ict literacy

1. ICT Literacy, Universitas Siber Asia
S1 PJJ Sistem Informasi
AI (Artificial
Intellegent) &
ML (Machine
Learning)
KELOMPOK :
ABDUL ROHIM (230101010001)
AHMAD DENI ATMAJA SAPUTRA (230101010021)
AKMAL ADI SAPUTRA (230101010046)
ANDRA PRAWIRA KUSUMAH (230101010012)
AZIZAH QOLBY (230101010059)
DINDA KHARISMA (230101010015)
EKO SASMITO (230101010049)
ELIGIA DARA JAWANSU (230101010027)
SYAHRUL RAMADHAN (230101010033)

2. ICT Literacy_Kel. 1
01. Pendahuluan AI (Artificial
Intellegent) & ML (Machine
Learning)
• Oleh : ABDUL ROHIM (230101010001)

3. ICT Literacy_Kel. 1
Definisi dan Sejarah
Singkat AI & ML
A. DEFINISI AI
Artificial Intelligence (AI) merujuk pada kemampuan mesin atau
komputer untuk melakukan tugas-tugas yang biasanya memerlukan
kecerdasan manusia. Ini mencakup kemampuan untuk belajar dari
pengalaman (machine learning), menyesuaikan diri dengan
perubahan lingkungan, memahami dan menggunakan bahasa alami,
serta melakukan tugas-tugas yang biasanya memerlukan
kecerdasan manusia, seperti pengenalan pola, penalaran, dan
pengambilan keputusan.

4. ICT Literacy_Kel. 1
Dalam perkembangannya, AI dapat dibagi menjadi dua jenis utama yaitu :
1. AI Konvensional (Conventional AI)
Dikenal sebagai AI lemah atau sempit, jenis ini dirancang untuk melakukan
tugas-tugas spesifik. Contohnya termasuk sistem pengenalan suara, deteksi
wajah, dan program permainan catur. AI konvensional terbatas pada tugas
tertentu dan tidak memiliki kemampuan untuk memahami konteks atau
tugas di luar domainnya.
2. AI Generatif (Generative AI)
AI kuat atau umum, jenis ini bertujuan untuk meniru kecerdasan manusia
dengan kemampuan untuk memahami, belajar, dan mengeksekusi tugas-
tugas di berbagai domain. AI generatif belum sepenuhnya terwujud dan
merupakan area penelitian yang terus berkembang.

5. ICT Literacy_Kel. 1
B. DEFINISI ML
Machine Learning (ML) atau Pembelajaran Mesin adalah
subbidang dari kecerdasan buatan (Artificial Intelligence) yang
fokus pada pengembangan algoritma dan model komputer yang
memungkinkan sistem untuk belajar dari data dan pengalaman.
Tujuan utama dari Machine Learning adalah memberikan
kemampuan kepada mesin untuk mengenali pola, membuat
prediksi, dan mengambil keputusan tanpa harus secara eksplisit
diprogram untuk setiap tugas tertentu.

6. ICT Literacy_Kel. 1
Perbedaan antara AI & ML
1. Definisi
• Artificial Intelligence (AI) merujuk pada kemampuan suatu sistem
untuk melakukan tugas yang biasanya memerlukan kecerdasan
manusia. Ini mencakup berbagai teknologi dan pendekatan untuk
membuat komputer dapat "berpikir" dan "belajar" seperti manusia.
• Machine Learning (ML) adalah cabang dari AI yang fokus pada
pengembangan algoritma dan model komputer yang memungkinkan
mereka belajar dari data. Sebaliknya, ML memungkinkan mesin
untuk meningkatkan kinerjanya seiring waktu tanpa harus secara
eksplisit diprogram untuk tugas tertentu.

7. ICT Literacy_Kel. 1
Perbedaan antara AI & ML
2. Tujuan
• Tujuan utama AI adalah membuat mesin dapat meniru
kecerdasan manusia, termasuk pemahaman bahasa, pengenalan
pola, pengambilan keputusan, dan tugas-tugas lainnya yang
memerlukan pemikiran tingkat tinggi.
• Tujuan ML adalah memberikan kemampuan pada sistem untuk
belajar dari data, mengidentifikasi pola, dan membuat prediksi
atau keputusan tanpa perlu diatur secara eksplisit oleh manusia.

8. ICT Literacy_Kel. 1
Perbedaan antara AI & ML
3. Keterlibatan Manusia
• AI mencakup lebih dari sekadar ML. AI bisa mencakup aturan
berbasis sistem (rule-based systems), logika inferensial, dan
metode lainnya untuk menciptakan kecerdasan buatan.
• ML adalah subdomain dari AI yang fokus pada penggunaan data
untuk melatih model dan meningkatkan kinerja sistem.

9. ICT Literacy_Kel. 1
Perbedaan antara AI & ML
4. Pemrograman
• Pemrograman AI melibatkan implementasi berbagai teknik dan
pendekatan untuk membuat sistem cerdas, termasuk
pengkodean aturan, logika, dan pengambilan keputusan.
• Pemrograman ML melibatkan pembuatan model yang dapat
belajar dari data. Ini mencakup pemilihan algoritma, penyusunan
data pelatihan, dan penyesuaian parameter model.

10. ICT Literacy_Kel. 1
Perbedaan antara AI & ML
5. Contoh Implementasi
• Sistem AI bisa melibatkan elemen-elemen seperti pengenalan
wajah, bahasa alami, dan pengambilan keputusan.
• ML bisa melibatkan pembuatan model untuk tugas-tugas seperti
klasifikasi gambar, prediksi harga saham, atau rekomendasi
produk.

