Apakah itu perkhidmatan sewa pengangkutan di Malaysia?

Perkhidmatan sewa pengangkutan di Malaysia merujuk kepada penyediaan kenderaan seperti van, lori, kereta atau bas untuk kegunaan sementara bagi tujuan logistik, pindah rumah atau perjalanan.

Bagaimana AI membantu sistem sewa pengangkutan?

AI membantu melalui analisis data, pemadanan pintar antara keperluan pengguna dan penyedia perkhidmatan, serta automasi proses pemilihan.

Adakah platform digital lebih baik daripada kaedah tradisional?

Platform digital menawarkan kelebihan dari segi perbandingan tawaran, penjimatan masa dan ketelusan berbanding rundingan manual.

Tuesday, 10 February 2026

Peranan AI dan Sistem Pintar dalam Sewa Pengangkutan di Malaysia

Cabaran Tradisional dalam Sewa Pengangkutan di Malaysia

Bagaimana AI dan Data Digunakan dalam Sistem Sewa Pengangkutan

Sistem Pemadanan Pintar Berasaskan Data

Automasi dan Keputusan Berpandukan Maklumat

Marketplace Digital untuk Perkhidmatan Sewa Pengangkutan

https://www.sewatransport.com

Sunday, 8 February 2026

Klasifikasi Kecerdasan Buatan

Berdasarkan Capability, Behavioural, Teknologi dan Purpose

Pengenalan

Kecerdasan Buatan (Artificial Intelligence, AI) merujuk kepada keupayaan sistem komputer untuk meniru fungsi kognitif manusia seperti pembelajaran, pemahaman bahasa, pengecaman corak, dan pembuatan keputusan. Perkembangan AI telah menghasilkan pelbagai jenis sistem yang berbeza dari segi teknologi, tahap keupayaan, dan tujuan penggunaan.

Bagi memahami AI secara sistematik, teknologi ini boleh diklasifikasikan kepada empat dimensi utama:

tahap keupayaan (capability),
cara AI berfungsi (behavioural),
teknologi pembangunan AI,
tujuan penggunaan (purpose).

Pendekatan pelbagai dimensi ini membolehkan AI difahami sebagai satu ekosistem teknologi, bukan satu sistem tunggal.

1. AI Berdasarkan Tahap Keupayaan (Capability)

Klasifikasi capability merujuk kepada tahap kecerdasan sistem AI berbanding manusia.

Artificial Narrow Intelligence (ANI)

ANI ialah AI yang direka untuk melaksanakan tugas khusus dalam domain tertentu. Semua sistem AI semasa tergolong dalam kategori ini.

Contoh:

Google Maps
sistem CCTV dengan pengecaman wajah
chatbot perkhidmatan pelanggan
ChatGPT

Walaupun sistem ini kelihatan “pintar”, kecerdasannya terhad kepada fungsi tertentu.

Analogi:
ANI boleh diibaratkan seperti seorang pakar — contohnya pakar bedah sangat mahir dalam pembedahan tetapi tidak semestinya mahir dalam kejuruteraan atau undang-undang.

Artificial General Intelligence (AGI)

AGI merujuk kepada AI yang boleh melakukan pelbagai tugas intelektual seperti manusia. Teknologi ini masih belum wujud.

Analogi:
Seperti manusia yang boleh belajar pelbagai kemahiran sepanjang hidup.

Superintelligent AI

Superintelligent AI merujuk kepada AI yang melebihi kecerdasan manusia dalam hampir semua bidang. Ia masih bersifat teori.

Analogi:
Seperti “super-genius digital” yang mampu menyelesaikan masalah global dengan pantas.

2. AI Berdasarkan Cara AI Berfungsi (Behavioural)

Klasifikasi behavioural menerangkan bagaimana AI membuat keputusan berdasarkan maklumat yang diterima.

Reactive AI

Reactive AI hanya bertindak balas kepada input semasa tanpa memori.

Contoh:

lampu sensor gerakan
sistem automasi asas

Analogi:
Seperti kalkulator yang hanya mengira berdasarkan input semasa.

Limited Memory AI

Limited Memory AI menggunakan data masa lalu untuk meningkatkan prestasi keputusan.

Contoh:

Google Maps meramal trafik
CCTV dengan analitik video
sistem pengesanan penipuan bank
kereta autonomi

Analogi:
Seperti pemandu berpengalaman yang menggunakan pengalaman lalu untuk membuat keputusan lebih baik.

