Vclass Pertemuan 7 (Peng. Teknologi Sistem Cerdas #)

Peralatan atau aplikasi canggih AI yang diterapkan atau digunakan untuk mendeteksi seseorang terpapar Covid-19

Tiga orang pakar Informatika dari Massachusetts Institute of Technology (MIT) di AS mengembangkan kecerdasan buatan alias artificial intelligence ( AI), yaitu analisa suara untuk mengenali infeksi virus corona tanpa gejala. Jordi Lugarta, Ferran Hueto dan Brian Subriana, demikian nama tiga orang pakar itu, memanfaatkan biomarker akustik untuk melacak Covid-19. Biomarker, berupa ciri khas karakter akustik tertentu, ditemukan para peneliti dalam riset sebelumnya pada pasien Alzheimer. Ketiga pakar informatika MIT itu antara bulan April hingga Mei 2020 mengambil suara dari 5,320 responden.

Selain merekam suara batuk, mereka juga merekam suara percakapan biasa. Suara dari 4.256 responden kemudian dianalisis komputer menggunakan jejaring neuron artifisial- CNN. Data akustik dari 1.064 responden lainnya, dianalisis menggunakan kecerdasan buatan yang sebelumnya sudah terbukti mampu melacak kasus Alzheimer. Akurasi tinggi tapi masih ada margin kesalahan Hasilnya sangat menjanjikan. “Modelnya mencapai sensitivitas 98,4 persen pada responden yang dinyatakan positif terinfeksi Covid-19 dalam tes resmi“, demikian tulis para peneliti yang dirilis dalam IEEE Open Journal of Engineering in Medicine and Biology. Disebutkan, ketepatan diagnosa dalam kelompok responden mencapai 94,2 persen. Artinya, setiap responden ke-20 mendapat hasil positif yang keliru. “Pada responden yang tidak menunjukkan gejala covid-19 atau asimptomatik, sensitivitas mencapai 100 persen dengan ketepatan 83,2 persen. Artinya, setiap kasus Covid-19 yang tidak terlacak, didiagnosa dengan tepat. Tapi sekitar 20 persen responden mendapat diagnosa keliru," ungkap laporan itu. Para peneliti mengakui, ketepatan diagnosa masih harus diperbaiki, agar aplikasi semacam itu bisa digunakan dalam terapan praktis. Pasalnya, jika aplikasi smartphone semacam itu dirilis, akan sangat banyak orang memanfaatkannya sebagai alat tes harian. Angka ketepatan diagnosa kemungkinan bisa terus diperbaiki, jika semakin banyak data dianalisa oleh komputer, dan secara masinal kecerdasan buatan makin akurat mengenali biomarker batuk.

Forum VClass Pertemuan 7 (Peng. Teknologi Sistem Cerdas #)

 Kesimpulan pada materi Kecerdasan Buatan Pendeteksi Virus Covid-19

Platform Neurabot bekerja dengan basis artificial neural network dan data mining dari citra CT Scan dan rontgen dari pasien penderita corona. Neurabot, sebuah perusahaan rintisan (startup) yang didirikan Indarto Neura di bidang kesehatan merupakan salah satu yang telah memanfaatkan kecerdasan buatan atau artificial intelligent (AI) untuk melacak tingkat penyebaran virus corona pada pasien yang telah dinyatakan positif terjangkit Covid-19.

Kecerdasan buatan atau artificial intelligent (AI) merupakan bagian dari kemajuan teknologi bidang informasi teknologi yang memanfaatkan ranah digital sebagai dasarnya. Sudah banyak penemuan di bidang teknologi digital yang menggunakan AI sebagai dasarnya.

My Lab, sebuah laboratorium klinik digital dengan mikroskopik dan radiologi digital memanfaatkan teknologi smart image screening terbaru. Teknologi yang mereka sebut sebagai AI Scan ini bersama komputasi awan (cloud computing) digelar untuk memproses citra medik yang telah didapat dari rekam medis pasien.Dengan teknologi My Lab ini para penggunanya dimungkinkan untuk melakukan kolaborasi penelitian, olah data dari citra digital serta untuk keperluan penyimpanan data dalam bentuk digital yang lebih lengkap dari pasien.

Dengan teknologi My Lab ini para penggunanya dimungkinkan untuk melakukan kolaborasi penelitian, olah data dari citra digital serta untuk keperluan penyimpanan data dalam bentuk digital yang lebih lengkap dari pasien.

