Artificial Intelligence (AI) atau Kecerdasan Buatan
Merupakan bidang ilmu komputer yang berfokus pada penciptaan mesin atau sistem yang mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Kemampuan ini mencakup penalaran, pembelajaran dari pengalaman, pemahaman bahasa alami, pengenalan pola, dan pemecahan masalah.
Tujuan utama dari AI adalah bukan untuk menggantikan manusia sepenuhnya, melainkan untuk memperluas dan meningkatkan kemampuan manusia. AI dirancang untuk memproses informasi dalam jumlah besar (Big Data) dengan kecepatan yang jauh melampaui kapasitas manusia, menemukan pola tersembunyi, dan membuat prediksi atau rekomendasi berdasarkan data tersebut.
Sejarah Singkat AI
Meskipun populer baru-baru ini, gagasan tentang mesin cerdas sudah ada sejak lama. Namun, bidang AI modern secara resmi lahir pada Dartmouth Conference tahun 1956. Di sinilah istilah "Artificial Intelligence" pertama kali diperkenalkan. Perkembangannya melalui beberapa fase:
Era Awal (1950-an - 1970-an): Fokus pada pemecahan masalah dan permainan strategis seperti catur. Para peneliti sangat optimis dengan kemampuan komputer.
Musim Dingin AI (AI Winter): Periode di mana pendanaan dan minat terhadap riset AI menurun karena janji-janji awal yang terlalu tinggi tidak kunjung terwujud.
Kebangkitan AI (1980-an - sekarang): Dipicu oleh kemajuan dalam Machine Learning (Pembelajaran Mesin) dan peningkatan drastis kekuatan komputasi serta ketersediaan data dalam jumlah masif.
Bagaimana Cara Kerja AI?
AI bekerja dengan menggabungkan kumpulan data yang besar dengan algoritma pemrosesan yang cerdas dan iteratif. Setiap kali sistem AI memproses data, ia menguji dan mengukur kinerjanya sendiri serta mengembangkan "keahlian" tambahan.
Secara sederhana, prosesnya dapat diuraikan sebagai berikut:
Pengumpulan Data (Data Ingestion): AI membutuhkan data sebagai "bahan bakar". Data ini bisa berupa teks, gambar, angka, suara, atau video dari berbagai sumber.
Pemrosesan dan Pelatihan (Data Processing & Training): Data yang terkumpul digunakan untuk melatih sebuah model AI. Algoritma (seringkali berbasis Machine Learning atau Deep Learning) akan menganalisis data ini untuk menemukan pola, hubungan, dan fitur-fitur penting. Proses ini mirip seperti manusia belajar dari contoh.
Pembelajaran dan Penyesuaian (Learning & Tuning): Selama pelatihan, model akan membuat prediksi dan membandingkannya dengan hasil yang sebenarnya. Jika ada kesalahan, model akan menyesuaikan parameter internalnya untuk meningkatkan akurasi. Proses ini diulang jutaan kali hingga model menjadi sangat akurat.
Inferensi atau Prediksi (Inference/Prediction): Setelah model dilatih, ia siap digunakan untuk membuat prediksi atau keputusan berdasarkan data baru yang belum pernah dilihat sebelumnya.
Jenis-jenis Kecerdasann Buatan
AI dapat diklasifikasikan dalam beberapa cara, namun dua kategori utama yang paling umum adalah berdasarkan kemampuan dan fungsionalitasnya.
Berdasarkan Kemampuan (Kapabilitas):
AI Lemah (Narrow AI atau Weak AI): Ini adalah jenis AI yang paling umum saat ini. AI ini dirancang dan dilatih untuk melakukan satu tugas spesifik. Contohnya termasuk asisten virtual seperti Siri dan Google Assistant, sistem pengenalan wajah, atau AI yang bermain catur. Mereka sangat cerdas dalam lingkup tugasnya, tetapi tidak memiliki kesadaran atau kecerdasan umum.
