Modul 2 - TA - DTS2021 [PDF]

Citation preview

KATA PENGANTAR Era Digitalisasi pada Industri 4.0 di Indonesia saat ini dihadapkan pada tantangan hadirnya permintaan dan penawaran talenta digital dalam mendukung perkembangan ekosistem industri teknologi. Tantangan tersebut perlu dihadapi salah satunya melalui kegiatan inovasi dan inisiasi dari berbagai pihak dalam memajukan talenta digital Indonesia, baik dari pemerintah maupun mitra kerja pemerintah yang dapat menyiapkan angkatan kerja muda sebagai talenta digital Indonesia. Kementerian Komunikasi dan Informatika melalui Badan Penelitian dan Pengembangan Sumber Daya Manusia sejak tahun 2018-2019, telah menginisiasi Program Digital Talent Scholarship yang telah berhasil dianugerahkan kepada 26.000 penerima pelatihan di bidang teknologi informasi dan komunikasi. Program Digital Talent Scholarship ini ditujukan untuk memberikan pelatihan dan sertifikasi tema-tema bidang teknologi informasi dan komunikasi, diharapkan menjadi bagian untuk memenuhi permintaan dan penawaran talenta digital Indonesia. Tahun ini, Program Digital Talent Scholarship menargetkan pelatihan peningkatan kompetensi bagi 60.000 peserta yang bertujuan untuk meningkatkan keterampilan dan daya saing SDM bidang teknologi informasi dan komunikasi sebagai bagian dari program pembangunan prioritas nasional. Program pelatihan DTS 2021 ditujukan untuk meningkatkan keterampilan, keahlian angkatan kerja muda Indonesia, masyarakat umum dan aparatur sipil negara di bidang teknologi informasi dan komunikasi sehingga dapat meningkatkan produktivitas dan daya saing bangsa di era Industri 4.0. Program DTS 2021 secara garis besar dibagi menjadi Tujuh akademi, yaitu: Fresh Graduate Academy (FGA), Program pelatihan berbasis kompetensi bersama GlobalTech yang ditujukan kepada peserta pelatihan bagi lulusan S1 bidang TIK dan MIPA, dan terbuka bagi penyandang disabilitas; Vocational School Graduate Academy (VSGA), Program pelatihan berbasis kompetensi nasional yang ditujukan kepada peserta pelatihan bagi lulusan SMK dan Pendidikan Vokasi bidang TI, Telekomunikasi, Desain, dan Multimedia; Coding Teacher Academy (CTA), Program pelatihan merupakan program pelatihan pengembangan sumberdaya manusia yang ditujukan kepada peserta pelatihan bagi Guru setingkat SMA/SMK/MA/SMP/SD di bidang pemrograman. Online Academy (OA), Program pelatihan OA merupakan program pelatihan Online di bidang Teknologi Informasi yang ditujukan kepada peserta pelatihan bagi Masyarakat umum, ASN, mahasiswa, dan pelaku industri; Thematic Academy (TA), Program pelatihan TA merupakan program pelatihan multisektor bagi pengembangan sumberdaya manusia yang ditujukan kepada peserta pelatihan dari jenjang dan multidisiplin yang berbeda; Regional Development Academy (RDA), Program pelatihan RDA merupakan program pelatihan pengembangan sumberdaya manusia yang ditujukan untuk meningkatkan kompetensi ASN di Kawasan Prioritas Pariwisata dan 122 Kabupaten Prioritas Pembangunan. Digital Entrepreneurship Academy (DEA), Program pelatihan DEA merupakan program pelatihan pengembangan sumberdaya manusia yang ditujukan kepada talenta digital di bidang Usaha Mikro, Kecil, dan Menengah (UMKM). Selamat mengikuti Pelatihan Digital Talent Scholarship, mari persiapkan diri kita menjadi talenta digital Indonesia. Jakarta, 24 Februari 2021 Kepala Badan Penelitian dan Pengembangan Sumber Daya Manusia Kementerian Komunikasi dan Informatika Republik Indonesia Dr. Hary Budiarto, M.Kom



