TUGAS RINGKASAN

(Kapita Selekta
Industri)
(Artificial Intelligence, Machine
Lerning, dan Deep Learning)

Fakultas Program Studi Topik Disusun Oleh

07
Teknik Teknik Industri (Adji Estu Pambudi - 41622110017)
(Muhamad Restu Awal Pambudi -
41622110032)
Supervisor: Indra Almahdy ir MSc
 Subtopik Importance /Kepentingan
dan Benefit /Manfaat
 Artificial Intelligence 
 Machine Learning 
 Deep Learning 
 


202 Kapita Selekta Industri

3
2 Ringkasan Topik
(Kelompok 2)
Teori
1.1. Artificial Intelligence (AI)

1.1.1. Pengertian

Artificial Intelligence (AI) adalah bidang ilmu komputer yang bertujuan untuk
menciptakan mesin atau sistem yang dapat melakukan tugas yang sejauh ini hanya dapat
dilakukan oleh manusia. AI berfokus pada pengembangan algoritma dan model matematika
yang memungkinkan mesin belajar dan membuat keputusan secara otomatis berdasarkan
data atau pengalaman sebelumnya.

1.1.2. Sejarah Singkat

Pada tahun 1956, konferensi Dartmouth di Amerika Serikat dianggap sebagai awal
resmi dari bidang AI. Pada periode awal, AI berfokus pada pengembangan sistem berbasis
aturan dan logika. Namun, perkembangan terhenti pada tahun 1970-an akibat terlalu
banyaknya ekspektasi yang tidak terpenuhi. Pada tahun 1980-an dan seterusnya, metode
pembelajaran mesin dan jaringan saraf artifisial menjadi populer, yang memungkinkan
kemajuan besar dalam bidang AI. Kemudian, dengan berkembangnya komputasi yang lebih
kuat dan kemajuan dalam pemrosesan data, AI mengalami ledakan popularitas dan
keberhasilan pada tahun 2010-an dengan kemajuan dalam bidang seperti kendaraan
otonom, pengenalan suara, dan pemrosesan bahasa alami.

1.1.3. Jenis-Jenis AI
 AI Berbasis Aturan: Menggunakan aturan dan logika formal untuk membuat keputusan
dan merespons input berdasarkan serangkaian aturan yang telah ditentukan
sebelumnya.
 Machine Learning (Pembelajaran Mesin): Menggunakan algoritma dan model matematika
untuk mengajarkan mesin untuk belajar dari data dan menghasilkan prediksi atau
keputusan berdasarkan pola yang ditemukan dalam data.
 Jaringan Saraf Artifisial: Terinspirasi oleh struktur dan fungsi jaringan saraf manusia,
menggunakan lapisan neuron buatan untuk memproses data dan mengenali pola.
 Komputasi Evolusioner: Menggunakan algoritma yang terinspirasi oleh proses evolusi
dalam alam untuk mengoptimalkan solusi berdasarkan kriteria tertentu.
 Pemrosesan Bahasa Alami: Menggunakan teknik AI untuk memungkinkan komunikasi
antara manusia dan mesin melalui bahasa manusia yang alami.

202 Kapita Selekta Industri

3
3 Ringkasan Topik
(Kelompok 2)
 Pengenalan Suara dan Citra: Menggunakan AI untuk mengenali dan memahami suara
atau citra, seperti pengenalan wajah atau transkripsi otomatis.

1.1.4. Fungsi dan Mandaat AI

 Otomatisasi Tugas Repetitif: AI dapat digunakan untuk mengotomatisasi tugas-tugas
yang sederhana dan berulang, memungkinkan manusia untuk fokus pada tugas yang
lebih kompleks dan kreatif.
 Pengambilan Keputusan yang Cerdas: AI dapat menganalisis data dengan cepat dan
memberikan rekomendasi atau keputusan berdasarkan pola dan tren yang ditemukan.
 Peningkatan Efisiensi dan Produktivitas: Dengan otomatisasi dan pengambilan
keputusan yang cerdas, AI dapat membantu meningkatkan efisiensi dan produktivitas di
berbagai sektor, seperti manufaktur, logistik, dan layanan pelanggan.
 Penemuan Pengetahuan Baru: AI dapat membantu menganalisis data besar dan
kompleks untuk mengidentifikasi pola dan penemuan pengetahuan baru yang tidak
terlihat oleh manusia.
 Perbaikan Diagnostik Medis: AI dapat digunakan dalam analisis medis dan interpretasi
citra untuk membantu dokter dalam mendiagnosis penyakit dan merencanakan
pengobatan.
 Kendaraan Otonom: AI memainkan peran penting dalam pengembangan kendaraan
otonom yang dapat mengemudi tanpa campur tangan manusia, yang berpotensi
meningkatkan keselamatan dan efisiensi transportasi.

