mengenal teknologi artificial intelligence, machine...

Lisensi Dokumen: Copyright © 2008-2019 ilmuti.org

Seluruh dokumen di ilmuti.org dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial

(nonprofit), dengan syarat tidak menghapus atau merubah atribut penulis dan pernyataan copyright yang disertakan dalam setiap

dokumen. Tidak diperbolehkan melakukan penulisan ulang, kecuali mendapatkan ijin terlebih dahulu dari ilmuti.org

Mengenal Teknologi Artificial Intelligence, Machine

Learning, dan Deep Learning

Melani Rapina Tangkaw

[email protected]

Abstrak

Perkembangan teknologi sudah semakin pesat dan telah menghasilkan

inovasi yang membantu manusia dalam kehidupan sehari-hari. Dengan

kecanggihan teknologi dan semakin kuatnya kemampuan komputasi dari

komputer, banyak aplikasi dan algoritma yang sebelumnya tidak

memungkinkan untuk diterapkan di komputer jinjing atau telpon genggam

sekarang bisa diimplementasikan dengan mudah, salah satu teknologi yang

terus dikaji dan mengalami pengembangan ialah kecerdasan buatan.

Namun masih banyak yang belum mengetahui apa yang dimaksud dengan

kecerdasan buatan. Maka dari itu, penulis bertujuan untuk menjelaskan

kecerdasan buatan yaitu berupa artificial intelligence, machine learning,

dan deep learning. Pemanfaatan teknologi kecerdasan buatan atau artificial

intelligence (AI) saat ini sudah terjadi di mana-mana. Berbagai perusahaan

telah memanfaatkan teknologi masa depan ini untuk mengembangkan

bisnisnya. Dalam pengembangan AI sendiri, melahirkan dua konsep

kecerdasan buatan yaitu machine learning dan deep learning.

mailto:[email protected]

https://kumparan.com/topic/kecerdasan-buatan/terkini





Kata Kunci: teknologi, kecerdasan buatan, artificial intelligence, machine learning,

deep learning.

Pendahuluan

Pada era digital seperti sekarang ini, makin maraknya penggunaan teknologi

dalam kehidupan sehari-hari membuat para ahli mengembangkan inovasi teknologi

mutahir, salah satu teknik yang menjadi populer adalah kecerdasan buatan atau

Artificial Intelligence (AI) menjadi terkenal karena banyak aplikasi jenis ini yang

sekarang bisa ditemui sehari hari seperti siri pada iPhone dan speech recognition atau

pengenal suara pada telpon seluler Android. Namun, masih banyak yang belum

mengetahui teknologi kecerdasan buatan tersebut. Dalam artikel ini, penulis akan

menjabarkan pengertian dan implementasi dari artificial intelligence, machine learning,

dan deep learning agar pembaca dapat mengetahui perbedaan dari ketiga nya dan

mengetahui implementasi atau contoh aplikasi yang menggunakan salah satu dari ketiga

kecerdasan buatan tersebut. Dengan adanya artikel ini yang menjelaskan ketiga

kecerdasan buatan, diharapkan dapat lebih menambah pengetahuan pembaca dan

menumbuhkan semangat untuk mempelajari bahkan mengembangkan teknoogi untuk

dapat bermanfaat bagi masyarakat luas, serta ikut berperan dalam pertumbuhan

teknologi yang semakin pesat.





Pembahasan

I. Pengertian Kecerdasan Buatan (AI, ML, DL)

Kecerdasan buatan adalah kecerdasan yang ditambahkan kepada suatu

sistem yang bisa diatur dalam konteks ilmiah atau bisa disebut juga intelegensi

artifisial (bahasa Inggris: Artificial Intelligence) atau hanya disingkat AI,

didefinisikan sebagai kecerdasan entitas ilmiah. Andreas Kaplan dan Michael

Haenlein mendefinisikan kecerdasan buatan sebagai “kemampuan sistem untuk

menafsirkan data eksternal dengan benar, untuk belajar dari data tersebut, dan

menggunakan pembelajaran tersebut guna mencapai tujuan dan tugas tertentu

melalui adaptasi yang fleksibel”.

