# Jawaban Wawancara — Magister Kecerdasan Artifisial (MKA) UGM

> Jawaban untuk `wawancara.md`.
> **Cara pakai:** Bagian **A–D, F–H** bersifat **pribadi** — yang diberikan adalah **kerangka jawaban + contoh**. Isi titik-titik dengan data Anda sendiri; **jangan** menghafal contoh apa adanya, karena pewawancara akan langsung tahu.
> Bagian **E** bersifat **substansi** — jawabannya nyata dan bisa langsung dipelajari.

---

## Panduan umum menjawab

**Struktur tiga lapis** untuk hampir semua pertanyaan:

```text
1. INTI      → jawab langsung dalam 1 kalimat
2. ALASAN    → mengapa demikian
3. CONTOH    → bukti konkret dari pengalaman Anda
```

**Aturan durasi:** pertanyaan pribadi 1–2 menit; pertanyaan substansi 1–3 menit. Berhenti sebelum pewawancara kehabisan kesabaran.

**Frasa penyelamat** bila tidak tahu — jangan mengarang:

> "Saya belum mendalami bagian itu secara mendalam. Yang saya pahami sebatas … Untuk mempelajarinya, langkah pertama yang akan saya ambil adalah …"

Ini **lebih baik** daripada jawaban ngawur, karena menunjukkan kejujuran intelektual — bagian dari PLO5.

---

## Bagian A — Pembuka dan Perkenalan

### A1. Perkenalkan diri Anda secara singkat

**Kerangka:**
```text
Nama lengkap + asal
Lulusan (prodi, universitas, tahun, IPK)
Pekerjaan/aktivitas sekarang
Minat riset dalam 1 kalimat
Penutup: alasan singkat melamar MKA UGM
```

**Contoh:**
> "Selamat pagi, Bapak/Ibu. Nama saya … , lulusan S1 Ilmu Komputer Universitas … pada tahun … dengan IPK … . Saat ini saya bekerja sebagai … di … . Minat saya ada di bidang computer vision, khususnya pengenalan objek pada citra pertanian. Karena itu saya melamar MKA UGM, karena program ini punya Laboratorium Sistem Cerdas dengan penelitian yang langsung menyentuh pertanian, misalnya identifikasi pohon hutan rakyat di Purworejo."

**Kunci:** 60–90 detik. Sertakan **satu** kalimat minat riset — ini yang akan ditindaklanjuti pewawancara.

---

### A2. Ceritakan latar belakang pendidikan Anda

**Kerangka:** jenjang → prodi → mata kuliah relevan → tugas akhir → kaitannya dengan KA.

**Contoh:**
> "Saya S1 Ilmu Komputer di … . Mata kuliah yang paling membekas adalah Kecerdasan Artifisial, Pembelajaran Mesin, dan Aljabar Linear — tiga bidang yang menurut saya jadi fondasi KA. Tugas akhir saya tentang klasifikasi citra … menggunakan CNN dengan akurasi … . Dari situ saya sadar saya masih perlu memperdalam sisi metodologi riset, bukan hanya pemrograman."

**Penting:** bila latar belakang S1 Anda **bukan** ilmu komputer, jelaskan jembatannya secara positif (lihat C8).

---

### A3. Apa pekerjaan/kesibukan Anda saat ini?

Jawab apa adanya. Bila bekerja, langsung tambahkan kalimat yang menunjukkan Anda sudah memikirkan komitmen waktu:

> "Saat ini saya bekerja sebagai data analyst di … . Saya sudah membicarakannya dengan atasan dan mengajukan izin belajar, jadi saya siap mengikuti kuliah pada hari kerja. Saya juga sudah menyesuaikan jadwal kerja agar … ."

---

### A4. Mengapa Anda memilih bidang Kecerdasan Artifisial?

**Kerangka:** pemicu (pengalaman konkret) → masalah yang ingin dipecahkan → mengapa KA jawabannya.

**Contoh:**
> "Saya tertarik pada KA karena saya melihat langsung masalahnya. Di tempat saya bekerja, pencatatan hasil panen masih manual sehingga datanya tidak bisa dipakai untuk prediksi. Saya mencoba membuat model sederhana dan sadar bahwa masalah sebenarnya bukan sekadar membuat model, tapi merancang sistem yang bisa dipercaya. KA memberi kerangka untuk itu — mulai dari representasi pengetahuan sampai evaluasi model."

**Hindari:** "karena AI sedang tren" atau "karena saya suka teknologi".

---

### A5. Apa yang Anda ketahui tentang program MKA UGM?

**Jawab dengan fakta — ini pertanyaan uji keseriusan.**

> "MKA UGM adalah program magister di bawah Departemen Ilmu Komputer dan Elektronika, FMIPA, yang berdiri tahun 2022 melalui SK Rektor No. 388/UN1.P/KPT/HUKOR/2022. Lulusannya bergelar M.CS(AI), Master of Computer Science in Artificial Intelligence, dan ditempuh dalam 3–4 semester.
>
> Kurikulum Reguler semula 42 SKS dengan tiga mata kuliah wajib teori: Metodologi Riset Kecerdasan Artifisial, Prinsip Kecerdasan Artifisial, dan Pembelajaran Mesin dan Aplikasinya — ditambah Proposal Tesis, Seminar Tesis, dan Tesis. Setelah Adendum Kurikulum 2026, beban minimumnya turun menjadi 36 SKS dengan memangkas mata kuliah pilihan, sedangkan mata kuliah wajib tetap 18 SKS.
>
> Capaian pembelajarannya lima PLO, setara KKNI Level 8, mencakup sikap, pengetahuan dasar, pengetahuan terapan, keterampilan penyelesaian masalah, dan profesionalisme.
>
> Yang paling menarik bagi saya adalah orientasi risetnya. Ada jalur *by Research* dan *Double Degree*, serta minat AI-Preneur dan Applied AI in Business. Laboratorium Sistem Cerdas juga aktif melakukan riset terapan, misalnya model AI untuk identifikasi pohon hutan rakyat bersama Fakultas Kehutanan UGM, dan ada kolaborasi dengan Hallym University Korea Selatan tentang Large Language Models."

**Jangan** menghafal seluruh daftar mata kuliah. Sebut tiga wajib + satu pilihan yang relevan dengan minat Anda.

---

## Bagian B — Motivasi dan Tujuan

### B1. Mengapa Anda memilih MKA UGM, bukan program lain?

**Kerangka:** keunggulan spesifik UGM (bukan umum) → kaitan dengan rencana Anda → bukti Anda sudah meneliti.

> "Tiga alasan. Pertama, kurikulumnya menyeimbangkan fondasi teori dan terapan — tiga mata kuliah wajibnya justru yang paling saya butuhkan, terutama Metodologi Riset. Kedua, orientasi risetnya terapan dan kontekstual: riset Laboratorium Sistem Cerdas menyentuh pertanian dan kehutanan, yang dekat dengan minat saya. Ketiga, saya melihat ada jalur *by Research* yang cocok bila saya ingin fokus pada penelitian.
>
> Saya juga sudah memeriksa dosennya. Ada beberapa nama yang bidangnya persis dengan minat saya, dan saya sudah membaca beberapa publikasi mereka."

**Nilai plus:** menyebut nama dosen + judul publikasinya.

---

### B2. Apa yang membuat Anda tertarik pada MKA UGM secara spesifik?

Variasi dari B1 — kali ini tekankan **kecocokan**, bukan keunggulan umum.

> "Yang spesifik adalah kombinasi antara fondasi matematis yang kuat dan penelitian yang turun ke lapangan. Program ini menyebut fondasi matematika, komputer, dan kecerdasan komputasional sebagai dasar — itu yang saya cari, karena saya merasa pemahaman matematis saya masih perlu diperkuat. Tetapi pada saat yang sama, hasilnya diarahkan untuk menyelesaikan masalah nyata di bidang sains, kesehatan, sosial ekonomi, pangan, dan ketahanan nasional."

---

### B3. Apa tujuan Anda setelah lulus nanti?

**Kerangka:** jangka pendek (1–2 tahun) → jangka menengah (3–5 tahun) → jangka panjang. Harus realistis.

> "Jangka pendek, saya ingin menyelesaikan tesis dengan hasil yang bisa dipublikasikan di konferensi atau jurnal. Jangka menengah, saya ingin bekerja sebagai peneliti atau AI engineer yang merancang sistem dari masalah sampai produksi — bukan hanya membuat model. Jangka panjang, saya ingin berkontribusi pada penerapan KA di bidang …, khususnya … ."

---

### B4. Apakah Anda berencana melanjutkan ke S3?

Jawab jujur. Kedua jawaban diterima.

**Bila ya:**
> "Ya, saya mempertimbangkannya. Karena itu saya condong memilih jalur *by Research* — saya ingin membiasakan diri dengan ritme penelitian, publikasi, dan penulisan laporan sejak S2. Kalau selama S2 saya menemukan pertanyaan riset yang cukup dalam, saya akan melanjutkan."

**Bila belum:**
> "Belum saya putuskan. Yang jelas saya ingin mendalami riset dulu di S2. Setelah melihat sendiri bagaimana proses penelitian bekerja, baru saya akan menilai apakah saya cocok lanjut ke S3."

**Hindari:** "Belum terpikir" tanpa penjelasan.

---

### B5. Apa harapan Anda mengikuti program ini?

> "Harapan utama saya ada tiga: memahami metodologi riset secara benar — bukan sekadar bisa memakai library; memperdalam fondasi matematis dan teoritis KA; dan punya pengalaman menyelesaikan satu masalah nyata dari awal sampai akhir, termasuk mempublikasikannya."

---

### B6. Apa kontribusi yang bisa Anda berikan ke program ini?

**Kerangka:** keterampilan teknis → pengalaman non-akademik → sikap.

> "Dari sisi teknis, saya cukup terbiasa dengan Python dan ekosistem pembelajaran mesin, jadi saya bisa membantu teman satu angkatan yang latar belakangnya bukan ilmu komputer. Dari sisi pengalaman, saya pernah bekerja di … sehingga saya bisa membantu menjembatani kebutuhan pengguna nyata dengan solusi teknis. Dan saya berkomitmen untuk terlibat aktif di kegiatan laboratorium, termasuk pengabdian masyarakat, karena saya lihat lab di sini banyak melakukan itu."

---

## Bagian C — Latar Belakang Akademik dan Kesiapan

### C1. Bagaimana Anda menilai kesiapan akademik Anda untuk kuliah S2?

**Struktur: kekuatan → kelemahan → rencana menutup kelemahan.** Kejujuran di sini justru menaikkan nilai.

> "Saya menilai diri saya cukup siap dari sisi teknis: saya terbiasa memrogram, membaca dokumentasi, dan sudah pernah menyelesaikan satu proyek pembelajaran mesin dari awal sampai akhir. Tetapi saya sadar kelemahan saya ada di metodologi riset dan penulisan ilmiah — saya belum pernah menulis paper. Karena itu saya sudah mulai berlatih membaca paper secara terstruktur dan merencanakan mengikuti mata kuliah Metodologi Riset Kecerdasan Artifisial dengan serius."

---

### C2. Mata kuliah apa yang paling Anda kuasai di S1, dan mengapa?

Sebut **satu atau dua**, lalu berikan bukti.

> "Pembelajaran Mesin dan Aljabar Linear. Aljabar Linear karena hampir semua operasi pembelajaran mesin pada akhirnya adalah operasi matriks — dari regresi sampai backpropagation. Pembelajaran Mesin karena saya mengerjakan proyek … di mata kuliah itu, dan dari situ saya benar-benar memahami konsep *overfitting* secara praktis, bukan hanya dari teori."

---

### C3. Bagaimana nilai matematika dan statistika Anda?

**Jujur soal angka, lalu jelaskan.**

> "Nilai Kalkulus saya … dan Statistika … . Menurut saya nilainya cukup, tetapi yang lebih penting adalah saya menyadari matematika bukan sekadar syarat lulus di bidang ini. Saat belajar *gradient descent*, saya baru benar-benar paham turunan parsial. Saat mengevaluasi model, saya baru paham mengapa *precision* dan *recall* berbeda. Jadi saya tidak belajar matematika karena diwajibkan, tetapi karena saya membutuhkannya."

**Bila nilainya kurang:**
> "Nilai Matematika Diskrit saya hanya C. Penyebabnya waktu itu saya belum melihat kaitannya dengan bidang yang saya minati. Setelah mulai serius di pembelajaran mesin, saya justru kembali mempelajari materi itu sendiri — terutama kombinatorika dan teori graf — karena saya butuh untuk … ."

---

### C4. Bagaimana kemampuan pemrograman Anda?

> "Saya paling nyaman dengan Python, terutama NumPy, pandas, dan PyTorch/TensorFlow. Saya juga pernah memakai … untuk … . Saya cukup paham Git untuk kolaborasi. Yang belum saya kuasai adalah … , dan itu salah satu hal yang ingin saya pelajari."

---

### C5. Bagaimana kemampuan Bahasa Inggris Anda?

Sebut **skor konkret** bila ada.

> "Skor TOEFL ITP saya … , dan saya cukup nyaman membaca paper berbahasa Inggris. Menulis masih perlu saya latih — itu salah satu target saya di S2, karena saya ingin bisa mempublikasikan karya."

---

### C6. Apakah Anda sudah membaca publikasi ilmiah berbahasa Inggris? Sebutkan salah satu.

**WAJIB siap.** Pilih satu paper, pahami benar-benar.

**Contoh:**
> "Salah satu yang saya baca adalah *Deep Residual Learning for Image Recognition* oleh He dkk. (2015). Paper ini memperkenalkan ResNet. Masalah yang diangkat bukan sekadar akurasi, tetapi bahwa jaringan yang sangat dalam justru sulit dilatih — ada fenomena *degradasi* di mana *training error* naik, bukan karena *overfitting*.
>
> Solusinya elegan: alih-alih mempelajari pemetaan H(x), blok residual mempelajari F(x) = H(x) − x, sehingga outputnya y = F(x) + x. Jalur identitas ini tidak punya parameter, tetapi membuat gradien selalu punya jalur dengan turunan yang mengandung suku '+1'. Itu sebabnya gradien tidak lagi menyusut sampai nol.
>
> Yang menarik bagi saya, ide ini ternyata muncul lagi di tempat lain — gerbang *update* pada GRU juga bekerja dengan prinsip serupa, yaitu penjumlahan alih-alih perkalian berantai."

**Nilai plus besar:** mengaitkan satu paper dengan konsep lain. Ini menunjukkan pemahaman, bukan hafalan.

---

### C7. Ada mata kuliah yang nilainya kurang memuaskan? Jelaskan.

**Jangan berdalih.** Struktur: apa → mengapa → apa yang Anda lakukan.

> "Ada, yaitu … dengan nilai … . Penyebab utamanya … . Saya tidak mau menyalahkan faktor luar sepenuhnya; yang jelas saya kurang disiplin di mata kuliah itu. Yang saya lakukan setelahnya adalah … . Saya menyadari pola itu dan sejak semester … saya mengubah cara belajar saya menjadi … ."

