Mengenal AI: “Komputer yang Cerdas!”

Apa itu Artificial Intelligence?
Sering kita mendengar kata-kata AI akhir-akhir ini. Entah laptop, HP, atau apapun itu sering disematkan label AI. Tapi, apakah itu AI? Artificial intelligence (AI) terdiri dari 2 kata, yaitu Artificial dan Intelligence. Artificial dapat diartikan sebagai suatu “buatan’, “meniru”, ataupun “membuat sesuatu yang baru”. Intelligence dapat diartikan sebagai suatu “kecerdasan”, “pengambilan keputusan”, dan “pemilihan data”.  Dengan demikian, apakah AI berarti adalah suatu “kecerdasan buatan” secara mutlak?

Secara sederhana, AI merupakan suatu aspek permodelan dari “kecerdasan” manusia pada komputer. Sehingga dengan demikian, AI bukan hanya merupakan kecerdasan buatan semata, tetapi merupakan suatu usaha memodelkan aspek kecerdasan manusia ke dalam suatu sistem terkomputerisasi.Target AI dapat kita lihat dari 2 sudut pandang, yaitu sudut pandang sebagai target saintifik (scientific) dan rekayasa (engineering). Target AI sebagai saintifik yaitu memahami bagaimana suatu sistem AI bekerja; yang mana luarannya adalah suatu permodelan matematis bagaimana suatu sistem tersebut dapat bekerja. Target AI sebagai suatu rekayasa yaitu merancang sistem tersebut; yang mana luarannya adalah implementasi atau wujud nyata dari sistem AI itu sendiri.

 

AI vs. Machine Learning
Mungkin sehari-hari kita sering mendengar istilah AI dan ML. Lalu, apakah perbedaan di antara keduanya? Untuk memahaminya, perhatikan klasifikasi berikut ini.

AI
– Rule-based system
  * RBS & Fuzzy
  * Decission tree
– Learning-based system
  * Machine-learning
  * Generative model
  * Reinforcement learning

Setelah Anda melihat klasifikasi tersebut, dapatkah Anda membedakan antara AI dengan ML? Ya, pada dasarnya ML merupakan bagian dari AI.

Jika dilihat secara saksama, klasifikasi AI terbagi menjadi 2 yaitu rule-based system (RBS) dan learning-based system (LBS). RBS pada dasarnya merupakan AI, tetapi aturan-aturan di dalamnya dibuat  ataupun ditentukan oleh programmer-nya sendiri. Dengan kata lain, AI RBS tidak belajar secara “mandiri” alias pasif. Contoh yang termasuk ke dalam RBS adalah fuzzy dan decision tree. LBS merupakan AI yang “sesungguhnya”, dimana pada LBS mesin akan belajar secara “mandiri” dengan melihat dan mempelajari data-data yang ada.

 

Machine Learning
Klasifikasi ML terbagi menjadi 2, yaitu gradient-based dan non-gradient based. Disebut sebagai gradient-based karena pada dasarnya cara kerja ML tersebut yang itu dengan memanfaatkan turunan pertama dari fungsi yang diberikan (perhatikan grafik yang dapat dibentuk oleh turunan pertama suatu fungsi!!). Yang termasuk ke dalam gradient-based meliputi Neural Network, dan Deep Learning. Sedangkan yang termasuk ke dalam non-gradient based meliputi SVM (Support Vector Machine) dan Random Forest. Akan tetapi, ML yang non-gradient based kini mulai ditinggalkan dan pengembangan ML kedepannya berfokus pada gradient-based.

 

Supervised vs. Unsupervised
Asumsikan Anda mempunyai 2 buah-buahan, yaitu apel dan jeruk. Anda ingin membuat suatu sistem yang mampu membedakan mana buah apel dan mana buah jeruk. Anda kemudian mempersiapkan koleksi gambar setiap buah tersebut masing-masing 10. Kemudian Anda mulai melatih sistem Anda dengan koleksi gambar tersebut. Itulah supervised learning!

Supervised learning merupakan suatu metode pembelajaran dengan menggunakan sekumpulan data yang sudah terlabel. Pada contoh di atas, data sudah terlabel menjadi data buah apel dan jeruk. Metode supervised learning terbagi menjadi 2, yaitu klasifikasi dan/atau deteksi dan regresi.

Contoh supervised learning yang menggunakan metode klasifikasi dan/atau deteksi meliputi face recognition, handwriting recognition, speech recognition, dan diagnosa medis. Umumnya data-data yang digunakan pada metode pembelajaran ini bersifat diskret (atau tidak kontinu).

Contoh supervised learning yang menggunakan metode regresi yaitu sistem untuk prediksi harga mobil bekas. Melalui metode ini, sistem akan melakukan regresi linier dari sekumpulan data yang diketahui untuk memprediksi data-data pada x,y tertentu.

Bagaimana dengan unsupervised learning? Kebalikannya dari supervised learning, dimana data-data yang digunakan untuk melatih sistem tidak terlabel. Artinya data-data yang diberikan tidak diketahui klasifikasinya; hanya merupakan sekumpulan data dalam jumlah banyak bahkan masif. Dalam unsupervised learning, sistem akan melakukan pengklasifikasian data sehingga terdapat “garis batas pemisah” data yang jelas.