AI Kuat (General AI atau Strong AI): Ini adalah level AI hipotetis di mana mesin memiliki kecerdasan setara manusia. Ia dapat memahami, belajar, dan menerapkan pengetahuannya untuk menyelesaikan berbagai jenis masalah, sama seperti manusia. Saat ini, General AI masih menjadi subjek penelitian dan fiksi ilmiah.
Superintelligence: Tingkat AI teoretis yang melampaui kecerdasan manusia dalam hampir semua aspek, mulai dari kreativitas, kebijaksanaan umum, hingga kemampuan sosial.
Berdasarkan Fungsionalitas (Sub-bidang):
Machine Learning (ML): Sub-bidang AI yang memberikan sistem kemampuan untuk belajar dan meningkatkan kinerjanya dari pengalaman (data) tanpa diprogram secara eksplisit.
Deep Learning: Bagian dari Machine Learning yang menggunakan jaringan saraf tiruan (Artificial Neural Networks) dengan banyak lapisan (lapisan "dalam" atau "deep") untuk menganalisis pola yang sangat kompleks dalam data. Ini adalah teknologi di balik mobil otonom dan pengenalan suara.
Natural Language Processing (NLP): Kemampuan AI untuk memahami, menafsirkan, dan menghasilkan bahasa manusia. Contohnya adalah Google Translate dan chatbot.
Computer Vision: Kemampuan AI untuk "melihat" dan menafsirkan informasi dari gambar dan video. Ini digunakan dalam fitur face unlock di ponsel dan analisis citra medis.
Generative AI: Jenis AI yang mampu membuat konten baru dan orisinal, seperti teks, gambar, musik, atau kode. Contoh paling populer adalah ChatGPT dan DALL-E.
Contoh Penerapan AI dalam Kehidupan Sehari-hari
AI sudah terintegrasi erat dalam kehidupan kita, seringkali tanpa kita sadari:
Mesin Pencari (Google, Bing): Menggunakan AI untuk memahami maksud pencarian Anda dan menyajikan hasil yang paling relevan.
Rekomendasi Konten (Netflix, Spotify, YouTube): Menganalisis riwayat tontonan atau pendengaran Anda untuk merekomendasikan film atau musik baru yang mungkin Anda sukai.
Asisten Virtual (Siri, Google Assistant, Alexa): Menggunakan NLP untuk memahami perintah suara Anda dan melakukan tugas seperti mengatur alarm atau menjawab pertanyaan.
Media Sosial (Instagram, TikTok, Facebook): Menggunakan AI untuk mempersonalisasi feed Anda, menampilkan konten yang paling menarik bagi Anda, dan bahkan menyarankan filter foto.
Layanan Transportasi Online (Gojek, Grab): Mengoptimalkan rute, memperkirakan waktu tiba, dan menentukan harga berdasarkan permintaan dan kondisi lalu lintas secara real-time.
Perbankan dan Keuangan: Mendeteksi transaksi penipuan (fraud detection) dan memberikan penilaian kredit.
E-commerce (Tokopedia, Shopee): Memberikan rekomendasi produk berdasarkan riwayat penelusuran dan pembelian Anda.
Sumber Referensi yang Valid dan Sering Digunakan
Berikut adalah beberapa sumber kredibel yang menjadi acuan dalam dunia Artificial Intelligence:
Journal of Artificial Intelligence Research (JAIR): Jurnal ilmiah terkemuka untuk penelitian AI.
arXiv.org (Computer Science > Artificial Intelligence): Tempat para peneliti mempublikasikan riset-riset terbaru mereka sebelum ditinjau oleh rekan sejawat.
MIT Technology Review: Majalah yang sering membahas terobosan dan implikasi sosial dari teknologi AI.
Sumber Edukasi dan Informasi Umum:
Coursera & edX: Banyak menawarkan kursus tentang AI dan Machine Learning dari universitas-universitas ternama seperti Stanford dan MIT.