Pendahuluan Latar belakang



Tujuan Pembelajaran A. Tujuan Umum Setelah mempelajari modul ini peserta latih diharapkan mampu menjelaskan lingkup pelatihan Artificial Intelligence untuk membuat sistem intelijen dari data menggunakan metodologi Data Science sesuai SKKNI. B. Tujuan Khusus Adapun tujuan mempelajari unit kompetensi melalui modul Pengantar Pelatihan AI untuk Instruktur ini adalah untuk menyiapkan peserta latih sehingga pada akhir pelatihan diharapkan memiliki kemampuan sebagai berikut: 1. Mampu menjelaskan lingkup pelatihan bidang Artificial Intelligence 2. Mampu menjelaskan lingkup kompetensi yang diperlukan pada pengembangan sistem intelijensi menggunakan data 3. Mampu memasang tools utama yang diperlukan untuk menyelesaikan masalah dengan menggunakan data science. Latar Belakang Unit kompetensi ini dinilai berdasarkan tingkat kemampuan peserta dalam memahami konsep dasar AI termasuk konsep dari teknologi AI. Adapun penilaian dilakukan dengan menggabungkan serangkaian metode untuk menilai kemampuan dan penerapan pengetahuan pendukung penting. Penilaian dilakukan dengan mengacu kepada Kriteria Unjuk Kerja (KUK) dan dilaksanakn di Tempat Uji Kompetensi (TUK), ruang simulasi atau workshop dengan cara: 1.1. Lisan 1.2. Wawancara 1.3. Tes tertulis 1.4. Metode lain yang relevan Deskripsi Pelatihan Materi ini berisi penjelasan mengenai konsep dasar AI termasuk konsep teknologi AI dan cabang AI.



Kompetensi Dasar A. Mampu memahami konsep dasar Artificial Intelligence B. Mampu mengidentifikasi konsep teknologi pada sebuah aplikasi AI Indikator Hasil Belajar



Dapat melakukan identifikasi konsep teknologi AI yang digunakan pada sebuah aplikasi AI dan memahami konsep dasar pada berbagai teknologi AI



INFORMASI PELATIHAN Akademi



Thematic Academy



Mitra Pelatihan



Kementerian Komunikasi dan Informatika



Tema Pelatihan



Data Scientist: Artificial Intelligence untuk Dosen dan Instruktur



Sertifikasi



• •



Persyaratan Sarana Peserta/spesifikasi device Tools/media ajar yang akan digunakan



Memiliki laptop/komputer dengan spesifikasi minimal : • RAM minimal 2 GB (disarankan 4 GB) • Laptop dengan 32/64-bit processor • Laptop dengan Operating System Windows 7, 8, 10, MacOS X atau Linux • Laptop dengan konektivitas WiFi dan memiliki Webcam • Akses Internet Dedicated 126 kbps per peserta per perangkat • Memiliki aplikasi Zoom • Memiliki akun Google Colab



Aplikasi yang akan digunakan selama pelatihan Tim Penyusun



Certificate of Attainment; Sertifikat Kompetensi Associate Data Scientist



• •



Spyder Jupyter notebook



Tim Pusat AI ITB (PUI-PT AI-VLB): • Dwi Hendratmo Widyantoro • Masayu Leylia Khodra • Nur Ulfa Maulidevi • Dessi Puji Lestari • Windy Gambetta • Nugraha Priya Utama • Ayu Purwarianti



INFORMASI PEMBELAJARAN Unit Kompetensi



Materi pembelajaran



Kegiatan pembelajaran



Durasi Pelatihan



Rasio



Praktek : Teori



Sumber pembelajaran



Mampu menjelaskan konsep dasar AI dengan benar dan mengidentifikasi konsep teknologi AI yang digunakan pada sebuah aplikasi AI



Modul dan Slide dalam memahami konsep dasar AI



Daring/online



Live Class 2JP LMS 4JP



40:60



[1] Stuart J Russell & Peter Norvig, Artificial Intelligence: A Modern Approach, 3rd Edition, Prentice-Hall International, Inc, 2010 [2] Ayu Purwarianti, Bambang Riyanto, Dessi Puji Lestari, Intan Muchtadi Alamsyah, Nugraha Priya Utama, Ridwan Sutriadi, Sapto Wahyu Indratno, Sophi Damayanti, “Artificial Intelligence di Masa Pandemi”, ITB Press, 2021



Materi Pokok Penjelasan konsep dasar AI termasuk konsep teknologi AI dan cabang AI



