{"id":109,"date":"2025-08-17T13:08:22","date_gmt":"2025-08-17T13:08:22","guid":{"rendered":"https:\/\/learn.rantissi.my.id\/?p=109"},"modified":"2025-08-17T13:08:46","modified_gmt":"2025-08-17T13:08:46","slug":"evaluasi-ai-bagaimana-kita-tahu-ai-sudah-pintar","status":"publish","type":"post","link":"https:\/\/learn.rantissi.my.id\/index.php\/2025\/08\/17\/evaluasi-ai-bagaimana-kita-tahu-ai-sudah-pintar\/","title":{"rendered":"Evaluasi AI \u2014 Bagaimana Kita Tahu AI Sudah Pintar?"},"content":{"rendered":"\n

Setelah AI dilatih (training), sekarang waktunya kita uji seberapa pintar dia.<\/strong><\/h4>\n\n\n\n
\n

Jangan langsung percaya sama AI yang baru selesai belajar.
Kita harus tes: apakah dia benar-benar paham, atau cuma hafal datanya saja?<\/strong><\/p>\n<\/blockquote>\n\n\n\n

Itulah yang disebut evaluasi model AI<\/strong>.<\/p>\n\n\n\n

\n\n\n\n

Tujuan evaluasi:<\/h3>\n\n\n\n
    \n
  1. Mengetahui seberapa akurat<\/strong> AI saat diberi data baru<\/li>\n\n\n\n
  2. Menilai apakah AI bisa berpikir umum<\/strong>, bukan cuma menghafal data latihan<\/li>\n\n\n\n
  3. Mencegah AI dari overfitting<\/strong> (belajar terlalu bagus di data latihan, tapi jelek di data baru)<\/li>\n<\/ol>\n\n\n\n
    \n\n\n\n

    Bagaimana cara mengevaluasi AI?<\/h3>\n\n\n\n

    Biasanya, data dibagi 3 bagian:<\/p>\n\n\n\n

    Jenis Data<\/th>Fungsinya<\/th><\/tr><\/thead>
    Training data<\/strong><\/td>untuk melatih AI<\/td><\/tr>
    Validation data<\/strong><\/td>untuk menguji saat latihan (tahap tuning)<\/td><\/tr>
    Test data<\/strong><\/td>untuk evaluasi akhir (data yang benar-benar belum pernah dilihat AI)<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
    \n\n\n\n

    Metode Evaluasi Umum:<\/h3>\n\n\n\n
      \n
    1. Akurasi (Accuracy)<\/strong>
      \u2192 Berapa persen jawaban AI yang benar dari semua data<\/li>\n\n\n\n
    2. Precision & Recall<\/strong>\n
        \n
      • Precision = dari semua yang diprediksi \u201cpositif\u201d, berapa yang benar<\/li>\n\n\n\n
      • Recall = dari semua yang benar-benar \u201cpositif\u201d, berapa yang terdeteksi oleh AI
        Contoh kasus: deteksi kanker, face recognition<\/li>\n<\/ul>\n<\/li>\n\n\n\n
      • Confusion Matrix<\/strong>
        \u2192 Tabel yang menunjukkan berapa banyak AI salah dan benar
        \u2192 Misalnya: Prediksi kucing tapi aslinya anjing \u2192 itu salah klasifikasi<\/li>\n\n\n\n
      • F1 Score<\/strong>
        \u2192 Gabungan dari precision dan recall, digunakan saat data tidak seimbang<\/li>\n<\/ol>\n\n\n\n
        \n\n\n\n

        Contoh sederhana:<\/h3>\n\n\n\n

        AI kamu diminta mengenali 100 gambar buah:<\/p>\n\n\n\n

          \n
        • 90 benar<\/li>\n\n\n\n
        • 10 salah<\/li>\n<\/ul>\n\n\n\n

          Accuracy = 90%<\/strong> \u2192 kelihatan bagus, tapi\u2026
          Kalau semua buah yang benar hanya jeruk, dan dia gagal kenali apel atau pisang, maka kita harus cek lebih dalam:<\/p>\n\n\n\n

            \n
          • Apa dia cuma belajar “jeruk doang”?<\/li>\n\n\n\n
          • Apa dia susah bedain apel vs tomat?<\/li>\n<\/ul>\n\n\n\n
            \n\n\n\n

            Tantangan:<\/h3>\n\n\n\n
              \n
            • Evaluasi harus dilakukan dengan data yang belum pernah dilihat AI sebelumnya<\/strong><\/li>\n\n\n\n
            • Evaluasi juga bisa mengungkap apakah AI terlalu bias<\/strong> (misalnya cuma bagus di satu jenis data)<\/li>\n<\/ul>\n\n\n\n
              \n\n\n\n

              Kesimpulan:<\/h3>\n\n\n\n

              Evaluasi AI = Ujian akhir<\/strong>
              Sama kayak kita sekolah, setelah belajar ya harus dites dong, supaya tahu sudah paham atau belum.<\/p>\n","protected":false},"excerpt":{"rendered":"

              Setelah AI dilatih (training), sekarang waktunya kita uji seberapa pintar dia. Jangan langsung percaya sama AI yang baru selesai belajar.Kita harus tes: apakah dia benar-benar paham, atau cuma hafal datanya saja? Itulah yang disebut evaluasi model AI. Tujuan evaluasi: Bagaimana cara mengevaluasi AI? Biasanya, data dibagi 3 bagian: Jenis Data Fungsinya Training data untuk melatih…<\/p>\n","protected":false},"author":1,"featured_media":18,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-109","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence"],"_links":{"self":[{"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/posts\/109","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/comments?post=109"}],"version-history":[{"count":1,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/posts\/109\/revisions"}],"predecessor-version":[{"id":110,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/posts\/109\/revisions\/110"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/media\/18"}],"wp:attachment":[{"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/media?parent=109"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/categories?post=109"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/learn.rantissi.my.id\/index.php\/wp-json\/wp\/v2\/tags?post=109"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}