Artificial Intelligence Image Classification with Orange Chapter Two

BAB II 
PEMBAHASAN 

2.1 KECERDASAN BUATAN

    Kecerdasan Buatan atau biasa dikenal dengan Artificial Intelligence atau AI didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin Komputer agar dapat melakukan pekerjaan seperti yang dapat dilakukan oleh Manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, Permainan Komputer, Logika Fuzzy, Jaringan Syaraf Tiruan (Artificial Neural Networks), dan Robot. Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika yang relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan Objek/Muka, bermain Sepak Bola.Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game. 

    Arti Kecerdasan yaitu kemampuan untuk 

a) Belajar atau mengerti dari pengalaman 

b) Memahami pesan yang kontradiktif dan ambigu 

c) Menanggapi dengan cepat dan baik 

d) Menggunakan penalaran dalam memecahkan masalah serta menyelesaikannya dengan efektif.

2.2 SEJARAH KECERDASAN BUATAN

    Kecerdasan Buatan termasuk bidang ilmu yang relatif mudah. Pada tahun 1950-an para ilmuwan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia. Alan Turing, seoarng matematikawan Inggris pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil tes tersebut kemudian di kenal dengan Turing Tes, dimana si mesin tersebut menyamar seoalah-olah senagai seseorang di dalam suatu permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomuniaksi dengan orang lain, maka dapat dikatakan bahwa mesin tesebut pintar (seperti layaknya manusia).

    Kecerdasan Buatan sendiri di munculkan oleh seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Darthmouth Conference yang dihadiri oleh para peneliti AI. Pada konferensi tersebut juga di definisikan tujuan utama dari Kecerdasan Buatan, yaitu: mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain agar rapat menirukan kelakuan manusia tersebut. 

    Beberapa program AI yang mulai dibuat pada tahun 1956- 1966, antara lain: 

1. Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikanteoremateorema matematika. 

2. Sad Sam, diprogram oleh Robert K. Lindsay (1960). Program ini mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang di dengar dalam sebuah percakapan. 

3. ELIZA, diprogram oleh Joseph Wnbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan.

2.3 PERBANDINGAN KECERDASAN BUATAN DAN ALAMI

    Ada beberapa keuntungan kecerdasan buatan disbanding kecerdasan alamiah, yaitu: 

        a) Lebih permanen 

        b) Memberikan kemudahan dalam duplikasi dan penyebaran 

        c) Relative lebih murah dari kecerdasan alamiah 

        d) Konsisten dan teiti

        e) Dapat didokumentasi 

        f) Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik disbanding manusia 

    Keuntungan kecerdasan alamiah disbanding kecerdasan buatan:

a) Bersifat lebih kreatif

b) Dapat melakukan proses pembelajaran secara langsung, sementara AI harus mendapatkan masukan symbol dan representatasi

c) Focus yang luas referensi untuk pengambilan keputusan sebaliknya AI menggunakan focus waktu yang sempit 

    Komputer dapat digunakan untuk mengumpulkan informasi tentang obyek, kegiatan(events), proses dan dapat memproses sejumlah besar informasi dengan lebih efisien dari yang dapat dikerjakan manusia namun disisi lain, manusia dengan menggunakan insting dapat melakukan hal yang sulit diprogram pada komputer yaitu kemampuan mengenali (recognize) hubungan antara hal-hal tersebut, menilai kualitas dan menemukan pola yang menjelaskan hubungan tersebut. 

