Pengembangan Aplikasi Kecerdasan Artifisial

​Pengembangan Aplikasi Kecerdasan Artifisial dengan App Inventor

Sejak perkembangan komputer digital pada tahun 1940-an, AI telah telah banyak diimplementasikan untuk melakukan tugas yang kompleks seperti, misalnya, menemukan bukti untuk teorema matematika atau bermain catur dengan sangat mahir.

Tahukah kalian saat ini teknologi kecerdasan artifisial telah
banyak diimplementasikan pada kehidupan kita sehari-hari.
Kalian mungkin pernah mendengar Google Assistant, Apple
Siri, Amazon Alexia yang merupakan aplikasi asisten pribadi
yang dapat melakukan pekerjaan tertentu dengan perintah
menggunakan suara. Saat ini banyak perusahaan di
Indonesia yang menggunakan chatbot untuk berinteraksi
dengan konsumen secara otomatis, atau ketika kalian
menggunakan youtube maka akan muncul video
rekomendasi yang sesuai dengan kesukaan kalian.

Nama-nama produk diatas adalah contoh-contoh
produk hasil dari kecerdasan artifisial, dan masih
banyak contoh lain yang digunakan di industri dalam
bentuk robot otomasi industri, robot penjelajah ruang
angkasa, dll.

Sejak perkembangan komputer digital pada tahun
1940-an, AI telah telah banyak diimplementasikan
untuk melakukan tugas yang kompleks seperti,
misalnya, menemukan bukti untuk teorema matematika
atau bermain catur dengan sangat mahir.

Namun, meskipun kemajuan terus-menerus dalam
kecepatan pemrosesan komputer dan kapasitas
memori, belum ada program yang dapat menandingi
fleksibilitas manusia dalam domain yang lebih luas atau
dalam tugas-tugas yang membutuhkan banyak
pengetahuan sehari-hari.

Multiple Choice

Pengertian kecerdasan menurut Winston dan Pendergast, 1994. Kecuali :

• Kecerdasan yang dimiliki oleh sistem atau mesin
  atau komputer

• Kemampuan memahami pesan yang kontradiktif dan ambigu

• Kemampuan tidak menggunakan penalaran dalam memecahkan masalah antara serta menyelesaikan secara efektif

• Kemampuan  untuk menarik kesimpulan berdasar pengalaman yang berkaitan dengan representasi dan duplikasi proses tersebut melalui mesin.

Multiple Choice

Berikut ini merupakan kelebihan dari kecerdasan alami, yaitu...

• Kecerdasan alami bersifat konsisten

• Kecerdasan alami dapat didokumentasikan

• Kecerdasan alami dapat mengerjakan pekerjaan lebih cepat

• Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung

Multiple Choice

Dua bagian utama yg dibutuhkan untuk aplikasi kecerdasan buatan :

• Science base dan inference engine

• Knowledge base dan software engine

• Knowledge base dan inference engine

• Science base dan software engine

Pengertian

Sejarah AI

Komponen

AI

Perbedaan AI

Aplikasi AI

2

Kecerdasan Artifisial

Kecerdasan artifisial atau Artificial Intelligence (AI)
adalah kecerdasan yang dimiliki oleh sistem atau mesin
atau komputer. AI mampu untuk melakukan tugas yang
umumnya terkait dengan kemampuan makhluk cerdas.
Istilah ini sering diterapkan pada proyek
pengembangan sistem yang memiliki sifat
intelektualitas manusia, seperti kemampuan untuk
menalar, menemukan makna, melakukan generalisasi,
atau belajar dari pengalaman masa lalu.

Pengertian

3

• Menurut Rich (1991), Kecerdasan Buatan adalah

“Sebuah studi tentang bagaimana membuat
komputer mengerjakan sesuatu yang dapat
dikerjakan manusia”.

• Menurut Suparman (1991) Artificial Intelligence atau

Kecerdasan Buatan merupakan sub bidang
pengetahuan komputer yang khusus ditujukan untuk
membuat software dan hardware yang sepenuhnya
bisa menirukan beberapa fungsi otak manusia.