11. ICT Literacy_Kel. 1
C. SEJARAH SINGKAT KECERDASAN BUATAN (AI)
1. Awal Mula
Konsep kecerdasan buatan muncul pada tahun 1950, diprakarsai oleh Alan
Turing dan John McCarthy. Turing menciptakan “Turing Test” untuk
mengukur kecerdasan mesin.
2. Dartmouth Conference (Tahun 1956)
Pada konferensi ini, istilah "Artificial Intelligence (AI)" pertama kali
digunakan. John McCarthy dan para peneliti lainnya di Dartmouth College
membahas konsep mesin yang dapat meniru kecerdasan manusia.
3. Periode Pionir
Pengembangan awal fokus pada masalah-masalah seperti pemecahan
masalah dan permainan (game). Program-program seperti Logic Theorist
(1956) dan General Problem Solver (1959) dikembangkan.

12. ICT Literacy_Kel. 1
C. SEJARAH SINGKAT KECERDASAN BUATAN (AI)
4. Puncak Minat dan Kekecewaan (1970 - 1980)
Terjadi penurunan minat dan dana pada pertengahan tahun 1970-an karena
perkembangan yang lambat. Mesin-mesin yang ada tidak memenuhi harapan.
5. Kelahiran kembali melalui Perkembangan Teknologi (1990 - 2000)
Peningkatan kecepatan komputer dan perkembangan dalam algoritma
membantu AI mengalami kebangkitan. Sistem pakar dan teknik pembelajaran
mesin mulai muncul.
6. Era Pembelajaran Mesin (2000 - Sekarang)
Fokus pada pembelajaran mesin (machine learning) dan peningkatan daya
komputasi membawa AI ke tingkat baru. Perusahaan-perusahaan besar
menginvestasikan sumber daya dalam pengembangan teknologi AI.

13. ICT Literacy_Kel. 1
D. SEJARAH SINGKAT MACHINE LEARNING (ML)
1. Konsep Awal (1940 - 1950)
Ide dasar Machine Learning muncul seiring dengan pengembangan
komputer. Alan Turing memberikan kontribusi pada konsep "Universal
Machine".
2. Perkembangan Teori Machine Learning (1950 - 1960)
Beberapa konsep dasar seperti regresi linier dan teori optimisasi mulai
digunakan dalam Machine Learning. Perkembangan teori Machine Learning
semakin berlanjut.
3. Pendekatan Simbolik (1960 - 1970)
Pada periode ini, fokus pada pendekatan simbolik yang menggunakan
aturan-aturan logika untuk pemrosesan informasi.

14. ICT Literacy_Kel. 1
D. SEJARAH SINGKAT MACHINE LEARNING (ML)
4. Kemunduran dan Kembalinya (1980 - 1990)
Pada awal 1980-an, ketidakpuasan terhadap kemajuan Machine Leaning
menyebabkan kemunduran. Namun, pada pertengahan hingga akhir 1990-
an, metode pembelajaran statistik seperti Support Vector Machines dan
Neural Networks membuat kembali populer.
5. Machine Learning Modern (2000 - Sekarang)
Peningkatan daya komputasi, ketersediaan Big Data, dan kemajuan dalam
algoritma memimpin ke era baru Machine Learning. Metode seperti Deep
Learning menjadi sangat berpengaruh, membawa kemajuan besar dalam
pengenalan pola, pengolahan bahasa alami, dan tugas-tugas lainnya.

15. 03.Proses dan
Tahapan AI & ML
Oleh : Azizah Qolby (230101010059) :

16. 1. Identify the data
Ini merupakan proses awal dalam membuat rancangan machine learning. Pertama kali
harus mengidentifikasi masalah yang ingin dipecahkan. Caranya dengan pendekatan logis
dan matematis. Mengidentifikasi data dapat digunakan untuk membuat pertanyaan dasar.
Agar alur yang kita buat tidak keluar dari topik awal pembahasan .
2. Prepare data
Data sangat berperan dari pem, buatan model machine learning. Semakin banyak data
yang disiapkan, semakin valid output yang dihasilkan oleh machine learning. Dalam
pengumpulan data, terdapat dua metode yaitu data mining dan web scrapping.
Tahapan dari Machine Learning

17. 3. Select ML Algoritm
Langkah selanjutnya adalah
memilih algoritma yang cocok
untuk menangani problem yang
muncul. Berikut beberapa
metode algoritma yang bisa
digunakan seperti supervised
learning untuk memprediksi masa
depan. Sedangkan reinforcement
learning yaitu proses pengambilan
keputusan.
Tahapan dari Machine Learning
4. Split data
Proses ini terjadi saat pembagian data agar memudahkan dalam
proses selanjutnya. Dengan data yang dibagi ini model machine
learning mudah untuk diidentifikasi.
5.Train
Proses train digunakan untuk melatih tubuh machine learning
dengan mengisikan data yang sudah diproses. Mulai dari proses
mengidentifikasi, mempersiapkan data, dan memilih algoritma
yang tepat.
Tak lupa membagi data yang sudah diproses. Mesin dilatih agar
dapat menentukan data yang masuk sesuai dengan
klasifikasinya.