Sistem seperti ini umumnya dianggap

komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin

(komputer) agar dapat melakukan pekerjaan seperti yang dapat

dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan

buatan antara lain sistem pakar, permainan komputer (games), logika

fuzzy, jaringan saraf tiruan dan robotika.

a. Machine Learning

Machine Learning (ML) atau pembelajaran mesin merupakan pendekatan dalam

AI yang banyak digunakan untuk menggantikan atau menirukan perilaku manusia untuk

menyelesaikan masalah atau melakukan otomatisasi. Sesuai namanya, ML mencoba

menirukan bagaimana proses manusia atau makhluk cerdas belajar dan mengeneralisasi.

Setidaknya ada dua aplikasi utama dalam ML yaitu, klasifikasi dan prediksi . Ciri khas

dari ML adalah adanya proses pelatihan, pembelajaran, atau training. Oleh karena itu,

ML membutuhkan data untuk dipelajari yang disebut sebagai data training. Klasifikasi

adalah metode dalam ML yang digunakan oleh mesin untuk memilah atau

mengklasifikasikan obyek berdasarkan ciri tertentu sebagaimana manusia mencoba

membedakan benda satu dengan yang lain.

https://id.wikipedia.org/wiki/Bahasa_Inggris

https://id.wikipedia.org/w/index.php?title=Andreas_Kaplan&action=edit&redlink=1

https://id.wikipedia.org/w/index.php?title=Michael_Haenlein&action=edit&redlink=1

https://id.wikipedia.org/w/index.php?title=Michael_Haenlein&action=edit&redlink=1

https://id.wikipedia.org/wiki/Komputer

https://id.wikipedia.org/wiki/Manusia

https://id.wikipedia.org/wiki/Sistem_pakar

https://id.wikipedia.org/wiki/Permainan_komputer

https://id.wikipedia.org/wiki/Logika_Fuzzy

https://id.wikipedia.org/wiki/Logika_Fuzzy

https://id.wikipedia.org/w/index.php?title=Jaringan_Saraf_Tiruan_(Artificial_Neural_Networks)&action=edit&redlink=1

https://id.wikipedia.org/wiki/Robot





Gambar 1. Machine learning

Contoh sederhana dari algoritma machine learning bisa dilihat pada layanan

streaming musik on demand. Untuk memberikan daftar lagu baru atau musisi yang akan

direkomendasikan, maka algoritmanya akan berkaitan dengan preferensi si pendengar

dengan jenis musik yang mirip. Machine learning telah memperkuat semua proses

otomatisasi dan tersebar di berbagai industri, mulai dari perusahaan keamanan yang

memburu malware hingga perusahaan e-commerce yang menggunakannya untuk

mempelajari produk yang paling disukai konsumen. Algoritma dari machine learning

memang kompleks, tapi masih sangat 'mesin', artinya ia hanya mampu melakukan apa

yang telah dirancang oleh penciptanya. Tidak lebih, tidak kurang.

b. Deep Learning

Dalam istilah praktis, deep learning merupakan bagian dari machine learning.

Sebuah model machine learning perlu 'diberitahu' untuk bagaimana ia menciptakan

prediksi akurat, dengan terus diberikan data. Sementara model deep learning dapat

mempelajari metode komputasinya sendiri, dengan 'otaknya' sendiri, apabila

diibaratkan.

Sebuah model deep learning dirancang untuk terus menganalisis data dengan struktur

logika yang mirip dengan bagaimana manusia mengambil keputusan. Untuk dapat





mencapai kemampuan itu, deep learning menggunakan struktur algoritma berlapis yang

disebut artificial neural network (ANN).

Desain ANN terinspirasi dari jaringan neural biologis dari otak manusia. Hal ini

membuat mesin kecerdasannya menjadi jauh lebih tangguh dibandingkan model

machine learning standar.

Rumit memang untuk memastikan model deep learning yang diciptakan tidak

memberikan kesimpulan yang tidak tepat. Tapi ketika ia telah bekerja dengan benar,

maka fungsi deep learning akan menjadi terobosan yang berpotensi menjadi tulang

belakang sebuah kecerdasan buatan sebenarnya.