Pengertian

4

• Salah satu bagian ilmu komputer yang membuat

agar mesin (komputer) dapat melakukan pekerjaan
seperti dan sebaik yang dilakukan oleh manusia (Sri
Kusuma Dewi, 2003).

​McCarthy adalah orang yang mempopulerkan istilah “Artificial Intelligence” (kecerdasan buatan) untuk menggambarkan upaya untuk mengembangkan komputer dan program yang dapat melakukan tugas-tugas yang memerlukan kecerdasan manusia.

​Kelahiran AI, Konferensi Dartmouth College 1956

SEJARAH ARTIFICIAL INTELEGENCE

Basis

Pengetahuan

Motor

Inferensi

Input:

masalah,

pertanyaan

, dll

Output:

jawaban,

solusi,

dll

Komputer

Gambar 1.1 Penerapan Konsep Kecerdasan Buatan di Komputer.

Komponen AI

Untuk membangun aplikasi kecerdasan
buatan ada 2 bagian utama yang sangat
dibutuhkan (Gambar 1.1), yaitu:
1. Basis Pengetahuan (Knowledge Base)

berisi fakta-fakta, teori, pemikiran
dan hubungan antara satu dengan
lainnya.

2. Motor Inferensi (Inference Engine)

yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.

Komponen AI

Perbedaan AI

KECERDASAN ALAMI
1. Cepat mengalami Perubahan/Bersifat

lebih kreatif

2. Tidak mudah diduplikasi dan

disebarkankarena mentransfer
pengetahuan manusia dari satu
orang ke orang lain membutuhkan
proses yang sangat lama; dan juga
suatu keahlian itu tidak akan pernah
dapat diduplikasi dengan lengkap.

3. Lebih Mahal karena harus

mendatangkan seseorang untuk
mengerjakan sejumlah pekerjaan
dalam jangka waktu yang sangat
lama.

KECERDASAN BUATAN
1. Lebih permanen

2. Lebih mudah diduplikasi dan

disebarkan

3. Lebih murah

KECERDASAN BUATAN
4. Konsisten dan menyeluruh karena

kecerdasan buatan adalah bagian
dari teknologi komputer.

5. Dapat didokumentasikan dengan

cara melacak setiap aktivitas dari
sistem tersebut.

6. Dapat mengeksekusi tugas

tertentu lebih cepat

7. Dapat menjalankan tugas tertentu

lebih baik dari banyak atau
kebanyakan orang.

KECERDASAN ALAMI
4. Senantiasa berubah-ubah.

5. Kecerdasan alami sangat sulit untuk

direproduksi.

6. Lebih lama dalam mengeksekusi

tugas tertentu

7. Memiliki kelemahan dalam

menjalankan tugas tertentu

KECERDASAN BUATAN
8. Untuk menambah pengetahuan

harus dilakukan melalui sistem
yang dibangun.

9. Harus bekerja dengan input-input

simbolik.

10.sangat terbatas

KECERDASAN ALAMI
8. Kreatif, karena kemampuan untuk

menambah ataupun memenuhi
pengetahuan itu sangat melekat
pada jiwa manusia.

9. Memungkinkan orang untuk

menggunakan pengalaman secara
langsung

10.Pemikiran manusia dapat

digunakan secara luas

Perbedaan komputasi kecerdasan buatan dengan

komputasi konvensional

Dimensi

Kecerdasan Buatan
Pemrograman
Konvensional

PEMROSESAN

Mengandung konsep-
konsep simbolik

Algoritmik

Sifat Input

Bisa tidak lengkap

Harus lengkap

Pencarian

Kebanyakan bersifat
heuristik

Biasanya didasarkan
pada algoritma

Keterangan

Disediakan

Biasanya tidak
disediakan

Fokus

Pengetahuan

Data & informasi

Struktur

Kontrol dipisahkan dari
pengetahuan

Kontrol terintegrasi
dengan informasi (data)

Sifat output

Kuantitatif

Kualitatif

Pemeliharaan &
update

Relatif mudah

Sulit

Kemampuan menalar

Ya

Tidak

APLIKASI-APLIKASI AI

1. Sistem Pakar (Expert System). Disini komputer

digunakan sebagai sarana untuk menyimpan
pengetahuan para pakar. Dengan demikian
komputer akan memiliki keahlian untuk
menyelesaikan permasalahan dengan meniru
keahlian yang dimiliki oleh pakar.