18. 6. Evaluate
Proses yang keenam adalah
mengevalusai kembali machine
learning. Apakah datanya yang
dimasukan sudah benar.
Apakah sedah sesuai dengan
yang diajarkan.Proses ini
menentukan keakuratan
prediksi atau hasil dari machine
learning yang kita buat.
Tahapan dari Machine Learning
7.Predict
Nah, ini merupakan uji coba apakah machine learning yang telah
kita buat bekerja dengan baik. Caranya dengan melihat hasil
atau prediksi yang dihasilkan. Apakah sesuai dengan input data.
Dapat dikatakan proses ini proses semifinal sebelum diproses ke
tahap selanjutnya.
8. Deploy
Berikut merupakan proses akhir dalam membangun model
machine learning yaitu proses deploy. Proses ini langsung
menerapkan kepada masalah. Tentunya untuk melihat prediksi
dari data yang ada .

19. 04. Penerapan AI & ML dalam
Kehidupan Sehari-hari
• Oleh : Dinda Kharisma (230101010015)

20. Penggunaan
Aplikasi serta
Fitur-fitur
AI & ML
Rekomendasi di
Marketplace
MENGGUNAKAN METODE UNSUPERVISED
LEARNING, UNTUK MENGANALISIS TARGET
PASAR.
Pengkategorian
Terhadap Email
MELAKUKAN KLASIFIKASI BERDASARKAN
KATEGORI YANG ADA
Face ID pada
iPhone
MEMANFAATKAN METODE SEMI-SUPERVISED
MACHINE LEARNING
ICT Literacy_Kel.1

21. Penggunaan
Aplikasi serta
Fitur-fitur
AI & ML
Saran Pencarian di
Mesin Pencarian
Google
MEMBERIKAN SARAN SECARA OTOMATIS
BERDASARKAN LANJUTAN YANG PALING
SERING DITULIS OLEH ORANG LAIN
Autocorrect
Keyboard
MEMANFAATKAN TEKNOLOGI AI DAN
NATURAL LANGUAGE PROCESSING.
Game online
MENGGUNAKAN REINFORCEMENT LEARNING,
UNTUK MENYAJIKAN PENGALAMAN
MENANTANG UNTUK PARA GAMER
ICT Literacy_Kel.1

22. 05. Deep Learning
• Oleh : AHMAD DENI ATMAJA SAPUTRA (230101010021)

23. Pengenalan Konsep Deep
Learning & Neural Network
1. Neural Networks
2. Deep Neural Networks (DNN)
3. Training Neural Networks
4. Activation Functions
5. Loss Function
6. Optimization Algorithms
7. Convolutional Neural Networks (CNN) dan Recurrent Neural Networks (RNN)
8. Transfer Learning

24. Pengenalan Konsep Deep Learning & Neural
Working
Deep learning - Pengenalan Wajah
1. Deteksi Wajah
2. Pengenalan Wajah
3. Verifikasi dan Validasi Wajah
4. Pengenalan Emosi
5. Pengenalan Wajah dalam Waktu Nyata

25. Pengenalan Konsep Deep Learning & Neural
Working
Deep learning - Pengolahan Bahasa Alami (NLP)
1. Pemahaman Bahasa Alami
2. Penerjemahan Mesin
3. Generasi Teks
4. Chatbots
5. Analisis Sentimen
6. Ekstraksi Informasi

26. 06. TANTANGAN DALAM
IMPLEMENTASI AI & ML
• Oleh : AKMAL ADI SAPUTRA (230101010046)

27. KEAMANAN & PRIVASI
● Transparansi syarat dan ketentuan
Syarat dan ketentuan harus dibuat transparan
dengan penjelasan yang mudah dipahami

28. KESALAHAN & BIAS
● Penggunaan dataset yang tidak tepat
dataset yang tidak tepat dapat menghasilkan model
yang kurang akurat karena dataset yang digunakan
tidak representatif.
● Pelabelan data yang tidak akurat
Kesalahan pelabelan data dapat membuat model
berasumsi pada pola yang salah dan menghasilkan
output yang tidak diinginkan

29. REGULASI IMPLEMENTASI
AI & ML
Implementasi AI & ML penting dilakukan untuk memastikan
Penggunaan teknologi tersebut dilakukan dengan etis,
bertanggung jawab, dan tidak merugikan pihak manapun

30. Oleh : EKO SASMITO (230101010049)
07. AI DI INDUSTRI DAN BISNIS

31. Peranan AI dalam Otomatisasi Proses Bisnis
Efisiensi Operasional Melalui Otomasi
Teknologi AI dapat membantu perusahaan dalam mengotomatisasi
tugas-tugas yang rutin dan berulang, seperti pengisian data,
pengolahan informasi, dan pemrosesan transaksi, yang dapat
meningkatkan efisiensi dan mengurangi kesalahan manusia. Selain itu,
perusahaan dapat menganalisis data yang besar dan kompleks
dengan cepat dan akurat.
Hal ini dapat memungkinkan perusahaan untuk mengambil keputusan
bisnis yang lebih baik dan mempercepat pengambilan keputusan.
Teknologi AI juga dapat memprediksi perilaku pelanggan atau tren
pasar di masa depan, sehingga perusahaan dapat membuat
keputusan yang lebih baik tentang penjualan, persediaan, dan strategi
bisnis.

