SlideShare a Scribd company logo
1 of 4
NAMA : Heriyanto
NIM : 131110739
Kelas : TPA-SORE
1. Saya setujudenganpendapatturingbahwamesinitudapatberpikirkarenakitamungkinsaja
pernahberchattingdengantemankitatetapi yangmenjawabadalahchatbotssuatuscript
computeryangdapat berinteraksi denganmanusiatetapi kitatidakmenyadari bahwayang
menjawabchattingandabukantemananda.
2. Mungkinsaja karenatesturing hanyamenentukanseberapamanusiawijawabanyang
dilontarkanolehmesin.
3. Halanganyang dapat terjadi mungkincomputertidakbisamenentukanmanayangbenardan
salah.
4. PengolahanBahasa Alami atau Natural Language Processing(NLP)
komponenpentingdalamtextminingdansubbidangdalamkecerdasanbuatan(artificial
intelligence/AI)dankomputasi linguisticdan mempelajaritentangbagaimana
memahami bahasamanusiadengancara mengubahgambaranbahasamanusia(seperti
dokumenteks) menjadi penyajianyanglebihformal(dalambentukdatanumericdansombolik)
yang lebihmudahuntukdimanupulasi olehprogramcomputer.TujuanNLPadalahuntuk
melangkahmelebihi manipulasi teksberbasissintaks(yangseringkali disebutdengan‘word
counting’) ke pemahamanyangbenardanmemprosesbahasaalami yangmempertimbangkan
berbagai batasansemantikdangramatikal danjugakonteks.
ContohImplementasi :
 Part-of-speech tagging. Sangatlah sulit untuk menandai istilah-istilah dalam suatu teks
yang terkait dengan bagian tertentu dari suatu naskah (misalnya kata benda, kata kerja,
kata sifat, kata keterangan, dst), karena bagian dari naskah tidak hanya bergantung pada
definisi istilah tetapi juga pada konteks dimana teks digunakan.
 Text segmentation. Beberapa bahasa tulisan, seperti bahasa mandarin, jepang, dan thai,
tidak memiliki batasan kata. Dalam contoh ini, tugas text-parsing memerlukan idetifikasi
terhadap batasan kata, yang seringkali merupakan tugas yang sangat sulit. Tantangan
serupa dalam segmentasi naskah muncul ketika menganalisa bahasa verbal, karena suara
menyajikan rangkaian huruf dan kata yang bercampur satu sama lain.
 Word sense disambiguation. Banyak kata yang memiliki lebih dari satu arti. Memilih
arti yang paling masuk akan hanya bisa dicapai dengan mempertimbangkan konteks di
mana kata digunakan.
 Syntactic ambiguity. Tata bahasa dalam bahasa alami seringkali ambigu; artinya, ada
berbagai struktur kalimat yang memungkinakan yang perlu dipertimbangkan. Memilih
struktur yang paling tepat biasanya memerlukan paduan informasi kontektual dan
semantik.
 Imperfect or irregular input. Aksen asing atau lokal dan berbagai hambatan vokal
dalam pidato dan kesalahan ketik dan tata bahasa dalam teks-teks menyebabkan
pengolahan bahasa bahkan lebih sulit.
 Speech acts. Suatu kalimat seringkali dianggap sebagai suatu aksi oleh si pembicara.
Struktur kalimatnya sendiri mungkin tidak berisi cukup informasi untuk mendefinisikan
tindakan ini. Contohnya, “Can you pass the class?” memerlukan jawaban singkat
ya/tidak, padahal “Can you pass the salt?” adalah permintaan untuk melakukan suatu
tindakan nyata untuk dilakukan.
5. Knowledge Representation
Pengetahuan yangpentingdandiperlukanpembuatprogramuntukmendapatkansolusi
masalah
ContohImplementasi :
1. Object– atribut– value (OAV) triplet
OAV merupakancara representasi pengetahuanyangmenjadikansuatu
