PRESENTED BY:
KELOMPOK 56
TRANSPARANSI DAN
AKUNTABILITAS DALAM
SISTEM AI. 

Scene 1

PRESENTED BY:
KELOMPOK 56
TRANSPARANSI DAN
AKUNTABILITAS DALAM
SISTEM AI

ANGGOTA KELOMPOK
ANGGOTA KELOMPOK
ANGGOTA KELOMPOK
LENI AYU ROMADHONI
23/515916/SV/22644
TSANIA GALUH B.
22/500322/TK/54832
SYAHRUL AFIF T. A.
23/518266/TK/57027
MELATI A. DHAMAYANTI
23/514454/SV/22352
NABILA AMANDA PUTRI
21/480409/PA/20867
TAMALIA RADHWA Q.T.
24/542368/TK/60223
KHAIRANI RISTYA W
21/475318/PA/20568 ZHORIF ZAINUL HAFIZH
23/515098/SV/22477. 

Scene 2

ANGGOTA KELOMPOK
ANGGOTA KELOMPOK
ANGGOTA KELOMPOK
LENI AYU ROMADHONI
23/515916/SV/22644
TSANIA GALUH B.
22/500322/TK/54832
SYAHRUL AFIF T. A.
23/518266/TK/57027
MELATI A. DHAMAYANTI
23/514454/SV/22352
NABILA AMANDA PUTRI
21/480409/PA/20867
TAMALIA RADHWA Q.T.
24/542368/TK/60223
KHAIRANI RISTYA W
21/475318/PA/20568 
ZHORIF ZAINUL HAFIZH
23/515098/SV/22477

Pengembangan dan penerapan kecerdasan
buatan dengan memperhatikan dampak
sosial, etis, dan hukum, serta memastikan
bahwa AI digunakan untuk kepentingan
bersama dan bukan untuk merugikan individu
atau kelompok.
Tujuan utama: AI YANG BERTANGGUNG JAWAB
Memastikan bahwa teknologi ini memberikan manfaat yang maksimal
tanpa menimbulkan dampak negatif yang tidak diinginkan.
Hal ini melibatkan prinsip transparansi,
akuntabilitas, dan keadilan dalam setiap
tahap pengembangan dan penggunaan AI.. 

Scene 3

Pengembangan dan penerapan kecerdasan
buatan 
dengan 
memperhatikan 
dampak
sosial, etis, dan hukum, serta memastikan
bahwa AI digunakan untuk kepentingan
bersama dan bukan untuk merugikan individu
atau kelompok.
Tujuan utama: 
AI YANG BERTANGGUNG JAWAB
Memastikan bahwa teknologi ini memberikan manfaat yang maksimal
tanpa menimbulkan dampak negatif yang tidak diinginkan.
Hal ini melibatkan prinsip transparansi,
akuntabilitas, dan keadilan dalam setiap
tahap pengembangan dan penggunaan AI.

Prinsip yang menekankan pentingnya keterbukaan dalam
pengembangan dan penggunaan AI. Hal ini berarti bahwa
algoritma, data yang digunakan, dan proses pengambilan
keputusan harus dapat dipahami dan dijelaskan kepada publik.
Transparansi ini bukan hanya membantu pengguna memahami
bagaimana AI bekerja, tetapi juga membangun kepercayaan
bahwa sistem tersebut tidak disalahgunakan atau dipengaruhi
oleh bias yang tidak terdeteksi.
TRANSPARANSI. 

Scene 4

Prinsip yang menekankan pentingnya keterbukaan dalam
pengembangan dan penggunaan AI. Hal ini berarti bahwa
algoritma, data yang digunakan, dan proses pengambilan
keputusan harus dapat dipahami dan dijelaskan kepada publik.
Transparansi ini bukan hanya membantu pengguna memahami
bagaimana AI bekerja, tetapi juga membangun kepercayaan
bahwa sistem tersebut tidak disalahgunakan atau dipengaruhi
oleh bias yang tidak terdeteksi.
TRANSPARANSI

Memastikan bahwa pihak-pihak yang mengembangkan atau
mengimplementasikan AI bertanggung jawab atas konsekuensi
yang ditimbulkan. Hal ini berarti bahwa jika terjadi kesalahan
atau penyalahgunaan, ada mekanisme yang jelas untuk
menanggapi dan memperbaikinya. Akuntabilitas juga melibatkan
pengawasan eksternal dan internal yang memastikan bahwa AI
digunakan sesuai dengan standar etis yang telah disepakati.
AKUNTABILITAS. 