1.2. Machine Learning (ML)

1.2.1. Pengertian
Machine learning adalah bidang dalam ilmu komputer yang mempelajari algoritma
dan model statistik yang memungkinkan komputer untuk belajar dan melakukan tugas-tugas
tertentu tanpa secara eksplisit diprogram. Dalam machine learning, komputer "belajar" dari
data dan pengalaman untuk mengidentifikasi pola, membuat prediksi, dan mengambil
keputusan.

1.2.2. Sejarah Singkat

Konsep machine learning telah ada sejak beberapa dekade yang lalu. Di awal 1950-
an, para peneliti seperti Arthur Samuel mulai mengembangkan algoritma untuk melatih
komputer agar dapat belajar dari pengalaman. Namun, kemajuan signifikan dalam machine
learning terjadi pada tahun 1990-an dan 2000-an, berkat perkembangan dalam pemrosesan
komputer yang lebih cepat dan peningkatan jumlah data yang tersedia. Selama periode ini,

202 Kapita Selekta Industri

3
4 Ringkasan Topik
(Kelompok 2)
teknik-teknik seperti jaringan saraf tiruan, pohon keputusan, dan metode-metode lainnya
mulai diterapkan secara luas.

1.2.3. Jenis-Jenis
 Supervised Learning (Pembelajaran Terawasi): Algoritma ini melibatkan penggunaan
dataset yang telah diberi label untuk melatih model untuk membuat prediksi atau
mengidentifikasi pola dalam data baru.
 Unsupervised Learning (Pembelajaran Tak Terawasi): Algoritma ini digunakan untuk
menemukan pola tersembunyi dalam data yang tidak memiliki label atau pengawasan
sebelumnya.
 Reinforcement Learning (Pembelajaran Penguatan): Jenis pembelajaran ini melibatkan
interaksi antara agen pembelajaran dan lingkungannya. Agen belajar melalui percobaan
dan umpan balik dalam lingkungan untuk memaksimalkan penghargaan yang diterima.

1.2.4. Fungsi dan Manfaat

 Pengenalan Pola: Machine learning dapat mengenali pola kompleks dalam data,
misalnya, dalam pengenalan wajah atau suara.
 Prediksi dan Peramalan: Dengan melibatkan model yang telah dilatih pada data historis,
machine learning dapat membuat prediksi tentang hasil masa depan dan memperkirakan
tren.
 Pemrosesan Bahasa Alami: Machine learning memungkinkan komputer untuk memahami
dan memproses bahasa manusia, yang memungkinkan aplikasi seperti chatbot dan
penerjemahan otomatis.
 Kendali Otomatis: Dengan menggunakan machine learning, sistem dapat belajar dari
pengalaman dan mengoptimalkan perilaku mereka, seperti kendaraan otonom atau robot
industri.

1.3. Deep Learning (DL)

1.3.1. Pengertian
Deep learning adalah subbidang dari kecerdasan buatan (artificial intelligence) yang
berfokus pada pengembangan dan penerapan algoritma yang menggunakan jaringan saraf
tiruan (artificial neural networks) yang dalam (deep neural networks) untuk mempelajari
representasi data yang kompleks. Tujuan utama deep learning adalah untuk mengenali
pola-pola dan membuat keputusan atau prediksi berdasarkan data input yang kompleks.

202 Kapita Selekta Industri

3
5 Ringkasan Topik
(Kelompok 2)
1.3.2. Sejarah Singkat
Sejarah deep learning dimulai pada tahun 1943 dengan penelitian pertama
mengenai jaringan saraf tiruan oleh Warren McCulloch dan Walter Pitts. Namun,
perkembangan deep learning secara signifikan terjadi pada tahun 2006 ketika Geoff Hinton,
Yoshua Bengio, dan Yann LeCun memperkenalkan algoritma backpropagation yang efisien
untuk melatih jaringan saraf dalam beberapa lapisan secara efektif. Kemudian, dengan
adanya peningkatan komputasi dan ketersediaan data yang besar, deep learning
berkembang pesat dan berhasil mencapai kinerja yang mengesankan dalam berbagai tugas
seperti pengenalan wajah, deteksi objek, dan pemrosesan bahasa alami.

1.3.3. Jenis-Jenis
 Convolutional Neural Networks (CNN): Digunakan untuk pengolahan dan analisis data
gambar dan video, serta pengenalan pola spasial pada data visual.
 Recurrent Neural Networks (RNN): Cocok untuk tugas yang melibatkan urutan data,
seperti pemrosesan bahasa alami, translasi mesin, dan pengenalan suara.
 Generative Adversarial Networks (GAN): Menghasilkan data baru yang realistis dengan
melatih dua model, yaitu generator dan diskriminator, secara bersaing.
 Deep Reinforcement Learning: Menggunakan pendekatan pembelajaran yang
memadukan reinforcement learning dengan deep neural networks untuk mempelajari
keputusan yang optimal dalam lingkungan yang dinamis.

