C.

Teknologi dan Komponen AI

Dalam beberapa tahun terakhir, perkembangan teknologi kecerdasan buatan (AI) telah
membawa dampak signifikan di berbagai bidang, termasuk dalam dunia keamanan sistem
informasi. AI menawarkan solusi canggih untuk mengatasi tantangan yang semakin kompleks
di dunia digital. Dalam konteks ini, berbagai teknik seperti Machine Learning (ML), Deep
Learning (DL), Natural Language Processing (NLP), dan Computer Vision telah menjadi
komponen penting yang mengubah cara kita menganalisis data, mendeteksi ancaman, dan
meningkatkan sistem pengamanan. Setiap teknik ini memiliki pendekatan unik yang dapat
diimplementasikan untuk mendukung kemampuan pengenalan pola, pengolahan bahasa
alami, serta interpretasi visual dalam konteks pengamanan data dan sistem informasi. Pada
bab ini, kita akan membahas lebih mendalam mengenai komponen-komponen tersebut, serta
bagaimana mereka berperan dalam menghadirkan solusi yang lebih efektif dan efisien dalam
menghadapi tantangan keamanan yang semakin kompleks.
3.1 Machine Learning (ML)
Machine Learning merupakan cabang dari kecerdasan buatan yang berfokus pada
pengembangan sistem yang mampu belajar dari data, tanpa diprogram secara eksplisit untuk
setiap tugas (Bintoro et al., 2024). Dengan kata lain, komputer dilatih untuk mengenali pola
dan membuat keputusan berdasarkan data yang dianalisis, alih-alih mengikuti instruksi tetap
seperti pada sistem tradisional (Mahesh, 2020).
3.1.1 Prinsip Kerja Machine Learning
Pada dasarnya, ML bekerja dengan mencari pola dalam data historis dan
menggunakannya untuk membuat prediksi atau keputusan terhadap data baru. Hal
ini dicapai melalui proses pelatihan (training), di mana sistem menganalisis data
input-output untuk membentuk model prediktif (Raharjo, 2021). Setelah model
dibentuk, ia diuji dengan data baru (testing) untuk melihat akurasi prediksinya
(Bintoro et al., 2024).
3.1.2 Jenis-Jenis Pembelajaran dalam ML
Dalam dunia machine learning, pendekatan pembelajaran diklasifikasikan ke
dalam beberapa kategori utama berdasarkan bagaimana model berinteraksi dengan
data. Pemahaman terhadap jenis-jenis pembelajaran ini sangat penting karena
masing-masing digunakan untuk kebutuhan dan karakteristik data yang berbeda.
Tiga pendekatan utama yang paling sering digunakan adalah sebagai berikut:
1. Supervised Learning
Jenis pembelajaran ini menggunakan data berlabel, di mana input memiliki output
yang telah diketahui. Model dilatih untuk memetakan input ke output dengan benar.
Contoh aplikasi: klasifikasi spam, deteksi penyakit, dan prediksi harga rumah
(Mahesh, 2020; Raharjo, 2021).
2. Unsupervised Learning
Dalam pendekatan ini, data tidak memiliki label. Tujuan dari algoritma adalah untuk
menemukan struktur tersembunyi dalam data, seperti pengelompokan (clustering)
atau pengurangan dimensi. Contoh: segmentasi pelanggan, deteksi anomali (Bintoro
et al., 2024).
3. Reinforcement Learning
Di sini, agen belajar dengan berinteraksi dengan lingkungan, mendapatkan reward
atau punishment atas aksi yang dilakukan. Pendekatan ini banyak digunakan dalam
robotika, permainan, dan kendaraan otonom (Bintoro et al., 2024).
3.1.3 Contoh Algoritma Populer
Setiap jenis pembelajaran dalam ML memiliki algoritma-algoritma tertentu
yang umum digunakan untuk menyelesaikan berbagai masalah. Algoritma ini
menawarkan pendekatan yang berbeda dalam mengolah data dan menghasilkan
prediksi atau keputusan. Beberapa algoritma berikut termasuk yang paling dikenal
dan banyak dipakai dalam praktik:
 K-Nearest Neighbors (KNN): Mengklasifikasikan data baru berdasarkan
kesamaan dengan data terdekat yang telah diketahui labelnya (Raharjo, 2021).
 Decision Tree: Membangun model berbentuk pohon berdasarkan aturan
keputusan untuk memprediksi nilai target dari data (Mahesh, 2020).
 Support Vector Machine (SVM): Mencari garis pemisah terbaik antar kelas
dalam ruang data berdimensi tinggi (Mahesh, 2020).
 Naive Bayes: Metode klasifikasi berdasarkan teorema Bayes dengan asumsi
independensi antar fitur (Mahesh, 2020).
3.1.4 Aplikasi Nyata Machine Learning
Machine learning tidak hanya menjadi topik riset atau teknologi masa
depan—saat ini ia sudah digunakan secara luas dalam berbagai aplikasi yang kita
temui sehari-hari. Teknologi ini menyokong berbagai layanan digital, sistem
otomatisasi, hingga pengambilan keputusan berbasis data dalam skala besar.
Berikut ini beberapa contoh penerapan nyata machine learning:
Machine Learning digunakan secara luas dalam kehidupan sehari-hari, seperti:
 Sistem rekomendasi di Netflix, YouTube, dan Spotify
 Asisten virtual seperti Siri dan Google Assistant
 Deteksi penipuan dalam transaksi kartu kredit
 Pengenalan wajah dalam sistem keamanan dan smartphone
  Prediksi cuaca, pasar saham, hingga perilaku konsumen (Bintoro et al., 2024;
Raharjo, 2021)