Scene 5

Memastikan bahwa pihak-pihak yang mengembangkan atau
mengimplementasikan AI bertanggung jawab atas konsekuensi
yang ditimbulkan. Hal ini berarti bahwa jika terjadi kesalahan
atau penyalahgunaan, ada mekanisme yang jelas untuk
menanggapi dan memperbaikinya. Akuntabilitas juga melibatkan
pengawasan eksternal dan internal yang memastikan bahwa AI
digunakan sesuai dengan standar etis yang telah disepakati.
AKUNTABILITAS

Kunci untuk membangun kepercayaan
terhadap AI. TRANSPARANSI DAN
AKUNTABILITAS
• Tanpa transparansi, pengguna tidak akan tahu
bagaimana dan mengapa AI mengambil keputusan.
• Tanpa akuntabilitas, tidak ada jaminan bahwa
kesalahan atau dampak negatif dapat diperbaiki dengan
tepat. Melalui transparansi dan akuntabilitas, masyarakat
akan merasa lebih aman dan yakin bahwa AI
diterapkan secara adil dan bertanggung jawab.. 

Scene 6

Kunci untuk membangun kepercayaan
terhadap AI. 
TRANSPARANSI DAN
AKUNTABILITAS
• Tanpa transparansi, pengguna tidak akan tahu
bagaimana dan mengapa AI mengambil keputusan.
• Tanpa akuntabilitas, tidak ada jaminan bahwa
kesalahan atau dampak negatif dapat diperbaiki dengan
tepat. 
Melalui transparansi dan akuntabilitas, masyarakat
akan  merasa lebih aman dan yakin bahwa AI
diterapkan secara adil dan bertanggung jawab.

PENTINGNYA TRANSPARANSI
DALAM AI
Transparansi dalam kecerdasan buatan (AI)
penting untuk meningkatkan kepercayaan publik
dan memahami proses pengambilan keputusan.
Dengan transparansi, masyarakat dapat melihat
logika dan data yang digunakan oleh AI, serta
mengurangi masalah “black box” pada model
kompleks.
Namun, transparansi menghadapi tantangan,
terutama terkait model “black box” yang sulit
dipahami dan keterbatasan dalam mengungkap
algoritma serta data latih. Meski begitu,
transparansi mendukung penerapan AI yang lebih
etis, membantu menghindari bias, meningkatkan
tanggung jawab sosial, dan mendorong inovasi
yang beretika.. 

Scene 7

PENTINGNYA TRANSPARANSI
DALAM AI
Transparansi 
dalam 
kecerdasan 
buatan 
(AI)
penting untuk meningkatkan kepercayaan publik
dan memahami proses pengambilan keputusan.
Dengan transparansi, masyarakat dapat melihat
logika dan data yang digunakan oleh AI, serta
mengurangi masalah “black box” pada model
kompleks.
Namun, 
transparansi 
menghadapi 
tantangan,
terutama terkait model “black box” yang sulit
dipahami dan keterbatasan dalam mengungkap
algoritma 
serta 
data 
latih. 
Meski 
begitu,
transparansi mendukung penerapan AI yang lebih
etis, membantu menghindari bias, meningkatkan
tanggung jawab sosial, dan mendorong inovasi
yang beretika.

EXPLAINABLE AI (XAI) Penjelasan Metode Transparansi
Explainable AI (XAI) bertujuan untuk
mengembangkan sistem AI yang dapat
menjelaskan keputusan atau prediksi mereka
dengan cara yang dapat dipahami oleh
manusia. Dalam sistem AI tradisional,
keputusan sering kali seperti “kotak hitam”
yang sulit untuk diinterpretasi. XAI berusaha
membuka proses ini dengan cara yang lebih
transparan.. 