32. Peranan AI dalam Otomatisasi Proses Bisnis
Personalisasi Pelayanan Pelanggan
Teknologi AI mengumpulkan data perilaku dan preferensi
pelanggan, menganalisis data tersebut, dan menyajikan
rekomendasi yang disesuaikan dengan kebutuhan dan preferensi
masing-masing pelanggan.
Dengan informasi yang didapatkan, perusahaan dapat
menyarankan produk yang relevan dengan pembelian sebelumnya
atau menyesuaikan pesan pemasaran dengan demografi dan
minat pelanggan.
Pemahaman lebih terhadap preferensi dan perilaku pelanggan
membuat perusahaan dapat menyesuaikan banyak aspek seperti
warna, ukuran, dan fitur produk, gaya komunikasi yang digunakan,
waktu pengiriman sesuai dengan jadwal yang disukai oleh
pelanggan, hingga jenis konten yang ditampilkan dalam situs web
atau aplikasi.

33. Peranan AI dalam Otomatisasi Proses Bisnis
Pemasaran
Perusahaan dapat memanfaatkan teknologi
AI dalam menganalisis data tentang
perilaku konsumen, tren pasar, dan
preferensi produk dengan lebih cepat dan
efektif.
Kampanye pemasaran dapat dilakukan
secara lebih optimal dengan adanya
rekomendasi tentang waktu, lokasi, dan
pesan pemasaran yang tepat.
Perusahaan juga dapat melakukan forecast
terhadap permintaan pasar sesuai tren
maupun historical data.

34. Peranan AI dalam Otomatisasi Proses Bisnis
Virtual Assistance
Salah satu penerapan teknologi artificial intelligence (AI) dalam dunia bisnis yang
sering ditemukan adalah layanan virtual assistance.
Hal ini memungkinan Interaksi antara manusia dan mesin menjadi lebih lancar,
personal, dan efisien.
Contohnya seperti chatbot yang dapat menyelesaikan tugas-tugas tertentu atau
memberikan jawaban atas pertanyaan pelanggan.
Chatbot dilengkapi dengan pemahaman bahasa alami dan kemampuan untuk belajar
dari interaksi sebelumnya dengan pelanggan, sehingga semakin lama semakin mampu
memberikan respons yang lebih akurat dan efektif.

35. Peranan AI dalam Otomatisasi Proses Bisnis
Teknologi AI juga dikembangkan sebagai asisten pribadi seperti Siri atau Google
Assistant, yang dapat membantu pengguna dalam menyelesaikan tugas-tugas tertentu,
seperti menemukan informasi, mengatur jadwal, atau memutar musik.
Tidak hanya itu, pengembangan sistem pengenalan suara yang dapat membantu
pengguna untuk mengontrol perangkat atau sistem.

36. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
1. Transportasi
Saat ini mobil dan truk self-driving sudah tidak jarang ditemukan di pasaran juga di
jalanan.
Tidak perlu waktu lama menjadikan sistem AI sebagai standar isu teknologi di sektor
otomotif, seperti yang terlihat pada projek self-driving Google dan fitur autopilot Tesla.
Sistem AI tingkat lanjut mampu memberi prediksi yang tepat mengenai apa yang akan
dilakukan objek terdekat. Untuk membuat sinyal kontrol yang menggerakkan
kendaraan, sistem AI mengumpulkan informasi dari radar, kamera, GPS, dan layanan
cloud.
Transportasi yang didukung oleh sistem self-driving ini diharapkan dapat
menghilangkan kesalahan manusia dan meningkatkan keselamatan.
Pengembangan dalam sistem AI dipandang mampu meningkatkan dan memperkuat
sistem transportasi umum.

37. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
2. Kesehatan
Industri kesehatan menjadi salah satu sektor yang dikenal sudah
mengimplementasikan artificial intelligence sejak tahun 2023.
Kecerdasan buatan telah meningkatkan layanan kesehatan secara signifikan
dengan mempercepat penemuan obat, meningkatkan pengobatan jarak jauh,
memungkinkan perawatan yang dipersonalisasi, dan meningkatkan diagnostik.
Identifikasi penyakit dini dan diagnosis yang lebih tepat kini dimungkinkan oleh
algoritma machine learning dan pengobatan yang dipersonalisasi.
Hal ini memungkinkan profesional layanan kesehatan untuk menyesuaikan
rejimen pengobatan untuk profil genetik khusus setiap pasien.

38. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
3. Keuangan
Penggunaan sistem AI di bidang keuangan oleh para profesional keuangan juga kian marak,
contohnya seperti deteksi penipuan, penilaian kredit, perdagangan algoritmik, dan lainnya.
Deteksi transaksi mencurigakan secara real-time kini dapat dilakukan menggunakan algoritma
machine learning. Perdagangan algoritmik juga memungkinkan untuk melakukan
perdagangan dengan lebih cepat dan tepat.
Organisasi keuangan dapat meningkatkan keputusan investasi dan pinjaman mereka dengan
menggunakan AI untuk menganalisis risiko dengan lebih baik.
Tingginya tingkat regulasi di sektor keuangan dapat mempersulit untuk tetap mengikuti
berbagai regulasi.
Institusi keuangan dapat memanfaatkan sistem AI dengan mengotomatiskan analisis dokumen
dan pemantauan transaksi untuk mempermudah regulasi terhadap peraturan jenis ini.

39. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
4. Manufaktur
Optimisasi rantai pasokan, perencanaan pemeliharaan, serta kontrol
kualitas adalah contoh kecerdasan buatan digunakan dalam bidang
manufaktur.
Perusahaan manufaktur menggunakan replika digital untuk menghasilkan
versi virtual dari sebuah produk, begitu juga dengan prosedur dan sistem
yang berwujud.
Hal ini mempermudah pabrik untuk dapat mensimulasikan, memantau, dan
terus meningkatkan pengoperasian lini produksi mereka berkat
representasi digital ini.

40. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
5. Retail
Bisnis retail sudah menggunakan mengaplikasikan kecerdasan buatan untuk
pemasaran yang terfokus dan manajemen inventaris. Mereka menggunakan AI
untuk mengembangkan chatbot untuk customer support dan sistem rekomendasi
yang dipersonalisasi.
Mereka juga memasukkan teknologi visual search ke dalam toko online mereka,
yang memungkinkan pengguna memasukkan foto sebagai pengganti pertanyaan
berbasis teks untuk menemukan produk tertentu.
Atribut gambar yang diunggah dapat dianalisis oleh visual search engines
berbasis AI yang kemudian dapat menghasilkan daftar produk sebanding yang
akan dijual.

41. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
6. Pendidikan
Jika membicarakan contoh kecerdasan buatan, tentu tidak bisa luput dari bidang pendidikan.
Ini karena pembelajaran adaptif yang berbasis AI dapat menyesuaikan konten pendidikan dengan
kebutuhan setiap siswa di ruang kelas. Plagiarisme juga dapat dengan mudah dideteksi untuk menjaga
integritas catatan akademik.
Tenaga pengajar bahkan dapat menggunakan data analytics untuk memperkirakan kinerja siswa, yang
memungkinkan mereka mengambil tindakan korektif segera setelah masalah teridentifikasi.
Penggunaan AI juga mempermudah semua orang untuk mengakses pendidikan, terutama mereka yang
berada di tempat yang jauh.
Tutor virtual yang digerakkan oleh AI dapat menawarkan bantuan dan bimbingan individual,
meningkatkan pengajaran kelas tradisional dan membuka pendidikan berkualitas tinggi untuk audiens
yang lebih luas.

42. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
7. Layanan Hukum
Kecerdasan buatan bahkan dapat diberdayakan untuk bidang layanan hukum.
Teknologi berbasis kecerdasan buatan dapat dengan cepat menganalisis banyak
dokumen hukum, menemukan potensi masalah dalam kontrak, dan mempercepat
penelitian hukum dengan mengekstraksi data terkait.
Selain itu, AI semakin banyak digunakan dalam penyelesaian konflik untuk
menyederhanakan dan menurunkan biaya proses arbitrase atau mediasi bagi
praktisi hukum.

43. Studi Kasus Keberhasilan penggunaan AI di
berbagai Industri.
8. Keamanan
Last but not least, AI merupakan teknologi yang revolusioner di bidang
keamanan. Sistem AI dapat digunakan oleh lembaga penegak hukum dan
perusahaan cyber security untuk pengawasan, deteksi ancaman, dan pengenalan
wajah.
Dengan mendeteksi dan menghilangkan kemungkinan bahaya secara real time,
teknologi ini meningkatkan keamanan publik dan memerangi kejahatan dunia
maya.

44. Lorem ipsum dolor sit amet, consectetur
adipiscingelit. Duis vulputate nulla at ante
rhoncus, vel efficitur felis condimentum.
Proin odio odio.
08. MENILAI
KEBERHASILAN MODEL
MACHINE LEARNING
• Oleh : ELIGIA DARA JAWANSU (230101010027)

45. Lorem ipsum dolor sit amet, consectetur
adipiscingelit. Duis vulputate nulla at ante
rhoncus, vel efficitur felis condimentum.
Proin odio odio.
Bagaimana Menentukan Sejauh Mana
Model ML berhasil?
Menentukan sejauh mana model
machine learning berhasil
melibatkan beberapa langkah
evaluasi yang mendalam. Berikut
adalah beberapa metode umum
yang digunakan:
1 . Metrik Kinerja
(Performance Metrics)
4 . Analisis Kesalahan
(Error Analysis)
7 . Pengukuran Waktu
dan Sumber Daya
2 . Validasi Silang (Cross-
Validation)
5 . Kurva Pembelajaran
(Learning Curves).
8 . Benchmark dengan
Model Lain
3 . Matriks Confusion
(Confusion Matrix)
6 . AUC-ROC dan Kurva
Presisi-Recall
9 . Validasi Eksternal

46. 1 . Metrik Kinerja (Performance Metrics): Pilih metrik yang sesuai dengan jenis masalah
yang sedang diatasi. Misalnya, untuk klasifikasi, Anda dapat menggunakan akurasi,
presisi, recall, F1-score, atau area di bawah kurva ROC (AUC-ROC). Untuk regresi, metrik
seperti Mean Absolute Error (MAE), Mean Squared Error (MSE), atau R-squared dapat
digunakan.
2 . Validasi Silang (Cross-Validation): Gunakan teknik validasi silang untuk menghindari
overfitting dan mendapatkan estimasi yang lebih stabil terhadap performa model. K-Fold
Cross-Validation membagi data menjadi beberapa lipatan, melatih model pada subset dan
menguji pada subset lainnya.
3 . Matriks Confusion (Confusion Matrix): Untuk tugas klasifikasi, periksa matriks
kebingungan untuk memahami sejauh mana model dapat membedakan antara kelas yang
berbeda, dan periksa presisi, recall, dan F1-score untuk setiap kelas.

47. 4 . Analisis Kesalahan (Error Analysis): Teliti kasus-kasus di mana model
memberikan prediksi yang salah. Ini dapat membantu mengidentifikasi
pola atau kecenderungan tertentu yang perlu diperbaiki.
5 . Kurva Pembelajaran (Learning Curves): Pantau kurva pembelajaran
untuk memahami bagaimana kinerja model berkembang seiring waktu
dan seiring dengan jumlah data pelatihan yang berbeda.
6 . AUC-ROC dan Kurva Presisi-Recall: Terutama untuk tugas klasifikasi
biner, analisis AUC-ROC dan kurva presisi-recall memberikan pandangan
lebih mendalam tentang kinerja model pada berbagai ambang batas.