fakta/pengetahuanmemilikiobjek.Setiapobjekmemiliki satuataulebihatributdan
setiapatributtersebutmemiliki suatunilai/value.ArtinyapadasaatKnowledge
Engineer(KE),melakukanakuisisiharusmampuuntukmelihatfakta/pengetahuandari
sisi OAV. Ilustrasi berikutmenjelaskancontoh OAV .
Pada contohdi atas, adalahcontoh dari OAV.BaikChairdan Ball adalahaobjek,
sedangkancolor,diameter,weightadalahatributdari objektersebut.Adapun‘brown’,
‘1 meter’dan ‘100 gram’ adalahvalue dari atributyangada. Pada praktiknya,kalaukita
mempelajariCLIPS(CLanguage IntegratedProductionSystem)konsepOAVtersebut
terlihatpadasaat mendefinikanfakta
6. Automated Reasoning
merupakanilmuyangmenjadikancomputeruntukmenerapkanpenalaranlogisdalam
memecahkanmasalah, AutotamedReasoningmerupakanprogramcomputeryangmembantu
dalammemecahkanmasalahdandalammenjawabpertanyaan-pertanyaanmembutuhkan
penalaraan.
ContohImplementasi :
Apabilax menikahdengany,danx adalahibu dari z maka y adalahayah dari z, jika statemen
true dapat disimpulkan
Bibi menikahdenganbaba
Baba bukanayah dari bobo
7. Machine learningmelibatkanhal-hal sepertipengenalanpoladankecerdasanbuatan.Algoritma
dari sebuah machinelearning idealnyabisamengenali,menarikpelajarandanmelakukan
prediksi atasdata. Contoh: Google Photosandabisa menguploadfototanpabatasdandari
koleksi fotoyangtelahdi uploadakanterbentukkategorisasisecaraotomatis.
8. Computer vision
Computer vision adalah ilmu dan teknologi mesin yang melihat, di mana lihat
dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang
diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, Computer
vision berkaitan dengan teori di balik sistem buatan bahwa ekstrak informasi dari
gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan
dari beberapa kamera, atau data multi-dimensi dari scanner medis.
Sebagai disiplin teknologi, Computer vision berusaha untuk menerapkan teori dan model
untuk pembangunan sistem Computer vision.
Contoh implementasi :
Bidang Pertahanan dan Keamanan (Militer).
Contoh jelas adalah deteksi tentara musuh atau kendaraan dan bimbingan rudal. Lebih
sistem canggih untuk panduan mengirim rudal rudal ke daerah daripada target yang
spesifik,dan pemilihan target yang dibuat ketika rudal mencapai daerah berdasarkan data
citradiperoleh secara lokal. konsep modern militer, seperti “kesadaran medan
perang”,menunjukkan bahwa berbagai sensor, termasuk sensor gambar, menyediakan kaya
setinformasi tentang adegan tempur yang dapat digunakan untuk mendukung
keputusanstrategis. Dalam hal ini, pengolahan otomatis data yang digunakan untuk
mengurangikompleksitas dan informasi sekering dari sensor ganda untuk meningkatkan
keandalan.
9. Robotika adalah satu cabang teknologi yang berhubungan dengan desain, konstruksi,
operasi, disposisi struktural, pembuatan, dan aplikasi dari robot. Robotika terkait dengan
ilmu pengetahuan bidang elektronika, mesin, mekanika, dan perangkat lunak komputer.
Contoh Implementasi :
Drone X-47B
Angkatan Laut AS sukses meluncurkan sebuah pesawat tak berawak atau drone dari
kapal induk untuk pertama kalinya. Kesuksesan itu merupakan sebuah terobosan untuk
penerbangan robot. X-47B dirancang untuk terbang lebih jauh dan tinggal di udara lebih
lama dari pesawat yang ada, karena tidak tergantung pada daya tahan pilot manusia.