Neurabot merupakan finalis program Startup 4.0 Industry yang diadakan Kementerian Perindustrian pada tahun 2018. Aplikasi ini juga telah menyabet juara dalam ajang kompetisi internasional di bidang teknologi informasi berbasis kecerdasan buatan.

Vclass Pertemuan 6 (Peng. Teknologi Sistem Cerdas #)

Peralatan-peralatan canggih AI yang diterapkan atau digunakan dalam masa pandemi Covid 19

- Rapid diagnostic test adalah metode pemeriksaan / tes secara cepat didapatkan hasilnya. Pemeriksaan ini menggunakan alat catridge untuk melihat adanya antibodi yang ada dalam tubuh ketika ada infeksi virus. Tes ini dijalankan dalam rangka menyaring pasien dalam pengawasan (PDP) dan orang dalam pemantauan (ODP) dengan mengambil sampel darah dari kapiler ( jari ) atau dari vena.

- Emergency Ventilator adalah mesin yang berfungsi untuk menunjang atau membantu pernapasan. Ventilator sering kali dibutuhkan oleh pasien yang tidak dapat bernapas sendiri, baik karena suatu penyakit atau karena cedera yang parah. Tujuan penggunaan alat ini adalah agar pasien mendapat asupan oksigen yang cukup.

Melalui ventilator, pasien yang sulit bernapas secara mandiri dapat dibantu untuk bernapas dan mendapatkan udara layaknya bernapas secara normal. Mesin ventilator akan mengatur proses menghirup dan menghembuskan napas pada pasien. Ventilator akan memompa udara selama beberapa detik untuk menyalurkan oksigen ke paru-paru pasien, lalu berhenti memompa agar udara keluar dengan sendirinya dari paru-paru.

- Swab dan PCR tak terpisahkan dalam metode tes untuk menegakkan diagnosis Covid-19. Swab adalah cara untuk memperoleh bahan pemeriksaan ( sampel ) . Swab dilakukan pada nasofaring dan atau orofarings. Pengambilan ini dilakukan dengan cara mengusap rongga nasofarings dan atau orofarings dengan menggunakan alat seperti kapas lidi khusus.

Adapun PCR adalah singkatan dari polymerase chain reaction. PCR merupakan metode pemeriksaan virus SARS Co-2 dengan mendeteksi DNA virus. Uji ini akan didapatkan hasil apakah seseorang positif atau tidak SARS Co-2.

Forum VClass Pertemuan 6 (Peng. Teknologi Sistem Cerdas #)

 Kesimpulan pada materi Teknologi AI (Artificial Intelligence) terhadap era New Normal

Menurut PwC, pada tahun 2030 produk-produk Artificial Intelligence (AI) atau kecerdasan buatan akan memberikan kontribusi lebih dari USD15,7 triliun bagi ekonomi global. Kemudahan yang ditawarkan AI sendiri sudah sering digunakan di lintas industri seperti pemrosesan data hingga pengenalan wajah atau suara.

Pasca Covid-19, perilaku konsumen tidak akan kembali normal sebagaimana sebelum pandemi. Konsumen akan lebih banyak melakukan aktivitas belanja secara online, sementara mereka yang bekerja akan lebih banyak mengerjakan tugasnya secara remote. Saat perusahaan mulai menavigasi dunia pasca Covid-19 dan ekonomi perlahan mulai pulih, penerapan AI akan sangat membantu dalam beradaptasi dengan New Normal.

Sebagai contoh, AI akan sangat berguna bagi industri retail dan supply chain. Melalui machine learning (ML) dan analisis data lebih lanjut, AI akan membantu perusahaan mendeteksi pola belanja baru dan memberikan pengalaman yang lebih dipersonalisasi kepada pelanggan. Sistem yang mendukung AI juga terus belajar sehingga membantu perusahaan menghadapi dan beradaptasi dengan New Normal selanjutnya. Selain memprediksi perilaku konsumen, chatbot yang didukung AI dapat memberikan dukungan klien 24/7 yang akan sangat berguna dalam mendukung social distancing.

Dalam era new normal, menggunakan masker merupakan keharusan bagi semua orang. Oleh karena itu, Realnetworks menghadirkan solusi Secure Accurate Facial Recognition (SAFR 2.0) untuk membantu korporasi menghadapi era New Normal.

SAFR 2.0 adalah teknologi pengenalan wajah (facial recognition) menggunakan artificial intelligence (AI) yang mampu mengetahui wajah orang yang menggunakan masker dengan akurasi tinggi.

Selain masker, SAFR mampu mengenali wajah orang yang menggunakan topi, kacamata, bahkan orang yang menggunakan hijab sekalipun.