Kebanyakan AI moden berada dalam kategori ini.

Theory-of-Mind AI

AI yang boleh memahami emosi dan niat manusia. Masih dalam penyelidikan.

Analogi:
Seperti kaunselor yang memahami perasaan orang lain.

Self-Aware AI

AI yang mempunyai kesedaran diri. Masih konsep teori.

Analogi:
Robot dalam filem sains fiksyen.

3. AI Berdasarkan Teknologi

Klasifikasi teknologi menerangkan bagaimana sistem AI dibangunkan dari sudut teknikal.

Machine Learning

Machine Learning membolehkan sistem belajar daripada data.

Contoh:

sistem ramalan trafik Google Maps
sistem penapisan spam email

Analogi:
Seperti pelajar yang belajar daripada latihan dan pengalaman.

Deep Learning

Deep Learning menggunakan neural network untuk mengenal pasti corak kompleks.

Contoh:

pengecaman wajah CCTV
pengecaman suara telefon pintar
model bahasa seperti ChatGPT

Analogi:
Seperti otak manusia yang mempunyai rangkaian neuron.

Natural Language Processing (NLP)

NLP membolehkan AI memahami bahasa manusia.

Contoh:

chatbot
ChatGPT
sistem terjemahan automatik

Analogi:
Seperti penterjemah bahasa digital.

Computer Vision

Computer Vision membolehkan AI memahami imej dan video.

Contoh:

CCTV pintar
pengecaman nombor plat kenderaan
sistem keselamatan lapangan terbang

Analogi:
Seperti mata manusia.

Robotics

Robotics menggabungkan AI dengan sistem mekanikal.

Contoh:

robot industri
dron pemantauan
robot penghantaran

Analogi:
Seperti badan fizikal bagi AI.

4. AI Berdasarkan Tujuan (Purpose)

Klasifikasi purpose melihat kepada peranan AI dalam organisasi dan kehidupan harian.

Generative AI

Generative AI menghasilkan kandungan baru.

Contoh:

ChatGPT menulis teks
AI image generator
AI coding assistant

Analogi:
Seperti penulis digital.

Predictive AI

Predictive AI digunakan untuk membuat ramalan.

Contoh:

Google Maps ramal trafik
ramalan jualan
predictive maintenance industri

Analogi:
Seperti ahli statistik organisasi.

Assistive AI

Assistive AI membantu kerja manusia tanpa menggantikan manusia sepenuhnya.

Contoh:

auto-complete email
recommendation system
AI copilot

Analogi:
Seperti pembantu pejabat.

Conversational AI

Conversational AI berinteraksi melalui perbualan.

Contoh:

chatbot bank
chatbot laman web
pembantu maya

Analogi:
Seperti pegawai khidmat pelanggan.

Agentic AI

Agentic AI boleh merancang dan melaksanakan tugas secara autonomi.

Contoh:

automasi workflow
AI agent penyelidikan

Analogi:
Seperti pengurus projek automatik.

Kesimpulan

AI boleh difahami melalui empat dimensi utama:

capability (tahap kecerdasan AI),
behavioural (cara AI berfungsi),
teknologi pembangunan AI,
purpose (tujuan penggunaan AI).

Contoh sistem harian seperti CCTV, Google Maps, chatbot, dan ChatGPT menunjukkan bahawa AI sebenarnya terdiri daripada gabungan pelbagai teknologi dan fungsi.

Secara konseptual, AI boleh dianalogikan sebagai sebuah organisasi digital, di mana:

teknologi ialah “enjin”,
capability ialah “tahap kecerdasan”,
behavioural ialah “cara berfikir”,
purpose ialah “peranan kerja”.

Pendekatan ini membantu pelajar dan penyelidik memahami AI secara lebih tersusun dan kontekstual.

Saturday, 7 February 2026

Algorithm dalam AI

Algorithm = resipi / langkah-langkah untuk komputer menyelesaikan masalah.

