Mt2.docx

BAB I

PENDAHULUAN

Kemajuan teknologi yang pesat, berpengaruh pada perkembangan perangkat mobile saat ini, sehingga penggunaan perangkat mobile semakin memasyarakat. Perkembangan ini sangatlah membantu dalam menyajikan informasi yang cepat dan efisien dengan pengaksesan informasi melalui perangkat mobile tersebut. Walaupun perangkat mobile merupakan small device dengan layar penyajian yang sangat terbatas, tetapi penyajian informasinya pun tidak kalah optimal layaknya informasi yang diakses dari personal computer, tergantung bagaimana cara penyajiannya. Selain perkembangan teknologi perangkat mobile, telah berkembang pula keilmuan yang mampu mengadopsi cara berpikir manusia. Menurut Turban, ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia disebut kecerdasan buatan (Arhami, 2005). Sistem Pakar adalah salah satu bagian dari Artificial Intelligence (kecerdasan buatan) yang membuat penggunaan secara luas knowledge yang khusus untuk peyelesaian masalah tingkat manusia yang pakar (Arhami, 2005). Berikut merupakan keunggulan sistem pakar dibandingkan seorang pakar, yaitu:

Sistem pakar bisa digunakan setiap hari menyerupai sebuah mesin, sedangkan pakar tidak mungkin bekerja terus-menerus setiap hari tanpa beristirahat. Sistem pakar merupakan suatu software yang dapat diperbanyak dan kemudian dibagikan ke berbagai lokasi maupun tempat yang berbeda, sedangkan seorang pakar hanya bekerja pada satu tempat dan pada saat yang bersamaan Pengetahuan yang disimpan pada sistem pakar tidak bisa hilang/lupa, sedangkan pengetahuan seorang pakar manusia lambat laun akan hilang karena meningggal, usia yang semakin tua, maupun menderita suatu penyakit. Kemampuan memecahkan masalah pada suatu sistem pakar tidak dipengaruhi oleh faktor dari luar seperti intimidasi, perasaan kejiwaan, faktor ekonomi ataupun perasaan tidak suka. Sebaliknya seorang pakar dapat dipengaruhi faktor-faktor luar, dengan kata lain seorang pakar boleh jadi tidak konsisten. Biaya menggaji seorang pakar lebih mahal bila dibandingkan dengan penggunaan program sistem pakar (dengan asumsi bahwa program sistem pakar itu sudah ada). Mesin inferensi merupakan komponen yang mengandung pola pikir penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Terdapat dua pendekatan untuk mengontrol mesin inferensi dalam sistem pakar yang berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan ke depan (forward chaining). Menurut Schnupp, metode inferensi pelacakan ke belakang cocok digunakan untuk memecahkan masalah diagnosis (Arhami, 2005). Pendekatan ini dimotori oleh tujuan dalam pelacakannya (goal driven), merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur. Pelacakan dimulai dari tujuan, dan selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan

premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.

BAB II

DASAR-DASAR KECERDASAN BUATAN

(ARTIFICIAL INTELLIGENCE)

Dasar Artificial Intelligence Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan Obyek/Muka, bermain sepak bola.

Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game.

‘Kecerdasan buatan’ ini bukan hanya ingin mengerti apa itu sistem kecerdasan, tapi juga mengkonstruksinya.

Tidak ada definisi yang memuaskan untuk ‘kecerdasan’:

Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan. AI biasanya dihubungkan dengan Ilmu Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi, Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan pengetahuan dari semua bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam upaya menciptakan suatu kecerdasan buatan.

Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namu bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula dengan kemampuan menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik.

Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar.

Sejarah Kecerdasan Buatan Kecerdasan buatan merupakan bidang ilmu komputer yang sangat penting di era kini dan masa yang akan datang untuk mewujudkan sistem komputer yang cerdas. Bidang ini telah berkembang sangat pesat di 20 tahun terakhir seiring dengan kebutuhan perangkat cerdas pada industry dan rumah tangga.

Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”. Berarti dasar dari intelligence ialah kemampuan untuk memahami dan melakukan aksi. Sebenarnya, area Kecerdasan Buatan (Artificial Intelligence) atau disingkat dengan AI, bermula dari kemunculan komputer sekitar th 1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno. Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu yang dapat dilakukan oleh manusia. Dalam hal ini, komputer tersebut dapat meniru kemampuan kecerdasan dan perilaku manusia.

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan “Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas” pada 1943 yang meletakkan pondasi untuk jaringan syaraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah “kecerdasan buatan ” pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan “Turing test” sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah

komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta di mana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Sejarah Penting Pengembangan Bidang Kecerdasan Buatan

No.

Tahun Deskripsi

1

1206

Robot humanoid pertama karya Al-Jazari

2

1796

Boneka penuang the dari jepang bernama Karakuri

3

1941

Komputer elektronik pertama

4

1949

Komputer dengna program tersimpan pertama

5

1956

Kelahiran dari Artificial Intelligence pada Dartmouth conference

6

1958

Bahasa LISP dibuat

7

1963

Penelitian intensif departemen pertahanan Amerika

8

1970

Sisem pakaer pertama diperkenalkan secara luas

9

1972

Bahasa Prolog diciptakan

10

1986

Perangkat berbasis AI dijual luas mencapai $425 juta

11

1994

AC berbasis Neuro fuzzy dijual

12

2010

Sistem kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan

13

2011

Service Robot untuk restoran berhasil dibuat di Indonesia

14

2012

Sistem Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning

15

2012

Sistem immune pada Deteksi spam diciptakan

Saat ini, hampir semua perangkat komputer dan perangkat elektronika canggih menerapkan kecerdasan buatan untuk membuat sistem lebih handal. Di masa yang akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh lebih cerdas karena telah ditanamkan berbagai metode kecerdasan buatan.