---

### C8. Bagaimana Anda mengatasi kesenjangan antara latar belakang S1 dan bidang KA?

**Sangat penting bila S1 Anda bukan ilmu komputer / informatika.** Jawab dengan **bukti tindakan**, bukan janji.

> "Saya lulusan … , jadi saya sadar ada kesenjangan. Yang sudah saya lakukan: pertama, saya mengambil kursus daring … untuk dasar pembelajaran mesin dan menyelesaikannya sampai akhir. Kedua, saya mengerjakan proyek mandiri … dari pengumpulan data sampai evaluasi. Ketiga, saya berlatih soal-soal ujian KA dari arsip UGM untuk mengukur sendiri di mana saya lemah — dan ternyata kelemahan saya di bagian matematis, terutama peluang dan statistika.
>
> Jadi saya tidak datang dengan tangan kosong. Saya tahu persis di mana saya kurang, dan itu justru membuat saya tahu apa yang harus saya kejar di semester pertama."

**Bila S1 Anda sebidang:**
> "Kesenjangannya lebih ke kedalaman. Di S1 saya belajar *memakai* algoritma; di S2 saya ingin belajar *mengapa* algoritma itu bekerja, kapan gagal, dan bagaimana mengevaluasinya secara kritis."

---

## Bagian D — Rencana Penelitian / Tesis ⭐

> **Ini bagian yang paling menentukan.** Pewawancara sudah membaca Proyeksi Keinginan dan proposal Anda. Pertanyaan mereka bertujuan menguji apakah Anda benar-benar memikirkannya atau hanya menyalin.

### D1. Apa rencana topik penelitian tesis Anda?

**Rumus topik yang baik — satu kalimat, tiga unsur:**

```text
[METODE] untuk [MASALAH] pada [DOMAIN/DATA]
```

**Contoh:**
> "Saya berencana meneliti **segmentasi citra untuk deteksi serangan hama pada daun padi**, membandingkan arsitektur **U-Net dengan pendekatan berbasis Transformer**, menggunakan **citra yang saya kumpulkan sendiri dari lahan di …** ."

**Jangan:**
- "Saya ingin meneliti AI untuk kesehatan" (terlalu luas)
- "Saya ingin membuat aplikasi chatbot" (itu proyek, bukan penelitian)
- "Saya belum menentukan, tergantung pembimbing" (kecuali Anda punya alasan kuat)

**Bila topik Anda masih umum**, akui tetapi tunjukkan arah:
> "Topik saya masih pada tahap penajaman. Arah yang saya minati adalah … . Saya sudah mempersempitnya menjadi dua kandidat: … dan … . Saya berharap bisa memutuskan setelah berdiskusi dengan calon pembimbing, karena itu sangat bergantung pada ketersediaan data dan arah lab."

---

### D2. Mengapa Anda memilih topik tersebut? Apa permasalahan yang ingin dipecahkan?

**Kerangka:** masalah nyata → kesenjangan riset (*research gap*) → mengapa penting.

> "Masalahnya konkret. Petani di … kesulitan mengidentifikasi hama lebih awal, sehingga penanganannya terlambat dan gagal panen. Penyuluh pertanian jumlahnya terbatas.
>
> Dari sisi riset, sudah banyak model klasifikasi citra daun yang akurat pada dataset benchmark, tetapi sebagian besar diuji pada data yang bersih dan seragam. Di lapangan, citra diambil dengan ponsel, pencahayaan tidak menentu, dan latar belakangnya berantakan. Kesenjangannya ada di situ: bagaimana performa model bertahan ketika kondisi pengambilan gambar jauh dari ideal. Itu yang ingin saya jawab."

**Kekuatan jawaban ini:** menunjukkan Anda tahu literatur **dan** kondisi lapangan.

---

### D3. Apa kebaruan (*novelty*) dari rencana penelitian Anda?

**Tiga jenis novelty — pilih salah satu, jangan mengaku semuanya:**

| Jenis | Contoh rumusan |
|---|---|
| **Novelty data** | Dataset baru yang belum tersedia publik |
| **Novelty metode** | Kombinasi/modifikasi metode untuk masalah baru |
| **Novelty aplikasi** | Metode yang sudah ada, pertama kali diterapkan pada domain tertentu |

**Contoh:**
> "Saya tidak mengklaim menemukan algoritma baru — itu terlalu ambisius untuk S2. Kebaruan yang saya tawarkan ada di sisi **data dan evaluasi**: saya akan menyusun dataset citra hama dari kondisi lapangan yang sesungguhnya, dengan variasi pencahayaan dan latar, lalu mengevaluasi ketahanan (*robustness*) beberapa model terhadap kondisi tersebut. Sejauh pembacaan saya, evaluasi semacam itu masih jarang dilakukan pada konteks pertanian tropis."

**Kejujuran tentang skala novelty justru menaikkan kredibilitas.** Mengklaim "metode baru" tanpa dasar akan langsung dibongkar.

---

### D4. Metode AI apa yang akan Anda gunakan? Mengapa metode itu?

**Kerangka:** metode utama → pembanding (*baseline*) → alasan pemilihan.

> "Metode utama saya adalah … , karena … .
>
> Sebagai pembanding, saya akan memakai … sebagai *baseline*, karena itu metode yang paling umum dipakai di literatur sehingga hasilnya bisa dibandingkan secara adil.
>
> Alasan saya memilih … adalah … . Saya juga mempertimbangkan … , tetapi saya mencoretnya karena … ."

**Contoh konkret:**
> "Saya akan memakai arsitektur berbasis CNN dengan *transfer learning* dari model yang sudah dilatih pada ImageNet, karena dataset saya terbatas — mungkin hanya beberapa ribu citra. Melatih dari nol dengan data sebesar itu hampir pasti *overfitting*.
>
> Sebagai pembanding, saya akan melatih CNN sederhana dari nol dan juga mencoba ekstraksi fitur klasik seperti HOG dengan pengklasifikasi SVM, untuk melihat seberapa jauh lompatan performanya.
>
> Saya mempertimbangkan Transformer vision, tetapi untuk data sekecil ini kemungkinan besar akan kalah dari CNN yang di-*pretrain*, jadi saya simpan sebagai eksperimen tambahan."

---

### D5. Data apa yang akan Anda pakai? Bagaimana Anda mendapatkannya?

**Pewawancara menguji realisme.** Data adalah tempat rencana penelitian paling sering gugur.

> "Data utamanya citra … . Rencana pengumpulannya: saya akan bekerja sama dengan … di … , memotret dengan protokol yang saya tetapkan sendiri — jarak tetap, sudut tetap, tetapi waktu dan pencahayaan dibiarkan bervariasi agar realistis.
>
> Target saya … citra, dibagi … untuk latih, … untuk validasi, dan … untuk uji. Saya akan melakukan anotasi sendiri dengan bantuan … .
>
> Sebagai cadangan, bila pengumpulan data terkendala, saya akan memakai dataset publik … dan melakukan *fine-tuning* di atasnya."

**Selalu siapkan rencana cadangan.** Ini pertanyaan lanjutan yang hampir pasti muncul.

---

### D6. Bagaimana Anda mengukur keberhasilan penelitian Anda?

> "Saya akan memakai beberapa tingkat pengukuran.
>
> **Tingkat model:** metrik utama … , dengan *confusion matrix* untuk melihat kelas mana yang paling sering tertukar. Saya juga akan melaporkan … karena akurasi saja menyesatkan bila kelasnya tidak seimbang.
>
> **Tingkat ketahanan:** performa pada data uji yang kondisi pencahayaannya berbeda dari data latih, untuk mengukur seberapa jauh penurunan performanya.
>
> **Tingkat kontribusi:** apakah hasilnya cukup layak untuk dipublikasikan di konferensi atau jurnal, dan apakah ada rekomendasi praktis yang bisa dipakai penyuluh pertanian."

---

### D7. Siapa calon dosen pembimbing yang Anda harapkan? Mengapa?

**Wajib punya nama.** Sebut **2–3**, bukan satu.

> "Ada tiga nama yang saya perhatikan. Pertama, **Bapak/Ibu …** , karena bidangnya … dan beliau terlibat dalam penelitian … yang dekat dengan minat saya. Kedua, **Bapak/Ibu …** , karena keahliannya di … . Ketiga, **Bapak/Ibu …** .
>
> Tentu saya sadar penentuan pembimbing adalah kewenangan program studi, dan saya terbuka bila diarahkan ke dosen lain yang bidangnya sesuai."

**Kalimat terakhir itu penting** — menunjukkan Anda memahami prosedur dan tidak menuntut.

---

### D8. Sudahkah Anda membaca penelitian dosen tersebut? Sebutkan.

**Siapkan minimal satu paper per dosen yang Anda sebut.** Ringkas dalam 3 kalimat: masalah, metode, temuan.

> "Ya. Saya membaca publikasi … oleh … . Penelitiannya membahas … . Pendekatannya … . Temuannya … .
>
> Yang membuat saya tertarik adalah … , dan menurut saya itu bisa dikembangkan untuk … ."

**Bila belum membaca karya spesifiknya**, katakan jujur tetapi tunjukkan usaha:
> "Saya belum membaca publikasi spesifik beliau secara utuh, tetapi saya sudah membaca ringkasan profil risetnya di situs laboratorium dan satu artikel berita tentang kegiatan risetnya, yaitu … . Saya akui itu belum cukup, dan membaca karya beliau adalah hal pertama yang akan saya lakukan bila diberi kesempatan."

---

### D9. Lab riset mana yang sesuai dengan minat Anda?

> "**Laboratorium Sistem Cerdas**, karena fokusnya mencakup pengenalan pola, *computer vision*, sistem cerdas, dan bioinformatika — bidang-bidang yang persis dengan minat saya. Saya juga tertarik bahwa lab ini banyak melakukan pengabdian masyarakat, misalnya riset model AI untuk identifikasi pohon hutan rakyat di Purworejo bersama Fakultas Kehutanan.
>
> Saya juga mempertimbangkan **Laboratorium Algoritma dan Komputasi**, terutama karena sisi *data mining* dan *information retrieval*-nya, serta fasilitas *eye tracking* yang baru mereka lengkapi. Tetapi prioritas saya tetap Sistem Cerdas."

---

### D10. Bagaimana rencana Anda bila topik tersebut tidak disetujui?

**Jawaban yang baik menunjukkan fleksibilitas tanpa terlihat tidak punya pendirian.**

> "Saya akan menerimanya dan menyesuaikan. Yang penting bagi saya bukan topik spesifiknya, tetapi jenis masalah yang saya kerjakan — yaitu penerapan KA untuk pertanian dan pangan. Kalau topik … tidak bisa dijalankan, mungkin karena data atau arah lab, saya punya dua alternatif yang masih satu keluarga: … dan … .
>
> Saya justru berharap bisa berdiskusi dengan pembimbing, karena saya yakin masukan mereka akan membuat rencana saya lebih realistis."

---

### D11. Berapa lama Anda menargetkan menyelesaikan tesis?

> "Target saya tiga semester untuk perkuliahan dan penyelesaian proposal, lalu tesis selesai di semester ketiga atau paling lambat semester keempat — sesuai rentang normal 3 sampai 4 semester.
>
> Rencana saya: semester pertama saya fokus membangun fondasi dan mematangkan proposal; semester kedua mengumpulkan data dan membangun *baseline*; semester ketiga eksperimen penuh dan penulisan. Saya sengaja menyisakan satu semester sebagai cadangan, karena saya sadar penelitian jarang berjalan sesuai jadwal."

**Menyebut cadangan menunjukkan kematangan perencanaan.**

---

### D12. Apakah Anda memilih jalur Reguler atau *by Research*? Mengapa?

| Jalur | Beban | Cocok untuk |
|---|---|---|
| **Reguler** | 42 SKS → min 36 SKS; banyak mata kuliah pilihan | Ingin memperluas pengetahuan, banyak bidang |
| ***by Research*** | 42 SKS; porsi riset besar (Seminar Hasil Riset I & II, Laporan Kemajuan, Publikasi 10 SKS, Laporan Tesis) | Sudah punya topik jelas, ingin fokus riset & publikasi |

**Contoh jawaban (memilih Reguler):**
> "Saya condong ke **Reguler**. Alasan utamanya, saya ingin memperluas fondasi dulu. Latar belakang saya … , jadi saya butuh mata kuliah pilihan seperti … dan … sebelum mempersempit ke satu topik. Saya khawatir bila langsung jalur riset, pemahaman saya terlalu sempit."

**Contoh jawaban (memilih by Research):**
> "Saya tertarik ke **jalur *by Research***, karena saya sudah cukup yakin dengan arah topik saya dan ingin fokus pada penelitian serta publikasi. Saya lihat jalurnya mewajibkan Publikasi 10 SKS dan dua tahap Seminar Hasil Riset, dan justru itu yang saya butuhkan untuk membangun kebiasaan menulis ilmiah."

**Yang tidak boleh:** "Saya pilih yang paling mudah" atau "yang paling cepat lulus".

---

## Bagian E — Substansi Kecerdasan Artifisial ⭐

> Jawaban di bagian ini **nyata dan lengkap**. Latih dengan cara: tutup jawabannya, jawab lisan 2 menit, baru bandingkan.

### E-1. Dasar dan Teori (PLO2)

#### E1. Apa yang Anda pahami tentang Kecerdasan Artifisial?

> "Kecerdasan Artifisial adalah bidang yang berusaha membuat mesin menunjukkan perilaku cerdas — mengemulasi dan mensimulasi cara manusia mengakuisisi serta menerapkan pengetahuan dan penalaran.
>
> Yang penting, KA bukan satu teknik tunggal. Ada beberapa pendekatan besar: **berbasis pengetahuan** (sistem pakar, representasi pengetahuan), **berbasis pembelajaran** (pembelajaran mesin), **berbasis pencarian dan penalaran** (penalaran komputer, perencanaan), dan **berbasis sistem terinspirasi alam** (jaringan syaraf, komputasi evolusi, sistem fuzzy).
>
> Program MKA UGM sendiri merumuskannya sebagai penguasaan konsep, metode, model, dan algoritma KA — dengan fondasi matematika, komputer, dan kecerdasan komputasional. Jadi yang ditekankan bukan hanya membuat model, tetapi memahami prinsipnya."

#### E2. Apa perbedaan AI, *Machine Learning*, dan *Deep Learning*?

> "Ketiganya bersarang, seperti lingkaran di dalam lingkaran.
>
> **Kecerdasan Artifisial** adalah payung terluar: segala upaya membuat mesin berperilaku cerdas. Termasuk di dalamnya sistem pakar berbasis aturan, pencarian, dan penalaran — yang bahkan tidak belajar dari data.
>
> **Pembelajaran Mesin** adalah himpunan bagian KA: pendekatan yang **belajar pola dari data** alih-alih diprogram aturannya secara eksplisit. Contohnya regresi, decision tree, SVM, K-Means.
>
> **Deep Learning** adalah himpunan bagian pembelajaran mesin: pendekatan yang memakai jaringan syaraf dengan banyak lapisan, dan yang membedakannya adalah **pembelajaran representasi otomatis**. Pada pembelajaran mesin klasik, manusia merancang fiturnya (HOG, SIFT, TF-IDF). Pada deep learning, fiturnya dipelajari sendiri oleh jaringan dari data mentah.
>
> Jadi relasinya: Deep Learning ⊂ Machine Learning ⊂ AI."