2. Pengolahan Bahasa Alami (Natural Language

Processing). Dengan pengolahan bahasa alami ini
diharapkan user dapat berkomunikasi dengan
komputer dengan menggunakan bahasa sehari-
hari.

3. Pengenalan Ucapan (Speech Recognition).

Melalui pengenalan ucapan diharapkan manusia
dapat berkomunikasi dengan komputer dengan
menggunakan suara.

4. Robotika & Sistem Sensor (Robotics & Sensory

Systems).

5. Computer Vision, mencoba untuk dapat

menginterpretasikan gambar atau obyek-obyek
tampak melalui komputer.

6.

Intelligent Computer-aided Instruction. Komputer
dapat digunakan sebagai tutor yang dapat melatih
dan mengajar.

7. Game Playing.

Tugas

• Cari contoh aplikasi kecerdasan buatan, dan

jelaskan fungsi dari aplikasi tersebut dalam
kehidupan nyata

Di sisi lain, beberapa program telah mencapai tingkat
kinerja yang sangat impresif yang dapat menggantikan
para ahli dan profesional manusia dalam melakukan
tugas-tugas tertentu, seperti diagnosis medis, mesin
pencari komputer, dan pengenalan suara atau tulisan
tangan.

Kecerdasan Artifisial kemudian berkembang dengan
memunculkan berbagai subbidang yaitu:
a. Machine Learning: Machine Learning adalah mesin

pembelajar yang mampu melakukan pembuatan
model analitik secara otomatis. Mesin ini
menggunakan beberapa metode berbasis statistik,
jaringan saraf, fisika, dll untuk menemukan insight
(wawasan) tersembunyi dari data tanpa diprogram
secara eksplisit.

Mesin ini mampu mengambil kesimpulan secara
otomatis.

b. Deep Learning: Deep Learning adalah mesin

pembelajar dengan pembelajaran mendalam
menggunakan jaringan syaraf tiruan dengan ukuran
dan lapisan unit pemrosesan yang besar.

Multiple Choice

Berikut ini merupakan kelebihan dari Kecerdasan Buatan, kecuali...

• Kecerdasan buatan lebih bersifat permanen

• Kecerdasan buatan lebih mahal dibanding dengan kecerdasan alami

• Kecerdasan buatan lebih mudah diduplikasi dan disebarkan

• Kecerdasan buatan bersifat konsisten

Multiple Choice

AIBO dan ASIMO adalah robot anjing cerdas dan robot yang menyerupai manusia, juga dapat berinteraksi dengan manusia. Sistem robot ini telah menggunakan penerapan kecerdasan buatan pada...

• Bidang pengembangan mainan

• Bidang transportasi

• Bidang industri

• Bidang telekomunikasi

Deep Learning memanfaatkan kemajuan dalam
kemampuan komputasi dari perangkat komputer
yang semakin cepat dan algoritma training
(pelatihan) yang terus meningkat kinerjanya untuk
mengenali pola kompleks dalam data besar. Aplikasi
umum Deep Learning yang banyak digunakan
adalah pengenalan gambar dan suara.

Pada beberapa literatur disebutkan bahwa Deep
Learning adalah subset dari Machine Learning, dan
Machine Learning adalah subset dari Kecerdasan
Artifisial.

Machine Learning adalah bagian dari bidang ilmu
kecerdasan artifisial yang mempelajari cara membuat
mesin atau sistem yang memiliki kecerdasan dan
menyerupai manusia yang mampu belajar dan
memecahkan masalah.

Beberapa contoh dari machine learning adalah search
engine pada peramban, (contoh: Google, Bing), sosial
media yang memiliki kemampuan memberi saran
kepada pengguna yang biasa disebut recommendation
system (contoh: Youtube, Netflix, E-Commerce), mobil
otonom (contoh: Tesla), game dengan pengambilan
keputusan otomatis.