3.2 Deep Learning

1. Definisi Deep Learning
Deep Learning adalah salah satu cabang dari Machine Learning yang menggunakan arsitektur
jaringan saraf tiruan (Artificial Neural Networks/ANN) dengan banyak lapisan tersembunyi
(hidden layers). Berbeda dari metode pembelajaran tradisional yang mengandalkan fitur
buatan manusia, Deep Learning memanfaatkan representasi hierarkis untuk secara otomatis
mengekstraksi fitur dari data secara bertahap (LeCun et al., 2015). Pendekatan ini sangat
berguna dalam pemrosesan data kompleks seperti gambar, suara, dan teks, karena
kemampuannya dalam membangun model prediktif tanpa eksplisit merekayasa fitur (Attia et
al., 2017). Deep Learning memungkinkan sistem untuk belajar dan meningkatkan kinerjanya
secara otomatis tanpa perlu aturan eksplisit dari manusia, dan sangat efektif memproses data
dalam jumlah besar serta kompleksitas tinggi seperti visual dan audio (lifewire.com).

2. Keunggulan Deep Learning

Deep Learning dikenal karena kemampuannya yang unggul dalam menangani data
kompleks dan berukuran besar. Teknologi ini dirancang untuk belajar dari data mentah
tanpa terlalu banyak intervensi manusia, sehingga sangat efisien dan fleksibel untuk
berbagai tugas analitik maupun prediktif. Beberapa keunggulan utamanya meliputi:
 Skalabilitas tinggi: Model dapat dilatih menggunakan perangkat keras seperti GPU
atau TPU untuk mempercepat proses komputasi pada dataset besar.
 Kemampuan otomatisasi fitur: Tidak diperlukan pengetahuan domain yang dalam
karena model mampu belajar sendiri fitur-fitur tingkat tinggi dari data mentah.
 Fleksibilitas dan transferabilitas: Model yang telah dilatih bisa digunakan kembali
(transfer learning) untuk tugas baru tanpa harus dilatih dari awal (LeCun et al., 2015).
 Akurat pada data besar: Kinerja Deep Learning akan jauh lebih baik dibanding
teknik ML tradisional ketika volume data besar tersedia.
Selain itu, Deep Learning juga sangat unggul dalam menangani data tidak
terstruktur seperti teks bebas, gambar, dan audio (width.ai). Model ini mampu
mencapai akurasi yang lebih tinggi dalam klasifikasi dan prediksi jika dilatih dengan
cukup data, dan dapat mengekstrak fitur penting secara otomatis tanpa intervensi
manusia dalam proses rekayasa fitur (studyopedia.com; buildfuture.ai).
 4. Komponen Utama Deep Learning
Agar dapat bekerja secara efektif, model deep learning disusun dari elemen-
elemen inti yang meniru cara kerja otak manusia. Komponen-komponen ini bekerja
bersama dalam jaringan berlapis untuk memproses dan memahami data. Struktur
dasar dari deep learning melibatkan:
 Neuron buatan: Unit komputasi dasar yang meniru fungsi neuron biologis, menerima
input, mengaplikasikan bobot dan bias, lalu meneruskan ke aktivasi.
 Lapisan input: Menerima data mentah.
 Lapisan tersembunyi (hidden layers): Melakukan transformasi fitur melalui proses
pembobotan dan aktivasi non-linear.
 Lapisan output: Menghasilkan prediksi atau klasifikasi akhir berdasarkan hasil dari
lapisan sebelumnya.
Dalam proses pelatihannya, Deep Learning menggunakan algoritma propagasi balik
(backpropagation) untuk menyesuaikan bobot berdasarkan kesalahan output. Proses ini
dilakukan melalui teknik optimisasi seperti gradient descent yang memungkinkan model
belajar secara bertahap dengan menurunkan error secara berulang (builtin.com).