#### E3. Jelaskan perbedaan *supervised*, *unsupervised*, dan *reinforcement learning*, beserta contohnya.

| Aspek | Supervised | Unsupervised | Reinforcement |
|---|---|---|---|
| Data | Berlabel (x, y) | Tanpa label (x) | Tanpa label; ada *reward* |
| Tujuan | Memetakan input → output | Menemukan struktur tersembunyi | Memaksimalkan *reward* kumulatif |
| Umpan balik | Jawaban benar langsung | Tidak ada | *Reward* tertunda |
| Contoh | Klasifikasi spam, prediksi harga | Segmentasi pelanggan, PCA | Robot berjalan, AlphaGo |

> "**Supervised learning** belajar dari data berlabel: kita punya pasangan input dan jawaban benar. Contohnya klasifikasi email spam — modelnya belajar memetakan teks email ke label spam/bukan spam. Kelemahannya, label itu mahal dan sering harus dibuat manual.
>
> **Unsupervised learning** bekerja pada data tanpa label. Tujuannya menemukan struktur. Contohnya segmentasi pelanggan dengan K-Means: kita tidak tahu sebelumnya ada berapa kelompok, modelnya yang menemukan.
>
> **Reinforcement learning** berbeda secara mendasar. Tidak ada jawaban benar; yang ada *reward*. Sebuah *agent* berinteraksi dengan *environment*, mengambil *action*, dan menerima *reward*. Tujuannya memaksimalkan *reward* kumulatif jangka panjang. Contohnya robot yang belajar berjalan — ia tidak diberi tahu 'ini langkah yang benar', tetapi diberi nilai berdasarkan seberapa jauh ia berhasil berjalan.
>
> Perbedaan kuncinya: supervised dan unsupervised belajar dari kumpulan data yang tetap, sedangkan reinforcement belajar dari pengalaman interaksi."

#### E4. Apa itu *overfitting* dan bagaimana cara mengatasinya?

> "**Overfitting** terjadi ketika model terlalu menghafal data latih — termasuk derau dan kebetulan di dalamnya — sehingga performanya bagus di data latih tetapi buruk di data baru. Ini tanda kapasitas model melebihi informasi yang tersedia di data.
>
> Gejalanya khas: *training loss* terus turun, tetapi *validation loss* mulai naik. Titik ketika keduanya mulai berpisah itu adalah tanda overfitting.
>
> Penyebabnya antara lain: data latih terlalu sedikit, model terlalu kompleks, atau latihan terlalu lama.
>
> Cara mengatasinya:
> 1. **Menambah data** — cara paling efektif, tetapi sering tidak mungkin.
> 2. **Augmentasi data** — memperbanyak data secara artifisial, misalnya rotasi dan pembalikan citra.
> 3. **Regularisasi L1/L2** — menambahkan penalti pada bobot besar.
> 4. **Dropout** — mematikan sebagian neuron secara acak saat latihan.
> 5. **Early stopping** — berhenti saat *validation loss* mulai naik.
> 6. **Mengurangi kompleksitas model** — lebih sedikit parameter.
> 7. **Cross-validation** — untuk mendapatkan estimasi performa yang lebih andal.
>
> Sebaliknya, kalau *training loss* dan *validation loss* dua-duanya tinggi, itu **underfitting** — modelnya terlalu sederhana."

#### E5. Apa itu *confusion matrix*? Jelaskan *accuracy*, *precision*, *recall*, dan *F1-score*.

> "*Confusion matrix* adalah tabel yang membandingkan prediksi model dengan label sebenarnya. Untuk klasifikasi biner, isinya empat sel: *True Positive* (TP), *True Negative* (TN), *False Positive* (FP), dan *False Negative* (FN).
>
> Dari situ kita menghitung:
>
> - **Accuracy** = (TP + TN) / (TP + TN + FP + FN). Proporsi prediksi yang benar secara keseluruhan. Kelemahannya, **menyesatkan pada data tidak seimbang**. Kalau 99% data adalah kelas negatif, model yang selalu menebak negatif akan punya akurasi 99% padahal tidak berguna.
>
> - **Precision** = TP / (TP + FP). Dari semua yang **diprediksi positif**, berapa yang benar-benar positif. Precision tinggi berarti model jarang memberi alarm palsu. Ini penting kalau biaya *false positive* mahal — misalnya email penting yang salah masuk spam.
>
> - **Recall** (Sensitivity) = TP / (TP + FN). Dari semua yang **sebenarnya positif**, berapa yang berhasil ditemukan. Recall tinggi berarti model jarang melewatkan kasus positif. Ini penting kalau biaya *false negative* mahal — misalnya skrining kanker, di mana melewatkan pasien sakit jauh lebih berbahaya daripada salah mendiagnosis orang sehat.
>
> - **F1-score** = 2 × (Precision × Recall) / (Precision + Recall). Rata-rata harmonik keduanya. Dipakai bila kita butuh keseimbangan, atau saat data tidak seimbang. Rata-rata harmonik dipilih karena ia menghukum nilai yang timpang — kalau precision 1,0 dan recall 0,0, rata-rata aritmetiknya 0,5, tetapi F1-nya 0.
>
> Contoh penerapan: pada deteksi penyakit, recall biasanya lebih diprioritaskan; pada filter spam, precision lebih diprioritaskan."

#### E6. Mengapa data latih, validasi, dan uji harus dipisah?

> "Karena tujuannya berbeda, dan kalau dicampur hasilnya tidak bisa dipercaya.
>
> **Data latih** dipakai untuk memperbarui bobot model. **Data validasi** dipakai untuk mengambil keputusan — memilih hiperparameter, menentukan kapan berhenti, memilih arsitektur. **Data uji** dipakai sekali saja di akhir, untuk melaporkan performa sebenarnya.
>
> Kalau data uji ikut dipakai untuk memilih hiperparameter, kita secara tidak langsung 'membocorkan' informasi dari data uji ke dalam model. Akibatnya skor di data uji menjadi terlalu optimistis dan tidak mencerminkan performa di data baru. Ini disebut ***data leakage***.
>
> Prinsipnya: data uji harus benar-benar belum pernah dilihat selama proses pengembangan apa pun. Karena itu kalau ada keputusan yang perlu diambil berulang kali, gunakan data validasi — atau *cross-validation* pada data latih."

#### E7. Apa itu *bias-variance tradeoff*?

> "Ini kerangka untuk memahami sumber kesalahan model.
>
> **Bias** adalah kesalahan karena asumsi model terlalu sederhana. Model dengan bias tinggi tidak mampu menangkap pola sebenarnya — ini **underfitting**. Contohnya memakai garis lurus untuk data yang melengkung.
>
> **Variance** adalah kesalahan karena model terlalu peka terhadap data latih. Model dengan variance tinggi akan berubah banyak bila data latihnya diganti sedikit — ini **overfitting**. Contohnya pohon keputusan yang tumbuh sangat dalam.
>
> **Tradeoff-nya:** menambah kompleksitas menurunkan bias tetapi menaikkan variance, dan sebaliknya. Total kesalahan adalah kombinasi keduanya, ditambah *irreducible error* yang berasal dari derau di data dan tidak bisa dihilangkan model apa pun.
>
> Jadi tujuannya bukan meminimalkan salah satu, melainkan menemukan titik seimbang. Cara menemukannya: *cross-validation*. Cara menggeser keseimbangan: menambah data menurunkan variance tanpa menaikkan bias; menambah regularisasi menurunkan variance tetapi menaikkan bias."

---

### E-2. Pembelajaran Mesin dan Aplikasinya (PLO3)

#### E8. Jelaskan cara kerja *decision tree* dan *random forest*.

> "**Decision tree** memecah ruang fitur secara rekursif. Di setiap node, algoritma memilih fitur dan nilai ambang yang paling baik memisahkan kelas. Ukuran pemilihannya bisa *Gini impurity* atau *information gain* (berbasis entropi). Proses berlanjut sampai node cukup murni atau mencapai batas kedalaman.
>
> Kelebihannya: mudah diinterpretasikan — kita bisa membaca aturannya. Kelemahannya: **sangat mudah overfitting** bila dibiarkan tumbuh dalam, dan tidak stabil — perubahan kecil pada data bisa mengubah struktur pohon secara drastis.
>
> **Random forest** mengatasi kelemahan itu dengan **bagging** dan **feature randomness**. Ia membangun banyak pohon pada sampel *bootstrap* yang berbeda, dan pada setiap percabangan hanya mempertimbangkan sebagian acak fitur. Hasil akhirnya adalah voting mayoritas (klasifikasi) atau rata-rata (regresi).
>
> Mengapa berhasil? Karena setiap pohon melakukan kesalahan yang berbeda-beda, dan rata-rata dari banyak model yang beragam memiliki variance lebih rendah daripada satu model tunggal. Ini persis prinsip *bias-variance tradeoff* — biasnya sedikit naik, tetapi variance-nya turun banyak.
>
> Konsekuensinya, interpretabilitasnya berkurang, tetapi bisa dipulihkan sebagian melalui *feature importance*."

#### E9. Apa itu SVM dan apa itu *kernel trick*?

> "**Support Vector Machine** mencari *hyperplane* yang memisahkan kelas dengan **margin maksimal** — yaitu jarak terbesar antara hyperplane dan titik data terdekat dari masing-masing kelas. Titik-titik terdekat itulah yang disebut *support vector*; menariknya, hanya titik-titik ini yang menentukan letak hyperplane, sehingga SVM relatif tahan terhadap outlier yang jauh.
>
> Untuk data yang tidak bisa dipisahkan secara linear, SVM memakai **soft margin** dengan variabel *slack* dan parameter C yang mengatur trade-off antara margin lebar dan jumlah pelanggaran.
>
> ***Kernel trick*** menyelesaikan masalah data yang sama sekali tidak bisa dipisahkan secara linear. Idenya: memetakan data ke dimensi yang lebih tinggi, di mana pemisahan linear mungkin dilakukan.
>
> Yang cerdas adalah caranya. Pemetaan eksplisit ke dimensi tinggi bisa sangat mahal — bahkan tak terhingga. Tetapi formulasi SVM hanya membutuhkan **hasil kali titik** antar data, bukan koordinatnya. Jadi kita bisa mengganti hasil kali titik itu dengan fungsi kernel K(x, y) yang menghitung hasil kali titik **seolah-olah** data sudah dipetakan, tanpa benar-benar memetakannya.
>
> Kernel yang umum: **linear**, **polinomial**, dan **RBF/Gaussian** — yang terakhir memetakan ke dimensi tak hingga dan paling sering dipakai."

#### E10. Bagaimana cara kerja *k-nearest neighbors*? Kapan metode ini buruk?

> "KNN adalah metode *lazy learning* — tidak ada tahap pelatihan. Untuk mengklasifikasi titik baru, ia mencari k titik data latih terdekat menurut ukuran jarak (biasanya Euclidean), lalu mengambil voting mayoritas dari labelnya. Untuk regresi, diambil rata-ratanya.
>
> Parameter k sangat menentukan. k kecil membuat model sangat sensitif terhadap derau dan outlier — variance tinggi. k besar membuat batas keputusan menjadi halus tetapi bisa mengaburkan struktur lokal — bias tinggi.
>
> KNN **buruk** dalam beberapa kondisi:
> 1. **Dimensi tinggi** — inilah kelemahan terbesarnya. Di ruang berdimensi tinggi, jarak antar titik cenderung menjadi hampir sama, sehingga konsep 'tetangga terdekat' kehilangan makna. Ini disebut *curse of dimensionality*.
> 2. **Data besar** — karena tidak ada tahap pelatihan, seluruh data harus disimpan dan dibandingkan saat prediksi. Inferensinya sangat lambat.
> 3. **Fitur tidak seimbang skalanya** — fitur dengan rentang besar akan mendominasi perhitungan jarak. Karena itu normalisasi menjadi wajib.
> 4. **Fitur tidak relevan** — fitur yang tidak informatif ikut menyumbang jarak dan merusak hasil.
> 5. **Data tidak seimbang** — kelas mayoritas akan mendominasi voting bila k terlalu besar."

#### E11. Apa itu *clustering* K-Means? Bagaimana menentukan jumlah klaster?

> "K-Means mempartisi data menjadi k klaster. Algoritmanya iteratif:
> 1. Inisialisasi k titik pusat (*centroid*) — biasanya dengan K-Means++ agar lebih stabil.
> 2. **Assignment**: setiap titik ditugaskan ke centroid terdekat.
> 3. **Update**: setiap centroid dipindahkan ke rata-rata titik yang menjadi anggotanya.
> 4. Ulangi langkah 2–3 sampai konvergen.
>
> Tujuannya meminimalkan *within-cluster sum of squares*.
>
> Kelemahannya: kita harus menentukan k lebih dulu, hasilnya bergantung pada inisialisasi, dan ia mengasumsikan klaster berbentuk bulat serta berukuran serupa.
>
> **Menentukan k:**
> - ***Elbow method*** — plot WCSS terhadap k, cari titik di mana penurunannya mulai melandai. Bentuknya seperti siku.
> - ***Silhouette score*** — mengukur seberapa mirip sebuah titik dengan klasternya dibandingkan klaster lain. Nilai mendekati 1 berarti baik.
> - ***Gap statistic*** — membandingkan WCSS dengan yang diharapkan dari data acak.
> - **Pengetahuan domain** — yang paling penting. Kalau secara bisnis memang ada tiga segmen pelanggan, k = 3 masuk akal meskipun grafiknya ambigu.
>
> Sebaiknya jangan bergantung pada satu metode saja; gabungkan hasilnya dengan pertimbangan domain."

#### E12. Apa itu PCA dan untuk apa?

> "**Principal Component Analysis** adalah teknik reduksi dimensi. Tujuannya memproyeksikan data ke ruang berdimensi lebih rendah sambil mempertahankan variansi sebanyak mungkin.
>
> Cara kerjanya: hitung matriks kovarians data, cari *eigenvector*-nya. Eigenvector dengan eigenvalue terbesar adalah arah dengan variansi terbesar — itulah komponen utama pertama. Komponen berikutnya saling ortogonal dan menangkap variansi terbesar yang tersisa.
>
> Biasanya data perlu distandardisasi dulu, karena PCA berbasis variansi dan fitur dengan skala besar akan mendominasi.
>
> **Kegunaannya:**
> 1. **Mengurangi dimensi** untuk mengatasi *curse of dimensionality*.
> 2. **Kompresi dan visualisasi** — memproyeksikan data berdimensi tinggi ke 2D atau 3D agar bisa dilihat.
> 3. **Menghilangkan multikolinearitas** antar fitur, yang mengganggu regresi linear.
> 4. **Mengurangi derau** dengan membuang komponen dengan variansi kecil.
>
> **Kelemahannya:** komponen utamanya adalah kombinasi linear dari fitur asli, sehingga sulit diinterpretasikan. Dan karena PCA memaksimalkan variansi, bukan pemisahan kelas, ia bisa justru membuang arah yang penting untuk klasifikasi — untuk kasus seperti itu, **LDA** lebih tepat."