Machine learning diharapkan menjadi sistem yang
mampu belajar terus menerus. Dengan semakin
banyak data yang dipelajari, sistem akan menjadi
semakin pintar.

Bagaimana cara kerja machine
learning untuk klasifikasi gambar
(image)?

Klasifikasi gambar adalah salah satu fitur penting pada
machine learning, sebagai contoh pada mobil otonom
yang dapat bergerak tanpa sopir, mobil ini harus
mampu dengan cepat untuk menginterpretasikan dan
mengklasifikasi sebuah objek yang dilihat dari kamera.

Mobil harus menentukan apakah objek tersebut
kendaraan lain, pejalan kaki (pedestrian) atau rambu
lalu lintas. Hal ini sangat penting bagi mobil otonom
karena sangat berpengaruh pada gerak jalan mobil.

Salah satu library/extension perkakas machine learning
di MIT App Inventor yang mampu mengklasifikasikan
gambar adalah LookExtension. Library ini dapat
menerima gambar yang diambil dari kamera sebagai
input dan mampu mengklasifikasi gambar input tersebut
menjadi output yang disajikan dalam bentuk teks /
tulisan.

Contoh pada gambar berikut adalah klasifikasi sebuah
gambar apakah kelas/kategorinya adalah kucing atau
anjing.

Untuk mendapatkan output klasifikasi berupa teks
“Kucing (tingkat kepercayaan 95%)” atau “Anjing
(tingkat kepercayaan 5%)” terjadi proses
penghitungan/komputasi yang cukup tinggi dan
kompleks. Proses komputasi akan menghasilkan
kesimpulan sebuah gambar adalah kucing atau anjing.

Agar dapat menghasilkan kesimpulan yang mampu
mengklasifikasikan gambar, sistem pada awalnya
dilatih untuk dapat mengklasifikasikan gambar (image)
tertentu. Sebagai contoh, jika kalian ingin
mengembangkan sistem untuk dapat mengenali dan
mengklasifikasi gambar kucing atau anjing,

maka kalian harus melatih sistem dengan memberikan
banyak gambar kucing dan memberi nama kategori
(label) kucing dan memberikan banyak gambar anjing
serta memberi label atau kategori anjing juga agar
sistem dapat mengingat dan mengenalinya.
Memberikan kategori atau label sangat penting bagi
sistem, sehingga ketika sistem diberikan input gambar
baru, sistem akan dapat menentukan apakah gambar
tersebut lebih mirip gambar kucing atau anjing.

Dengan contoh gambar kucing dan anjing yang cukup,
program akan terlatih untuk
menentukan/mengklasifikasi suatu gambar adalah
anjing atau kucing. Secara umum, semakin banyak
gambar yang dilatihkan untuk tiap tiap kelas, sistem
akan menjadi semakin baik dan andal ketika
mengklasifikasikan gambar baru.

Ketika sistem telah dilatih dengan gambar yang cukup,
selanjutnya sistem dapat diuji dengan memberikan
gambar baru yang tidak diberikan pada saat pelatihan
(training).

Menurut kalian apa hasil klasifikasi dari gambar tadi?
Jika hasil klasifikasinya keliru maka sistem machine
learning kita dapat dilatih dan diuji kembali dengan
gambar baru tadi, sama seperti manusia yang terus
menerus belajar. Pelatihan/ pembelajaran yang terus
menerus membuat sistem kita semakin pintar.

Tapi kita harus berhati-hati karena sistem kita hanya
dirancang untuk hanya mampu mengklasifikasikan
gambar yang telah kita latihkan, dalam hal ini adalah
kucing atau anjing. Sebuah gambar yang sangat
berbeda bisa jadi akan diklasifikasi sebagai kucing atau
anjing. Sebagai contoh gambar kuda berikut, bisa saja
terklasifikasi sebagai kucing atau anjing, yang
merupakan klasifikasi yang salah.

Jadi karena sistem pengklasifikasi kita hanya bisa
membedakan dua kelas/kategori/label maka gambar
berbeda akan diklasifikasi pada kedua kelas tersebut.
Kelas dapat dikembangkan/ditambah untuk
kelas/kategori yang lain dengan proses pelatihan dan
pengujian kembali.