More Related Content

Similar to NLP, Machine Learning, Computer Vision, Robotika dan Knowledge Representation

Kecerdasan Buatan - Tugas 1
Kecerdasan Buatan - Tugas 1Kecerdasan Buatan - Tugas 1
Kecerdasan Buatan - Tugas 1IDementor
 
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...Alfi Nurfazri
 
Tugas 1 : Tes Alan Turing dan Bidang AI
Tugas 1 : Tes Alan Turing dan Bidang AITugas 1 : Tes Alan Turing dan Bidang AI
Tugas 1 : Tes Alan Turing dan Bidang AIbima_pamungkas
 
Logika algoritma dan pemograman
Logika algoritma dan pemogramanLogika algoritma dan pemograman
Logika algoritma dan pemogramandiran rahmat
 
131110038 frenkysalim tp-asore
131110038 frenkysalim tp-asore131110038 frenkysalim tp-asore
131110038 frenkysalim tp-asorefrengkylim
 
Summary about Chatbot AIML
Summary about Chatbot AIMLSummary about Chatbot AIML
Summary about Chatbot AIMLRon Ashrovy
 
Abidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar_Gifari
 
Abidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar_Gifari
 
Tugas AI (fransisca loren) TPA Sore
Tugas AI (fransisca loren)   TPA SoreTugas AI (fransisca loren)   TPA Sore
Tugas AI (fransisca loren) TPA Sorefransiscaloren
 
Kecerdasan buatan
Kecerdasan buatanKecerdasan buatan
Kecerdasan buatancorcrash
 
Bahasa alami di dunia komputer imk
Bahasa alami di dunia komputer imkBahasa alami di dunia komputer imk
Bahasa alami di dunia komputer imkListyowatik (Yanie)
 
dasar-dasar pemrograman
dasar-dasar pemrogramandasar-dasar pemrograman
dasar-dasar pemrogramanReza Optoriter
 
Artificial intelligence
Artificial intelligenceArtificial intelligence
Artificial intelligenceNico Nandika
 
Logika algoritma dan pemograman
Logika algoritma dan pemogramanLogika algoritma dan pemograman
Logika algoritma dan pemogramanIlham marduantha
 

Similar to NLP, Machine Learning, Computer Vision, Robotika dan Knowledge Representation (20)

Kecerdasan Buatan - Tugas 1
Kecerdasan Buatan - Tugas 1Kecerdasan Buatan - Tugas 1
Kecerdasan Buatan - Tugas 1
 
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...
Sim 1, alfi nurfazri, hapzi_ali, artificial_intelligence, universitas_mercu_b...
 
Tugas 1 : Tes Alan Turing dan Bidang AI
Tugas 1 : Tes Alan Turing dan Bidang AITugas 1 : Tes Alan Turing dan Bidang AI
Tugas 1 : Tes Alan Turing dan Bidang AI
 
Logika algoritma dan pemograman
Logika algoritma dan pemogramanLogika algoritma dan pemograman
Logika algoritma dan pemograman
 
Daskom 4
Daskom 4Daskom 4
Daskom 4
 
Pengenalan bahasa pemrograman
Pengenalan bahasa pemrogramanPengenalan bahasa pemrograman
Pengenalan bahasa pemrograman
 
131110038 frenkysalim tp-asore
131110038 frenkysalim tp-asore131110038 frenkysalim tp-asore
131110038 frenkysalim tp-asore
 
Summary about Chatbot AIML
Summary about Chatbot AIMLSummary about Chatbot AIML
Summary about Chatbot AIML
 
Abidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti d
 
Abidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti dAbidzar gifari 1610530218 s1 ti d
Abidzar gifari 1610530218 s1 ti d
 
Tugas AI (fransisca loren) TPA Sore
Tugas AI (fransisca loren)   TPA SoreTugas AI (fransisca loren)   TPA Sore
Tugas AI (fransisca loren) TPA Sore
 