5. Arsitektur Populer dalam Deep Learning

Seiring berkembangnya teknologi, berbagai arsitektur deep learning telah
dikembangkan untuk menangani jenis data dan kebutuhan yang berbeda. Setiap
arsitektur memiliki keunggulan tersendiri, terutama dalam hal efisiensi dan akurasi.
Beberapa arsitektur yang paling umum digunakan antara lain:
 Convolutional Neural Network (CNN): Didesain khusus untuk pemrosesan data
spasial seperti citra. CNN memiliki keunggulan dalam ekstraksi fitur visual
melalui operasi konvolusi dan pooling. CNN digunakan dalam klasifikasi gambar,
deteksi objek, pengenalan wajah, analisis citra medis (SimpliLearn, 2022), serta
sistem pengawasan video, pemindaian medis, dan kendaraan otonom
(en.wikipedia.org).
 Recurrent Neural Network (RNN): Cocok untuk data sekuensial seperti teks,
sinyal suara, atau data deret waktu. RNN menggunakan koneksi berulang
(recurrent connections) untuk menyimpan informasi sebelumnya dalam proses
input data, sehingga sangat efektif untuk menangani konteks urutan (Lui & Chow,
2018). Untuk meningkatkan performanya pada urutan panjang, dikembangkan
variasi seperti LSTM (Long Short-Term Memory) dan GRU (Gated Recurrent
Unit) (interviewbit.com).

6. Aplikasi Deep Learning di Dunia Nyata

 Penerapan deep learning kini telah menjangkau banyak bidang, mulai dari
teknologi konsumen hingga layanan kesehatan dan keuangan. Keandalannya dalam
mengenali pola dan membuat prediksi menjadikan teknologi ini sangat berpengaruh
dalam kehidupan modern. Contoh-contoh aplikasinya meliputi:

 Pengenalan wajah dan objek visual: Sistem keamanan biometrik, pengawasan

cerdas, hingga tagging otomatis di media sosial.
 Kendaraan otonom (self-driving cars): Menggunakan kombinasi sensor visual
dan pengambilan keputusan real-time.
 Pengenalan suara dan asisten virtual: Siri, Alexa, Google Assistant
memanfaatkan model DL untuk memahami dan menanggapi perintah suara.
 Terjemahan bahasa dan chatbot: Seperti Google Translate dan layanan
pelanggan otomatis.
Lebih jauh lagi, Deep Learning digunakan dalam:
 Deteksi penipuan transaksi: Mengidentifikasi pola mencurigakan dalam data
perbankan dan e-commerce (timespro.com).
 Diagnosis medis: Menurut Zargar et al. (2023), algoritma Deep Learning mampu
mengidentifikasi pola tersembunyi dalam data kesehatan yang besar dan
kompleks, seperti citra medis dan rekam medis elektronik (EHR), yang sulit
dianalisis oleh metode tradisional dalam waktu yang wajar. Hal ini
memungkinkan pengembangan sistem pendukung keputusan klinis yang lebih
akurat dan efisien.
 Pemrosesan bahasa alami: Seperti analisis sentimen, sistem tanya-jawab
otomatis, dan penyusunan ringkasan teks (fynd.academy).