2.4 MACHINE LEARNING

    Machine learning adalah bidang yang mempelajari pengembangan algoritma komputer untuk mengubah data menjadi aksi yang cerdas atau secara singkat dapat juga diartikan sebagai proses mengubah data menjadi informasi (Machine Learning in Action). Selain machine learning, juga sering didengar istilah data mining yang merupakan saudara kandungnya. Tetapi ada pendapat yang menyatakan tumpang tinding machine learning dan data mining dimana secara virtual pada seluruh data mining pasti melibatkan penggunaan machine learning tetapi tidak seluruh machine learning melibatkan data mining. Sebagai contoh machine learning digunakan untuk melakukan proses data mining data lalu lintas kendaraan bermotor untuk mendapatkan pola yang berhubungan dengan tingkat kecelakaan. Kemudian bedakan dengan bagaimana proses pembelajaran komputer untuk mengendarai mobil dimana hal tersebut murni machine learning tanpa ada data mining. Maka dapat ditarik kesimpulan singkat yaitu: 

1. Machine learning berfokus pada bagaimana pembelajaran komputer menggunakan komputer untuk memecahkan masalah.

2. Data mining berfokus pada bagaimana pembelajaran komputer mengidentifikasi pola yang akan digunakan manusia untuk memecahkan masalah. 

    Istilah machine learning pertama kali dikemukakan oleh beberapa ilmuwan matematika seperti Adrien Marie Legendre, Thomas Bayes dan Andrey Markov pada tahun 1920 dengan mengemukakan dasardasar machine learning dan konsepnya. Sejak saat itu machine learning banyak yang mengembangkan. Salah satu contoh dari penerapan machine learning yang cukup terkenal adalah Deep Blue yang dibuat oleh IBM pada tahun 1996. Deep Blue merupakan machine learning yang dikembangkan agar bisa belajar dan bermain catur. Deep Blue juga telah diuji coba dengan bermain catur melawan juara catur profesional dan Deep Blue berhasil memenangkan pertandingan catur tersebut. 

    Peran machine learning banyak membantu manusia dalam berbagai bidang. Bahkan saat ini penerapan machine learning dapat dengan mudah kamu temukan dalam kehidupan sehari-hari. Misalnya saat kamu menggunakan fitur face unlock untuk membuka perangkat smartphone, atau saat menjelajah di internet atau media sosial akan sering disuguhkan dengan beberapa iklan. Iklan-iklan yang dimunculkan juga merupakan hasil pengolahan machine learning yang akan memberikan iklan sesuai dengan apa yang pernah kita cari & mesin mempelajarinya. Ada beberapa teknik yang dimiliki oleh machine learning, namun secara luas ML memiliki dua teknik dasar belajar, yaitu supervised dan unsupervised. 

2.4.1 Supervised Learning 

    Teknik supervised learning merupakan teknik yang bisa diterapkan pada pembelajaran mesin yang bisa menerima informasi yang sudah ada pada data dengan memberikan label tertentu. Diharapkan teknik ini bisa memberikan target terhadap output yang dilakukan dengan membandingkan pengalaman-pengalaman belajar di masa lalu. Misalkan kita mempunyai sejumlah film yang sudah kamu beri label dengan kategori tertentu. Kita juga memiliki film dengan kategori komedi meliputi film 21 Jump Street dan Jumanji. Selain itu Kita juga punya kategori lain misalkan kategori film horror seperti The Conjuring dan It. Ketika kamu membeli film baru, maka kita pasti akan mengidentifikasi genre dan isi dari film tersebut. Setelah film teridentifikasi barulah kamu akan menyimpan film tersebut pada kategori yang sesuai. 

2.4.2 Unsupervised Learning

    Teknik unsupervised learning merupakan teknik yang bisa diterapkan pada machine learning yang digunakan pada data yang tidak memiliki informasi yang bisa diterapkan secara langsung. Diharapkan teknik ini dapat membantu menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label. Sedikit berbeda dengan supervised learning, Unsupervised Learning tidak memiliki data apapun yang akan dijadikan acuan sebelumnya. Misalkan kita belum pernah sekalipun membeli film sama sekali, akan tetapi pada suatu waktu, kamu membeli sejumlah film dan ingin membaginya ke dalam beberapa kategori agar mudah untuk ditemukan. 