Scene 8

EXPLAINABLE AI (XAI) 
Penjelasan Metode Transparansi
Explainable AI (XAI) bertujuan untuk
mengembangkan sistem AI yang dapat
menjelaskan keputusan atau prediksi mereka
dengan cara yang dapat dipahami oleh
manusia. Dalam sistem AI tradisional,
keputusan sering kali seperti “kotak hitam”
yang sulit untuk diinterpretasi. XAI berusaha
membuka proses ini dengan cara yang lebih
transparan.

SHAP (Shapley Additive Explanations):
Menyediakan kontribusi setiap fitur
terhadap keputusan model.
LIME (Local Interpretable Model-agnostic
Explanations): Menghasilkan model
sederhana untuk menjelaskan prediksi
model yang lebih kompleks.
CONTOH EXPLAINABLE AI:
Contoh Kasus Penggunaan :
Dalam bidang medis, jika AI digunakan untuk
mendiagnosis penyakit, XAI memungkinkan
dokter untuk memahami faktor-faktor yang
memengaruhi diagnosis, meningkatkan
kepercayaan terhadap sistem.. 

Scene 9

SHAP (Shapley Additive Explanations):
Menyediakan kontribusi setiap fitur
terhadap keputusan model.
LIME (Local Interpretable Model-agnostic
Explanations): Menghasilkan model
sederhana untuk menjelaskan prediksi
model yang lebih kompleks.
CONTOH EXPLAINABLE AI:
Contoh Kasus Penggunaan :
Dalam bidang medis, jika AI digunakan untuk
mendiagnosis penyakit, XAI memungkinkan
dokter untuk memahami faktor-faktor yang
memengaruhi diagnosis, meningkatkan
kepercayaan terhadap sistem.

METODE TRANSPARANSI DALAM
EXPLAINABLE AI MENCAKUP:
Model White-box : Model yang intrinsik
transparan, seperti pohon keputusan
atau regresi linear, memungkinkan
pemahaman langsung tentang
keputusan model.
Pendekatan Post-Hoc : Untuk model
yang lebih kompleks, seperti jaringan
saraf atau random forest, teknik seperti
LIME atau SHAP digunakan untuk
menjelaskan prediksi setelah model
dilatih.. 

Scene 10

METODE TRANSPARANSI DALAM
EXPLAINABLE AI MENCAKUP:
Model White-box : Model yang intrinsik
transparan, seperti pohon keputusan
atau regresi linear, memungkinkan
pemahaman langsung tentang
keputusan model.
Pendekatan Post-Hoc : Untuk model
yang lebih kompleks, seperti jaringan
saraf atau random forest, teknik seperti
LIME atau SHAP digunakan untuk
menjelaskan prediksi setelah model
dilatih.

Dokumentasi Model : Semua keputusan dan
proses yang diambil oleh model harus
terdokumentasi dengan baik, termasuk data
yang digunakan, metode pelatihan, dan pengujian
model. Dokumentasi ini memudahkan
pemahaman dan pengelolaan model.
Jalur Audit : Diperlukan untuk memastikan bahwa
keputusan yang diambil oleh model dapat
dilacak kembali ke sumbernya. Jalur audit
membantu memastikan bahwa model tidak bias
dan memberikan akuntabilitas dalam
penggunaan AI.
KEBUTUHAN DOKUMENTASI DAN
JALUR AUDIT DALAM SISTEM AI :. 

Scene 11

Dokumentasi Model : Semua keputusan dan
proses yang diambil oleh model harus
terdokumentasi dengan baik, termasuk data
yang digunakan, metode pelatihan, dan pengujian
model. Dokumentasi ini memudahkan
pemahaman dan pengelolaan model.
Jalur Audit : Diperlukan untuk memastikan bahwa
keputusan yang diambil oleh model dapat
dilacak kembali ke sumbernya. Jalur audit
membantu memastikan bahwa model tidak bias
dan memberikan akuntabilitas dalam
penggunaan AI.
KEBUTUHAN DOKUMENTASI DAN
JALUR AUDIT DALAM SISTEM AI :

AKUNTABILITAS DALAM AI
Akuntabilitas dalam ranah kecerdasan buatan
(AI) merujuk pada kewajiban pihak-pihak yang
terlibat dalam desain, pengembangan,
penggunaan, dan penerapan teknologi AI untuk
bertanggung jawab atas hasil dan dampak yang
ditimbulkan oleh teknologi tersebut. Akuntabilitas menjadi penting untuk memastikan
bahwa setiap dampak negatif, kesalahan, atau
ketidaksesuaian dapat ditelusuri, dijelaskan, dan
diperbaiki.. 

