00:00Halo semuanya, percaya nggak percaya, kita tuh pakai AI tiap hari lho.
00:03Nah, dalam 5 menit ke depan, maksimal, yuk kita bongkar 2 langkah paling krusial
00:08gimana caranya AI bisa ngerti bahasa kita yang kadang acak-acakan ini
00:11dan mengubahnya jadi keputusan cerdas.
00:13Oke, pernah kepikiran nggak sih, gimana caranya komputer bisa tahu
00:17kalau kata hebat, terus hebat pakai tanda seru, sama hebat yang hurufnya gede semua,
00:21itu artinya sama.
00:22Buat komputer, ini kan cuma tulisan yang beda-beda, nggak ada artinya sama sekali.
00:26Nah, ini dia nih tantangan besarnya.
00:27Masalah dasarnya tuh ini.
00:29Komputer mikirnya pakai angka, kita pakai kata-kata.
00:32Jadi kayak ngomong beda bahasa kan?
00:34Nah, kita harus jadi penerjemahnya, supaya algoritma bisa nyambung sama obrolan kita.
00:39Oke, jadi kita masuk ke bagian pertama, menjebol tembok bahasa ini.
00:42Kita bakal lihat gimana caranya kita menerjemahkan bahasa kita yang jujur aja,
00:45kadang suka ribet dan nggak konsisten, jadi sesuatu yang bisa dicerna sama mesin.
00:49Coba dilihat ini, kita nulis saya suka film ini.
00:52Gampang kan buat kita, tapi buat mesin, itu cuma kumpulan huruf acak,
00:55nggak ada artinya sama sekali.
00:56Yang AI butuhin itu, ya ini, deretan angka.
00:59Jadi sebelum AI bisa pinter, langkah pertamanya adalah mengubah kata jadi angka.
01:03Dan itu semua dimulai dengan bersih-bersih teksnya dulu.
01:06Terus gimana solusinya?
01:08Nah, disinilah pahlawan kita muncul.
01:09Text processing atau pra-pemprosesan teks.
01:13Anggap aja ini kayak koki yang nyiapin bahan mentah.
01:15Teks yang berantakan itu kita olah dulu, biar jadi data yang bersih dan siap dimasak sama AI.
01:19Nah, ini bagian yang seru banget.
01:21Proses transformasinya.
01:23Lihat deh, kita mulai dari kalimat yang ribet banget kan?
01:25Langkah pertama, case normalization.
01:27Gampangnya, semua dibikin jadi huruf kecil.
01:29Udah, terus stop word removal.
01:31Kata-kata umum yang nggak penting, kita buang aja.
01:33Dan terakhir, lematization.
01:34Setiap kata diubah ke bentuk dasarnya.
01:36Hasilnya, tuh liat, jauh lebih simpel kan?
01:38Sekarang, mesin baru bisa mulai menganalisis.
01:41Salah satu teknik kuncinya itu namanya tokenization.
01:44Analoginya gampang banget.
01:45Ini tuh kayak kita motong-motong bawang atau wortel sebelum dimasak.
01:48Kalimat yang panjang, kita potong-potong jadi bagian kecil.
01:50Yang disebut token.
01:51Jadi lebih gampang diolah satu persatu.
01:53Terus, ada yang namanya lematization.
01:55Ini penting banget.
01:56Jadi, semua kata itu dikembalikan ke akar katanya.
01:59Ke bentuk kamusnya.
02:00Misalnya ya, kata berlari, berlarian, pelari.
02:03Itu semua kan intinya tentang lari kan?
02:05Nah, proses ini bikin AI ngerti.
02:07Kalau semua kata itu nunjuk ke satu ide yang sama.
02:10Oke, proses bersih-bersih data udah kelar.
02:12Model AI-nya juga udah dilatih.
02:14Terus, sekarang gimana?
02:15Gimana kita bisa tahu AI ini beneran jago atau enggak?
02:18Inilah saatnya ujian.
02:20Dan inilah alat ukurnya, confusion matrix.
02:22Namanya emang matrix kebingungan.
02:24Tapi tenang, ini justru buat ngejelasin semuanya.
02:26Anggap aja ini rapornya si AI.
02:28Biar gampang kita pakai contoh filter spam ya.
02:31Jadi, matrix ini intinya ngebandingin tebakan AI sama kenyataan.
02:34Dan hasilnya ada empat kemungkinan.
02:36Oke, kita bedah satu-satu ya.
02:37True positive, artinya itu emang spam.
02:39Dan AI kita bener nebaknya.
02:41Keren, true negative, itu bukan spam.
02:44Dan AI kita bener enggak ngapa-ngapain.
02:46Keren juga.
02:47Nah, yang jadi masalah itu dua ini.
02:48False positive, ini email penting.
02:50Eh, malah ditandain spam sama AI.
02:52Bahaya kan, email kerjaan bisa nyasar ke folder junk.
02:55Sebaliknya, false negative.
02:57Ini jelas-jelas spam, tapi sama AI malah dilolosin.
03:00Alhasil, inbox kita penuh sampah.
03:02Jadi, intinya apa?
03:03Intinya, cuma ngitung bener apa salah itu enggak cukup.
03:06Enggak bisa sesimpel itu.
03:07Kita harus nanya lebih dalam, salahnya itu salah yang kayak gimana.
03:10Karena harga dari setiap kesalahan itu beda-beda.
03:13Tergantung situasinya.
03:15Nah, disinilah kita ketemu dua konsep super penting.
03:17Precision dan recall.
03:18Gini deh mikirnya.
03:19Precision itu si hati-hati.
03:21Dia nanya, dari semua yang gue tuduh spam,
03:23beneran spam enggak sih?
03:25Tujuannya biar enggak salah tuduh.
03:26Di sisi lain, recall itu si penyapu bersih.
03:28Dia nanya, dari semua spam yang ada,
03:31berapa banyak yang berhasil gue tangkap?
03:32Tujuannya biar enggak ada yang lolos.
03:34Nah, seringnya, kita enggak bisa dapet dua-duanya sekaligus.
03:36Itulah dilemanya.
03:38Dan tabel ini ngejelasin semuanya dengan sempurna.
03:40Contohnya filter spam.
03:42Kita pasti lebih milih precision, kan?
03:44Mendingan ada satu-dua email spam lolos deh,
03:46daripada email penting dari bos masuk ke folder sampah.
03:48Betul?
03:49Tapi, coba bayangin buat deteksi kanker.
03:52Di situ, recall jadi raja.
03:53Mendingan kita dapet alarm palsu terus periksa lagi,
03:56daripada ada satu kasus kanker yang kelewatkan.
03:57Dan, fatal akibatnya.
03:59Jadi, AI terbaik itu enggak ada.
04:01Yang ada adalah AI yang paling tepat untuk masalahnya.
04:04Sebagai penutup,
04:05saya mau kasih satu pertanyaan buat direnungkan.
04:07Kalau ada AI yang bikin keputusan tentang hidup Anda,
04:09Anda lebih pilih yang mana?
04:10AI yang jarang banget bikin kesalahan?
04:12Atau AI yang dijamin enggak akan pernah melewatkan
04:14satupun masalah kritis?
04:16Ini bukan cuma teori lho.
04:17Ini inti dari dilema precision versus recall
04:19yang setiap hari membentuk teknologi di sekitar kita.
04:21Makasih banyak udah nonton kupasan singkat ini.
Komentar