Internet of Things (IoT) adalah sebuah konsep di mana berbagai perangkat fisik (selain komputer dan smartphone) ditanamkan sensor, perangkat lunak, dan teknologi lainnya agar dapat terhubung dan saling bertukar data melalui internet. Tujuan utamanya adalah untuk menciptakan lingkungan yang lebih cerdas, efisien, dan responsif dengan memungkinkan objek-objet di sekitar kita untuk "berkomunikasi" satu sama lain tanpa perlu campur tangan manusia. Sederhananya, IoT mengubah benda-benda "biasa" menjadi perangkat "pintar" yang dapat mengumpulkan informasi dari lingkungannya, mengirimkannya ke cloud (penyimpanan data di internet), menganalisisnya, dan kemudian melakukan tindakan berdasarkan informasi tersebut.
Bagaimana Cara Kerja IoT?
Secara umum, sebuah sistem IoT bekerja melalui empat tahapan utama:
Pengumpulan Data (Sensor/Perangkat): Sensor atau perangkat IoT mengumpulkan data dari lingkungannya. Data ini bisa berupa suhu, gerakan, lokasi, kelembaban, detak jantung, atau apa pun, tergantung pada fungsi perangkat tersebut. Contohnya, sensor suhu di dalam AC akan mengumpulkan data temperatur ruangan.
Konektivitas (Pengiriman Data): Data yang telah dikumpulkan oleh sensor kemudian dikirimkan ke cloud melalui berbagai jenis koneksi jaringan, seperti Wi-Fi, Bluetooth, seluler (4G/5G), atau jaringan khusus IoT seperti LoRaWAN.
Pemrosesan Data (Cloud): Setelah data sampai di cloud, perangkat lunak akan memprosesnya. Proses ini bisa sesederhana memeriksa apakah suhu berada dalam rentang yang wajar, atau bisa juga sangat kompleks, seperti menggunakan kecerdasan buatan (Artificial Intelligence) untuk mengenali pola dari data video.
Antarmuka Pengguna & Aksi (User Interface & Action): Hasil dari pemrosesan data tersebut kemudian disajikan kepada pengguna melalui sebuah antarmuka, misalnya aplikasi di smartphone. Pengguna dapat memantau kondisi dan mengendalikan perangkat dari jarak jauh. Selain itu, sistem juga dapat secara otomatis melakukan tindakan tertentu berdasarkan data yang diolah. Contohnya, jika sensor mendeteksi suhu ruangan terlalu panas, sistem akan secara otomatis menyalakan AC
Komponen Utama dalam Ekosistem IoT
Sebuah sistem IoT yang lengkap umumnya terdiri dari beberapa komponen kunci berikut:
Perangkat Pintar (Smart Devices): Ini adalah "Things" dalam IoT. Perangkat ini dilengkapi dengan sensor untuk mengumpulkan data (input) dan aktuator untuk melakukan tindakan (output). Contohnya adalah smartwatch, lampu pintar, atau sensor kelembaban tanah di lahan pertanian.
Gateway: Berfungsi sebagai jembatan antara perangkat IoT dengan cloud. Gateway mengumpulkan data dari banyak sensor dan mengirimkannya ke internet. Terkadang, perangkat IoT dapat terhubung langsung ke cloud tanpa melalui gateway.
Cloud (Awan Komputasi): Merupakan pusat dari sistem IoT. Di sinilah data disimpan, diolah, dan dianalisis dalam skala besar. Perusahaan besar seperti Amazon Web Services (AWS), Google Cloud, dan Microsoft Azure menyediakan platform cloud khusus untuk aplikasi IoT.
Analitik (Analytics): Ini adalah "otak" dari sistem. Komponen analitik inilah yang mengubah data mentah menjadi informasi yang berguna dan dapat ditindaklanjuti. Seringkali, ini melibatkan teknologi machine learning dan kecerdasan buatan.
Antarmuka Pengguna (User Interface): Bagian ini memungkinkan pengguna untuk berinteraksi dengan sistem IoT. Bentuknya bisa berupa aplikasi seluler, dashboard di situs web, atau bahkan melalui perintah suara.
