BAB 1. PENGENALAN ARTIFICIAL INTELLIGENCE
1.1 Pengertian Artificial Intelligence
Artificial Intelligence (AI) atau kecerdasan artifisial adalah bidang ilmu komputer yang mengembangkan sistem agar mampu melakukan tugas yang biasanya membutuhkan kemampuan kecerdasan manusia, seperti mengenali pola, memahami bahasa, membuat prediksi, memecahkan masalah, dan menghasilkan konten.
Contohnya, ketika seseorang menggunakan aplikasi navigasi untuk mencari rute tercepat, sistem dapat menganalisis informasi perjalanan dan memperkirakan rute yang sesuai.
Contoh lainnya adalah chatbot yang menjawab pertanyaan, aplikasi yang mengenali wajah pada foto, dan sistem yang menyarankan video berdasarkan kebiasaan pengguna.
AI bukan berarti komputer mempunyai pikiran, perasaan, atau kesadaran seperti manusia. Sistem AI memproses data menggunakan metode komputasi untuk menghasilkan keluaran tertentu.
1.2 Mengapa AI dikembangkan?
AI dikembangkan untuk membantu manusia menyelesaikan berbagai pekerjaan secara lebih efektif.
Beberapa tujuan pengembangan AI adalah:
Otomatisasi: membantu menjalankan pekerjaan berulang.
Analisis data: menemukan pola dalam data berukuran besar.
Prediksi: memperkirakan kemungkinan suatu kejadian berdasarkan data.
Pengenalan pola: mengenali gambar, suara, tulisan, dan objek.
Pemrosesan bahasa: membantu memahami dan menghasilkan bahasa manusia.
Optimasi: mencari solusi yang sesuai terhadap suatu masalah.
Kreativitas berbantuan komputer: membantu menghasilkan teks, gambar, musik, dan ide.
AI tidak selalu lebih cepat, murah, akurat, atau lebih baik daripada manusia. Manfaatnya bergantung pada tugas, kualitas data, rancangan sistem, biaya, dan cara penggunaannya.
1.3 Sejarah singkat perkembangan AI
1950 — Alan Turing
Alan Turing mengajukan pertanyaan penting mengenai kemampuan mesin untuk menunjukkan perilaku yang tampak cerdas. Gagasannya turut membentuk diskusi awal mengenai kecerdasan mesin.
1956 — Istilah AI
Lokakarya Dartmouth menjadi salah satu tonggak penting yang menandai perkembangan AI sebagai bidang penelitian tersendiri.
1970-an–1980-an — Sistem pakar
Peneliti mengembangkan program yang menggunakan aturan dan pengetahuan tertentu untuk membantu menyelesaikan masalah dalam bidang khusus.
1997 — Deep Blue
Komputer IBM Deep Blue mengalahkan juara dunia catur Garry Kasparov dalam pertandingan enam gim.
2010-an — Kemajuan deep learning
Kemajuan komputasi, data, dan metode jaringan saraf mendorong perkembangan pengenalan gambar, suara, dan bahasa.
2020-an — AI generatif
AI generatif semakin luas digunakan untuk membantu membuat teks, gambar, audio, video, kode program, dan berbagai bentuk konten lainnya.
1.4 Contoh AI dalam kehidupan sehari-hari
Bidang | Contoh penggunaan | Manfaat |
|---|---|---|
Pendidikan | Tutor AI | Membantu memahami materi |
Kesehatan | Analisis citra medis | Membantu tenaga medis |
Transportasi | Prediksi lalu lintas | Mendukung pemilihan rute |
Perbankan | Deteksi transaksi mencurigakan | Membantu mengidentifikasi penipuan |
Perdagangan | Sistem rekomendasi | Menyarankan produk |
Pertanian | Analisis kondisi tanaman | Membantu pemantauan tanaman |
Industri | Pemeriksaan produk dengan kamera | Menemukan kemungkinan cacat |
Keamanan digital | Deteksi pola serangan | Membantu mengidentifikasi ancaman |
Hiburan | Rekomendasi film atau musik | Menyesuaikan rekomendasi dengan pengguna |
Komunikasi | Penerjemahan otomatis | Membantu komunikasi lintas bahasa |
Diskusi kelas: Pilih tiga contoh di atas. Jelaskan data yang mungkin digunakan, keluaran yang dihasilkan, manfaatnya, dan satu risiko yang perlu diperhatikan.
