Kecerdasan Buatan dan IoT

Kecerdasan Buatan dan IoT Copyright© PT Penerbit Penamuda Media, 2024 Penulis: Arif Rahman Hakim, S.Kom., M.Kom., Demi Adidrana, M. T.I., Dwina Satrinia, S.Kom., M.T., Deny Haryadi, S.Kom., M.Kom., Indra Aulia, S.TI., M.Kom., CIAR., MCE., CIH., Nurul Ilmi, S.Kom.,M.T., Siti Zahrotul Fajriyah, M.Kom., Rana Zaini Fathiyana, S.ST., M.T., Syifa Nurgaida Yutia, M.T., Hertanto Suryoprayogo, S.Kom., M.Kom., Dewi Marini Umi Atmaja, S.Kom., M.Kom., Hesmi Aria Yanti, S.Kom., M.Kom., Zuki Pristiantoro Putro, S.T., MMSI. Editor: Halimatus Sa’diyah ISBN: 978-623-8586-91-2 Desain Sampul: Tim PT Penerbit Penamuda Media Tata Letak: Enbookdesign Diterbitkan Oleh PT Penerbit Penamuda Media Casa Sidoarium RT 03 Ngentak, Sidoarium Dodeam Sleman Yogyakarta HP/Whatsapp : +6285700592256 Email : [email protected] Web : www.penamuda.com Instagram : @penamudamedia Cetakan Pertama, Juni 2024 x + 199, 15x23 cm Hak cipta dilindungi oleh undang-undang Dilarang memperbanyak sebagian atau seluruh isi buku tanpa izin Penerbit

v Kata Pengantar eiring dengan perkembangan Kecerdasan Buatan dan Internet of Things telah menjadi pilar teknologi modern yang mengubah cara kita berinteraksi dengan dunia di sekitar kita. Buku ini hadir sebagai panduan komprehensif yang menggabungkan kedua konsep revolusioner tersebut. Dari konsep dasar hingga implementasi praktisnya, buku ini dirancang untuk memberikan pemahaman mendalam tentang bagaimana keduanya berinteraksi dan membentuk masa depan teknologi yang cerah. Melalui penjelasan yang jelas dan contoh aplikatif, pembaca akan dibimbing melalui kompleksitas Kecerdasan Buatan dan Internet of Things, memungkinkan mereka untuk mengeksplorasi potensi tak terbatas yang ditawarkan oleh gabungan inovasi ini. Kami berharap buku ini akan menjadi sumber inspirasi dan pengetahuan yang berharga dalam perjalanan Anda memahami dan memanfaatkan kekuatan besar yang terdapat dalam Kecerdasan Buatan dan Internet of Things. Terima kasih telah memilih buku ini sebagai panduan Anda. Selamat menikmati dan semoga karya ini memberikan wawasan yang berharga bagi Anda. S

vi Daftar Isi Kata Pengantar ...................................................................... v Daftar Isi ............................................................................. vi Bab 1. Dasar Kecerdasan Buatan .............................................. 1 A. Pengantar Kecerdasan Buatan ......................................... 1 B. Konsep Dasar Kecerdasan Buatan .................................... 4 C. Komponen Utama Kecerdasan Buatan.............................. 7 Bab 2. Dasar Internet Of Things ............................................. 11 A. Definisi Internet of Things..............................................11 B. Komponen Utama Internet of Things ..............................14 C. Arsitektur Internet of Things ..........................................15 D. Teknologi di Dalam Internet of Things.............................16 E. Penerapan Internet of Things .........................................20 Bab 3. Algoritma dalam Kecerdasan Buatan ............................ 22 A. Pengantar Algoritma Kecerdasan Buatan.........................22 B. Machine Learning..........................................................23 C. Deep Learning...............................................................36 D. Optimasi .......................................................................38 E. Natural Language Processing (NLP) ................................40

vii Bab 4. Bidang Kecerdasan Buatan dalam Data ......................... 44 A. Definisi Data dalam Kecerdasan Buatan .......................... 46 B. Teknik dan Metode Kecerdasan Buatan dalam Pengolahan Data ........................................................... 48 C. Aplikasi Kecerdasan Buatan dalam Pengolahan Data........ 53 D. Tantangan dan Masa Depan Kecerdasan Buatan dalam Pengolahan Data ........................................................... 54 E. Kesimpulan .................................................................. 55 Bab 5. Kecerdasan Buatan dalam Teks ................................... 57 A. Konsep Dasar Natural Language Processing (NLP)........... 58 B. Tantangan yang dihadapi bidang NLP............................. 60 C. Tahapan Umum dalam Pengolahan Data Teks ................. 63 D. Implementasi AI dalam pembuatan Teks ........................ 74 Bab 6. Kecerdasan Buatan dalam Gambar dan Video ................ 76 A. Computer Vision ........................................................... 76 B. Pra-pemrosesan Gambar................................................ 78 C. Pengenalan Pola............................................................ 81 D. Analisis Video ............................................................... 83

viii Bab 7. Kecerdasan Buatan dalam bidang Suara ........................ 87 A. Sinyal Akustik................................................................88 B. Tahapan Pemrosesan Sinyal Suara ..................................89 C. Kecerdasan Buatan dalam Pemrosesan Suara...................91 D. Etika dan Tantangan Kecerdasan Buatan dalam Suara ......94 Bab 8. Perangkat Internet of Things ....................................... 96 A. Sensor ..........................................................................97 B. Modul Komunikasi....................................................... 101 C. Perangkat Edge............................................................ 102 D. Aktuator...................................................................... 103 E. Sistem Pengolah Data................................................... 104 Bab 9. Privasi dan Keamanan IoT.......................................... 105 A. Konsep Dasar Keamanan Segitiga CIA (CIA Triad) .......... 106 B. Ancaman Keamanan.................................................... 113 C. Model Serangan Keamanan .......................................... 115 Bab 10. Peranan AI dalam IoT .............................................. 118 A. AI dalam konteks IOT................................................... 118 B. Penerapan AI dalam IoT............................................... 121

ix Bab 11. Penerapan AI dalam Bidang Kesehatan ...................... 127 A. Definisi AI dalam Konteks Kesehatan.............................127 B. Signifikansi dan Potensi Aplikasi AI dalam Bidang Kesehatan....................................................................128 C. Etika dan Regulasi, Serta Keuntungan dan Tantangan dalam Mengadopsi Teknologi AI dalam Pelayanan Kesehatan....................................................................130 D. Penerapan AI dalam Kesehatan .....................................131 E. Penggunaan Algoritma Machine Learning untuk Diagnosis Penyakit .......................................................132 F. Teknik Deep Learning dalam Identifikasi Gambar Medis.133 G. Teknik AI untuk Analisis dan Interpretasi Data Medis .....135 H. Studi Kasus Penerapan AI dalam Bidang Kesehatan ........136 Bab 12. Studi Kasus Penerapan AI dalam IoT .......................... 139 A. Rangkaian Sensor PIR...................................................140 B. Rangkaian Sensor Pir dan Buzzer...................................141 C. Rangkaian Sensor Ultrasonik.........................................143 Bab 13. Masa Depan AI dan IoT ............................................ 149 A. Perkembangan Terkini .................................................149 B. Ruang Linkup Teknologi AI dan IoT...............................150 C. Manfaat AI dan IoT.......................................................153 D. Teknologi Pendukung...................................................161

x E. Masa Depan AI dan IoT ................................................ 165 F. Tantangan dan Hambatan ............................................ 168 G. Kasus Studi dan Implementasi Nyata AI dan IoT............. 170 Daftar Pustaka ................................................................... 176 Tentang Penulis ................................................................. 191