Dalam Machine Learning / Deep Learning, algorithm sudah sedia dalam bentuk library / framework yang boleh digunakan terus.
- Contoh popular: TensorFlow, PyTorch, scikit-learn
- Algoritma tersedia termasuk: Linear Regression, Decision Tree, CNN, RNN, Transformer
Programmer / data scientist tidak perlu “cipta dari kosong” melainkan ada keperluan sangat khusus.
Yang programmer buat ialah:
1. Pilih algoritma sesuai masalah
2. Sediakan data
3. Tetapkan hyperparameter (contoh: bilangan lapisan, learning rate)
4. Latih model menggunakan data

2️⃣ RNN (Recurrent Neural Network)

RNN = jenis algoritma deep learning khusus untuk data bersiri / urutan

Sedia ada dalam library AI:
- TensorFlow: tf.keras.layers.SimpleRNN, LSTM, GRU
- PyTorch: torch.nn.RNN, torch.nn.LSTM, torch.nn.GRU
Apa programmer buat:
1. Tentukan struktur RNN (berapa lapisan, bilangan neuron, jenis RNN: LSTM / GRU)
2. Pilih fungsi loss & optimizer
3. Latih model dengan data bersiri (contoh: audio, teks, urutan tingkah laku)
4. Uji dan semak prestasi model
Programmer tidak perlu bangunkan RNN dari sifar kerana implementasi matematik (backpropagation through time, gating) sudah tersedia dalam library.

3️⃣ Analogi Pasukan Bola Sepak ⚽

Elemen AI	Analogi Bola Sepak	Siapa sediakan?
Algorithm	Taktik / strategi asas	Jurulatih (programmer) sediakan playbook
RNN	Pemain dengan memori panjang	Pemain belajar sendiri melalui latihan & pengalaman
Hyperparameter	Posisi pemain, stamina, formasi	Jurulatih tetapkan supaya pemain optimum
Latihan & Pertandingan	Proses training	Pemain AI “praktis” untuk belajar corak & keputusan

Kesimpulan: Programmer sediakan “playbook & latihan”, AI / RNN yang praktis dan buat keputusan sendiri.

🔹 Ringkasan

Algorithm = sedia ada, boleh guna dari library
RNN = sedia ada, ada implementasi LSTM / GRU siap pakai
Programmer fokus pada: pilih algoritma, sediakan data, tetapkan hyperparameter, latih model
AI (RNN) fokus pada: belajar corak dari data & buat ramalan / keputusan

Algorithm & RNN – Analogi Polis 👮‍♂️

Elemen AI	Analogi Polis	Siapa Buat / Sediakan?
Algorithm	SOP / Prosedur Standard Operasi	Pegawai atasan / Jurulatih (Programmer) menyediakan panduan & strategi
RNN	Pegawai yang buat rondaan & catat kejadian dari masa ke masa	Pegawai itu sendiri belajar & gunakan pengalaman untuk buat keputusan
Hyperparameter	Bilangan pegawai, pembahagian kawasan rondaan, jadual shift	Atasan / jurulatih tetapkan supaya operasi optimum
Latihan & Pengalaman	Latihan polis, simulasi jenayah, pengalaman lapangan	Pegawai praktik sendiri untuk kenal corak jenayah & tindak balas
Output / Keputusan	Ramalan jenayah, pengesanan suspek, laporan lengkap	Pegawai buat keputusan berdasarkan pengalaman & SOP

Cerita Analogi Ringkas

Bayangkan polis dalam pasukan penguatkuasaan:

Jurulatih / Programer sediakan SOP & strategi:
- “Kalau ada kecurian di kawasan A → ambil tindakan X”
- “Rondaan waktu malam di kawasan B → tambah pegawai”
Peguai / RNN bertugas di lapangan:
- Catat semua kejadian dari masa ke masa
- Kenal corak jenayah yang berulang
- Buat keputusan sendiri bila ada kes baharu (contoh: ramal kemungkinan jenayah berlaku di kawasan tertentu)
Hyperparameter seperti bilangan pegawai, jadual ronda ditetapkan supaya operasi optimum.
Hasil / Output:
- Polisi lebih cepat tangani jenayah
- Suspek dikenal pasti lebih tepat
- Data & pengalaman digabung untuk keputusan masa depan

🔹 Kesimpulan Analogi

Algorithm = SOP / panduan → pegawai tahu langkah asas
RNN = Pegawai → belajar dari pengalaman, kenal corak & buat keputusan sendiri
Data = Rekod jenayah & laporan → bahan pembelajaran
Programmer = Jurulatih / atasan → sediakan strategi & kawal prestasi

Analogi ini menunjukkan bahawa AI tidak bekerja sendiri sepenuhnya, tetapi perlu panduan, strategi, dan data yang baik untuk beroperasi seperti polis berpengalaman di lapangan.

