Apa yang dimaksud dengan artificial intelligence (AI)?

 Apa itu AI? 

Kecerdasan buatan (AI) adalah teknologi yang memungkinkan komputer dan mesin untuk mensimulasikan pembelajaran, pemahaman, pemecahan masalah, pengambilan keputusan, kreativitas, dan otonomi manusia.

Aplikasi dan perangkat yang dilengkapi dengan AI dapat melihat dan mengidentifikasi objek. Mereka dapat memahami dan menanggapi bahasa manusia. Mereka dapat belajar dari informasi dan pengalaman baru. Mereka dapat membuat rekomendasi terperinci kepada pengguna dan pakar. Mereka dapat bertindak secara mandiri, menggantikan kebutuhan akan kecerdasan atau intervensi manusia (contoh klasiknya adalah mobil swakemudi). 

Namun pada tahun 2024, sebagian besar peneliti dan praktisi AI—dan sebagian besar berita utama terkait AI—berfokus pada terobosan dalam AI generatif (gen AI), sebuah teknologi yang dapat menciptakan teks, gambar, video, dan konten orisinal lainnya. Untuk memahami AI generatif sepenuhnya, penting untuk terlebih dahulu memahami teknologi yang menjadi dasar pembuatan alat AI generatif: machine learning (ML) dan pembelajaran mendalam.

Buku elektronik

Cara memilih model dasar AI yang tepat

Pelajari cara memilih pendekatan yang tepat dalam menyiapkan kumpulan data dan menggunakan model AI.

Pembelajaran mesin

Cara sederhana untuk berpikir tentang AI adalah sebagai serangkaian konsep bersarang atau turunan yang telah muncul selama lebih dari 70 tahun:
 

Tepat di bawah AI, kita memiliki machine learning, yang melibatkan pembuatan model dengan melatih algoritma untuk membuat prediksi atau keputusan berdasarkan data. Ini mencakup berbagai teknik yang memungkinkan komputer untuk belajar dari dan membuat kesimpulan berdasarkan data tanpa secara eksplisit diprogram untuk tugas-tugas tertentu. 

Ada banyak jenis teknik atau algoritma machine learning, termasuk regresi linier, regresi logistik, decision trees, hutan acak, mesin vektor dukungan (SVM), k-nearest neighbor (KNN), clustering, dan banyak lagi. Masing-masing pendekatan ini cocok untuk jenis-jenis masalah dan data yang berbeda.

Namun, salah satu jenis algoritma machine learning yang paling populer disebut Neural Networks (atau neural networks buatan). Model Neural networks dibuat mengikuti struktur dan fungsi otak manusia. Neural networks terdiri dari lapisan-lapisan node yang saling terhubung (analog dengan neuron) yang bekerja bersama untuk memproses dan menganalisis data yang kompleks. Neural networks sangat cocok untuk tugas-tugas yang melibatkan identifikasi pola dan hubungan yang kompleks dalam data dalam jumlah besar.

Bentuk paling sederhana dari machine learning disebut pembelajaran yang diawasi, yang melibatkan penggunaan kumpulan data berlabel untuk melatih algoritma untuk mengklasifikasikan data atau memprediksi hasil secara akurat. Dalam pembelajaran yang diawasi, manusia memasangkan setiap contoh pelatihan dengan label output. Tujuannya adalah agar model dapat mempelajari pemetaan antara input dan output pada data pelatihan, sehingga dapat memprediksi label dari data baru yang belum pernah dilihat sebelumnya.
 

AI vs Machine Learning (5:49 min)

Konten terkait

Daftar untuk mendapatkan panduan tentang model dasar

Pembelajaran Mendalam

Pembelajaran mendalam adalah bagian dari machine learning yang menggunakan neural networks berlapis, yang disebut neural networks mendalam, yang mensimulasikan lebih dekat kekuatan pengambilan keputusan kompleks dari otak manusia.

Neural networks dalam mencakup lapisan input, setidaknya tiga tetapi biasanya ratusan lapisan tersembunyi, dan lapisan output, tidak seperti neural networks yang digunakan dalam model machine learning klasik, yang biasanya hanya memiliki satu atau dua lapisan tersembunyi.

Beberapa lapisan ini memungkinkan pembelajaran tanpa pengawasan: mereka dapat mengotomatiskan ekstraksi fitur dari kumpulan big data, tidak berlabel, dan tidak terstruktur, dan membuat prediksi mereka sendiri tentang apa yang diwakili oleh data tersebut.

Karena pembelajaran mendalam tidak memerlukan intervensi manusia, ini memungkinkan machine learning dalam skala yang luar biasa. Ini sangat cocok untuk pemrosesan bahasa alami (NLP), visi komputer, dan tugas-tugas lain yang melibatkan pola dan hubungan kompleks identifikasi yang cepat dan akurat dalam sejumlah besar data. Beberapa bentuk pembelajaran mendalam mendukung sebagian besar aplikasi kecerdasan buatan (AI) dalam kehidupan kita saat ini.
   

Pembelajaran mendalam juga memungkinkan:

• Pembelajaran semi-diawasi, yang menggabungkan pembelajaran yang diawasi dan tidak diawasi dengan menggunakan data berlabel dan tidak berlabel untuk melatih model AI untuk tugas-tugas klasifikasi dan regresi.
  
  
• Pembelajaran yang diawasi sendiri, yang menghasilkan label implisit dari data yang tidak terstruktur, alih-alih mengandalkan set data berlabel untuk sinyal pengawasan.
  
  
• Pembelajaran penguatan, yang belajar dengan fungsi coba-coba dan penghargaan, bukan dengan mengekstraksi informasi dari pola yang tersembunyi.
  
  
• Pembelajaran transfer, di mana pengetahuan yang diperoleh melalui satu tugas atau kumpulan data digunakan untuk meningkatkan kinerja model pada tugas terkait lainnya atau kumpulan data yang berbeda.

AI Generatif

AI Generatif, terkadang disebut "gen AI", mengacu pada model pembelajaran mendalam yang dapat membuat konten orisinal yang kompleks—seperti teks panjang, gambar berkualitas tinggi, video atau audio realistis, dan banyak lagi—sebagai respons terhadap perintah atau permintaan pengguna.

Pada tingkat tinggi, model generatif mengkodekan representasi yang disederhanakan dari data pelatihan mereka, dan kemudian mengacu pada representasi tersebut untuk membuat karya baru yang serupa, tetapi tidak identik, dengan data asli.

