00:00:00
KMU artificial intelegence dan machine
00:00:02
learning merupakan doa topik yang serupa
00:00:04
tapi tak sama mungkin membingungkan bagi
00:00:07
beberapa orang yang baru memulai
00:00:08
mempelajari keduanya artificial letjens
00:00:11
mungkin sudah jadi istilah umum film dan
00:00:14
novel science fiction membantu
00:00:15
mempromosikan istilah ini yakni tentang
00:00:18
mesin dan komputer yang mampu memiliki
00:00:20
kecerdasan seperti manusia sisi lain
00:00:23
masih learning merupakan istilah yang
00:00:25
lebih teknis bagi yang memiliki
00:00:28
background computer science mungkin
00:00:29
familiar dengan istilah ini pada
00:00:31
dasarnya jika kita menerapkan
00:00:33
machine-learning dalam program kita maka
00:00:35
program kita memiliki kemampuan berpikir
00:00:37
seperti manusia
00:00:39
Hai keduanya sepintas memiliki definisi
00:00:41
yang serupa jadi apa sih yang membedakan
00:00:44
keduanya Mari kita bahas satu persatu
00:00:46
dimulai dari atau ficial intelijen
00:00:50
definisi artificial intelegence adalah
00:00:52
sebuah mesin atau komputer yang meniru
00:00:55
fungsi kognitif yang diasosiasikan
00:00:57
dengan pikiran manusia seperti belajar
00:00:59
dan problem solving ada banyak sekali
00:01:02
implementasi artificielle jeans dan
00:01:04
salah satu contoh artificial
00:01:06
intelligence yang paling sederhana
00:01:07
adalah sistem pakar pernah nggak kalian
00:01:11
punya masalah teknis dan kalian perlu
00:01:13
berkonsultasi dengan orang yang
00:01:14
merupakan pakar di permasalahan tersebut
00:01:16
pakar tersebut tentu akan siap membantu
00:01:19
kalian sampai kalian melesaikan
00:01:21
masalahnya ia kurang lebih seperti
00:01:23
itulah deskripsi sistem pakar tapi
00:01:25
alih-alih manusia-komputer lah yang
00:01:28
merupakan bakarnya sistem pakar dibangun
00:01:31
dengan oleh base pengetahuan manusia
00:01:34
tentang sebuah permasalahan yang
00:01:36
disimpan dalam sebuah database besar
00:01:39
sekalian melihat dari cara kerjanya
00:01:40
Mungkin kalian bisa menebak Bagaimana
00:01:43
kira-kira program dibaliknya ya walaupun
00:01:46
oleh serasi dcd terlalu melebih-lebihkan
00:01:48
tetapi expert System yang paling
00:01:50
sederhana kurang lebih seperti ini
00:01:52
intinya sistem pakar membangun
00:01:55
pengetahuan berupa aturan kompleks yang
00:01:57
secara eksplisit kita terapkan dalam
00:01:59
program bagaimanapun arti bisa telur
00:02:03
jeans dengan pembangunan terus if else
00:02:05
is not always the case artificial
00:02:09
intelegent dapat berupa aturan f&l
00:02:12
sederhana sampai model statistik
00:02:15
kompleks yang maupun mendeskripsikan
00:02:18
aturan-aturan tersebut ambil contoh
00:02:21
sebuah robot untuk menyelesaikan sebuah
00:02:23
pekerjaan mereka tidak hanya menggunakan
00:02:25
FL sederhana mereka menggunakan stata
00:02:28
atau keadaan lantai stata atau stagen
00:02:32
tidak Cang sedemikian rupa agar robot
00:02:35
mampu menyelesaikan pekerjaannya tapi
00:02:38
yang ingin saya tekan
00:02:39
di sini adalah manusia merupakan pihak
00:02:42
yang memahami datanya manusia yang
00:02:44
membuat aturan-aturannya di sisilain
00:02:46
mesin atau komputer Hanya mengikuti
00:02:49
rules dari manusia jadi siapa yang
00:02:53
pintar di sini mesin atau manusia ini
00:02:57
merupakan pertanyaan yang masih dapat
00:02:59
diperdebatkan tapi saya yakin sebagian
00:03:01
besar dari kita pasti akan setuju bahwa
00:03:04
manusia yang lebih pintar pikirkan ini
00:03:07
langkah kerja pemrogramannya pasti tidak
00:03:11
jauh dari berikut satu kita berusaha
00:03:13
memahami data atau situasi dua kita
00:03:17
merancang aturan Berdasarkan data
00:03:18
tersebut tiga kita implementasikan atau
00:03:22
tersebut dan empat mesin menjalankan
00:03:25
aturan sekarang jika kita memiliki data
00:03:29
yang komplit Linux atau kasus yang
00:03:31
benar-benar berbeda kemudian saya
00:03:34