Scene 12

AKUNTABILITAS DALAM AI
Akuntabilitas dalam ranah kecerdasan buatan
(AI) merujuk pada kewajiban pihak-pihak yang
terlibat 
dalam 
desain, 
pengembangan,
penggunaan, dan penerapan teknologi AI untuk
bertanggung jawab atas hasil dan dampak yang
ditimbulkan oleh teknologi tersebut. 
Akuntabilitas menjadi penting untuk memastikan
bahwa setiap dampak negatif, kesalahan, atau
ketidaksesuaian dapat ditelusuri, dijelaskan, dan
diperbaiki.

SIAPA YANG BERTANGGUNG JAWAB?
PENGEMBANG & PENELITI AI
Bertanggung jawab dalam merancang algoritma yang
aman, transparan, dan tanpa bias.
Wajib melakukan pengujian dan validasi menyeluruh
untuk meminimalisir dampak negatif pada pengguna.
PEMERINTAH & REGULATOR
Bertanggung jawab membuat peraturan yang
menjaga penggunaan AI tetap sesuai dengan etika
dan hukum, seperti salah satunya melindungi privasi. PERUSAHAAN/ORGANISASI YANG
MENGGUNAKAN AI
Bertanggung jawab atas dampak yang dihasilkan dari
produk atau layanan yang menggunakan AI.
Wajib memastikan bahwa teknologi yang digunakan
memenuhi standar etika dan regulasi.
PENGGUNA AKHIR
Bertanggung jawab moral untuk menggunakan AI
sesuai regulasi dan menghindari penggunaan AI yang
merugikan orang lain.. 

Scene 13

SIAPA YANG BERTANGGUNG JAWAB?
PENGEMBANG & PENELITI AI
Bertanggung jawab dalam merancang algoritma yang
aman, transparan, dan tanpa bias.
Wajib melakukan pengujian dan validasi menyeluruh
untuk meminimalisir dampak negatif pada pengguna.
PEMERINTAH & REGULATOR
Bertanggung 
jawab 
membuat 
peraturan 
yang
menjaga penggunaan AI tetap sesuai dengan etika
dan hukum, seperti salah satunya melindungi privasi. 
PERUSAHAAN/ORGANISASI YANG
MENGGUNAKAN AI
Bertanggung jawab atas dampak yang dihasilkan dari
produk atau layanan yang menggunakan AI.
Wajib memastikan bahwa teknologi yang digunakan
memenuhi standar etika dan regulasi.
PENGGUNA AKHIR
Bertanggung jawab moral untuk menggunakan AI
sesuai regulasi dan menghindari penggunaan AI yang
merugikan orang lain.

PENTINGNYA AKUNTABILITAS
DALAM AI
Mengurangi risiko dan dampak negatif
dimana akuntabilitas memastikan adanya
mekanisme untuk mengidentifikasi, mengatasi,
dan memperbaiki kesalahan.
Menghindari penyalahgunaan sebagai contoh
dalam pengumpulan data.
Kepastian hukum seperti GDPR di Eropa yang
mengharuskan transparansi dalam
penggunaan AI dan perlindungan data
pengguna.
Meningkatkan kepercayaan publik dengan
adanya tanggung jawab dan kontrol yang jelas
terhadap AI.. 

Scene 14

PENTINGNYA AKUNTABILITAS
DALAM AI
Mengurangi 
risiko 
dan 
dampak 
negatif
dimana 
akuntabilitas 
memastikan 
adanya
mekanisme untuk mengidentifikasi, mengatasi,
dan memperbaiki kesalahan.
Menghindari penyalahgunaan sebagai contoh
dalam pengumpulan data.
Kepastian hukum seperti GDPR di Eropa yang
mengharuskan 
transparansi 
dalam
penggunaan 
AI 
dan 
perlindungan 
data
pengguna.
Meningkatkan kepercayaan publik dengan
adanya tanggung jawab dan kontrol yang jelas
terhadap AI.