Sub Materi Pokok • • • • • • •



Definisi Artificial Intelligence Perancangan Intelligent Agent Jenis Teknologi Artificial Intelligence Teknologi AI sebagai bagian dari Revolusi Industri 4.0 Perkembangan Teknologi Artificial Intelligence Penerapan Teknologi Artificial Intelligence Tantangan dalam Pengembangan Teknologi Artificial Intelligence di Indonesia



MATERI PELATIHAN A. Definisi Artificial Intelligence Terdapat berbagai istilah mengenai Artificial Intelligence (AI), diantaranya adalah seperti yang tertera pada [1] dimana terdapat 4 macam definisi AI yaitu berfikir rasional, bertindak rasional, berfikir seperti manusia dan bertindak seperti manusia. Pengertian setiap definisi ini dapat dilihat pada tabel berikut. Tabel 1. Empat Konsep Definisi Artificial Intelligence[1]



Thinking Humanly “The exciting new effort to make computers think.. Machines with minds, in the full and literal sense” (Haugeland, 1985) “[The automation of] activities that we associate with human thinking, activities such as decision making, problem solving, learning …” (Bellman, 1978)



Thinking Rationally “The study of mental faculties through the use of computational models.” (Charniak and McDermott, 1985) “The study of the computations that make it possible to perceive, reason, and act.” (Winston, 1992)



Acting Humanly “The art of creating machines that perform functions that require intelligence when performed by people.” (Kurzweil, 1990) “The study of how to make computers do things at which, at the moment, people are better.” (Rich and Knight, 1991)



Acting Rationally “Computational Intelligence is the study of the design of intelligent agents.” (poole et al., 1998) “AI .. Is concerned with intelligent behavior in artifacts.” (Nilsson, 1998)



Teknologi yang berada pada definisi AI sebagai “berfikir” adalah teknologi mengenai cara kerja otak manusia (humanly) atau teknologi mengenai model komputasi yang bersifat rasional (rationally). Berbeda dengan definisi AI sebagai “berfikir”, definisi AI sebagai “melakukan aksi” lebih fokus pada aksi atau output yang dihasilkan dari sebuah teknologi, baik output yang mirip dengan aksi manusia (acting humanly) atau aksi yang mengikuti kaidah (acting rationally). Terdapat perbedaan yang tipis antara acting humanly dan acting rationally, karena aksi manusia dapat bersifat rasional, sehingga sebuah teknologi bisa saja digolongkan ke dalam keduanya.



Gambar 1. Contoh Teknologi AI untuk setiap Definisi



Selain definisi di atas, European Commission mendefinisikan AI sebagai sebuah sistem yang menampilkan perilaku cerdas dengan menganalisis lingkungannya menggunakan algoritma tertentu dan mengambil tindakan - dengan beberapa tingkat otonomi - untuk mencapai tujuan tertentu [AI HLEG European Commission, “A Definition of AI: Main Capabilities and Disciplines,” 2019].



Perancangan Intelligent Agent Lebih lanjut, pada buku [1] juga dinyatakan bahwa AI dapat dinyatakan sebagai sebuah intelligent agent yang menghasilkan aksi menggunakan actuator berdasar persepsi yang diperoleh dari lingkungannya melalui sensor. Untuk memastikan kemungkinan sebuah intelligent agent itu bisa dibangun atau tidak serta resiko kegagalan sebuah intelligent agent, diperlukan perancangan terlebih dahulu. Merancang sebuah intelligent agent berarti mendefinisikan PEAS (performance measure/pengukuran performansi, environment/lingkungan, actuator/aktuator, dan sensor) untuk sebuah task. Sebagai contoh, untuk merancang pengemudi taksi otomatis, dapat ditetapkan PEAS sebagai berikut: •



Pengukuran performansi: aman, cepat, tidak melanggar aturan lalu lintas, kenyamanan penumpang



•



Lingkungan: jalan, rambu-rambu lalu lintas, kendaraan lain, penumpang



•



Aktuator: kemudi, gas, rem, klakson



•



Sensor: kamera, sonar, speedometer, GPS



Salah satu poin penting pada perancangan intelligent agent ini adalah lingkungan atau environment yang tipenya dapat dilihat pada tabel di bawah ini. Tabel 2. Tipe Lingkungan pada Intelligent Agent[1]



Tipe Lingkungan



Penjelasan



Fully observable (vs partially observable)



An agent's sensors give it access to the complete state of the environment at each point in time.