Kecerdasan Dari kamus, arti kecerdasan adalah: kemampuan untuk mengerti/memahami (The faculty of understanding). Perilaku cerdas dapat ditandai dengan:

Belajar atau mengerti dari pengalaman Memecahkan hal yang bersifat mendua atau kontradiktif Merespon situasi baru dengan cepat (fleksibel) Menggunakan alasan untuk memecahkan problem secara efektif Berurusan dengan situasi yang membingungkan Memahami dengan cara biasa/rasional Menerapkan pengetahuan untuk memanipulasi lingkungan Mengenali elemen penting pada suatu situasi Sebuah ujian yang dapat dilakukan untuk menentukan apakah sebuah komputer/ mesin menunjukkan perilaku cerdas didesain oleh Alan Turing. Tes Turing menyatakan sebuah mesin dikatakan pintar hanya apabila seorang pewawancara (manusia) yang berbicara dengan orang lain dan mesin yang dua-duanya tidak terlihat olehnya, tidak mampu menentukan mana yang manusia dan mana yang mesin, meskipun dia telah berulang-ulang melontarkan pertanyaan yang sama.

Perbandingan Kecerdasan Buatan dengan Kecerdasan Manusia Menurut Kaplan, diutarakan oleh Turban, McLean dan Wetherbe tahun 1999, pada halam 478, AI atau Artificial Intelligence mempunyai beberapa kelebihan dibandingkan dengan kecerdasan alami (Kecerdaran Manusia). Kelebihan tersebut dipaparkan sebagai berikut:

AI Lebih bersifat Permanen Berbeda dengan AI, kecerdasan Alami yang dipunyai oleh seseorang tidak dapat disimpan. Ketika orang tersebut pindah kerja, pengetahuan yang dimilikinya ikut terbawa. AI lebih bersifat Permanen karena tetap ada sepanjang sistem komputer dan program masih terpelihara.

AI Menawarkan Kemudahan untuk digandakan dan disebarkan Pemindahan pengetahuan dari satu orang ke orang lain memerlukan waktu yang panjang dan bahkan mungkin pengetahuan itu tidak dapat diduplikasi secara lengkap. Adapun pengetahuan dalam sistem komputer mudah sekali untuk disalin dan dipidahkan ke sistem lain.

AI dapat lebih murah daripada kecerdasan alami Telah banyak dibuktikan bahwa biaya membeli jasa dengan komputer lebih murah daripada biaya untuk membiayai manusia yang melaksanakan tugas yang sama.

AI bersifat Konsisten dan Teliti Hal ini berbeda dengan manusia yang sering tak menentu atau tidak konsisten. AI dapat didokumentasi Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah dengan cara mencatat semua kegiatan yang dilakukan sistem. Kecerdasan alami sulit untuk didokumentasi. Sebagai contoh, seseorang bisa jadi melakukan penyimpulan, tetapi pada saat yang lain mungkin tidak dapat melakukan kembali proses penalaran yang membimbingnya ke kesimpulan ataupun mengingat kembali asumsiasumsi yang mendasari keputusan

Bidang-bidang Aplikasi AI Pengolahan Bahasa Alami Natural Language Processing atau Pemrosesan Bahasa Alami merupakan salah satu tujuan jangka panjang dari Artficial Intelegence(kecerdasan buatan) yaitu pembuatan program yang memiliki kemampuan untuk memahami bahasa manusia.

Pada prinsipnya bahasa alami adalah suatu bentuk representasi dari suatu pesan yang ingin dikomunikasikan antar manusia. Bentuk utama representasinya adalah berupa suara/ucapan (spoken language), tetapi sering pula dinyatakan dalam bentuk tulisan. Inti dari pemrosesan bahasa alami adalah penguraian kalimat atau sering disebut dengan parser. Parser berfungsi untuk membaca kalimat, kata demi kata dan menentukan jenis kata apa saja yang boleh mengikuti kata tersebut. Dalam pemahaman suatu bahasa ada beberapa bidang yang harus disertakan yaitu morfologi, sintaksis, semantik, pragmatik, fonologi, dan pengetahuan tentang dunia sekitar.

Komponen Utama Bahasa Alam

Pengolahan bahasa alami terdiri dari dua bagian utama, yaitu : parser, sistem representasi pengetahuan dan pengolahan output.

Parser

Suatu sistem yang mengambil kalimat input bahasa alami dan menguraikannya ke dalam beberapa bagian gramatikal (kata benda, kata kerja, kata sifat, dan lain-lain).

Sistem Representasi Pengetahuan Suatu sistem yang menganalisis output parser untuk menentukan maknanya.

Output Translator Suatu terjemahan yang merepresentasikan sistem pengetahuan dan melakukan langkah- langkah yang bisa berupa jawaban atas bahasa alami atau output khusus yang sesuai dengan program komputer lainnya.

c.1 Kategori Aplikasi Pengolahan Bahasa Alami

Teknologi Natural Language Processing (NLP) atau Pemrosesan Bahasa Alami adalah teknologi yang memungkinkan untuk melakukan berbagai macam pemrosesan terhadap bahasa alami yang biasa digunakan oleh manusia. Sistem ini biasanya mempunyai masukan dan keluaram berupa bahasa tulisan (teks). NLP mempunyai aplikasi yang sangat luas. Beberapa diantara berbagai kategori aplikasi NLP adalah sebagai berikut:

c.1.1 Natural Language Translator, yaitu translator dari satu bahasa alami ke bahasa alami lainnya, misalnya translator bahasa Inggris ke bahasa Indonesia, Bahasa Indonesia ke Bahasa Jawa dan sebagainya. Translator bahasa alami bukan hanya kamus yang menerjemahkan kata per kata, tetapi harus juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuannya.

c.1.2 Translator bahasa alami ke bahasa buatan, yaitu translator yang mengubah perintah-perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. Sebagai contoh, translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. Dengansistem seperti ini, pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya, untuk menghapus semua file, pengguna cukup memberikan perintah ”komputer, tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh komputer, yaitu ”dir *.* ”.

c.1.3 Text Summarization, yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan.

Dalam dunia kecerdasan buatan pengolahan bahasa alami merupakan aplikasi terbesar setelah sistem pakar. Banyak para ahli Artificial Intelligence berpendapat bahwa bidang yang penting yang dapat dipecahkan oleh Artificial Intelligence adalah Natural Language Processing (Pengolahan Bahasa Alami).