1 Dasar Kecerdasan Buatan Arif Rahman Hakim, S.Kom., M.Kom. A. Pengantar Kecerdasan Buatan Di era digital, teknologi canggih dan cerdas semakin merajai, salah satunya adalah kecerdasan buatan (Artificial Intellegence atau AI). AI berpotensi merevolusi banyak aspek kehidupan, mulai dari cara kita bekerja hingga berinteraksi dengan lingkungan sekitar. AI adalah cabang ilmu komputer yang fokus pada pembuatan agen cerdas yang dapat bernalar, belajar, dan bertindak otonom (Nilsson, 1980). Definisi AI beragam, namun secara umum adalah kemampuan mesin untuk melakukan tugas yang biasanya dilakukan manusia, seperti pengenalan pola, pemecahan masalah dan pengambilan keputusan (Russell and Norvig, 2010). AI bukan hanya tentang menciptakan mesin yang meniru perilaku manusia, tetapi juga memahami dunia dan belajar dari pengalaman (Luger, 2009). AI digunakan

2 untuk menyelesaikan berbagai masalah, dari yang sederhana seperti bermain game hingga yang kompleks seperti mendiagnosis penyakit. Sejarah AI dimulai pada pertengahan abad ke-20, ketika ilmuwan dan filsuf mulai memikirkan mesin cerdas (Russell and Norvig, 2010). Pada 1950-an, peneliti AI mengembangkan program komputer yang dapat bermain game dan menyelesaikan masalah logika. Contoh terkenal adalah General Problem Solver (GPS) oleh Allen Newell dan Herbert Simon pada 1957 (Poole and Mackworth, 2010). Pada 1960-an, muncul jaringan saraf tiruan yang terinspirasi oleh otak manusia (Russell and Norvig, 2010). Jaringan ini terdiri dari neuron buatan yang bisa belajar dari data dan membuat prediksi. Salah satu yang terkenal adalah Perceptron oleh Frank Rosenblatt pada 1958 (Poole and Mackworth, 2010). Pada 1970-an, sistem pakar dikembangkan untuk meniru pengetahuan pakar manusia dalam bidang tertentu (Luger, 2009). Contohnya adalah MYCIN oleh Edward Shortliffe pada 1974 (Poole and Mackworth, 2010). Pada 1980-an, AI mulai digunakan dalam aplikasi komersial seperti pengenalan suara dan gambar (Russell and Norvig, 2010). Contohnya adalah sistem pengenalan suara Dragon Naturally Speaking pada 1990 (Poole and Mackworth, 2010). Pada 1990-an, internet membuka peluang baru bagi AI (Russell and Norvig, 2010). Akses data besar digunakan untuk melatih model AI. Contohnya adalah Deep Blue

3 yang mengalahkan juara catur dunia Garry Kasparov pada 1997 (Poole and Mackworth, 2010). Abad ke-21, AI berkembang pesat dengan munculnya data besar dan algoritma pembelajaran mesin baru (Russell and Norvig, 2021). Algoritma ini belajar dari data dan meningkatkan kinerjanya secara otomatis. Contohnya adalah mobil self-driving yang menggunakan kamera, sensor, dan algoritma AI untuk memahami lingkungan dan membuat keputusan mengemudi. AI memiliki peran penting di era digital karena alasan berikut: 1. Meningkatkan efisiensi dan produktivitas AI dapat mengotomatiskan tugas-tugas berulang dan memakan waktu, sehingga manusia dapat fokus pada tugas yang lebih kreatif dan kompleks (Russell and Norvig, 2021). 2. Membuat keputusan yang lebih baik AI dapat menganalisis data dalam jumlah besar dengan cepat dan akurat, membantu manusia membuat keputusan yang lebih informed (Russell and Norvig, 2021). Contohnya, AI digunakan untuk menganalisis data medis guna mendiagnosis penyakit atau data keuangan untuk keputusan investasi yang lebih baik. 3. Menemukan solusi baru untuk masalah lama AI membantu menemukan solusi baru untuk masalah yang sulit dipecahkan dengan cara tradisional (Russell and Norvig, 2021). Contohnya, AI

4 digunakan untuk mengembangkan obat baru atau desain bangunan hemat energi. 4. Membuka peluang baru dalam inovasi dan penemuan AI membantu mengembangkan produk dan layanan baru yang sebelumnya tidak mungkin (Russell and Norvig, 2021). Contohnya, AI digunakan untuk mobil self-driving atau asisten virtual yang membantu dalam tugas sehari-hari. B. Konsep Dasar Kecerdasan Buatan Di era digital, kecerdasan buatan (AI) menjadi teknologi yang sangat inovatif dan disruptif. AI mampu meniru kecerdasan manusia dan menyelesaikan berbagai tugas, membuka peluang baru yang tak terbayangkan sebelumnya. Untuk memahami potensi dan aplikasi AI, penting mempelajari konsep dasar yang mendasarinya. Bagian ini membahas konsep dasar AI, termasuk pembelajaran mesin, pembelajaran mendalam dan jaringan saraf tiruan. Pembelajaran mesin (Machine Learning) adalah cabang AI yang berfokus pada pengembangan sistem yang belajar dari data secara otomatis (Russell and Norvig, 2021). Sistem ini tidak diprogram untuk tugas tertentu, tetapi belajar dari data dan meningkatkan kinerjanya seiring waktu. Salah satu teknik pembelajaran mesin umum adalah supervised learning, di mana sistem diberi contoh data berlabel dan belajar memetakan input ke output yang diinginkan (Nilsson, 1980). Contohnya, sistem ini

5 digunakan untuk melatih model pengenalan gambar agar dapat mengidentifikasi objek dalam foto. Teknik lain yang populer adalah unsupervised learning, di mana sistem diberi data tanpa label dan harus menemukan pola dalam data (Russell and Norvig, 2010). Contohnya, sistem ini digunakan untuk mengelompokkan pelanggan berdasarkan kebiasaan belanja mereka. Pembelajaran mesin memiliki banyak aplikasi, seperti: 1. Penambangan data Pembelajaran mesin digunakan untuk mengekstrak informasi berharga dari data besar dan kompleks (Poole and Mackworth, 2010). 2. Prediksi Pembelajaran mesin dapat memprediksi hasil di masa depan, seperti harga saham atau cuaca (Luger, 2009). 3. Klasifikasi Pembelajaran mesin mengklasifikasikan data ke dalam kategori berbeda, seperti spam email atau jenis kanker. 4. Rekomendasi Pembelajaran mesin merekomendasikan produk atau layanan kepada pengguna, seperti film atau restoran yang mungkin disukai. Pembelajaran mendalam (Deep Learning) adalah subbidang pembelajaran mesin yang menggunakan jaringan

