Artificial Intelligence atau AI menjadi salah satu istilah teknologi yang paling sering dibicarakan saat ini.

ChatGPT dapat menjawab pertanyaan. Kamera smartphone dapat mengenali wajah. Mobil dapat mendeteksi objek di jalan. Bank dapat menemukan transaksi mencurigakan. Marketplace dapat merekomendasikan produk yang mungkin kita sukai.

Semuanya sering disebut sebagai AI.

Namun sebenarnya, apa itu AI?

Apakah Machine Learning sama dengan AI? Apa bedanya Deep Learning dengan Machine Learning? Di mana posisi Generative AI, Computer Vision, Natural Language Processing, dan AI Agent?

Untuk memahaminya, kita perlu melihat AI bukan sebagai satu teknologi, tetapi sebagai bidang ilmu yang sangat luas dengan banyak cabang di dalamnya.

Apa Itu Artificial Intelligence?

Secara sederhana, Artificial Intelligence adalah bidang ilmu komputer yang mempelajari bagaimana membuat sistem komputer mampu melakukan tugas yang biasanya membutuhkan kemampuan kecerdasan manusia.

Kemampuan tersebut dapat berupa:

• mengenali objek,
• memahami bahasa,
• mengenali suara,
• menemukan pola,
• membuat prediksi,
• memecahkan masalah,
• merencanakan tindakan,
• memberikan rekomendasi,
• menghasilkan konten,
• hingga mengambil tindakan berdasarkan kondisi tertentu.

Karena cakupannya sangat luas, AI tidak selalu berbentuk chatbot.

Sistem yang menentukan apakah sebuah transaksi berpotensi fraud juga dapat menggunakan AI.

Begitu juga sistem yang mengenali wajah, membaca tulisan tangan, memprediksi permintaan barang, atau mendeteksi penyakit dari citra medis.

AI adalah payung besar yang menaungi banyak teknologi.

Secara sederhana kita dapat membayangkannya seperti berikut:

Artificial Intelligence (AI)
│
├── Machine Learning
│   │
│   └── Deep Learning
│
├── Natural Language Processing
│
├── Computer Vision
│
├── Speech & Audio AI
│
├── Robotics
│
├── Expert Systems
│
├── Knowledge Representation & Reasoning
│
├── Planning & Decision Making
│
└── Generative AI
    │
    ├── Large Language Model
    ├── Image Generation
    ├── Audio Generation
    └── Video Generation

Pembagian tersebut bukan batas yang kaku. Banyak sistem AI modern menggabungkan beberapa bidang sekaligus.

AI, Machine Learning, dan Deep Learning

Tiga istilah ini sering digunakan secara bergantian, padahal artinya berbeda.

Hubungannya dapat disederhanakan menjadi:

Artificial Intelligence
└── Machine Learning
    └── Deep Learning

Artinya:

Deep Learning merupakan bagian dari Machine Learning, sedangkan Machine Learning merupakan salah satu pendekatan utama dalam Artificial Intelligence.

Mari kita lihat satu per satu.

1. Artificial Intelligence

Artificial Intelligence adalah konsep yang paling luas.

Tujuannya adalah membuat mesin mampu melakukan tugas yang menunjukkan karakteristik kecerdasan.

AI tidak selalu harus menggunakan Machine Learning.

Pada sistem AI generasi awal, banyak keputusan dibuat menggunakan aturan yang ditentukan manusia.

Misalnya:

IF suhu > 38
AND batuk = YA
THEN rekomendasi = pemeriksaan lebih lanjut

Pendekatan seperti ini sering dikenal sebagai rule-based system.

Komputer tidak belajar sendiri dari data. Manusia menentukan aturan yang harus diikuti.

Pendekatan tersebut masih digunakan hingga sekarang untuk berbagai kebutuhan karena tidak semua sistem membutuhkan model Machine Learning.

2. Machine Learning

Machine Learning (ML) adalah pendekatan yang memungkinkan komputer mempelajari pola dari data.