Visi Komputer Contoh bidang lain pengembangan kecerdasan buatan adalah Penerapan Computer Vision. Visi komputer adalah ilmu dan teknologi mesin yang melihat, di mana dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Visi komputer berkaitan dengan teoridi balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.

Contoh aplikasi dari visi komputer mencakup sistem untuk :

Pengendalian proses (misalnya, sebuah robot industri atau kendaraan otonom). Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang

menghitung).

Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan). Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra medis atau model topografi). Interaksi (misalnya, sebagai input ke perangkat untuk interaksi komputer-manusia). Begitu banyak hasil kajian Computer Vision yang ada selama ini. Hal itu mendatangkan banyak manfaat untuk kepentingan manusia. Diantaranya terletak pada bidang militer. Contohnya implementasi penguncian objek musuh pada pesawat jet dan teknologi radar pada rudal, pengenalan kondisi tentara musuh. Teknologi kecerdasan buatan dapat diimplementasikan pada sistem yang mensimulasikan kondisi-kondisi perang yang mungkin akan terjadi di lapangan, mengatur strategi serta mengkalkulasi kemungkinan beberapa strategi terhadap kondisi medan perang secara simultan dan menampilkan hasilnya.

Sebut saja deteksi tentara musuh atau kendaraan dan bimbingan rudal. Hal ini membutuhkan sistem canggih untuk panduan mengirim rudal-rudal ke daerah target yang spesifik dan pemilihan target yang dibuat ketika rudal mencapai daerah berdasarkan data citra yang diperoleh secara lokal. Konsep modern militer, seperti “kesadaran medan perang”, menunjukkan bahwa berbagai sensor, termasuk sensor gambar, menyediakan kaya setinformasi tentang adegan tempur yang dapat digunakan untuk mendukung keputusan strategis. Dalam hal ini, pengolahan otomatis data yang digunakan untuk mengurangi kompleksitas dan informasi sekering dari sensor ganda untuk meningkatkan keandalan.

Pengenalan Percakapan Pengenalan percakapan (voice/speech recognition) adalah suatu proses yang memungkinkan komputer dapat mengeali suara. Teknologi seperti ini membuat khayalan didalam suatu cerita dengan suara dapat diwujudkan.

Penerapan pengenalan percakapan antara lain digunakan untuk melakukan pengetikan dokumen melalui suara dan untuk analisis suara dalam program pembelajaran bahasa asing, untuk menentukan pengucapan kata oleh seseorang sesuai dengan penutur asli atau tidak. Saat ini teknologi sintesis suara juga telah banyak digunakan. Sintesis suara adalah teknologi yang memungkinkan komputer dapat berbicara. Penerapan pada berbagai perusahaan dapat dilihat pada tabel ini.

Aplikasi Teknologi Suara

(sumber : Turban, McLean, dan Wetherbe, 1991, hal. 492.)

Perusahaan

Aplikasi

Scandinavian Airlines Menjawab permintaan informasi tentang reservasi dan jadwal dan bahkan mampu menangani keluhan tentang bagasi. Citibank

Memberikan berbagai informasi kepada pemegang kartu.

Hospital Corporation Of America

Mengirimkan dan menerima data pasien dengan suara.

Weidner Insurance

Melaksanakan riset pemasaran dan telemarketing.

Perusahaan Mobil

Mengaktifkan radio, pemanas, dan lain-lain dengan menggunakan suara.

Robotika Robotika adalah/ Robotika yaitu/ Robotika merupakan/ yang dimaksud Robotika / arti Robotika/ definisi Robotika.

Robotika berasal dari kata robot yang artinya perangkat elektronik yang dapat deprogram untuk melakukan otomasi terhadap suatu tugas yang biasanya dilakukan oleh manusia. Jadi robotika yaitu studi yang berhubungan dengan pembuatan robot.

Berikut ini adalah Contoh Robot:

Scrubmate. Merupakan robot pembersih kamar mandi yang diciptakan oleh Joe Engleberger. Robot ini dilengkapi dengan control terkomputerisasi, mempunyai sensor mata ultrasonic serta dilengkapi dengan peralatan pembersih.

Sojourner Merupakan kendaraan robot beroda enam. Robot ini digunakan NASA tahun 1997 dalam eksplorasi di planet Mars. Robot ini dilengkapi dengan mata laser dan dapat mengambil sampel atmosfir dan tanah dan mengirimkan data dan foto ke bumi.

SICO. Robot SICO ini dikenal dengan “The Robot Therapist”. Robot ini diciptakan oleh Robert Doornick. Robot SICO pernah digunakan di rumah sakit di New York yang berfungsi untuk membantu anak-anak yang mempunyai masalah emosi.

Demikian yang dapat saya sampaikan dalam postingan kali ini tentang Pengertian Robotika semoga dapat bermanfaat.

Sistem Pakar Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

Memiliki informasi yang handal. Mudah dimodifikasi. Dapat digunakan dalam berbagai jenis komputer. Memiliki kemampuan untuk belajar beradaptasi. Keuntungan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli. Bisa melakukan proses secara berulang secara otomatis. Menyimpan pengetahuan dan keahlian para pakar. Meningkatkan output dan produktivitas. Meningkatkan kualitas. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka). Mampu beroperasi dalam lingkungan yang berbahaya. Memiliki kemampuan untuk mengakses pengetahuan. Memiliki reabilitas. Meningkatkan kapabilitas sistem komputer. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Sebagai media pelengkap dalam pelatihan. Meningkatkan kapabilitas dalam penyelesaian masalah. Menghemat waktu dalam pengambilan keputusan Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

Sistem Pakar tidak 100% bernilai benar. Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar. Seorang pakar akan pensiun atau pergi. Seorang pakar adalah mahal. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat. Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya. Modul Konsultasi (Consultation Mode) Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

Modul Penjelasan (Explanation Mode) Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

Basis Pengetahuan (Knowledge Base) Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

Mesin Inferensi (Inference Engine) Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

Basis Data (Data Base) Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

Antarmuka Pemakai (User Interface) Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

Rule-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.