Kecerdasan buatan
Kecerdasan buatanKecerdasan buatan
Kecerdasan buatan
 
Bab 1
Bab 1 Bab 1
Bab 1
 
Bahasa alami di dunia komputer imk
Bahasa alami di dunia komputer imkBahasa alami di dunia komputer imk
Bahasa alami di dunia komputer imk
 
dasar-dasar pemrograman
dasar-dasar pemrogramandasar-dasar pemrograman
dasar-dasar pemrograman
 
Artificial intelligence
Artificial intelligenceArtificial intelligence
Artificial intelligence
 
Logika algoritma dan pemograman
Logika algoritma dan pemogramanLogika algoritma dan pemograman
Logika algoritma dan pemograman
 
Definisi Algoritma
Definisi AlgoritmaDefinisi Algoritma
Definisi Algoritma
 
Modul Pemrograman Dasar.pdf
Modul Pemrograman Dasar.pdfModul Pemrograman Dasar.pdf
Modul Pemrograman Dasar.pdf
 
Modul algoritma pemrograman-dasar x rpl
Modul algoritma pemrograman-dasar x rplModul algoritma pemrograman-dasar x rpl
Modul algoritma pemrograman-dasar x rpl
 

Recently uploaded

Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docx
Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docxTugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docx
Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docxmawan5982
 
Modul 1.2.a.8 Koneksi antar materi 1.2.pdf
Modul 1.2.a.8 Koneksi antar materi 1.2.pdfModul 1.2.a.8 Koneksi antar materi 1.2.pdf
Modul 1.2.a.8 Koneksi antar materi 1.2.pdfSitiJulaeha820399
 
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAK
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAKDEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAK
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAKirwan461475
 
Aksi Nyata Modul 1.1 Calon Guru Penggerak
Aksi Nyata Modul 1.1 Calon Guru PenggerakAksi Nyata Modul 1.1 Calon Guru Penggerak
Aksi Nyata Modul 1.1 Calon Guru Penggeraksupriadi611
 
Modul Ajar Bahasa Indonesia Kelas 4 Fase B
Modul Ajar Bahasa Indonesia Kelas 4 Fase BModul Ajar Bahasa Indonesia Kelas 4 Fase B
Modul Ajar Bahasa Indonesia Kelas 4 Fase BAbdiera
 
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdf
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdfTUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdf
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdfElaAditya
 
soal AKM Mata Pelajaran PPKN kelas .pptx
soal AKM Mata Pelajaran PPKN kelas .pptxsoal AKM Mata Pelajaran PPKN kelas .pptx
soal AKM Mata Pelajaran PPKN kelas .pptxazhari524
 
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...Kanaidi ken
 
tugas 1 tutorial online anak berkebutuhan khusus di SD
tugas 1 tutorial online anak berkebutuhan khusus di SDtugas 1 tutorial online anak berkebutuhan khusus di SD
tugas 1 tutorial online anak berkebutuhan khusus di SDmawan5982
 
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]Abdiera
 
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptx
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptxBab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptx
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptxssuser35630b
 
Dinamika Hidrosfer geografi kelas X genap
Dinamika Hidrosfer geografi kelas X genapDinamika Hidrosfer geografi kelas X genap
Dinamika Hidrosfer geografi kelas X genapsefrida3
 
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajat
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajatLatihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajat
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajatArfiGraphy
 
Keterampilan menyimak kelas bawah tugas UT
Keterampilan menyimak kelas bawah tugas UTKeterampilan menyimak kelas bawah tugas UT
Keterampilan menyimak kelas bawah tugas UTIndraAdm
 
ppt-modul-6-pend-seni-di sd kelompok 2 ppt
ppt-modul-6-pend-seni-di sd kelompok 2 pptppt-modul-6-pend-seni-di sd kelompok 2 ppt
ppt-modul-6-pend-seni-di sd kelompok 2 pptArkhaRega1
 
Materi Pertemuan 6 Materi Pertemuan 6.pptx
Materi Pertemuan 6 Materi Pertemuan 6.pptxMateri Pertemuan 6 Materi Pertemuan 6.pptx
Materi Pertemuan 6 Materi Pertemuan 6.pptxRezaWahyuni6
 