Daripada programmer menulis seluruh aturan secara manual, kita memberikan contoh data kepada sistem.

Misalnya kita ingin membuat sistem pendeteksi spam.

Kita memiliki ribuan email yang sudah dikategorikan:

Email A → Spam
Email B → Bukan Spam
Email C → Spam
Email D → Bukan Spam
...

Algoritma Machine Learning kemudian mencoba menemukan pola yang membedakan kedua kategori tersebut.

Setelah proses training selesai, model dapat menerima email baru:

Email Baru
    ↓
Machine Learning Model
    ↓
Spam: 97%
Bukan Spam: 3%

Inilah perubahan penting yang dibawa Machine Learning.

Kita tidak harus menuliskan seluruh aturan satu per satu.

Komputer mempelajari pola dari data.

3. Deep Learning

Deep Learning merupakan bagian dari Machine Learning yang menggunakan neural network dengan banyak lapisan.

Konsepnya terinspirasi secara longgar dari bagaimana jaringan neuron bekerja, meskipun artificial neural network bukanlah replika langsung otak manusia.

Secara sederhana:

Input
  ↓
Neural Network
  ↓
Layer 1
  ↓
Layer 2
  ↓
Layer 3
  ↓
...
  ↓
Output

Deep Learning sangat efektif untuk menangani data kompleks seperti:

• gambar,
• suara,
• video,
• teks,
• dan berbagai data tidak terstruktur lainnya.

Kemajuan Deep Learning menjadi salah satu fondasi penting perkembangan AI modern.

Bidang-Bidang Utama Artificial Intelligence

Setelah memahami hubungan AI, Machine Learning, dan Deep Learning, kita dapat melihat beberapa bidang penting dalam AI.

4. Natural Language Processing

Natural Language Processing (NLP) adalah bidang AI yang berhubungan dengan bahasa manusia.

Tujuannya adalah membuat komputer mampu memproses, menganalisis, dan dalam beberapa sistem menghasilkan bahasa.

Contoh penerapannya:

• penerjemahan otomatis,
• analisis sentimen,
• klasifikasi dokumen,
• pencarian informasi,
• chatbot,
• rangkuman dokumen,
• deteksi spam,
• ekstraksi informasi.

Contoh sederhana:

Input:

"Pelayanannya sangat bagus."

        ↓

NLP System

        ↓

Sentiment:
POSITIVE

Atau:

Input:

"Tolong terjemahkan ini ke bahasa Inggris."

        ↓

Language Model

        ↓

English Translation

ChatGPT dan berbagai Large Language Model modern memiliki kemampuan NLP yang sangat luas.

5. Computer Vision

Jika NLP berhubungan dengan bahasa, Computer Vision berhubungan dengan gambar dan video.

Tujuannya adalah membuat komputer mampu memperoleh informasi dari data visual.

Contohnya:

IMAGE
  ↓
Computer Vision
  ↓
Person
Car
Motorcycle
Traffic Light

Computer Vision digunakan pada banyak aplikasi:

• face recognition,
• object detection,
• pemeriksaan kualitas produk,
• analisis CCTV,
• autonomous vehicle,
• medical imaging,
• OCR,
• sistem keamanan,
• pertanian.

Dalam pertanian, misalnya, kamera dapat digunakan untuk mendeteksi kondisi tanaman.

Foto Daun
    ↓
Computer Vision
    ↓
Healthy: 12%
Disease A: 83%
Disease B: 5%

Komputer tidak melihat gambar seperti manusia.

Pada dasarnya gambar diterima komputer sebagai data numerik yang kemudian diproses untuk menemukan pola tertentu.

6. Speech & Audio AI

Bidang lain berhubungan dengan suara dan audio.

Salah satu penerapannya adalah Automatic Speech Recognition (ASR).

Teknologi ini mengubah suara menjadi teks.

Suara Manusia
      ↓
Speech Recognition
      ↓
Text

Contohnya ketika kita mengatakan:

"Bagaimana cuaca hari ini?"