Deterministic(vs. stochastic)



The next state of the environment is completely determined by the current state and the action executed by the agent. (If the environment is deterministic except for the actions of other agents, then the environment is strategic)



Episodic (vs. sequential)



The agent's experience is divided into atomic "episodes" (each episode consists of the agent perceiving and then performing a single action), and the choice of action in each episode depends only on the episode itself



Static (vs dynamic)



The environment is unchanged while an agent is deliberating



Discrete(vs. continuous)



A limited number of distinct, clearly defined percepts and actions.



Single agent(vs. multiagent)



An agent operating by itself in an environment



Known(vs Unknown)



This distinction refers not to the environment itself but to the agent’s (or designer’s) state of knowledge about the “laws of physics” of the environment



Untuk merancang sebuah intelligent agent, selain merancang PEAS, diperlukan juga penetapan tipe lingkungan untuk intelligent agent yang ingin dikembangkan. Untuk itu, perlu dipilih nilai bagi setiap tipe lingkungan pada tabel di atas. Contoh tipe lingkungan untuk catur dan autonomous driving dapat dilihat pada tabel di bawah ini. Tabel 3. Contoh Tipe Lingkungan untuk Beberapa Intelligent Agent[1]



Chess with a clock



Chess without a clock



Taxi driving



Fully Observable



Yes



Yes



No



Deterministic



Deterministic



Deterministic



No



Episodic



No



No



No



Static



Semi



Yes



No



Discrete



Yes



Yes



No



Single agent



No



No



No



B. Jenis Teknologi Artificial Intelligence Terdapat berbagai jenis pembagian teknologi AI. Yang pertama adalah berdasarkan tujuan task-nya. Berdasarkan tujuan task, terdapat dua jenis teknologi AI yaitu ANI dimana task yang dikerjakan adalah khusus untuk domain atau tujuan tertentu serta general AI yang sering juga disebut strong AI, dimana AI yang dihasilkan dapat melakukan berbagai hal seperti seorang manusia secara utuh. General AI memiliki tipe kecerdasan seperti manusia, kecerdasan yang mampu beradaptasi dan mampu melakukan tugas secara luas, mulai tugas yang sederhana hingga yang kompleks. Adapun contoh specific AI adalah chatbot untuk pemesanan tiket pesawat, klasifikasi jenis penyakit kulit, dst. Pembagian kedua adalah berdasar prinsip kerja teknologi AI. Berdasar prinsip kerja teknologi AI, AI (intelligent agent) dapat digolongkan menjadi problem solving agent dan knowledge based agent[1]. Prinsip kerja teknologi AI pada problem solving agent adalah penggunaan algoritma searching untuk mencari solusi terbaik dari sebuah persoalan. Contoh persoalan yang dapat diselesaikan oleh problem solving agent adalah persoalan pencarian rute terpendek dari sebuah lokasi asal ke lokasi tujuan, persoalan penjadwalan kelas, persoalan pewarnaan peta, permainan catur, dll. Pada problem solving agent, seluruh kandidat solusi sudah dapat didefinisikan dari awal dan pencarian solusi terbaik dilakukan berbasis pada algoritma pencarian yang dapat dibagi menjadi classical search dan local search. Pada classical search, jalur pencarian merupakan hal penting yang harus dihasilkan. Sedangkan pada local search (terbagi atas uninformed/blind search dan informed search), jalur pencarian tidak penting, sehingga solusi bisa dicari dengan menggunakan algoritma yang lebih efisien dibandingkan dengan classical search. Contoh persoalan yang tidak memerlukan jalur pencarian adalah pewarnaan peta atau penjadwalan kelas. Pembagian algoritma searching pada problem solving agent adalah sebagai berikut: 1. UnInformed/Blind Search