3.3 Natural Language Processing (NLP)

1. Definisi
Natural Language Processing (NLP) merupakan cabang dari kecerdasan buatan
(Artificial Intelligence/AI) yang berfokus pada pemrosesan bahasa manusia, baik lisan
maupun tulisan, agar dapat dipahami, ditafsirkan, dan dihasilkan oleh mesin. NLP
memungkinkan komputer untuk “memahami” bahasa sebagaimana digunakan manusia dalam
kehidupan sehari-hari (Chowdhury, 2003). Teknologi ini mengintegrasikan aspek linguistik
komputasional dan pembelajaran mesin untuk mengolah bahasa alami secara efisien dan
kontekstual.
Dalam pendekatan psikologis, NLP juga dipahami sebagai proses pemrograman
pikiran (neuro) melalui bahasa (linguistik) guna membentuk respons perilaku (programming),
yang umum diterapkan dalam pengembangan diri atau terapi perilaku.
2. Fungsi Utama NLP
Natural Language Processing memiliki berbagai fungsi penting yang memungkinkan
komputer untuk tidak hanya membaca dan memahami teks, tetapi juga berinteraksi secara
lebih alami dengan manusia. Fungsi-fungsi ini telah diterapkan dalam banyak sektor, mulai
dari teknologi konsumen hingga layanan publik.
Beberapa fungsi utama NLP meliputi:
 Pemrosesan Teks (Text Processing): Menyusun, menormalisasi, dan mengekstrak
informasi dari teks mentah seperti email, berita, atau dokumen resmi.
 Analisis Sentimen: Mengidentifikasi opini dan emosi dalam teks untuk memahami
kecenderungan pengguna, seperti dalam ulasan produk atau media sosial.
 Pemahaman Konteks Kalimat: Menganalisis struktur kalimat dan relasi antarkata
untuk memahami makna keseluruhan berdasarkan konteks.
 Penerjemahan Bahasa (Machine Translation): Menerjemahkan teks antarbahasa
secara otomatis dengan mempertimbangkan tata bahasa dan makna.
 Pengenalan Ucapan (Speech Recognition): Mengubah perintah suara menjadi teks
dan memahaminya, seperti dalam sistem asisten virtual atau pusat layanan pelanggan
(IBM, 2023).

3. Komponen Kunci NLP

Agar dapat menjalankan fungsinya secara optimal, NLP bergantung pada sejumlah komponen
teknis yang memungkinkan komputer untuk memproses dan menganalisis bahasa secara
sistematis. Komponen-komponen ini membentuk fondasi dalam pengembangan sistem NLP
modern.
Komponen utama NLP mencakup:
 Tokenization: Memecah kalimat atau paragraf menjadi kata atau frasa.
 Stemming dan Lemmatization: Mengurangi kata ke bentuk dasarnya (akar kata)
untuk mengurangi variasi.
 Named Entity Recognition (NER): Mengidentifikasi entitas penting seperti nama
orang, lokasi, organisasi, atau tanggal dalam teks.
 Model Transformer: Menggunakan arsitektur seperti BERT dan GPT yang mampu
memahami konteks kalimat secara mendalam melalui mekanisme self-attention
(Vaswani et al., 2017; OpenAI, 2020).
4. Contoh Aplikasi NLP
Teknologi NLP telah berkembang pesat dan banyak diterapkan dalam berbagai aplikasi yang
kita temui sehari-hari. Dari komunikasi manusia-komputer hingga layanan pelanggan
otomatis, NLP memainkan peran penting dalam mendukung interaksi berbasis bahasa.
Beberapa contoh nyata penerapan NLP antara lain:
 Chatbot dan AI Assistant: ChatGPT, Siri, dan Google Assistant menggunakan NLP
untuk merespons perintah pengguna secara alami dan kontekstual.
 Sistem Terjemahan Otomatis: Google Translate dan DeepL memanfaatkan model
NLP untuk mentranslasikan bahasa dengan akurasi tinggi.
 Analitik Bisnis dan Media Sosial: Analisis opini konsumen dalam platform seperti
Twitter atau ulasan e-commerce.
 Layanan Kesehatan: NLP digunakan untuk mengekstrak informasi medis dari
catatan pasien secara otomatis dan akurat.