6 saraf tiruan untuk belajar dari data (Goodfellow, Bengio and Courville, 2017). Jaringan saraf tiruan pada pembelajaran mendlam terinspirasi oleh otak manusia dan terdiri dari lapisan neuron yang terhubung. Pembelajaran mendalam berkembang pesat berkat ketersediaan data besar dan daya komputasi yang kuat. Teknik ini mencapai hasil luar biasa dalam pengenalan gambar, pengenalan suara, dan pemrosesan bahasa alami (Mitchell, 1997). Contoh aplikasi pembelajaran mendalam: 1. Mobil self-driving Mobil self-driving menggunakan pembelajaran mendalam untuk memahami lingkungan dan membuat keputusan mengemudi. 2. Asisten virtual Asisten virtual seperti Siri dan Alexa menggunakan pembelajaran mendalam untuk mema-hami bahasa alami dan menjawab pertanyaan peng-guna. 3. Rekomendasi musik Layanan seperti Spotify dan Apple Music menggunakan pembelajaran mendalam untuk merekomendasikan musik berdasarkan selera pengguna. Jaringan Saraf Tiruan (JST) atau Artificial Neural Networks (ANN) adalah model komputasi yang terinspirasi oleh otak manusia (Holland, 1992). JST terdiri dari neuron buatan yang terhubung dan dapat belajar dari data dengan menyesuaikan bobot koneksi.

7 JST telah mencapai hasil luar biasa dalam tugas seperti pengenalan gambar, suara, dan pemrosesan bahasa alami. Beberapa karakteristik JST yang membuatnya cocok untuk AI: 1. Kemampuan belajar JST dapat belajar dari data tanpa diprogram secara eksplisit. 2. Kemampuan generalisasi JST dapat belajar dari contoh data dan menggeneralisasi pengetahuannya ke data baru. 3. Kemampuan robustness JST dapat bekerja dengan baik meskipun data input tidak lengkap atau terdapat missing value. C. Komponen Utama Kecerdasan Buatan Di era digital, kecerdasan buatan (AI) menjadi teknologi yang sangat inovatif dan disruptif. Kemampuan AI meniru kecerdasan manusia dan menyelesaikan berbagai tugas membuka peluang baru yang tak terbayangkan sebelumnya. Untuk memahami potensi dan aplikasi AI, penting mempelajari komponen utamanya. Bagian ini akan membahas komponen utama AI, termasuk data, model, algoritma, dan komputasi. Data adalah bahan bakar AI. Tanpa data, AI tidak dapat belajar dan berkembang. Data bisa berupa teks, gambar, audio, dan video. Semakin banyak data, semakin baik kinerja AI (Russell and Norvig, 2021).

8 Data dikumpulkan dari berbagai sumber seperti internet, sensor, dan perangkat lunak. Data yang berkualitas tinggi dan akurat sangat penting untuk memastikan AI menghasilkan hasil yang akurat dan dapat diandalkan (Nilsson, 1980). Contoh penggunaan data dalam AI: 1. Pengenalan gambar Sistem AI bisa belajar dari data gambar untuk mengenali objek dan orang (Russell and Norvig, 2021). 2. Pemrosesan bahasa alami AI bisa dipelajari dari data teks untuk memahami bahasa manusia dan menjawab pertanyaan (Poole and Mackworth, 2010). 3. Prediksi AI bisa dipelajari dari data historis untuk meramalkan hasil di masa depan, seperti harga saham atau cuaca (Luger, 2009). Model adalah kerangka yang menentukan cara sistem belajar dan beroperasi. Ada berbagai jenis model AI seperti jaringan saraf tiruan, pohon keputusan, dan mesin vektor dukungan (Goodfellow, Bengio and Courville, 2017). Model AI diperbarui dengan data dan kemudian digunakan untuk membuat prediksi atau keputusan baru. Kualitas model AI yang baik adalah kemampuannya untuk belajar dari data dan memberikan prediksi yang akurat (Mitchell, 1997).

9 Berikut adalah beberapa contoh jenis model AI: 1. Jaringan saraf tiruan (artificial neural networks) yang terinspirasi oleh otak manusia, mampu belajar dari data dan membuat prediksi kompleks (Holland, 1992). 2. Pohon keputusan (decision tree) yang membagi data ke dalam kategori berdasarkan aturan tertentu dan dapat digunakan untuk membuat keputusan berdasarkan data. 3. Mesin vektor dukungan (support vector machine) yang merupakan algoritma untuk mengklasifikasikan data ke dalam beberapa kategori. Algoritma adalah instruksi yang digunakan oleh sistem AI untuk belajar dan bekerja. Algoritma AI dapat berupa berbagai jenis, seperti algoritma pembelajaran mesin, algoritma optimisasi, dan algoritma pencarian (Russell and Norvig, 2021). Algoritma AI bekerja dengan memproses data dan mengikuti instruksi yang telah ditetapkan. Algoritma AI yang baik harus bisa belajar dari data dan membuat keputusan yang optimal (Nilsson, 1980). Berikut contoh jenis algoritma AI: 1. Algoritma pembelajaran mesin yang memungkinkan sistem AI belajar dari data secara otomatis, cocok untuk tugas seperti pengenalan gambar dan pemrosesan bahasa alami (Russell and Norvig, 2021). 2. Algoritma optimisasi yang membantu sistem AI mencari solusi terbaik untuk masalah, berguna dalam

10 bidang seperti desain sirkuit dan optimasi rute (Poole and Mackworth, 2010). 3. Algoritma pencarian yang memungkinkan sistem AI menemukan informasi relevan dalam data besar, digunakan dalam tugas seperti pencarian web dan analisis teks (Luger, 2009). Komputasi merupakan infrastruktur teknologi yang diperlukan bagi sistem AI. Sistem AI memerlukan daya komputasi besar untuk memproses data dan menjalankan algoritma (Goodfellow, Bengio and Courville, 2017). Komputasi AI dapat dilakukan di berbagai perangkat keras seperti komputer desktop, server, dan cloud computing, tergantung pada kebutuhan sistem AI (Mitchell, 1997). Berikut ini merupakan contoh infrastruktur komputasi untuk AI: 1. Komputer desktop bisa digunakan untuk sistem AI kecil seperti pengenalan gambar sederhana atau klasifikasi teks, meski memiliki keterbatasan daya komputasi. 2. Server, dirancang untuk tugas-tugas dengan kebutuhan daya komputasi tinggi, lebih cocok untuk sistem AI besar dan kompleks dengan prosesor dan memori lebih banyak. 3. Cloud computing, model komputasi via internet, memungkinkan akses ke sumber daya tanpa perlu memiliki perangkat keras sendiri. Fleksibilitas dan skalabilitasnya cocok untuk sistem AI yang membutuhkan daya komputasi besar.