a. Pencarian dilakukan tanpa informasi tambahan mengenai solusi terbaik b. Informasi yang tersedia adalah definisi problem c. Contoh: DFS, BFS, IDS, UCS , DLS 2. Informed Search a. Disebut juga dengan Heuristic Search b. Memiliki informasi tambahan yang terkadang berguna c. Mengetahui jika sebuah langkah memiliki nilai yang lebih baik daripada langkah lainnya d. Contoh: Best FS, A* 3. Local Search (untuk Optimization Problem) a. Tidak pentingnya mencari jalur menuju tujuan/goal b. Menggunakan memory yang lebih kecil dibandingkan classical search c. Dapat menemukan solusi yang masuk akal dalam ruang pencarian yang besar yang masih memungkinkan algoritma yang sistematik d. Contoh: Hill-climbing search, simulated annealing search, GA Pada knowledge based agent, prinsip kerja paling utama adalah pemanfaatan knowledge dalam menyelesaikan sebuah persoalan. Pada knowledge based agent ini, kandidat solusi tidak dapat didefinisikan dari awal atau bersifat non-deterministik. Solusi dihasilkan dari hasil penalaran terhadap knowledge yang ada. Knowledge ini dapat ditetapkan secara manual dan bisa berasal dari pakar atau juga ditetapkan secara otomatis dari data menggunakan algoritma machine learning. Untuk KBS tipe pertama, sering disebut dengan symbolic based KBS dimana terdapat 5 tipe pengetahuan: 1. Declarative knowledge, yaitu pengetahuan mengenai sesuatu yang bisa disebut dengan concepts, facts atau objects 2. Procedural knowledge, yaitu pengetahuan tentang bagaimana melakukan sesuatu, bisa berupa rule, strategy, procedure atau agenda. Sering juga disebut dengan imperative knowledge 3. Meta knowledge, yaitu pengetahuan yang menjelaskan suatu pengetahuan lain 4. Heuristic knowledge, yaitu rules of thumb yang berdasar pada pengalaman sebelumnya 5. Structural knowledge, yang menjelaskan hubungan antar konsep Adapun bentuk representasi pengetahuan dapat dibagi menjadi 4 bentuk sbb:



1. Production rule, dimana rule memiliki representasi yang terdiri atas pasangan kondisi dan aksi 2. Representasi Logic, dimana pengetahuan direpresentasikan dalam notasi logic seperti propositional logic, predicate logic, modal logic, dll 3. Semantic network, direpresentasikan sebagai sebuah graphical network yang terdiri atas concept yang saling terhubung 4. Frame representation, direpresentasikan sebagai sebuah struktur yang terdiri atas kumpulan atribut dan nilainya untuk menggambarkan sebuah entitas Untuk knowledge yang dihasilkan dari data secara otomatis menggunakan algoritma machine learning disebut dengan model AI, dan agent yang menggunakan teknik ini disebut juga dengan learning agent.



Pendekatan menggunakan algoritma machine



learning akan dijelaskan pada modul-modul berikutnya. Dalam perkembangannya, teknologi AI juga dapat diturunkan menjadi beberapa cabang yang merepresentasikan domain, diantaranya adalah speech processing, natural language processing, image processing, dll. Natural language processing adalah teknologi AI pada domain teks bahasa yang mencakup pemahaman dan pembangkitan teks. Input berupa teks dapat berasal dari berbagai sumber seperti dokumen dijital, suara yang ditranskripsi menggunakan ASR (Automatic speech recognition), bahasa isyarat yang diterjemahkan menggunakan Sign Language Recognition atau dokumen cetak yang ditransformasi menjadi dijital menggunakan OCR. Input teks tersebut merupakan masukan bagi modul pemahaman atau pembangkitan teks yang berikutnya dapat menghasilkan berbagai output seperti knowledge graph, ringkasan (summary), dashboard analisis (klasifikasi), atau teks panjang seperti respon sebuah chatbot atau hasil terjemahan. Perbedaan antara modul pemahaman dan pembangkitan teks adalah jenis input atau outputnya yang harus berupa teks. Untuk modul pemahaman teks, inputnya harus berupa teks. Sedangkan untuk modul pembangkitan teks, outputnya harus berupa teks. Modul yang kedua input dan outputnya berupa teks biasanya digolongkan ke dalam modul pembangkitan teks, seperti text summarization, machine translation, dan chatbot.



Gambar 2. Lingkup Teknologi Natural Language Processing (Text) [2]



Contoh cabang AI lainnya adalah speech processing. Speech processing adalah teknologi AI pada domain suara (teknologi dengan input atau output berupa gelombang suara), yang mencakup pengenalan suara (speech recognition), pembangkitan suara (speech synthesis atau text to speech), pengenalan pembicara (speaker recognition), dan Para linguistic, seperti dapat dilihat pada gambar di bawah ini. Task pengenalan suara bertujuan mengubah input sinyal suara menjadi rangkaian teks. Task pembangkitan suara bertujuan untuk mengubah input teks menjadi sinyal suara. Task pengenalan pembicara bertujuan untuk mengenali atau membedakan pembicara. Task para linguistic bertujuan untuk menganalisis sinyal suara ke dalam label tertentu misalnya emosi dll.