Model generatif telah digunakan selama bertahun-tahun dalam statistik untuk menganalisis data numerik. Namun selama dekade terakhir, model ini berevolusi untuk menganalisis dan menghasilkan tipe data yang lebih kompleks. Evolusi ini bertepatan dengan munculnya tiga jenis model pembelajaran mendalam yang canggih:

• Variational autoencoders atau VAE, yang diperkenalkan pada tahun 2013, dan memungkinkan model yang dapat menghasilkan beberapa variasi konten sebagai respons terhadap perintah atau instruksi.
  
  
• Model difusi, pertama kali muncul pada tahun 2014, yang menambahkan "noise" pada gambar hingga tidak dapat dikenali, dan kemudian menghapus noise untuk menghasilkan gambar orisinal sebagai tanggapan atas perintah.
  
  
• Transformer (juga disebut model transformator), yang dilatih pada data berurutan untuk menghasilkan urutan konten yang diperluas (seperti kata-kata dalam kalimat, bentuk dalam gambar, frame video atau perintah dalam kode perangkat lunak). Transformer merupakan inti dari sebagian besar alat AI generatif yang menjadi berita utama saat ini, termasuk ChatGPT dan GPT-4, Copilot, BERT, Bard, dan Midjourney. 

Cara kerja AI generatif

Secara umum, AI generatif beroperasi dalam tiga fase:

1. Pelatihan, untuk membuat model dasar.
2. Tuning, untuk menyesuaikan model dengan aplikasi tertentu.
3. Generation, evaluation, dan tuning lagi, untuk meningkatkan akurasi.
   

Pelatihan
   

AI generatif dimulai dengan "model dasar"; model pembelajaran mendalam yang berfungsi sebagai dasar untuk berbagai jenis aplikasi AI generatif.

Model dasar yang paling umum saat ini adalah model bahasa besar (LLM), dibuat untuk aplikasi pembuatan teks. Namun, ada juga model dasar untuk pembuatan gambar, video, suara atau musik, dan model dasar multimodal yang mendukung beberapa jenis konten.

Untuk membuat model dasar, para praktisi melatih algoritma pembelajaran mendalam pada volume besar data mentah yang relevan, tidak terstruktur, dan tidak berlabel, seperti terabyte atau petabyte data teks atau gambar atau video dari internet. Pelatihan ini menghasilkan neural network dengan miliaran parameter—representasi yang dikodekan dari entitas, pola, dan hubungan dalam data—yang dapat menghasilkan konten secara mandiri sebagai respons terhadap permintaan. Ini adalah model dasarnya.

Proses pelatihan ini membutuhkan komputasi intensif, memakan waktu dan mahal. Proses ini membutuhkan ribuan unit pemrosesan grafis (GPU) yang terkluster dan pemrosesan selama berminggu-minggu, yang semuanya biasanya menghabiskan biaya jutaan dolar. Proyek model dasar sumber terbuka, seperti Llama-2 Meta, memungkinkan pengembang gen AI untuk menghindari langkah ini dan biayanya.

Tuning
 

Selanjutnya, model harus disetel ke tugas pembuatan konten tertentu. Ini dapat dilakukan dengan berbagai cara, termasuk:

• Fine-tuning, yang melibatkan pemberian data berlabel khusus aplikasi model—pertanyaan atau perintah yang kemungkinan besar akan diterima oleh aplikasi, dan jawaban yang benar dalam format yang diinginkan.
  
• Pembelajaran penguatan dengan umpan balik dari manusia (RLHF), di mana pengguna manusia mengevaluasi keakuratan atau relevansi output model sehingga model dapat memperbaiki dirinya sendiri. Ini bisa sesederhana meminta orang mengetik atau membalas dengan koreksi ke chatbot atau asisten virtual.

Generation, evaluation dan tuning lagi
 

Pengembang dan pengguna secara berkala menilai output dari aplikasi AI generatif mereka, dan melakukan tuning pada model lebih lanjut, bahkan sesering seminggu sekali, untuk akurasi atau relevansi yang lebih baik. Sebaliknya, model dasar itu sendiri lebih jarang diperbarui, mungkin setiap tahun atau 18 bulan sekali.

Opsi lain untuk meningkatkan kinerja aplikasi gen AI adalah retrieval augmented generation (RAG), sebuah teknik untuk memperluas model dasar untuk menggunakan sumber yang relevan di luar data pelatihan guna menyempurnakan parameter untuk akurasi atau relevansi yang lebih besar.

Baca selengkapnya tentang AI generatif 

Manfaat AI 

AI menawarkan banyak manfaat di berbagai industri dan aplikasi. Beberapa manfaat yang paling sering dikutip meliputi:

• Otomatisasi tugas-tugas berulang.
• Insight yang lebih banyak dan lebih cepat dari data.
  
• Pengambilan keputusan yang ditingkatkan.
  
• Lebih sedikit kesalahan manusia.
• Ketersediaan 24x7.
• Pengurangan risiko fisik.

 

 

Otomatisasi tugas-tugas yang berulang
 

AI dapat mengotomatiskan tugas-tugas rutin, berulang, dan sering kali membosankan—termasuk tugas-tugas digital seperti pengumpulan data, pemasukan dan pemrosesan awal, serta tugas-tugas fisik seperti pengambilan stok di gudang dan proses manufaktur. Otomatisasi ini membebaskan pekerja untuk mengerjakan pekerjaan yang bernilai lebih tinggi dan lebih kreatif.

 

Pengambilan keputusan yang ditingkatkan
 

Baik digunakan untuk dukungan keputusan atau untuk pengambilan keputusan yang sepenuhnya otomatis, AI memungkinkan dilakukannya prediksi yang lebih cepat, lebih akurat, serta keputusan berbasis data yang dapat diandalkan. Dikombinasikan dengan otomatisasi, AI memungkinkan bisnis untuk bertindak berdasarkan peluang dan merespons krisis yang muncul, secara real time dan tanpa campur tangan manusia.

 

Lebih sedikit kesalahan manusia
 

AI dapat mengurangi kesalahan manusia dengan berbagai cara, mulai dari memandu orang melalui langkah-langkah proses yang tepat, hingga menandai potensi kesalahan sebelum terjadi, dan sepenuhnya mengotomatiskan proses tanpa campur tangan manusia. Ini sangat penting dalam industri seperti perawatan kesehatan di mana, misalnya, robotika bedah yang dipandu AI memungkinkan presisi yang konsisten.

Algoritma machine learning dapat terus meningkatkan keakuratannya dan makin mengurangi kesalahan karena terpapar dengan lebih banyak data dan "belajar" dari pengalaman.

 

Ketersediaan dan konsistensi sepanjang waktu
 

AI selalu aktif, tersedia sepanjang waktu, dan memberikan kinerja yang konsisten setiap saat. Alat bantu seperti chatbot AI atau asisten virtual dapat meringankan tuntutan kebutuhan staf untuk layanan atau dukungan pelanggan. Dalam berbagai penerapan lain—seperti pemrosesan bahan atau lini produksi—AI dapat membantu menjaga kualitas kerja dan tingkat output yang konsisten ketika digunakan untuk menyelesaikan tugas yang berulang-ulang atau membosankan.