11 Dasar Internet Of Things Demi Adidrana, M. T.I nternet of Things (IoT) adalah paradigma teknologi yang memungkinkan objek fisik untuk saling terhubung dan berkomunikasi melalui jaringan internet. Konsep ini pertama kali diperkenalkan oleh Kevin Ashton pada tahun 1999 dan sejak itu terus berkembang pesat seiring kemajuan teknologi informasi dan komunikasi (Husdi 2018). Internet of Things menggabungkan perangkat keras, perangkat lunak, sensor, dan konektivitas untuk menciptakan jaringan bendabenda fisik yang mampu mengumpulkan, mengirim, dan bertukar data. A. Definisi Internet of Things Sebelum mengenal lebih jauh mengenai konsep Internet of Things diperlukan pemahaman mengenai konsep Machine to Machine (M2M), dimana kedua konsep tersebut juga saling melengkapi dan terkait satu sama lain. I

12 1. Definisi dan Fokus: Machine to Machine mengacu pada pertukaran data atau komunikasi langsung antar mesin menggunakan jaringan nirkabel atau kabel. Sedangkan Internet of Things mengembangkan konsep Machine to Machine dengan menyambungkan perangkat atau "benda" ke internet, tidak hanya memungkinkan untuk berkomunikasi satu sama lain, tetapi juga dengan sistem dan layanan yang lebih luas. Internet of Things mengintegrasikan lebih banyak informasi dan aplikasi, memungkinkan perangkat untuk berinteraksi dengan lingkungan dan pengguna. 2. Interaksi dan Aplikasi: Interaksi dalam Machine to Machine umumnya lebih sederhana dan terbatas pada tugas-tugas tertentu. Sebagai contoh, mesin pemindai barcode di gudang yang secara otomatis mengupdate inventaris tanpa perlu intervensi manusia. Sedangkan dalam IoT, perangkat tidak hanya berkomunikasi satu sama lain tetapi juga dengan aplikasi dan memiliki cakupan yang lebih luas selama dapat di akses internet. Misalnya, termostat pintar yang tidak hanya mengontrol suhu berdasarkan pengaturan tetapi juga belajar dari kebiasaan pengguna dan cuaca luar, serta bisa diakses dan dikontrol secara jarak jauh melalui smartphone. 3. Kemampuan dan Inteligensi: Internet of Things Menekankan pada pemanfaatan data yang dikumpulkan dari berbagai perangkat

13 untuk dianalisis sehingga dapat dibuat sistem cerdas dan pengambilan keputusan otomatis. IoT mendukung perkembangan lebih lanjut dalam AI dan pembelajaran mesin untuk membuat perangkat lebih cerdas, sedangkan konsep M2M lebih fokus pada konektivitas dan pertukaran data yang efisien antar mesin saja. 4. Skalabilitas dan Integrasi: Pada Machine to Machine Biasanya dioperasikan dalam lingkungan yang lebih tertutup dan dengan jumlah koneksi yang relatif tetap dan terkontrol. Sedangkan Internet of Things dirancang untuk jaringan yang luas dan heterogen, memungkinkan jutaan perangkat untuk terhubung dan berkomunikasi. IoT mengintegrasikan teknologi cloud dan analisis data besar untuk mengelola dan memproses informasi dari banyak perangkat yang terhubung. Jika dilihat maka dapat disimpulkan bahwa M2M merupakan pondasi dari IoT, dimana IoT merupakan pengembangan dari konsep M2M ke level yang lebih tinggi dan dapat diintegrasikan ke lingkungan dan kehidupan sehari-hari. Sehingga didapatkan definisi Internet Of Things (IOT) adalah konsep dimana ‚things‛ atau objek yang dapat berupa perangkat atau sensor yang heterogen, yang semuanya terkoneksi satu sama lain dan memiliki kemampuan untuk mengumpulkan dan berbagi data dan dapat dimanfaatkan secara tertutup hingga terbuka dengan cakupan yang luas (Adidrana et al. 2022). Tujuan dari Internet of Things adalah membuat objek tersebut

14 dapat terkoneksi kapan saja, dimana saja, dengan apapun atau siapa saja yang menggunakan internet, dan dengan berbagai service. Perangkat IoT atau ‚things‛ dialamatkan secara individual sehingga dapat melakukan interkoneksi dan dapat diakses melalui standarisasi jaringan internet. B. Komponen Utama Internet of Things IoT terdiri dari beberapa komponen utama yang memungkinkan terjadinya konektivitas dan interaksi antar perangkat. Komponen-komponen ini meliputi: 1. Perangkat (Devices): Objek fisik yang dilengkapi dengan processor unit yang dapat mengumpulkan data dari sensor dan melakukan tindakan berdasarkan data tersebut. 2. Sensor dan Aktuator: Sensor mengumpulkan data dari lingkungan sekitar, sementara aktuator melakukan tindakan berdasarkan data yang diterima. 3. Konektivitas: Teknologi komunikasi yang memungkinkan perangkat untuk terhubung satu sama lain dan ke internet, seperti Wi-Fi, Bluetooth, Zigbee, LoRaWAN, dan jaringan seluler. 4. Platform IoT: Sistem yang mengelola perangkat dan data IoT, termasuk penyimpanan, pemrosesan, dan analisis data. 5. Aplikasi: Perangkat lunak yang digunakan untuk mengendalikan dan memonitor perangkat IoT serta untuk menganalisis data yang dikumpulkan.

15 C. Arsitektur Internet of Things Arsitektur IoT dibagi menjadi berbagai lapisan teknologi pendukung, yang menggambarkan bagaimana hubungan antar teknologi dan hubungan skalabilitas, modularitas, dan konfigurasinya dalam pengembangan IoT (Keyur K Patel 2016). Gambar 1. Arsitektur Internet of Things Sumber : (Keyur K Patel, 2016)

16 Dari gambar 3.1, Arsitektur IoT tersebut dibagi menjadi 4 kelompok yaitu: 1. Kelompok pertama yang terbagi menjadi teknologi low power sensor untuk pengumpulan data, konektivitas antar sensor seperti wireless sensor network (WSN) 2. Kelompok kedua yaitu teknologi yang berhubungan dengan jaringan data, untuk pertukaran data dari sensor ke internet. 3. Kelompok ketiga adalah yang berdampak pada layanan manajemen yang mendukung aplikasi IoT, seperti analisa data dari sensor dan pengambilan keputusan secara intelligent. 4. Kelompok keempat adalah layer aplikasi yang merupakan end point dimana user dapat melihat data, informasi dan berinteraksi dengan perangkat IoT. D. Teknologi di Dalam Internet of Things Teknologi di dalam IoT melibatkan berbagai elemen yang memungkinkan perangkat untuk terhubung, berkomunikasi, dan berfungsi dengan efisien. Berikut adalah beberapa teknologi utama yang digunakan dalam IoT: 1. Mikrokontroler dan Mikroposesor Mikrokontroler adalah sebuah komputer kecil pada sebuah sirkuit terpadu yang mengandung prosesor inti, memori, dan periferal input/output yang dapat diprogram. Mikrokontroler biasanya dirancang untuk tugas-tugas kontrol spesifik seperti mengendali-

17 kan mesin, alat elektronik, kendaraan, dan sistem otomatis lainnya. Beberapa contoh mikrokontroler yang banyak digunakan dalam projek IoT adalah AVR (Atmega328), PIC (Peripheral Interface Controller), ARM Cortex-M, ESP8266/ESP32. Mikroprosesor adalah unit pengolah utama (CPU) dalam sebuah komputer yang mengintegrasikan fungsi dari sebuah komputer ke dalam satu sirkuit terpadu (IC). Mikroprosesor dimanfaatkan di projek IoT yang membutuhkan komputasi lebih besar yang tidak mampu dijalankan oleh mikrokontroler. Beberapa contoh mikroprosesor yang banyak digunakan dalanm projek IoT adalah ARM Cortex 2. Sensor dan Aktuator Sensor: Perangkat ini mengumpulkan data dari lingkungan fisik seperti suhu, kelembapan, cahaya, gerakan, dan banyak lagi. Sensor merupakan komponen kunci dalam IoT karena mereka menyediakan data mentah yang digunakan untuk analisis dan pengambilan keputusan. Aktuator: Perangkat ini menerima sinyal dari sistem IoT dan melakukan tindakan fisik, seperti menghidupkan lampu, membuka kunci pintu, atau mengatur suhu termostat. 3. Komunikasi dan Jaringan Wi-Fi: Jaringan nirkabel yang umum digunakan untuk menghubungkan perangkat IoT dalam jarak dekat.