POIN-POIN UTAMA AKUNTABILITAS DALAM AI
Perlindungan data dan privasi agar
data pengguna terlindungi dan tidak
digunakan tanpa izin.
Transparansi dan keterbukaan
dimana perusahaan wajib
memberikan informasi yang jelas
bagaimana AI bekerja dan dampaknya
pada pengguna.
Anti-Diskriminasi dimana hukum
mengatur AI agar tidak menghasilkan
keputusan yang bias atau
diskriminatif.
Mengutamakan kesejahteraan
manusia dimana AI dirancang dengan
prinsip untuk meningkatkan
kesejahteraan manusia,
Memastikan keadilan dengan tidak
adanya bias dimana AI harus
dirancang dan diuji untuk
memastikan tidak ada bias dalam
algoritmanya.
Meminimalisir dampak negatif yang
dapat ditimbulkan baik jangka
pendek maupun jangka panjang.
Tanggung Jawab Hukum:
Tanggung Jawab Etika:. 

Scene 15

POIN-POIN UTAMA AKUNTABILITAS DALAM AI
Perlindungan data dan privasi agar
data pengguna terlindungi dan tidak
digunakan tanpa izin.
Transparansi 
dan 
keterbukaan
dimana 
perusahaan 
wajib
memberikan 
informasi 
yang 
jelas
bagaimana AI bekerja dan dampaknya
pada pengguna.
Anti-Diskriminasi 
dimana 
hukum
mengatur AI agar tidak menghasilkan
keputusan 
yang 
bias 
atau
diskriminatif.
Mengutamakan 
kesejahteraan
manusia dimana AI dirancang dengan
prinsip 
untuk 
meningkatkan
kesejahteraan manusia,
Memastikan keadilan dengan tidak
adanya 
bias 
dimana 
AI 
harus
dirancang 
dan 
diuji 
untuk
memastikan tidak ada bias dalam
algoritmanya.
Meminimalisir dampak negatif yang
dapat 
ditimbulkan 
baik 
jangka
pendek maupun jangka panjang.
Tanggung Jawab Hukum:
Tanggung Jawab Etika:

PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Berikut prosesnya:
Audit Rutin:
Dilakukan secara berkala untuk mengevaluasi apakah sistem AI sesuai dengan standar
dan peraturan yang berlaku.
Memastikan adanya dokumentasi lengkap dari data, proses, dan keputusan yang
diambil.
Penilaian Risiko:
Mengidentifikasi potensi risiko dari penggunaan AI, seperti bias atau penyalahgunaan
data.
Penilaian risiko dilakukan pada setiap tahap pengembangan untuk mengurangi dampak
negatif.. 

Scene 16

PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Berikut prosesnya:
Audit Rutin:
Dilakukan secara berkala untuk mengevaluasi apakah sistem AI sesuai dengan standar
dan peraturan yang berlaku.
Memastikan adanya dokumentasi lengkap dari data, proses, dan keputusan yang
diambil.
Penilaian Risiko:
Mengidentifikasi potensi risiko dari penggunaan AI, seperti bias atau penyalahgunaan
data.
Penilaian risiko dilakukan pada setiap tahap pengembangan untuk mengurangi dampak
negatif.

PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Berikut prosesnya:
Kerangka Kerja & Kebijakan Akuntabilitas:
Menggunakan standar dan panduan akuntabilitas yang diakui, seperti GDPR atau
ISO/IEC.
Membantu organisasi mempertanggungjawabkan tindakan yang dilakukan selama
pengembangan dan penerapan AI.. 

Scene 17

PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Berikut prosesnya:
Kerangka Kerja & Kebijakan Akuntabilitas:
Menggunakan standar dan panduan akuntabilitas yang diakui, seperti GDPR atau
ISO/IEC.
Membantu organisasi mempertanggungjawabkan tindakan yang dilakukan selama
pengembangan dan penerapan AI.

Contoh di Dunia Nyata:
PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Contoh Perusahaan Teknologi: Perusahaan besar seperti Google dan Microsoft
melakukan audit rutin untuk memastikan bahwa algoritma mereka tidak mengandung
bias.
Penerapan GDPR: Di Eropa, peraturan ini mengharuskan transparansi dalam
pemrosesan data oleh sistem AI.. 