CNN & RNN: Bagaimana AI Melihat dan Mendengar

(Siri 6: Memahami Teknologi AI)

Apa Itu CNN & RNN?

Dalam Deep Learning, terdapat dua jenis jaringan saraf (neural network) yang penting untuk memproses imej, video, dan data bersiri:

CNN (Convolutional Neural Network) – Fokus pada imej dan video
RNN (Recurrent Neural Network) – Fokus pada data bersiri / urutan, seperti teks dan audio

Kedua-duanya bersumber dari Deep Learning, tetapi direka untuk jenis data berbeza.

1️⃣ CNN – Convolutional Neural Network

Definisi:
CNN direka untuk mengenal corak dalam imej dan video. Ia boleh mengesan objek, wajah, atau ciri halus seperti nombor plat kenderaan.

Bagaimana CNN Berfungsi:

Convolution Layer: Mengesan ciri asas (tepi, sudut, tekstur)
Pooling Layer: Mengecilkan saiz imej tanpa hilang maklumat penting
Fully Connected Layer: Membuat keputusan atau klasifikasi akhir

Contoh Aplikasi:

Pengecaman wajah di CCTV
Pengecaman nombor plat kenderaan (LPR)
Analisis imej satelit / dron

Analogi:

CNN seperti mata jurupolis pakar. Ia bukan sekadar melihat, tetapi kenal corak halus dalam imej untuk mengenal suspek atau objek penting.

2️⃣ RNN – Recurrent Neural Network

Definisi:
RNN direka untuk data bersiri di mana urutan penting. Contohnya teks, audio, atau tingkah laku manusia dari masa ke masa.

Bagaimana RNN Berfungsi:

Memproses input satu persatu, sambil ingat maklumat sebelumnya
Sesuai untuk ramalan, pengecaman suara, analisis bahasa

Contoh Aplikasi:

Pengecaman suara di telefon / AI asisten
Transkripsi rakaman polis / laporan audio
Ramalan corak jenayah berdasarkan urutan masa

Analogi:

RNN seperti pegawai polis yang ingat setiap langkah kes.
Setiap maklumat baru ditambah kepada ingatan lama untuk buat keputusan lebih tepat.

CNN vs RNN – Perbezaan Utama

Ciri	CNN	RNN
Data	Imej, video	Teks, audio, siri masa
Fokus	Corak spatial	Corak temporal / urutan
Contoh	Pengecaman wajah CCTV	Analisis laporan audio, ramalan jenayah bersiri

Contoh Kepolisan / Forensik Digital

Teknik	Aplikasi
CNN	Pengecaman wajah, nombor plat, objek mencurigakan
RNN	Transkripsi laporan audio, analisis komunikasi suspek, ramalan urutan jenayah

Kesimpulan Siri 6

CNN = AI “mata pakar” untuk imej & video
RNN = AI “ingatan pakar” untuk urutan & audio
Kedua-duanya asas kepada banyak aplikasi kepolisan, keselamatan, dan forensik digital

📌 Nota:
Faham CNN & RNN sebelum masuk Transformer, kerana Transformer adalah evolusi RNN untuk data bersiri skala besar.

Peranan Programmer / Data Scientist

Programmer tidak langsung ajar AI secara manual macam Rule-Based AI. Tetapi mereka sediakan kerangka, arahan dan peraturan matematik supaya AI boleh belajar sendiri.

Tugas Programmer:

Kumpul dan sediakan data
- Data mesti bersih, lengkap, dan relevan
- Contoh: Gambar wajah + label nama, rakaman suara, laporan jenayah
Pilih algoritma yang sesuai
- Contoh: Neural Network, CNN, RNN, Random Forest, Decision Tree
- Bergantung kepada masalah: klasifikasi, ramalan, pengelompokan
Tentukan parameter dan hyperparameter
- Parameter = “apa yang AI belajar sendiri” (contoh: berat neuron dalam NN)
- Hyperparameter = “tetapan programmer” (contoh: bilangan lapisan, saiz batch)
Sediakan prosedur latihan (training loop)
- Programmer tentukan bagaimana AI:
  - Ambil input data
  - Lakukan pengiraan (forward pass)
  - Banding output dengan jawapan sebenar (supervised learning)
  - Betulkan kesilapan (backpropagation)
  - Ulang proses sehingga hasil memuaskan
Sediakan mekanisme ujian / validasi
- Data baharu digunakan untuk uji ketepatan AI
- Programmer analisis prestasi dan betulkan jika perlu