1.3.4. Fungsi dan Manfaat

 Pengenalan Pola: Deep learning dapat mengidentifikasi pola-pola yang kompleks pada
data seperti pengenalan wajah, pengenalan suara, dan deteksi objek.
 Pemrosesan Bahasa Alami: Dapat digunakan untuk menganalisis dan memahami teks
secara otomatis, seperti pemrosesan teks, analisis sentimen, dan pemodelan bahasa.
 Pengolahan Gambar dan Video: Deep learning memungkinkan analisis mendalam pada
data visual, seperti segmentasi gambar, deteksi objek, dan pengenalan aksi.
 Pengambilan Keputusan: Deep learning dapat digunakan untuk membuat prediksi dan
keputusan yang kompleks berdasarkan data input.
 Otomatisasi: Deep learning memungkinkan otomatisasi tugas yang sebelumnya
membutuhkan intervensi manusia, seperti kendaraan otonom, robotika, dan sistem
pengawasan.

202 Kapita Selekta Industri

3
6 Ringkasan Topik
(Kelompok 2)
Ringkasan Video
Video 1

ADJI ESTU PAMBUDI

Machine learning dan Deep learning merupakan salah satu bentuk dari Artificial Intelligence,
dimana AI muncul pertama kali pada tahun 1950 hingga 1960-an untuk menstimulasi
keputusan yang dibuat oleh manusia.
Machine learning adalah kemampuan komputer untuk belajar dan memperbaiki kinerjanya
secara otomatis dari pengalaman, tanpa perlu diprogram secara eksplisit. Machine learning
dapat membantu dalam melakukan tugas seperti mengenali gambar, pengenalan suara,
penerjemahan bahasa, dan pemecahan masalah kompleks lainnya.
Deep learning adalah salah satu teknik machine learning yang menggunakan jaringan saraf
tiruan dengan banyak lapisan dan berfungsi dengan cara yang mirip dengan cara kerja otak
manusia. Deep learning dapat digunakan untuk melakukan tugas yang sangat kompleks,
seperti mengenali wajah seseorang dalam gambar atau mengidentifikasi objek pada video.
Beberapa manfaat machine learning dan deep learning adalah sebagai berikut:

Peningkatan efisiensi: Machine learning membantu meningkatkan efisiensi bisnis dan

mengoptimalkan banyak proses. Misalnya, algoritma machine learning dapat digunakan
untuk memprediksi permintaan untuk produk tertentu, sehingga perusahaan dapat
mengurangi jumlah produk yang tidak terjual.
Peningkatan akurasi: Dalam banyak kasus, mesin dapat memproses dan menganalisis data
dengan lebih akurat daripada manusia. Dengan menggunakan machine learning, keputusan
bisnis dapat dibuat berdasarkan data yang terkumpul dengan lebih akurat, sehingga
meningkatkan keuntungan perusahaan.
Penghematan biaya: Machine learning dapat menghemat biaya yang terkait dengan analisis
data dan pengumpulan data. Jika dilakukan secara manual, analisis data bisa memakan
waktu dan sumber daya yang signifikan, sedangkan machine learning dapat memproses
data dengan lebih cepat dan efisien.
Peningkatan kualitas produk: Dalam industri otomotif, machine learning dapat digunakan
untuk meningkatkan kualitas produk. Misalnya, machine learning dapat memprediksi

202 Kapita Selekta Industri

3
7 Ringkasan Topik
(Kelompok 2)
kegagalan suku cadang atau komponen tertentu yang menyebabkan masalah pada mobil,
sehingga dapat diambil tindakan sebelum masalah menjadi lebih serius.
Pengembangan teknologi masa depan: Deep learning dan machine learning menjadi
landasan untuk mengembangkan teknologi masa depan seperti kendaraan otonom, chatbot
yang cerdas, dan pengenalan wajah. Dalam jangka panjang, mesin yang belajar sendiri
dapat membuka pintu untuk teknologi baru dan solusi yang lebih efektif.