5. Tantangan dalam NLP

Meskipun menjanjikan, NLP tidak terlepas dari tantangan, baik dari sisi teknis maupun etika.
Tantangan ini penting untuk dikenali, terutama dalam pengembangan sistem NLP yang
bertanggung jawab dan inklusif. Mahasiswa perlu memahami bahwa penggunaan teknologi
ini tidak selalu netral dan dapat berdampak pada representasi sosial.
Beberapa tantangan utama NLP meliputi:
 Ambiguitas Semantik: Satu kata atau kalimat bisa memiliki makna berbeda
tergantung konteksnya.
 Ironi dan Sarkasme: Sistem masih kesulitan memahami nada atau maksud tersirat
dalam komunikasi informal.
 Bias dalam Data: NLP yang dilatih dari data dunia nyata bisa menyerap bias gender,
ras, atau sosial.
 Multibahasa dan Dialek: Banyak bahasa dan dialek kurang mendapat dukungan
karena minimnya data pelatihan yang tersedia (Bender et al., 2021).

6. Tren dan Perkembangan Terkini

Perkembangan pesat di bidang NLP telah mendorong munculnya teknologi baru yang makin
canggih, efisien, dan relevan dengan kebutuhan masyarakat global. Mahasiswa perlu
memahami tren ini untuk tetap mengikuti perkembangan teknologi dan potensi riset lanjutan.
Tren NLP terbaru meliputi:
 Model Bahasa Skala Besar (LLM): Seperti GPT-4 dan Claude AI, dengan
kemampuan reasoning dan pemahaman konteks jangka panjang.
 Multimodal NLP: Menggabungkan pemrosesan teks dengan input visual atau audio.
 Low-Resource NLP: Pengembangan NLP untuk bahasa yang minim data pelatihan
(contoh: bahasa daerah).
 Edge NLP: Pelaksanaan NLP langsung di perangkat (smartphone/IoT) tanpa koneksi
cloud demi privasi dan efisiensi.(IBM, 2023; OpenAI, 2024).

3.4 Computer Vision

1. Definisi
Computer Vision merupakan cabang dari kecerdasan buatan (AI) yang berfokus pada
bagaimana komputer dapat “melihat” dan menafsirkan konten visual seperti gambar dan
video. Teknologi ini meniru proses visual manusia dengan menggunakan algoritma dan
model pembelajaran mesin agar mampu mengenali pola, objek, hingga memahami konteks
visual secara otomatis.
Menurut Szeliski (2022), computer vision adalah proses "penangkapan, analisis, dan
interpretasi lingkungan 3D menggunakan citra dan video digital." Dengan kata lain, computer
vision bertujuan untuk memberi kemampuan persepsi visual kepada sistem cerdas layaknya
penglihatan manusia (Szeliski, 2022).
Pemahaman terhadap definisi ini sangat penting sebagai landasan awal. Hal ini menekankan
bahwa visi komputer tidak hanya berhenti pada pengambilan gambar, tetapi juga mencakup
pengambilan makna dari data visual. Ini menjadi kunci dalam berbagai inovasi teknologi
modern seperti kendaraan otonom, deteksi penyakit, dan pengawasan berbasis AI.

2. Proses Dasar Computer Vision

Untuk menjalankan fungsi penglihatan digital ini, komputer melalui serangkaian tahapan
pemrosesan citra. Proses-proses ini dirancang agar sistem dapat memahami data visual secara
bertahap—mulai dari pengambilan gambar hingga interpretasi makna yang terkandung dalam
visual.
Berikut tahapan umum dalam proses computer vision:
 Akuisisi Gambar: Tahap pengambilan data visual dari kamera, sensor, atau file
digital.
  Pra-pemrosesan: Peningkatan kualitas gambar melalui normalisasi, pengurangan
noise, atau koreksi pencahayaan.
 Ekstraksi Fitur: Pengambilan elemen penting dari gambar seperti tepi, sudut, atau
pola tekstur.
 Analisis & Interpretasi: Menggunakan algoritma untuk mengenali objek, memahami
konteks, atau mengambil keputusan berdasarkan visual.
Tahapan ini menjadi fondasi dalam banyak aplikasi computer vision, baik dalam bidang
industri maupun konsumen (Szeliski, 2022; IBM, 2023).
Proses ini bersifat modular, artinya bisa disesuaikan dengan kebutuhan sistem yang dibangun.
Misalnya, pada sistem pengawasan real-time, tahap analisis dan pengambilan keputusan
harus dilakukan dalam waktu sangat cepat. Hal ini berbeda dengan sistem pencitraan medis,
yang lebih menekankan pada akurasi ekstraksi fitur dan interpretasi visual.