 

Pengurangan risiko fisik
 

Dengan mengotomatiskan pekerjaan berbahaya—seperti pengendalian hewan, penanganan bahan peledak, pelaksanaan tugas di air laut dalam, dataran tinggi, atau di luar angkasa—AI dapat menghilangkan kebutuhan untuk menempatkan pekerja manusia pada risiko cedera atau yang lebih buruk. Meski belum disempurnakan, mobil dan kendaraan lain yang dapat mengemudi sendiri menawarkan potensi untuk mengurangi risiko cedera pada penumpang.

 

Contoh penggunaan AI 

Aplikasi AI di dunia nyata sangatlah banyak. Berikut ini hanya contoh kecil contoh penggunaan di berbagai industri untuk menggambarkan potensinya:

 

Pengalaman, layanan, dan dukungan pelanggan
 

Perusahaan dapat menerapkan chatbot dan asisten virtual yang didukung AI AI untuk menangani pertanyaan pelanggan, tiket dukungan, dan banyak lagi. Alat-alat ini menggunakan pemrosesan bahasa alami (NLP) dan kemampuan AI generatif untuk memahami dan menanggapi pertanyaan pelanggan tentang status pesanan, detail produk, dan kebijakan pengembalian.

Chatbot dan asisten virtual memungkinkan dukungan yang selalu aktif, memberikan jawaban yang lebih cepat untuk pertanyaan yang sering diajukan, membebaskan agen manusia untuk berfokus pada tugas-tugas yang lebih penting, dan memberikan layanan yang lebih cepat dan lebih konsisten kepada pelanggan.

 

 

Deteksi penipuan
 

Algoritma machine learning dan pembelajaran mendalam dapat menganalisis pola transaksi dan menandai anomali, seperti pengeluaran yang tidak biasa atau lokasi masuk, yang mengindikasikan transaksi penipuan. Hal ini memungkinkan organisasi untuk merespons lebih cepat terhadap potensi penipuan dan membatasi dampaknya, sehingga memberikan ketenangan bagi mereka dan pelanggan.

 

 

Pemasaran yang dipersonalisasi
 

Peritel, bank, dan perusahaan yang berhubungan langsung dengan pelanggan dapat menggunakan AI untuk menciptakan pengalaman pelanggan yang dipersonalisasi dan kampanye pemasaran yang menyenangkan pelanggan, meningkatkan penjualan, dan mencegah perpindahan pelanggan. Berdasarkan data dari riwayat pembelian dan perilaku pelanggan, algoritma pembelajaran mendalam dapat merekomendasikan produk dan layanan yang mungkin diinginkan pelanggan, dan bahkan menghasilkan teks yang dipersonalisasi serta penawaran khusus untuk setiap pelanggan secara real-time.

 

Sumber daya manusia dan rekrutmen
 

Platform rekrutmen yang didorong oleh AI AI dapat menyederhanakan perekrutan dengan menyaring resume, mencocokkan kandidat dengan deskripsi pekerjaan, dan bahkan melakukan wawancara awal menggunakan analisis video. Alat-alat ini dan alat lainnya dapat secara dramatis mengurangi tumpukan dokumen administratif yang terkait dengan proses perekrutan kandidat dalam jumlah besar. Hal ini juga dapat mengurangi waktu respons dan waktu untuk merekrut, meningkatkan pengalaman bagi para kandidat, terlepas dari mereka mendapatkan pekerjaannya atau tidak.

 

Pengembangan dan modernisasi aplikasi
 

Alat bantu pembuatan kode AI generatif dan alat bantu otomatisasi dapat merampingkan tugas-tugas pengkodean berulang yang terkait dengan pengembangan aplikasi, serta mempercepat migrasi dan modernisasi (memformat ulang dan membuat ulang platform) aplikasi lama dalam skala besar. Alat-alat ini dapat mempercepat tugas, membantu memastikan konsistensi kode, dan mengurangi kesalahan.

 

 

Pemeliharaan prediktif
 

Model machine learning dapat menganalisis data dari sensor, perangkat Internet of Things (IoT), dan teknologi operasional (OT) untuk melakukan forecasting kapan pemeliharaan diperlukan dan memprediksi kegagalan peralatan sebelum terjadi. Pemeliharaan preventif yang didukung AI membantu mencegah waktu henti dan memungkinkan Anda untuk tetap berada di depan dalam mengatasi masalah rantai pasokan sebelum masalah tersebut memengaruhi keuangan perusahaan.

 

Tantangan dan risiko AI 

Organisasi berebut untuk memanfaatkan teknologi AI terbaru dan mendapatkan banyak manfaat AI. Adopsi cepat ini diperlukan, tetapi mengadopsi dan memelihara alur kerja AI akan mempunyai tantangan dan risikonya sendiri. 

 

Risiko data
 

Sistem AI mengandalkan kumpulan data yang mungkin rentan terhadap keracunan data, perusakan data, bias data, atau serangan siber yang dapat menyebabkan pelanggaran data. Organisasi dapat mengurangi risiko ini dengan melindungi integritas data dan menerapkan keamanan dan ketersediaan di seluruh siklus hidup AI, mulai dari pengembangan hingga pelatihan dan penerapan serta pascapenerapan.

 

 

Risiko model
 

Pelaku ancaman dapat menargetkan model AI untuk pencurian, rekayasa balik, atau manipulasi yang tidak sah. Penyerang dapat membahayakan integritas model dengan merusak arsitektur, bobot, atau parameternya; komponen-komponen inti yang menentukan perilaku, akurasi, dan kinerja model.

 

Risiko operasional
 

Seperti semua teknologi, model rentan terhadap risiko operasional seperti penyimpangan model, bias, dan kerusakan dalam struktur tata kelola. Jika tidak ditangani, risiko ini dapat menyebabkan kegagalan sistem dan kerentanan keamanan siber yang dapat dimanfaatkan oleh pelaku ancaman.

 

Risiko etika dan hukum
 

Jika organisasi tidak memprioritaskan keamanan dan etika saat mengembangkan dan menerapkan sistem AI, mereka berisiko melakukan pelanggaran privasi dan menghasilkan hasil yang bias. Misalnya, data pelatihan yang bias yang digunakan untuk keputusan perekrutan dapat memperkuat stereotipe gender atau ras dan menciptakan model AI yang lebih menyukai kelompok demografis tertentu daripada yang lain.
 