2️⃣ Apa yang AI lakukan sendiri

Kenal corak dalam data
Sesuaikan “berat” neuron dalam Deep Learning
Buat ramalan atau klasifikasi bagi data baharu
Ulang proses latihan sehingga model optimum

Kita boleh kaitkan peranan programmer dan AI dengan pasukan bola sepak supaya lebih mudah difahami. Berikut versi analogi lengkap:

Programmer & AI – Analogi Pasukan Bola Sepak ⚽

Peranan	Dalam AI	Dalam Pasukan Bola Sepak	Penjelasan
Programmer / Data Scientist	Sediakan data, pilih algoritma, tentukan prosedur latihan	Jurulatih / Pengurus Pasukan	Jurulatih tentukan strategi permainan, latihan, formasi dan siapa main di posisi mana
Parameter / Hyperparameter	Tetapan latihan, bilangan lapisan, learning rate	Formasi & strategi	4-4-2, 3-5-2, corak serangan/pertahanan
AI (mesin belajar)	Belajar dari data, sesuaikan “berat neuron”, buat ramalan	Pemain di padang	Pemain praktis latihan, kenal corak lawan, buat keputusan sendiri semasa perlawanan
Proses Latihan (Training)	Forward pass, backpropagation, optimisasi	Latihan & perlawanan persahabatan	Pemain ulang gerakan, cuba strategi, perbaiki kesilapan
Hasil / Output	Ramalan, klasifikasi, cadangan	Gol, hantaran tepat, serangan berjaya	AI buat keputusan berdasarkan pengalaman data, pemain buat keputusan berdasarkan latihan & situasi sebenar

Analogi Ringkas Cerita

Bayangkan pasukan bola sepak ingin menewaskan lawan.
Jurulatih (programmer) sediakan strategi & latihan (data & algoritma).
Pemain (AI) bermain di padang, belajar dari setiap latihan dan perlawanan, kenal corak lawan, dan buat keputusan sendiri — hantaran, rembatan, atau serangan.
Semakin banyak latihan dan perlawanan, pemain semakin bijak — sama seperti AI yang belajar daripada lebih banyak data.

Kesimpulan Analogi

Programmer = Jurulatih: Menyediakan kerangka, aturan dan strategi.
AI = Pemain: Belajar, kenal corak, buat keputusan sendiri berdasarkan latihan/data.
Hasil = Prestasi AI: Bergantung kepada kualiti data & algoritma seperti prestasi pemain bergantung kepada latihan & strategi jurulatih.

Deep Learning & Neural Network: Meniru Cara Otak Manusia Berfikir

(Siri 5: Memahami Teknologi AI)

Apa Itu Neural Network?

Neural Network (NN) ialah asas kepada Deep Learning.
Ia meniru cara neuron otak manusia bekerja untuk mengenal corak, membuat keputusan dan belajar daripada data.

Struktur Ringkas Neural Network:

Input Layer – menerima data mentah
Hidden Layers – menganalisis data dan mencari corak
Output Layer – memberikan keputusan atau ramalan

Setiap “neuron” dalam jaringan mempunyai “berat” (weight) untuk menilai kepentingan setiap ciri.

Apa Itu Deep Learning?

Deep Learning (DL) ialah Neural Network dengan banyak lapisan tersembunyi (hidden layers), membolehkan AI:

Mengenal corak lebih kompleks
Memproses imej, audio, teks dan video dengan lebih tepat
Belajar sendiri daripada data besar

Bagaimana Neural Network dan Deep Learning Belajar?