    Tentunya kamu akan mengidentifikasi film-film mana saja yang mirip. Dalam hal ini misalkan Kita akan mengidentifikasi berdasarkan dari genre film. Misalnya, seseorang mempunyai film the Conjuring, maka orang itu akan menyimpan film The Conjuring tersebut pada kategori film horror. 

2.4.3 Cara Kerja Machine Learning 

    Cara kerja machine learning sebenarnya berbedabeda sesuai dengan teknik atau metode pembelajaran seperti apa yang kamu gunakan pada machine learning. Namun pada dasarnya prinsip cara kerja pembelajaran mesin masih sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari machine learning. Untuk memahami cara kerja dari machine learning, Mari kita pelajari lebih lanjut dibawah ini. 

    AlphaGo merupakan machine learning yang dikembangkan oleh Google. Saat awal dikembangkan AlphaGO akan dilatih dengan memberikan 100 ribu data pertandingan Go untuk ia pelajari. Setelah AlphaGo mempunyai bekal dan pengetahuan cara dan strategi bermain game Go dari mempelajari 100 ribu data pertandingan Go tersebut. AlphaGo akan belajar kembali dengan bermain Go bersama dengan dirinya sendiri dan setiap kali ia kalah ia akan memperbaiki cara ia bermain dan proses bermain ini akan diulang sampai jutaan kali.

    Perbaikan cara bermain AlphaGo dilakukan oleh dirinya sendiri berdasarkan pengalamannya saat ia bermain melawan dirinya sendiri atau melawan orang lain. AlphaGo juga bisa mensimulasikan beberapa pertandingan pada satu waktu secara bersamaan. Artinya dalam satu waktu ia bisa melakukan beberapa pertandingan Go sekaligus untuk dipelajari. Sehingga proses belajar dan pengalamannya bermain Go juga bisa lebih banyak dibanding manusia. Hal ini terbukti ketika AlphaGo bermain dengan juara dunia Go pada tahun 2016 dan ia bisa menjadi pemenangnya. Dari penerapan machine learning pada AlphaGo, kita bisa memahami bahwa machine learning akan terus belajar selama ia digunakan. 

    Berikut ini adalah beberapa contoh dari penerapan Machine Learning pada kehidupan sehari hari kita: 

A. Pendeteksi spam 

    Electronic Mail atau sering dikenal dengan email adalah suatu teknologi masa kini yang bisa mengubah kehidupan manusia. bagaimana tidak? Dahulu orang harus menulis surat di atas secarik kertas, dimasukan kedalam amplop dan ditempel perangko, dan kini kita hanya perlu buka alamat email kita dan menulis alamat email orang yang akan dituju. Benar-benar sederhana bukan? Namun sayangnya dengan adanya email, sering kita dapat emailemail yang tidak penting. Hal ini benar-benar membuat penggunanya tidak nyaman. Email-email tidak penting ini disebut spam. Pastinya kamu sering dapat email spam kan? tapi umpungnya ada teknologi penyaring spam yang memisahkan email penting dengan email yang tidak penting. Tapi bagaimana bisa Gmail, Yahoo, atau Outlook bisa memisahkan email spam atau bukan spam? Tentunya mereka menerapkan machine learning sebagai solusinya. Sebelum masuk ke inbox email kamu, email yang dikirim akan diperiksa dengan algoritma tertentu  untuk memisahkan email spam atau tidak. Berkat cara inilah membuat inbox email kamu tidak terkotori oleh email tidak penting. Sehingga email penting kamu tidak tertutup email tidak penting dari spam. 

B. Speech understanding 

    Pada era modern saat ini sangat dimungkinkan untuk berbicara pada mesin. Beneran? Tentu saja. Pernah pakai mobile assistance seperti Google Now buatan Google, Siri buatan Apple, atau Cortana buatan Microsoft? Semua mobile assistance ini akan membuat kamu seperti bicara pada smartphone kan? Tapi untuk zaman sekarang, hal semacam ini wajar-wajar saja. Sekarang semua smartphone yang dibuat pasti sudah ditanam fitur mobile assistance. Apalagi berkat mereka, hidup kita semakin dimudahkan saja. Pada penerapan mobile assistance, machine learning akan mengingat suara kita, sehingga ketika kita tidak perlu repot lagi mengetik, namun tinggal mengucapkan apa yang akan kita cari dan dalam seketika apa yang kamu cari akan ditampilkan. Tentunya sebelum menggunakan fitur unik ini, suara kita sudah disimpan sebelumnya saat mengatur fitur ini. Jadi, jangan malu ya kalo harus ngomong sama smartphone. 