18 Bluetooth: Teknologi komunikasi jarak dekat yang sering digunakan dalam perangkat wearable dan smart home. LPWAN (Low Power Wide Area Network): Termasuk teknologi seperti LoRaWAN dan NB-IoT, yang dirancang untuk komunikasi jarak jauh dengan konsumsi daya rendah. 5G: Generasi kelima jaringan seluler yang menawarkan kecepatan tinggi dan latensi rendah, memungkinkan komunikasi real-time yang lebih baik untuk aplikasi IoT. 4. Platform dan Protokol IoT MQTT (Message Queuing Telemetry Transport): Protokol ringan yang sering digunakan untuk komunikasi machine-to-machine dalam IoT. CoAP (Constrained Application Protocol): Protokol yang dirancang untuk perangkat dengan sumber daya terbatas. IoT Platforms: Platform seperti AWS IoT, Google Cloud IoT, dan Azure IoT menyediakan infrastruktur untuk mengelola, memproses, dan menganalisis data IoT. 5. Cloud Computing dan Edge Computing Cloud Computing: Menyediakan penyimpanan dan pemrosesan data yang besar melalui media internet, memungkinkan analisis data secara menyeluruh dan pengambilan keputusan berbasis data. Edge Computing: Pemrosesan data dilakukan lebih dekat dengan sumber data (di perangkat itu

19 sendiri atau di lokasi edge server), yang mengurangi latensi dan penggunaan bandwidth. 6. Keamanan IoT Enkripsi Data: Melindungi data selama transmisi dan penyimpanan. Autentikasi dan Otorisasi: Memastikan bahwa hanya perangkat yang sah yang dapat mengakses jaringan dan data IoT. Pembaharuan Firmware: Mengamankan perangkat IoT melalui pembaruan perangkat lunak yang rutin untuk menutup kerentanan keamanan. 7. Artificial Intelligence dan Machine Learning Analisis Data: Algoritma AI dan ML digunakan untuk menganalisis data yang dikumpulkan oleh perangkat IoT, memungkinkan prediksi, pemeliharaan preventif dan otomatisasi proses. Computer Vision: Digunakan dalam aplikasi seperti pengenalan wajah dan objek untuk keamanan dan pengawasan. 8. Blockchain Transparansi dan Keamanan Data: Teknologi blockchain digunakan untuk menciptakan catatan transaksi yang aman dan transparan, yang sangat penting dalam jaringan IoT yang melibatkan banyak pihak. Dengan menggabungkan berbagai teknologi ini, IoT memungkinkan otomatisasi, peningkatan efisiensi dan inovasi dalam berbagai sektor seperti kesehatan, pertanian, manufaktur, transportasi, dan smart cities.

20 E. Penerapan Internet of Things 1. Smart Home Pengendalian Perangkat Jarak Jauh: Mengendalikan lampu, termostat, kunci pintu, dan peralatan rumah tangga melalui smartphone atau suara. Otomatisasi: Menggunakan sensor dan aktuator untuk menciptakan skenario otomatis seperti menyalakan lampu saat ada gerakan atau menyesuaikan suhu ruangan. 2. Smart Health Wearable Devices: Perangkat seperti smartwatches yang memantau aktivitas fisik, kualitas tidur, dan kondisi kesehatan lainnya. 3. Smart Agriculture Irigasi Otomatis: Sistem irigasi yang diaktifkan berdasarkan data sensor untuk memberikan jumlah air yang tepat pada waktu yang tepat. 4. Smart City Pengelolaan Lalu Lintas: Sistem pengelolaan lalu lintas yang menggunakan sensor untuk memantau dan mengatur aliran kendaraan, mengurangi kemacetan dan meningkatkan keselamatan. 5. Industri dan Manufaktur Otomatisasi Produksi: Robot dan sistem otomatis yang dihubungkan dengan sensor untuk mengoptimalkan proses produksi dan meningkatkan efisiensi.

21 6. Lingkungan Pemantauan Lingkungan: Sensor yang memantau kondisi cuaca, kelembapan, dan perubahan iklim untuk keperluan penelitian dan kebijakan lingkungan. Pemanfaatan IoT yang luas ini menunjukkan potensinya dalam merevolusi berbagai aspek kehidupan dan industri, membawa kita menuju era yang lebih terhubung, efisien, dan pintar.

22 Algoritma dalam Kecerdasan Buatan Dwina Satrinia, S.Kom., M.T. A. Pengantar Algoritma Kecerdasan Buatan Kecerdasan Buatan atau Artificial Intelligence (AI) merupakan bidang ilmu komputer yang dikembangkan untuk membuat suatu mesin agar dapat melakukan suatu tugas yang membutuhkan kecerdasan manusia (ibm.com, 2023). Kecerdasan buatan memiliki berbagai manfaat seperti memecahkan masalah yang kompleks, dapat meningkatkan efisiensi dengan meningkatkan produk-tivitas, menghemat biaya tenaga kerja tanpa mengurangi performa. AI dapat menganalisas data dalam jumlah besar dan dilakukan dengan cepat sehingga dapat mengambil keputusan yang lebih cerdas. AI juga dapat mengotomatisasi tugas tugas rutin yang biasanya memakan waktu dan dilakukan oleh manusia.

23 Agar suatu mesin atau komputer dapat melaksanakan tugas seperti mempelajari suatu data, mengidentifikasi pola dan membuat keputusan, AI membutuhkan algoritma dan teknik yang sesuai. Beberapa Teknik yang mencakup di dalam AI adalah machine learning, deep learning, optimasi, natural language processing, dll. Algoritma dari masing – masing Teknik AI juga bermacam – macam dan akan dibahas pada Bab ini. B. Machine Learning Bayangkan seorang bayi yang belum mengerti apapun. Tapi, setiap kali kita berinteraksi dengannya, bayi tersebut mulai belajar misalnya belajar berjalan, belajar mengenal nama benda, belajar berbicara, dll. Machine learning melakukan hal yang serupa seperti bayi tersebut dimana suatu program atau komputer dapat belajar dari data atau informasi yang diberikan kepadanya. Jadi, machine learning berfokus pada pengembangan program komputer yang dapat mengakses data dan menggunakan data tersebut untuk belajar mandiri (Mining, 2019). Algoritma adalah sekumpulan instruksi langkah demi langkah yang jelas yang dapat diikuti mesin atau program computer untuk mencapai tujuan tertentu (Azure, 2024). Algoritma machine learning digunakan dalam proses machine learning, dimana sistem melakukan pembelajaran yang dapat membantu orang menjelajahi, menganalisis dan menemukan makna dalam himpunan data kompleks (Azure, 2024). Algoritma machine learning dapat dikelompokkan menjadi tiga, yaitu Supervised Learning, Unsupervised Learning, dan Reinforce Learning.