MUHAMAD RESTU AWAL PAMBUDI

Mengelola rantai pasokan menjadi semakin kompleks karena beberapa alasan: Regresi
Linear adalah algoritma pembelajaran mesin berdasarkan pembelajaran yang diawasi. Itu
melakukan tugas regresi. Model regresi nilai prediksi target berdasarkan variabel
independen. Ini sebagian besar digunakan untuk mengetahui hubungan antara variabel dan
peramalan. Model regresi yang berbeda berbeda berdasarkan – jenis hubungan antara
variabel dependen dan independen yang mereka pertimbangkan, dan jumlah variabel
independen yang digunakan. Ada banyak nama untuk variabel dependen regresi. Ini bisa
disebut variabel hasil, variabel kriteria, variabel endogen, atau regressand. Variabel
independen dapat disebut variabel eksogen, variabel prediktor, atau regressor. Regresi linier
digunakan di berbagai bidang, termasuk keuangan, ekonomi, dan psikologi, untuk
memahami dan memprediksi perilaku variabel tertentu. Misalnya, di bidang peramalan
cuaca & suhu, regresi linier dapat digunakan untuk memprediksi cuaca di masa depan
berdasarkan cuaca dan temperatur di masa lalunya. Salah satu yang penting dari
supervised learning adalah regresi. Dalam kumpulan catatan regresi hadir dengan nilai X
dan Y dan nilai ini digunakan untuk mempelajari suatu fungsi, sehingga jika Anda ingin
memprediksi Y dari X yang tidak diketahui, fungsi pembelajaran ini dapat digunakan. Dalam
regresi kita harus menemukan nilai Y, Jadi, diperlukan suatu fungsi yang memprediksi Y
mengingat XY kontinu jika terjadi regresi

YULFARAA KARTINI

Machine learning atau dikenal dengan pembelajaran mesin adalah ilmu komputer
yang bisa bekerja tanpa diprogram secara eksplisit. Machine learning ini merupakan
kecerdasan buatan yang mempelajari bagaimana membuat data. Machine learning berfokus
pada pengembangan program komputer yang dapat mengakses data dan menggunakannya
untuk belajar sendiri. Algoritma machine learning menggunakan data historis seperti contoh,
pengalaman, dan instruksi sebagai input untuk memprediksi nilai output baru. Saat ini,
machine learning adalah salah satu komponen terpenting di bidang ilmu teknologi. Dengan

202 Kapita Selekta Industri

3
8 Ringkasan Topik
(Kelompok 2)
sistem ini, bisnis dapat mengotomatiskan tugas-tugas rutin. Machine learning juga
membantu bisnis membuat model yang dapat memproses dan menganalisis data kompleks
untuk memberikan hasil yang akurat. Machine learning berfokus pada pengembangan
algoritma agar bisa mengambil keputusan sendiri berdasarkan data.

Ada beberapa teknik yang dimiliki oleh machine learning, namun secara luas ML memiliki
dua teknik dasar yaitu supervised dan unsupervised. Teknik supervised learning merupakan
teknik yang bisa kamu terapkan pada pembelajaran mesin yang bisa menerima informasi
yang sudah ada pada data dengan memberikan label tertentu. Diharapkan teknik ini bisa
memberikan target terhadap output yang dilakukan dengan membandingkan pengalaman
belajar di masa lalu. Sedangkan teknik unsupervised learning merupakan teknik yang bisa
kamu terapkan pada machine learning yang digunakan pada data yang tidak memiliki
informasi yang bisa diterapkan secara langsung. Diharapkan teknik ini dapat membantu
menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label.

SHAZFA ZAKIRAH YASMEENAH

Human Prediction merupakan kemampuan sistem komputer untuk memprediksi perilaku
manusia berdasarkan data dan informasi yang tersedia. Dalam hal ini, sistem komputer
menggunakan algoritma dan model pembelajaran mesin untuk mengekstraksi pola dari data
yang ada, dan memprediksi hasil yang mungkin terjadi.
Cara kerja Human Prediction dimulai dengan mengumpulkan data dari berbagai sumber,
seperti data geografis, data sosial, dan data historis. Data tersebut kemudian diolah dengan
menggunakan algoritma dan model pembelajaran mesin untuk menghasilkan pola dan tren
yang dapat digunakan untuk memprediksi perilaku manusia.
Jenis-jenis AI Human Prediction antara lain:
 Prediksi perilaku konsumen: memprediksi kecenderungan konsumen dalam membeli
produk atau layanan tertentu.
 Prediksi keputusan karir: memprediksi keputusan seseorang dalam memilih karir atau
pekerjaan.
 Prediksi kesehatan: memprediksi kemungkinan seseorang terkena penyakit atau kondisi
kesehatan tertentu.
 Prediksi kriminalitas: memprediksi kemungkinan terjadinya kejahatan atau tindak
kekerasan berdasarkan pola kriminalitas di masa lalu.
 Prediksi politik: memprediksi hasil pemilihan umum atau dukungan politik seseorang
berdasarkan data yang ada.
Penerapan AI Human Prediction dapat memberikan banyak keuntungan, antara lain:

202 Kapita Selekta Industri

3
9 Ringkasan Topik
(Kelompok 2)
 Memperbaiki pengambilan keputusan
 Meningkatkan efisiensi
 Meningkatkan kualitas layanan
Penerapan Human Prediction juga memiliki risiko, antara lain:
 Kesalahan prediksi
 Pelanggaran privasi
 Bias dimana AI human prediction dapat menghasilkan bias yang tidak disengaja jika data
yang digunakan tidak mencakup semua kelompok atau jika model yang digunakan tidak
netral secara gender, ras, atau budaya

ELSANIA

Regresi linier adalah sebuah metode statistik yang digunakan untuk mempelajari hubungan
linier antara suatu variabel prediktor x dan variabel target y. Persamaan regresi linier
dinyatakan dalam bentuk y=mx+b, di mana m adalah kemiringan (slope) dan b adalah
intercept (perpotongan dengan sumbu y) pada garis regresi. Model regresi linier bekerja
dengan cara mempelajari nilai m dan b secara otomatis menggunakan persamaan atau
metode penurunan gradien.

Evaluasi model dilakukan pada data yang berbeda dengan data yang digunakan untuk
melatih model.

Tujuannya adalah untuk memastikan bahwa model tersebut memiliki performa yang umum
dan dapat diterapkan pada berbagai data.

Beberapa prediktor dapat digunakan dalam pembelajaran mesin. Dalam regresi linier,
persamaannya adalah y = m1x1 + m2x2 + b

DEDY KURNIADI
Machine learning adalah cabang kecerdasan buatan yang mempelajari dan
mengembangkan algoritma dan model statistik untuk memberikan komputer kemampuan
untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara
eksplisit. Dalam machine learning, model dilatih dengan menggunakan data pelatihan untuk
mengidentifikasi pola dan relasi dalam data tersebut. Model ini kemudian dapat digunakan
untuk membuat prediksi atau mengambil keputusan terhadap data baru.

202 Kapita Selekta Industri

3
10 Ringkasan Topik
(Kelompok 2)
Deep learning adalah subbidang dari machine learning yang fokus pada pembelajaran dan
penggunaan jaringan saraf tiruan yang dalam (deep neural networks). Deep learning
menggunakan arsitektur neural network yang terdiri dari banyak lapisan (layer) untuk
menganalisis dan memproses data secara hierarkis. Dalam deep learning, fitur-fitur atau
representasi yang lebih kompleks dipelajari secara otomatis dari data oleh jaringan saraf
yang terdiri dari banyak lapisan, sehingga memungkinkan pemahaman yang lebih
mendalam tentang data yang kompleks.
Perbedaan utama antara machine learning dan deep learning terletak pada tingkat
kompleksitas pemrosesan data. Machine learning menggunakan algoritma dan model
statistik yang lebih sederhana, sedangkan deep learning menggunakan jaringan saraf tiruan
dengan banyak lapisan untuk menerapkan pemrosesan yang lebih kompleks.
Kedua pendekatan ini telah memberikan dampak yang signifikan dalam berbagai bidang,
termasuk pengenalan pola, pengenalan wajah, pemrosesan bahasa alami, visi komputer,
dan banyak lagi. Dengan kemampuan untuk belajar dan beradaptasi dari data, machine
learning dan deep learning memungkinkan komputer untuk melakukan tugas-tugas yang
sebelumnya memerlukan kecerdasan manusia, membawa inovasi dan kemajuan dalam
berbagai industri dan aplikasi teknologi.

Pertanyaan dan Jawaban

Video 1

Multiple Choice
1. Soal Pilihan Ganda
Berikut merupakan manfaat positive dari machine learning dan deep learning, kecuali....
A. Peningkatan efisiensi kerja
B. Pengembangan teknologi masa depan
C. Penghematan biaya produksi
D. Mengurangi lapangan kerja
Jawaban :
D. Mengurangi lapangan kerja

2. Apa yang termasuk dari nama lain variabel dependent regresi?

A. Variabel eksogen
B. Variabel prediktor
202 Kapita Selekta Industri
3
11 Ringkasan Topik
(Kelompok 2)
C. Variabel endogen
D. regressor
(jawaban benar C)

3. Apa jenis machine learning yang dimana algoritma dilatih menggunakan data yang
telah dikategorikan, lalu algoritma belajar dari data tersebut dan mencoba
mengidentifikasi hubungan antara input dan output?
a. Supervised Learning
b. Semi-supervised Learning
c. Unsupervised Learning
d. Reinforcement Learning
Jawaban: a. Supervised Learning

4. Bagaimana cara mengurangi "bias" dalam AI Human Prediction?

A. Menggunakan lebih banyak data dari berbagai sumber
B. Melakukan pengujian sistem secara berkala
C. Meningkatkan kecerdasan buatan sistem
D. Membatasi penggunaan sistem hanya pada kelompok manusia tertentu
Jawab: A. Menggunakan lebih banyak data dari berbagai sumber

5. Apa yang dilakukan oleh model regresi linier?

a. Mempelajari nilai m dan b secara manual
b. Mempelajari nilai m dan b secara otomatis menggunakan persamaan atau metode
penurunan gradien
c. Mempelajari nilai m saja secara manual
d. Mempelajari nilai b saja secara manual
Jawaban: b

6. Apa perbedaan utama antara machine learning dan deep learning?

a. Tingkat kompleksitas pemrosesan data.
b. Penggunaan jaringan saraf tiruan.
c. Ketergantungan pada data pelatihan.
d. Metode pengambilan keputusan tanpa diprogram secara eksplisit.
Jawaban: a. Tingkat kompleksitas pemrosesan data.