SAFR memiliki akurasi mencapai 99,87 persen berdasarkan hasil tes oleh sebuah lembaga prestisius yaitu National Institute of Standard and Technology (NIST).

Melihat hasil laporan NIST pada bulan Juli 2019 untuk kategori Wild Faces, SAFR hanya membutuhkan waktu 100 milidetik saja untuk dapat mengenali wajah orang dan hingga saat ini algortima pengenalan wajah SAFR adalah yang tercepat di dunia.

Manfaat Teknologi AI di Masa New Normal

1. AI membantu konsumen lebih bijak mengatur pengeluaran

2. AI membuat Wi-Fi dapat diandalkan dan cepat

3. AI memungkinkan pengguna berbicara dengan perangkat

Vclass Pertemuan 5 (Peng. Teknologi Sistem Cerdas #)

 Kelebihan alat mPOS sebagai alat pembayaran dalam bidang Perbankan

- Transaksi lebih cepat

- Bebas Masalah Tentang Uang Kembalian

- Lebih Praktis dan Dapat Dibawa Kemanapun Anda Pergi

Kekurangan alat mPOS sebagai alat pembayaran dalam bidang Perbankan

- Adanya Pembatasan

- Resiko Hack

- Boros

- Butuh Akses Internet

Forum VClass Pertemuan 5 (Peng. Teknologi Sistem Cerdas #)

Kesimpulan pada materi Perangkat Cerdas untuk Kemudahan Transaksi Pembayaran

Saat ini hadir perangkat cerdas Mobile Poin Of Sales (mPOS), sebagai solusi teknologi untuk mendukung layangan perbankan secara digital, yang mudah digunakan kapan pun dan di mana pun. mPOS merupakan perangkat pembaca e-KTP yang dilengkapi dengan smart mobile POS untuk melakukan transaksi pembayaran di merchant maupun transaksi perbankan layaknya penggunaan Electronic Data Capture (EDC).

Perangkat ini juga dapat melakukan empat jenis transaksi pembayaran yaitu menggunakan magnetic stripe card, IC card, NFC dan pembayaran melalui barcode dengan bantuan camera scanning. Dengan dukungan koneksi jaringan selular dan sistem operasi Android yang telah dimodifikasi untuk memudahkan proses verifikasi data secara cepat sehingga memberikan layanan bertransaksi yang lebih aman, lebih cepat, dan lebih stabil.

Selain itu, perangkat ini meminimalkan interaksi secara langsung dengan pegawai bank. Hal ini bertujuan untuk meningkatkan efisiensi kegiatan operasional dan mutu pelayanan bank kepada nasabahnya. Sesuai dengan regulasi dari OJK, bank perlu melakukan verifikasi terhadap nasabah, maka dibutuhkan tatap muka dan verifikasi yang dilakukan oleh petugas bank.

Vclass Pertemuan 4 (Peng. Teknologi Sistem Cerdas #)

Contoh penerapan AI di bidang pendidikan adalah pemanfaatan voice assistant di kelas. Kehadiran voice assistant, seperti Amazon Alexa, Google Home, Apple Siri, dan Microsoft Cortana memungkinkan murid berinteraksi dengan materi pembelajaran tanpa harus berinteraksi dengan guru atau dosen, baik di ruang kelas maupun di rumah.

Di lingkungan pendidikan tinggi, voice assistant berbasis AI dimanfaatkan untuk memberikan informasi seputar kampus. Dengan cara ini, mahasiswa tidak perlu lagi menenteng-nenteng buku panduan yang tebal atau bolak balik harus mengunjungi situs web ketika mencari informasi tentang kampus.  

Contoh penerapan seperti ini ditemui di Arizona State University, AS. Universitas memberikan Amazon Alexa kepada tiap mahasiswa baru agar dapat memperoleh informasi seputar kampus pada waktu yang tepat dan lebih detail.

Forum VClass Pertemuan 4 (Peng. Teknologi Sistem Cerdas #)

Implementasi Artificial Intelligence di Bidang Pendidikan adalah sistem yang dapat mempersonalisasi pembelajaran untuk tiap orang atau murid. Sistem AI dapat membantu membuatkan learning profile untuk tiap murid dan menyesuaikan materi pembelajaran dengan kemampuan, cara belajar, dan pengalaman tiap murid.

Sistem AI memungkinkan para profesional di bidang pendidikan memanfaatkan intelligence assistance yang dapat menyajikan berbagai materi pembelajaran berbasis kurikulum yang sudah ditetapkan tetapi materi tersebut disesuaikan dengan kebutuhan khusus tiap murid.