Data Masuk (Input)
- Contoh: gambar wajah, rakaman suara, laporan jenayah
Proses Hidden Layers
- AI menganalisis corak: jarak mata, bentuk hidung, modus operandi jenayah
Output (Keputusan / Ramalan)
- Kenal wajah suspek
- Klasifikasi jenayah
- Cadangan tindakan polis
Latihan Berulang (Backpropagation)
- Kesilapan output dikira → AI sesuaikan “berat” neuron
- Proses diulang sehingga output lebih tepat

Contoh Aplikasi Deep Learning

Bidang	Contoh
Keselamatan	Pengecaman wajah CCTV, pengecaman nombor plat kenderaan
Perubatan	Diagnostik X-ray, MRI
Hiburan	Pengecaman suara, cadangan muzik
E-dagang	Cadangan produk, analisis corak pembelian

Analogi Mudah

Neural Network = Pegawai polis junior yang belajar mengenal wajah suspek berdasarkan ciri-ciri kecil (mata, hidung, mulut)
Deep Learning = Pegawai polis pakar yang boleh kenal suspek walaupun wajah berubah, kerana dia faham corak dan keseluruhan situasi.

Kelebihan Deep Learning

Sangat berkuasa untuk imej, audio dan teks
Boleh mengenal corak yang sukar dikesan manusia
Prestasi meningkat bila data bertambah

Kekangan Deep Learning

Perlukan data besar & berkualiti
Perlu kuasa komputer tinggi (GPU)
Sukar difahami (“black box”) – manusia kadang tidak tahu bagaimana AI buat keputusan

Kesimpulan Siri 5

Neural Network = asas AI meniru neuron otak
Deep Learning = Neural Network berlapis banyak, mampu memproses data kompleks
Digunakan dalam CCTV pintar, forensik digital, diagnostik perubatan, dan sistem cadangan canggih

📌 Nota:
Faham Deep Learning sebelum masuk CNN, RNN, dan Transformer kerana semua itu berasaskan prinsip Deep Learning.

Supervised vs Unsupervised Learning: Dua Cara AI Belajar

(Siri 4: Memahami Teknologi AI)

Apa Itu Supervised dan Unsupervised Learning?

Dalam Machine Learning, AI belajar melalui dua pendekatan utama:

Supervised Learning – belajar dari data berlabel
Unsupervised Learning – belajar dari data tidak berlabel

Kedua-duanya membolehkan AI kenal corak dan buat keputusan, tetapi cara dan kegunaannya berbeza.

1️⃣ Supervised Learning

Definisi:
AI diberi data yang sudah berlabel (ada jawapan). Model belajar daripada data ini untuk meramalkan output bagi data baru.

Contoh Data Berlabel:

Gambar wajah + nama
Rakaman suara + identiti
Laporan jenayah + jenis kes

Bagaimana Ia Berfungsi:

AI lihat data lama (contoh + jawapan)
Kenal corak / ciri penting
Bila data baharu masuk → AI buat ramalan / klasifikasi

Contoh Aplikasi:

Pengecaman wajah di CCTV
Pengesanan spam emel
Ramalan jenis jenayah berdasarkan corak

Analogi:

Seperti pegawai polis yang dilatih oleh jurulatih. Jurulatih tunjuk:
“Ini kes A → Jenayah curi”
“Ini kes B → Jenayah kecurian kenderaan”
Pegawai belajar dan boleh kenal kes baharu berdasarkan pengalaman.

2️⃣ Unsupervised Learning

Definisi:
AI diberi data tanpa label, dan ia perlu mencari corak sendiri.

Bagaimana Ia Berfungsi:

AI kumpul data besar
Analisis persamaan dan perbezaan
Bina kumpulan / cluster data yang serupa

Contoh Aplikasi:

Mengelompokkan penjenayah berdasarkan tingkah laku
Mengesan corak transaksi bank mencurigakan
Analisis media sosial untuk profil pengguna

Analogi:

Seperti pegawai polis baru yang meneliti fail kes tanpa arahan.
Pegawai cuba susun fail berdasarkan persamaan: sama modus operandi, lokasi, atau waktu kejadian.

Perbandingan Supervised vs Unsupervised Learning

Ciri	Supervised Learning	Unsupervised Learning
Data	Berlabel	Tidak berlabel
Tujuan	Ramalan / klasifikasi	Kenal corak / pengelompokan
Contoh	Pengecaman wajah, spam emel	Klasifikasi jenayah, profil pengguna
Interaksi manusia	Perlu jurulatih / label	AI tentukan sendiri

Contoh Kepolisan / Forensik Digital

Teknik	Aplikasi
Supervised	AI mengenal wajah suspek dari CCTV dengan data berlabel
Unsupervised	AI mengesan kluster transaksi mencurigakan tanpa label