202 Kapita Selekta Industri

3
12 Ringkasan Topik
(Kelompok 2)
Essay
1. Apa yang Anda ketahui tentang Deep Learning?
Jawaban: Deep learning adalah salah satu teknik machine learning yang menggunakan
jaringan saraf tiruan dengan banyak lapisan dan berfungsi dengan cara yang mirip
dengan cara kerja otak manusia. Deep learning dapat digunakan untuk melakukan
tugas yang sangat kompleks, seperti mengenali wajah seseorang dalam gambar atau
mengidentifikasi objek pada video.

2. Apa kegunaan regresi linier? Jelaskan contohnya!

Regresi linier digunakan di berbagai bidang, termasuk keuangan, ekonomi, dan
psikologi, untuk memahami dan memprediksi perilaku variabel tertentu. Misalnya, di
bidang peramalan cuaca & suhu, regresi linier dapat digunakan untuk memprediksi
cuaca di masa depan berdasarkan cuaca dan temperatur di masa lalunya.

3. Berikan satu contoh penerapan machine learning yang ada pada keseharian
manusia saat ini!
Jawaban:
Contoh penerapan machine learning pada keseharian yaitu hasil pencarian google.
Machine learning adalah sistem yang memiliki peran penting dalam cara kerja mesin
pencarian google. Mesin pencarian Google menggunakan algoritma yang kompleks
untuk menganalisis dan mengurutkan ranking halaman website berdasarkan
relevansinya dengan kata kunci yang dicari oleh pengguna. Jadi, pembelajaran mesin
digunakan untuk terus meningkatkan pemahaman algoritma guna memastikan hasil
pencarian tetap relevan dan sesuai dengan search intent pengguna.
4. Sebutkan dan jelaskan salah satu teknik atau metode yang digunakan dalam AI
Human Prediction!
Jawab:
Salah satu teknik atau metode yang digunakan dalam AI Human Prediction yaitu
Machine Learning, dimana teknik ini digunakan untuk melatih AI agar dapat memahami
pola dari data yang diperoleh dan membuat prediksi berdasarkan pola tersebut.
5. Mengapa evaluasi model penting dilakukan pada data yang berbeda dengan data
yang digunakan untuk melatih model?
Jawaban: Evaluasi model pada data yang berbeda dengan data yang digunakan untuk
melatih model penting dilakukan untuk memastikan bahwa model tersebut dapat
diterapkan pada berbagai data dan memiliki performa yang umum.

202 Kapita Selekta Industri

3
13 Ringkasan Topik
(Kelompok 2)
6. Jelaskan secara rinci tentang pengenalan machine learning dan deep learning,
termasuk definisi, prinsip kerja, dan perbedaan utama antara keduanya.
Jawaban:
Machine learning dan deep learning adalah dua bidang yang penting dalam kecerdasan
buatan yang memungkinkan komputer untuk belajar dan membuat prediksi berdasarkan
data. Berikut adalah penjelasan mendetail tentang keduanya:
Machine learning adalah cabang kecerdasan buatan yang berfokus pada
pengembangan algoritma dan model statistik yang memungkinkan komputer untuk
belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara
eksplisit. Dalam machine learning, model dilatih dengan menggunakan data pelatihan
yang berisi contoh-contoh input dan output yang terkait. Model ini kemudian
menggunakan metode statistik dan matematika untuk mengidentifikasi pola atau relasi
dalam data tersebut. Setelah proses pelatihan, model dapat digunakan untuk
menggeneralisasi dan membuat prediksi terhadap data baru yang tidak pernah dilihat
sebelumnya.
Di sisi lain, deep learning adalah subbidang dari machine learning yang menggunakan
arsitektur neural network yang dalam (deep neural networks) untuk memproses dan
menganalisis data secara hierarkis. Deep learning didasarkan pada konsep jaringan
saraf tiruan yang terdiri dari banyak lapisan (layer). Setiap lapisan dalam jaringan saraf
mengambil representasi yang semakin kompleks dari data masukan dan menggunakan
informasi tersebut untuk membuat prediksi. Deep learning memungkinkan pemahaman
yang lebih mendalam tentang data yang kompleks dengan mempelajari fitur-fitur atau
representasi yang lebih tingkat tinggi secara otomatis.
Perbedaan utama antara machine learning dan deep learning terletak pada tingkat
kompleksitas pemrosesan data. Machine learning menggunakan berbagai algoritma dan
model statistik yang lebih sederhana, sedangkan deep learning menggunakan jaringan
saraf tiruan dengan banyak lapisan untuk menerapkan pemrosesan yang lebih
kompleks. Deep learning memungkinkan komputer untuk mengenali pola-pola yang
lebih kompleks dalam data, sedangkan machine learning biasanya lebih cocok untuk
masalah yang lebih sederhana.
Selain itu, deep learning juga memiliki kebutuhan komputasi yang lebih tinggi
dibandingkan dengan machine learning. Pelatihan model deep learning seringkali
memerlukan sumber daya komputasi yang kuat, seperti GPU atau TPU, untuk
menangani kompleksitas jaringan dan volume data yang besar.
Secara keseluruhan, machine learning dan deep learning merupakan cabang yang
penting dalam kecerdasan buatan. Machine learning memberikan dasar untuk

