A.

Artificial Intelligence
Kecerdasan Buatan (AI) AI adalah ilmu komputer yang dilahirkan untuk
menciptakan sistem yang menyamai atau bahkan melebihi kemampuan kognitif
manusia berbagai hal. Filsafat AI berdasarkan konsep kecerdasan yang menawarkan
ke beberapa hal, yaitu: persepsi, yang berarti kemampuan sistem untuk mengetahui
dan “melihat” dunia di sekitar, pendeteksian; pemahaman, yang berarti kemampuan
untuk memproses informasi dari “deteksi” dan menerima simbolisme mana pun yang
dihasilkannya; dan alasan, yang manusia ketahui akan membuat keputusan
berdasarkan data ini. AI terlebih juga ruang lingkup, yang memberi tahu sistem agar
jika datanya diciptakan, itu harus menahan itu diri sistem setidaknya dua
menggabungkan situasi yang ada. Kreativitas begitu harus bisa mereplikasi yang
diartikan sebagai relatif luas. Kecerdasan buatan adalah lebih fungsi ini-menciptakan
setiap variasi dengan cepat, meningkatkan kinerja sesuai pengalaman serta data
produksi baru. Konsep termodaai dari AI masuk dalam tawaran yang menyatakan
John McCarthy pada 1955 bermain “masa ini AI akan dianggap bidang komputer
yang bertujuan produks sistem menaruh dan mengerjakan keputusan dengan cara
manusia-sendiri”. berjalannya dari waktu tersebut bidang AI memiliki sentuhan
sejumlah era ke maju serta spiral. Delapan AI pertama, didefinisikan dari 1950 akhir
ke a awal 1960-an, adalah penyelesai maksud maka dan logika terminasi di dalam
dikomputerisasikan.

Ada beberapa sub-bidang AI yang membentuk teknologi yang mencakup

aspek kehidupan manusia yang sangat penting. Yang utama adalah reasoning, dimana
AI dibuat untuk membuat keputusan berdasarkan data dan aturan logis. Selanjutnya,
sub-bidang lainnya adalah face recognition yang berhubungan dengan aspek
keamanan dan identifikasi biometrik. NLP atau Natural Language Processing adalah
bidang AI yang membuat mesin dapat memahami dan menciptakan bahasa manusia
yang digunakan dalam sistem penerjemahan otomatis atau asisten virtual. Di dalam
AI juga terkait dengan robotika juga digunakan untuk sistem manufaktur, eksplorasi
luar angkasa dan kendaraan otonom yang tidak terkendali secara langsung oleh
manusia. Dalam kehidupan sehari-hari, AI juga digunakan oleh Google Assistant,
Siri, dan Alexa, asisten virtual yang menjawab perintah suara dan memberikan data
cuaca dan lainnya. Dalam game, AlphaGo bahkan mampu mengalahkan pemain
manusia dalam permainan kompleks seperti Go. Selain itu, dalam bidang medis, AI
 digunakan untuk mengetahui penyakit dari hasil scan X-ray dan juga pada bidang
automotive, AI digunakan pada mobil Tesla yang berjalan sendiri.

Salah satu konsep utama AI adalah sistem pakar (Expert System), sistem yang
disusun berdasarkan pengetahuan dan memiliki kemampuan untuk memberikan
jawaban terhadap masalah atau pertanyaan dalam domain tertentu. Sistem pakar
bekerja menggunakan penalaran aturan berbasis (Rule-Based Reasoning), di mana
pengetahuan dipetakan sebagai sejumlah aturan diskrit eksplisit yang dapat digunakan
untuk mengambil keputusan. Konsep lain yang diterapkan adalah penarapaynan
berbasis kasus (Case-Based Reasoning): AI dapat mencari solusi masalah baru dan
menyesuaikannya oleh kasus sebelumnya. Ada kelebihan dan kekurangan untuk
setiap aliran: yang berbasis aturan dapat dengan mudah dirinci, tetapi membutuhkan
pengetahuan yang jelas, sementara yang berbasis kasus memiliki fleksibilitas yang
lebih besar, tetapi mungkin sulit menjelaskan alasan di balik keputusannya. Terutama,
dengan perbaikan teknologi, AI digunakan dalam database komputer dan program
deep learning, jaringan saraf tiruan yang belajar dari data dalam jumlah besar dan
bertindak tidak hanya dalam sekema yang diberikan tetapi juga menanggapi kejadian.
Ini membuatnya lebih adaptif, lebih cerdas, dan mampu menangani masalah yang
lebih besar dan lebih kompleks, dari kejahatan arka hingga eksplorasi luar angkasa.