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKA
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKAMODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKA
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKAAndiCoc
 
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docx
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docxLK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docx
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docxPurmiasih
 
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMM
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMMLaporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMM
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMMmulyadia43
 
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptx
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptxSesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptx
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptxSovyOktavianti
 

Recently uploaded (20)

Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docx
Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docxTugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docx
Tugas 1 pembaruan dlm pembelajaran jawaban tugas tuton 1.docx
 
Modul 1.2.a.8 Koneksi antar materi 1.2.pdf
Modul 1.2.a.8 Koneksi antar materi 1.2.pdfModul 1.2.a.8 Koneksi antar materi 1.2.pdf
Modul 1.2.a.8 Koneksi antar materi 1.2.pdf
 
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAK
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAKDEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAK
DEMONSTRASI KONTEKSTUAL MODUL 1.3 PENDIDIKAN GURU PENGGERAK
 
Aksi Nyata Modul 1.1 Calon Guru Penggerak
Aksi Nyata Modul 1.1 Calon Guru PenggerakAksi Nyata Modul 1.1 Calon Guru Penggerak
Aksi Nyata Modul 1.1 Calon Guru Penggerak
 
Modul Ajar Bahasa Indonesia Kelas 4 Fase B
Modul Ajar Bahasa Indonesia Kelas 4 Fase BModul Ajar Bahasa Indonesia Kelas 4 Fase B
Modul Ajar Bahasa Indonesia Kelas 4 Fase B
 
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdf
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdfTUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdf
TUGAS GURU PENGGERAK Aksi Nyata Modul 1.1.pdf
 
soal AKM Mata Pelajaran PPKN kelas .pptx
soal AKM Mata Pelajaran PPKN kelas .pptxsoal AKM Mata Pelajaran PPKN kelas .pptx
soal AKM Mata Pelajaran PPKN kelas .pptx
 
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...
PELAKSANAAN + Link2 Materi Pelatihan "Teknik Perhitungan & Verifikasi TKDN & ...
 
tugas 1 tutorial online anak berkebutuhan khusus di SD
tugas 1 tutorial online anak berkebutuhan khusus di SDtugas 1 tutorial online anak berkebutuhan khusus di SD
tugas 1 tutorial online anak berkebutuhan khusus di SD
 
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]
Modul Ajar Biologi Kelas 11 Fase F Kurikulum Merdeka [abdiera.com]
 
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptx
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptxBab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptx
Bab 7 - Perilaku Ekonomi dan Kesejahteraan Sosial.pptx
 
Dinamika Hidrosfer geografi kelas X genap
Dinamika Hidrosfer geografi kelas X genapDinamika Hidrosfer geografi kelas X genap
Dinamika Hidrosfer geografi kelas X genap
 
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajat
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajatLatihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajat
Latihan Soal bahasa Indonesia untuk anak sekolah sekelas SMP atau pun sederajat
 
Keterampilan menyimak kelas bawah tugas UT
Keterampilan menyimak kelas bawah tugas UTKeterampilan menyimak kelas bawah tugas UT
Keterampilan menyimak kelas bawah tugas UT
 
ppt-modul-6-pend-seni-di sd kelompok 2 ppt
ppt-modul-6-pend-seni-di sd kelompok 2 pptppt-modul-6-pend-seni-di sd kelompok 2 ppt
ppt-modul-6-pend-seni-di sd kelompok 2 ppt
 
Materi Pertemuan 6 Materi Pertemuan 6.pptx
Materi Pertemuan 6 Materi Pertemuan 6.pptxMateri Pertemuan 6 Materi Pertemuan 6.pptx
Materi Pertemuan 6 Materi Pertemuan 6.pptx
 
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKA
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKAMODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKA
MODUL AJAR MATEMATIKA KELAS 6 KURIKULUM MERDEKA
 