202 Kapita Selekta Industri

3
14 Ringkasan Topik
(Kelompok 2)
 pemahaman tentang pemrosesan data dan pembuatan prediksi berdasarkan algoritma
dan model statistik, sedangkan deep learning memperluas kemampuan tersebut
dengan memanfaatkan jaringan saraf tiruan yang dalam untuk menganalisis data
secara hierarkis.

Keterkaitan dan Manfaat bagi Insinyur Teknik

Sistem & Industri

Video 7

Keterkaitan

1. Machine learning dan deep learning dapat memberikan banyak manfaat bagi seorang
industrial system engineer. Beberapa manfaat yang dapat diperoleh adalah sebagai
berikut:
 Meningkatkan efisiensi proses produksi: Dengan menggunakan algoritma machine
learning dan deep learning, seorang industrial system engineer dapat memprediksi
dan mengoptimalkan proses produksi untuk meminimalkan waktu set-up, downtime
dan meningkatkan yield atau kualitas produk.
 Mengurangi biaya produksi: Dengan mengoptimalkan proses produksi, seorang
industrial system engineer dapat secara signifikan mengurangi biaya produksi.
 Membantu pengambilan keputusan: Machine learning dan deep learning dapat
memproses data dan memberikan insight yang berguna bagi perusahaan, sehingga
seorang industrial system engineer dapat mengambil keputusan yang lebih baik dan
lebih tepat.
 Meningkatkan kualitas produk: Dengan memprediksi data dan mengoptimalkan
proses produksi, industrial system engineer dapat meningkatkan kualitas produk
sehingga menjadi lebih kompetitif dan meningkatkan kepuasan pelanggan.
 Mengurangi risiko kerusakan mesin: Machine learning dan deep learning dapat
mengawasi mesin dan memproses data secara real-time, sehingga seorang
industrial system engineer dapat mencegah kegagalan mesin lebih dini dan
merencanakan perawatan sebelum terjadi kerusakan yang serius

202 Kapita Selekta Industri

3
15 Ringkasan Topik
(Kelompok 2)
  Visibilitas rantai pasokan dapat menguntungkan setiap aspek bisnis karena akan
membantu meningkatkan operasi backend seperti pemenuhan dan memungkinkan
bisnis memenuhi permintaan pelanggan.

2. Machine learning memiliki banyak manfaat jika diaplikasikan dengan baik. Sistem yang
diciptakan oleh machine learning dapat lebih fleksibel sehingga mampu menyelesaikan
permasalahan dengan cara yang efisien dan terukur. Penggunaan machine learning pada
industri juga dapat mengurangi tingkat kegagalan. Mesin akan mendeteksi kegagalan dan
mencegahnya terjadi lagi. Dengan sistem pembelajaran mesin, industri dapat
memprediksi suatu tren dengan cepat. Selain itu, dengan algoritma, proses automasi juga
bisa menjadi optimal karena mesin dapat membaca prediksi dari variabel.
3. AI Human Prediction dapat digunakan untuk memprediksi perilaku karyawan dalam
lingkungan kerja, sehingga dapat membantu calon ISE untuk mengoptimalkan tata kelola
sumber daya manusia dan meningkatkan produktivitas. Dimana dengan hal tersebut,
Human Prediction dapat menjadi keuntungan bagi calon ISE untuk memperoleh
pemahaman yang lebih baik tentang teknologi AI dan potensi aplikasinya dalam bidang
industri dan sistem. Karena dapat membantu calon ISE untuk mengembangkan
keterampilan yang diperlukan untuk mengembangkan dan mengimplementasikan
teknologi AI dalam lingkungan industri dan sistem.
4. Sebagai ISE, mereka dapat menggunakan metode regresi linier dan evaluasi model pada
data yang berbeda untuk mempelajari hubungan antara variabel prediktor dan target.
Hasil analisis ini dapat membantu mereka membuat keputusan yang lebih baik dalam
perencanaan dan pengelolaan sistem produksi dan operasi. Misalnya, dengan
menggunakan regresi linier, seorang insinyur industri dapat memprediksi hubungan antara
variabel produksi dan biaya produksi serta memperkirakan tingkat permintaan untuk
produk tertentu. Dengan demikian, pembelajaran mesin dan regresi linier dapat
membantu insinyur industri dan sistem meningkatkan efisiensi operasional dan
mengoptimalkan pengambilan keputusan.
5. Keterkaitan antara Industrial Systems Engineering (ISE) dengan machine learning dan
deep learning sangat erat dan saling melengkapi. Berikut adalah beberapa poin yang
menjelaskan keterkaitan tersebut:
Pengoptimasian Sistem: Industrial Systems Engineering berfokus pada perancangan,
pengembangan, dan pengoptimalan sistem industri kompleks. Machine learning dan deep
learning dapat digunakan dalam ISE untuk menganalisis data yang dihasilkan oleh sistem
industri, mengidentifikasi pola, dan memperoleh wawasan yang berharga. Dengan