Pelajari lebih lanjut tentang risiko AI 

Etika dan tata kelola AI 

Etika AI adalah bidang multidisiplin yang mempelajari cara mengoptimalkan dampak menguntungkan dari AI sekaligus mengurangi risiko dan hasil yang merugikan. Prinsip-prinsip etika AI diterapkan melalui sistem tata kelola AI yang terdiri dari pagar pembatas yang membantu memastikan bahwa alat dan sistem AI tetap aman dan etis.  

Tata kelola AI mencakup mekanisme pengawasan yang menangani risiko. Pendekatan etis terhadap tata kelola AI membutuhkan keterlibatan berbagai pemangku kepentingan, termasuk pengembang, pengguna, pembuat kebijakan, dan ahli etika, yang membantu memastikan bahwa sistem terkait AI dikembangkan dan digunakan untuk menyelaraskan dengan nilai-nilai masyarakat.

Berikut adalah nilai-nilai umum yang terkait dengan etika AI dan AI yang bertanggung jawab:

Kemampuan penjelasan dan interpretabilitas

Saat AI menjadi lebih canggih, manusia ditantang untuk memahami dan menelusuri kembali bagaimana algoritma tersebut mencapai hasilnya. AI yang dapat dijelaskan adalah seperangkat proses dan metode yang memungkinkan pengguna manusia untuk menafsirkan, memahami, dan mempercayai hasil dan output yang dibuat oleh algoritma.

Keadilan dan inklusi

Meskipun machine learning, pada dasarnya, adalah bentuk diskriminasi statistik, diskriminasi menjadi tidak dapat diterima ketika menempatkan kelompok-kelompok yang memiliki hak istimewa pada keuntungan sistematis dan kelompok-kelompok tertentu yang tidak memiliki hak istimewa pada kerugian sistematis, yang berpotensi menyebabkan berbagai kerugian. Untuk mendorong keadilan, para praktisi dapat mencoba meminimalkan bias algoritmik dalam pengumpulan data dan desain model, serta membangun tim yang lebih beragam dan inklusif.

Ketangguhan dan keamanan

AI yang kuat secara efektif menangani kondisi luar biasa, seperti ketidaknormalan dalam input atau serangan jahat, tanpa menyebabkan kerusakan yang tidak disengaja. Alat ini juga dibuat untuk bertahan dari gangguan yang disengaja dan tidak disengaja dengan melindungi dari kerentanan yang terpapar.

Akuntabilitas dan transparansi

Organisasi harus menerapkan tanggung jawab yang jelas dan struktur tata kelola untuk pengembangan, penerapan, dan hasil dari sistem AI.Selain itu, pengguna harus dapat melihat bagaimana sebuah layanan AI bekerja, mengevaluasi fungsinya, dan memahami kekuatan dan keterbatasannya. Transparansi yang meningkat memberikan informasi bagi konsumen AI untuk lebih memahami bagaimana model atau layanan AI dibuat.

Privasi dan kepatuhan

Banyak kerangka kerja peraturan, termasuk GDPR, mengamanatkan organisasi untuk mematuhi prinsip-prinsip privasi tertentu saat memproses informasi pribadi. Sangat penting untuk dapat melindungi model AI yang mungkin berisi informasi pribadi, mengontrol data apa saja yang masuk ke dalam model, dan membangun sistem yang mudah beradaptasi yang dapat menyesuaikan diri dengan perubahan regulasi dan sikap seputar etika AI.

AI lemah versus AI yang kuat 

Untuk mengontekstualisasikan penggunaan AI pada berbagai tingkat kerumitan dan kecanggihan, para peneliti telah mendefinisikan beberapa jenis AI yang mengacu pada tingkat kecanggihannya:

AI Lemah: Dikenal juga sebagai “AI sempit,” mendefinisikan sistem AI yang dirancang untuk melakukan tugas tertentu atau serangkaian tugas. Contohnya mungkin termasuk aplikasi asisten suara “pintar”, seperti Alexa milik Amazon, Siri milik Apple, chatbot media sosial, atau kendaraan otonom yang dijanjikan oleh Tesla. 

AI yang kuat: Juga dikenal sebagai "kecerdasan umum buatan" (AGI) atau "AI umum", memiliki kemampuan untuk memahami, mempelajari, dan menerapkan pengetahuan di berbagai tugas pada tingkat yang sama dengan atau melampaui kecerdasan manusia. Tingkat AI ini saat ini bersifat teoritis dan tidak ada sistem AI yang diketahui mendekati tingkat kecanggihan ini. Para peneliti berpendapat bahwa jika AGI dimungkinkan, AI seperti ini membutuhkan peningkatan besar dalam daya komputasi. Meskipun ada kemajuan terbaru dalam pengembangan AI, sistem AI yang sadar diri seperti dalam fiksi ilmiah tidak dapat ditemukan selain di fiksi ilmiah. 

Sejarah AI 

Gagasan tentang "mesin yang berpikir" sudah ada sejak zaman Yunani kuno. Namun, sejak munculnya komputasi elektronik (dan terkait dengan beberapa topik yang dibahas dalam artikel ini), peristiwa dan pencapaian penting dalam evolusi AI antara lain sebagai berikut:

 

1950
Alan Turing menerbitkan Computing Machinery and Intelligence (tautan berada di luar ibm.com). Dalam makalah ini, Turing—yang terkenal karena memecahkan kode ENIGMA Jerman selama Perang Dunia II dan sering disebut sebagai "bapak ilmu komputer"—mengajukan pertanyaan berikut: "Dapatkah mesin berpikir?" 

Dari sana, ia menawarkan sebuah tes, yang sekarang terkenal dengan sebutan "Turing Test", yang mana seorang interogator manusia akan mencoba membedakan antara respons teks komputer dan manusia. Meskipun tes ini telah mengalami banyak pengujian sejak diterbitkan, tes ini tetap menjadi bagian penting dari sejarah AI, dan merupakan konsep yang terus bertahan dalam filosofi karena menggunakan ide-ide seputar linguistik. 

 

1956
John McCarthy menciptakan istilah 'kecerdasan buatan' pada konferensi AI pertama di Dartmouth College. (McCarthy kemudian menciptakan bahasa Lisp.) Di tahun yang sama, Allen Newell, J.C. Shaw, dan Herbert Simon menciptakan Logic Theorist, program komputer AI pertama yang dapat berjalan.

 

1967
Frank Rosenblatt membangun Mark 1 Perceptron, komputer pertama yang didasarkan pada neural networks yang 'belajar' melalui coba-coba. Setahun kemudian, Marvin Minsky dan Seymour Papert menerbitkan sebuah buku berjudul Perceptrons, yang menjadi karya penting dalam neural networks dan, setidaknya untuk beberapa lama, menjadi argumen untuk menentang inisiatif penelitian neural networks di masa depan. 