B. Machine Learning

Machine Learning satu cabang kecerdasan buatan yang fokus dalam

pembangunan algoritma yang dapat tumbuhkomputer belajar dari data keputusan
prinsip program sebelumnya. melihat manfaat pemecahan teka-teki pola pada data.
Ada beberapa pendekatan utama dalam Machine learning yang digunakan untuk
menjalankan model agar dapat bekerja dengan baik pada semua situasi. Pertama, yang
disebut supervised learning adalah pendekatan ketika sistem dilatih dengan
menggunakan data yang sudah dilabelkan, sehingga model belajar dari contoh-contoh
dan membuat prediksi berdasarkan pola yang telah dipelajari. Seperti contohnya
klasifikasi, di mana model mencoba mengelompokkan data ke kategori-kategori yang
diberikan, misalnya deteksi e-mail spam, atau regresi, yaitu prediksi nilai numerik
yang dibuat berdasarkan variabel inputnya, seperti harga rumah berdasarkan ukuran
rumah dan lokasinya. Sebaliknya, unsupervised learning adalah ketika data tidak
berlabel dan model harus menemukan pola dan hubungan tersembunyi dalam data
tanpa arahan eksplisit dari fungsi. Ini sering digunakan dalam klasifikasi clusters,
yang berarti pembagian data ke dalam kelompok yang berbagi karakteristik umum,
dan analisis association rules, yang mencari dan menemukan pola-pola hubungan
antarkomponen data, seperti dalam hal-analisis titik belanja customer. Terdapat pula
semi-supervised learning yang merupakan kombinasi dari dua jenis belajar
sebelumnya, supervised dan no-labeled learning. Data tersebut terdiri dari label dan
tanpa label dan digunakan untuk model yang berlabelkan untuk meningkatkan tingkat
akurasi model dengan satu data berlabel yang lebih sedikit, seperti tulisan cerpen yang
menggunakan radio, dan kecerdasan artificial. Salah satunya adalah Reinforcement
learning adalah ketika sistem belajar dari environment interaction neurite dan neer
dari umpan yang mengikut reward and punishment. Approach ini bisa digunakan
untuk membuat robotika cerdas, system navigasi automatic, dan intelligence for
computer games.

Sebelum membangun model ML, preprocessing data adalah tahap penting

lainnya. Dikarenakan data dunia nyata sering kali kotor dan tidak sempurna, sejumlah
langkah seperti pembersihan data memerlukan pembersihan data, penanganan nilai
yang hilang, dan penghapusan outlier untuk membangun model yang layak.
Kemudian, model dilatih dengan memilih algoritma yang tepat dan meningkatkan
fitur sebelum akhirnya dinilai untuk memeriksa apakah model mampu memprediksi
data baru. Ada sejumlah tantangan dalam evaluasi model ML, termasuk overfitting,
ketika model terlalu spesifik terhadap data pelatihan untuk bekerja secara efektif pada
data baru, dan underfitting, ketika model terlalu sederhana untuk mengenali pola data
yang luar biasa. Karena itu, keseimbangan antara bias dan varians diperlukan untuk
model yang cukup baik. Dengan inovasi seperti deep learning, ML digunakan dalam
aneka bidang, termasuk pengenalan wajah, deteksi anomali, analisis keuangan, dan
personalisasi layanan berbasis data. Ini menunjukkan bahwa ML adalah alat analisis
data bukanlah fondasi banyak inovasi teknologi di masa depan.