202 Kapita Selekta Industri

3
16 Ringkasan Topik
(Kelompok 2)
menggunakan teknik-teknik ini, ISE dapat meningkatkan efisiensi operasional,
mengurangi biaya, dan meningkatkan kinerja sistem industri.
Prediksi dan Peramalan: Machine learning dan deep learning dapat digunakan untuk
melakukan prediksi dan peramalan dalam ISE. Dengan menggunakan data historis dan
saat ini, model machine learning dan deep learning dapat mengidentifikasi tren, pola, dan
hubungan dalam data yang membantu dalam membuat perkiraan tentang permintaan,
ketersediaan sumber daya, keandalan sistem, dan lainnya. Informasi ini memungkinkan
ISE untuk merencanakan dan mengambil keputusan yang lebih baik.
Pengendalian dan Pemeliharaan: Machine learning dan deep learning dapat digunakan
dalam ISE untuk pengendalian dan pemeliharaan sistem industri. Dengan menganalisis
data sensor yang dihasilkan oleh peralatan dan mesin, model machine learning dan deep
learning dapat mengidentifikasi pola kegagalan atau anomali dalam kinerja sistem. Hal ini
memungkinkan untuk mendeteksi dini masalah yang mungkin terjadi, memperkirakan
waktu pemeliharaan yang tepat, dan mengoptimalkan penggunaan sumber daya.
Pengambilan Keputusan: Machine learning dan deep learning dapat mendukung
pengambilan keputusan yang lebih baik dalam ISE. Dengan menganalisis data
operasional dan informasi yang dihasilkan oleh sistem industri, model machine learning
dan deep learning dapat memberikan wawasan berharga untuk mendukung pengambilan
keputusan yang lebih akurat. Hal ini membantu dalam merencanakan, mengoptimalkan,
dan mengelola sistem industri secara efisien.
Pengembangan Produk dan Proses: Machine learning dan deep learning dapat digunakan
dalam ISE untuk pengembangan produk dan proses baru. Dengan menggunakan data
historis dan simulasi virtual, model machine learning dan deep learning dapat membantu
dalam merancang produk yang lebih inovatif, meningkatkan efisiensi produksi, dan
mengidentifikasi peluang perbaikan.
Secara keseluruhan, machine learning dan deep learning memiliki peran yang penting
dalam Industrial Systems Engineering. Mereka membantu dalam analisis data, prediksi,
pengendalian sistem, pengambilan keputusan, dan pengembangan produk dan proses.
Dengan menerapkan teknik-teknik ini, ISE dapat mencapai efisiensi yang lebih tinggi,
kualitas yang lebih baik, dan pengelolaan yang lebih efektif dalam sistem industri.

202 Kapita Selekta Industri

3
17 Ringkasan Topik
(Kelompok 2)
Reference / Daftar Pustaka
[1] Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.

[2] Domingos, P. (2018). The master algorithm: How the quest for the ultimate learning
machine will remake our world. Basic Books.

[3] Poole, D., Mackworth, A., & Goebel, R. (1998). Computational intelligence: A logical
approach. Oxford University Press.

[4] Russell, S. J., & Norvig, P. (2016). Artificial intelligence: A modern approach. Pearson.

[5] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning:
Data Mining, Inference, and Prediction. Springer.

[6] Mitchell, T. (1997). Machine Learning. McGraw-Hill.

[7] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

202 Kapita Selekta Industri

3
18 Ringkasan Topik
(Kelompok 2)