Pengantar Kecerdasan Buatan
Ringkasan
AI adalah cabang ilmu komputer yang membuat mesin mampu melakukan tugas yang biasanya butuh kecerdasan manusia: melihat, mendengar, memahami bahasa, bernalar, belajar dari pengalaman, lalu memutuskan dan bertindak untuk mencapai tujuan. AI tidak selalu robot fisik; banyak hadir sebagai perangkat lunak (rekomendasi, chatbot). Kerja AI = tujuan + data + model/aturan + komputasi. Hasil AI perlu dievaluasi manusia, terutama untuk keputusan berdampak besar.
Konsep Kunci
1. Definisi AI
- AI meniru sebagian kemampuan kognitif manusia: terima informasi, olah data, kenali pola, susun prediksi, hasilkan keputusan/tindakan.
- Bukan sekadar program kaku; bisa belajar dan menyesuaikan keluaran dari data.
2. Enam Kemampuan Utama
- Persepsi: baca lingkungan via teks, gambar, suara, video, data sensor.
- Pembelajaran: temukan pola dalam data agar kinerja meningkat.
- Penalaran: hubungkan fakta, aturan, probabilitas untuk pilih solusi.
- Bahasa: pahami, ringkas, terjemahkan, hasilkan bahasa manusia.
- Perencanaan: susun urutan tindakan untuk capai target.
- Aksi: beri rekomendasi, kendalikan proses, gerakkan robot.
3. Ruang Lingkup AI
- Machine Learning (ML): belajar dari contoh data untuk klasifikasi, prediksi, clustering.
- Deep Learning (DL): bagian ML pakai jaringan saraf berlapis; efektif untuk data kompleks.
- Natural Language Processing (NLP): pahami, analisis, hasilkan bahasa manusia.
- Computer Vision (CV): kenali objek, wajah, teks, kejadian dari gambar/video.
- Robotics: gabungan AI + sensor + aktuator; rasakan lingkungan dan bertindak.
- Sistem Pakar: basis pengetahuan + aturan untuk saran pada domain sempit.
4. AI vs Otomasi Biasa
| Aspek | Otomasi biasa | AI |
|---|---|---|
| Cara kerja | Ikuti langkah/aturan tetap | Pakai data/model, kenali pola, sesuaikan keluaran |
| Contoh | Kirim email otomatis tiap Senin | Sarankan waktu kirim email paling mungkin dibuka |
| Perubahan | Butuh aturan baru bila kondisi berubah | Dilatih/diperbarui pakai data relevan |
- Praktik umum: AI buat prediksi/rekomendasi, otomasi jalankan tindakan rutin.
5. Sejarah Singkat
- 1950: Alan Turing usul Turing Test untuk nilai kecerdasan mesin.
- 1956: Istilah “Artificial Intelligence” populer di Dartmouth Workshop; awal formal bidang AI.
- 1960–1980: Riset pemecahan masalah + sistem berbasis aturan; terhambat data dan komputasi.
- 1980-an: Sistem pakar dipakai tiru pengetahuan spesialis domain sempit.
- 1990–2000-an: ML naik karena data digital, algoritme, daya komputasi meningkat.
- 2010-an–kini: Deep learning + AI generatif dorong lompatan visi, suara, bahasa, pembuatan konten.
6. Aplikasi di Berbagai Sektor
- Kesehatan: analisis citra medis, administrasi, pantau pasien, riset obat. Keputusan klinis tetap butuh tenaga profesional.
- Pendidikan: latihan adaptif, umpan balik, materi personal, asisten belajar.
- Keuangan: deteksi transaksi mencurigakan, kelola risiko, layanan pelanggan, analisis dokumen.
- Transportasi: navigasi, prediksi macet, optimasi rute, bantuan pengemudi.
- Bisnis & layanan: klasifikasi dokumen, peramalan permintaan, rekomendasi produk, chatbot.
- Industri & pertanian: deteksi cacat produk, pemeliharaan prediktif, pantau tanaman/mesin.
7. Contoh Sehari-hari
- Rekomendasi konten: video/belanja sarankan konten dari riwayat dan pola pengguna.
- Peta digital: estimasi waktu tempuh + rute dari data lalu lintas.
- Penyaring spam: nilai karakteristik pesan, pisahkan email mencurigakan.
- Asisten virtual: suara/chatbot pakai NLP untuk jawab pertanyaan.
- Kamera ponsel: pengenal wajah, mode malam, kelompok foto pakai CV.
- Penerjemahan: tebak padanan kalimat dari pola bahasa data latih.
8. Manfaat dan Keterbatasan
Manfaat:
- Olah informasi skala besar dengan cepat.
- Temukan pola sulit diamati manual.
- Konsisten pada tugas rutin berulang.
- Dukung kreativitas, analisis, pengambilan keputusan.
Keterbatasan/risiko:
- Hasil bisa keliru, tak lengkap, tak sesuai konteks.
- Bias data → keputusan tidak adil.
- Data pribadi/sensitif perlu dilindungi.
- Pengguna wajib cek sumber, fakta, dampak keputusan.
9. Prinsip Penggunaan Bertanggung Jawab
- Manusia tetap mengawasi: penilaian manusia untuk keputusan penting (kesehatan, pendidikan, keuangan, hak seseorang).
- Lindungi data: jangan masukkan data pribadi/rahasia ke sistem tanpa izin dan perlindungan memadai.
- Periksa hasil: verifikasi fakta, hitungan, sumber, konteks sebelum pakai keluaran AI.
- Waspadai bias: cek apakah hasil/data rugikan kelompok tertentu atau kuatkan stereotip.
- Transparan: jelaskan bila pekerjaan/keputusan dibantu AI, sesuai aturan berlaku.
Contoh (dengan perhitungan)
Tidak ada perhitungan pada sumber ini. Contoh penalaran klasifikasi spam (ilustrasi konsep, bukan angka dari slide):
- Email masuk dengan kata “gratis”, “menang”, “klik link”.
- Model nilai karakteristik → skor spam > ambang → masuk folder spam.
- Inti: persepsi (baca teks) → pembelajaran (pola dari data latih) → penalaran (banding ambang) → aksi (pisahkan email).
Keterkaitan
- Prasyarat: tidak ada (halaman pertama matkul ini).
- Lanjutan: materi Pertemuan 4 (belum di-ingest; PDF hasil scan, butuh OCR).