melarang anda untuk melakukan
00:03:35
pemrograman berdasarkan data yang baru
00:03:37
ini kalau
00:03:39
baby program tidak akan memiliki
00:03:41
kemampuan untuk memahami data antara ia
00:03:44
memberikan hasil yang salah atau gagal
00:03:46
menjalankan program sama sekali sehingga
00:03:49
pertanyaan satu juta dollar nya adalah
00:03:52
bisa nggak ya bikin program yang kalau
00:03:55
dikasih data dia bisa belajar sendiri
00:03:58
nah disinilah tempatnya machine-learning
00:04:03
definisi dari machine learning itu
00:04:05
sendiri adalah subarea dari computer
00:04:07
science yang mampu memberikan komputer
00:04:10
kemampuan untuk belajar tanpa diprogram
00:04:13
secara eksplisit Maksudnya seperti ini
00:04:15
salah satu ciri utama pemograman
00:04:18
activision letjens adalah dominasi
00:04:20
aturan-aturan yang secara eksplisit kita
00:04:23
tulis dalam source code atau yang kita
00:04:25
sering sebut dengan rule-based
00:04:27
sebaliknya memprogram mesin earning
00:04:30
memiliki pola berbeda model-based tapi
00:04:33
mungkin kalian skeptis pada ilustrasi
00:04:35
model best ini dan mengatakan tetap
00:04:37
sebenarnya
00:04:38
Ya Allah kirim eichholtz juga kan enggak
00:04:42
juga sebenarnya tidak harus seperti itu
00:04:44
tapi wajar jika kalian skeptis karena
00:04:47
mungkin kita terpacu untuk menciptakan
00:04:50
algoritma berdasarkan bagaimana kita
00:04:52
memahami data Coba kita ubah sedikit
00:04:55
pola pikir kita Bagaimana kalau kita
00:04:58
berpikir untuk menciptakan algoritma
00:05:00
yang mampu memahami data biarkan sedang
00:05:05
Saya ingin menekankan konsekuensi
00:05:07
perbedaan kedua pola pikir tersebut
00:05:09
dengan satu buah studi kasus ini saya
00:05:12
memiliki sebuah grafik yang sumbu x nya
00:05:15
merepresentasikan jumlah jam belajar
00:05:18
perhari dan sumbu y nya
00:05:20
merepresentasikan jumlah jam tidur
00:05:22
perhari sekarang perkenalkan Tony dia
00:05:25
orang yang cukup malas sehari hanya
00:05:27
belajar satu jam bahkan kurang dan dia
00:05:29
kebanyakan itu kemudian ada Albert dia
00:05:33
cukup rajin belajar dan memiliki jam
00:05:35
Tidur yang cukup Lalu ada anak-anak
00:05:37
lainnya dalam
00:05:38
khas yang juga saya plot dalam grafik
00:05:40
ini permasalahan adalah Bisakah kita
00:05:43
mengelompokkan data ini menjadi dua buah
00:05:46
kelompok Katakanlah kelompok lulus dan
00:05:48
yang tidak lulus intuisi saya pertama
00:05:51
kali adalah Oh saya melihat ada garis
00:05:55
pemisah saya bisa perkirakan persamaan
00:05:57
garisnya adalah y = Sin 3x 5 lalu
00:06:02
kemudian saya akan membuat program
00:06:04
berdasarkan pengetahuan Saya tadi saya
00:06:06
akan Tuliskan persamaan yang saya
00:06:08
dapatkan ke dalam program kemudian
00:06:10
membuat keputusan jika sebuah titik
00:06:13
berada di atas garis maka saya akan
00:06:15
cetak lulus dan sebaliknya jika di bawah
00:06:18
garis saya akan cetak tidak lulus
00:06:21
pikirkan sejenak pada baris Berikut saya
00:06:24
memasukkan pengetahuan saya tentang data
00:06:27
kedalam program dari Seoul Viking not
00:06:31
machine-learning dari luar program ini
00:06:35
terlihat pintar tapi dari dalam
00:06:38
sebetulnya dia hanya menjalankan
00:06:40
persamaan yang secara eksplisit ditulis
00:06:42
oleh saya sekarang Katakanlah terdapat
00:06:46
kata yang berbeda Anggap saja data dari
00:06:48
kelas yang lain karena datanya lain maka
00:06:52
persamaan garisnya pun berubah kali ini
00:06:54
saya perkirakan persamaan garisnya
00:06:56
adalah Y = 2 X min 2 mungkin
00:07:00
Hai kalau begini yang harus saya lakukan
00:07:02
adalah saya harus buka kembali sosok
00:07:05
saya dan pada baris ini persamaannya
00:07:08
harus saya ganti dengan persamaan yang
00:07:09
baru oke semuanya beres ya kan enggak
00:07:14
juga sekarang kita bayangin lagi kalau
00:07:17
kita memiliki data yang berbeda lagi
00:07:20
semisal dari kelas yang lainnya lagi
00:07:22