Frame-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

Backward chaining Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. Forward chaining Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Logika Fuzzy ( Kabur )

Fuzzy mungkin merupakan suatu kata yang agak asing bagi kita. Dalam terjemahan menurut kosa katanya fuzzy berari kabur. Logika berarti penalaran. Jika digabungkan menjadi satu kalimat berarti Penalaran Yang Kabur. Benarkah demikian? Mengapa penalaran yang kabur justru perlu untuk dipelajari?

ALASAN PEMANFAATAN LOGIKA FUZZY

Mengapa kita perlu menggunakan logika fuzzy? Berikut ini adalah beberapa alasan mengapa logika fuzzy banyak digunakan saat ini diberbagai kasus. Alasan pemanfaatan logika fuzzy adalah:

Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata – rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti Logika fuzzy sangat fleksibel Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional Logika fuzzy didasarkan pada bahasa alamiah.Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira. Dalam fuzzy logic segala sesuatunya adalah masalah derajat.

System logis manapun dapat difuzzifikasi.Dalam fuzzy logic, pengetahuan diinterpretasikan sebagai koleksi dari fuzzy yang dipaksakan pada sekumpulan variable.

Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

BAGAIMANA LOGIKA FUZZY DIGUNAKAN

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

Definisikan obyektif dan criteria control: 1) Apa yang kita coba control ?

2) Apa yang harus kita lakukan untuk mengontrol system ?

3) Respon seperti apa yang kita butuhkan ?

4) Apa mode kegagalan system yang mungkin ?

Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error) 1) Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.

2) Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules

3) Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.

Jaringan Saraf Tiruan Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut .

Adapun cara belajar jaringan saraf tiruan sebagai berikut:

Ke dalam jaringan saraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam

suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan. Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:

Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang ada saat ini memiliki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun terbatas. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi jaringan saraf tiruan. Aplikasi yang sangat luas.Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya: Aeorospace Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,perbaikan autopilot dan simulasi komponen pesawat.

Otomoti Sistem kendali otomatis mobil.

Keuangan dan Perbankan Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.

Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

Elektronik Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.

Broadcast Pencarian klip berita melalui pengenalan wajah.

Lapisan – lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:

Lapisan input Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.

Lapisan tersembunyi Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak secara langsung dapat diamati.

Lapisan output Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

Jaringan saraf tiruan dibagi ke dalam 3 macam arsitektur, yaitu:

Jaringan lapisan tunggal

Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf tiruan tersebut.

Jaringan multilapis Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan single-layer net, namun pela-tihannya mungkin lebih rumit.

Jaringan kompetitif Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Istilah-istilah Jaringan Saraf Tiruan

Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:

Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output. Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan. Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya. Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output. Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksidengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalh yang kompleks. Bobot:Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yangmentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar. Summation Function:Fungsi yang digunakan untuk mencari rata-rata bobot dari semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent. Paradigma Pembelajaran:Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid). Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan. Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada. Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan (error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajarankompetitif (competitive learning).

Aturan Pengoreksian Error Prinsip dasar dari aturan pembelajaran pengoreksian error adalah memodifikasi bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output target – output actual)untuk mengurangi besarnya kesalahan secara bertahap.

Aturan Pembelajaran Boltzmann Mesin Bolztmann merupakan jaringan saraf tiruan balik yang simetris, terdiri dari nit-unit biner (+1 dan -1, masing – masing untuk on dan off). Dengan kesimetrisannya, bobot pada koneksi dari unit I ke unit j sama dengan bobot koneksi dari unit j ke unit I (Wij = Wji). Setiap neuron pada

Aturan Hebbian Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron memiliki tingkah laku yang sama (keduanya memiliki aktivasi positif atau keduanya memiliki aktivasi negative).

Aturan Pembelajaran Kompetitif

Unit –unit output pada aturan pembelajaran kompetititf ini hanya harus saling bersaing untuk beraktivasi. Jadi hanya satu unit output yang aktif pada satu waktu. Fenomena ini dikenal sebagai winner-take-all. Bobot-bobotnya diatur setelah satu node pemenang terpilih.

Algoritma Genetika Algoritma genetika adalah algoritma pencarian (search algorithm) yang menggunakan prinsip seleksi alam dalam ilmu genetika untuk mengembangkan solusi terhadap permasalahan (Haupt dan Haupt, 2004). Algoritma Genetika merupakan kelas algoritma pencarian stokastik berdasarkan evolusi biologi (Negnevitsky M., 2005).

Kemunculan Algortima Genetika diinspirasikan dari teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan dalam Algoritma Genetika. Sesuai dengan namanya, proses-proses yang terjadi dalam Algoritma Genetika sama dengan apa yang terjadi pada evolusi biologi.

Ide dasar algoritma genetika adalah mengelola suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Secara umum algoritma genetika memiliki lima komponen dasar (Michalewicz, 1996) yaitu:

Representasi genetik dari solusi-solusi masalah. Cara membentuk populasi awal dari solusi-solusi. Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness mereka. Operator-operator genetik yang merubah komposisi genetik dari offspring selama reproduksi. Nilai-nilai untuk parameter algoritma genetika. Algoritma me-maintain populasi individu-individu untuk setiap generasi. Masing-masing individu menyatakan solusi yang potensial untuk masalah yang dihadapi. Masing-masing individu di-evaluasi untuk memberi ukuran fitness-nya. Nilai fitness adalah nilai yang menunjukkan drajat ketangguhan kromosom dalam beradaptasi terhadap masalah. Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Daya tarik algoritma genetika terletak pada kesederhanaan dan pada kemampuan untuk mencari solusi yang baik dan cepat untuk masalah yang komplek. Kelebihan Algoritma Genetika

Beberapa hal yang termasuk kelebihan dari Algoritma Genetika adalah sebagai berikut (Haupt dan Haupt, 2004):