Sistem terlebih dahulu mengubah suara menjadi representasi yang dapat diproses, mengenali kata-katanya, lalu meneruskannya ke sistem lain untuk menghasilkan jawaban.

Sebaliknya terdapat teknologi Text-to-Speech (TTS):

Text
  ↓
Text-to-Speech
  ↓
Suara

Teknologi audio AI juga digunakan untuk:

• transkripsi meeting,
• voice assistant,
• subtitle otomatis,
• identifikasi pembicara,
• pemrosesan audio,
• sintesis suara.

7. Recommendation System

Recommendation System merupakan sistem yang mencoba memperkirakan sesuatu yang kemungkinan relevan atau menarik bagi pengguna.

Kita menemukannya hampir setiap hari.

Contohnya:

Riwayat Pengguna
       +
Perilaku Pengguna Lain
       +
Informasi Konten
       ↓
Recommendation System
       ↓
Konten yang Direkomendasikan

Teknologi ini digunakan untuk:

• rekomendasi film,
• musik,
• video,
• berita,
• produk,
• restoran,
• hingga konten media sosial.

Karena itu dua orang yang membuka aplikasi yang sama belum tentu melihat konten yang sama.

8. Expert System

Sebelum era Machine Learning modern, salah satu bidang AI yang sangat terkenal adalah Expert System.

Tujuannya adalah memasukkan pengetahuan seorang ahli ke dalam sistem komputer.

Biasanya terdapat dua komponen penting:

Knowledge Base
      +
Inference Engine
      ↓
Recommendation / Decision

Knowledge Base berisi pengetahuan atau aturan.

Inference Engine menggunakan aturan tersebut untuk mengambil kesimpulan.

Misalnya:

IF kondisi_A
AND kondisi_B
THEN kesimpulan_C

Expert System pernah banyak dikembangkan untuk bidang seperti diagnosis, industri, keuangan, dan troubleshooting.

Konsep knowledge base dan reasoning ini masih relevan dalam berbagai sistem AI modern, meskipun implementasinya telah berkembang jauh.

9. Knowledge Representation and Reasoning

Bagaimana komputer merepresentasikan sebuah pengetahuan?

Misalnya:

Jakarta adalah kota.
Jakarta berada di Indonesia.
Indonesia berada di Asia.

Manusia dengan mudah memahami hubungan tersebut.

Komputer membutuhkan representasi yang dapat diproses.

Bidang Knowledge Representation and Reasoning mempelajari bagaimana pengetahuan, hubungan, aturan, dan fakta dapat direpresentasikan sehingga komputer dapat melakukan reasoning terhadapnya.

Salah satu bentuk representasinya dapat berupa graph:

Jakarta
   │
located_in
   ↓
Indonesia
   │
located_in
   ↓
Asia

Konsep seperti ini juga berkaitan dengan teknologi Knowledge Graph.

10. Robotics

Robotics dan AI sering berhubungan tetapi keduanya bukan hal yang sama.

Robot merupakan sistem fisik yang dapat berinteraksi dengan lingkungan.

AI dapat memberikan kemampuan tambahan kepada robot untuk:

• mengenali objek,
• memahami lingkungan,
• merencanakan gerakan,
• membuat keputusan,
• belajar dari pengalaman.

Contohnya robot di gudang.

Sensor
  ↓
Perception
  ↓
AI Decision
  ↓
Planning
  ↓
Motor Control
  ↓
Movement

Robot harus menggabungkan dunia digital dengan dunia fisik.

Karena itu robotics dapat melibatkan banyak bidang sekaligus:

• AI,
• computer vision,
• sensor,
• control system,
• mechanical engineering,
• electronics.

11. Planning dan Decision Making

Sebagian sistem AI tidak hanya perlu mengenali sesuatu.

Sistem juga perlu menentukan:

Apa yang harus dilakukan berikutnya?

Inilah bagian dari bidang planning dan decision making.