Konten-konten pembelajaran digital yang terpersonalisasi juga dapat dihadirkan berkat AI dan machine learning. Buku-buku teks yang tebal kini dapat dipilah-pilah menjadi konten yang lebih ringkas, lebih enak dibaca dan dipahami, seperti panduan belajar, ringkasan, flashcard, atau catatan pendek.

Sistem AI juga memungkinkan orang belajar dengan bantuan education assistant seperti bot. Selain membantu dari sisi proses belajar, kehadiran education assistant ini juga menghadirkan adaptive learning di mana tiap orang dapat belajar dengan kecepatan masing-masing.

Vclass Pertemuan 3 (Peng. Teknologi Sistem Cerdas #)

Contoh Ketidakpastian

Premis-1 : Aljabar adalah pelajaran yang sulit.

Premis-2 : Geometri adalah pelajaran yang sulit.

Premis-3 : Kalkulus adalah pelajaran yang sulit.

Konklusi : Matematika adalah pelajaran yang sulit.

Contoh Probabilitas dan Teorema Bayes

Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa si Ani terkena cacar dengan:

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(Bintik2|Cacar) = 0,8.

ο Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(Cacar) = 0,4.

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2|Alergi) = 0,3.

ο Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(Alergi) = 0,7.

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(Bintik2|Jerawatan) = 0,9.

ο Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan) = 0,5

Contoh Faktor Kepastian (Certainty Factor)

Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Ani terkena cacar dengan kepercayaan, MB[Cacar,Bintik2] = 0,80 dan MD[Cacar,Bintik2] = 0,01. Maka: CF[Cacar,Bintik2] 0,80 – 0,01 = 0,79.

Jika ada observasi baru bahwa Si Ani juga panas badan dengan kepercayaan, MB[Cacar,Panas]=0,7 dan MD[Cacar,Panas]=0,08; maka: MB[Cacar,Bintik2 ∧ Panas] = 0,8 + 0,7 * (1-0,8) = 0,94 MD[Cacar,Bintik2 ∧ Panas] = 0,01 + 0,08 * (1-0,01) = 0,0892 CF[Cacar,Bintik2 ∧ Panas] = 0,94 – 0,0892 = 0,8508

Dari contoh 4.4 ini dapat dilihat bahwa, semula faktor kepercayaan bahwa Si Ani terkena cacar kalau dilihat dari gejala munculnya bintik-bintik di wajah adalah 0,79. Setelah muncul gejala baru yaitu panas badan, maka faktor kepercayaan Si Ani terkena cacar menjadi berubah (lebih besar) yaitu 0,8508.

Contoh Teori Dempster-Shafer

Si Ani mengalami gejala panas badan. Dari diagnosa dokter, penyakit yang mungkin diderita oleh Si Ani adalah flue, demam, atau bronkitis.

Gejala-1: panas

Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala dari penyakit flue, demam, dan bronkitis adalah:

m1{F,D,B} = 0,8

m1{θ} = 1 – 0,8 = 0,2

Sehari kemudia, Si Ani datang lagi dengan gejala yang baru, yaitu hidungnya buntu.

Gejala-2: hidung buntu

Kemudian diketahui juga nilai kepercayaan setelah dilakukan observasi terhadap hidung buntu sebagai gejala dari alergi, penyakit flue, dan demam adalah:

m2{A,F,D} = 0,9

m2{θ} = 1 – 0,9 = 0,1

Forum VClass Pertemuan 3 (Peng. Teknologi Sistem Cerdas #)

Kesimpulan pada materi Sistem Penalaran

Sistem penalaran adalah sistem perangkat lunak yang menghasilkan kesimpulan dari pengetahuan yang tersedia dengan menggunakan teknik logis seperti deduksi dan induksi . Sistem penalaran memainkan peran penting dalam implementasi kecerdasan buatan dan sistem berbasis pengetahuan

Sistem penalaran pertama adalah pembukti teorema, sistem yang merepresentasikan aksioma dan pernyataan dalam First Order Logic dan kemudian menggunakan aturan logika seperti modus ponens untuk menyimpulkan pernyataan baru. Jenis sistem penalaran awal lainnya adalah pemecah masalah umum. Ini adalah sistem seperti Pemecah Masalah Umum yang dirancang oleh Newell dan Simon . Pemecah masalah umum berusaha menyediakan mesin perencanaan umum yang dapat mewakili dan memecahkan masalah terstruktur. Mereka bekerja dengan menguraikan masalah menjadi sub masalah yang lebih kecil dan lebih mudah dikelola, menyelesaikan setiap sub masalah dan mengumpulkan jawaban parsial menjadi satu jawaban akhir. Contoh lain pemecah masalah umum adalah keluarga sistem SOAR0

