Professional Documents
Culture Documents
(Kapita Selekta
Industri)
(Artificial Intelligence, Machine
Lerning, dan Deep Learning)
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
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.
1.1.3. 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.
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.
1.2.3. 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.
1.3.1. 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.
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.
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
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.
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.
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
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
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.
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
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
[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.
[7] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.