Gambar 3. Lingkup Teknologi Speech Processing [2]



Contoh cabang AI lainnya adalah Image processing yang merupakan teknologi AI pada domain gambar. Image processing mencakup task analisis gambar dan pembangkitan



gambar. Image processing juga mencakup pemrosesan video yang dapat diasumsikan sebagai rangkaian gambar.



C. Teknologi Artificial Intelligence sebagai bagian dari Revolusi Industri 4.0 Teknologi AI merupakan teknologi yang mulai berkembang sejak abad 19 dan saat ini sudah digunakan dalam berbagai bidang kehidupan, baik di industri maupun kehidupan sehari-hari. AI merupakan teknologi yang mendorong terbentuknya Revolusi Industri 4.0 selain big data, cloud serta edge computing dan internet of things, dimana otomatisasi dilengkapi dengan kecerdasan atau intelligence sehingga dapat memberikan nilai lebih bagi berbagai teknologi otomatisasi. Definisi internet of things adalah peralatan/gadget sehari-hari atau objek yang terhubung dengan Internet dan memiliki kemampuan untuk mengumpulkan dan mengirimkan data, biasanya berfungsi sebagai sensor pada sebuah intelligent agent. Contoh IoT pada keseharian/rumah dalam bentuk smart consumer goods: smart bulb, smart light switch, smart doorlock, smart watch, smartphone, fitness tracker, smart tv, smart thermostat, smart toilet, smart bike lock dll. Pengertian cloud computing adalah penyimpanan dan pemrosesan data pada data center (server) melalui jaringan internet sedangkan pengertian edge computing adalah pemrosesan data di peralatan seperti smart camera atau smartphone yang saat ini semakin powerfull. Kedua teknologi ini sudah banyak digunakan dalam kehidupan sehari-hari, misalnya pada saat seseorang mengakses email berbasis web, mengupload foto/video di youtube/facebook/google drive, menggunakan office 365 atau google doc, mengorder layanan online seperti go-food, go-jek, atau booking hotel melalui sebuah aplikasi di smartphone. Teknologi ini juga memungkinan penyediaan “software-as-aservice” untuk bisnis seperti platform untuk consumer services, inventory management, recruiting & HR, design, retail dan shipping oleh cloud provider. Pengertian big data adalah pengelolaan data dalam ukuran besar, yang tidak dapat ditangani oleh pengelolaan data biasa. Ukuran data yang besar dapat mengakibatkan pengaksesan data menjadi lambat. Untuk mempertahankan performansi pengelolaan data yang cepat, maka diperlukan teknologi khusus pengelolaan data dalam ukuran besar baik dalam menangkap (capture), mengkurasi (curation), penyimpanan (storage), pencarian (search), sharing, transfer, analysis serta visualization. Selain untuk



pengaksesan data, ketersediaan big data juga mendukung pengambilan keputusan yang lebih baik serta penemuan informasi berharga dari data yang berukuran besar ini. Dalam perkembangannya, karakteristik big data secara lengkap dapat dinyatakan sebagai berikut: •



Velocity: kecepatan data yang dihasilkan (per detik, per menit, per jam, per hari, dst).



•



Volume: jumlah data yang diakumulasikan (terabyte, petabyte, exabyte, zettabye, yottabyte dst)



•



Variety: jenis/ragam data yang bermacam-macam: terstruktur, semi-terstruktur, tidak terstruktur (teks, suara, gambar, video dll)



•



Veracity: kesesuaian dengan fakta dan akurasi (khususnya dari data tidak terstruktur)



•



Value: kemampuan untuk mengubah data ke value (profit, manfaat medis & social, customer satisfication)



Sebuah ekosistem big data dapat dibagi menjadi 4 unsur seperti dapat dilihat pada gambar di bawah ini, dari mulai sumber data, akuisisi dan penyimpanan data, analitik data serta pengkonsumsian data seperti grafik dll.