3. Teknik Umum dalam Computer Vision

Dalam praktiknya, berbagai teknik telah dikembangkan untuk memungkinkan sistem visual
memahami data secara akurat. Teknik ini dirancang agar sesuai dengan tipe tugas, seperti
klasifikasi, deteksi, atau segmentasi objek.
Teknik-teknik utama mencakup:
 Image Classification: Memberi label pada keseluruhan gambar, seperti mengenali
jenis objek atau adegan.
 Object Detection: Menemukan dan menentukan lokasi objek dalam sebuah gambar,
sering kali ditandai dengan bounding box.
 Face Recognition: Mengidentifikasi seseorang berdasarkan fitur wajahnya.
 Image Segmentation: Memisahkan gambar menjadi bagian-bagian terdefinisi, seperti
membedakan objek dari latar belakang.
Teknik-teknik ini sering digunakan dalam berbagai konteks, mulai dari pengawasan
keamanan hingga diagnostik medis (V7Labs, 2023).
Meskipun tampak serupa, teknik-teknik di atas memiliki kompleksitas yang berbeda.
Klasifikasi biasanya lebih ringan, sedangkan segmentasi memerlukan presisi piksel demi
piksel. Kombinasi berbagai teknik ini umum digunakan dalam aplikasi tingkat lanjut, seperti
sistem kendaraan otonom atau augmented reality.

4. Algoritma dan Model Populer

Kinerja dari sistem computer vision sangat ditentukan oleh algoritma dan model
pembelajaran yang digunakan. Dalam dekade terakhir, deep learning telah mendominasi
pendekatan dengan berbagai arsitektur jaringan saraf.
Beberapa model yang banyak digunakan antara lain:
 CNN (Convolutional Neural Network): Digunakan secara luas untuk klasifikasi dan
deteksi objek karena kemampuannya mengekstrak fitur spasial.
 YOLO (You Only Look Once): Model deteksi objek real-time yang sangat efisien
dan cepat.
 OpenCV: Sebuah pustaka sumber terbuka yang menyediakan banyak fungsi untuk
pemrosesan citra dan visi komputer.
 Vision Transformers (ViT): Menggunakan pendekatan transformer seperti dalam
NLP, tetapi diterapkan pada data visual.
Model-model ini terus berkembang untuk meningkatkan kecepatan, akurasi, dan fleksibilitas
dalam berbagai aplikasi nyata (Szeliski, 2022; GeeksForGeeks, 2024).
Penting untuk mencermati bahwa pemilihan model sangat bergantung pada konteks
penggunaan. YOLO, misalnya, ideal untuk aplikasi real-time seperti drone atau kamera
pengawas. Sementara Vision Transformers sangat kuat dalam memahami konteks global citra
dan mulai menjadi pilihan utama dalam riset akademik terkini.

5. Contoh Aplikasi Computer Vision

Teknologi computer vision telah diterapkan secara luas di berbagai bidang, menjadikannya
komponen utama dalam inovasi berbasis AI. Aplikasi-aplikasinya dapat ditemukan baik
dalam kehidupan sehari-hari maupun industri berskala besar.
Contoh implementasi meliputi:
 Deteksi wajah pada kamera smartphone untuk membuka kunci layar secara
otomatis.
 CCTV cerdas yang mampu mengenali gerakan mencurigakan dan
mengklasifikasikan objek.
 Kendaraan tanpa pengemudi (self-driving cars) yang menggunakan kamera dan
sensor untuk mendeteksi rambu, pejalan kaki, dan kendaraan lain.
 Pengolahan citra medis, seperti analisis citra rontgen dan MRI untuk diagnosis
penyakit.
 Retail dan e-commerce, seperti pencarian produk berbasis gambar dan pemantauan
rak otomatis.
Computer vision menjadi penghubung antara dunia fisik dan sistem digital. Karena sifatnya
yang visual dan intuitif, teknologi ini berpotensi besar mempercepat transformasi digital di
berbagai sektor, terutama ketika digabungkan dengan AI dan IoT. Pengembangannya pun
semakin inklusif dengan adanya library sumber terbuka yang mudah diakses.