 

1980
Neural networks, yang menggunakan algoritma backpropagation untuk melatih dirinya sendiri, menjadi banyak digunakan dalam aplikasi AI.

 

1995
Stuart Russell dan Peter Norvig menerbitkan Artificial Intelligence: A Modern Approach (tautan berada di luar ibm.com), yang menjadi salah satu buku teks terkemuka dalam studi AI. Di dalamnya, mereka mendalami empat tujuan potensial atau definisi AI, yang membedakan sistem komputer berdasarkan rasionalitas dan pemikiran versus tindakan. 

 

1997
Deep Blue IBM mengalahkan juara catur dunia Garry Kasparov, dalam pertandingan catur (dan pertandingan ulangnya).

 

2004
John McCarthy menulis sebuah makalah, What Is Artificial Intelligence? (tautan berada di luar ibm.com), dan mengusulkan definisi AI yang sering dikutip. Pada saat itu, era big data dan komputasi cloud mulai berlangsung, sehingga memungkinkan organisasi untuk mengelola data yang makin besar, yang suatu saat kemudian digunakan untuk melatih model AI. 

 

2011
IBM Watson mengalahkan juara Ken Jennings dan Brad Rutter di acara kuis Jeopardy! Selain itu, pada periode ini, ilmu data mulai muncul sebagai disiplin ilmu yang populer.

 

2015
Superkomputer Minwa milik Baidu menggunakan neural networks konvolusional untuk mengidentifikasi dan mengkategorikan gambar dengan tingkat akurasi yang lebih tinggi daripada rata-rata manusia. 

 

2016
Program AlphaGo dari DeepMind, yang didukung oleh neural networks dalam, mengalahkan Lee Sodol, juara dunia Go, dalam pertandingan lima permainan. Kemenangan ini sangat penting karena banyaknya langkah yang mungkin diambil saat permainan berjalan (lebih dari 14,5 triliun setelah hanya empat langkah). Kemudian, Google membeli DeepMind dengan harga 400 juta dolar AS.

 

2022
Kebangkitan model bahasa besar atau LLM, seperti ChatGPT dari OpenAI, menciptakan perubahan besar dalam kinerja AI dan potensinya untuk mendorong nilai perusahaan. Dengan praktik AI generatif baru ini, model pembelajaran mendalam dapat dilatih terlebih dulu pada sejumlah besar data.

 

2024
Tren AI terkini menunjukkan kebangkitan AI yang berkelanjutan. Model multimoda yang dapat mengambil beberapa jenis data sebagai input memberikan pengalaman yang lebih kaya dan mumpuni. Model-model ini menggabungkan kemampuan pengenalan gambar visi komputer dan pengenalan ucapan NLP. Model yang lebih kecil juga membuat langkah maju di era yang tidak lagi tertarik dengan model yang masif dengan jumlah parameter yang besar. 

teknologi ai dalam pendidikan

 Teknologi kecerdasan buatan (AI) atau Artificial Intelligence dapat memberikan banyak manfaat dalam dunia pendidikan, di antaranya:

• Efisiensi administratif

  AI dapat mengotomatiskan tugas-tugas rutin, seperti penilaian, mencatat kehadiran, dan menilai esai. 
• Wawasan berbasis data

  AI dapat menganalisis data, seperti hasil ujian dan kinerja tugas siswa, untuk menghasilkan wawasan yang dapat digunakan untuk menyempurnakan kurikulum. 
Pembelajaran adaptif
AI dapat menyesuaikan materi pelajaran sesuai dengan kebutuhan dan kemampuan setiap siswa. 
Peluang akses pendidikan berkualitas
AI dapat memperluas akses pendidikan berkualitas, terutama di daerah terpencil. 
Pelaksanaan dan keselamatan yang lebih baik
Sistem digital yang didukung AI dapat mendeteksi masalah dan gangguan fasilitas atau teknologi secara proaktif. 
Perlindungan keamanan siber
AI dapat membantu meningkatkan perlindungan keamanan siber. 

Beberapa aplikasi AI yang dapat digunakan untuk pembelajaran, di antaranya: 

Canva, Lumen 5, Microsoft Sway, Crello, Powtoon, Quizlet, Mindmeister, Google Classroom.

Namun, penggunaan AI dalam pendidikan juga memiliki beberapa risiko, seperti: 

Algoritma AI dapat memperkuat bias atau diskriminasi yang sudah ada dalam data pelatihan mereka.
Keputusan yang diambil oleh sistem AI dapat menjadi tidak adil dan mendiskriminasi.

Orang Cerdas Belum Tentu Bersikap Bijak Ada alasan mengapa orang cerdas bisa melakukan hal-hal bodoh.

 Sekelompok anak laki-laki dan perempuan berkostum hitam putih tengah mengobrol di angkringan, membicarakan proses Computer Assisted Test atau tes CAT yang baru saja mereka rampungkan beberapa menit yang lalu.

“Tes seleksi kompetensi dasar atau SKD menggunakan sistem CAT. Pada tahap SKD, kita akan diminta menyelesaikan tiga kelompok soal yaitu Tes Wawasan Kebangsaan (TWK), Tes Intelegensia Umum (TIU) dan Tes Karakteristik Pribadi (TKP),” cerita Kiki, salah satu pendaftar CPNS.

Proses CPNS, seperti juga proses seleksi di perusahaan-perusahaan swasta, melibatkan beberapa ragam tes untuk menguji calon pekerjanya. Satu hal yang pasti tidak terlewat adalah tes-tes yang terkait dengan tingkat kecerdasan seseorang, atau yang disebut sebagai Tes Inteligensia Umum (TIU) dalam seleksi CPNS, atau juga akrab dengan sebutan tes IQ dalam kehidupan kita sehari-hari.

Baca juga:

• CPNS 2017
• Sejumlah Pelamar CPNS Diminta Mengunggah Ulang Persyaratan

Tes-tes sejenis sebenarnya pernah kita lakukan semenjak kita di bangku sekolah. Bahkan, pada beberapa media sosial, misalnya Facebook, ada pengembang aplikasi yang dapat digunakan untuk menguji tingkat kecerdasan.

Banyak pengguna yang menjajal ragam aplikasi penguji kecerdasan dan tentu saja mengunggahnya di laman media sosial masing-masing, juga jamaknya penggunaan tes itu untuk menguji calon pegawai, memperlihatkan kuatnya pandangan bahwa kecerdasan adalah (salah satu) hal paling berharga bagi manusia.