Mengoptimalkan dengan variabel kontinu atau diskrit, Tidak memerlukan informasi derivatif, Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya, Berkaitan dengan sejumlah besar variabel, Baik untuk komputer paralel, Mengoptimalkan permukaan variabel dengan biaya yang sangat kompleks (GA bisa melompat dari minimum lokal), Memberikan daftar variabel yang optimal, bukan hanya solusi tunggal, Dapat menyandikan variabel sehingga optimasi dilakukan dengan mengkodekan variabel, dan Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis fungsi. Algoritma genetika berangkat dari himpunan solusi yang dihasilkan secara acak yang disebut populasi. Sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi dan masing-masing dievaluasi tingkat ketanggguhannya (fitness) oleh fungsi yang telah ditentukan. Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness (Gen dan Cheng, 2000). Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989). Sistem Al Hibrida Sistem Al Hibrida atau terkadang dinamakan sistem cerdas hibrida (hybrid intellegent system) adalah sistem yang menggabungkan beberapa teknologi Ai untuk dimanfaatkan atau memadukan keunggulan masing-masing teknologi. Istilah seperti ini Soft Computing (Jang, Sun, dan Mizutani, 1997), yang menggabungka AAN, logika kabur, algoritma genetika dan teknik AI konvensional, merupakan contoh sistem AI hibrid. Neurofuzzy merupakan contoh lain yang menggabungkan pemakaian AAN dan logika kabur. Sistem yang terakhir disebutkan ini banyak digunakan oleh perusahaan Jepang seprti Matsushita dan Sharp yang diterapkan pada mesin cuci dan kulkas.

Agen Cerdas Dalam kecerdasan buatan , agen cerdas (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas suatu lingkungan (yaitu ini adalah agen ) dan mengarahkan aktivitasnya untuk mencapai tujuan (yakni yang rasional). Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk

mencapai tujuan mereka. Mereka mungkin sangat sederhana atau sangat kompleks : mesin refleks seperti termostat adalah sebuah agen cerdas.seperti manusia, sebagai sebuah komunitas manusia bekerja bersama menuju tujuan.

Agen Intelligent sering digambarkan secara skematis sebagai sistem fungsional abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut agen cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata implementasinya sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi dari agen cerdas mereka menekankan otonomi , sehingga lebih memilih cerdas agen otonom jangka s. Yang lain (terutama Russell & Norvig (2003) ) perilaku goaldirected dianggap sebagai inti dari kecerdasan dan sebagainya lebih suka istilah yang dipinjam dari ekonomi , ” agen rasional “.

Agen Cerdas dalam kecerdasan buatan berhubungan erat dengan agen di ekonomi , dan versi dari paradigma agen cerdas yang dipelajari dalam ilmu kognitif , etika , filsafat alasan praktis , serta di banyak interdisiplinersosio-kognitif pemodelan dan sosial simulasi komputer.

Intelligent agen juga berhubungan erat dengan agen perangkat lunak (program perangkat lunak otonom yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen cerdas istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang memiliki kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig Definisi Russell. Sebagai contoh, program otonom digunakan untuk bantuan operator atau data mining (kadang-kadang disebut sebagai bot)

DAFTAR PUSTAKA

Achmad, Balza. 2006. Diktat Mata Kuliah Kecerdasan Buatan. Yogyakarta: Universitas Gadjah Mada.

Fauset, Laurene. 2000. Fundamental of Neural Network. Prentice Hall.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

Siler, William and J. Buckley, James. 2005. Fuzzy Expert System and Fuzzy Reasoning. Wiley-Interscience.

http://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan/

http://id.wikipedia.org/wiki/Kecerdasan_buatan

http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/

http://kecerdasan-buatan.blogspot.com/

http://kuliah-ai-ubibwi.blogspot.com/2012/11/penerapan-visikomputer-pada.html

http://tekomp13unpad.blogspot.com/2013/09/kecerdasan-buatan.html

http://irenregina.blogspot.com/2013/01/kecerdasan-buatan.html

http://irenregina.blogspot.com/2013/01/kecerdasan-buatan.html

https://arifust.wordpress.com/2011/05/21/agen-cerdas-ia/

https://adrianasari.wordpress.com/2011/07/20/teknologi-masa-kini-masa-mendatang/

Dietterich, Thomas G. (1990). Machine Learning. Oregon State University

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Nilsson, Nils J. (1996). Introduction to Machine Learning, Stanford University

Rich, E dan Knight, K. (1991). Artificial Intelligence (second edition).McGraw-Hill

Russel, Stuart and Norvig, Peter. (1995). Artificial Intelligence A Modern Approach.

Prentice Hall.

BAB I

PENDAHULUAN

Kemajuan teknologi yang pesat, berpengaruh pada perkembangan perangkat mobile saat ini, sehingga penggunaan perangkat mobile semakin memasyarakat. Perkembangan ini sangatlah membantu dalam menyajikan informasi yang cepat dan efisien dengan pengaksesan informasi melalui perangkat mobile tersebut. Walaupun perangkat mobile merupakan small device dengan layar penyajian yang sangat terbatas, tetapi penyajian informasinya pun tidak kalah optimal layaknya informasi yang diakses dari personal computer, tergantung bagaimana cara penyajiannya. Selain perkembangan teknologi perangkat mobile, telah berkembang pula keilmuan yang mampu mengadopsi cara berpikir manusia. Menurut Turban, ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia disebut kecerdasan buatan (Arhami, 2005). Sistem Pakar adalah salah satu bagian dari Artificial Intelligence (kecerdasan buatan) yang membuat penggunaan secara luas knowledge yang khusus untuk peyelesaian masalah tingkat manusia yang pakar (Arhami, 2005). Berikut merupakan keunggulan sistem pakar dibandingkan seorang pakar, yaitu:

Sistem pakar bisa digunakan setiap hari menyerupai sebuah mesin, sedangkan pakar tidak mungkin bekerja terus-menerus setiap hari tanpa beristirahat. Sistem pakar merupakan suatu software yang dapat diperbanyak dan kemudian dibagikan ke berbagai lokasi maupun tempat yang berbeda, sedangkan seorang pakar hanya bekerja pada satu tempat dan pada saat yang bersamaan Pengetahuan yang disimpan pada sistem pakar tidak bisa hilang/lupa, sedangkan pengetahuan seorang pakar manusia lambat laun akan hilang karena meningggal, usia yang semakin tua, maupun menderita suatu penyakit. Kemampuan memecahkan masalah pada suatu sistem pakar tidak dipengaruhi oleh faktor dari luar seperti intimidasi, perasaan kejiwaan, faktor ekonomi ataupun perasaan tidak suka. Sebaliknya seorang pakar dapat dipengaruhi faktor-faktor luar, dengan kata lain seorang pakar boleh jadi tidak konsisten. Biaya menggaji seorang pakar lebih mahal bila dibandingkan dengan penggunaan program sistem pakar (dengan asumsi bahwa program sistem pakar itu sudah ada). Mesin inferensi merupakan komponen yang mengandung pola pikir penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Terdapat dua pendekatan untuk mengontrol mesin inferensi dalam sistem pakar yang berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan ke depan (forward chaining). Menurut Schnupp, metode inferensi pelacakan ke belakang cocok digunakan untuk memecahkan masalah diagnosis (Arhami, 2005). Pendekatan ini dimotori oleh tujuan dalam pelacakannya (goal driven), merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur. Pelacakan dimulai dari tujuan, dan selanjutnya dicari

aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.

BAB II

DASAR-DASAR KECERDASAN BUATAN

(ARTIFICIAL INTELLIGENCE)

Dasar Artificial Intelligence Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan Obyek/Muka, bermain sepak bola.

Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game.

‘Kecerdasan buatan’ ini bukan hanya ingin mengerti apa itu sistem kecerdasan, tapi juga mengkonstruksinya.

Tidak ada definisi yang memuaskan untuk ‘kecerdasan’:

Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan. AI biasanya dihubungkan dengan Ilmu Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi, Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan pengetahuan dari semua bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam upaya menciptakan suatu kecerdasan buatan.

Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namu bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula dengan kemampuan menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik.

Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar.

Sejarah Kecerdasan Buatan

Kecerdasan buatan merupakan bidang ilmu komputer yang sangat penting di era kini dan masa yang akan datang untuk mewujudkan sistem komputer yang cerdas. Bidang ini telah berkembang sangat pesat di 20 tahun terakhir seiring dengan kebutuhan perangkat cerdas pada industry dan rumah tangga.

Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”. Berarti dasar dari intelligence ialah kemampuan untuk memahami dan melakukan aksi. Sebenarnya, area Kecerdasan Buatan (Artificial Intelligence) atau disingkat dengan AI, bermula dari kemunculan komputer sekitar th 1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno. Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu yang dapat dilakukan oleh manusia. Dalam hal ini, komputer tersebut dapat meniru kemampuan kecerdasan dan perilaku manusia.

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan “Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas” pada 1943 yang meletakkan pondasi untuk jaringan syaraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah “kecerdasan buatan ” pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan “Turing test” sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta di mana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Sejarah Penting Pengembangan Bidang Kecerdasan Buatan

No.

Tahun Deskripsi

1

1206

Robot humanoid pertama karya Al-Jazari

2

1796

Boneka penuang the dari jepang bernama Karakuri

3

1941

Komputer elektronik pertama

4

1949

Komputer dengna program tersimpan pertama

5

1956

Kelahiran dari Artificial Intelligence pada Dartmouth conference

6

1958

Bahasa LISP dibuat

7

1963

Penelitian intensif departemen pertahanan Amerika

8

1970

Sisem pakaer pertama diperkenalkan secara luas

9

1972

Bahasa Prolog diciptakan

10

1986

Perangkat berbasis AI dijual luas mencapai $425 juta

11

1994

AC berbasis Neuro fuzzy dijual

12

2010

Sistem kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan

13

2011

Service Robot untuk restoran berhasil dibuat di Indonesia

14

2012

Sistem Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning

15

2012

Sistem immune pada Deteksi spam diciptakan

Saat ini, hampir semua perangkat komputer dan perangkat elektronika canggih menerapkan kecerdasan buatan untuk membuat sistem lebih handal. Di masa yang akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh lebih cerdas karena telah ditanamkan berbagai metode kecerdasan buatan.

Kecerdasan Dari kamus, arti kecerdasan adalah: kemampuan untuk mengerti/memahami (The faculty of understanding). Perilaku cerdas dapat ditandai dengan:

Belajar atau mengerti dari pengalaman Memecahkan hal yang bersifat mendua atau kontradiktif Merespon situasi baru dengan cepat (fleksibel) Menggunakan alasan untuk memecahkan problem secara efektif Berurusan dengan situasi yang membingungkan Memahami dengan cara biasa/rasional Menerapkan pengetahuan untuk memanipulasi lingkungan Mengenali elemen penting pada suatu situasi Sebuah ujian yang dapat dilakukan untuk menentukan apakah sebuah komputer/ mesin menunjukkan perilaku cerdas didesain oleh Alan Turing. Tes Turing menyatakan sebuah mesin dikatakan pintar hanya apabila seorang pewawancara (manusia) yang berbicara dengan orang lain dan mesin yang dua-duanya tidak terlihat olehnya, tidak mampu menentukan mana yang manusia dan mana yang mesin, meskipun dia telah berulang-ulang melontarkan pertanyaan yang sama.

Perbandingan Kecerdasan Buatan dengan Kecerdasan Manusia Menurut Kaplan, diutarakan oleh Turban, McLean dan Wetherbe tahun 1999, pada halam 478, AI atau Artificial Intelligence mempunyai beberapa kelebihan dibandingkan dengan kecerdasan alami (Kecerdaran Manusia). Kelebihan tersebut dipaparkan sebagai berikut:

AI Lebih bersifat Permanen Berbeda dengan AI, kecerdasan Alami yang dipunyai oleh seseorang tidak dapat disimpan. Ketika orang tersebut pindah kerja, pengetahuan yang dimilikinya ikut terbawa. AI lebih bersifat Permanen karena tetap ada sepanjang sistem komputer dan program masih terpelihara.

AI Menawarkan Kemudahan untuk digandakan dan disebarkan Pemindahan pengetahuan dari satu orang ke orang lain memerlukan waktu yang panjang dan bahkan mungkin pengetahuan itu tidak dapat diduplikasi secara lengkap. Adapun pengetahuan dalam sistem komputer mudah sekali untuk disalin dan dipidahkan ke sistem lain.