Analogi praktikal:

Pegawai menggunakan pengalaman terdahulu untuk kes biasa (supervised)
vs Pegawai cuba kenal corak baru tanpa panduan (unsupervised)

Kelebihan

Supervised Learning: Tepat, mudah faham, sesuai untuk tugas dengan jawapan jelas
Unsupervised Learning: Fleksibel, boleh temui corak baru yang tidak dijangka

Kekangan

Supervised Learning: Perlu data berlabel banyak → kos & masa tinggi
Unsupervised Learning: Ramalan kurang tepat → hasil perlu semak manusia

Kesimpulan Siri 4

Supervised Learning = belajar dengan jawapan → ramal & klasifikasi
Unsupervised Learning = belajar tanpa jawapan → kenal corak & cluster

📌 Nota:
Kefahaman kedua-dua pendekatan ini penting sebelum masuk Deep Learning, CNN, RNN, dan Transformer.

Machine Learning: Bagaimana AI Belajar Daripada Data

(Siri 3: Memahami Teknologi AI)

Apa Itu Machine Learning?

Machine Learning (ML) ialah cabang AI yang membolehkan komputer belajar daripada data dan membuat keputusan tanpa arahan tetap.

Berbeza dengan Rule-Based AI, ML tidak hanya ikut peraturan. Ia belajar mengenal corak dan hubungan dalam data untuk meramalkan hasil baru.

Bagaimana Machine Learning Belajar?

1️⃣ Kumpulkan Data

ML memerlukan data mentah. Data ini boleh berupa:

Gambar, video, audio
Teks dan laporan
Rekod transaksi atau tingkah laku

2️⃣ Latihan (Training)

AI akan menganalisis data untuk mengenal corak atau pola tersembunyi.

Contoh: gambar wajah disusun mengikut ciri mata, hidung, mulut
Algoritma menyesuaikan “berat” (weight) untuk setiap ciri

3️⃣ Model Terbentuk

Selepas latihan, AI membentuk model matematik yang boleh membuat ramalan atau klasifikasi.

4️⃣ Ujian (Testing)

Model diuji dengan data baharu untuk melihat ketepatan.

Jika model kurang tepat, proses latihan diulang dengan data lebih banyak atau algoritma berbeza.

Bagaimana Machine Learning Membuat Cadangan/Keputusan?

ML menggunakan pola dalam data untuk meramalkan tindakan atau hasil.

Contoh: Sistem Cadangan Netflix

AI lihat filem yang anda tonton
Kenal corak (genre, pelakon, masa tontonan)
Banding dengan corak pengguna lain
Cadangkan filem yang kemungkinan anda suka

Analogi:

Seperti pegawai siasatan polis yang belajar daripada kes-kes lama untuk meneka kes baharu.
Misalnya, jika terdapat corak jenayah tertentu di kawasan A, pegawai boleh ramal kemungkinan jenayah seterusnya.

Jenis-jenis Machine Learning

Supervised Learning – Belajar dari data berlabel
- Contoh: Gambar wajah + nama, audio + identiti
Unsupervised Learning – Belajar dari data tidak berlabel
- Contoh: Mengesan corak transaksi mencurigakan, kumpulan jenayah
Reinforcement Learning – Belajar melalui ganjaran & hukuman
- Contoh: Robot rondaan autonomi, AI permainan

Contoh Machine Learning Dalam Kehidupan Seharian

Bidang	Contoh ML
Hiburan	Netflix, YouTube, Spotify (cadangan)
Keselamatan	CCTV pintar, pengecaman wajah
Kewangan	Pengesanan transaksi mencurigakan
E-dagang	Cadangan produk, harga dinamik

Analogi Mudah

Machine Learning seperti pegawai polis yang bijak belajar dari kes lama:
Dia boleh ramal hasil dan buat keputusan berdasarkan pengalaman terdahulu, walaupun kes baharu tidak pernah berlaku sebelumnya.

Berbeza dengan Rule-Based AI, pegawai ini boleh menyesuaikan diri mengikut keadaan.

Kelebihan Machine Learning

Boleh belajar sendiri tanpa arahan lengkap
Fleksibel untuk pelbagai masalah
Meningkat prestasi apabila data bertambah

Kekangan Machine Learning

Perlukan data besar dan berkualiti
Perlu komputer berkuasa tinggi
Risiko bias jika data tidak seimbang

Kesimpulan Siri 3

Machine Learning ialah AI yang pintar, fleksibel dan belajar daripada pengalaman.
Ia digunakan untuk membuat cadangan, klasifikasi dan ramalan, dari Netflix hingga pengesanan jenayah.