Sementara itu, belum lama ini, dunia pendidikan kita diriuhkan oleh berita mahasiswa doktoral yang melakukan kebohongan terkait kiprah akademiknya. Sebagai penerima beasiswa di salah satu kampus bagus di Belanda, Dwi Hartanto pasti tak kurang cerdas. Namun, mengapa ia melakukan hal yang ia lakukan? Di luar urusan kasus itu, kita juga sering mendapati "orang-orang berpengaruh" di sekitar kita tak selalu orang ber-IQ tinggi.

Baca juga: Skandal Dwi Hartanto dan Pantangan Etis Para Peneliti

Heather A. Butler dalam tulisannya di Scientific American, menjelaskan fenomena ini. Ia menyatakan, selama ini kecerdasan diukur secara tradisional dengan tes IQ yang mencakup penyelesaian matematis, pengenalan pola, kosakata, dan pemecahan visual. Tes-tes tersebut tidak bisa menggambarkan kemampuan seseorang untuk bersikap bijaksana dalam pengambilan keputusan.

Butler menempatkan kemampuan tersebut dalam istilah ‘berpikir kritis’ alih-alih cerdas.

“Kecerdasan tidak sama dengan kritis. Perbedaan tersebut yang harus mulai kita pahami. Terutama ketika kita sering melihat orang-orang cerdas yang bertindak bodoh di sekitar kita,” kata Butler menegaskan.

Butler menjelaskan bahwa orang yang mempunyai kemampuan berpikir kritis cenderung mempunyai keterampilan menganalisis dan mengevaluasi pernyataan, termasuk kemampuan mengambil keputusan dan memecahkan masalah.

Kecerdasan sendiri, menurut Dr. Rita Eka Izzaty, dosen Psikologi Pengembangan UNY, adalah kemampuan belajar seseorang untuk memahami sesuatu hal serta kemampuan berpikir tentang ide-ide, simbol-simbol atau hal-hal tertentu yang bersifat abstrak.

Baca juga:Jangan Ajarkan Disiplin dengan Kekerasan

Igor Grossmann dalam risetnya yang dipublikasikan Journal of Experimental Psychology(2013) menyatakan bahwa orang-orang yang berpikiran kritis tak mengalami banyak hal buruk dalam hidupnya dan mempunyai hubungan sosial dengan masyarakat yang lebih baik.

Riset Grossman juga menunjukkan bahwa sebagian besar tes kecerdasan gagal mengukur kemampuan seseorang dalam bersikap dan berinteraksi dengan orang lain dengan baik.

“Barangkali ini juga sebabnya mengapa sejumlah orang cerdas melakukan hal-hal yang bodoh,” kata Grossman.

Richard Feloni, wartawan manajemen dan kewirausahaan pada Business Insider menjelaskan hal-hal bodoh yang sering orang cerdas lakukan. Ia mengumpulkan beberapa jawaban dari thread "What are some stupid things that smart people do?" di Quora.

Pertama, katanya, orang pintar terlalu banyak menghabiskan waktu untuk berpikir sehingga akhirnya kekurangan waktu untuk mengeksekusi. Kedua, banyak yang memilih ikut arus ketimbang mengikuti cita-cita dan bakatnya sendiri. Ketiga, terlalu menguatirkan risiko, tak berani mencoba hal baru karena kuatir tak berhasil dan kehilangan label "cerdas"-nya. Keempat, usahanya kurang keras dibanding orang-orang yang tak terlalu berbakat.

Kelima, meremehkan keterampilan sosial seperti membangun jaringan, mempromosikan diri sendiri, yang tentu saja penting jika Anda memang ingin sukses. Keenam, gagal memahami bias kognitif sendiri atau kurang introspeksi, yang ujungnya menyebabkan seseorang yang pintar malah jadi berpikiran tertutup.

Ketujuh, terlalu mementingkan jadi "benar" di atas segala hal lain. Kedelapan, mengukur kecerdasan dari tingkat pendidikan. Padahal, banyak orang sukses yang tak sekolah, sebab mereka jadi cerdas dan bijak karena pengalaman hidup yang lebih kaya ketimbang orang sekolahan.

Hal bodoh kesembilan adalah meremehkan orang lain dan mengira kepintarannya lebih dari apa pun. Kesepuluh, terlalu terkungkung teori dan gagal melihat kenyataan. Kesebelas, terlalu mandiri, atau tepatnya merasa bisa mencapai kesuksesan sendiri, padahal berada di lingkungan yang menjadi sistem pendukung yang baik adalah hal penting.

:Usaha Manusia Mencari Makhluk Cerdas di Luar Angkasa

Lalu, bagaimana caranya berpikir kritis sehingga bisa bertindak bijak?

“Siapa pun dapat memperbaiki kemampuan berpikir kritis, karena berpikir kritis itu bisa dilatih,” kata Heather A. Butler.

Penulis Ransom Patterson turut menjelaskan mengenai hal ini. Salah satu yang terpenting untuk dilakukan, menurutnya, kita perlu terus-menerus mempertanyakan hal-hal yang kita pikirkan dan asumsikan. Kita juga harus berupaya memahami bias kognitif kita sendiri. Artinya, kita perlu lebih terbuka dan menerima jika ternyata pikiran kita salah dan ada pendapat lain yang lebih lebih baik atau lebih benar.

Tips Melindungi Data Pribadi

 Keamanan data pribadi sangat penting dalam era digital ini. Berikut adalah beberapa tips untuk melindungi data pribadi Anda:

1. Gunakan Password yang Kuat dan Unik: Buatlah password yang tidak mudah ditebak dan jangan gunakan password yang sama untuk beberapa akun. Gunakan kombinasi antara huruf besar dan kecil, angka, dan simbol untuk meningkatkan keamanan password.

2. Aktifkan Autentikasi Dua Faktor (Two-Factor Authentication): Aktifkan fitur autentikasi dua faktor setiap kali memungkinkan. Dengan cara ini, Anda akan membutuhkan kode tambahan yang dikirim ke perangkat lain untuk mengakses akun, memberikan perlindungan tambahan.

3. Hindari Mengklik Link Tidak Dikenal: Jangan tergoda untuk mengklik link yang menjanjikan sesuatu, terutama jika link tersebut berasal dari sumber yang tidak dikenal. Link tersebut mungkin mengarah ke situs phishing yang mencoba mencuri informasi pribadi.

4. Perbarui Perangkat Lunak Secara Berkala: Pastikan perangkat lunak seperti sistem operasi, aplikasi, dan antivirus selalu diperbarui. Pembaruan tersebut seringkali mengandung perbaikan keamanan yang penting untuk melindungi data.

5. Hati-hati dengan Jaringan WiFi Umum: Hindari mengakses atau mentransfer data sensitif melalui jaringan WiFi umum, seperti di tempat umum atau kafe. Jaringan-jaringan tersebut rentan terhadap serangan dan penyalahgunaan data.