48. 7 . Pengukuran Waktu dan Sumber Daya: Pertimbangkan waktu yang
diperlukan oleh model untuk melatih dan melakukan prediksi. Pastikan model
memenuhi persyaratan sumber daya yang ada.
8 . Benchmark dengan Model Lain: Bandingkan hasil model dengan model lain
atau dengan hasil dari metode yang lebih sederhana sebagai pembanding
untuk menentukan apakah kompleksitas model sebanding dengan
peningkatan kinerja.
9 . Validasi Eksternal: Jika memungkinkan, validasi model pada set data yang
belum pernah dilihat sebelumnya untuk memastikan bahwa model dapat
generalisasi ke data yang tidak dikenal.

49. Faktor-faktor Akurasi dan Ketepatan
Prediksi pada ML
Dalam mengevaluasi model machine learning, ada
beberapa faktor yang perlu dipertimbangkan
Menganalisis berbagai faktor ini membantu mendapatkan
pemahaman yang komprehensif tentang kinerja model
dan membimbing pemilihan model atau perbaikan yang
mungkin diperlukan.

50. Faktor-faktor Akurasi dan Ketepatan
Prediksi pada ML
1. Akurasi: Mengukur tingkat prediksi yang benar secara keseluruhan.
2. Presisi: Mengukur akurasi prediksi positif secara spesifik.
3. Recall: Mengukur kemampuan model mengidentifikasi semua kasus positif.
4. F1-Score: Rata-harmonik antara presisi dan recall.
5. AUC-ROC: Ukuran kemampuan model membedakan kelas positif dan
negatif.
6. Precision-Recall Curve: Memberikan gambaran detail kinerja model pada
berbagai ambang batas.
7. Matriks Confusion: Menunjukkan seberapa baik model memprediksi setiap
kelas.

51. Faktor-faktor Akurasi dan Ketepatan
Prediksi pada ML
8. Kurva Pembelajaran: Menilai perkembangan kinerja model seiring waktu dan ukuran sampel
pelatihan.
9. Ketepatan Kelas Kecil: Memastikan model dapat memprediksi kelas minoritas.
10. Waktu Eksekusi: Pertimbangan terhadap efisiensi waktu model.
11. Validasi Silang: Memastikan model generalisasi ke data yang tidak terlihat selama pelatihan.
12. Pengukuran Error: Misalnya, MAE atau MSE untuk masalah regresi.
Interpretabilitas Model: Sejauh mana model dapat diinterpretasikan.
13. Interpretabilitas Model: Sejauh mana model dapat diinterpretasikan.

52. 09. Perkembangan
Terkini dalam AI dan ML
Oleh : Syahrul Ramadhan (230101010033)
ICT Literacy_Kel. 1

53. ICT Literacy_Kel. 1
Teknologi terbaru dan tren dalam riset AI
dan Machine Learning
Menurut para ahli, AI akan terus memberikan dampak besar terhadap industri
pada tahun 2022 dan seterusnya. Hal itu didukung dengan kondisi pandemi
melanda dunia kemarin. Sehingga banyak perusahaan teknologi berbasis
artificial intelligence dan machine learning yang membuat terobosan baru.
Saat ini, perusahaan teknologi seprerti Google, Microsoft, Meta menyiapkan
alat dan perangkat lunak AI yang dapat meningkatkan proses kerja mereka,
mengurangi atau menghapus kesalahan, dan menganalisis data dengan skala
besar dan beberapa teknologi tersebut dapat kita rasakan dampaknya dimana
kita sendiri hampir setiap hari menggunakan layanan mereka.

54. ICT Literacy_Kel. 1
CONTOH TREN
TEKNOLOGI AI DAN ML
Learned Language Models (LLM)
Learned Language Models (LLM) adalah jenis
model AI yang menguasai pemahaman dan
generasi teks seperti manusia melalui pelatihan
menggunakan sejumlah besar data bahasa.
Berbeda dengan pendekatan berbasis aturan,
LLM menggunakan teknik pembelajaran
mendalam, memungkinkan mereka untuk
menangkap pola kompleks dalam bahasa.

55. ICT Literacy_Kel. 1
CONTOH TREN
TEKNOLOGI AI DAN ML
Personalisasi konten yg digunakan perusahaan teknologi seperti Meta dan
Tiktok
Meta dan TikTok, dua perusahaan teknologi besar, menerapkan teknologi
machine learning untuk tujuan personalisasi pengalaman pengguna.
Keduanya menggunakan algoritma machine learning untuk mengumpulkan
dan menganalisis data pengguna, termasuk interaksi seperti 'like', 'share',
dan 'comment' di platform mereka. Selain sumber data internal, keduanya
juga dapat menggabungkan data dari aplikasi dan situs web mitra serta
sumber eksternal untuk meningkatkan pemahaman tentang preferensi dan
perilaku pengguna. Algoritma machine learning yang digunakan oleh kedua
platform ini memproses data tersebut untuk membentuk profil pengguna
dan menyajikan konten yang lebih relevan dan disesuaikan dengan
kecenderungan dan preferensi masing-masing pengguna.
.