24 1. Supervised Learning a. Apa itu Algoritma Supervised Learning? Algoritma supervised learning adalah algoritma pada machine learning yang belajar dari data berlabel yaitu data yang memiliki label input dan output yang diinginkan, kemudian membangun model matematika berdasarkan data berlabel tersebut sehingga dapat mengenali atau memprediksi output dari data lain. Pada saat membangun model matematikanya, algoritma pada supervised learning terus belajar dalam memperkecil loss function (kesalahan prediksi) dengan menyesuaikan parameter dari algoritma yang digunakan. Sehingga setelah beberapa kali iterasi, diharapkan model yang dihasilkan algoritma tersebut memiliki akurasi yang baik. b. Bagaimana cara kerja supervised learning Cara kerja sederhananya dari supervised learning seperti belajar mengenali sebuah apel dengan cara menunjukkan berbagai gambar apel sehingga computer dapat mempelajari ciri-ciri apel seperti warnanya, bentuknya, ukurannya sehingga saat ditunjukkan gambar baru, komputer tersebut dapat mengenali apakah gambar buah apel atau bukan. c. Jenis metode supervised learning Terdapat dua metode supervised learning yaitu klasifikasi dan regresi. Tujuan dari klasifikasi adalah mengklasifikasikan data masukan ke dalam kategori yang telah ditentukan sebelumnya. Misalnya disaat sistem komputer harus memilih– milih kategori dalam

25 menentukan apakah pada gambar terdapat buah apel atau jeruk. Metode Regresi adalah jenis algoritma supervised learning yang digunakan untuk memprediksi nilai kontinu. Cara kerjanya yaitu menetapkan hubungan antara variabel input (juga dikenal sebagai variabel independen) dan variabel output kontinu (variabel dependen). Misalnya saat sistem komputer harus menebak angka dari berat sebuah apel berdasarkan ukurannya. Berat apel merupakan variable kontinu atau dependen, sedangkan ukuran apel merupakan variable independent. Algoritma regresi mengidentifikasi garis yang paling cocok yang mewakili hubungan antar variable dependen dan independent sehingga memungkinkan untuk membuat prediksi dari data input baru. Regresi banyak digunakan untuk peramalan, seperti memprediksi harga rumah, harga saham, atau volume penjualan berdasarkan data historis. Contoh data supervised learning yang digunakan dalam aplikasi klasifikasi ditunjukkan pada Gambar 1, dimana data berupa gambar dan diberi label output berupa ‚cat‛ dan ‚not cat‛. Setelah algoritma membangun model, sistem akan dapat mengidentifikasi suatu inputan gambar apakah gambar kucing atau bukan. Sedangkan contoh data regresi ditunjukkan pada Gambar 2, dimana terdapat variabel usia sebagai variabel independen dan variabel tekanan darah sebagai variabel dependen.

26 Gambar 1. Contoh Data untuk Klasifikasi Gambar 2. Contoh Data untuk Regresi Sumber: https://www.smartstat.info/materi/statistika/regresi/re gresi-linier-sederhana.html d. Algoritma yang sering digunakan pada supervised learning Algoritma yang sering digunakan pada metode klasifikasi adalah algoritma decision tree, K-Nearest Neighbourhood (KNN), Support Vector Machine

27 (SVM), Random Forest, dan Naïve Bayes. Sedangkan beberapa algoritma regresi yaitu regresi linier, regresi polinomial, regresi pohon keputusan, dan support vector regression sering digunakan dalam metode regresi. e. Contoh penerapan supervised learning di dunia nyata 1) Penyaringan Email: Komputer belajar untuk mengenali apakah email tersebut adalah pesan biasa atau spam. 2) Pengenalan Tulisan Tangan: sistem dapat mengenali tulisan tangan seseorang sehingga dapat diubah menjadi versi digital atau dianalisis isi dari tulisan tersebut. 3) Diagnosis Medis: Membantu dokter menentukan penyakit apa yang mungkin diderita seseorang berdasarkan gejalanya. 4) Menganalisis Kampanye Marketing: Regresi dapat digunakan untuk menganalisis efektifitas Marketing Campaign (kampanye pemasaran). Data history dari catatan pengeluaran untuk marketing dan iklan misalnya, iklan media sosial, iklan TV, traffic website, dan angka penjualan dijadikan sebagai data inputan untuk proses regresi. Analisis regresi dapat digunakan untuk mencari faktor yang memengaruhi penjualan sehingga kampanye marketing membuahkan hasil yang maksimal.

28 Gambar 3. Jenis Algoritma pada Supervised Learning 2. Unsupervised Learning a. Apa itu Algoritma Unsupervised Learning? Unsupervised learning merupakan jenis machine learning dimana komputer belajar untuk menemukan pola dan hubungan antar data tanpa perlu diberitahu apa yang harus dicari. Berbeda dengan supervised learning yang perlu diberi tahu (data diberi label), unsupervised learning bekerja pada data tanpa label, menemukan struktur tersembunyi dan hubungan dalam data. Misalkan kamu memiliki kotak besar berisi balok Lego berbagai bentuk, ukuran, dan warna. Unsupervised learning seperti robot yang mengelompokkan balok-balok tersebut berdasarkan kesamaananya mereka tanpa ada yang memberitahu bagaimana caranya. Regresi Regresi Linier Regresi Logistik Regresi Polinomial Support Vector Regression Klasifikasi Decission Tree K-Nearest Neighbors (KNN) Support Vector Machine (SVM) Random Forest Naive Bayes

29 b. Bagaimana cara kerja unsupervised learning Pada unsupervised learning, sistem komputer menerima sejumlah data tanpa label dan harus menemukan pola-pola atau struktur tersembunyi dalam data. Algoritma-algoritma ini mencoba untuk mengelompokkan data yang serupa menjadi kluster atau menemukan aturan asosiasi antar data. Contohnya, jika kita memiliki data transaksi pembelian, algoritma unsupervised learning dapat mengidentifikasi pola pembelian yang sering terjadi bersamaan dan mengelompokkannya ke dalam kluster. Dari sini, kita bisa mendapatkan wawasan tentang perilaku pembelian pelanggan tanpa perlu memberi label data terlebih dahulu. c. Jenis metode supervised learning Metode umum dari unsupervised learning yaitu klustering, reduksi dimensi, dan Association rule (aturan asosiasi). Klustering yaitu mengelompokkan sejumlah data yang memiliki karakteristik yang sama, misalnya terdapat sekumpulan data hewan, computer akan mengelompokkan berdasarkan spessiesnya atau berdasarkan makanannya atau kesamaan lainnya. Metode reduksi dimensi akan menyederhanakan data yang memiliki banyak fitur sehingga hanya fitur yang penting saja yang tersisa. Metode yang terakhir adalah metode association rule dimana metode ini digunakan untuk menemukan hubungan atau pola antara item atau kejadian dalam dataset yang besar. Teknik ini mengidentifikasi pola atau kejadian bersamaan yang sering muncul dalam database transaksional.