6. Gunakan VPN (Virtual Private Network): Jika Anda sering menggunakan jaringan WiFi publik, pertimbangkan untuk menggunakan VPN. VPN membantu melindungi privasi dan mengenkripsi data saat terhubung ke internet.

7. Hapus Data yang Tidak Perlu: Rutin hapus data yang tidak lagi diperlukan, seperti file-file yang sudah tidak digunakan atau pesan yang sudah tidak relevan. Hal ini membantu mengurangi risiko kebocoran data jika perangkat terkena malware atau hilang.

Ingatlah, melindungi data pribadi kita adalah tanggung jawab bersama. Dengan mengikuti tips-tips di atas, kita dapat meningkatkan keamanan data pribadi dan mengurangi risiko penyalahgunaan. Yuk, jaga data pribadi sebaik mungkin.

Share :

Apa Itu Internet of Things (IoT)?

 Internet of Things (IoT) adalah konsep komputasi tentang objek sehari-hari yang terhubung ke internet dan mampu mengidentifikasi diri ke perangkat lain.

Menurut metode identifikasi RFID (Radio Frequency Identification), istilah IoT tergolong dalam metode komunikasi, meskipun IoT juga dapat mencakup teknologi sensor lainnya, teknologi nirkabel atau kode QR (Quick Response).

Koneksi Internet adalah hal yang luar biasa, bisa memberi kita segala macam manfaat yang sebelumnya mungkin sulit untuk didapat. Ambil ponsel kamu sebelum menjadi smartphone sebagai contoh.

Kamu bisa menelpon dan mengirim pesan teks dengan ponsel lamamu. Tapi, sekarang kamu bisa membaca buku, menonton film, atau mendengarkan musik lewat smartphone kamu yang terhubung dengan Internet.

Jadi, Internet of Things sebenarnya adalah konsep yang cukup sederhana, yang artinya menghubungkan semua objek fisik di kehidupan sehari-hari ke Internet.

“Internet of Things (IoT): Taking all day-to-day physical objects across the world and connecting them to the Internet.”

Prinsip Internet of Things (IoT)

Istilah “Internet of Things” terdiri atas dua bagian utama yaitu Internet yang mengatur konektivitas dan Things yang berarti objek atau perangkat.

Secara sederhana, kamu memiliki “Things” yang memiliki kemampuan untuk mengumpulkan data dan mengirimkannya ke Internet. Data ini dapat diakses oleh “Things” lainnya juga.

Ada sekitarnya tujuh prinsip dasar yang menopang IoT. Yuk simak penjelasan singkat masing-masing prinsip di bawah ini.

Big Analog Data

Big Analog Data bisa didapatkan dari berbagai macam sumber yang sifatnya alami seperti cahaya, sinyal radio, getaran, suhu, dan sebagainya, serta bisa dihasilkan oleh peralatan mekanis atau elektronik.

Cek Konten Lainnya:

24+ Contoh Landing Page Keren untuk Berbagai Website

Big Analog Data adalah tipe Big Data yang terbesar dan tercepat jika dibandingkan dengan tipe-tipe Big Data lainnya. Sehingga, dalam banyak hal, Big Data Analog perlu diperlakukan secara khusus.

Perpetual Connectivity

Perpetual Connectivity merupakan konektivitas yang terus-menerus menghubungkan perangkat ke Internet. IoT yang selalu terhubung dan aktif dapat memberikan tiga manfaat utama seperti:

• Monitor: Pemantauan berkelanjutan yang memberikan pengetahuan berisi informasi real time tentang penggunaan suatu produk atau pengguna di lingkungan industri.
• Maintain: Pemantauan berkelanjutan memungkinkan kita untuk melakukan peningkatan atau tindakan-tindakan tertentu sesuai dengan kebutuhan.
• Motivate: Konektivitas yang konstan dan berkelanjutan dengan konsumen atau pekerja memungkinkan pelaku usaha atau pemilik organisasi untuk memotivasi orang lain membeli produk, mengambil tindakan, dan sebagainya.

Really Real Time

Definisi real time untuk IoT berbeda dari definisi real time pada umumnya. Real time sebenarnya dimulai dari sensor atau saat data diperoleh. Real time untuk IoT tidak dimulai ketika data mengenai switch jaringan atau sistem komputer.

The Spectrum of Insight

“Spectrum of Insight” berasal dari data IoT yang berkaitan dengan posisinya dalam lima fase data flow yaitu real time, in motion (bergerak), early life, at rest (saat istirahat), dan arsip.

Masih berhubungan dengan poin sebelumnya tentang real time pada IoT, real time diperlukan untuk menentukan respons langsung dari sistem kontrol.

Di ujung lain dari spektrum, data yang diarsipkan di pusat data atau cloud dapat diambil untuk analisis komparatif terhadap data yang lebih baru.

Immediacy Versus Depth

Dengan berbekal komputer dan solusi IoT di era digital ini, akan ada pertukaran antara kecepatan dan kedalaman yang kita dapatkan.

Artinya, seseorang bisa langsung mendapatkan “Time-to-Insight” pada analitik yang belum sempurna seperti perbandingan suhu atau transformasi Fourier cepat untuk menentukan apakah memutar roda pada trem akan menyebabkan kecelakaan.

Time (waktu) di sini dibutuhkan untuk mendapatkan insight (wawasan) yang mendalam tentang suatu data. Data yang dikumpulkan membutuhkan waktu yang lama untuk dianalisis dan sejumlah besar perangkat komputer back-end.

Shift Left

Seperti yang sudah dijelaskan di poin sebelumnya, untuk mendapatkan wawasan yang cepat dan menyeluruh tergolong sangat sulit.

Namun, beberapa insinyur berhasil mengatasi kesulitan itu dan mendapatkannya. Fenomena  ini disebut dengan “The Genius of the AND”.

Drive untuk mendapatkan wawasan tersebut akan menghasilkan komputasi dan analisis data canggih yang biasanya disediakan untuk cloud atau pusat data.

The Next V

Big Data biasanya ditandai dengan “V” yaitu Volume, Velocity, Variety, dan Value. The next V yang dimaksud adalah Visibility. Ketika data dikumpulkan, para ilmuwan data di seluruh dunia harus bisa melihat dan mengaksesnya sesuai kebutuhan.

Cek Konten Lainnya:

Apa itu Landing Page? Ini Cara Membuat & Bedanya dengan Website

Visibilitas menawarkan kemudahan yang menjadikan pengguna tidak harus mentransfer sejumlah besar data ke orang atau lokasi yang jauh.

