mengajukan pertanyaan apakah komputer dapat berpikir seperti manusia atau tidak.
Dinamai Alan Turing (Tur-ing, 1950). Ini dapat dilihat sebagai tes sederhana di mana manusia (Orang B) dan
komputer (AI) berinteraksi dengan orang lain (Orang A). Kedua manusia dan komputer semuanya berada di
ruangan terpisah. Interaksi terjadi melalui terminal komputer. Orang A sedang berbicara dengan komputer (AI)
dan juga dengan manusia (Gambar 3.1). Orang A mengajukan pertanyaan dan Orang B serta komputer (AI)
menjawab pertanyaan tersebut. Selama percakapan berkelanjutan, jika Orang A tidak dapat membedakan
apakah dia sedang berbicara dengan komputer atau manusia, Tes Turing akan lulus; kalau tidak, itu gagal.

AI SEMPIT VERSUS AI SECARA UMUM

AI sempit (juga dikenal sebagai AI lemah) adalah sistem yang dapat mengotomatiskan tugastugas yang biasanya
dilakukan oleh manusia tetapi melakukannya dalam domain pengetahuan tertentu yang sempit. Tugasnya bisa
bersifat deskriptif, prediktif, atau preskriptif dan kinerja mesin bisa sama atau lebih baik daripada kinerja manusia.

Kecerdasan umum buatan (AGI) adalah kecerdasan buatan yang dapat melakukan tugas-tugas ahli manusia di
berbagai domain. Kinerja mereka bisa sama atau lebih baik dari manusia. AGI berinteraksi dengan manusia
dengan cara yang sama seperti manusia Dengan kata lain, mereka lulus Tes Turing.

7|Page
PANDANGAN PERUSAHAAN

Selama lebih dari lima dekade,

peran komputer dalam merubah
kehidupan bisnis dan pribadi telah
menjadi sangat signifikan.
Penggunaan komputer dalam
lingkup bisnis dapat didefinisikan
melalui empat lapisan utama:
pencatatan transaksi, analisis atau
penghitungan, optimasi, dan
prediksi. Kemampuan-
kemampuan ini memungkinkan
perancangan dan pengembangan
sistem yang bersifat deskriptif, preskriptif, dan prediktif.

Seperti yang terlihat dalam gambar, pada sisi kiri, terdapat tumpukan teknologi dari perusahaan lama yang
umumnya memiliki sistem untuk transaksi, analisis, optimasi, dan prediksi. Namun, perkembangan saat ini
menambahkan dimensi baru yaitu kemampuan belajar. Dengan penambahan komponen pembelajaran,
terbentuklah arsitektur tiga lapis di sebelah kanan, yang dikenal sebagai struktur CAT untuk Kognitif, Analitik, dan
Transaksional. Sistem transaksional berada di lapisan paling bawah, diikuti oleh sistem analitik (seperti Analisis
Bisnis) di lapisan tengah, dan sistem Kognitif (seperti RPA, Machine Learning) di lapisan teratas. Hal ini
mencerminkan evolusi sistem teknologi yang semakin kompleks dan dapat memberikan dampak besar terhadap
keefektifan dan kecerdasan operasional perusahaan

TOOLKIT UNTUK OTOMATISASI AUDIT CERDAS

Saat dibayangkan dan merancang arsitektur kognitif, disadari bahwa kami perlu menggunakan berbagai jenis
teknologi cerdas. Selain dari infrastruktur TI yang terdiri dari perangkat lunak biasa, analitika, bisnis intelijen,
repositori data, ETL, dan alat TI lainnya yang umum digunakan, IAA (Intelligent Automation Architecture)
membutuhkan empat teknologi khusus:

Robotic Process Automation: RPA dirancang untuk menggantikan pekerjaan manusia yang dapat diulang, di
mana otomatisasi dilakukan secara luar ke dalam (van der Aalst et al., 2018). RPA adalah perangkat lunak yang
(1) menggunakan input terstruktur (2) untuk memproses input melalui aturan (3) guna menghasilkan output
tertentu. Ini pada dasarnya adalah bot digital yang dikonfigurasi untuk mengotomatisasi tugas-tugas sederhana,
dapat diulang, dan memiliki opsi yang rendah. RPA juga dirancang sedemikian rupa sehingga meminimalkan
pengkodean dan mudah digunakan. Meskipun vendor RPA akan mengklaim bahwa siapa pun dapat
menggunakannya dan bahwa orang tanpa pengetahuan atau latar belakang dapat dengan mudah

8|Page
mengotomatisasi fungsi dari desktop mereka, RPA sedikit lebih rumit. RPA saat ini digunakan untuk otomatisasi
audit (Zhang, 2019).

Expert System: Sebagian besar dibangun dengan aturan if–then, sistem pakar adalah sistem yang meniru
pengambilan keputusan ahli manusia. Pengetahuan ahli diungkapkan dalam bentuk aturan, dan pengambilan
keputusan dimungkinkan melalui penalaran. Expert System telah banyak digunakan dalam bidang audit. Literatur
signifikan tersedia mengenai penggunaan mereka untuk tujuan audit. Namun, analisis terbaru menunjukkan
bahwa penggunaannya telah menurun, dan tampaknya beberapa sistem pakar yang lebih menonjol tidak lagi
digunakan (Gray et al., 2014).

Process Mining: Process mining merujuk pada kemampuan otomatis untuk memindai dan mengekstrak
pengetahuan dari log kejadian. Pengetahuan tersebut digunakan untuk mengidentifikasi dan memantau proses.
Sistem-sistem yang sudah ada mengumpulkan sejumlah besar meta-data tentang transaksi, dan meta-data
tersebut dapat digunakan untuk memahami asal-usul, langkah-langkah, dan akhir dari berbagai proses. Proses
yang ditemukan dapat dibandingkan dengan beberapa standar untuk menentukan kepatuhan. Mereka juga
digunakan untuk mengidentifikasi pengecualian atau anomali. Process mining saat ini banyak digunakan dalam
audit (van der Aalst et al., 2010; Jans et al., 2013) dan ketika digabungkan dengan sistem lain dapat
menghasilkan hasil yang kuat menuju IAA terintegrasi.

Machine Learning: Machine learning adalah metode pembelajaran statistik yang menggunakan data dan
algoritma untuk mengajari mesin melakukan tugas-tugas yang umumnya dilakukan oleh manusia. Machine
learning digunakan dalam mengotomatisasi proses serta mengotomatisasi pekerjaan fisik dan kognitif. Mesin
pembelajaran dapat dianggap sebagai jenis sistem: (1) mesin yang diajari fungsi tertentu, dan setelah mereka
memahami tugas tersebut, mereka dapat terus melaksanakan tugas tersebut; dan (2) mesin yang terus belajar
dan meningkat melalui pengalaman. Dalam kedua kasus, suatu jenis ukuran kinerja ditetapkan, dan mesin
melakukan atau meningkatkan kinerjanya berdasarkan ukuran kinerja tersebut. Ini juga menyiratkan bahwa
mesin berusaha melakukan tugas sesuai dengan suatu tujuan. Bagian "melakukan" dari tugas berarti ada suatu
input yang berasal dari lingkungan mesin. Mesin memproses input tersebut dan kemudian menghasilkan sesuatu
sebagai output. Bagian pengalaman terkait dengan pembelajaran, yaitu kemampuan mesin untuk belajar.

9|Page