Pada
pertemuan ke-2 kelas metodologi riset, kelas kami di alihkan ke acara Kuliah
Umum Teknik Elektro “The Role of Deep Learning for Green Technology “ yang
bertempatkan di Gedung Teater Universitas Budi Luhur.
Green Technology
“Teknologi
hijau (Greentech) yang juga dikenal dengan teknologi lingkungan (envirotech)
dan teknologi bersih (cleantech) adalah integrasi antara teknologi modern dan
ilmu lingkungan untuk lebih melestarikan lingkungan global dan sumber daya alam
serta untuk mengurangi dampak negative dari aktifitas manusia di planet bumi.”
“Teknologi hijau merupakan salah satu upaya untuk
menjaga kelestarian atau keberlanjutan kehidupan di planet bumi ini.
Kelestarian atau keberlanjutan (sustainabilitas) yang dapat diartikan sebagai
perihal pemenuhan kebutuhan masyarakat secara berkelanjutan dimasa deoan tanpa
merusak sumber daya alam, atau pemenuhan kebutuhan saat ini tanpa mengurangi
kemampuan generasi mendatang untuk memenuhi kebutuhan mereka sendiri.”
“Teknologi lingkungan (envirotech) atau teknologi
hijau (greentech) atau teknologi bersih (cleantech) adalah aplikasi ilmu
lingkungan untuk melestarikan lingkungan alam dan sumber daya untuk mengekang
dampak negatif dari keterlibatan manusia. Pembangunan yang berkelanjutan adalah
inti dari teknologi lingkungan.”
“Teknologi hijau (greentech) adalah pengembangan dan
penerapan produk, peralatan dan sistem yang digunakan untuk melestarikan
lingkungan alam dan sumber daya, yang meminimalkan dan mengurangi dampak
negatif dari aktivitas manusia terhadap lingkungan.”
Dari beberapa pengertian dari Green Technology yang ada,
dapat disimpulkan bahwa secara garis besar pengertian dari Greentech adalah
integrasi antara teknologi modern dan ilmu lingkungan yang diaplikasikan untuk
melestarikan pemenuhan kebutuhan masyarakat secara berkelanjutan di masa depan
tanpa merubah lingkungan dan sumber daya alam.
Tujuan
1. Keberlangsungan – Upaya untuk memenuhi kebutuhan masyarakat
secara terus menerus di masa depan tanpa merusak atau menghabiskan sumber daya
alam.
2. Pendaur-ulangan sampah – Upaya untuk mengakhiri siklus
barang sekali pakai, dengan menciptakan produk yang sepenuhnya dapat diperoleh
kembali atau digunakan kembali
3. Pengurangan Sumber Sampah – Upaya untuk mengurangi sumber
limbah dan polusi dengan mengubah pola produksi dan pola konsumsi.
4. Inovasi – Upaya untuk mengembangkan alternative teknlogi
yang ramah lingkungan guna memenuhi kebutuhan manusia tanpa merusak lingkungan.
5. Viabilitas – upaya untuk menciptakan suatu pusat kegiatan
ekonomi di seluruh bidang teknologi dan produk yang memberikan keuntungan bagi
lingkungan dan menciptakan peluang usaha baru yang benar-benar melindungi
planet bumi dari kerusakan.
6. Edukasi – Upaya untuk meningkatkan pemahaman akan pentingnya
penerapan teknologi hijau guna mendukung terciptanya daya dukung lingkungan
yang berkelanjutan.
Prinsip utama pada Konsep Green Technology meliputi 3 hal
yaitu :
1.
Kenyamanan Sosial
2.
Ekonomis
3.
Ramah Lingkungan
AI (Artificial Intelligence)
“Kecerdasan
buatan (Artificial Intelligence) merupakan kawasan penelitian, aplikasi dan
instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal
yang dalam pandangan manusia adalah cerdas.” -H. A. Simon (1987)
“Kecerdasan
Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan
hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia.” -Rich and
Knight (1991)
“Bagian
dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa
lebih baik daripada yang dilakukan manusia.” -Idhawati Hestiningsih
Tujuan
1. Membuat mesin menjadi lebih pintar
(tujuan utama)
Misal kita ambil contoh komputer, mesin
itu dibuat yang awal mulanya hanya bisa digunakan untuk mengetik begitu
dikembangkan fungsinya sehingga dapat digunakan dalam berbagai macam hal
seperti bermain game, mulitmedia, editing, dll.
2. Memahami apa itu kecerdasan (tujuan
ilmiah)
Seiring dengan laju perkembangan
teknologi dengan diciptakannya artificial intelligence itu sendiri dianggap
mampu membantu dalam memecahkan masalah secara efektif, efisien, dan lebih
teliti.
3. Membuat mesin lebih bermanfaat (tujuan
entrepreneurial)
Keadaan AI pada mesin dapat meningkatkan
akurasi pemrosesan. Hal ini tentunya membuat pekerjaan pun menjadi lebih ringan
dan dapat memberikan hasil secara maksimal.
Machine Learning
Cabang
aplikasi dari Artificial Intelligence (Kecerdasan Buatan) yang focus pada
pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus
berulang kali di program oleh manusia.
Aplikasi Machine learning
membutuhkan Data sebagai bahan belajar (training) sebelum mengeluarkan output.
Aplikasi sejenis ini juga biasanya berada dalam domain spesifik alias tidak
bisa diterapkan secara general untuk semua permasalahan.
Sebagai contoh: Aplikasi Pengenalan Gambar, Aplikasi Asisten pribadi seperti Siri, Google dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik lainnya.
Sebagai contoh: Aplikasi Pengenalan Gambar, Aplikasi Asisten pribadi seperti Siri, Google dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik lainnya.