Bayangkan robot harus mengambil sebuah barang.

Robot mungkin harus membuat rencana:

Posisi Sekarang
      ↓
Cari Lokasi Barang
      ↓
Hitung Jalur
      ↓
Bergerak
      ↓
Hindari Hambatan
      ↓
Ambil Barang
      ↓
Antarkan Barang

Masalah seperti ini jauh lebih kompleks daripada sekadar klasifikasi.

Sistem harus mempertimbangkan kondisi lingkungan, tujuan, serta berbagai kemungkinan tindakan.

12. Reinforcement Learning

Reinforcement Learning (RL) adalah pendekatan Machine Learning di mana sebuah agent belajar melalui interaksi dengan lingkungan.

Konsep sederhananya:

Agent
  ↓
Action
  ↓
Environment
  ↓
Reward / Penalty
  ↓
Agent belajar

Bayangkan sebuah sistem belajar memainkan game.

Sistem mencoba melakukan tindakan.

Jika tindakan tersebut menghasilkan kondisi yang menguntungkan, sistem memperoleh reward.

Jika buruk, reward dapat lebih kecil atau negatif.

Setelah melakukan banyak interaksi, sistem mencoba mempelajari strategi yang menghasilkan reward lebih besar dalam jangka panjang.

Reinforcement Learning digunakan dalam berbagai penelitian dan aplikasi seperti:

• game,
• robotics,
• resource optimization,
• control systems,
• dan decision making.

13. Generative AI

Kemudian kita sampai pada bidang yang membuat AI menjadi sangat populer dalam beberapa tahun terakhir:

Generative AI.

Jika banyak sistem AI sebelumnya berfokus pada:

Classification
Prediction
Detection
Recommendation

Generative AI dapat menghasilkan konten.

Misalnya:

Prompt
  ↓
Generative AI
  ↓
Text
Image
Audio
Video
Code

Generative AI dapat digunakan untuk menghasilkan berbagai bentuk informasi baru berdasarkan pola yang dipelajari selama proses training.

14. Large Language Model

Salah satu teknologi utama dalam Generative AI adalah Large Language Model (LLM).

Contohnya adalah keluarga model yang digunakan dalam berbagai chatbot modern.

LLM dilatih menggunakan data teks dalam jumlah sangat besar untuk mempelajari pola bahasa.

Secara sangat sederhana, salah satu kemampuan dasarnya adalah memperkirakan token berikutnya.

Misalnya:

"Indonesia memiliki ibu kota ..."

Model mencoba menghitung kemungkinan kelanjutan berdasarkan pola yang telah dipelajarinya.

Namun pada skala model modern, kemampuan tersebut menghasilkan perilaku yang jauh lebih kompleks.

LLM dapat digunakan untuk:

• menjawab pertanyaan,
• membuat tulisan,
• menerjemahkan,
• merangkum,
• menulis program,
• menganalisis dokumen,
• melakukan reasoning pada jenis masalah tertentu,
• berinteraksi dengan tools.

Tetapi penting untuk memahami satu hal:

LLM bukan database fakta.

Karena bekerja berdasarkan model probabilistik, LLM dapat menghasilkan informasi yang terlihat meyakinkan tetapi sebenarnya salah.

Fenomena tersebut sering disebut hallucination.

15. Multimodal AI

AI modern semakin tidak terbatas pada satu jenis data.

Sistem Multimodal AI dapat memproses beberapa jenis informasi sekaligus.

Misalnya:

Text ─────┐
Image ────┤
Audio ────┼──→ Multimodal AI
Video ────┤
Document ─┘

Contohnya kita dapat memberikan foto sebuah mesin kemudian bertanya:

"Komponen apa yang terlihat pada gambar ini?"

AI perlu memahami gambar sekaligus memahami pertanyaan dalam bentuk teks.

Kemampuan multimodal membuat interaksi manusia dan komputer semakin mendekati cara manusia berkomunikasi menggunakan berbagai bentuk informasi.