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docx
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docxLK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docx
LK.01._LK_Peta_Pikir modul 1.3_Kel1_NURYANTI_101.docx
 
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMM
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMMLaporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMM
Laporan Guru Piket untuk Pengisian RHK Guru Pengelolaan KInerja Guru di PMM
 
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptx
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptxSesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptx
Sesi 1_PPT Ruang Kolaborasi Modul 1.3 _ ke 1_PGP Angkatan 10.pptx
 

NLP, Machine Learning, Computer Vision, Robotika dan Knowledge Representation

  • 1. NAMA : Heriyanto NIM : 131110739 Kelas : TPA-SORE 1. Saya setujudenganpendapatturingbahwamesinitudapatberpikirkarenakitamungkinsaja pernahberchattingdengantemankitatetapi yangmenjawabadalahchatbotssuatuscript computeryangdapat berinteraksi denganmanusiatetapi kitatidakmenyadari bahwayang menjawabchattingandabukantemananda. 2. Mungkinsaja karenatesturing hanyamenentukanseberapamanusiawijawabanyang dilontarkanolehmesin. 3. Halanganyang dapat terjadi mungkincomputertidakbisamenentukanmanayangbenardan salah. 4. PengolahanBahasa Alami atau Natural Language Processing(NLP) komponenpentingdalamtextminingdansubbidangdalamkecerdasanbuatan(artificial intelligence/AI)dankomputasi linguisticdan mempelajaritentangbagaimana memahami bahasamanusiadengancara mengubahgambaranbahasamanusia(seperti dokumenteks) menjadi penyajianyanglebihformal(dalambentukdatanumericdansombolik) yang lebihmudahuntukdimanupulasi olehprogramcomputer.TujuanNLPadalahuntuk melangkahmelebihi manipulasi teksberbasissintaks(yangseringkali disebutdengan‘word counting’) ke pemahamanyangbenardanmemprosesbahasaalami yangmempertimbangkan berbagai batasansemantikdangramatikal danjugakonteks. ContohImplementasi :  Part-of-speech tagging. Sangatlah sulit untuk menandai istilah-istilah dalam suatu teks yang terkait dengan bagian tertentu dari suatu naskah (misalnya kata benda, kata kerja, kata sifat, kata keterangan, dst), karena bagian dari naskah tidak hanya bergantung pada definisi istilah tetapi juga pada konteks dimana teks digunakan.  Text segmentation. Beberapa bahasa tulisan, seperti bahasa mandarin, jepang, dan thai, tidak memiliki batasan kata. Dalam contoh ini, tugas text-parsing memerlukan idetifikasi terhadap batasan kata, yang seringkali merupakan tugas yang sangat sulit. Tantangan serupa dalam segmentasi naskah muncul ketika menganalisa bahasa verbal, karena suara menyajikan rangkaian huruf dan kata yang bercampur satu sama lain.  Word sense disambiguation. Banyak kata yang memiliki lebih dari satu arti. Memilih arti yang paling masuk akan hanya bisa dicapai dengan mempertimbangkan konteks di mana kata digunakan.  Syntactic ambiguity. Tata bahasa dalam bahasa alami seringkali ambigu; artinya, ada berbagai struktur kalimat yang memungkinakan yang perlu dipertimbangkan. Memilih