Bintoro, P., Ratnasari, R., Wihardjo, E., Putri, I. P., & Asari, A. (2024). Pengantar Machine
Learning. PT MAFY Media Literasi Indonesia.
Raharjo, B. (2021). Pembelajaran Mesin (Machine Learning). Yayasan Prima Agus Teknik.
Mahesh, B. (2020). Machine Learning Algorithms – A Review. International Journal of
Science and Research (IJSR), 9(1). DOI: 10.21275/ART20203995.
Chowdhury, G.G. (2003). Natural Language Processing. Annual Review of Information
Science and Technology.
Wikanengsih. Menerapkan Neurolinguistic Programming (NLP) Dalam
Pembelajaran. Jurnal Ilmiah Program Studi Pendidikan Bahasa dan
Sastra Infonesia (SEMANTIK).

Jurafsky, D., & Martin, J.H. (2020). Speech and Language Processing. Pearson.
Vaswani, A. et al. (2017). Attention Is All You Need. arXiv preprint arXiv:1706.03762.
OpenAI. (2020). GPT-3 Technical Report.
IBM. (2023). What is Natural Language Processing? Retrieved from:
https://www.ibm.com/topics/natural-language-processing.
Nurmaini, S, dkk. (2021). Pengenalan Deep Learning dan Implementasinya. UPT. PEenertbit
dan Percetakan Universitas Srwijaya.
Bender, E.M., et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be
Too Big? FAccT 2021.
Hasan Hejbari Zargar, Saha Hejbari Zargar, & Raziye Mehri. (2023). Review of Deep
Learning in Healthcare. arXiv preprint arXiv:2310.00727.
Attia, Q., Wang, J., Bensmail, H., & Gao, X. (2017). Deep Learning: Fundamentals and
Applications. In Handbook of Deep Learning Applications. Springer.
Built In. (n.d.). What Is Deep Learning?. Retrieved from https://builtin.com/artificial-
intelligence/deep-learning
Fynd Academy. (n.d.). Applications of Deep Learning in Natural Language Processing.
Retrieved from https://www.fynd.academy
InterviewBit. (n.d.). LSTM and GRU in Deep Learning. Retrieved from
https://www.interviewbit.com/blog/lstm-and-gru/
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
Lifewire. (n.d.). What Is Deep Learning?. Retrieved from https://www.lifewire.com/what-is-
deep-learning-4582923
Lui, C., & Chow, H. (2018). Introduction to Recurrent Neural Networks. Retrieved from
https://www.researchgate.net/publication/327976431
SimpliLearn. (2022). Convolutional Neural Networks (CNNs). Retrieved from
https://www.simplilearn.com/tutorials/deep-learning-tutorial/convolutional-neural-
network
Studyopedia. (n.d.). Advantages of Deep Learning. Retrieved from
https://www.studyopedia.com/artificial-intelligence/advantages-of-deep-learning/
TimesPro. (n.d.). Applications of Deep Learning in Finance and Fraud Detection. Retrieved
from https://timespro.com/blog/deep-learning-in-finance-and-fraud-detection
Wikipedia. (n.d.). Applications of Convolutional Neural Networks. Retrieved from
https://en.wikipedia.org/wiki/Convolutional_neural_network
Width.ai. (n.d.). Deep Learning Use Cases. Retrieved from https://width.ai
Szeliski, R. (2022). Computer Vision: Algorithms and Applications (2nd ed.). Springer.
IBM. (2023). What is Computer Vision? Retrieved from
https://www.ibm.com/topics/computer-vision
V7Labs. (2023). What is Computer Vision? Retrieved from
https://www.v7labs.com/blog/what-is-computer-vision
Wikipedia. (2024). Computer Vision. Retrieved from
https://en.wikipedia.org/wiki/Computer_vision
GeeksForGeeks. (2024). Top Computer Vision Models. Retrieved from
https://www.geeksforgeeks.org/top-computer-vision-models
Studi Kasus: AI dan Dilema Etika dalam Kendaraan Otonom
1. Pendahuluan
Perkembangan kecerdasan buatan (Artificial Intelligence/AI) telah mendorong inovasi besar
di berbagai bidang, salah satunya adalah kendaraan otonom atau mobil tanpa sopir. Teknologi
ini dirancang untuk meningkatkan efisiensi transportasi dan mengurangi kecelakaan akibat
kelalaian manusia. Namun, di balik potensi besar tersebut, muncul tantangan etika yang
serius, terutama ketika AI harus mengambil keputusan kritis yang berhubungan langsung
dengan keselamatan manusia.