56. ICT Literacy_Kel. 1
DAMPAK PERKEMBANGAN TEKNOLIGI AI
DAN ML PADA INDUSTRI DAN
MASYARAKAT.
Teknologi kecerdasan buatan (Artificial Intelligence/AI) sudah menjadi
trend di era digital saat ini. AI memiliki potensi untuk mengubah cara
kita hidup dan bekerja. Penggunaan AI di berbagai sektor seperti
perbankan, otomotif, dan pendidikan semakin meluas. Namun, seperti
halnya teknologi lain, AI juga memiliki dampak positif dan negatif
terhadap masyarakat.
.

57. ICT Literacy_Kel. 1
Dampak positif
Teknologi AI dan machine learning merangsang inovasi di berbagai
bidang dan membuka potensi untuk menyelesaikan masalah kompleks
serta mengeksplorasi wilayah baru. Dampak positif yang mencolok
melibatkan peningkatan efisiensi operasional melalui otomatisasi tugas-
tugas rutin, personalisasi pengalaman pengguna dengan rekomendasi
konten yang disesuaikan.
Dengan penerapan teknologi AI dan machine learning, kita juga
menyaksikan peningkatan pengalaman pengguna di berbagai aplikasi
dan kontribusi terhadap pengembangan kendaraan otonom di bidang
transportasi.

58. ICT Literacy_Kel. 1
CONTOHNYA..

59. ICT Literacy_Kel. 1
Dampak Negatif
Namun, di sisi lain, teknologi AI juga memiliki dampak negatif. Salah satu dampak
negatif dari teknologi AI adalah pengangguran. AI dapat mengambil alih pekerjaan
manusia dalam beberapa sektor. Sebagai contoh, di sektor design grafis dengan
teknologi AI dapat melakukan tugas-tugas yang sebelumnya dilakukan oleh pekerja
manusia. Hal ini dapat menyebabkan banyak pekerja kehilangan pekerjaannya.
Selain itu implementasi teknologi machine learning dalam berbagai sektor juga
menimbulkan dampak negatif, terutama terkait privasi dan etika. Penggunaan
algoritma canggih untuk analisis data dapat menimbulkan kekhawatiran privasi
karena kemampuannya dalam mengumpulkan, menyimpan, dan menganalisis
informasi pribadi, Oleh karena itu, sambil mengakui manfaatnya, perlu adanya
upaya serius dalam mengatasi tantangan privasi dan etika yang dihasilkan oleh
kemajuan teknologi machine learning.

60. 10. Artificial intelligence (AI) & Machine learning
dalam Masa Depan
Oleh : Andra Prawira Kusumah (230101010012)
ICT Literacy

61. 10.1 Artificial intelligence (AI) dan Machine learning (ML) dalam Masa
Depan
Masyarakat kita saat ini mengalami perubahan paradigma dan
pergeseran zaman. Dalam bahasa Christensen, inovasi teknologi telah
membuat dunia dalam keadaan terganggu; ketika satu inovasi dapat
mengganggu pasar yang ada. Dalam gambaran yang lebih besar,
teknologi telah membuat perubahan mendasar dalam cara hidup dan
interaksinya. Waktu dan ruang dikompresi sehingga orang – orang di
seluruh dunia dapat saling mengenal, bertukar nomor telepon, email,
sosial media, dan lain-lainnya.

62. 10.2 Artificial intelligence (AI) dan Machine learning (ML)
dalam Masa Depan
Contoh-contoh AI dan ML dalam masa depan sebagai berikut :
1. AI dan ML akan mengubah metode ilmiah.
Dengan AI dan pembelajaran mesin (ML), kita dapat berharap untuk melihat urutan besarnya
peningkatan dalam apa yang dapat dicapai.
2. AI akan menjadi pilar kebijakan luar negeri.
Komisi Keamanan Nasional untuk Kecerdasan Buatan telah dibentuk rekomendasi terperinci,
menyimpulkan bahwa pemerintah A.S. perlu sangat mempercepat inovasi AI. Ada sedikit keraguan
bahwa AI akan sangat penting bagi ketahanan ekonomi yang berkelanjutan dan kepemimpinan geopolitik
Amerika Serikat.
3. AI akan memungkinkan pengalaman konsumen generasi berikutnya.
Pengalaman konsumen generasi berikutnya seperti metaverse dan cryptocurrency telah mengumpulkan
banyak desas-desus. Pengalaman-pengalaman ini dan yang lainnya seperti mereka akan dimungkinkan
secara kritis oleh AI.

63. 4. Mengatasi krisis iklim akan membutuhkan AI.
Pendekatan baru yang potensial melibatkan pasar prediksi yang didukung oleh AI yang dapat
mengikat kebijakan dengan dampak, mengambil pandangan holistik terhadap informasi
lingkungan dan saling ketergantungan.
5. AI akan memungkinkan obat yang benar-benar dipersonalisasi.
Obat pribadi telah menjadi aspirasi sejak decoding genom manusia. Tapi tragisnya itu tetap
merupakan aspirasi. Satu aplikasi AI yang muncul secara meyakinkan melibatkan sintesis
terapi individual untuk pasien. Selain itu, AI memiliki potensi untuk suatu hari mensintesis dan
memprediksi modalitas pengobatan yang dipersonalisasi dalam waktu dekat tidak diperlukan
uji klinis.