Data-data yang digunakan dalam sebuah deep learning sangatlah penting, karena

semakin banyak datanya, maka semakin banyak yang bisa dipahami model deep

learning tersebut. Contoh dari penggunaan model deep learning bisa dilihat dari

AlphaGo-nya Google. Google menciptakan program komputer yang belajar bermain

sebuah game sejenis catur dari China bernama Go. Tentunya, game ini membutuhkan

pemikiran dan intuisi yang tajam untuk menang. Dengan bermain melawan pemain Go

profesional, deep learning AlphaGo mempelajari bagaimana ia bermain di tingkat yang

belum terjamah sebelumnya dalam kecerdasan buatan. Hebatnya, apa yang

dilakukannya tanpa instruksi apapun ketika melancarkan gerakan-gerakan spesifik. Saat

si pemain AlphaGo berjasil mengalahkan sejumlah pemain Go 'nyata' dunia, dunia

melihat bagaimana cerdasnya sebuah mesin yang bahkan bisa mengungguli manusia.

II. Perkembangan Kecerdasan Buatan

Bermula di era Yunani Kuno, kecerdasan buatan mengalami pertumbuhan

signifikan sampai hari ini. Setidaknya, hal tersebut tergambar dari peningkatan dana

investasi di bidang kecerdasan buatan. Menurut situs forbes.com, investasi di bidang

kecerdasan buatan mengalami pertumbuhan dari 29 Juta USD (386 triliun rupiah, kurs

https://kumparan.com/topic/google/terkini





Rp. 13.300) menjadi 39 Juta USD (519 triliun Rupiah, kurs Rp. 13.300) di tahun 2016.

Pertumbuhan ini meningkat 3x dibanding tahun 2013.

Perusahaan teknologi seperti Google, Baidu, Amazon, bahkan Netflix tercatat

menambah anggaran untuk pengembangan kecerdasan buatan pada platform-nya. Pun

perusahaan di bidang teknologi, otomotif, telekomunikasi, dan finansial sangat antusias

untuk mengaplikasikan kecerdasan buatan pada produk atau service-nya.

Artificial Intelligence

Kecerdasan Buatan atau Artificial Intelligence (AI) adalah teknik yang

digunakan untuk meniru kecerdasan yang dimiliki oleh makhluk hidup maupun benda

mati untuk menyelesaikan sebuah persoalan. Untuk melakukan hal ini, setidaknya ada

tiga metode yang dikembangkan, yaitu :

1. Fuzzy Logic(FL).

Teknik ini digunakan oleh mesin untuk mengadaptasi bagaimana makhluk hidup

menyesuaikan kondisi dengan memberikan keputusan yang tidak kaku 0 atau 1.

Sehingga dimunculkan sistem logika fuzzy yang tidak kaku. Penerapan logika

fuzzy ini salah satunya adalah untuk sistem pengereman kereta api di Jepang.

2. Evolutionary Computing(EC).

Pendekatan ini menggunakan skema evolusi yang menggunakan jumlah individu

yang banyak dan memberikan sebuah ujian untuk menyeleksi individu terbaik

untuk membangkitkan generasi selanjutnya. Seleksi tersebut digunakan untuk

mencari solusi dari suatu permasalahan. Contoh dari pendekatan ini adalah

Algoritme Genetika yang menggunakan ide mutasi dan kawin silang, Particle

Swarm Optimization (PSO) yang meniru kumpulan binatang seperti burung dan

ikan dalam mencari mangsa, Simulated Annealing yang menirukan bagaimana

logam ditempa, dan masih banyak lagi.





3. Machine Learning (ML) atau pembelajaran mesin merupakan teknik yang paling

populer karena banyak digunakan untuk menggantikan atau menirukan perilaku

manusia untuk menyelesaikan masalah. Sesuai namanya ML mencoba

menirukan bagaimana proses manusia atau makhluk cerdas belajar dan

mengeneralisasi.