Bagaimana Machine Learning
Bekerja?
1. Memilih
data: pisahkan data menjadi 3 bagian, yakni data yang akan dilatih (training
data), data yang akan digunakan untuk validasi (validation data), dan data yang
digunakan untuk percobaan prediksi (test data).
2. Model
data: gunakan training data untuk membangun model menggunakan fitur-fitur yang
sesuai dengan tujuan.
3. Validasi
model: uji model yang telah ada dengan validation data. Hal ini berguna untuk
mendapatkan feedback dari input, process, dan ouput yang digunakan.
4. Test
model: lihat perbandingan kinerja model yang sudah divalidasi dengan test data.
5. Gunakan
test model: aplikasikan model yang sudah dilatih untuk membuat prediksi data
baru.
6. Sesuaikan
model: perbaiki kinerja algoritma dengan lebih banyak data, fitur yang berbeda,
dan parameter yang disesuaikan.
Bagaimana Mesin Dapat
Belajar?
1. Programming
tradisional: Dengan cara ini, software engineer menulis sebuah program yang
mengajarkan mesin untuk memecahkan masalah. Kemudian, mesin atau komputer
mengikuti prosedur yang telah dibuat dan menghasilkan solusi.
2. Statistik:
Metode statistik digunakan oleh analis untuk membandingkan hubungan beberapa
variabel.
3. Machine
Learning: Seorang data scientist menggunakan data set yang sudah dilatih untuk
mengajarkan komputer hal-hal apa saja yang harus dilakukan. Sebagai contoh,
dari big data yang sudah ada, mesin belajar mengklasifikasi spam dan non-spam
email. Klasifikasi ini didapatkan dari data set yang sudah dilatih dan berbagai
algoritma yang sesuai dengan klasifikasi yang diinginkan. Lalu, komputer
belajar mengidentifikasi hubungan, tren, dan pola data tersebut.
4. Aplikasi
pintar: Aplikasi pintar menaikkan akurasi hasil AI. Contohnya, drone bisa
menghasilkan pemetaan lahan pertanian yang akurat berdasarkan pengumpulan data.
Deep Learning
Deep
Learning adalah salah satu jenis algoritma jaringan saraf tiruan yang
menggunakan metadata sebagai input dan mengolahnya menggunakan sejumlah lapisan
tersembunyi (hidden layer) transformasi non linier dari data masukan untuk
menghitung nilai output.
Jenis Deep Learning
·
Deep Learning untuk Pembelajaran Tanpa
Pengawasan (Unsupervised Learning): Deep Learning tipe ini digunakan pada saat
label dari variabel target tidak tersedia dan korelasi nilai yang lebih tinggi
harus dihitung dari unit yang diamati untuk menganalisis polanya.
·
Hybrid Deep Networks (Deep Learning
gabungan): Pendekatan tipe ini bertujuan agar dapat dicapai hasil yang baik
dengan menggunakan pembelajaran yang diawasi untuk melakukan analisis pola atau
dapat juga dengan menggunakan pembelajaran tanpa pengawasan.
Seberapa Banyak Jumlah
Lapisan Tersembunyi (Hidden Layer) Yang Harus Dipakai Pada Deep Learning?
Deep
Learning bekerja berdasarkan pada arsitektur jaringan dan prosedural optimal
yang digunakan pada arsitektur. Setiap output dari lapisan per lapisan yang
tersembunyi dapat dipantau dengan menggunakan grafik khusus yang dirancang
untuk setiap output neuron. Kombinasi dan rekombinasi dari setiap neuron yang
saling terhubung dari semua unit lapisan tersembunyi dilakukan menggunakan
gabungan dari fungsi aktivasi. Prosesdur-prosedur tersebut dikenal sebagai
Transformasi Non Linier yang digunakan untuk prosedur optimal untuk
menghasilkan bobot optimal pada setiap unit lapisan guna mendapatkan nilai
target yang dibutuhkan.
Ketika
dalam proses perancangan, apabila jumlah saraf yang ditambahkan sangat banyak,
hal tersebut tidak akan pernah cocok untuk menyelesaikan setiap masalah.
Persoalan terpenting dalam Deep Learning adalah jaringan sarafnya dilatih
dengan cara penurunan gradien secara sederhana. Pada saat kita menambahkan
lapisan jaringan yang semakin banyak, maka sebaliknya penurunan dari gradien
semakin berkurang sehingga dapat mempengaruhi nilai outpunya.
Perbedaan Yang Dimiliki Oleh Jaringan
Saraf Tiruan Biasa Dengan Deep Learning
Jaringan
Saraf Tiruan adalah jaringan saraf yang biasanya menggunakan jaringan seperti
umpan maju (feed forward) atau recurrent network yang hanya memiliki 1 atau 2
lapisan tersembunyi. Tetapi, jika lapisan jaringan sarafnya lebih dari 2 layer
ke atas atau bahkan mencapai ratusan lapisan itulah yang disebut sebagai Deep
Learning. Pada Jaringan Syaraf Tiruan arsitektur jaringan yang dimilikinya
kurang kompleks dan membutuhkan lebih banyak informasi tentang data input
sehingga dapat menentukan algortima mana yang dapat digunakan. Dalam Jaringan
Saraf Tiruan terdiri dari beberapa algoritma yaitu Model Hebb, Perceptron,
Adaline, Propagasi Maju, dll. Sedangkan pada algortima jaringan saraf Deep
Learning tidak memerlukan informasi apapun terhadap data yang akan
dipelajarinya, dan algoritmanya dapat secara mandiri melakuan tuning
(penyetelan) dan pemilihan model yang paling optimal.
Komentar
Posting Komentar