Scene 18

Contoh di Dunia Nyata:
PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Contoh Perusahaan Teknologi: Perusahaan besar seperti Google dan Microsoft
melakukan audit rutin untuk memastikan bahwa algoritma mereka tidak mengandung
bias.
Penerapan GDPR: Di Eropa, peraturan ini mengharuskan transparansi dalam
pemrosesan data oleh sistem AI.

Manfaat Akuntabilitas
dalam Pengembangan AI
PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Membangun kepercayaan publik pada teknologi AI.
Memastikan keamanan dan keadilan dalam penggunaan AI.
Mengurangi risiko terkait privasi, bias, dan penyalahgunaan data.
Akuntabilitas bukan hanya keharusan hukum, tetapi juga tanggung
jawab moral dalam menciptakan AI yang bermanfaat bagi semua.. 

Scene 19

Manfaat Akuntabilitas
dalam Pengembangan AI
PENERAPAN AKUNTABILITAS DALAM
PENGEMBANGAN AI
Membangun kepercayaan publik pada teknologi AI.
Memastikan keamanan dan keadilan dalam penggunaan AI.
Mengurangi risiko terkait privasi, bias, dan penyalahgunaan data.
Akuntabilitas bukan hanya keharusan hukum, tetapi juga tanggung
jawab moral dalam menciptakan AI yang bermanfaat bagi semua.

TANTANGAN PENERAPAN
TRANSPARANSI & AKUNTABILITAS 01
02
03
Keterbatasan
Teknis
04
Biaya yang
Tinggi
Resistensi
dalam
Organisasi
Kompleksitas
Regulasi &
Standar. 

Scene 20

TANTANGAN PENERAPAN
TRANSPARANSI & AKUNTABILITAS 
01
02
03
Keterbatasan
Teknis
04
Biaya yang
Tinggi
Resistensi
dalam
Organisasi
Kompleksitas
Regulasi &
Standar

KETERBATASAN TEKNIS
Sistem AI yang kompleks seperti deep learning bersifat “black box”
01
-> Proses decision-making sulit dipahami oleh pengguna dan bahkan
terkadang oleh developer-nya sekalipun.
Model AI cenderung kompleks dan memiliki banyak lapisan parameter
yang saling terkait sehingga sulit untuk memberikan penjelasan
transparan mengenai bagaimana output dihasilkan.. 

Scene 21

KETERBATASAN TEKNIS
Sistem AI yang kompleks seperti deep learning bersifat “black box”
01
-> Proses decision-making sulit dipahami oleh pengguna dan bahkan
terkadang oleh developer-nya sekalipun.
Model AI cenderung kompleks dan memiliki banyak lapisan parameter
yang saling terkait sehingga sulit untuk memberikan penjelasan
transparan mengenai bagaimana output dihasilkan.

BIAYA YANG TINGGI
02
Audit internal, dokumentasi menyeluruh, dan penyediaan model AI yang
transparan (explainable AI) membutuhkan investasi yang cukup besar. Perusahaan seringkali harus menyediakan resource tambahan untuk
menjaga transparansi, seperti penambahan hardware dan biaya
pengembangan software untuk membuat sistem yang lebih interpretable.. 

Scene 22

BIAYA YANG TINGGI
02
Audit internal, dokumentasi menyeluruh, dan penyediaan model AI yang
transparan (explainable AI) membutuhkan investasi yang cukup besar. 
Perusahaan seringkali harus menyediakan resource tambahan untuk
menjaga 
transparansi, 
seperti 
penambahan 
hardware 
dan 
biaya
pengembangan software untuk membuat sistem yang lebih interpretable.

RESISTENSI DALAM ORGANISASI
03
Beberapa budaya organisasi atau perusahaan lebih mengutamakan
efisiensi daripada kejelasan proses karena kurangnya pemahaman
tentang pentingnya transparansi dalam etika AI. Dalam industri teknologi, perusahaan besar seringkali enggan berbagi
data atau membuka proses decison-making AI mereka untuk menghindari
risiko kehilangan daya saing.. 