Situs-situs universitas terkemuka yang memiliki program studi terkait teknologi dan ilmu komputer seringkali menyediakan materi dan publikasi mengenai IoT.
Dampak Positif dan Negatif Internet of Things (IoT) dan Artificial Intelligence (AI)
Internet of Things (IoT) dan Artificial Intelligence (AI) adalah dua pilar revolusi industri 4.0 yang secara fundamental mengubah cara kita hidup, bekerja, dan berinteraksi. IoT menghubungkan miliaran perangkat fisik ke internet, menciptakan jaringan pengumpulan data yang masif. Sementara itu, AI memberikan "otak" untuk menganalisis data tersebut, belajar dari pola, dan membuat keputusan cerdas.
Meskipun keduanya menawarkan potensi luar biasa, penting bagi kita untuk memahami bahwa setiap inovasi teknologi memiliki dua sisi mata uang: dampak positif yang membangun dan dampak negatif yang perlu dimitigasi.
1. Internet of Things (IoT)
Dampak Positif IoT:
Efisiensi dan Produktivitas: Di sektor industri, sensor IoT pada mesin dapat memprediksi kapan perawatan diperlukan (predictive maintenance), mengurangi waktu henti produksi. Di pertanian, sensor kelembaban tanah memungkinkan irigasi presisi, menghemat air dan meningkatkan hasil panen.
Peningkatan Kualitas Hidup dan Kenyamanan: Konsep Smart Home (rumah pintar) memungkinkan kita mengontrol lampu, AC, dan perangkat keamanan dari jarak jauh melalui ponsel. Wearable devices seperti jam tangan pintar dapat memantau detak jantung dan kualitas tidur, memberikan data kesehatan yang berharga.
Keamanan dan Keselamatan: Sistem keamanan rumah yang terhubung IoT dapat mengirimkan notifikasi real-time jika ada aktivitas mencurigakan. Di skala kota (Smart City), sensor dapat memantau kualitas udara, mendeteksi potensi banjir, atau mengelola lalu lintas secara otomatis untuk mengurangi kemacetan.
Pengambilan Keputusan Berbasis Data: Dengan data yang dikumpulkan dari berbagai sensor, pemerintah atau perusahaan dapat membuat kebijakan yang lebih tepat sasaran. Contohnya, mengoptimalkan rute pengangkutan sampah berdasarkan data volume dari tempat sampah pintar.
Dampak Negatif IoT:
Risiko Keamanan Siber dan Privasi: Setiap perangkat yang terhubung ke internet adalah potensi celah keamanan. Peretas dapat mengeksploitasi perangkat yang tidak aman untuk mencuri data pribadi, melakukan pengawasan ilegal, atau bahkan menyabotase sistem fisik (misalnya, mematikan sistem pendingin di pusat data).
Ketergantungan Berlebih pada Teknologi: Ketergantungan pada sistem IoT dapat menjadi masalah serius jika terjadi kegagalan sistem, baik karena listrik padam, koneksi internet terputus, atau serangan siber. Aktivitas yang sebelumnya sederhana bisa menjadi lumpuh.
Kesenjangan Digital: Manfaat IoT mungkin tidak dapat dinikmati secara merata. Wilayah tanpa akses internet yang stabil atau masyarakat yang tidak memiliki literasi digital akan tertinggal, memperlebar kesenjangan sosial dan ekonomi.
Kompleksitas dan Biaya: Mengimplementasikan dan mengelola ekosistem IoT dalam skala besar memerlukan investasi yang signifikan, baik dari segi perangkat keras, perangkat lunak, maupun tenaga ahli.
2. Artificial Intelligence (AI)
Dampak Positif AI:
Automasi Tugas dan Peningkatan Efisiensi: AI mampu mengotomatiskan tugas-tugas repetitif dan memakan waktu, seperti entri data atau layanan pelanggan dasar melalui chatbot. Ini membebaskan waktu manusia untuk fokus pada pekerjaan yang lebih kreatif dan strategis.