30 Semua metode ini membantu dalam menemukan pola dan hubungan yang belum diketahui sebelumnya dan tidak jelas dalam dataset besar. d. Algoritma pada unsupervised learning 1) Klustering: K-means, DBSCAN 2) Reduksi dimensi: Principal Component Analysis (PCA) sering digunakan untuk reduksi dimensi secara linear, t-Distributed Stochastic Neighbor Embedding (t-SNE) digunakan untuk visualisasi data berdimensi tinggi pada ruang berdimensi rendah secara non linear 3) Aturan asosiasi : Apriori adalah algoritma pencarian rule dengan cara mencari itemset yang sering muncul kemudian menggabungkan menjadi itemset yang lebih besar dan proses pemindaiannya berulang. Algoritma Eclat (Equivalence Class Clustering and bottom-up Lattice Traversal) seperti pada apriori mencari namun menggunakan metode intersection dalam mencari itemset yang sering muncul sehingga lebih cepat dari Apriori. Apriori baik untuk digunakan untuk dataset yang lebih besar sedangkan Eclat baik untuk dataset yang ukurannya lebih kecil. e. Contoh penerapan unsupervised learning di dunia nyata 1) Segmentasi pelanggan: dalam dunia bisnis, klastering dapat digunakan untuk mengelompokkan pelanggan berdasarkan kebiasaan belanjanya. Segmentasi pelanggan ini dapat

31 membuat kampanye marketing menjadi lebih efektif karena dapat memberikan promosi yang sesuai dengan kebutuhan kelompok pelanggan 2) Deteksi anomali: perbankan menggunakan unsupervised learning untuk mendeteksi adanya transaksi yang tidak biasa yang mungkin merupakan suatu transaksi fraud 3) Sistem rekomendasi: platform online seperti layanan streaming musik, atau film dapat menggunakan metode unsupervised learning untuk memberikan rekomendasi kepada pelanggan atau user berdasarkan genre yang mereka suka. 4) Kompresi gambar: salah satu metode unsupervised learning yaitu reduksi dimensi dapat dimanfaatkan untuk mengurangi ukuran suatu gambar namun tetap mempertahankan detail yang penting sehingga gambar tersebut lebih mudah disimpan atau dibagikan. 3. Reinforcement Learning a. Apa itu Algoritma Reinforcement Learning? Reinforcement learning merupakan algoritma machine learning yang berbeda dengan supervised learning karena tidak melibatkan data yang memiliki label input dan output, serta berbeda dengan unsupervised learning yang belajar dari data tanpa label untuk menemukan suatu pola. Pada Reinforcement learning, sistem komputer belajar

32 untuk melakukan sesuatu dengan mencoba berbagai hal, dan secara terus menerus berinteraksi dengan lingkungan dengan menerima feedback untuk menciptakan perilaku yang diinginkan (Joshi, 2020). Reinforcement learning merupakan area yang menarik di dunia machine learning karena dapat membuat sistem atau suatu robot belajar berdasarkan pengalamannya. b. Bagaimana cara kerja Reinforcement learning Tujuan dari reinforcement learning adalah mengoptimalkan jumlah reward yang diterima. Pada proses pembelajaran, terdapat reward dan punishment. Jika saat proses pembelajaran berhasil, maka mendapatkan feedback berupa reward dan jika terjadi kesalahan maka akan mendapatkan feedback berupa punishment. Terdapat beberapa konsep yang perlu diketahui atau istilah yang digunakan pada reinforcement learning yaitu: Agent adalah program yang melakukan proses belajar, environment yaitu tempat agent berinteraksi dengan melakukan suatu action, action yaitu apa yang bisa dilakukan oleh agent, state yaitu situasi agent saat ini, dan reward yaitu feedback yang didapat oleh agent setelah melakukan action. Hubungan dari istilah tersebut dalam proses reinforcement learning yaitu agent akan berinteraksi di environment dengan melakukan suatu actions, kemudian environment akan merespon dengan memberikan suatu reward dan memberikan state baru. Agent akan menggunakan reward dan state

33 tersebut untuk memilih action berikutnya dan memperbarui pengetahuannya. Proses ini akan berulang sehingga agent dapat belajar untuk meningkatkan performanya (Sutton & Barto, 2015). Ibarat kita sedang melatih hewan peliharaan yang jika peliharaan kita melakukan hal baik misalnya menurut, maka akan mendapatkan hadiah, dan jika melakukan sesuatu yang buruk maka kita perlu memberikan feedback misalnya diberi tahu jika perbuatan tersebut jangan diulang. Seiring berjalannya waktu, hewan peliharaan kita akan belajar untuk melakukan sesuatu yang baik atau yang kita suruh agar mendapatkan hadiah dari kita. c. Jenis metode Reinforcement learning Terdapat dua jenis reinforcement learning yaitu: 1) Pembelajaran berbasis model, dimana agents membangun sebuah model dari environmentnya dan menggunakan model tersebut untuk merencanakan action – action yang perlu diambil. 2) Pembelajaran tanpa mode, dimana agent melakukan suatu action berdasarkan reward yang diterima tanpa membangun model dari environmentnya. d. Algoritma popular pada Reinforcement learning 1) Q-Learning, merupakan algoritma reinforcement learning dimana agent belajar menilai setiap action di setiap state untuk mencari action terbaik yang harus diambil. QLearning menggunakan Q-table untuk me-

34 nyimpan value yang disebut Q-Value yang didapat dari actions tertentu dan state tertentu. Kemudian setiap agent melakukan action dan mendapatkan reward, maka Qvalue akan diupdate menggunakan suatu formula dengan mempertimbangkan reward yang diterima dan reward terbaik kedepannya. Sehingga value-value ini dapat membantu agent dalam mengambil actions yang baik dan yang buruk seiring berjalannya waktu. 2) Deep Q-Network (DQN), algoritma ini dirancang untuk menutupi kekurangan dari Q-learning. Bedanya pada algoritma DQN memperhitungkan Q-value tidak menggunakan QTable yang menyimpan daftar action dan Qvalue yang diterima, melainkan menggunakan neural network atau jaringan saraf tiruan untuk meperkirakan Q-Valuenya. Jadi Neural network pada DQN akan mengambil state sebagai inputan dan memperkirakan Q-Value dari semua action yang mungkin dilakukan. 3) Monte Carlo Tree Search (MCTS), merupakan algoritma pencarian yang menggunakan struktur tree dan biasanya digunakan untuk pengambilan keputusan di permainan– permainan dan area lainnya, misalnya permainan catur. Terdapat beberapa istilah yang digunakan pada Algoritma MTCS seperti seleksi, ekspansi, simulasi dan backpropagation (Browne et al., 2012). Proses seleksi pencarian yang dimulai dari akar dan

35 memilih node yang paling sesuai hingga mencapai node ujung (leaf node). Proses ekspansi yaitu menambahkan satu atau dua node anak pada ujung leaf node. Proses simulasi yaitu proses mensimulasikan banyak aksi acak dari node anak baru untuk memperkirakan nilai node anak tersebut. Backpropagation proses ini akan memperbarui nilai dari node berdasarkan hasil simulasi, kemudian informasi tersebut disebarkan kembali ke tree sampai ke root. Contoh penggunaan MCTS pada permainan catur yaitu algoritma ini akan membantu menentukan langkah terbaik dengan mensimulasikan banyak aksi untuk langkah kedepan dan memutuskan strategi terbaik dari hasil simulasi tersebut. e. Contoh penerapan Reinforcement learning di dunia nyata Reinforcement learning dalam dunia nyata dapat diterapkan pada: 1) Video games: pengembang game menggunakan reinforcement learning untuk membuat karakter game pintar yang dapat beradaptasi dengan tingkah laku pemainnya. 2) Robotic: robot menggunakan reinforcement learning untuk belajar berjalan, mengambil suatu benda atau melakukan hal lain secara otomatis. 3) Self-driving car: mobil tanpa supir menggunakan reinforcement learning untuk