#### E13. Bagaimana menangani data tidak seimbang (*imbalanced dataset*)?

> "Pertama, **pahami dulu tingkat dan penyebabnya**. Data tidak seimbang bisa karena fenomena memang jarang (fraud) atau karena keterbatasan pengumpulan data. Penanganannya berbeda.
>
> **Di tingkat metrik** — ini yang paling sering dilupakan dan sebenarnya paling penting:
> - Jangan pakai *accuracy*. Ganti dengan **precision, recall, F1, balanced accuracy**, atau **AUC-PR**.
> - Gunakan *confusion matrix* untuk melihat kesalahannya secara konkret.
>
> **Di tingkat data:**
> - **Oversampling** kelas minoritas — SMOTE membuat sampel sintetis dengan interpolasi antar tetangga terdekat, bukan sekadar menduplikasi.
> - **Undersampling** kelas mayoritas — risiko membuang informasi berguna.
> - Kombinasi keduanya.
>
> **Di tingkat algoritma:**
> - **Class weighting** — memberi bobot lebih besar pada kesalahan di kelas minoritas. Ini sering cukup, dan paling mudah diterapkan.
> - **Threshold tuning** — menggeser ambang keputusan dari 0,5.
> - Algoritma yang tahan terhadap ketidakseimbangan, misalnya *ensemble* berbasis pohon.
>
> **Yang paling penting:** pembagian data harus dilakukan **sebelum** resampling. Kalau kita melakukan oversampling lebih dulu lalu membagi data, sampel sintetis bisa muncul di data latih dan data uji sekaligus — itu *data leakage* dan hasil evaluasinya akan menipu."

#### E14. Apa itu *cross-validation*?

> "*Cross-validation* adalah teknik untuk menilai performa model yang lebih andal daripada satu kali pembagian data.
>
> Yang paling umum adalah **k-fold**: data dibagi menjadi k bagian. Model dilatih k kali; setiap kali, satu bagian menjadi data validasi dan sisanya menjadi data latih. Hasil akhirnya adalah rata-rata skor dari k percobaan.
>
> Manfaatnya: setiap data pernah menjadi data validasi tepat satu kali, sehingga estimasi performanya lebih stabil dan tidak bergantung pada kebetulan satu pembagian tertentu.
>
> Variannya:
> - **Stratified k-fold** — menjaga proporsi kelas di setiap fold. **Wajib** untuk data tidak seimbang.
> - **Leave-one-out (LOOCV)** — k sama dengan jumlah data. Sangat mahal secara komputasi, dipakai untuk data yang sangat kecil.
> - **Time series split** — untuk data deret waktu, **tidak boleh** diacak. Data masa depan tidak boleh dipakai untuk memprediksi masa lalu; harus selalu melatih pada periode lebih awal dan menguji pada periode lebih akhir.
> - **Nested CV** — lapisan luar untuk menilai performa, lapisan dalam untuk memilih hiperparameter. Dipakai bila kita ingin estimasi yang benar-benar tidak bias.
>
> Penting: seluruh praproses yang belajar dari data — seperti standardisasi atau SMOTE — harus dilakukan **di dalam** setiap fold, bukan sebelum pembagian data."

---

### E-3. Pembelajaran Mesin Mendalam

#### E15. Jelaskan cara kerja CNN dan mengapa lebih baik daripada MLP untuk citra.

> "CNN memakai tiga gagasan utama.
>
> **Pertama, konvolusi lokal.** Satu filter kecil — misalnya 3×3 — digeser ke seluruh citra. Setiap neuron hanya melihat wilayah kecil, karena piksel yang berdekatan memang saling berkaitan. Ini sesuai dengan struktur alami citra.
>
> **Kedua, parameter sharing.** Filter yang sama dipakai di semua posisi. Jadi pola yang dipelajari di kiri atas bisa dikenali juga di kanan bawah. Ini memberi sifat **translation invariance**.
>
> **Ketiga, hierarki fitur.** Lapis awal menangkap tepi dan warna, lapis tengah tekstur dan motif, lapis dalam bagian objek, dan lapis akhir objek utuh. Karena itu receptive field-nya bertambah seiring kedalaman.
>
> **Mengapa lebih baik daripada MLP?**
>
> MLP memerlukan input yang diratakan menjadi vektor. Untuk citra 224×224×3, itu 150.528 input. Lapis tersembunyi dengan 1.000 neuron saja sudah berarti 150 juta parameter hanya di lapis pertama. Akibatnya tiga hal:
> 1. **Ledakan parameter** — model menjadi sangat besar dan lambat.
> 2. **Kehilangan struktur spasial** — meratakan citra menghancurkan informasi tentang piksel mana yang bertetangga. MLP tidak tahu bahwa piksel (1,1) dan (1,2) berdekatan.
> 3. **Tidak ada translation invariance** — MLP harus belajar ulang pola yang sama di setiap posisi.
>
> CNN menyelesaikan ketiganya sekaligus. Sebuah filter 3×3 dengan 64 kanal output pada input 3 kanal hanya butuh (3×3×3+1)×64 = 1.792 parameter — dan berlaku di seluruh citra.
>
> Ditambah *pooling* untuk meringkas dan memberi toleransi terhadap pergeseran kecil, CNN menjadi arsitektur standar untuk citra."

#### E16. Apa fungsi *pooling layer*?

> "*Pooling* meringkas peta fitur dengan mengambil nilai representatif dari setiap wilayah. Yang paling umum **max pooling** 2×2 dengan stride 2, yang mengambil nilai terbesar di setiap blok 2×2.
>
> Fungsinya:
> 1. **Mengurangi dimensi spasial** — 24×24 menjadi 12×12, sehingga komputasi lapis berikutnya jauh lebih ringan.
> 2. **Memberi toleransi terhadap pergeseran kecil** — karena yang diambil nilai maksimumnya, fitur yang bergeser sedikit di dalam jendela tetap menghasilkan output yang sama. Ini memberi *local translation invariance*.
> 3. **Memperbesar receptive field efektif** — setelah beberapa lapis pooling, satu neuron di lapis dalam mewakili wilayah citra yang jauh lebih luas.
> 4. **Mengurangi risiko overfitting** — dengan memangkas jumlah aktivasi.
>
> Perlu dicatat, **pooling tidak punya parameter** — tidak ada bobot yang dioptimalkan. Jadi ia murni operasi tetap.
>
> Yang penting juga: max pooling menyimpan nilai maksimum, artinya ia meneruskan sinyal terkuat dan membuang sisanya. Ini bisa jadi kelemahan bila informasi tersebar, sehingga beberapa arsitektur modern menggantinya dengan **strided convolution** yang bisa dipelajari, atau **global average pooling** di ujung jaringan.
>
> Contoh konkret: pada arsitektur di soal UAS Deep Learning 2024, input 1×24×24 menyusut menjadi 8×1×1 setelah dua kali pooling — artinya informasi spasialnya sudah sepenuhnya habis dan Flatten di titik itu setara dengan global average pooling."

#### E17. Bagaimana mengatasi *vanishing gradient* pada jaringan sangat dalam?

> "*Vanishing gradient* terjadi karena backpropagation mengalikan Jacobian setiap lapis secara berantai. Bila tiap faktor bernorma kurang dari 1, hasilnya menyusut eksponensial — gradien di lapis awal menjadi praktis nol, dan lapis awal tidak pernah belajar.
>
> Solusinya bisa dikelompokkan:
>
> **1. Arsitektur.**
> - ***Residual connection*** — ini solusi paling berpengaruh. Blok residual mempelajari F(x) = H(x) − x sehingga outputnya y = F(x) + x. Turunannya menjadi ∂y/∂x = 1 + ∂F/∂x. Suku '+1' itu adalah jalur bebas yang tidak pernah menyusut, berapa pun kedalamannya. Dengan ini ResNet berhasil melatih 152 lapis, bahkan 1.000 lapis pada CIFAR-10.
> - **Gated architecture** seperti LSTM dan GRU, yang bekerja dengan prinsip serupa — penjumlahan alih-alih perkalian berantai.
> - ***Dense connection*** (DenseNet) yang menghubungkan setiap lapis ke semua lapis berikutnya.
>
> **2. Normalisasi.**
> - **Batch normalization** menormalkan aktivasi per *mini-batch*, sehingga distribusinya stabil antar lapis.
> - **Layer normalization** — varian yang tidak bergantung pada batch, dipakai pada Transformer dan RNN.
>
> **3. Aktivasi.**
> - **ReLU** dan variannya (Leaky ReLU, ELU, GELU) menggantikan sigmoid dan tanh. Turunan sigmoid maksimal hanya 0,25 dan menyaturasi di kedua ujung — inilah penyebab utama penyusutan gradien.
>
> **4. Inisialisasi.**
> - **He initialization** untuk ReLU dan **Xavier/Glorot** untuk tanh, dirancang agar variansi aktivasi tetap stabil di seluruh lapis.
> - Inisialisasi identitas atau ortogonal untuk matriks rekuren.
>
> **5. Optimasi.**
> - **Gradient clipping** — khususnya untuk *exploding gradient*, yang merupakan sisi lain dari masalah yang sama.
>
> Perlu dicatat, masalah kedua yang sering tertukar dengan ini adalah **degradasi**: pada jaringan biasa yang sangat dalam, *training error* justru naik, bukan karena overfitting tetapi karena optimasi menjadi sulit. Residual connection menyelesaikan keduanya sekaligus."

#### E18. Jelaskan cara kerja RNN dan kendalanya.

> "RNN memproses data berurutan satu langkah waktu pada satu waktu, sambil memelihara **hidden state** yang berperan sebagai memori.
>
> Rumusnya: h_t = tanh(W_hh · h_{t-1} + W_xh · x_t + b_h), lalu y_t = softmax(W_hy · h_t + b_y).
>
> Dua sifat pentingnya. Pertama, **parameter sharing**: bobot yang sama dipakai di setiap langkah waktu, sehingga jumlah parameter tidak bergantung pada panjang sekuens dan model bisa menerima panjang berapa pun. Kedua, **unrolling sepanjang waktu**: secara konsep jaringan direplikasi T kali dan dirantai, dan pelatihannya memakai Backpropagation Through Time.
>
> **Kendalanya:**
> 1. ***Vanishing gradient*** — gradien dikalikan berantai sehingga menyusut. Akibatnya RNN **tidak mampu belajar ketergantungan jarak jauh**.
> 2. ***Exploding gradient*** — bila sebaliknya, gradien meledak dan pelatihan tidak stabil. Perlu *gradient clipping*.
> 3. **Memori jangka pendek** — hidden state berukuran tetap, tetapi harus memuat seluruh riwayat. Informasi lama tertimpa informasi baru.
> 4. **Tidak dapat diparalelkan** — langkah ke-t harus menunggu langkah ke-(t−1). Ini alasan utama Transformer dikembangkan.
> 5. **Sulit dilatih** — sangat sensitif terhadap learning rate dan inisialisasi.
>
> Solusinya: arsitektur bergerbang seperti LSTM dan GRU, gradient clipping, inisialisasi ortogonal, *truncated BPTT*, dan mekanisme attention yang memberi jalur langsung antar-posisi."

#### E19. Apa perbedaan LSTM dan GRU?

> "Keduanya arsitektur bergerbang yang dirancang mengatasi kelemahan RNN. Perbedaannya:
>
> | Aspek | LSTM | GRU |
> |---|---|---|
> | Jumlah gerbang | 3 — input, forget, output | 2 — reset, update |
> | State | Dua: cell state + hidden state | Satu: hidden state |
> | Parameter | Lebih banyak | **~25% lebih sedikit** |
> | Kecepatan latih | Lebih lambat | Lebih cepat |
> | Ketergantungan sangat panjang | Lebih baik | Cukup baik |
> | Dataset kecil | Cenderung lebih mudah overfit | Cenderung lebih unggul |
>
> **LSTM** memisahkan *cell state* — jalur memori jangka panjang — dari *hidden state* — yang menjadi output. Gerbang **forget** menentukan apa yang dibuang dari cell state, **input** menentukan apa yang ditambahkan, dan **output** menentukan apa yang keluar.
>
> **GRU** menyederhanakannya. Gerbang **reset** menentukan seberapa banyak memori lama dipakai saat menghitung kandidat state baru. Gerbang **update** menentukan berapa banyak state lama dipertahankan versus digantikan.
>
> Yang menarik, kedua arsitektur ini bekerja dengan prinsip yang sama seperti residual connection: h_t dibentuk dari **penjumlahan** komponen lama dan baru, bukan perkalian berantai. Itulah sumber ketahanannya terhadap vanishing gradient.
>
> **Kapan memilih yang mana?** GRU lebih baik ketika anggaran memori, komputasi, atau waktu latih menjadi kendala utama, datanya terbatas, dan panjang ketergantungan moderat — kondisi tipikal aplikasi *edge*. LSTM lebih baik ketika ketergantungannya sangat panjang atau datanya sangat besar. Tetapi dalam praktik, Chung dkk. (2014) — makalah yang memperkenalkan GRU — menemukan keduanya setara pada banyak tugas, dengan GRU lebih efisien."

#### E20. Apa itu *autoencoder* dan untuk apa?

> "*Autoencoder* adalah jaringan yang dilatih untuk **merekonstruksi inputnya sendiri**. Ia terdiri dari dua bagian:
> - **Encoder** yang memampatkan input menjadi representasi berdimensi rendah — disebut *latent representation* atau *bottleneck*.
> - **Decoder** yang berusaha membangun kembali input asli dari representasi itu.
>
> Karena bottleneck-nya lebih kecil daripada input, jaringan dipaksa mempelajari fitur yang paling penting dan membuang yang tidak perlu. Latihannya bersifat *self-supervised* — tidak butuh label, karena targetnya adalah input itu sendiri. Loss-nya biasanya MSE atau *binary cross-entropy*.
>
> **Kegunaannya:**
> 1. **Reduksi dimensi** — alternatif PCA yang mampu menangkap hubungan non-linear.
> 2. **Deteksi anomali** — dilatih hanya pada data normal, autoencoder akan merekonstruksi data normal dengan baik tetapi merekonstruksi anomali dengan buruk. Kesalahan rekonstruksi yang tinggi menjadi sinyal anomali.
> 3. **Denoising** — varian *denoising autoencoder* dilatih dengan input yang sengaja dirusak, sehingga belajar memulihkannya.
> 4. **Pretraining** — representasi yang dipelajari bisa dipakai sebagai inisialisasi untuk tugas lain.
> 5. **Generasi** — *Variational Autoencoder* (VAE) menambahkan sifat probabilistik sehingga bisa menghasilkan data baru, dan ruang latent-nya lebih terstruktur serta bisa di-*sampling*.
> 6. **Kompresi data.**
>
> Bedanya dengan PCA: PCA hanya bisa menangkap struktur linear, sedangkan autoencoder dengan lapis non-linear mampu menangkap struktur yang jauh lebih kompleks."