Akurasi dan Analisis Mendalam: Dalam dunia medis, AI dapat menganalisis citra medis (seperti rontgen atau MRI) untuk mendeteksi penyakit seperti kanker dengan tingkat akurasi yang terkadang melampaui manusia. Di sektor keuangan, AI sangat andal dalam mendeteksi pola transaksi penipuan.
Personalisasi Pengalaman Pengguna: Mesin rekomendasi di Netflix, Spotify, dan e-commerce adalah contoh nyata AI. Dengan menganalisis perilaku pengguna, AI dapat menyajikan konten atau produk yang paling relevan, meningkatkan kepuasan pelanggan.
Mendorong Inovasi dan Penemuan Ilmiah: AI mempercepat proses penelitian yang kompleks, mulai dari penemuan obat baru, pengembangan material canggih, hingga pemodelan perubahan iklim yang rumit.
Meningkatkan Aksesibilitas: Teknologi AI seperti voice-to-text, penerjemahan bahasa real-time, dan computer vision untuk tunanetra membantu penyandang disabilitas untuk berpartisipasi lebih penuh dalam masyarakat digital.
Dampak Negatif AI:
Penggantian Tenaga Kerja (Job Displacement): Ini adalah salah satu kekhawatiran terbesar. Automasi yang didorong oleh AI berpotensi menggantikan banyak pekerjaan, tidak hanya di pabrik tetapi juga pekerjaan kerah putih seperti analis data, penulis, dan akuntan, yang dapat memicu pengangguran massal.
Bias dan Diskriminasi Algoritmik: AI belajar dari data yang diberikan. Jika data tersebut mengandung bias historis (misalnya bias gender atau ras dalam data rekrutmen), maka AI akan mempelajari dan bahkan memperkuat bias tersebut. Ini dapat menyebabkan keputusan yang tidak adil dalam proses rekrutmen, pengajuan pinjaman, atau bahkan penegakan hukum.
Ancaman Privasi dan Pengawasan Massal: Teknologi pengenalan wajah (facial recognition) dan analisis perilaku oleh AI dapat disalahgunakan untuk pengawasan massal oleh pemerintah atau perusahaan, mengikis privasi individu secara signifikan.
Penyalahgunaan untuk Tujuan Jahat: AI dapat digunakan untuk menciptakan deepfake yang sangat realistis untuk menyebarkan disinformasi (hoaks), melancarkan serangan siber yang canggih, atau bahkan mengembangkan senjata otonom yang mematikan.
Masalah Transparansi ("Black Box"): Beberapa model AI yang sangat kompleks bekerja seperti "kotak hitam". Artinya, bahkan pembuatnya pun sulit menjelaskan secara pasti mengapa AI membuat keputusan tertentu. Hal ini menyulitkan akuntabilitas jika terjadi kesalahan.
Artikel Internet of Things (IoT) & Artificial Intelligence (AI)
Artikel Internet of Things (IoT)
Dampak Positif IoT
IEEE Xplore - A Survey on Smart Homes and Associated IoT Technologies Ini adalah sebuah artikel survei akademis yang memberikan tinjauan komprehensif tentang konsep Smart Home. Artikel ini membahas berbagai teknologi yang digunakan (seperti sensor, aktuator, dan protokol komunikasi), arsitektur sistem, serta berbagai aplikasi yang memungkinkan peningkatan kenyamanan, efisiensi energi, dan keamanan bagi penghuni. Artikel ini juga mengidentifikasi tantangan utama dalam implementasi smart home, termasuk interoperabilitas (kemampuan perangkat berbeda untuk bekerja sama) dan masalah keamanan.
McKinsey Global Institute - Smart cities: Digital solutions for a more livable future Laporan mendalam dari McKinsey ini menunjukkan bagaimana penerapan teknologi digital dan IoT di perkotaan dapat meningkatkan kualitas hidup secara drastis. Laporan ini memberikan contoh konkret di berbagai domain, seperti mobilitas (pengelolaan lalu lintas cerdas), keamanan (pemantauan publik), dan kesehatan (pemantauan kualitas udara). Mereka menyimpulkan bahwa teknologi smart city dapat membuat kota menjadi lebih responsif, efisien, dan berkelanjutan bagi warganya.