AI dapat lebih murah daripada kecerdasan alami Telah banyak dibuktikan bahwa biaya membeli jasa dengan komputer lebih murah daripada biaya untuk membiayai manusia yang melaksanakan tugas yang sama.

AI bersifat Konsisten dan Teliti Hal ini berbeda dengan manusia yang sering tak menentu atau tidak konsisten. AI dapat didokumentasi Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah dengan cara mencatat semua kegiatan yang dilakukan sistem. Kecerdasan alami sulit untuk didokumentasi. Sebagai contoh, seseorang bisa jadi melakukan penyimpulan, tetapi pada saat yang lain mungkin tidak dapat melakukan kembali proses penalaran yang membimbingnya ke kesimpulan ataupun mengingat kembali asumsiasumsi yang mendasari keputusan

Bidang-bidang Aplikasi AI Pengolahan Bahasa Alami Natural Language Processing atau Pemrosesan Bahasa Alami merupakan salah satu tujuan jangka panjang dari Artficial Intelegence(kecerdasan buatan) yaitu pembuatan program yang memiliki kemampuan untuk memahami bahasa manusia.

Pada prinsipnya bahasa alami adalah suatu bentuk representasi dari suatu pesan yang ingin dikomunikasikan antar manusia. Bentuk utama representasinya adalah berupa suara/ucapan (spoken language), tetapi sering pula dinyatakan dalam bentuk tulisan. Inti dari pemrosesan bahasa alami adalah penguraian kalimat atau sering disebut dengan parser. Parser berfungsi untuk membaca kalimat, kata demi kata dan menentukan jenis kata apa saja yang boleh mengikuti kata tersebut. Dalam pemahaman suatu bahasa ada beberapa bidang yang harus disertakan yaitu morfologi, sintaksis, semantik, pragmatik, fonologi, dan pengetahuan tentang dunia sekitar.

Komponen Utama Bahasa Alam

Pengolahan bahasa alami terdiri dari dua bagian utama, yaitu : parser, sistem representasi pengetahuan dan pengolahan output.

Parser Suatu sistem yang mengambil kalimat input bahasa alami dan menguraikannya ke dalam beberapa bagian gramatikal (kata benda, kata kerja, kata sifat, dan lain-lain).

Sistem Representasi Pengetahuan Suatu sistem yang menganalisis output parser untuk menentukan maknanya.

Output Translator Suatu terjemahan yang merepresentasikan sistem pengetahuan dan melakukan langkah- langkah yang bisa berupa jawaban atas bahasa alami atau output khusus yang sesuai dengan program komputer lainnya.

c.1 Kategori Aplikasi Pengolahan Bahasa Alami

Teknologi Natural Language Processing (NLP) atau Pemrosesan Bahasa Alami adalah teknologi yang memungkinkan untuk melakukan berbagai macam pemrosesan terhadap bahasa alami yang biasa digunakan oleh manusia. Sistem ini biasanya mempunyai masukan dan keluaram berupa bahasa tulisan (teks). NLP mempunyai aplikasi yang sangat luas. Beberapa diantara berbagai kategori aplikasi NLP adalah sebagai berikut:

c.1.1 Natural Language Translator, yaitu translator dari satu bahasa alami ke bahasa alami lainnya, misalnya translator bahasa Inggris ke bahasa Indonesia, Bahasa Indonesia ke Bahasa Jawa dan sebagainya. Translator bahasa alami bukan hanya kamus yang menerjemahkan kata per kata, tetapi harus juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuannya.

c.1.2 Translator bahasa alami ke bahasa buatan, yaitu translator yang mengubah perintah-perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. Sebagai contoh, translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. Dengansistem seperti ini, pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya, untuk menghapus semua file, pengguna cukup memberikan perintah ”komputer, tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh komputer, yaitu ”dir *.* ”.

c.1.3 Text Summarization, yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan.

Dalam dunia kecerdasan buatan pengolahan bahasa alami merupakan aplikasi terbesar setelah sistem pakar. Banyak para ahli Artificial Intelligence berpendapat bahwa bidang yang penting yang dapat dipecahkan oleh Artificial Intelligence adalah Natural Language Processing (Pengolahan Bahasa Alami).

Visi Komputer Contoh bidang lain pengembangan kecerdasan buatan adalah Penerapan Computer Vision. Visi komputer adalah ilmu dan teknologi mesin yang melihat, di mana dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Visi komputer berkaitan dengan teoridi balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.

Contoh aplikasi dari visi komputer mencakup sistem untuk :

Pengendalian proses (misalnya, sebuah robot industri atau kendaraan otonom). Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang

menghitung).

Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan). Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra medis atau model topografi). Interaksi (misalnya, sebagai input ke perangkat untuk interaksi komputer-manusia). Begitu banyak hasil kajian Computer Vision yang ada selama ini. Hal itu mendatangkan banyak manfaat untuk kepentingan manusia. Diantaranya terletak pada bidang militer. Contohnya implementasi penguncian objek musuh pada pesawat jet dan teknologi radar pada rudal, pengenalan kondisi tentara musuh. Teknologi kecerdasan buatan dapat diimplementasikan pada sistem yang mensimulasikan kondisi-kondisi perang yang mungkin akan terjadi di lapangan, mengatur strategi serta mengkalkulasi kemungkinan beberapa strategi terhadap kondisi medan perang secara simultan dan menampilkan hasilnya.

Sebut saja deteksi tentara musuh atau kendaraan dan bimbingan rudal. Hal ini membutuhkan sistem canggih untuk panduan mengirim rudal-rudal ke daerah target yang spesifik dan pemilihan target yang dibuat ketika rudal mencapai daerah berdasarkan data citra yang diperoleh secara lokal. Konsep modern militer, seperti “kesadaran medan perang”, menunjukkan bahwa berbagai sensor, termasuk sensor

gambar, menyediakan kaya setinformasi tentang adegan tempur yang dapat digunakan untuk mendukung keputusan strategis. Dalam hal ini, pengolahan otomatis data yang digunakan untuk mengurangi kompleksitas dan informasi sekering dari sensor ganda untuk meningkatkan keandalan.