#### E21. Apa itu *transfer learning*? Kapan dipakai?

> "*Transfer learning* adalah memanfaatkan pengetahuan dari model yang sudah dilatih pada tugas atau dataset besar, lalu menyesuaikannya untuk tugas baru.
>
> Caranya ada dua:
> - ***Feature extraction*** — bobot model lama dibekukan, dan hanya lapis pengklasifikasi di ujung yang dilatih ulang. Dipakai bila dataset baru kecil dan mirip dengan dataset asal.
> - ***Fine-tuning*** — beberapa lapis teratas ikut dilatih ulang, biasanya dengan learning rate kecil. Dipakai bila dataset baru lebih besar atau berbeda cukup jauh.
>
> **Kapan dipakai:**
> 1. **Data terbatas** — ini alasan paling umum. Melatih CNN dari nol dengan beberapa ribu citra hampir pasti overfitting; memanfaatkan model yang sudah dilatih pada ImageNet jauh lebih efektif.
> 2. **Sumber daya komputasi terbatas** — melatih dari nol sangat mahal.
> 3. **Domain mirip** dengan domain asal model.
>
> **Yang perlu diperhatikan:**
> - Semakin mirip domainnya, semakin sedikit lapis yang perlu dilatih ulang. Untuk citra medis atau citra satelit, yang cukup berbeda dari ImageNet, biasanya perlu *fine-tuning* lebih banyak lapis.
> - Learning rate untuk *fine-tuning* harus kecil, agar pengetahuan yang sudah dipelajari tidak rusak. Ini disebut *catastrophic forgetting*.
> - Bila data sangat sedikit, sebaiknya beku lebih banyak lapis untuk mengurangi risiko overfitting.
>
> Contohnya, pada rencana penelitian saya, karena dataset yang bisa saya kumpulkan terbatas, transfer learning dari model yang dilatih ImageNet adalah pilihan yang paling realistis."

#### E22. Apa itu *attention* dan bagaimana Transformer berbeda dari RNN?

> "**Attention** adalah mekanisme yang memungkinkan model 'melihat kembali' ke seluruh bagian input saat memproses satu bagian tertentu, dengan bobot yang menunjukkan bagian mana yang paling relevan.
>
> Cara kerjanya dengan tiga vektor: **Query** (apa yang saya cari), **Key** (apa yang ditawarkan setiap posisi), dan **Value** (isi informasi setiap posisi). Skor dihitung dari kecocokan Query dengan setiap Key, dinormalkan dengan softmax, lalu dipakai sebagai bobot untuk menjumlahkan Value. Rumusnya: Attention(Q,K,V) = softmax(QKᵀ/√d_k)·V.
>
> **Transformer** dibangun sepenuhnya dari attention — tidak ada rekurensi sama sekali. Perbedaan mendasarnya dengan RNN:
>
> | Aspek | RNN | Transformer |
> |---|---|---|
> | Pemrosesan | Sekuensial, langkah demi langkah | **Paralel**, semua posisi sekaligus |
> | Jarak antar-posisi | Linear — harus melewati semua langkah perantara | **Konstan** — satu langkah langsung |
> | Jalur gradien | Panjang, mudah menyusut | Pendek, stabil |
> | Kecepatan latih | Lambat, tidak bisa diparalelkan | Jauh lebih cepat |
> | Biaya memori | Linear terhadap panjang | Kuadratik terhadap panjang |
>
> Dua masalah yang diselesaikan Transformer: ***linear interaction distance*** — pada RNN, menghubungkan kata ke-1 dengan kata ke-100 memerlukan 99 langkah, dan informasinya cenderung hilang; pada Transformer jaraknya konstan satu langkah. Dan ***lack of parallelizability*** — karena tidak ada ketergantungan sekuensial, seluruh sekuens bisa diproses bersamaan di GPU.
>
> Karena tidak punya konsep urutan bawaan seperti RNN, Transformer perlu **positional encoding** untuk memberi informasi posisi. Kelemahannya, biaya komputasinya kuadratik terhadap panjang sekuens, sehingga untuk sekuens sangat panjang perlu varian seperti *sparse attention* atau *linear attention*.
>
> Transformer inilah dasar dari model bahasa besar seperti GPT dan BERT."

#### E23. Apa itu GAN dan apa kegunaannya?

> "**Generative Adversarial Network** terdiri dari dua jaringan yang dilatih bersaing:
> - **Generator** menerima vektor acak dan menghasilkan sampel palsu.
> - **Discriminator** menerima sampel dan menilai apakah itu asli atau buatan.
>
> Latihannya seperti permainan: Generator berusaha menipu Discriminator, dan Discriminator berusaha membedakan. Keduanya saling meningkatkan. Secara teori, pada keseimbangan, Generator menghasilkan sampel yang tidak bisa dibedakan dari data asli.
>
> Tantangan utamanya:
> - ***Mode collapse*** — Generator hanya menghasilkan sedikit variasi sampel yang meyakinkan, bukan seluruh keragaman data.
> - **Pelatihan tidak stabil** — kedua jaringan harus berkembang seimbang. Kalau Discriminator terlalu kuat, Generator tidak mendapat gradien yang berarti.
> - **Sulit dievaluasi** — tidak ada metrik tunggal yang baik; biasanya dipakai FID atau Inception Score.
>
> **Kegunaannya:**
> 1. **Pembuatan citra** — dari yang realistik sampai seni.
> 2. **Augmentasi data** — menambah data latih sintetis, khususnya untuk kelas minoritas atau domain yang datanya mahal seperti citra medis.
> 3. **Image-to-image translation** — misalnya mengubah sketsa menjadi foto, atau foto siang menjadi malam (pix2pix, CycleGAN).
> 4. **Super-resolution** — memperbesar resolusi citra.
> 5. **Inpainting** — mengisi bagian citra yang hilang.
> 6. **Anonimisasi** — menghasilkan wajah sintetis yang tidak merujuk pada orang nyata.
>
> Varian modern seperti StyleGAN menghasilkan citra yang sangat realistis. Namun perlu dicatat, GAN sekarang bukan lagi satu-satunya pendekatan generatif — *diffusion models* seperti Stable Diffusion dan DALL-E mengungguli GAN pada banyak tugas pembuatan citra."

---

### E-4. Bidang lain dalam kurikulum MKA

#### E24. Apa itu logika fuzzy? Bagaimana berbeda dari logika klasik?

> "Logika fuzzy menangani **kekaburan (*vagueness*)**, bukan ketidakpastian. Perbedaannya mendasar.
>
> Pada **logika klasik** (Crisp), keanggotaan bersifat biner: suhu 30°C itu 'panas' atau 'tidak panas', tidak ada di antaranya. Batasnya tegas.
>
> Pada **logika fuzzy**, keanggotaan bersifat **derajat**, bernilai antara 0 dan 1. Suhu 30°C bisa 'panas' dengan derajat 0,7 dan 'hangat' dengan derajat 0,3 sekaligus. Ini sesuai dengan cara manusia berpikir — kita tidak pernah memakai batas tegas untuk konsep seperti 'tinggi', 'cepat', atau 'murah'.
>
> Komponennya:
> 1. **Variabel linguistik** — seperti 'suhu' dengan himpunan {dingin, hangat, panas}.
> 2. **Fungsi keanggotaan** — memetakan nilai crisp ke derajat keanggotaan, biasanya berbentuk segitiga atau trapesium.
> 3. **Fuzzifikasi** — mengubah input crisp menjadi derajat keanggotaan.
> 4. **Basis aturan** — aturan IF-THEN dalam bentuk linguistik, misalnya "IF suhu IS panas AND kelembapan IS tinggi THEN kipas IS cepat".
> 5. **Inferensi** — biasanya metode Mamdani atau Sugeno. Operator AND memakai min, OR memakai max.
> 6. **Defuzzifikasi** — mengubah hasil fuzzy kembali menjadi nilai crisp, biasanya dengan metode *centroid*.
>
> **Penerapannya:** sistem kontrol — pendingin udara, mesin cuci, transmisi otomatis, dan yang paling terkenal adalah kereta bawah tanah Sendai tahun 1987 yang memakai kontrol fuzzy untuk pengereman yang lebih halus. Juga dipakai pada sistem pendukung keputusan.
>
> Keunggulannya, aturannya mudah dipahami manusia dan tidak memerlukan model matematis yang presisi dari sistem. Kelemahannya, penentuan fungsi keanggotaan dan aturan sering kali bergantung pada intuisi ahli, bukan data."

#### E25. Apa perbedaan *certainty factor* dan logika fuzzy?

> "Keduanya menangani penalaran yang tidak pasti, tetapi **jenis ketidaksempurnaannya berbeda** — ini inti perbedaannya.
>
> | Aspek | Certainty Factor | Logika Fuzzy |
> |---|---|---|
> | Yang dimodelkan | **Ketidakpastian** — bukti tidak lengkap/ambigu | **Kekaburan** — konsep yang benar hanya sampai derajat tertentu |
> | Asal | Shortliffe & Buchanan (1975), pada MYCIN | Zadeh (1965), teori himpunan fuzzy |
> | Skala | −1 sampai +1: keyakinan dikurangi ketidakyakinan | 0 sampai 1: derajat keanggotaan |
> | Angka melekat pada | Aturan dan kesimpulan | Nilai input melalui variabel linguistik |
> | Matematika | Kombinasi heuristik | Operasi himpunan fuzzy, defuzzifikasi |
> | Aplikasi | Sistem pakar medis/diagnostik | Sistem kontrol |
>
> **Contoh yang membedakan keduanya dengan jelas:**
>
> Misalkan pertanyaan 'apakah apel ini matang?'
> - **Certainty Factor** bertanya: *seberapa yakin kita bahwa apel ini matang*, mengingat bukti kita tidak lengkap. Apelnya entah matang atau tidak; yang tidak pasti adalah pengetahuan kita.
> - **Logika fuzzy** bertanya: *seberapa matang apel ini*. Kematangan memang soal derajat; pernyataan 'apel ini matang' bisa benar 70% terlepas dari seberapa banyak bukti yang kita punya.
>
> **Contoh perhitungan CF:** bila R1 memberi CF 0,6 dan R2 memberi CF 0,7 untuk kesimpulan yang sama, kombinasinya adalah 0,6 + 0,7 − (0,6 × 0,7) = 0,88.
>
> Jadi: CF menghadapi **ketidaktahuan**, fuzzy menghadapi **kekaburan**."

#### E26. Apa itu *forward chaining* dan *backward chaining* pada sistem pakar?

> "Keduanya adalah strategi inferensi pada sistem berbasis aturan.
>
> **Forward chaining** bersifat *data-driven*. Mulai dari fakta yang diketahui, cocokkan bagian IF setiap aturan dengan isi *working memory*, jalankan aturan yang terpenuhi, tambahkan bagian THEN sebagai fakta baru, lalu ulangi sampai goal tercapai atau tidak ada aturan yang bisa dijalankan lagi. Siklusnya: **MATCH → FIRE → CEK**.
>
> Forward chaining cocok untuk masalah **monitoring dan diagnosis** — ketika kita punya banyak data dan ingin tahu apa kesimpulannya. Contohnya memantau sensor dan menyimpulkan kondisi mesin.
>
> **Backward chaining** bersifat *goal-driven*. Mulai dari goal yang ingin dibuktikan, cari aturan yang konsekuennya adalah goal itu, lalu jadikan antesedennya sebagai subgoal baru. Proses berulang sampai semua subgoal terbukti sebagai fakta, atau gagal. Bila gagal, sistem melakukan *backtracking*.
>
> Backward chaining cocok untuk masalah **diagnosis** — ketika kita punya dugaan dan ingin mengujinya. Contohnya MYCIN: dari dugaan penyakit, sistem menanyakan gejala yang relevan satu per satu.
>
> Contoh sederhana: fakta awal {A, E}, aturan R3: A & E → F, R4: A → G, R5: F & G → D, R9: G → J, R10: J → K, dengan goal K.
> - **Forward chaining:** siklus 1 menjalankan R3 dan R4 → dapat F, G. Siklus 2 menjalankan R5 dan R9 → dapat D, J. Siklus 3 menjalankan R10 → **K terbukti**. Total 3 siklus.
> - **Backward chaining:** K ⇐ R10 (butuh J) ⇐ R9 (butuh G) ⇐ R4 (butuh A). A adalah fakta, jadi **K terbukti** — hanya 3 langkah mundur.
>
> Jadi forward chaining menemukan semua yang bisa disimpulkan; backward chaining hanya menelusuri jalur yang relevan dengan goal."

#### E27. Apa komponen utama sistem pakar?

> "Komponen utamanya:
>
> 1. **Basis Pengetahuan (*Knowledge Base*)** — berisi fakta dan aturan. Ini yang membedakan sistem pakar dari program biasa: pengetahuan dipisahkan dari cara mengolahnya.
>
> 2. **Mesin Inferensi (*Inference Engine*)** — menerapkan aturan pada fakta untuk menarik kesimpulan, memakai forward atau backward chaining. Mesin inferensi bersifat **domain-independent** — mesin yang sama bisa menjalankan basis pengetahuan yang berbeda.
>
> 3. **Antarmuka Pengguna (*User Interface*)** — sarana pengguna berkonsultasi: memasukkan gejala atau data kasus, menjawab pertanyaan sistem, dan menerima kesimpulan.
>
> 4. **Fasilitas Penjelasan (*Explanation Facility*)** — menjawab 'mengapa' dan 'bagaimana'. Mengapa sistem menanyakan hal itu (WHY), dan bagaimana sistem sampai pada kesimpulan itu (HOW). Ini penting untuk membangun kepercayaan pengguna.
>
> 5. **Fasilitas Akuisisi Pengetahuan (*Knowledge Acquisition*)** — sarana bagi pakar dan *knowledge engineer* untuk memasukkan, mengubah, dan menguji pengetahuan.
>
> **Pengguna sistem pakar** juga beragam, masing-masing berinteraksi lewat pintu yang berbeda:
> - **Klien/pengguna akhir** — hanya lewat antarmuka pengguna.
> - **Pakar domain** — lewat subsistem akuisisi pengetahuan.
> - **Knowledge engineer** — menjembatani pakar dan sistem.
> - **Programmer sistem** — membangun atau menyesuaikan *shell*.
> - **Administrator** — menjaga sistem tetap berjalan.
>
> Poin arsitekturnya: karena basis pengetahuan dipisahkan dari mesin inferensi, pengetahuan bisa diperbarui tanpa memrogram ulang, dan mesin yang sama bisa dipakai untuk domain berbeda. Inilah yang membuat sistem pakar disebut *shell*-based."