C. Pendeteksi muka 

    Netizen pernah dihebohkan dengan web buatan Microsoft yang mampu menebak umur seseorang dari fotonya. Apakah ada yang mengingatnya? Web tersebut adalah Microsoft how old. Ada yang pernah coba Microsoft How old? Atau pernah ngetag temen saat menggunakan Facebook dan Instagram? Bagaimana semua itu bisa dilakukan ya? Jawabannya karena produk tadi menerapkan machine learning. Bagaimana bisa? Caranya machine learning akan mengidentifikasi dan mengenali wajah seseorang. Sehingga informasi-informasi bisa langsung didapat. Rupanya dengan adanya penerapan machine learning dunia ini semakin bertambah seru ya. 

D. Mendiagnosis penyakit

    Kalau yang ini mungkin lebih akrab dengan orang yang bekerja di dunia medis. Zaman sekarang dunia medis sudah dimudahkan oleh komputer dalam kasus pendiagnosaan. Kini dengan adanya gejala yang dialami pasien dan rekam medisnya, sebuah komputer bisa memberikan diagnosa apakah penyakit yang sama dengan sebelumnya atau bukan. 

    Berikut adalah manfaat dari Penggunaan Machine Learning: 

1. Otomatisasi Teknik Pemasaran Anda untuk Meningkatkan Penjualan 

2. Analisis Berbasis AI untuk Keputusan Bisnis yang Lebih Baik 

3. Meningkatkan Keamanan dan Pemeliharaan Peralatan Anda 

4. Menghemat Waktu 

5. Mempermudah Manajemen Persediaan dan Rantai Pasokan 

6. Proses Perekrutan Lanjutan 

7. AI membantu dalam Memerangi Penipuan dan Mencegah Kejahatan

2.4.4 Dampak dari Machine Learning 

    Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknologi machine learning. Ya, dampak positif dan dampak negatif. Salah satu dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Terbunuhnya aktivitas yang harus dilakukan manusia pun menjadi salah satu dampak positif machine learning. Sebagai contohnya adalah adanya fitur pengecekan ejaan untuk tiap bahasa pada Microsoft Word. Pengecekan secara manual akan memakan waktu berhari-hari dan melibatkan banyak tenaga untuk mendapatkan penulisan yang sempurna. Tapi dengan bantuan fitur pengecekan ejaan tersebut, secara real-time  kita bisa melihat kesalahan yang terjadi pada saat pengetikan. 

    Dampak negatif yang harus kita waspadai. Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat teknologi machine learning adalah suatu permasalahan yang harus dihadapi. Ditambah dengan ketergantungan terhadap teknologi akan semakin terasa. Manusia akan lebih terlena oleh kemampuan gadget-nya sehingga lupa belajar untuk melakukan suatu aktivitas tanpa bantuan teknologi. 

2.5 DATA SCIENCE

    Data science adalah ilmu yang menggabungkan matematika, statistika dengan ilmu komputer dengan tujuan analisa data (data analysis) dari suatu himpunan data baik skala kecil (sampel) maupun besar (populasi) dengan mengaplikasikan algoritma tertentu untuk tujuan menggali data (data mining) dan mendapatkan pola data serta dapat melakukan prediksi data (prediction) dengan cukup akurat yang dapat membantu dalam pengambilan keputusan dan dapat digunakan untuk membuat sistem yang cerdas (AI) yang dapat terus belajar dengan sendirinya (machine learning). 