16. AI Agent

Perkembangan berikutnya adalah AI Agent.

Pada chatbot sederhana:

User
 ↓
Question
 ↓
AI
 ↓
Answer

AI terutama menghasilkan jawaban.

Agent menambahkan kemampuan untuk melakukan tindakan.

User
  ↓
Goal
  ↓
AI Agent
  ↓
Planning
  ↓
Tool
  ↓
Action
  ↓
Observation
  ↓
Next Action

Misalnya pengguna mengatakan:

"Carikan jadwal penerbangan yang sesuai dengan jadwal meeting saya."

Sebuah agent secara konseptual dapat menggunakan beberapa tools:

Baca Calendar
      ↓
Cari Jadwal Penerbangan
      ↓
Bandingkan Pilihan
      ↓
Berikan Hasil

Jika diberikan izin lebih jauh, agent bahkan dapat melakukan tindakan tertentu melalui aplikasi lain.

Karena itu AI Agent membawa persoalan baru mengenai:

• authorization,
• security,
• privacy,
• audit,
• reliability,
• dan human approval.

Semakin besar kemampuan AI melakukan tindakan, semakin penting pula mekanisme kontrol terhadap AI tersebut.

Bagaimana Semua Bidang Ini Bisa Digabungkan?

Sistem AI modern jarang hanya menggunakan satu teknologi.

Bayangkan sebuah robot pertanian.

Robot tersebut dapat menggunakan:

Camera
   ↓
Computer Vision
   ↓
Mendeteksi Tanaman
   ↓
Machine Learning
   ↓
Menilai Kondisi
   ↓
Planning
   ↓
Menentukan Tindakan
   ↓
Robotics
   ↓
Melakukan Tindakan

Kemudian petani dapat bertanya:

"Mengapa tanaman di area B membutuhkan perhatian?"

Sistem dapat menggunakan LLM untuk menjelaskan hasil analisis menggunakan bahasa yang mudah dipahami.

Artinya satu aplikasi dapat menggabungkan:

Computer Vision
+
Machine Learning
+
IoT Sensor
+
Planning
+
Robotics
+
Large Language Model

Inilah salah satu alasan mengapa istilah Artificial Intelligence memiliki cakupan yang sangat luas.

AI Bukan Hanya Generative AI

Popularitas ChatGPT membuat AI sering dianggap identik dengan Generative AI.

Padahal hubungan sebenarnya lebih luas:

                    ARTIFICIAL INTELLIGENCE
                              │
          ┌───────────────────┼───────────────────┐
          │                   │                   │
   Machine Learning      Knowledge &         Planning /
          │               Reasoning           Decision
          │
     Deep Learning
          │
    ┌─────┼───────────┐
    │     │           │
   NLP   Vision     Speech
    │
   LLM
    │
Generative AI

Diagram tersebut merupakan penyederhanaan karena dalam praktiknya banyak bidang saling beririsan.

Tetapi ada satu hal penting yang dapat kita lihat:

ChatGPT hanyalah salah satu bentuk aplikasi dari dunia Artificial Intelligence yang jauh lebih besar.

Apakah Semua Masalah Harus Menggunakan AI?

Setelah mengetahui luasnya kemampuan AI, mudah muncul anggapan bahwa semua sistem modern harus menggunakan AI.

Padahal teknologi sebaiknya dipilih berdasarkan masalah yang ingin diselesaikan.

Jika aturan bisnis sudah jelas:

IF pembayaran = lunas
THEN status = PAID

Kita mungkin tidak membutuhkan Machine Learning.

Program biasa jauh lebih sederhana dan hasilnya dapat diprediksi.

Namun jika permasalahannya:

Apakah transaksi ini terlihat mencurigakan?

dan jawabannya bergantung pada ribuan pola historis, Machine Learning mungkin menjadi pilihan yang lebih relevan.

Karena itu pertanyaan pertama ketika membangun sistem seharusnya bukan:

"AI apa yang akan kita gunakan?"