#### E28. Apa itu pengenalan pola? Bagaimana tahapannya?

> "**Pengenalan pola** adalah disiplin yang menetapkan suatu objek atau peristiwa ke dalam kategori berdasarkan hasil pengukuran.
>
> Sebuah 'pola' adalah vektor fitur x = (x₁, …, xₙ) yang diperoleh dari pengukuran. Tugasnya memetakan x menjadi kelas ω₁, ω₂, …, ωc.
>
> **Tahapannya:**
> 1. **Penginderaan / pengambilan data** — sensor, kamera, mikrofon, atau sumber data apa pun.
> 2. **Praproses** — memperbaiki kualitas: menghilangkan derau, normalisasi pencahayaan, segmentasi.
> 3. **Ekstraksi fitur** — ini tahap paling kritis. Mengubah data mentah menjadi vektor fitur yang informatif. Contohnya untuk citra: tekstur (GLCM, LBP), warna (histogram), bentuk (momen Hu), atau tepi.
> 4. **Seleksi/reduksi fitur** — membuang fitur yang tidak relevan atau redundan, misalnya dengan PCA.
> 5. **Klasifikasi / pelatihan** — melatih pengklasifikasi pada vektor fitur.
> 6. **Evaluasi** — mengukur performa dengan data uji.
>
> Prinsipnya: **setiap masalah yang instansinya bisa diukur menjadi fitur dan punya kategori terdefinisi, dapat ditangani dengan pendekatan pengenalan pola.**
>
> Penerapannya luas: biometrik (wajah, sidik jari, iris), medis (klasifikasi citra rontgen, sinyal ECG), teks (spam, sentimen), ucapan, penginderaan jauh (klasifikasi tutupan lahan), keuangan (credit scoring, deteksi fraud), dan pertanian (deteksi penyakit tanaman).
>
> Hubungannya dengan pembelajaran mesin modern: pengenalan pola klasik merancang fitur secara manual, sedangkan deep learning mengotomatisasi tahap ekstraksi fitur melalui pembelajaran representasi. Tetapi kerangkanya sama — belajar memetakan fitur ke kelas dari data.
>
> Yang penting: mutu fitur menentukan seberapa terpisah antar kelas. Fitur yang buruk tidak bisa diselamatkan oleh pengklasifikasi mana pun — *garbage in, garbage out*."

#### E29. Apa itu NLP? Sebutkan tantangan utamanya.

> "**Natural Language Processing** adalah bidang yang membuat komputer memahami dan menghasilkan bahasa manusia.
>
> Tugas-tugas utamanya: klasifikasi teks (sentimen, spam), terjemahan mesin, ekstraksi informasi, *named entity recognition*, tanya-jawab, peringkasan, dan generasi teks.
>
> Perkembangannya: dari pendekatan berbasis aturan, ke statistik (n-gram, TF-IDF), ke *word embedding* (Word2Vec, GloVe), lalu ke model kontekstual (ELMo, BERT, GPT).
>
> **Tantangan utamanya:**
> 1. **Ambiguitas** — satu kata bisa bermakna banyak. 'Bisa' berarti racun ular atau mampu. Hanya konteks yang membedakan.
> 2. **Ketergantungan konteks jarak jauh** — makna sebuah kata bisa ditentukan oleh kata lain yang jauh letaknya.
> 3. **Bahasa Indonesia khususnya** — tidak ada penanda gender atau tenses, tetapi ada imbuhan yang kompleks, banyak bahasa daerah, banyak kata serapan, dan ragam informal yang sangat berbeda dari ragam baku.
> 4. **Data terbatas untuk bahasa daerah** — sumber daya berlabel untuk bahasa seperti Jawa atau Sunda jauh lebih sedikit dibandingkan bahasa Inggris.
> 5. **Sarkasme dan idiom** — 'bagus sekali, padahal hujan' sulit ditangkap model yang hanya melihat kata per kata.
> 6. **Evaluasi yang sulit** — untuk generasi teks, tidak ada satu jawaban benar. Metrik seperti BLEU dan ROUGE hanya menghitung kemiripan permukaan dan sering tidak sejalan dengan penilaian manusia.
> 7. **Bias** — model bahasa besar menyerap bias dari data latihnya.
>
> Penanganannya sekarang banyak mengandalkan pra-pelatihan pada korpus besar (*self-supervised*), lalu *fine-tuning* untuk tugas spesifik."

#### E30. Bagaimana cara kerja *word embedding* (Word2Vec)?

> "*Word embedding* memetakan kata menjadi vektor berdimensi tetap — biasanya 100 sampai 300 dimensi — sedemikian rupa sehingga kata yang maknanya mirip memiliki vektor yang berdekatan.
>
> **Word2Vec** mempelajarinya dari teks mentah tanpa label, memakai asumsi distribusional: kata yang muncul dalam konteks serupa cenderung bermakna serupa. Ada dua arsitektur:
>
> - **Skip-gram** — diberi satu kata, prediksi kata-kata di sekitarnya. Bekerja baik untuk kata yang jarang muncul.
> - **CBOW (Continuous Bag of Words)** — diberi kata-kata di sekitarnya, prediksi kata tengahnya. Lebih cepat tetapi kurang baik untuk kata jarang.
>
> Latihannya memakai *negative sampling* — alih-alih menghitung softmax atas seluruh kosakata yang sangat besar, kita hanya membedakan kata target dari beberapa kata acak.
>
> **Sifat yang dihasilkan sangat menarik.** Karena makna terwakili sebagai arah dalam ruang vektor, operasi aritmetika pada vektor memiliki makna semantik. Contoh klasiknya: vektor('raja') − vektor('pria') + vektor('wanita') menghasilkan vektor yang paling dekat dengan 'ratu'.
>
> **Keterbatasannya:**
> - Setiap kata hanya punya **satu** vektor, sehingga tidak bisa menangani polisemi. Vektor untuk 'bisa' akan bercampur antara makna 'racun' dan 'mampu'.
> - Kata yang tidak ada di kosakata tidak punya vektor (*out-of-vocabulary*).
> - Karena keterbatasan pertama, pendekatan ini sebagian besar sudah digantikan oleh **embedding kontekstual** seperti BERT dan ELMo, yang menghasilkan vektor berbeda untuk kata yang sama tergantung konteksnya.
>
> Varian lain: **GloVe** yang memakai statistik kemunculan bersama global, dan **fastText** yang memecah kata menjadi sub-kata sehingga bisa menangani kata yang belum pernah dilihat."

#### E31. Apa itu *computer vision*? Apa perbedaan klasifikasi, deteksi, dan segmentasi?

> "*Computer vision* adalah bidang yang membuat komputer memahami isi citra atau video — dari memperoleh, memproses, menganalisis, sampai mengambil keputusan berdasarkan citra.
>
> Tiga tugas utamanya berbeda pada **tingkat kerincian output**:
>
> | Tugas | Pertanyaan yang dijawab | Output |
> |---|---|---|
> | **Klasifikasi** | 'Apa isi gambar ini?' | Satu label untuk seluruh gambar |
> | **Deteksi** | 'Ada apa saja, dan di mana?' | Beberapa *bounding box* + label kelas |
> | **Segmentasi** | 'Piksel mana milik objek apa?' | Label per piksel |
>
> **Klasifikasi** — misalnya menentukan citra ini berisi kucing atau anjing. Output-nya satu kelas, tanpa informasi lokasi.
>
> **Deteksi objek** — menemukan semua objek beserta lokasinya. Output-nya daftar kotak pembatas dengan kelas dan skor keyakinan. Arsitekturnya ada dua keluarga: *two-stage* seperti Faster R-CNN yang lebih akurat, dan *one-stage* seperti YOLO dan SSD yang lebih cepat dan cocok untuk *real-time*.
>
> **Segmentasi** terbagi dua:
> - ***Semantic segmentation*** — setiap piksel diberi label kelas, tetapi objek dari kelas yang sama tidak dipisahkan. Semua mobil menjadi satu wilayah.
> - ***Instance segmentation*** — setiap objek individual dipisahkan. Mobil pertama dan mobil kedua punya label berbeda. Contoh arsitekturnya Mask R-CNN.
>
> Selain itu ada **segmentasi semantik medis** yang sering memakai arsitektur U-Net, dan **estimasi kedalaman**, **estimasi pose**, serta **optical flow** sebagai tugas lain.
>
> Yang penting, tugas-tugas ini bertingkat kesulitannya. Deteksi memerlukan klasifikasi **dan** regresi lokasi. Segmentasi memerlukan pemahaman spasial yang jauh lebih halus. Anotasi segmentasi juga paling mahal karena harus per piksel."

#### E32. Apa itu kecerdasan komputasional? Sebutkan contohnya.

> "**Kecerdasan komputasional** adalah kajian tentang mekanisme adaptif yang menghasilkan perilaku cerdas pada lingkungan yang kompleks dan berubah. Bedanya dengan KA berbasis simbolik: pendekatan ini **terinspirasi dari alam** dan bersifat *soft computing* — toleran terhadap ketidakpastian dan ketidaktepatan.
>
> Paradigma utamanya:
> 1. **Jaringan syaraf tiruan (*Artificial Neural Network*)** — terinspirasi neuron biologis. Belajar dari data melalui penyesuaian bobot.
> 2. **Komputasi evolusioner (*Evolutionary Computation*)** — terinspirasi evolusi. Contohnya *genetic algorithm* yang memakai seleksi, persilangan, dan mutasi untuk mencari solusi optimal.
> 3. **Kecerdasan kelompok (*Swarm Intelligence*)** — terinspirasi perilaku koloni. Contohnya *Ant Colony Optimization* untuk masalah jalur terpendek, dan *Particle Swarm Optimization* untuk optimasi kontinu.
> 4. **Sistem fuzzy** — menangani kekaburan dengan derajat keanggotaan.
> 5. **Penalaran Bayes** — menangani ketidakpastian dengan probabilitas.
> 6. **Komputasi DNA dan komputasi membran** — terinspirasi proses biologis di tingkat molekuler dan seluler.
>
> Yang membedakannya dari pendekatan klasik: tidak menuntut model matematis yang presisi, mampu beradaptasi, dan cocok untuk masalah yang sulit dirumuskan secara analitis.
>
> Contoh penerapan: optimasi rute distribusi dengan *genetic algorithm*, penjadwalan dengan *swarm intelligence*, kontrol sistem dengan fuzzy, dan diagnosis medis dengan penalaran Bayes."

#### E33. Apa itu *reinforcement learning*? Jelaskan *agent*, *state*, *action*, *reward*.

> "*Reinforcement learning* adalah pendekatan di mana sebuah *agent* belajar melalui interaksi dengan *environment*, bukan dari kumpulan data berlabel.
>
> **Konsep dasarnya:**
> - ***Agent*** — pihak yang belajar dan mengambil keputusan.
> - ***State*** (s) — kondisi lingkungan saat ini, yang diamati agent.
> - ***Action*** (a) — tindakan yang bisa diambil agent pada suatu state.
> - ***Reward*** (r) — umpan balik berupa nilai dari lingkungan setelah agent mengambil tindakan.
> - ***Policy*** (π) — strategi agent: pemetaan dari state ke action. Inilah yang dipelajari.
>
> **Alurnya:** agent mengamati state s, memilih action a berdasarkan policy, menerima reward r dan state baru s', lalu memperbarui policy untuk memaksimalkan **reward kumulatif** jangka panjang — bukan reward sesaat.
>
> **Tantangan utamanya:**
> 1. ***Exploration vs exploitation*** — agent harus menyeimbangkan antara mencoba hal baru dan memanfaatkan yang sudah diketahui.
> 2. **Reward tertunda** — akibat suatu tindakan baru terasa jauh di kemudian hari, sehingga sulit menentukan tindakan mana yang bertanggung jawab.
> 3. **Credit assignment** — masalah yang sama, dari sudut pandang berbeda.
> 4. **Environment yang jarang memberi reward** — bila reward sangat jarang, pembelajaran menjadi sangat lambat.
> 5. **Simulasi yang mahal atau berbahaya** — melatih robot di dunia nyata berisiko merusak perangkat.
>
> **Pendekatan:** Q-Learning dan SARSA untuk masalah dengan state terbatas, Deep Q-Network untuk state kontinu, dan *policy gradient* seperti PPO untuk ruang aksi kontinu.
>
> Contohnya: AlphaGo yang mengalahkan juara dunia Go, robot yang belajar berjalan, dan sistem rekomendasi yang mengoptimalkan keterlibatan pengguna jangka panjang."

#### E34. Apa itu bioinformatika cerdas?

> "**Bioinformatika** adalah pemanfaatan ilmu komputer, matematika, dan teori informasi untuk memodelkan dan menganalisis sistem biologi — khususnya yang melibatkan materi genetika.
>
> **Bioinformatika cerdas** adalah penerapan teknik kecerdasan artifisial pada masalah-masalah tersebut.
>
> **Bidang masalahnya:**
> 1. **Analisis sekuens** — penyelarasan sekuens DNA/protein, pencarian gen, prediksi fungsi gen.
> 2. **Prediksi struktur protein** — menentukan struktur tiga dimensi dari sekuens asam amino. Ini yang dipecahkan AlphaFold dengan hasil yang sangat mengesankan.
> 3. **Klasifikasi dan klasterisasi** — mengelompokkan gen berdasarkan pola ekspresi, analisis microarray.
> 4. **Analisis varian** — mengidentifikasi mutasi yang berkaitan dengan penyakit.
> 5. **Penemuan obat** — memprediksi interaksi antara senyawa dan target protein.
> 6. **Metagenomik** — menganalisis komunitas mikroba dari sampel lingkungan.
>
> **Teknik AI yang dipakai:** *hidden Markov model* untuk anotasi gen, SVM dan random forest untuk klasifikasi, CNN untuk mempelajari motif pada sekuens, dan *graph neural network* untuk memodelkan interaksi protein.
>
> **Tantangannya:** data berdimensi sangat tinggi tetapi jumlah sampelnya kecil — misalnya hanya ratusan pasien tetapi puluhan ribu gen. Ini kebalikan dari kondisi ideal pembelajaran mesin, sehingga teknik regulasi dan seleksi fitur menjadi sangat penting. Selain itu, interpretabilitas menjadi krusial karena hasilnya menyangkut keputusan medis."

#### E35. Apa itu *knowledge representation*?

> "**Representasi pengetahuan** adalah cara mengodekan pengetahuan tentang dunia ke dalam bentuk yang bisa diproses komputer untuk penalaran.
>
> Inti persoalannya: komputer tidak memahami makna. Jadi kita perlu memilih bentuk formal yang (1) cukup ekspresif untuk menyatakan pengetahuan yang dibutuhkan, dan (2) cukup terstruktur agar penalaran bisa dilakukan secara efisien. Kedua hal ini sering bertentangan — semakin ekspresif, semakin sulit penalarannya secara komputasional.
>
> **Bentuk-bentuk utamanya:**
> 1. **Logika proposisional** — paling sederhana, hanya pernyataan benar/salah.
> 2. **Logika predikat orde pertama** — menambahkan kuantor dan predikat, sehingga bisa menyatakan 'semua mahasiswa memiliki NIM'.
> 3. **Jaringan semantik** — graf dengan node sebagai konsep dan edge sebagai relasi.
> 4. **Frame** — struktur berisi slot dan nilai, mirip objek dalam pemrograman.
> 5. **Aturan produksi** — bentuk IF-THEN, dipakai pada sistem pakar.
> 6. **Ontologi dan Semantic Web** — representasi formal yang bisa dibagikan antar sistem, misalnya RDF, OWL.
> 7. **Logika deskripsi** — dasar teoretis ontologi.
>
> **Penggunaannya:** sistem pakar, sistem tanya-jawab, dan *knowledge graph* seperti yang dipakai mesin pencari untuk memahami hubungan antar entitas.
>
> **Tantangannya:**
> - ***Knowledge acquisition bottleneck*** — mendapatkan dan memformalkan pengetahuan dari pakar itu sulit dan mahal.
> - **Rekayasa pengetahuan** — memilih tingkat abstraksi yang tepat.
> - **Pemeliharaan konsistensi** — memastikan basis pengetahuan tidak mengandung kontradiksi.
> - **Skalabilitas** — penalaran menjadi mahal seiring bertambahnya pengetahuan.
>
> Perlu dicatat, ada pergeseran pendekatan. Sistem berbasis pengetahuan simbolik memerlukan pengetahuan yang ditulis eksplisit oleh manusia, sedangkan pembelajaran mesin modern mempelajari pola secara implisit dari data. Tetapi representasi pengetahuan tetap relevan — justru sekarang muncul kembali dalam bentuk *knowledge graph* dan *retrieval-augmented generation* pada model bahasa."