64. 10.3 Artificial intelligence (AI) dan Machine learning (ML) dalam Masa Depan
Dampak Positif AI & ML dalam masa depan sebagai berikut :
Efisiensi dan Produktivitas:
1) AI & ML dapat meningkatkan efisiensi dan produktivitas dalam berbagai bidang kehidupan, termasuk
industri, layanan kesehatan, transportasi, dan banyak lagi.
2) Dapat melakukan tugas yang repetitif dan memakan waktu dengan cepat dan akurat, membebaskan
waktu dan sumber daya manusia untuk fokus pada tugas yang memerlukan kecerdasan dan kreativitas
manusia.
Kemajuan dalam Kesehatan:
1) Dapat menganalisis data medis dan memberikan diagnosis yang lebih cepat dan akurat.
2) pengembangan obat baru, pemantauan pasien, dan perawatan kesehatan yang lebih personal dan
terarah.
Peningkatan Keamanan:
1) Di sektor transportasi, AI & ML dapat digunakan dalam sistem pengemudi otonom untuk mengurangi
risiko kecelakaan.
2) Di bidang keamanan siber, AI dapat membantu mendeteksi ancaman dan melindungi data sensitif.

65. 10.3 Artificial intelligence (AI) dan Machine learning (ML) dalam Masa Depan
Dampak Positif AI & ML dalam masa depan sebagai berikut :
Kemudahan dan Kenyamanan:
1) Berkat AI & ML, kita dapat menikmati berbagai kemudahan dan kenyamanan dalam
kehidupan sehari-hari. Asisten virtual seperti Siri, Google Assistant, dan Alexa dapat
membantu dalam menjawab pertanyaan, mengatur jadwal, dan melakukan tugas-tugas
sederhana lainnya.
2) Smart home devices yang ditenagai AI & ML juga dapat mengotomatisasi berbagai tugas
rumah tangga, seperti mengatur suhu ruangan, pencahayaan, dan sistem keamanan

66. 10.3 Artificial intelligence (AI) dan Machine learning (ML) dalam Masa Depan
Dampak Negatif AI & ML dalam masa depan sebagai berikut :
1) Penggantian Pekerjaan Manusia: Salah satu kekhawatiran utama terkait AI & ML adalah penggantian pekerjaan
manusia oleh mesin cerdas. Sejumlah pekerjaan yang repetitif dan berulang dapat digantikan oleh sistem, sehingga
berpotensi mengurangi lapangan kerja manusia. Hal ini menimbulkan kekhawatiran tentang pengangguran massal
dan kesenjangan ekonomi yang lebih besar.
2) Privasi dan Keamanan Data: Penggunaan AI & ML melibatkan pengumpulan dan analisis besar-besaran data. Hal
ini menimbulkan masalah privasi dan keamanan data, karena informasi pribadi dapat terekspos dan
disalahgunakan. Perlindungan data yang kuat dan kebijakan privasi yang jelas diperlukan untuk mengatasi masalah
ini.
3) Bias dan Diskriminasi: AI & ML cenderung mengambil keputusan berdasarkan data yang diberikan. Namun, jika
data yang digunakan berasal dari sumber yang bias, dan dapat menjadi bias dan diskriminatif. Hal ini dapat
mengakibatkan ketimpangan sosial dan penyalahgunaan kekuasaan.
4) Ketergantungan dan Kehilangan Kontrol: Semakin luas penggunaan AI & ML dalam kehidupan sehari-hari, semakin
kita menjadi tergantung pada teknologi tersebut. Kehilangan kontrol dan ketergantungan yang berlebihan pada AI &
ML dapat menjadi masalah, terutama jika terjadi kegagalan sistem atau manipulasi yang tidak diinginkan.

67. 10.4 Artificial intelligence (AI) dan Machine learning (ML) dalam Masa Depan
Apa Saja yang Bisa Dilakukan Artificial Intelligence (AI) dan Machine learning (ML) di Masa Depan? :
1) Teknologi akan berdampak kepada kinerja keamanan dalam melawan cybercrime. Langkah awal untuk
menangkal kejahatan siber yang dilakukan menggunakan mesin adalah dengan melawannya
menggunakan mesin juga.
2) Oknum cybercrime biasanya menggunakan kecanggihan teknologi untuk mengeksploitasi celah
keamanan sistem untuk mendapatkan data yang mereka butuhkan. Dalam hal ini, tentunya juga
diperlukan AI untuk mengamankan, karena kecepatan dan ketelitian yang dihasilkan oleh AI tidak bisa
dilakukan manusia..
3) Akan digunakan untuk membantu proses automasi sistem keamanan. Tentunya dalam kasus ini akan
berkaitan langsung dengan machine learning dalam proses automasi, gunanya untuk mendeteksi
ancaman cybercrime.
4) Akan membantu terkait masalah keamanan data. Hal ini dikatakan oleh ilmuwan IT Josh Johsnton Direktur
AI dari Kount. Ia berpendapat bahwa kata sandi atau PIN yang saat ini digunakan oleh pemegang akun

68. 10.5 Artificial intelligence (AI) dan Machine learning (ML)
dalam Masa Depan
Kesimpulan : kecerdasan buatan AI dan ML memiliki dampak positif dan negatif dalam
masa depan. Sementara AI dan ML dapat meningkatkan efisiensi, memberikan kemajuan
dalam bidang kesehatan, meningkatkan keamanan, dan memberikan kenyamanan, kita
juga perlu berhati-hati terhadap konsekuensi negatif seperti penggantian pekerjaan,
masalah privasi, bias, dan ketergantungan yang berlebihan. Penting bagi kita untuk
mengadopsi dan mengatur penggunaan AI dan ML dengan bijaksana, dengan
mempertimbangkan dampaknya terhadap masyarakat dan mengembangkan kebijakan dan
regulasi yang tepat.