Vclass Pertemuan 2 (Peng. Teknologi Sistem Cerdas #)

Contoh Latihan Teknik Pencarian Generate and Test :

Pencarian dilakukan dari titik A menuju titik C dengan daftar trayek :

- 1A melewati halte: A , D, dan C

- 2A melewati halte : A, E, D, dan C

- 1B melewati halte : B dan D

- 2B melewati halte : A dan B

- 3A melewati halte : B, C dan E

Waktu jeda 1A = 5 menit, 1B = 5 menit, 2A = 7 menit, 2B = 10 menit, dan 3A = 7 menit.

Daftar waktu yang dibutuhkan adalah :

A – B = 8 menit B – D = 7 menit

A – D = 5 menit D – C = 8 menit

A – E = 5 menit E – B = 3 menit

B – C = 7 menit E – D = 5 menit

Berikut ini adalah langkah-langkah penyelesaian kasus di atas adalah :

1. Menjabarkan satu per satu kemungkinan yang ada. Gambar 5 menggambarkan proses penjabaran satu per satu kemungkinan yang ada.

2. Membuat daftar tabel beserta perhitungan jarak dan waktu untuk setiap jalur yang telah dilewati.

Tabel 1 Alur Pencarian Jarak

Tabel 2 Alur Pencarian Waktu

3. Dari Tabel 1 ditemukan rute terpendek berdasarkan jarak adalah A – D – C dengan total jarak 10 km. Rute alternatif 1 adalah A – B – C dengan total jarak 11 km. Rute alternatif 2 adalah A – E – B – C dengan total jarak 11 km.

4. Dari Tabel 2 ditemukan rute terpendek berdasarkan waktu adalah A – D – C dengan total waktu 13 menit. Rute alternatif 1 adalah A – B – C dengan total waktu 15 menit. Rute alternatif 2 adalah A – E – B – C dengan total waktu 15 menit.

5. Setelah melakukan perhitungan jarak dan waktu, langkah selanjutnya adalah menentukan trayek bus yang digunakan pada masing-masing rute. Tabel 3 menunjukkan penentuan trayek pada masing – masing rute.

Tabel 3 Penentuan Trayek

Berdasarkan analisis perhitungan yang dilakukan maka rute terpendek berdasarkan jarak adalah A – D – C dengan total jarak tempuh 10 km tanpa perpindahan.

Berdasarkan analisis perhitungan yang dilakukan maka rute terpendek berdasarkan waktu adalah A – D – C dengan total waktu tempuh 13 menit tanpa perpindahan trayek.

Contoh Latihan Teknik Pencarian Hill Climbing :

Ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota yang bersebelahan. Apabila ada n kota dan ingin mencari kombinasi lintasan maka dengan cara menukar posisi urutan 2 kota, n kombinasi 2.

Kombinasi yang didapat sebanyak 6 kombinasi atau dengan menggunakan rumus :

• Panjang lintasan yang dihasilkan dari fungsi heuristic = 12

• Tahapan heuristic 6 kombinasi = level 5

• Jalur lintasan yang dipilih dengan fungsi heuristik = DBCA

Forum VClass Pertemuan 2 (Peng. Teknologi Sistem Cerdas #)

 Kesimpulan pada materi Teknik Pencarian Generate and Test & Teknik Pencarian Hill Climbing

Teknik Pencarian Generate and Test merupakan algoritma paling sederhana dalam teknik pencarian heuristik. Dalam Generate and Test, terdapat dua prosedur penting yaitu generate (membangkitkan) yaitu membangkitkan semua solusi yang mungkin dan test (pengetesan) yaitu menguji solusi yang dibangkitkan tersebut. Algoritma Generate and Test menggabungkan algoritma DFS dengan pelacakan mundur (backtracking) yaitu bergerak ke belakag menuju state awal.

Teknik Pencarian Hill Climbing adalah metode yang menentukan node - node yang telah diberi jarak antar node yang lain dengan membandingkan dengan node yang telah ada berdasarkan pemilihan jarak terdekat dari posisi sekarang. Kelebihannya tidak perlu memilih node yang telah diuji untuk dibandingkan lagi sehingga tidak memakan waktu pemprosesannya. Kekurangannya tidak mengetahui jarak node yang tidak diuji sebelumnya sehingga tidak bisa dibandingkan pada hasil yang dicapai