36 navigasi di jalan dengan aman belajar dari pengalaman berkendara. 4) Personal assistant: virtual asisten seperti siri atau alexa menggunakan reinforcement learning untuk meningkatkan respon dan menyediakan rekomendasi yang lebih baik seiring berjalannya waktu. C. Deep Learning Apa itu Deep Learning? Deep learning merupakan jenis kecerdasan buatan dimana komputer belajar dari data yang sangat besar menggunakan jaringan saraf tiruan. Jaringan ini dibuat menirukan cara kerja otak manusia, sehingga komputer dapat mengenali suatu pola, mengerti ucapan bahkan mengendarai mobil. Bagaimana cara kerja Deep learning Deep learning menggunakan layer – layer dari syaraf tiruan yang dapat memproses informasi. Seluruh layer ini disebut jaringan syaraf. Setiap layer menerima data masukan, kemudian memprosesnya dan menyerahkan ke layer berikutnya. Semakin banyak layer yang digunakan pada jaringan syaraf tiruan, maka semakin "deeper" (dalam) jaringannya, dan akan semakin kompleks pola yang dapat dipelajari (Schmidhuber, 2015). Konsep Utama Deep Learning 1. Neurons: unit dasar dari jaringan syaraf yang memproses data masukan dan menyalurkannya ke layer berikutnya.

37 2. Layers: level yang berbeda pada jaringan syaraf dimana data diproses. Terdapat input layer, hidden layer dan output layer. 3. Activation Function: sebuah fungsi yang memutuskan apakah suatu neuron perlu diaktivasi atau tidak. Activation function yang umum digunakan adalah ReLU (Rectified Linear Unit) dan Sigmoid. 4. Training: proses memasukkan data ke suatu jaringan syaraf kemudian diatur parameternya sehingga dapat menghasilkan error yang paling minimal. Algoritma popular pada Deep Learning Terdapat dua jenis arsitektur dalam neural network yaitu recurrent network dan feed-forward network. Kedua arsitektur ini dapat dikombinasikan dengan berbagai cara sehingga dapat menghasilkan algoritma deep learning yang berbagai macam (Goldberg et al., 2017). 1. Convolutional Neural Networks (CNNs): CNN merupakan algoritma deep learning untuk pengenalan gambar dimana algoritma ini menggunakan convolutional layers untuk memindai seluruh gambar, kemudian mendeteksi pola seperti sisi, bentuk, dan tekstur dari gambar. CNNs juga sering digunakan untuk pengenalan wajah, serta deteksi objek dalam suatu gambar atau video. 2. Recurrent Neural Networks (RNNs): RNNs digunakan untuk data sekuensial seperti data time series. RNNs memiliki perulangan yang memungkinkan informasi untuk tetap terjaga sehingga cocok digunakan pada

38 aplikasi yang membutuhkan suatu konteks. Misalnya digunakan untuk pengenalan suara dan menerjemahkan Bahasa. Contoh penerapan Deep Learning di dunia nyata 1. Dunia Kesehatan: Deep learning digunakan untuk menganalisis gambar medis sehingga dapat membantu dokter dalam mendiagnosa penyakit seperti penyakit kanker dari gambar X-ray dan gambar hasil MRI. 2. Self-driving cars: Autonomous Vehicles menggunakan deep learning untuk mengerti lingkungan sekitarnya sehingga dapat mengambil keputusan dalam berkendara. 3. Personal Assistants: Asisten virtual seperti Siri dan Alexa menggunakan deep learning untuk mengerti dan merespon perintah suara yang diberikan. D. Optimasi Apa itu Optimasi? Pada kecerdasan buatan, optimasi merupakan metode untuk mencari solusi terbaik pada sekumpulan solusi dari suatu permasalahan. Misalnya kita ingin mencari rute terpendek dari suatu peta. Pada metode optimasi, yang dilakukan adalah menentukan tujuan atau disebut fungsi objektif kemudian mencari cara untuk mencapai tujuan tersebut (Nocedal & Wright, n.d.).

39 Algoritma popular pada Optimasi 1. Gradient Descent: algoritma ini digunakan untuk mencari minimum lokal dari suatu fungsi dengan tujuan menemukan garis (model regresi linier) yang paling pas antara titik-titik data atau yang paling memiliki jarak terkecil antara titik data dengan garis fungsi. Biasanya Gradient descent digunakan untuk melatih jaringan syaraf tiruan untuk menemukan weight terbaik untuk meminimalkan eror. 2. Genetic Algorithms: merupakan algoritma yang dapat menemukan solusi optimal dengan menirukan konsep evolusi alam dimana terdapat proses mekanisme warisan, adaptasi dan evolusi. Cara kerjanya yaitu diawali dengan pembentukan populasi secara acak, kemudian individu dari populasi dievaluasi berdasarkan fungsi kemampuannya dan terdapat proses seleksi dengan mencari individu yang memiliki fungsi kemampuan yang paling baik. Antar individu terpilih akan dikombinasikan dan dimutasi sehingga tercipta individu baru. Proses ini akan terus berulang hingga mencapai solusi yang diinginkan. Algoritma genetik biasanya digunakan untuk penjadwalan dan desain. 3. Particle Swarm Optimization (PSO): algoritma ini terinspirasi dari tingkah laku sosial dari hewan yang hidup berkelompok dan bergerombol. Algoritma ini menggunakan populasi dari kandidat solusi yang disebut partikel yang bergerak di ruang solusi untuk mencari solusi terbaik. Contoh dari penggunaan algoritma PSO adalah pengolahan citra, seleksi fitur

40 dan digunakan untuk optimasi pada model machine learning. 4. Ant Colony Optimization (ACO): mirip dengan algoritma PSO namun algoritma ini terinspirasi dari koloni semut dan menggunakan koloni ini untuk mengeksplor ruang solusi untuk mencari rute terpendek. Algoritma ini biasa digunakan untuk routing dan penjadwalan. Contoh penerapan Optimasi di dunia nyata 1. Supply Chain Management: perusahaan menggunakan optimasi untuk meminimalkan biaya dan memaksimalkan efisiensi dari rantai pasok. 2. Route Planning: layanan antar menggunakan optimasi untuk mencari rute terpendek dan tercepat dalam mengantarkan suatu paket. 3. Portfolio Management: investor menggunakan optimasi untuk memaksimalkan hasil yang diterima dan meminimalisir risiko dari investasi yang dilakukan. E. Natural Language Processing (NLP) Apa itu Natural Language Processing? Natural Language Processing (NLP) adalah cabang kecerdasan buatan yang memungkinkan komputer untuk memahami, menafsirkan, dan merespons bahasa manusia. Algoritma ini merupakan gabungan ilmu komputer, linguistik, dan machine learning untuk memproses dan menganalisis data bahasa alami dalam jumlah besar. NLP melibatkan langkah-langkah seperti