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

1. Algorithm = sedia ada, boleh guna dari library

2. RNN = sedia ada, ada implementasi LSTM / GRU siap pakai

3. Programmer fokus pada: pilih algoritma, sediakan data, tetapkan hyperparameter, latih model

4. 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:

1. Jurulatih / Programer sediakan SOP & strategi:

   • “Kalau ada kecurian di kawasan A → ambil tindakan X”

   • “Rondaan waktu malam di kawasan B → tambah pegawai”

2. 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)

3. Hyperparameter seperti bilangan pegawai, jadual ronda ditetapkan supaya operasi optimum.

4. 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.