III. Hubungan antara Artificial Intelligence, Machine Learning, dan Deep

Learning

Artificial Intelligence bisa diibaratkan payung yang lebih luas di mana Machine

Learning (ML) dan Deep Learning (DL) berada dalam lingkupnya. Diagram ini

menunjukkan, ML adalah bagian dari AI, dan DL adalah bagian dari ML.

Gambar 2. Hubungan Artificial intelligence, Machine Learning dan Deep

Learning





Machine learning (ML) vs Deep learning (DL)

Gambar 3. Machine learning vs Deep learning

Hal paling mudah untuk memahami perbedaan antara Machine Learning dengan

Deep Learning adalah “DL is ML”. Lebih spesifik, Deep Learning adalah evolusi dari

Machine Learning. Mari kita ambil beberapa parameter penting untuk membandingkan

antara Machine Learning dengan Deep Learning.

1. Ketergantungan Data

Perbedaan terpenting antara keduanya adalah kinerja ketika ukuran data

meningkat. Dari grafik di bawah ini kita dapat kita lihat bahwa ukuran data yang kecil

Deep Learning tidak melakukannya dengan baik, mengapa demikian? Hal ini karena

algoritma Deep Learning membutuhkan sejumlah besar data untuk memahaminya

dengan sempurna. Di sisi lain, Machine Learning bekerja sempurna pada data set yang

lebih kecil.





Gambar 4. Grafik contoh ketergantungan data

2. Ketergantungan Hardware

Algoritma Deep Learning sangat tergantung pada mesin high end sementara

algoritma Machine Learning dapat bekerja pada mesin low end. Hal ini karena

kebutuhan algoritma Deep Learning memerlukan GPU yang merupakan bagian integral

dari kerjanya. GPU diperlukan karena mereka melakukan operasi perkalian matriks

dalam jumlah besar dan operasi ini hanya dioptimalkan secara efisien jika mereka

menggunakan GPU.

3. Rekayasa fitur

Merupakan proses menempatkan pengetahuan domain untuk mengurangi

kerumitan data dan membuat pola lebih terlihat untuk mempelajari algoritma. Proses ini

sulit dan mahal dalam hal waktu dan keahlian. Pada kasus Machine Learning, sebagian

besar fitur perlu diidentifikasi oleh ahli dan kemudian dikodekan sesuai dengan domain

dan tipe data. Kinerja Machine Learning tergantung pada seberapa akurat fitur





diidentifikasi dan diekstraksi. Tetapi pada Deep Learning akan mencoba untuk

mempelajari fitur-fitur tingkat tinggi dari data, maka karena inilah Deep Learning lebih

unggul dari Machine Learning.

4. Pendekatan Pemecahan Masalah

Saat kita menyelesaikan masalah menggunakan Machine Learning, disarankan

untuk memecah masalah menjadi sub bagian terlebih dahulu, menyelesaikannya satu

per satu, lalu menggabungkannya untuk mendapatkan hasil akhir. Di sisi lain dalam

Deep Learning pemecahan masalah dilakukan dari ujung ke ujung. Sebagai contoh,

dalam mendeteksi objek ganda yaitu apa objeknya dan di mana ia berada dalam suatu

gambar.

Gambar 5. Contoh cara sistem mendeteksi suatu objek





Jadi mari kita lihat bagaimana masalah ini ditangani menggunakan Machine

Learning dan Deep Learning. Dalam pendekatan Machine Learning, kita akan membagi

masalah dalam 2 bagian. deteksi objek dan pengenalan objek. Kita akan menggunakan

algoritma seperti mendeteksi kotak tadi untuk memindai dalam sebuah gambar dan

mendeteksi semua objek kemudian menggunakan algoritma pengenalan objek agar

dapat mengenali objek yang relevan. Ketika kita menggabungkan hasil dari kedua

algoritma, kita akan mendapatkan hasil akhir bahwa apa objeknya dan di mana ia berada

di dalam gambar. Dalam Deep Learning hal ini akan melakukan proses dari ujung ke

ujung. Artinya kita akan mengirimkan gambar ke suatu algoritma yang kemudian akan

memberikan lokasinya bersama dengan nama objek.