kalau begini saya harus pikirkan garis
00:07:25
pemisah lagi terus kemudian capek entar
00:07:28
bongkar source code lagi ada data yang
00:07:30
lain lagi cari garis Lagi bongkar source
00:07:33
code lagi ya kalian taulah
00:07:35
penderitaannya maka dari itu kita ganti
00:07:38
pola pikir kita sekarang kita mau
00:07:40
menciptakan algoritma yang mampu
00:07:42
memahami data-data
00:07:44
Hai jadi kita gunakan lagi sedih kasus
00:07:46
kita namun dengan cara penyelesaian
00:07:48
berbeda the machine learning Woi kalian
00:07:51
pasti akan segera melihat perbedaan
00:07:53
fundamentalnya berikut langkahnya satu
00:07:57
tempatkan 2.10 secara sembarang
00:08:00
G2 untuk setiap data Tentukan mana
00:08:04
sentroid yang terdekat sebagai contoh
00:08:06
data yang ini lebih dekat pada sentroid
00:08:08
yang warna orange sehingga kita
00:08:10
kelompokkan dia menjadi kelompok yang
00:08:12
orangnya Lalu ada yang datang ini lebih
00:08:15
dekat ke sentroid yang warna hijau
00:08:17
sehingga kita kelompokkan dia menjadi
00:08:18
kelompok hijau
00:08:20
Ayo kita lakukan ini untuk setiap data
00:08:22
yang ada tiga pindahkan sentroid ke
00:08:26
pusat massa kelompoknya
00:08:28
[Musik]
00:08:30
AKB48 2 dan 3 Oke sekarang kita balik
00:08:33
laga2 data yang ini jelas lebih dekat ke
00:08:36
sentra dengan orangnya maka dia tetap
00:08:39
kedalam kelompok orangnya kemudian
00:08:42
karena perpindahan sentroid tadi datang
00:08:44
ini lebih dekat ke sendroid yang warna
00:08:46
orange maka dia berubah menjadi kelompok
00:08:49
kotanya
00:08:50
Ayo kita lakukan ini untuk setiap data
00:08:52
yang ada lalu langkah 3 kita pindahkan
00:08:56
sentroid ke pusat massa kelompoknya kita
00:08:59
ulangi proses ini sampai tidak ada lagi
00:09:02
kelompok yang berubah dan Hei datanya
00:09:05
berasal kita kelompokkan
00:09:08
Hai Oke saya akan ulang animasinya
00:09:10
dengan data yang berbeda silahkan
00:09:13
pandang Dan resapi setiap
00:09:14
langkah-langkah berikut
00:09:16
hai hai
00:09:19
hai hai
00:09:24
hai hai
00:09:26
free download
00:09:28
Hai teh kita berhasil melakukan
00:09:32
pengelompokkan data meskipun dengan data
00:09:35
yang berbeda coba berhenti sebentar dan
00:09:38
cermati kembali ke empat langkah ini
00:09:40
Bisakah kalian menemukan langkah dimana
00:09:43
saya memasukkan secara paksa pengetahuan
00:09:46
saya tentang data ibet.com karena saya
00:09:51
memang tidak memasukkan pengetahuan saya
00:09:53
tentang data Saya hanya membuat langkah
00:09:56
bagaimana caranya memahami data inilah
00:10:00
mesin lebih model dan yang kalian lihat
00:10:02
di sini merupakan salah satu algoritma
00:10:04
machine-learning yang bernama Keynes
00:10:08
model-model ini dapat kita terapkan ke
00:10:10
dalam program sehingga komputer memiliki
00:10:13
kemampuan untuk belajar tanpa diprogram
00:10:16
secara eksplisit
00:10:18
Hai sekarang kalau kita punya data dan
00:10:21
program yang menerapkan machine-learning
00:10:22
kita bisa memberikan data tersebut
00:10:25
kepada program dan program itu sekarang
00:10:27
memiliki kemampuan untuk memahaminya
00:10:31
Hai jadi kesimpulan dari semua ini
00:10:33
adalah artificial intelegent merupakan
00:10:36
mesin yang bisa menirukan pikiran
00:10:38
manusia machine learning sebetulnya juga
00:10:41
merupakan mesin yang bisa menerkam
00:10:43
pikiran manusia tapi dengan tambahan
00:10:45
memiliki kemampuan untuk memahami data
00:10:49
tanpa secara eksplisit diinstruksikan
00:10:51
oleh manusia
00:10:53
Nah itulah perbedaan mendasar antara
00:10:56
artificial intelegence dan
00:10:57
machine-learning lebih spesifik lagi
00:11:00
berdasarkan hasil kesimpulan machine
00:11:02
learning terhadap artificial intelegent
00:11:04
itu sebetulnya bukan makhluk yang
00:11:06
berbeda tetapi merupakan subset bagian
00:11:10
atau pengembangan dari artificial
00:11:13
intelegence
00:11:18
[Musik]
00:11:22
the lounge
00:11:23
hai hai