Gambar 4. Ekosistem Big Data



Peran teknologi AI terutama terletak pada bagian analitik big data yaitu penggunaan berbagai algoritma AI untuk melakukan berbagai analitik big data ini. Pada big data, jenis analitik dibagi menjadi 4 macam yaitu: 1. Descriptive: penjelasan keadaan bisnis saat ini melalui data historis. 2. Diagnostic: penjelasan mengapa suatu masalah terjadi dengan melihat data historis.



3. Predictive: proyeksi atau prediksi hasil masa depan berdasarkan data historis. 4. Prescriptive: penggunaan hasil analitik prediktif dan pengetahuan lain dengan menyarankan upaya terbaik di masa depan. D. Perkembangan Teknologi AI Konsep “Artificial Intelligence” muncul sejak tahun 1950 oleh Alan Turing melalui tulisannya “Can Machines Think?”, namun istilahnya sendiri baru muncul sejak 1956 yaitu adanya proyek riset pada Artificial Intelligence di Dartmouth. Dari sejak 1960an, banyak proyek riset terkait AI yang dibiayai oleh pemerintah US. Namun, teknologi AI ini sangat berkembang di tahun 2010-an, ditandai dengan perkembangan teknologi perangkat keras pendukung serta algoritma deep learning yang merupakan bagian dari algoritma machine learning yang berkembang dari tahun 1980-an. Jenis algoritma machine learning yang bukan merupakan deep learning sekarang ini sering disebut dengan shallow machine learning. Visualisasi algoritma pada AI dapat dilihat pada gambar di bawah ini.



Gambar 5. Visualisasi Perkembangan Algoritma AI [sumber gambar: NVIDIA]



Beberapa kejadian teknologi AI yang berhasil memenangkan kompetisi melawan manusia untuk beberapa task khusus dapat dilihat pada gambar di bawah ini. Selain dalam kompetisi permainan, teknologi AI juga terbukti dapat mengungguli kemampuan manusia dalam beberapa task khusus, misalnya object detection pada computer vision.



Gambar 6. Kompetisi Permainan antara Teknologi AI dan Manusia



E. Penerapan Teknologi AI Teknologi AI dapat diterapkan di berbagai bidang kehidupan dengan tujuan untuk mempermudah atau mempercepat sebuah proses. Pada dokumen strategi nasional AI Indonesia, ditetapkan beberapa bidang prioritas untuk penerapan teknologi AI, yaitu bidang kesehatan, reformasi birokrasi, pendidikan dan riset, ketahanan pangan serta mobilitas dan kota cerdas. Gambar di bawah ini menunjukkan beberapa pemanfaatan teknologi AI dalam kota cerdas.



Halo



Face Recognition



Voice Biometrics



Recognition process



Text



File Digital Gambar 7. Contoh Penerapan Teknologi AI



F. Tantangan dalam Pengembangan Teknologi Artificial Intelligence di Indonesia Dengan telah dikembangkannya dokumen strategi nasional bidang kecerdasan artifisial (Artificial Intelligence) di Indonesia pada tahun 2020 silam, serta semakin banyaknya industri yang mengembangkan dan memanfaatkan teknologi AI dalam berbagai kegiatan usahanya, terdapat beberapa tantangan agar Indonesia dapat menguasai teknologi AI ini ke depannya: 1. Regulasi: pengaturan etika dan pemakaian AI yang lebih bertanggung-jawab. Etika terkait pengembangan dan penerapan teknologi AI merupakan hal yang juga menjadi perhatian negara-negara besar. Pengembangan dan penerapan teknologi AI yang tidak diatur dengan etika dapat mengakibatkan kerugian bagi masyarakat. Image generation dan speech synthesis merupakan salah satu contoh teknologi AI yang berpotensi merugikan masyarakat dimana sebuah video dapat dibuat dengan mudah menggunakan teknologi AI sehingga menghasilkan sebuah rekaman video yang sebenarnya tidak pernah terjadi. Teknologi yang disebut dengan deep fake ini dapat digunakan untuk membuat sebuah film tontonan dengan biaya yang lebih rendah dibanding produksi film seperti biasanya, namun



di sisi lain, dapat juga digunakan sebagai bahan informasi hoax yang bertujuan untuk menghasut masyarakat. 2. Privasi: terkait dengan penggunaan data yang dipakai untuk pembangunan model AI. Untuk pengaturan privasi ini diperlukan dukungan regulasi dalam pengunaan data sehingga privasi sumber data tetap terjaga namun penerapan teknologi AI tetap dapat dilaksanakan. 3. Kurangnya