Dampak Negatif IoT
OWASP - OWASP Top 10 for IoT Halaman dari OWASP ini adalah stKalianr industri untuk keamanan siber pada perangkat IoT. Laman ini menyajikan daftar sepuluh kerentanan keamanan yang paling umum dan kritis ditemukan pada ekosistem IoT, seperti kata sandi yang lemah, antarmuka jaringan yang tidak aman, dan kurangnya mekanisme pembaruan yang aman. Sumber ini sangat penting bagi para pengembang dan profesional keamanan untuk memahami dan memitigasi risiko peretasan dan penyalahgunaan data pada perangkat yang terhubung ke internet.
Artikel Artificial Intelligence (AI)
Dampak Positif AI
McKinsey Global Institute - Jobs lost, jobs gained: Workforce transitions in a time of automation Riset dari McKinsey ini menganalisis dampak automasi dan AI terhadap pasar tenaga kerja hingga tahun 2030. Laporan ini memproyeksikan bahwa meskipun beberapa jenis pekerjaan akan hilang karena digantikan oleh mesin, banyak juga jenis pekerjaan baru yang akan tercipta. Kunci dari transisi ini adalah kebutuhan akan peningkatan keterampilan (upskilling) tenaga kerja manusia untuk dapat berkolaborasi dengan sistem cerdas, beralih dari tugas-tugas rutin ke pekerjaan yang menuntut kreativitas, pemikiran kritis, dan kecerdasan sosial.
JAMA - Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy Ini adalah publikasi ilmiah hasil riset kolaborasi antara Google dengan para ahli medis. Artikel ini menjelaskan pengembangan sebuah algoritma AI (deep learning) yang dilatih untuk mendeteksi penyakit mata akibat diabetes (diabetic retinopathy) dari gambar retina. Hasil studi menunjukkan bahwa akurasi algoritma ini setara dengan para dokter spesialis mata (oftalmologis), membuktikan potensi besar AI sebagai alat bantu diagnosis yang akurat dan dapat diKalianlkan di bidang medis.
Netflix TechBlog - Netflix Recommendations: Beyond the 5 stars Artikel ini menjelaskan bagaimana sistem rekomendasi Netflix bekerja, yang merupakan salah satu contoh penerapan AI paling sukses dalam personalisasi. Netflix tidak hanya menggunakan rating bintang yang diberikan pengguna, tetapi juga menganalisis berbagai data implisit seperti riwayat tontonan, genre yang disukai, waktu menonton, hingga perangkat yang digunakan. AI kemudian memproses miliaran data ini untuk membuat prediksi dan menyajikan konten yang paling relevan bagi setiap individu, meningkatkan keterlibatan dan kepuasan pengguna.
Dampak Negatif AI
World Economic Forum - The Future of Jobs Report 2023Penjelasan Singkat: Laporan ini memberikan analisis komprehensif tentang tren pasar kerja global untuk lima tahun ke depan. WEF menyurvei ratusan perusahaan untuk memprediksi pekerjaan mana yang akan mengalami pertumbuhan dan penurunan. Laporan ini secara jelas mengidentifikasi automasi dan adopsi AI sebagai pendorong utama "disrupsi" di pasar kerja, di mana banyak peran administratif dan tugas repetitif akan tergantikan, sementara permintaan untuk spesialis AI, analis data, dan ahli transformasi digital akan meningkat pesat.
Electronic Frontier Foundation (EFF) - Face Recognition Halaman ini merupakan pusat sumber daya dari EFF, sebuah organisasi terkemuka yang memperjuangkan hak-hak digital. Mereka menjelaskan bagaimana teknologi pengenalan wajah (salah satu aplikasi AI) bekerja dan mengapa penggunaannya menimbulkan ancaman serius terhadap privasi dan kebebasan sipil. EFF menyoroti risiko pengawasan massal oleh pemerintah, potensi kesalahan identifikasi yang bisa merugikan orang tak bersalah, dan bagaimana teknologi ini dapat digunakan untuk melacak pergerakan individu tanpa persetujuan mereka.