BAB 2. JENIS DAN KONSEP DASAR AI
2.1 AI, Machine Learning, Deep Learning, dan Generative AI
Keempat istilah ini saling berhubungan, tetapi tidak mempunyai arti yang sama.
Artificial Intelligence (AI)
Bidang luas pengembangan sistem cerdas
Machine Learning (ML)
Metode yang mempelajari pola dari data
Deep Learning (DL)
ML yang menggunakan jaringan saraf berlapis
AI generatif merupakan kategori yang tumpang tindih dengan metode ML dan DL; diagram ini hanya menyederhanakan hubungan utama.
A. Artificial Intelligence
AI merupakan bidang luas yang mencakup sistem berbasis aturan, pencarian solusi, perencanaan, pembelajaran mesin, dan berbagai metode lainnya.
Contoh: program yang mengikuti aturan tetap untuk menentukan apakah sebuah ruangan memenuhi syarat tertentu.
B. Machine Learning
Machine Learning atau pembelajaran mesin merupakan pendekatan yang memungkinkan sistem mempelajari pola dari data, alih-alih mengandalkan seluruh aturan yang ditulis secara manual.
Contoh: sistem mempelajari ciri pesan spam dari kumpulan pesan yang telah diberi label.
C. Deep Learning
Deep Learning menggunakan jaringan saraf tiruan dengan banyak lapisan untuk mempelajari representasi atau pola yang kompleks.
Contoh: sistem pengenalan suara, analisis gambar, dan sebagian besar model bahasa modern.
D. Generative AI
Generative AI atau AI generatif menghasilkan konten baru berdasarkan pola yang dipelajari selama pelatihan dan konteks yang diberikan saat digunakan.
Keluaran AI generatif dapat berupa:
Teks dan ringkasan.
Gambar dan ilustrasi.
Audio dan suara sintetis.
Video.
Kode program.
Kombinasi beberapa jenis media.
Contoh alat yang dapat dipelajari siswa adalah ChatGPT, Google Gemini, dan Claude. Fitur yang tersedia dapat berbeda menurut produk, versi, akun, dan pengaturan.
2.2 AI berbasis aturan dan AI yang belajar dari data
Aspek | AI berbasis aturan | AI berbasis pembelajaran |
|---|---|---|
Dasar kerja | Aturan yang ditetapkan | Pola yang dipelajari dari data |
Perubahan perilaku | Aturan harus diubah | Model dapat dilatih ulang |
Contoh | Sistem pakar sederhana | Pengenalan gambar |
Kelebihan | Mudah ditelusuri jika aturannya jelas | Dapat mengenali pola kompleks |
Keterbatasan | Sulit menangani semua situasi | Dapat keliru akibat data atau model |
Contoh AI berbasis aturan:
nilai = 85if nilai >= 75: print("Lulus")else: print("Belum lulus")Program tersebut bukan otomatis machine learning. Program hanya menjalankan aturan yang telah ditulis.
Contoh penerapan pembelajaran mesin adalah model yang mempelajari hubungan antara sejumlah faktor dan hasil kelulusan dari data historis. Prediksinya tetap perlu dievaluasi dan tidak boleh dijadikan satu-satunya dasar keputusan penting mengenai siswa.
2.3 Istilah penting dalam AI
Data: informasi yang digunakan atau diproses sistem.
Dataset: kumpulan data.
Algoritma: prosedur atau metode untuk memecahkan masalah.
Model: hasil komputasi atau struktur yang digunakan untuk menghasilkan prediksi atau keluaran.
Training: proses melatih model menggunakan data.
Inference: proses menggunakan model yang telah dilatih untuk menghasilkan keluaran.
Feature: karakteristik atau variabel yang digunakan model.
Label: jawaban atau kategori acuan dalam pembelajaran terawasi.
Prompt: instruksi atau masukan kepada AI generatif.
Token: satuan pemrosesan teks yang digunakan banyak model bahasa; token tidak selalu sama dengan satu kata.
Bias: kecenderungan sistem menghasilkan hasil yang tidak seimbang atau tidak adil.
Hallucination: keluaran AI yang mengandung informasi salah atau tidak didukung bukti, tetapi disampaikan seolah-olah benar.