5. Waktu Eksekusi

Algoritma Deep Learning membutuhkan banyak waktu dalam eksekusinya.

Disebabkan karena begitu banyaknya parameter dalam algoritma Deep Learning yang

membutuhkan eksekusi lebih lama dari biasanya. Sedangkan dalam Machine Learning

waktu eksekusi relatif lebih sedikit dibandingkan dengan Deep Learning.

6. Interpretasi

Merupakan pandangan bagaimana orang menganggapnya sebelum

menggunakannya di dunia industri. Misalkan kita menggunakan Deep Learning untuk

memberikan penilaian esai secara otomatis. Kinerja yang diberikannya sangat baik dan

sama dengan manusia tetapi ada beberapa masalah yang tidak kita ketahui mengapa ia

memberikannya jumlah nilai segitu, memang secara matematis mungkin untuk

mengetahui node mana dari dalam jaringan saraf yang diaktifkan pada waktu itu, tetapi

kita tidak tahu apa yang dimodelkan oleh neuron dan apa yang dilakukan lapisan-

lapisan ini secara kolektif. Jadi kita gagal menginterpretasikan hasil tersebut, tetapi

dalam algoritma Machine Learning layaknya pohon keputusan yang memberikan kita





aturan tajam bahwa mengapa ia memilih apa yang dipilihnya sehingga mudah untuk

menafsirkan alasan di belakangnya.

Penutup

Dari penjelasan diatas dapat disimpulkan bahwa :

1. kecerdasan buatan merupakan hasil penemuan yang sangat mengubah dunia,

mengubah kehidupan manusia, dan membantu pekerjaan manusia.

2. Awal mula kecerdasan buatan (artificiall intelligence), lalu dikembangkan

menjadi machine learning, dan deep learning.

3. Antara machine learning dan deep learning memiliki perbedaan dalam cara kerja

atau sistem nya.

4. Telah banyak produk-produk kecerdasan buatan yang digunakan oleh manusia

untuk menunjang kebutuhan hidup sehari-hari.

5. Dengan adanya kecerdasan buatan diharapkan dapat mengubah pola pikir

manusia agar lebih maju dan menganggap IT adalah ladang untuk dipelajari.

Perkembangan ilmu teknologi diharapkan mampu mengubah kehidupan manusia

menjadi lebih baik lagi serta membantu manusia dalam memenuhi kebutuhannya, untuk

itu kita sebagai mahasiswa harus lebih membuka mata dan terbuka dengan

perkembangan teknologi. Semoga artikel ini bermanfaat bagi pembaca sekalian.





Referensi

1. researchgate.net/publication/320395378_Mengenal_Artificial_Intelligence_Mac

hine_Learning_Neural_Network_dan_Deep_Learning

2. kumparan.com/mengenal-teknologi-deep-learning-dan-machine-learning-

27431110790425965

3. techinasia.com/memahami-istilah-terkait-ai-dan-perkembangannya

4. linkedin.com/pulse/mengenal-ai-machine-learning-dan-deep-untuk-otomasi-

manshur

5. wikipedia.org/wiki/Kecerdasan_buatan

6. rifqifai.com/hubungan-antara-artificial-intelligence-machine-learning-dan-deep-

learning/





Biografi

Nama Saya Melani Rapina Tangkaw, biasa dipanggil Mel atau Melani, Saya lahir di

Lampung, 01 Juli 1998. Saya adalah mahasiswi jurusan Sistem Informasi konsentrasi

Sistem Informasi Manajemen (SIM). Saya mulai aktif berkuliah sejak tahun 2016.

Senang bisa belajar ilmu tentang IT, karena Saya terus belajar ilmu baru dan bertemu

teman-teman yang mengasyikan. Selain itu belajar tentang IT selalu tak pernah ada

habisnya, karena teknologi yang semakin berkembang menuntut kita untuk mengejar

dan mempelajari teknologi baru. Hobby saya ngoding, makan, dan membaca artikel.

Semoga artikel yang saya tulis dapat bermanfaat bagi teman-teman codingers semua.

Sekian, terimakasih.

mengenal teknologi artificial intelligence, machine...

Documents