Perkembangan Kecerdasan Buatan (AI) Dan Dampaknya Pada Dunia Teknologi
DOI:
https://doi.org/10.55903/jitu.v2i2.240Keywords:
Kecerdasan buatan, AI, regulasi AI, ekonomi digital, bias algoritma, Explainable AI, otomatisasiAbstract
Kecerdasan buatan (Artificial Intelligence – AI) telah berkembang pesat dalam beberapa dekade terakhir dan menjadi pendorong utama transformasi digital di berbagai sektor. AI telah diterapkan dalam industri, kesehatan, keuangan, transportasi, dan pendidikan, memungkinkan peningkatan efisiensi, otomatisasi, serta pengambilan keputusan berbasis data. Namun, perkembangan AI juga menghadirkan tantangan besar, seperti kesenjangan regulasi, bias algoritma, ancaman terhadap privasi data, serta dampaknya terhadap pasar tenaga kerja. Oleh karena itu, penelitian ini bertujuan untuk mengkaji evolusi AI, implikasinya dalam dunia teknologi, serta tantangan dan prospek pengembangannya di masa depan. Penelitian ini menggunakan kajian literatur dan analisis data sekunder dari jurnal ilmiah, buku akademik, serta laporan industri dari lembaga seperti McKinsey, World Economic Forum, Gartner, dan Stanford AI Index Report. Hasil penelitian menunjukkan bahwa AI telah meningkatkan produktivitas hingga 40% di berbagai sektor industri, dengan dampak ekonomi yang diproyeksikan mencapai $15,7 triliun pada tahun 2030. Di sektor kesehatan, AI mampu meningkatkan akurasi diagnosis hingga 96%, sementara dalam industri manufaktur, teknologi berbasis AI telah mengurangi downtime produksi sebesar 30%. Namun, tantangan utama yang dihadapi mencakup kesenjangan regulasi AI di berbagai negara, isu bias algoritma dalam pengambilan keputusan, serta risiko penggantian tenaga kerja akibat otomatisasi. Kesimpulan dari penelitian ini menegaskan bahwa AI memiliki potensi besar untuk terus berkembang dan memberikan manfaat luas, tetapi pengelolaannya harus dilakukan secara bertanggung jawab. Regulasi yang lebih komprehensif, adopsi Explainable AI (XAI), serta strategi upskilling tenaga kerja menjadi faktor kunci dalam memastikan bahwa AI berkembang secara berkelanjutan dan memberikan dampak positif bagi masyarakat global.
References
Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science, 348(6239), 1130–1132.
Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., & others. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
Buczak, A. L., & Guven, E. (2015). A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297.
Crevier, D. (1993). AI: the tumultuous history of the search for artificial intelligence. Basic Books, Inc.
Deloitte. (2022). The state of AI in business transformation. Deloitte Insights. https://www2.deloitte.com/id/en.html
Dhar, V. (2016). When to trust robots with decisions, and when not to. Harvard Business Review, 17(1).
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118.
Forum, W. E. (2023). Future of jobs report 2023: How AI and automation are shaping the workforce. Weforum. www.weforum.org
Gartner. (2023). AI-driven transformation: Opportunities and risks for enterprises. Gartner Research. www.gartner.com
Goodall, N. J. (2014). Machine ethics and automated vehicles. Road Vehicle Automation, 93–102.
Juniper Research. (2023). AI in financial fraud detection: Global trends and impact. Juniper Research. www.juniperresearch.com
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI Magazine, 27(4), 12.
McKinsey Global Institute. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company. www.mckinsey.com
Pugu, M. R., Riyanto, S., & Haryadi, R. N. (2024). Metodologi Penelitian; Konsep, Strategi, dan Aplikasi. PT. Sonpedia Publishing Indonesia.
PwC. (2022). Sizing the prize: The economic impact of AI on the world economy. PricewaterhouseCoopers. www.pwc.com
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. thuvienso.hoasen.edu.vn.
Shortliffe, E. (2012). Computer-based medical consultations: MYCIN (Vol. 2). Elsevier.
Stanford AI Index Report. (2023). Artificial Intelligence Index Report 2023: Measuring trends in AI. Stanford University. aiindex.stanford.edu
The Lancet Digital Health. (2023). AI-driven diagnostics: Accuracy in breast cancer detection. The Lancet Digital Health, 5(2), 89-105.
Turing, A. M. (2009). Computing machinery and intelligence. Springer.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Imam Zaenudin, Ade Bani Riyan

This work is licensed under a Creative Commons Attribution 4.0 International License.