Manfaat Internet of Things (IoT)

Beberapa manfaat IoT mungkin tidak terlalu kentara, tetapi bukan berarti tidak bisa dirasakan. Di bawah ini adalah tiga manfaat utama yang akan kamu dapatkan langsung dari IoT:

Konektivitas

Di era digital ini, kamu bisa mengucapkan selamat tinggal pada era pengoperasian perangkat secara manual. Dengan IoT, kamu bisa mengoperasikan banyak hal dari satu perangkat, misalnya smartphone.

Efisiensi

Dengan adanya peningkatan pada konektivitas, berarti terdapat penurunan jumlah waktu yang biasanya dihabiskan untuk melakukan tugas yang sama.

Misalnya, asisten suara seperti Apple’s Homepod atau Amazon’s Alexa dapat memberikan jawaban atas pertanyaan tanpa kamu perlu mengangkat telepon atau menghidupkan komputer.

Kemudahan

Perangkat IoT seperti smartphone kini mulai menjadi perangkat yang biasa dimiliki oleh sebagian besar orang.

Misalnya smart refrigerator dan Amazon Dash Button yang memudahkan kamu untuk menyusun ulang item dengan hanya satu atau dua tindakan yang menunjukkan persetujuan kamu.

Cara Kerja Internet of Things

Cara kerja IoT terdiri dari beberapa tahapan, yaitu:

Sensor dan perangkat terhubung ke internet

Perangkat IoT biasanya dilengkapi dengan sensor atau alat pengukur untuk mengumpulkan data dari lingkungan sekitarnya. Data yang terkumpul tersebut kemudian dikirimkan ke internet melalui koneksi jaringan nirkabel seperti Wi-Fi, Bluetooth, atau seluler.

Data dikirim ke cloud

Data yang dikumpulkan oleh perangkat IoT kemudian dikirimkan ke cloud atau pusat data. Di sini, data akan disimpan dan diproses menggunakan berbagai teknologi seperti analisis data dan kecerdasan buatan (AI) untuk menghasilkan informasi yang lebih berguna.

Informasi dikirim ke perangkat lain atau ke pengguna

Setelah data diolah, informasi hasilnya dapat dikirimkan kembali ke perangkat IoT atau ke pengguna akhir. Informasi ini dapat berupa tindakan yang diambil oleh sistem, notifikasi ke pengguna, atau perintah untuk mengontrol perangkat IoT.

Perangkat IoT diatur dan dikendalikan

Pengguna dapat mengendalikan perangkat IoT mereka melalui aplikasi pada smartphone, tablet, atau komputer. Aplikasi ini akan mengirimkan perintah ke cloud, dan kemudian perintah tersebut akan diteruskan ke perangkat IoT untuk dieksekusi.

Contoh Perangkat IoT

Saat ini, produksi dan penggunaan perangkat Internet of Things meningkat sangat pesat. Perangkat IoT pada dasarnya meliputi laptop, smartphone, smart gadget, smartwatch, dan banyak lagi.

Berikut ini adalah contoh perangkat IoT lain yang sudah banyak digunakan di era digital.

Nest Smart Thermostat

Nest adalah termostat yang terhubung ke internet. Nest mampu mempelajari rutinitas kamu dan secara otomatis akan menyesuaikan suhu ketika kamu berada di rumah atau di luar, bangun atau tidur, panas atau dingin.

Nest akan membuat rumah kamu lebih efisien dan membantu kamu menghemat tagihan pemanas dan pendingin. Aplikasi seluler memungkinkan kamu untuk mengedit jadwal, mengubah suhu ketika kamu sedang tidak di rumah.

Cek Konten Lainnya:

10 Cara Membuat Website SEO Friendly Secara Tepat [Lengkap]

August Smart Lock

Dengan perangkat smart lock, kamu tidak perlu lagi sebuah kunci karena kunci akan terbuka secara otomatis ketika kamu tiba di rumah dan mengunci ketika kamu menutup pintu.

Kamu juga bisa memberikan kunci tamu kepada teman atau asisten rumah tangga dan mengatur waktu expire ketika kamu tidak lagi ingin memberikan akses ke rumah kamu.

Automatic Car Tracking Adapter

Automatic Car Tracking Adapter bisa melacak informasi tentang mobil kamu dengan menggunakan adaptor dalam mobil. Perangkat ini melacak jarak tempuh, penggerak jam, biaya bahan bakar, efisiensi bahan bakar, lokasi, dan sebagainya.

Kamu bisa menghubungkannya dengan aplikasi lain untuk mendapatkan manfaat lebih. Banyak kendaraan di era ini yang sudah memiliki kemampuan IoT sehingga pemilik bisa memantau lebih lanjut.

Belajar Pemrograman IoT

Sebelum kamu memutuskan untuk belajar pemrograman Internet of Things (IoT), yuk, simak dulu tips-tips di bawah ini.

Memiliki Pemahaman Lebih Tentang Sensor

Tidak seperti developer pada umumnya, kamu yang tertarik dengan pemrograman di ruang IoT harus memiliki pemahaman yang mendalam tentang sensor dan komunikasi nirkabel.

Selain komputasi, IoT akan membawa kamu ke dunia teknik mesin dan sipil saat sensor mengumpulkan data fisik. Untuk itu, akan lebih baik lagi jika developer IoT memiliki latar belakang ilmu komputer dan teknik.

Belajar JavaScript atau Phyton

Kamu perlu menguasai bahasa berbasis web untuk back-end pemrosesan data sebelum mengejar karir sebagai developer IoT. JavaScript adalah bahasa yang ideal untuk memproses data baru dari perangkat dan memicu tindakan pada perangkat itu sendiri.

Selain itu, Python juga dianggap sebagai bahasa pemrograman umum yang wajib dikuasai terlebih dahulu sebelum memasuki dunia IoT, dibarengi dengan beberapa perangkat yang kompatibel dengan Windows IoT.

Bermain dengan Raspberry Pi

Untuk kamu yang tidak memiliki gelar ilmu komputer, kamu bisa mengasah kemampuan kamu dengan menyelesaikan proyek pada Raspberry Pi.

For your information, Raspberry Pi adalah komputer kecil yang sangat murah, dan sering digunakan sebagai media untuk menyelesaikan proyek IoT. Proyek IoT pada Raspberry Pi merupakan cara yang bagus untuk belajar bagaimana menyatukan rangkaian sederhana, dan menghubungkan rangkaian itu dengan perangkat lunak.

Menyatukan beberapa proyek demo sederhana, membuat, dan mengeksekusi beberapa proyek IoT adalah cara yang bagus untuk menunjukkan bahwa kamu memiliki inisiatif dan pengetahuan untuk mendalami pemrograman IoT.