penjelasan:



bagaimana



model



AI



sampai



pada



suatu



keputusan/kesimpulan tertentu (terkait dengan akuntabilitas dan trust). Poin ini menjadi sangat penting terutama untuk sebuah kepentingan dimana model yang dihasilkan harus dapat difahami oleh manusia. Poin ini merupakan poin umum di masyarakat pengembang teknologi AI, bukan hanya di Indonesia. Kebutuhan ini mendasari dikembangkannya Explainable AI. 4. Ketersediaan data: sejauh mana data yang dipakai cukup representative dan tidak bias. Algoritma machine learning yang saat ini merupakan teknologi utama pada AI, sangat tergantung pada ketersediaan data. Jika data yang digunakan untuk membangun model AI merupakan data yang tidak dapat mewakili semua kasus yang ada, maka model AI akan memiliki akurasi yang rendah, bersifat overfit untuk kasus-kasus tertentu yang bersifat majority pada data latih. Oleh karena itu, proses pengembangan data latih merupakan salah satu hal penting dalam membangun model AI yang akurat. 5. Kurangnya talenta dalam pengembangan dan penerapan teknologi AI. Dengan kurangnya talenta yang memiliki kemampuan yang baik dalam mengembangkan teknologi AI, maka ke depannya Indonesia hanya akan menjadi pasar bagi teknologi AI yang



dikembangkan oleh negara lain. Untuk mengantisipasi



kemungkinan tersebut, maka pengembangan talenta AI merupakan salah satu hal yang memerlukan perhatian khusus. Usaha pengembangan talenta AI harus mencakup berbagai hal yang dapat mendorong pengembangan talenta AI dengan cepat, beberapa diantaranya adalah penyediaan materi pembelajaran teknologi AI, penyediaan infrastruktur yang memudahkan penguasaan teknologi AI, penyiapan dosen/guru di bidang AI, serta penetapan SKKNI AI, dll.



Tugas Dan Proyek Pelatihan 1. Pelajarilah video yang menjelaskan strategi AI dari sebuah negara dan buatlah rangkuman dari video tsb 2. Rancanglah sebuah Intelligent Agent untuk robot pembersih ruangan dengan mengisikan informasi di bawah ini: • Performance indicator: … • Environment: … • Actuator: … • Sensor: ... 3. Rancanglah sebuah ide teknologi AI yang dapat bermanfaat di masa pandemi. Tuliskan deskripsi dari teknologi tersebut dan tuliskan jenis teknik manakah (searching, knowledge, atau learning) yang digunakan untuk membangun teknologi tsb, jelaskan alasannya Link Referensi Modul Pertama ● Introduction to AI ○ https://www.youtube.com/watch?v=s9vDgPotU-4 ○ https://www.youtube.com/watch?v=wfmM5-d0Zh0 ○ https://www.youtube.com/watch?v=eUpRwSrwbHY ○ https://www.youtube.com/watch?v=XfEOoAlArXw ○ https://www.youtube.com/watch?v=uyWHthN3Q9c ● Intelligent Agent ○ https://www.youtube.com/watch?v=XqAUPrLu8_s ○ https://www.youtube.com/watch?v=ehXgvsl8i_I ○ https://www.youtube.com/watch?v=NqeVTW4DUuU ○ https://www.youtube.com/watch?v=btffOHgYsBc ○ https://www.youtube.com/watch?v=d2608-UCcR8 ○ https://www.youtube.com/watch?v=Spia43l493c ● Introduction to Knowledge based Agent ○ https://www.youtube.com/watch?v=P2DVmc4Zf7I ○ https://www.youtube.com/watch?v=VhKPNctwInw&t=338s ○ https://www.youtube.com/watch?v=7iZWC_NtegM ○ https://www.youtube.com/watch?v=o2alb-eJNqc Link Pertanyaan Modul Pertama



Bahan Tayang



Power Point



Link room Pelatihan dan Jadwal live sesi bersama instruktur Zoom



Penilaian Komposisi penilaian Tugas Pemahaman Konsep Dasar AI: Nilai 100



Target Penyelesaian Modul Pertama 1 hari/sampai 6JP