---

### E-5. Etika, Sosial, dan Isu Terkini

#### E36. Bagaimana pandangan Anda tentang etika AI, misalnya pada data pribadi?

> "Menurut saya, etika AI bukan pelengkap tetapi bagian dari perancangan sistem itu sendiri. Ada beberapa hal yang saya anggap paling penting.
>
> **Pertama, privasi dan data pribadi.** Banyak model dilatih pada data yang dikumpulkan tanpa pemahaman penuh dari pemiliknya. Prinsip yang saya pegang adalah *data minimization* — kumpulkan hanya yang benar-benar diperlukan, dan anonimkan bila identitas tidak dibutuhkan. Untuk data medis, ini bukan sekadar etika tetapi juga kewajiban hukum.
>
> **Kedua, bias dan keadilan.** Model mempelajari bias yang ada di data latihnya. Kalau data historis perekrutan menunjukkan bias terhadap kelompok tertentu, model akan mereproduksi dan bahkan memperkuat bias itu — dengan kedok 'objektivitas algoritmik'. Ini berbahaya karena keputusannya sulit ditantang.
>
> **Ketiga, transparansi dan akuntabilitas.** Untuk keputusan yang berdampak besar pada hidup orang — kredit, asuransi, diagnosis medis — pengguna berhak tahu dasar keputusannya. Ini alasan *explainable AI* menjadi penting, dan menjadi salah satu alasan sistem pakar berbasis aturan masih relevan di domain tertentu.
>
> **Keempat, tanggung jawab.** Kalau sistem AI merugikan seseorang, siapa yang bertanggung jawab? Ini belum terjawab dengan baik oleh hukum di Indonesia maupun di banyak negara lain.
>
> **Kelima, konsen dan kepemilikan karya.** Isu model generatif yang dilatih pada karya orang lain tanpa izin masih menjadi perdebatan yang belum selesai.
>
> Saya sendiri melihatnya sebagai tanggung jawab peneliti. Karena itu saya tertarik pada bidang yang dampaknya jelas dan terukur — misalnya pertanian — di mana manfaatnya bisa langsung diverifikasi oleh penggunanya, dan risikonya lebih mudah dinilai."

#### E37. Apa dampak AI terhadap lapangan kerja di Indonesia?

> "Saya melihatnya sebagai perubahan komposisi pekerjaan, bukan sekadar penghapusan.
>
> **Pekerjaan yang paling terpapar** adalah yang tugasnya rutin dan berbasis pola — entri data, verifikasi dokumen sederhana, layanan pelanggan tingkat pertama, dan sebagian pekerjaan administrasi. Ini bukan karena AI lebih pintar, tetapi karena tugas-tugas itu bisa dirumuskan dengan jelas.
>
> **Pekerjaan yang bertambah** adalah yang membutuhkan penilaian dalam situasi ambigu, tanggung jawab hukum, dan hubungan manusia — tenaga kesehatan, guru, pekerja perawatan, pengrajin, dan tentu pekerja yang membangun serta memelihara sistem AI itu sendiri.
>
> **Kontekst Indonesia khusus:** sebagian besar usaha kita adalah UMKM. Dampaknya tidak akan seragam seperti di negara maju, karena tingkat adopsi teknologinya berbeda. Tetapi di sisi lain, banyak pekerjaan kita juga bergantung pada sektor padat karya seperti pertanian dan manufaktur, yang justru paling mudah diotomatisasi secara bertahap.
>
> Yang saya khawatirkan bukan kehilangan pekerjaan secara total, tetapi **kesenjangan keterampilan**. Kalau hanya sebagian orang yang bisa memanfaatkan AI, produktivitasnya akan terpusat dan kesenjangannya melebar. Karena itu menurut saya tanggung jawab utama bukan pada teknologinya, melainkan pada pendidikan dan pelatihan ulang.
>
> Dan saya pikir ini justru relevan dengan program MKA: salah satu capaian pembelajarannya adalah kemampuan berkomunikasi efektif dan mengikuti perkembangan bidang — yang berarti lulusannya diharapkan bisa menjelaskan dan menerapkan, bukan hanya membangun model."

#### E38. Apa itu *explainable AI* dan mengapa penting?

> "*Explainable AI* adalah bidang yang berupaya membuat keputusan model bisa dipahami manusia.
>
> Ini masalah karena **model yang paling akurat justru sering paling sulit dijelaskan**. Pohon keputusan bisa dibaca aturannya, tetapi performanya biasanya kalah dari jaringan saraf dalam yang berisi jutaan parameter tanpa makna individual.
>
> Pendekatannya terbagi dua:
> - **Model yang inherently interpretable** — pohon keputusan, regresi linear, aturan IF-THEN. Akurasinya sering lebih rendah, tetapi bisa dijelaskan secara langsung.
> - ***Post-hoc explanation*** — menjelaskan model *black box* setelah dilatih. Contohnya **LIME** yang membangun model sederhana di sekitar satu prediksi, **SHAP** yang memakai nilai dari teori permainan untuk membagi kontribusi setiap fitur, dan **saliency map** pada CNN yang menunjukkan bagian citra mana yang paling memengaruhi prediksi.
>
> **Mengapa penting:**
> 1. **Kepercayaan pengguna** — dokter tidak akan mengikuti rekomendasi sistem yang tidak bisa dijelaskan alasannya.
> 2. **Kewajiban hukum dan regulasi** — pada keputusan kredit atau asuransi, pemohon berhak tahu dasar penolakannya. Regulasi seperti GDPR di Eropa juga mengatur hal ini.
> 3. **Deteksi kegagalan** — model bisa saja akurat karena alasan yang salah. Contoh terkenal: model yang mengklasifikasi pneumonia ternyata belajar dari penanda rumah sakit di citra, bukan dari paru-parunya. Tanpa penjelasan, kesalahan seperti ini tidak akan terdeteksi.
> 4. **Perbaikan model** — penjelasan menunjukkan fitur mana yang dominan, sehingga peneliti tahu ke mana harus memperbaiki data.
> 5. **Akuntabilitas** — kalau tidak bisa dijelaskan, tidak ada yang bisa dimintai tanggung jawab.
>
> Kaitannya dengan kurikulum: inilah salah satu alasan mata kuliah seperti Sistem Pakar Lanjut dan Penalaran Komputer tetap diajarkan berdampingan dengan pembelajaran mesin mendalam. Pendekatan simbolik unggul dalam hal penjelasan; pendekatan berbasis data unggul dalam hal akurasi."

#### E39. Bagaimana pendapat Anda tentang *Large Language Models* seperti ChatGPT?

> "Menurut saya LLM adalah kemajuan yang nyata, tetapi perlu dipahami batasnya.
>
> **Dari sisi arsitektur**, ini hasil dari Transformer dan pra-pelatihan *self-supervised* pada korpus yang sangat besar. Yang membuatnya menonjol adalah skala — jumlah parameter dan data — yang memunculkan kemampuan yang tidak dirancang secara eksplisit, misalnya menerjemahkan atau menyelesaikan soal bertahap.
>
> **Kegunaan nyatanya** jelas: membantu penulisan, menjelaskan konsep, mempermudah pemrograman, dan menjadi antarmuka bahasa alami untuk sistem lain. Untuk pekerjaan seperti meringkas dokumen atau membuat kerangka awal, penghematan waktunya besar.
>
> **Tetapi keterbatasannya juga penting untuk dipahami:**
> 1. **Halusinasi** — model menghasilkan teks yang terdengar meyakinkan tetapi faktanya salah. Ini karena tujuannya memprediksi kata berikutnya, bukan mencari kebenaran. Karena itu, verifikasi tetap wajib.
> 2. **Batas pengetahuan** — model hanya tahu sampai batas data latihnya, dan tidak tahu bahwa ia tidak tahu.
> 3. **Bias** — ia menyerap bias dari datanya.
> 4. **Kurang andal untuk penalaran bertahap** yang panjang, terutama aritmetika dan logika formal. Menariknya, di sinilah pendekatan simbolik justru lebih unggul.
> 5. **Biaya komputasi dan lingkungan** yang sangat besar.
> 6. **Isu hak cipta** atas data latihnya masih belum selesai.
>
> **Yang paling menarik bagi saya** adalah bahwa LLM memunculkan kembali pertanyaan lama. Apakah model bahasa benar-benar 'memahami', atau hanya memanipulasi pola? Dan bagaimana kita memverifikasi klaimnya? Justru karena itu, fondasi teori — bagian PLO2 — menjadi penting. Tanpa memahami mengapa model bisa gagal, kita hanya akan memakai alat ini tanpa tahu kapan harus mempercayainya.
>
> Terkait program ini, saya mencatat ada *guest lecture* tentang Applied AI and Large Language Models bersama Hallym University, dan itu salah satu hal yang saya nantikan."

#### E40. Bagaimana AI dapat membantu masalah di Indonesia?

> "Saya akan menyebut beberapa bidang yang menurut saya paling berdampak, dengan alasan mengapa AI cocok di situ.
>
> **Pertanian dan pangan.** Ini bidang yang paling dekat dengan minat saya. Masalahnya konkret: identifikasi hama dan penyakit tanaman yang terlambat, prediksi panen yang tidak akurat, dan distribusi yang tidak efisien. AI bisa membantu melalui klasifikasi citra daun dari ponsel, prakiraan hasil panen dari data cuaca dan citra satelit, serta optimasi rute distribusi. Yang menarik, ini juga bidang yang sedang diteliti di Laboratorium Sistem Cerdas, misalnya identifikasi pohon hutan rakyat bersama Fakultas Kehutanan dan pemberdayaan petani gula semut di Banyumas.
>
> **Kesehatan.** Indonesia menghadapi kekurangan tenaga medis yang tidak merata, khususnya di daerah. AI bisa membantu skrining awal tuberkulosis dari citra rontgen, deteksi dini retinopati diabetik dari foto fundus, dan triase pasien. Ini sangat relevan karena sebagian besar kasus bisa ditangani bila terdeteksi lebih awal. Program MKA bahkan punya mata kuliah Kecerdasan Artifisial dalam Kedokteran.
>
> **Kebencanaan.** Indonesia rawan gempa, letusan gunung, dan banjir. AI bisa dipakai untuk deteksi dini dari data sensor, pemetaan daerah terdampak dari citra satelit, dan optimasi rute evakuasi serta distribusi bantuan.
>
> **Bahasa dan budaya.** Ada ratusan bahasa daerah yang terancam punah dan minim sumber daya digital. AI bisa membantu dokumentasi, penerjemahan, dan pelestariannya. Ini juga kontribusi yang khas — bukan sekadar mengikuti riset berbahasa Inggris.
>
> **Pendidikan.** Pemerataan mutu pengajaran melalui sistem pembelajaran adaptif yang menyesuaikan materi dengan kemampuan siswa, serta membantu guru dalam penilaian.
>
> **Tiga catatan kritis** yang perlu saya sampaikan. Pertama, masalah utamanya sering bukan algoritma, tetapi **kualitas dan ketersediaan data** — banyak data kita belum terdigitalisasi atau tidak terstandar. Kedua, solusinya harus dirancang untuk **kondisi nyata**: koneksi terbatas, perangkat sederhana, pengguna yang belum terbiasa teknologi. Sebuah model dengan akurasi tinggi tidak berguna kalau tidak bisa dijalankan di ponsel petani. Ketiga, perlu **keterlibatan pengguna akhir** sejak awal, agar solusinya benar-benar dipakai dan bukan hanya menjadi publikasi.
>
> Menurut saya, poin ketiga itu justru yang membedakan penelitian yang berdampak dari yang hanya menambah daftar publikasi."

---

## Bagian F — Pengalaman, Portofolio, dan Karya

### F1. Ceritakan proyek AI/ML yang pernah Anda kerjakan

**Kerangka STAR:**

```text
S — Situasi   : masalah apa yang ada
T — Tugas     : apa peran dan tanggung jawab Anda
A — Aksi      : langkah konkret yang Anda lakukan (bagian terpanjang)
R — Hasil     : angka/hasil, dan apa yang Anda pelajari
```

**Contoh:**
> "**Situasi:** di tempat kerja, pencatatan hasil produksi masih manual, sehingga laporan bulanan selalu terlambat dan sering salah.
>
> **Tugas:** saya diminta membuat sistem prediksi sederhana untuk membantu perencanaan.
>
> **Aksi:** langkah pertama saya merapikan datanya dulu — dan ternyata 30% barisnya bermasalah. Ini pelajaran terbesar saya: masalahnya bukan di model, tetapi di data. Setelah membersihkan data, saya membuat model regresi untuk memprediksi kebutuhan bulan berikutnya. Saya mulai dengan *baseline* sederhana, yaitu rata-rata bergerak, supaya ada pembanding yang jujur. Baru setelah itu saya mencoba beberapa model dan memilihnya berdasarkan *cross-validation*, bukan berdasarkan performa di data latih.
>
> **Hasil:** model akhirnya menurunkan kesalahan prediksi sekitar …% dibandingkan cara manual. Yang lebih penting, saya belajar bahwa sebagian besar waktu habis di pembersihan data, bukan di pemodelan — dan itu mengubah cara saya memandang proyek ML."

**Kekuatan jawaban ini:** menyebut kegagalan/kesulitan, bukan hanya keberhasilan. Pewawancara mencari kejujuran dan pembelajaran.

---

### F2. Apa peran Anda dalam proyek itu dan apa hasilnya?

Jawab **spesifik soal peran**, bukan hanya soal proyek. Bila tim:

> "Saya bertanggung jawab pada bagian pengolahan data dan pemodelan. Rekan saya mengerjakan bagian antarmuka dan integrasi. Jadi saya tidak hanya memakai model orang lain — saya yang merancang alur praproses dan memutuskan metrik evaluasinya."