  • 2. struktur yang paling tepat biasanya memerlukan paduan informasi kontektual dan semantik.  Imperfect or irregular input. Aksen asing atau lokal dan berbagai hambatan vokal dalam pidato dan kesalahan ketik dan tata bahasa dalam teks-teks menyebabkan pengolahan bahasa bahkan lebih sulit.  Speech acts. Suatu kalimat seringkali dianggap sebagai suatu aksi oleh si pembicara. Struktur kalimatnya sendiri mungkin tidak berisi cukup informasi untuk mendefinisikan tindakan ini. Contohnya, “Can you pass the class?” memerlukan jawaban singkat ya/tidak, padahal “Can you pass the salt?” adalah permintaan untuk melakukan suatu tindakan nyata untuk dilakukan. 5. Knowledge Representation Pengetahuan yangpentingdandiperlukanpembuatprogramuntukmendapatkansolusi masalah ContohImplementasi : 1. Object– atribut– value (OAV) triplet OAV merupakancara representasi pengetahuanyangmenjadikansuatu fakta/pengetahuanmemilikiobjek.Setiapobjekmemiliki satuataulebihatributdan setiapatributtersebutmemiliki suatunilai/value.ArtinyapadasaatKnowledge Engineer(KE),melakukanakuisisiharusmampuuntukmelihatfakta/pengetahuandari sisi OAV. Ilustrasi berikutmenjelaskancontoh OAV . Pada contohdi atas, adalahcontoh dari OAV.BaikChairdan Ball adalahaobjek, sedangkancolor,diameter,weightadalahatributdari objektersebut.Adapun‘brown’, ‘1 meter’dan ‘100 gram’ adalahvalue dari atributyangada. Pada praktiknya,kalaukita mempelajariCLIPS(CLanguage IntegratedProductionSystem)konsepOAVtersebut terlihatpadasaat mendefinikanfakta
  • 3. 6. Automated Reasoning merupakanilmuyangmenjadikancomputeruntukmenerapkanpenalaranlogisdalam memecahkanmasalah, AutotamedReasoningmerupakanprogramcomputeryangmembantu dalammemecahkanmasalahdandalammenjawabpertanyaan-pertanyaanmembutuhkan penalaraan. ContohImplementasi : Apabilax menikahdengany,danx adalahibu dari z maka y adalahayah dari z, jika statemen true dapat disimpulkan Bibi menikahdenganbaba Baba bukanayah dari bobo 7. Machine learningmelibatkanhal-hal sepertipengenalanpoladankecerdasanbuatan.Algoritma dari sebuah machinelearning idealnyabisamengenali,menarikpelajarandanmelakukan prediksi atasdata. Contoh: Google Photosandabisa menguploadfototanpabatasdandari koleksi fotoyangtelahdi uploadakanterbentukkategorisasisecaraotomatis. 8. Computer vision Computer vision adalah ilmu dan teknologi mesin yang melihat, di mana lihat dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, Computer vision berkaitan dengan teori di balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis. Sebagai disiplin teknologi, Computer vision berusaha untuk menerapkan teori dan model untuk pembangunan sistem Computer vision. Contoh implementasi : Bidang Pertahanan dan Keamanan (Militer). Contoh jelas adalah deteksi tentara musuh atau kendaraan dan bimbingan rudal. Lebih sistem canggih untuk panduan mengirim rudal rudal ke daerah daripada target yang spesifik,dan pemilihan target yang dibuat ketika rudal mencapai daerah berdasarkan data citradiperoleh secara lokal. konsep modern militer, seperti “kesadaran medan perang”,menunjukkan bahwa berbagai sensor, termasuk sensor gambar, menyediakan kaya setinformasi tentang adegan tempur yang dapat digunakan untuk mendukung keputusanstrategis. Dalam hal ini, pengolahan otomatis data yang digunakan untuk mengurangikompleksitas dan informasi sekering dari sensor ganda untuk meningkatkan keandalan.
  • 4. 9. Robotika adalah satu cabang teknologi yang berhubungan dengan desain, konstruksi, operasi, disposisi struktural, pembuatan, dan aplikasi dari robot. Robotika terkait dengan ilmu pengetahuan bidang elektronika, mesin, mekanika, dan perangkat lunak komputer. Contoh Implementasi : Drone X-47B Angkatan Laut AS sukses meluncurkan sebuah pesawat tak berawak atau drone dari kapal induk untuk pertama kalinya. Kesuksesan itu merupakan sebuah terobosan untuk penerbangan robot. X-47B dirancang untuk terbang lebih jauh dan tinggal di udara lebih lama dari pesawat yang ada, karena tidak tergantung pada daya tahan pilot manusia.