Scene 23

RESISTENSI DALAM ORGANISASI
03
Beberapa budaya organisasi atau perusahaan lebih mengutamakan
efisiensi daripada kejelasan proses karena kurangnya pemahaman
tentang pentingnya transparansi dalam etika AI. 
Dalam industri teknologi, perusahaan besar seringkali enggan berbagi
data atau membuka proses decison-making AI mereka untuk menghindari
risiko kehilangan daya saing.

KOMPLEKSITAS REGULASI & STANDAR
04
Perbedaan regulasi terkait AI di setiap negara menyulitkan penerapan standar yang
seragam.
Perusahaan harus menyesuaikan praktik transparansi dan akuntabilitas sesuai
dengan peraturan yang berlaku di masing-masing wilayah.
Penerapan GDPR di Eropa mengharuskan perusahaan untuk memenuhi standar privasi
dan keamanan yang ketat, sementara regulasi di wilayah lain mungkin lebih longgar
sehingga menciptakan kesenjangan dalam penerapan transparansi dan akuntabilitas.. 

Scene 24

KOMPLEKSITAS REGULASI & STANDAR
04
Perbedaan regulasi terkait AI di setiap negara menyulitkan penerapan standar yang
seragam.
Perusahaan harus menyesuaikan praktik transparansi dan akuntabilitas sesuai
dengan peraturan yang berlaku di masing-masing wilayah.
Penerapan GDPR di Eropa mengharuskan perusahaan untuk memenuhi standar privasi
dan keamanan yang ketat, sementara regulasi di wilayah lain mungkin lebih longgar
sehingga menciptakan kesenjangan dalam penerapan transparansi dan akuntabilitas.

STUDI KASUS DAN CONTOH DARI
DUNIA NYATA
Organisasi yang Berhasil
Transparansi dan akuntabilitas di GPDI Gloria
Laporan Keuangan di Papan Pengumuman Laporan keuangan mingguan dipajang di papan pengumuman gereja untuk akses jemaat.
Informasi Keuangan di Buku Panduan Ibadah Buku panduan acara ibadah juga mencantumkan arus kas masuk dan keluar.
Transparansi dan Akuntabilitas Terjaga Langkah ini memastikan pengelolaan dana gereja terbuka dan dapat dipertanggungjawabkan kepada jemaat.. 

Scene 25

STUDI KASUS DAN CONTOH DARI
DUNIA NYATA
Organisasi yang Berhasil
Transparansi dan akuntabilitas di GPDI Gloria
Laporan Keuangan di Papan Pengumuman
      Laporan keuangan mingguan dipajang di papan
      pengumuman gereja untuk akses jemaat.
Informasi Keuangan di Buku Panduan Ibadah
      Buku panduan acara ibadah juga mencantumkan arus kas
      masuk dan keluar.
Transparansi dan Akuntabilitas Terjaga
      Langkah ini memastikan pengelolaan dana gereja terbuka
      dan dapat dipertanggungjawabkan kepada jemaat.

Penyebab Diskriminasi dalam Amazon Rekrutmen AI:
Data Pelatihan Bias: Algoritma dilatih dengan data
historis yang didominasi oleh pelamar pria, terutama
dalam industri teknologi.
Penguatan Stereotip: AI mereplikasi pola yang ada
dalam data, memperkuat bias gender yang sudah
ada.
Kurangnya Audit Bias: Tidak ada mekanisme yang
cukup untuk mendeteksi dan memperbaiki bias
dalam sistem sejak awal.
STUDI KASUS DAN CONTOH DARI
DUNIA NYATA
Perusahaan yang Tidak Berhasil
Amazon Rekrutmen AI (2018). 

Scene 26

Penyebab Diskriminasi dalam Amazon Rekrutmen AI:
Data Pelatihan Bias: Algoritma dilatih dengan data
historis yang didominasi oleh pelamar pria, terutama
dalam industri teknologi.
Penguatan Stereotip: AI mereplikasi pola yang ada
dalam data, memperkuat bias gender yang sudah
ada.
Kurangnya Audit Bias: Tidak ada mekanisme yang
cukup untuk mendeteksi dan memperbaiki bias
dalam sistem sejak awal.
STUDI KASUS DAN CONTOH DARI
DUNIA NYATA
Perusahaan yang Tidak Berhasil
Amazon Rekrutmen AI (2018)