📌 Nota:
Faham ML ialah asas sebelum masuk Deep Learning, CNN/RNN, dan Transformer.

Apa Itu Kecerdasan Buatan (AI)?

(Siri 1: Memahami Teknologi AI)

Kecerdasan Buatan (Artificial Intelligence, AI) ialah teknologi yang membolehkan komputer dan mesin melakukan tugas yang biasanya memerlukan kecerdasan manusia seperti berfikir, menganalisis, membuat keputusan dan belajar daripada pengalaman.

Hari ini, AI bukan lagi teknologi masa depan. Ia sudah berada di sekeliling kita — dalam telefon pintar, media sosial, sistem navigasi, perubatan dan juga keselamatan awam.

Apa Maksud “Kecerdasan” Dalam AI?

Perkataan kecerdasan dalam AI bukan bermaksud emosi, kesedaran atau jiwa, tetapi merujuk kepada keupayaan sistem untuk:

Mengenal corak
Membuat keputusan
Menyelesaikan masalah
Belajar daripada data

AI tidak berfikir seperti manusia, tetapi mengira dan menganalisis dengan sangat pantas.

Analogi Mudah:

AI seperti pegawai pelatih yang sangat rajin membaca fail kes.
Ia tidak ada perasaan, tetapi sangat cekap mengingat dan menganalisis maklumat.

Apa Itu Sebenarnya AI?

Secara ringkas:

AI = Sistem komputer yang meniru keupayaan tertentu manusia melalui data dan algoritma.

AI hanya boleh berfungsi jika ada:

Data
Algoritma
Kuasa pengkomputeran

Tanpa data, AI tidak tahu apa-apa.

Contoh AI Dalam Kehidupan Seharian (Tanpa Kita Sedar)

Ramai orang menggunakan AI setiap hari tanpa menyedarinya.

Contoh biasa:

Telefon mencadangkan perkataan ketika menaip
Google Maps mencadangkan laluan terpantas
Facebook, TikTok dan YouTube memaparkan kandungan ikut minat
Kamera telefon mengenal wajah

Analogi:

AI seperti pembantu peribadi digital — ia belajar tentang tabiat kita dan menyesuaikan cadangan.

AI vs Automasi: Ramai Keliru

Tidak semua sistem automatik ialah AI.

Automasi Biasa	AI
Ikut arahan tetap	Belajar daripada data
Tidak berubah	Boleh menyesuaikan diri
Tiada pembelajaran	Ada pembelajaran

Contoh:

Mesin basuh automatik → automasi
Sistem cadangan Netflix → AI

Analogi:

Automasi seperti jam loceng.
AI seperti manusia yang tahu bila sesuai bangun tanpa disuruh.

Adakah AI Sama Dengan Robot?

❌ Tidak.

AI = Otak (perisian, algoritma)
Robot = Badan (perkakasan)

Robot boleh wujud tanpa AI, dan AI boleh wujud tanpa robot.

Contoh:

ChatGPT → AI tanpa robot
Mesin kilang lama → robot tanpa AI

Mitos Tentang AI

❌ AI akan menggantikan semua manusia
❌ AI ada emosi
❌ AI berfikir sendiri tanpa data

Realitinya:

✔ AI hanya alat
✔ AI bergantung kepada manusia
✔ AI ikut apa yang diajar

Analogi:

AI ialah pisau.
Ia boleh digunakan untuk memasak atau mencederakan — bergantung kepada manusia.

Kenapa Penting Faham Asas AI?

Tanpa kefahaman asas:

Mudah terpengaruh dengan hype
Takut tanpa sebab
Salah guna teknologi

Dengan kefahaman:

AI boleh digunakan secara beretika
Manusia kekal mengawal teknologi
Lebih bersedia untuk masa depan digital

Kesimpulan Siri 1

AI bukan sihir, bukan ancaman mutlak, dan bukan pengganti manusia.
Ia hanyalah alat pintar yang berfungsi berdasarkan data, algoritma dan arahan manusia.

Memahami AI bermula dengan asas, bukan teknikal yang rumit.