Tetapi:

"Masalah apa yang sebenarnya ingin kita selesaikan?"

Setelah masalah dipahami, barulah kita menentukan apakah solusinya membutuhkan software biasa, Machine Learning, Generative AI, atau kombinasi beberapa teknologi.

Data: Fondasi Penting AI

Hampir seluruh pembahasan AI pada akhirnya kembali kepada satu hal:

data.

Machine Learning membutuhkan data untuk mempelajari pola.

Computer Vision membutuhkan data visual.

Speech Recognition membutuhkan data audio.

Recommendation System membutuhkan data interaksi.

Large Language Model mempelajari pola dari data dalam skala sangat besar.

Secara sederhana:

Data
 ↓
Learning
 ↓
Pattern
 ↓
Model
 ↓
Prediction / Generation / Decision

Karena itu kualitas AI tidak hanya ditentukan oleh seberapa canggih algoritmanya.

Kualitas, relevansi, representasi, dan pengelolaan data juga sangat menentukan hasil sebuah sistem AI.

AI Adalah Ekosistem, Bukan Satu Teknologi

Artificial Intelligence bukan ChatGPT.

AI juga bukan hanya Machine Learning.

AI merupakan sebuah bidang besar yang terdiri dari banyak disiplin yang saling berhubungan.

Artificial Intelligence
│
├── Machine Learning
│   ├── Supervised Learning
│   ├── Unsupervised Learning
│   ├── Reinforcement Learning
│   └── Deep Learning
│
├── Natural Language Processing
├── Computer Vision
├── Speech & Audio AI
├── Recommendation Systems
├── Expert Systems
├── Knowledge Representation
├── Planning & Decision Making
├── Robotics
│
└── Generative AI
    ├── Large Language Models
    ├── Image Generation
    ├── Audio Generation
    ├── Video Generation
    └── Multimodal AI

Dan saat ini berbagai bidang tersebut semakin sering digabungkan.

Computer Vision dapat memberikan mata kepada sistem.

Speech Recognition memberikan kemampuan mendengar.

Large Language Model memberikan kemampuan memproses bahasa.

Knowledge system memberikan akses terhadap informasi.

Planning membantu menentukan langkah berikutnya.

Tools memberikan kemampuan berinteraksi dengan software lain.

Robotics memungkinkan sistem berinteraksi dengan dunia fisik.

Ketika komponen-komponen tersebut digabungkan, AI tidak lagi hanya menjadi sistem yang melakukan satu prediksi.

AI mulai menjadi sistem yang dapat memahami informasi, membuat keputusan, dan melakukan serangkaian tindakan untuk mencapai sebuah tujuan.

Penutup

Untuk memahami perkembangan Artificial Intelligence, kita tidak perlu memulai dari rumus matematika atau algoritma yang kompleks.

Hal pertama yang perlu dipahami adalah petanya.

AI adalah bidang besarnya.

Machine Learning membuat komputer dapat mempelajari pola dari data.

Deep Learning memperluas kemampuan Machine Learning menggunakan neural network berskala besar.

Natural Language Processing berhubungan dengan bahasa.

Computer Vision berhubungan dengan informasi visual.

Speech AI berhubungan dengan suara.

Robotics menghubungkan kecerdasan komputer dengan dunia fisik.

Generative AI memungkinkan komputer menghasilkan konten.

Large Language Model membawa kemampuan bahasa ke skala yang jauh lebih besar.

Dan AI Agent mulai menghubungkan kemampuan AI tersebut dengan berbagai tools dan tindakan.

Dengan memahami peta ini, kita akan lebih mudah mengikuti perkembangan teknologi AI berikutnya.

Karena ketika muncul istilah AI baru, pertanyaan kita tidak lagi hanya:

"Apa teknologi baru ini?"

Tetapi kita dapat mulai bertanya:

"Teknologi ini berada di bagian mana dari dunia Artificial Intelligence, bagaimana cara kerjanya, dan masalah apa yang sebenarnya ingin diselesaikannya?"