---

### F3. Kesulitan terbesar yang Anda hadapi, dan bagaimana Anda mengatasinya?

**Pilih kesulitan yang menunjukkan cara berpikir, bukan yang sekadar teknis.**

> "Kesulitan terbesar bukan teknis, tetapi **data yang tidak bisa dipercaya**. Saya menemukan bahwa dua sumber data yang seharusnya sama ternyata memakai definisi periode yang berbeda, sehingga angkanya tidak pernah cocok.
>
> Awalnya saya mencoba menyelesaikannya dengan kode — memaksakan pencocokan. Itu gagal. Akhirnya saya berhenti dan menanyakan langsung ke orang yang mengisi datanya. Ternyata ada perbedaan pemahaman tentang kapan periode dianggap selesai.
>
> Pelajaran yang saya ambil: beberapa masalah data tidak bisa diselesaikan di komputer, karena akarnya di proses manusia. Sejak itu, saya selalu menyisihkan waktu untuk memahami bagaimana data itu dihasilkan, sebelum menyentuh modelnya."

---

### F4. Apakah Anda punya publikasi, lomba, atau sertifikasi?

Jawab apa adanya. Bila tidak ada:

> "Sejauh ini saya belum punya publikasi. Saya menyadari itu salah satu kelemahan saya, dan justru itu salah satu hal yang ingin saya bangun di S2. Yang sudah saya lakukan: mengikuti … , dan menyelesaikan kursus … ."

**Jangan** mengarang. Data mudah diverifikasi.

---

### F5. Apakah Anda punya portofolio daring?

> "Ada. GitHub saya berisi … proyek, dan yang paling relevan adalah … . Saya juga pernah mengikuti … di Kaggle, dengan hasil … ."

**Bila tidak ada**, itu bisa menjadi rencana:
> "Belum saya kelola dengan rapi. Saya punya beberapa proyek, tetapi belum saya dokumentasikan secara publik. Saya sadar itu penting untuk kolaborasi riset, dan saya berencana menatanya sebelum perkuliahan dimulai."

---

### F6. Ceritakan pengalaman kerja/magang yang relevan

Fokus pada **keterampilan yang bisa dipindahkan** — bukan pada nama perusahaan.

> "Saya bekerja sebagai … selama … . Yang paling relevan dengan studi ini bukan sisi teknisnya, tetapi kebiasaan yang saya bangun: bekerja dengan tenggat, menuliskan hasil kerja secara jelas agar bisa dilanjutkan orang lain, dan berkomunikasi dengan pihak non-teknis. Saya rasa itu akan berguna ketika nanti harus menjelaskan penelitian saya kepada pengguna atau masyarakat."

---

### F7. Apa hal teknis tersulit yang pernah Anda pelajari sendiri? Bagaimana caranya?

Pertanyaan ini menguji **kemandirian belajar** — bagian dari PLO5 (*pembelajaran sepanjang hayat*).

> "Yang tersulit adalah memahami *backpropagation* secara benar. Saya bisa memakai framework-nya, tetapi tidak benar-benar paham apa yang terjadi di dalamnya.
>
> Cara saya: pertama, saya cari penjelasan yang berbasis matematika, bukan hanya kode — ternyata sumber berbahasa Inggris lebih lengkap. Kedua, saya menulis ulang perhitungannya dari nol memakai NumPy, tanpa framework, untuk jaringan dua lapis sederhana. Baru di situ saya paham bahwa 'backpropagation' sebenarnya hanyalah aturan rantai yang diterapkan berulang.
>
> Sejak itu cara belajar saya berubah: saya tidak merasa paham sampai bisa mengimplementasikannya sendiri."

---

### F8. Adakah karya Anda yang paling Anda banggakan? Mengapa?

> "Yang paling saya banggakan bukan yang paling canggih, tetapi proyek … . Alasannya karena saya mengerjakannya dari nol — termasuk mengumpulkan datanya sendiri — dan saya menemukan banyak hal yang tidak saya duga, terutama soal kualitas data. Yang membuat saya bangga bukan hasil akhirnya, tetapi bahwa saya tidak berhenti ketika hasil pertama saya gagal."

---

## Bagian G — Situasional, Komitmen, dan Logistik

### G1. Bagaimana Anda membagi waktu antara kuliah dan pekerjaan?

**Jawab dengan rencana konkret**, bukan janji umum.

> "Saya sudah memetakannya. Kuliah memerlukan sekitar … jam per minggu di luar kelas, dan saya sudah menyisihkan waktu itu di … . Saya juga sudah membicarakannya dengan atasan dan mendapat izin belajar, sehingga jam kerja saya bisa disesuaikan pada hari kuliah.
>
> Yang paling penting, saya sudah menentukan prioritas: selama masa kuliah, studi adalah prioritas utama. Bila terjadi benturan, saya akan mendahulukan jadwal akademik dan menyesuaikan pekerjaan."

---

### G2. Apakah Anda mendapat izin belajar dari instansi?

> "Ya, saya sudah mengajukan dan mendapatkannya. Dokumennya sudah saya unggah pada saat pendaftaran."

**Bila belum:**
> "Sedang saya proses. Saya sudah membicarakannya secara lisan dengan atasan dan tidak ada keberatan; dokumen resminya sedang disiapkan."

---

### G3. Bagaimana rencana pembiayaan kuliah Anda?

Jawab jujur dan realistis.

> "UKT-nya Rp 12.000.000 per semester. Rencana saya: … . Saya juga sedang mengupayakan beasiswa … ."

Bila berencana bekerja sambil kuliah, katakan — tetapi sampaikan dengan keyakinan bahwa studi tetap prioritas.

---

### G4. Apakah Anda melamar beasiswa? Beasiswa apa?

> "Ya, saya melamar … . Syaratnya … , dan statusnya saat ini … . Bila tidak berhasil, rencana cadangan saya adalah … ."

---

### G5. Sanggupkah Anda mengikuti kuliah pada hari kerja?

> "Sanggup. Saya sudah menyesuaikan jadwal kerja saya, dan atasan saya mendukung. Saya memilih jadwal kuliah yang … agar tidak bentrok."

**Jangan** ragu-ragu. Keraguan di sini bisa langsung menutup peluang.

---

### G6. Bagaimana Anda menghadapi kelompok yang anggotanya kurang berkontribusi?

Pertanyaan ini menguji PLO5 — kepemimpinan dan kerja kelompok.

> "Pengalaman saya, penyebabnya biasanya bukan kemalasan, tetapi tugas yang tidak jelas atau tenggat yang tidak disepakati. Jadi langkah pertama saya adalah **memperjelas pembagian tugas dan tenggat** secara tertulis di awal, supaya semua tahu apa yang diharapkan.
>
> Kalau setelah itu masih ada masalah, saya akan bicara langsung — bukan menegur di depan orang lain, dan bukan diam-diam mengerjakan bagiannya sendiri. Saya berusaha memahami dulu apa kendalanya, karena sering kali ada alasan yang tidak terlihat.
>
> Kalau ternyata memang tidak bisa diselesaikan di tingkat kelompok, saya akan melibatkan dosen, tetapi saya sampaikan apa adanya tanpa menyalahkan. Menurut saya yang penting adalah hasil kerja tetap selesai dan tidak ada yang dirugikan."

---

### G7. Bagaimana Anda bereaksi bila penelitian Anda gagal berulang kali?

**Ini pertanyaan penting** — menguji ketahanan mental untuk jalur riset.

> "Saya sudah pernah mengalaminya, jadi saya tahu reaksinya bukan pertanyaan teoretis. Yang saya lakukan adalah memisahkan dua hal: **kegagalan yang informatif** dan **kegagalan yang membingungkan**.
>
> Kalau hasilnya jelek tetapi saya tahu mengapa, itu kemajuan. Kalau hasilnya jelek dan saya tidak tahu mengapa, itu tanda saya perlu berhenti dan mengubah cara pendekatan, bukan mengulanginya lagi. Saya biasanya mulai dengan memeriksa hal paling dasar — apakah ada *bug*, apakah datanya bocor, apakah *baseline* saya benar.
>
> Yang juga membantu adalah menetapkan kriteria berhenti di awal. Kalau saya sudah mencoba beberapa pendekatan masuk akal dan semuanya gagal, itu petunjuk bahwa asumsi dasarnya salah, bukan bahwa saya kurang berusaha.
>
> Dan saya selalu mendokumentasikan yang gagal. Sekali waktu, sebuah eksperimen yang 'gagal' justru memberi petunjuk tentang masalah sebenarnya di data saya."

---

### G8. Bila diterima di dua tempat, mana yang Anda pilih?

Jawab **tegas dan dengan alasan substantif** — bukan sekadar sopan.

> "Saya memilih MKA UGM. Alasan utamanya bukan gengsi, tetapi kecocokan riset: laboratorium di sini mengerjakan penelitian terapan yang persis dengan minat saya, dan saya sudah membaca karya beberapa dosennya. Saya juga mempertimbangkan bahwa kurikulumnya menekankan fondasi teori — tiga mata kuliah wajibnya justru bagian yang paling saya butuhkan."

---

### G9. Apakah Anda bersedia ditempatkan di lab tertentu?

> "Bersedia. Prioritas saya Laboratorium Sistem Cerdas, tetapi saya terbuka bila diarahkan ke lab lain. Yang penting bagi saya adalah bidang penelitiannya tetap menyentuh … . Saya yakin masukan pembimbing akan membuat rencana saya lebih realistis, dan saya lebih memilih berjalan dengan arahan yang tepat daripada memaksakan preferensi awal saya."

---

### G10. Ada hal lain yang ingin Anda sampaikan?

**Ini kesempatan terakhir — gunakan untuk menutup dengan kuat.** Siapkan 3 kalimat.

> "Saya ingin menambahkan satu hal. Yang membuat saya yakin melamar ke sini bukan hanya minat pada AI, tetapi karena saya sudah pernah merasakan sendiri bagaimana riset terapan bekerja — termasuk bagian yang tidak menyenangkan, seperti data yang kotor dan hasil yang gagal. Saya tahu apa yang saya hadapi.
>
> Saya juga sudah mempelajari program ini dengan cukup rinci: kurikulumnya, laboratoriumnya, dan penelitian yang sedang berjalan. Jadi saya melamar dengan kesadaran, bukan sekadar mencoba.
>
> Terima kasih atas waktunya."

---

## Bagian H — Pertanyaan yang Sebaiknya Anda Ajukan Balik

**Aturan:** ajukan **2–3** saja. Pilih yang paling Anda butuhkan. Jangan menanyakan hal yang sudah jelas di situs resmi.

**H1 — Jumlah mahasiswa dan rasio pembimbing**
> "Berapa kira-kira jumlah mahasiswa yang diterima per angkatan, dan bagaimana rasio pembimbing terhadap mahasiswa?"

**H2 — Mekanisme penentuan pembimbing**
> "Bagaimana mekanisme penentuan dosen pembimbing? Apakah mahasiswa bisa mengajukan preferensi lebih dulu?"

**H3 — Kesempatan terlibat riset lab**
> "Apakah ada kesempatan bagi mahasiswa baru untuk terlibat dalam proyek riset atau pengabdian laboratorium sejak semester awal?"

**H4 — Dukungan publikasi**
> "Bagaimana dukungan program studi untuk publikasi di jurnal atau konferensi internasional? Apakah ada pendampingan atau dukungan pembiayaan?"

**H5 — Jalur kerja sama dan double degree**
> "Apakah ada jalur kerja sama atau double degree yang bisa diikuti mahasiswa Reguler? Bagaimana prosedurnya?"

**H6 — Penyesuaian jadwal bagi mahasiswa yang bekerja**
> "Bagaimana biasanya program studi mengakomodasi mahasiswa yang sudah bekerja, misalnya untuk penyesuaian jadwal atau pengajuan cuti?"

**Yang sebaiknya dihindari:**
- "Apakah susah lulusnya?"
- "Berapa UKT-nya?" (sudah ada di situs)
- "Apakah boleh jarang masuk?"
- Pertanyaan yang jawabannya bisa dicari 5 menit di internet.

---

## Ringkasan: 10 Poin yang Harus Siap

```text
 1. Perkenalan diri 60 detik — hafal, lancar, tidak membaca
 2. Topik tesis dalam 1 kalimat: METODE untuk MASALAH pada DOMAIN
 3. Novelty yang jujur — data / metode / aplikasi, pilih satu
 4. Metode + baseline + alasan pemilihan
 5. Rencana data + rencana cadangan bila gagal
 6. Nama 2–3 dosen + satu karya yang sudah dibaca
 7. Nama lab: Sistem Cerdas / Algoritma dan Komputasi
 8. Fakta program: M.CS(AI), 3 mata kuliah wajib, PLO, min 36 SKS
 9. Satu paper yang Anda pahami benar-benar, siap diceritakan
10. Dua pertanyaan untuk diajukan balik
```

---

## Referensi

1. Situs resmi Program Studi Magister Kecerdasan Artifisial, DIKE FMIPA UGM — halaman *Tentang*, *Kurikulum*, *Capaian Pembelajaran*, *Staff Pengajar*, dan *Prosedur Pendaftaran*.
2. Situs resmi DIKE FMIPA UGM — halaman Laboratorium Sistem Cerdas dan Laboratorium Algoritma dan Komputasi.
3. Sistem penerimaan mahasiswa baru UGM (admissions.ugm.ac.id) — prosedur dan persyaratan pendaftaran pascasarjana.
4. K. He, X. Zhang, S. Ren, J. Sun, *Deep Residual Learning for Image Recognition*, arXiv:1512.03385 (2015).
5. K. Cho dkk., *Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation*, arXiv:1406.1078 (EMNLP 2014) — makalah asal GRU.
6. J. Chung dkk., *Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling*, arXiv:1412.3555 (2014) — perbandingan GRU dan LSTM.
7. S. Hochreiter & J. Schmidhuber, *Long Short-Term Memory*, Neural Computation 9(8), 1997.
8. A. Vaswani dkk., *Attention Is All You Need*, arXiv:1706.03762 (2017) — arsitektur Transformer.
9. T. Mikolov dkk., *Efficient Estimation of Word Representations in Vector Space*, arXiv:1301.3781 (2013) — Word2Vec.
10. S. Russell & P. Norvig, *Artificial Intelligence: A Modern Approach* — representasi pengetahuan, penalaran, agen cerdas.
11. J. Giarratano & G. Riley, *Expert Systems: Principles and Programming* — arsitektur sistem pakar, forward dan backward chaining.
12. L. A. Zadeh, *Fuzzy Sets*, Information and Control 8(3), 1965.
13. E. H. Shortliffe & B. G. Buchanan, *A Model of Inexact Reasoning in Medicine*, Mathematical Biosciences, 1975 — certainty factor pada MYCIN.
14. R. O. Duda, P. E. Hart & D. G. Stork, *Pattern Classification*; C. M. Bishop, *Pattern Recognition and Machine Learning*.
15. Arsip soal UGM dalam repositori ini (`tier1-core-ai/`, `tier2-math-stats/`) — bahan latihan tes substansi.

---

*Jawaban wawancara. Fakta program bersumber dari situs resmi DIKE FMIPA UGM. Kerangka dan contoh jawaban pribadi disusun sendiri — sesuaikan dengan data Anda; jangan menghafal contoh apa adanya. Pertanyaan: `wawancara.md`.*