Salah satu algoritma penting untuk klasifikasi gambar
pada Machine Learning adalah Artificial Neural Network
(Jaringan Saraf Buatan). Artificial Neural Network
(ANN) diinspirasi dari cara kerja otak manusia yang
terdiri dari kumpulan neuron. Pada sub berikut kalian
akan belajar dasar dari algoritma ANN.

Artificial Neural Network

ANN adalah algoritma machine learning yang
digunakan pada library/extension LookExtension MIT di
IDE App Inventor. LookExtension akan kalian
eksplorasi pada aktivitias selanjutnya. ANN memiliki
cara untuk mepresentasikan pengetahuan dalam
kumpulan node yang diilhami dari kumpulan neuron
pada otak manusia yang saling tersambung.

Hubungan antar node digambarkan dalam bentuk garis
yang diilhami oleh sinapsis pada otak manusia.
Pengetahuan pada node dan sinapsis tercipta melalui
runtunan proses komputasi random, spesifik, dan saling
terkait dengan node lain. Ilustrasi ANN sederhana
tampak pada gambar berikut, node digambarkan dalam
bentuk bulatan dan garis (hubungan antar node)
digambarkan dengan garis panah.

Node input pada lapisan input menerima input, maka
gambar akan direpresentasikan dalam bentuk data di
node input, node berikutnya akan melakukan komputasi
untuk menentukan kelas apa dari gambar pada input
tersebut. Garis panah memiliki bobot/weight berbeda
yang tampak dengan tebal tipisnya garis panah.

Proses komputasi yang terjadi dengan melibatkan
bobot garis panah dan node terus berlanjut lapisan
berikutnya yang akan dibandingkan dengan gambar
sesuai label. Ada proses umpan balik (feedback) yang
terjadi yang terus menerus, perbedaan pembandingan
akan memicu perubahan bobot pada garis panah
sehingga membentuk konfigurasi yang optimal. Umpan
balik akan berhenti saat konfigurasi telah dianggap
optimal.

Proses pelatihan adalah proses untuk memperbaharui
bobot pada garis panah menuju kondisi optimal yang
terbaik untuk pengklasifikasian pola. Pelatihan
dianggap cukup, jika pengklasifikasian telah mampu
mengklasifikasinya gambar sesuai dengan labelnya,
bahkan juga jika gambar adalah gambar baru.

Proses pelatihan adalah komputasi yang cukup
kompleks seperti bagaimana menghitung error pada
saat pembandingan, pembaharuan bobot, dan
termasuk bagaimana gambar untuk pelatihan telah
mewakili keseluruhan dari gambar yang akan
diklasifikasi. Hal ini terus menjadi topik riset di Machine
Learning dan ANN sampai saat ini.

Pada ANN dikenal dua jenis pelatihan yang disebut
supervised dan unsupervised learning. Supervised
learning adalah cara umum yang digunakan untuk
klasifikasi gambar, dimana gambar input dan label telah
diketahui. Contoh pada klasifikasi gambar dengan
kelas/kategori/label “kucing” dan “anjing”, adalah salah
satu contoh supervised learning.

Jenis pelatihan unsupervised learning menggunakan
cara dimana input tersedia, namun kelas/kategori/label
belum diketahui. Pelatihan jenis ini biasanya digunakan
untuk mencari pola baru, misalnya dari data perjalanan
para turis, data medis yang akan dicari pola baru yang
belum diketahui sebelumnya.

LookExtension

Ekstensi LookExtension adalah library Neural Network
dengan jenis mobilenet yang secara khusus dirancang
untuk mengenali gambar dengan menggunakan ponsel.
Mobilenet sebenarnya telah dilatih untuk mengenali 999
kelas, dengan jutaan gambar. Kelas gambar tersebut
dapat diakses di tautan https://github.com/mit-
cml/appinventor-extensions/blob/
extension/look/appinventor/docs/reference/components/
classes.txt termasuk dengan labelnya.

Ekstensi ini bukan merupakan kode inti dari App
Inventor namun dapat digunakan dengan App Inventor
dengan melakukan impor ekstensi.