2. Kronologi Kasus Kecelakaan Uber (2018)

Salah satu contoh nyata dari dilema etika dalam kendaraan otonom terjadi pada tahun 2018,
ketika sebuah mobil tanpa sopir milik Uber menabrak dan menewaskan seorang pejalan kaki
di Tempe, Arizona. Mobil tersebut sedang dalam mode otonom dan didampingi oleh operator
manusia, namun sistem tidak berhasil mengidentifikasi korban tepat waktu. Peristiwa ini
menjadi insiden fatal pertama yang melibatkan kendaraan otonom, dan menimbulkan
kekhawatiran besar terhadap keandalan sistem AI dalam situasi dunia nyata (CNBC
Indonesia, 2018).

3. Tantangan Etika: Siapa yang Harus Diselamatkan?

Kecelakaan tersebut menyoroti dilema etika utama dalam kendaraan otonom: bagaimana AI
memutuskan siapa yang harus diselamatkan dalam situasi darurat? Misalnya, jika mobil harus
memilih antara menabrak pejalan kaki atau membahayakan penumpangnya sendiri,
keputusan mana yang paling etis? Pertanyaan ini dikenal dalam filsafat moral sebagai “The
Trolley Problem”, dan hingga kini belum ada jawaban universal. AI, yang bekerja
berdasarkan logika dan data, tidak memiliki kapasitas moral untuk menimbang keputusan
yang melibatkan nilai-nilai kemanusiaan secara utuh (BBC News, 2020).

4. Keterbatasan AI dalam Menilai Situasi Kompleks

AI pada kendaraan otonom dilatih menggunakan teknologi pembelajaran mesin (machine
learning), sensor LIDAR, kamera, dan sistem pemrosesan real-time. Meski mampu
mengenali pola dan merespons lalu lintas, sistem ini masih memiliki keterbatasan dalam
memahami konteks sosial dan moral yang kompleks. Seperti dijelaskan oleh PatentPC,
keputusan yang diambil AI sangat tergantung pada data pelatihan, bukan intuisi atau empati
manusia. Hal ini membuat AI rentan dalam menghadapi situasi yang tidak terduga dan tidak
selalu mampu membuat keputusan yang secara etis dapat diterima oleh masyarakat
(PatentPC, 2023).

5. Pentingnya Regulasi dan Prinsip Etika

Kasus Uber dan tantangan etis dalam kendaraan otonom menggarisbawahi perlunya regulasi
dan kerangka etika yang jelas. Teknologi AI tidak boleh dibiarkan berkembang tanpa
pengawasan. Harus ada kolaborasi antara pengembang teknologi, pakar etika, pembuat
kebijakan, dan masyarakat untuk menentukan batasan moral serta tanggung jawab dalam
penggunaan AI pada kendaraan. Regulasi yang baik akan membantu mencegah kejadian
serupa serta memastikan bahwa pengambilan keputusan oleh mesin tetap berada dalam
koridor yang manusiawi dan adil.

CNBC Indonesia. (2018). Mobil tanpa sopir Uber tewaskan pejalan kaki. Diakses dari
https://www.cnbcindonesia.com/news/20180320070026-4-7802/mobil-tanpa-sopir-
uber-tewaskan-pejalan-kaki
BBC News. (2020). Tesla: Self-driving car 'almost killed me'. Diakses dari
https://www.bbc.com/news/technology-54175359
PatentPC. (2023). AI in Autonomous Vehicles: How Machine Learning Powers Self-Driving
Tech & Key Stats. Diakses dari https://patentpc.com/blog/ai-in-autonomous-vehicles-
how-machine-learning-powers-self-driving-tech-key-stats