BAB 3. BAGAIMANA MACHINE LEARNING BEKERJA?
3.1 Gambaran umum proses
1
Mengumpulkan data
Menghimpun contoh yang relevan dan memiliki izin penggunaan.
2
Membersihkan data
Memeriksa kesalahan, data ganda, dan informasi yang tidak relevan.
3
Melatih model
Model mempelajari pola menggunakan metode pembelajaran.
4
Menguji model
Menilai kinerja pada data yang tidak digunakan untuk pelatihan.
5
Menggunakan model
Model menerima masukan baru dan menghasilkan prediksi.
6
Memantau dan memperbaiki
Memeriksa kesalahan, dampak, dan perubahan kualitas.
3.2 Contoh: model pengenalan sampah
Sekolah ingin membuat sistem yang membantu membedakan sampah organik dan anorganik.
Langkah pembelajaran:
Kumpulkan gambar sampah yang beragam dan berizin untuk digunakan.
Beri label berdasarkan kategori yang telah didefinisikan.
Bagi data menjadi data pelatihan, validasi jika diperlukan, dan pengujian.
Latih model pengenalan gambar.
Uji model menggunakan gambar baru.
Analisis kesalahan dan perbaiki dataset atau model.
Contoh label:
Objek | Label |
|---|---|
Kulit pisang | Organik |
Daun kering | Organik |
Botol plastik | Anorganik |
Kaleng minuman | Anorganik |
Penting: klasifikasi ini merupakan penyederhanaan untuk kegiatan belajar. Kebijakan pemilahan sampah yang sebenarnya dapat bergantung pada bahan, kondisi, dan fasilitas pengolahan setempat.
3.3 Data pelatihan dan data pengujian
Data pelatihan digunakan agar model mempelajari pola. Data pengujian digunakan untuk mengevaluasi kinerja model pada contoh yang tidak digunakan saat pelatihan.
Jika model diuji menggunakan data yang sama dengan data pelatihan, hasil evaluasi dapat terlihat terlalu bagus dan tidak mencerminkan kemampuan pada data baru.
Kesalahan umum yang perlu dipahami adalah overfitting, yaitu ketika model terlalu menyesuaikan diri dengan data pelatihan sehingga kurang baik dalam menghadapi contoh baru.
3.4 Bagaimana mengukur kualitas model?
Misalnya model diuji terhadap 100 gambar dan mengklasifikasikan 85 gambar dengan benar.
Akurasi 85% berarti 85 dari 100 prediksi pada pengujian tersebut benar. Angka ini tidak otomatis membuktikan bahwa model cocok untuk semua kondisi.
Guru dapat memperkenalkan tiga konsep tambahan:
Precision: dari semua prediksi positif, berapa yang benar-benar positif?
Recall: dari semua kasus yang sebenarnya positif, berapa yang berhasil ditemukan?
Confusion matrix: tabel yang menunjukkan jumlah prediksi benar dan salah untuk setiap kategori.
Untuk tingkat kelas X, pemahaman konsep dan interpretasi contoh lebih diutamakan daripada perhitungan metrik yang rumit.
BAB 4. BAGAIMANA GENERATIVE AI DAN CHATBOT BEKERJA?
4.1 Konsep dasar model bahasa
Model bahasa besar atau Large Language Model (LLM) merupakan model yang dilatih untuk mempelajari pola bahasa dari data dalam jumlah besar.
Secara sederhana, model bahasa menghasilkan teks dengan memperkirakan token berikutnya berdasarkan konteks sebelumnya. Proses ini berlangsung berulang kali sehingga membentuk kalimat, paragraf, penjelasan, atau kode.
Contoh:
Pengguna memasukkan pertanyaan:
Jelaskan fotosintesis untuk siswa kelas X SMA menggunakan bahasa sederhana.
Sistem memproses instruksi dan konteks, kemudian menghasilkan jawaban berdasarkan pola yang dipelajarinya serta informasi yang tersedia dalam konteks percakapan.
Namun, model bahasa tidak selalu mempunyai akses ke fakta terkini, tidak selalu memverifikasi jawabannya, dan dapat menghasilkan informasi yang keliru. Kemampuan tersebut bergantung pada model dan fitur yang digunakan.
0 Comments
Post a Comment