    Kemampuan yang dibutuhkan untuk kita mempelajari Data Science adalah sebagai berikut: 

a) kemampuan Matematika dan Statistika 

b) Kemampuan Pemrograman (R, Python, dan lainnya) 

c) Kemampuan Database dan Query (SQL dan lainnya) dan pengolahan data 

d) Kemampuan analisa data dan visualisasi data 

e) Kemampuan pemahaman masalah terkait bisnis atau suatu bidang lainnya 

2.5.1 Perbedaan Data Science dan Data Mining 

A. Data Mining 

Data Mining adalah proses pengambilan informasi dari pola data dari himpunan data yang sebelumnya tidak diketahui, kadang disebut juga Data Discovery. Data Mining fokus pada mengekstrak pola menggunakan metode statistik untuk dianalisa dan dapat juga melakukan prediksi. 

B. Machine learning

Machine Learning adalah bidang yang merupakan bagian dari Artificial Intelligence (AI) yang digunakan agar sistem komputer secara otomatis dapat belajar dengan sendirinya tanpa diberi instruksi pemrograman dan dapat meningkatkan prediksi yang akurat dan penggunaannya biasanya sifatnya realtime. Jadi pada intinya Data Mining dan juga Machine Learning adalah bagian dari Data Science itu sendiri, dan seperti yang kita tahu tujuan dari data science itu sendiri adalah untuk mencari informasi sebanyak mungkin yang akurat yang digunakan untuk deskripsi dan prediksi.

Berikut adalah pengertian dari deskripsi dan prediksi pada Data Science: 

a) Deskripsi yaitu menampilkan pola data untuk dianalisis dan penemuan masalah. 

b) Prediksi yaitu melakukan prediksi berupa nilai, probabilitas maupun data dan kemudian merekomendasikan hasilnya untuk digunakan sebagai alat bantu pengambil keputusan maupun secara langsung digunakan secara otomatis oleh sistem. 

    Pada Data Science terdapat beberapa jenis pembelajaran dalam Data Science, yaitu Supervised Learning (Prediksi), Unsupervised Learning (Deskripsi), Reinforce Dan Deep Learning (Prediksi). Berikut pengertian dari setiap bagian pembelajaran dalam Data Science: 

2.5.2 Bagian Pembelajaran Dalam Data Science 

    2.5.2.1 Supervised Learning (Prediksi) 

    Untuk membentuk sistem yang cerdas, sistem harus diberikan pelatihan terlebih dahulu (training) dengan data fakta (labelled training), sistem akan belajar dan membentuk pola data yang ada baru kemudian digunakan untuk melakukan prediksi, proses belajarnya seperti anak murid yang diajarkan oleh guru. 

    2.5.2.2 Unsupervised Learning (Deskripsi) 

    Sistem dapat mengandalkan data yang belum dilatih sebelumnya (unlabelled training) dan dapat membentuk pola data yang sifatnya deskriptif, bukan untuk prediksi. 

    2.5.2.3 Reinforced dan Deep Learning (Prediksi) 

    Sistem belajar dari feedback lingkungan dengan teknik learning yang iteratif (berulangulang) dan adaptif (menyesuaikan) seperti cara manusia belajar dengan sendirinya, algoritma digunakan untuk memaksa sistem belajar menemukan nilai optimal dengan coba-coba (trial and error). Teknik pembelajaran menggunakan algoritma Neural Network berlapis yang sangat mirip dengan cara kerja otak manusia dimana neuron-neuron satu sama lain membentuk jaringan neuron yang sangat rumit. Data Science itu sendiri biasanya digunakan untuk banyak jenis seperti Prediksi Suatu populasi, cuaca, kondisi pasar, iklan, pendeteksi penipuan, klasifikasi gambar, pola kebiasaan pelanggan, jenis atau karakteristik pelanggan, marketing yang lebih terarah, rekomendasi produk, AI Game, pendeteksi anomali dan masih banyak kegunaan lainnya.