DARPA - Explainable Artificial Intelligence (XAI) Halaman ini menjelaskan program riset yang diprakarsai oleh DARPA (lembaga riset pertahanan AS) untuk mengatasi masalah "kotak hitam" (black box) pada sistem AI. Banyak model AI modern, terutama deep learning, sangat kompleks sehingga sulit untuk memahami mengapa mereka membuat keputusan tertentu. Program XAI bertujuan untuk menciptakan teknik dan model AI baru yang mampu memberikan penjelasan atas keputusan dan tindakan mereka kepada pengguna manusia, sehingga meningkatkan kepercayaan, transparansi, dan akuntabilitas sistem cerdas.
Simulasi
1. Simulasi untuk Internet of Things (IoT)
Tujuan utama simulasi IoT adalah untuk meniru perilaku perangkat (sensor, aktuator), konektivitas jaringan, dan aliran data ke platform cloud, tanpa perlu perangkat fisik.
Untuk Pemula & Konseptual:
Node-RED: Ini adalah alat pemrograman visual berbasis alur (flow-based) yang luar biasa untuk simulasi. Kalian bisa membuat "node" yang bertindak sebagai sensor (misalnya, node yang menghasilkan data suhu acak setiap 5 detik), menghubungkannya ke node logika, dan mengirim data ke dashboard atau layanan lain. Ini sempurna untuk memvisualisasikan cara kerja sistem IoT.
Wokwi: Simulator online yang fantastis untuk mikrokontroler seperti ESP32, Arduino, dan Raspberry Pi Pico. Kalian bisa menulis kode, menambahkan komponen virtual (sensor, LED, layar), dan menjalankan semuanya langsung di browser Kalian. Sangat cocok untuk belajar embedded systems dan IoT tanpa membeli hardware.
TensorFlow Playground: Ini adalah simulasi berbasis web yang interaktif dan brilian untuk memahami cara kerja Jaringan Saraf Tiruan (Neural Network). Kalian bisa mengubah parameter seperti jumlah lapisan, jumlah neuron, dan data input, lalu melihat secara real-time bagaimana jaringan tersebut "belajar" untuk mengklasifikasikan data.
Google's Teachable Machine: Alat berbasis web yang luar biasa sederhana untuk merasakan proses membangun model Machine Learning. Kalian bisa melatih model untuk mengenali gambar, suara, atau pose tubuh langsung dari webcam atau mikrofon Kalian, lalu mengekspor model tersebut. Ini adalah cara terbaik untuk mendemokan konsep AI kepada pemula.
Rekan-rekan mahasiswa, teknologi IoT dan AI bukan hanya tentang kecanggihan teknis, tetapi juga tentang nilai dan dampak yang diciptakannya.
Pada forum ini, Anda diminta untuk memilih satu simulasi penerapan IoT/AI yang Anda ketahui dan membuat laporan analisis yang berfokus pada aspek bisnis dan sosialnya. Klik link dibawah ini :
Silakan berdiskusi dan berikan pandangan Anda terhadap analisis teman-teman yang lain, terutama pada bagian analisis dampak.
Terima kasih atas partisipasi aktif Anda.
Penugasan
Penugasan Implementasi Teknologi AI/IoT
Tugas ini bertujuan untuk menjembatani pemahaman teoretis dengan demonstrasi praktis mengenai konsep Internet of Things (IoT) atau Artificial Intelligence (AI). Setiap mahasiswa/peserta diwajibkan untuk membuat sebuah video simulasi berdurasi minimal 2-3 menit yang menunjukkan cara kerja, proses, dan potensi dampak dari sebuah sistem berbasis AI atau IoT pilihan. Video ini harus rekaman layar dari platform, OBS, Bandicam atau rekaman lainnya