Pengembangan dan penerapan AI harus etis dengan mempertimbangkan
dampak sosial dan hukum serta memastikan manfaat yang adil. Prinsip
utamanya adalah transparansi, akuntabilitas, dan keadilan. Transparansi,
yakni keterbukaan dalam algoritma, data, dan proses, membantu
membangun kepercayaan publik dan mencegah bias tersembunyi.
Akuntabilitas memastikan pengembang dan pengguna bertanggung jawab
atas dampak AI, dengan mekanisme yang memungkinkan koreksi jika
terjadi kesalahan. Penerapan prinsip-prinsip ini, seperti melalui audit rutin
dan standar GDPR, penting untuk keamanan dan keadilan, meski ada
tantangan seperti biaya dan kompleksitas regulasi. Explainable AI (XAI)
berperan membuat sistem AI transparan, seperti metode SHAP dan LIME
yang membantu memahami keputusan AI, khususnya dalam sektor medis.
Dokumentasi dan jalur audit memperkuat akuntabilitas dan mencegah bias.
KESIMPULAN. 

Scene 27

Pengembangan dan penerapan AI harus etis dengan mempertimbangkan
dampak sosial dan hukum serta memastikan manfaat yang adil. Prinsip
utamanya adalah transparansi, akuntabilitas, dan keadilan. Transparansi,
yakni keterbukaan dalam algoritma, data, dan proses, membantu
membangun kepercayaan publik dan mencegah bias tersembunyi.
Akuntabilitas memastikan pengembang dan pengguna bertanggung jawab
atas dampak AI, dengan mekanisme yang memungkinkan koreksi jika
terjadi kesalahan. Penerapan prinsip-prinsip ini, seperti melalui audit rutin
dan standar GDPR, penting untuk keamanan dan keadilan, meski ada
tantangan seperti biaya dan kompleksitas regulasi. Explainable AI (XAI)
berperan membuat sistem AI transparan, seperti metode SHAP dan LIME
yang membantu memahami keputusan AI, khususnya dalam sektor medis.
Dokumentasi dan jalur audit memperkuat akuntabilitas dan mencegah bias.
KESIMPULAN

Masa depan AI mengarah pada teknologi yang lebih manusiawi, di
mana AI dirancang tidak hanya untuk efisiensi dan kecanggihan,
tetapi juga untuk melayani kepentingan sosial secara etis. Tren ke
depan akan mengutamakan AI yang lebih dapat dijelaskan
(Explainable AI), minim bias, serta sesuai dengan regulasi privasi dan
keamanan yang ketat. Kolaborasi global diharapkan dalam
membentuk standar yang adil dan harmonis untuk penerapan AI
yang lebih luas.
ARAH MASA DEPAN AI. 

Scene 28

Masa depan AI mengarah pada teknologi yang lebih manusiawi, di
mana AI dirancang tidak hanya untuk efisiensi dan kecanggihan,
tetapi juga untuk melayani kepentingan sosial secara etis. Tren ke
depan akan mengutamakan AI yang lebih dapat dijelaskan
(Explainable AI), minim bias, serta sesuai dengan regulasi privasi dan
keamanan yang ketat. Kolaborasi global diharapkan dalam
membentuk standar yang adil dan harmonis untuk penerapan AI
yang lebih luas.
ARAH MASA DEPAN AI

Mari kita bersama-sama mengembangkan AI yang bertanggung
jawab dan beretika, AI yang tidak hanya canggih secara teknis
tetapi juga transparan, adil, dan akuntabel. Dengan
mengutamakan nilai-nilai ini, kita dapat membangun masa depan
yang lebih baik di mana teknologi benar-benar memberi manfaat
bagi seluruh masyarakat.. 

Scene 29

Mari kita bersama-sama mengembangkan AI yang bertanggung
jawab dan beretika, AI yang tidak hanya canggih secara teknis
tetapi juga transparan, adil, dan akuntabel. Dengan
mengutamakan nilai-nilai ini, kita dapat membangun masa depan
yang lebih baik di mana teknologi benar-benar memberi manfaat
bagi seluruh masyarakat.

Green and Orange Vibrant Animated AI and Machine Learning Presentation