Pengenalan Percakapan Pengenalan percakapan (voice/speech recognition) adalah suatu proses yang memungkinkan komputer dapat mengeali suara. Teknologi seperti ini membuat khayalan didalam suatu cerita dengan suara dapat diwujudkan.

Penerapan pengenalan percakapan antara lain digunakan untuk melakukan pengetikan dokumen melalui suara dan untuk analisis suara dalam program pembelajaran bahasa asing, untuk menentukan pengucapan kata oleh seseorang sesuai dengan penutur asli atau tidak. Saat ini teknologi sintesis suara juga telah banyak digunakan. Sintesis suara adalah teknologi yang memungkinkan komputer dapat berbicara. Penerapan pada berbagai perusahaan dapat dilihat pada tabel ini.

Aplikasi Teknologi Suara

(sumber : Turban, McLean, dan Wetherbe, 1991, hal. 492.)

Perusahaan

Aplikasi

Scandinavian Airlines Menjawab permintaan informasi tentang reservasi dan jadwal dan bahkan mampu menangani keluhan tentang bagasi. Citibank

Memberikan berbagai informasi kepada pemegang kartu.

Hospital Corporation Of America

Mengirimkan dan menerima data pasien dengan suara.

Weidner Insurance

Melaksanakan riset pemasaran dan telemarketing.

Perusahaan Mobil

Mengaktifkan radio, pemanas, dan lain-lain dengan menggunakan suara.

Robotika Robotika adalah/ Robotika yaitu/ Robotika merupakan/ yang dimaksud Robotika / arti Robotika/ definisi Robotika.

Robotika berasal dari kata robot yang artinya perangkat elektronik yang dapat deprogram untuk melakukan otomasi terhadap suatu tugas yang biasanya dilakukan oleh manusia. Jadi robotika yaitu studi yang berhubungan dengan pembuatan robot.

Berikut ini adalah Contoh Robot:

Scrubmate. Merupakan robot pembersih kamar mandi yang diciptakan oleh Joe Engleberger. Robot ini dilengkapi dengan control terkomputerisasi, mempunyai sensor mata ultrasonic serta dilengkapi dengan peralatan pembersih.

Sojourner Merupakan kendaraan robot beroda enam. Robot ini digunakan NASA tahun 1997 dalam eksplorasi di planet Mars. Robot ini dilengkapi dengan mata laser dan dapat mengambil sampel atmosfir dan tanah dan mengirimkan data dan foto ke bumi.

SICO. Robot SICO ini dikenal dengan “The Robot Therapist”. Robot ini diciptakan oleh Robert Doornick. Robot SICO pernah digunakan di rumah sakit di New York yang berfungsi untuk membantu anak-anak yang mempunyai masalah emosi.

Demikian yang dapat saya sampaikan dalam postingan kali ini tentang Pengertian Robotika semoga dapat bermanfaat.

Sistem Pakar Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

Memiliki informasi yang handal. Mudah dimodifikasi. Dapat digunakan dalam berbagai jenis komputer. Memiliki kemampuan untuk belajar beradaptasi. Keuntungan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli. Bisa melakukan proses secara berulang secara otomatis. Menyimpan pengetahuan dan keahlian para pakar. Meningkatkan output dan produktivitas. Meningkatkan kualitas. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka). Mampu beroperasi dalam lingkungan yang berbahaya. Memiliki kemampuan untuk mengakses pengetahuan. Memiliki reabilitas. Meningkatkan kapabilitas sistem komputer. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Sebagai media pelengkap dalam pelatihan. Meningkatkan kapabilitas dalam penyelesaian masalah. Menghemat waktu dalam pengambilan keputusan Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya. Sistem Pakar tidak 100% bernilai benar. Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar. Seorang pakar akan pensiun atau pergi. Seorang pakar adalah mahal. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat. Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya. Modul Konsultasi (Consultation Mode) Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

Modul Penjelasan (Explanation Mode) Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

Basis Pengetahuan (Knowledge Base)

Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

Mesin Inferensi (Inference Engine) Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

Basis Data (Data Base) Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

Antarmuka Pemakai (User Interface) Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

Rule-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.

Frame-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

Backward chaining Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. Forward chaining Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.

Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Logika Fuzzy ( Kabur ) Fuzzy mungkin merupakan suatu kata yang agak asing bagi kita. Dalam terjemahan menurut kosa katanya fuzzy berari kabur. Logika berarti penalaran. Jika digabungkan menjadi satu kalimat berarti Penalaran Yang Kabur. Benarkah demikian? Mengapa penalaran yang kabur justru perlu untuk dipelajari?

ALASAN PEMANFAATAN LOGIKA FUZZY

Mengapa kita perlu menggunakan logika fuzzy? Berikut ini adalah beberapa alasan mengapa logika fuzzy banyak digunakan saat ini diberbagai kasus. Alasan pemanfaatan logika fuzzy adalah:

Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata – rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti Logika fuzzy sangat fleksibel Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional Logika fuzzy didasarkan pada bahasa alamiah.Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira. Dalam fuzzy logic segala sesuatunya adalah masalah derajat.

System logis manapun dapat difuzzifikasi.Dalam fuzzy logic, pengetahuan diinterpretasikan sebagai koleksi dari fuzzy yang dipaksakan pada sekumpulan variable.

Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

BAGAIMANA LOGIKA FUZZY DIGUNAKAN

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

Definisikan obyektif dan criteria control: 1) Apa yang kita coba control ?

2) Apa yang harus kita lakukan untuk mengontrol system ?

3) Respon seperti apa yang kita butuhkan ?

4) Apa mode kegagalan system yang mungkin ?

Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error) 1) Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.

2) Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules

3) Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.

Jaringan Saraf Tiruan Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut .

Adapun cara belajar jaringan saraf tiruan sebagai berikut:

Ke dalam jaringan saraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam

suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan. Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:

Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang ada saat ini memiliki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun terbatas. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi jaringan saraf tiruan. Aplikasi yang sangat luas.Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya: Aeorospace Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,perbaikan autopilot dan simulasi komponen pesawat.

Otomoti Sistem kendali otomatis mobil.

Keuangan dan Perbankan Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.

Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

Elektronik Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.

Broadcast Pencarian klip berita melalui pengenalan wajah.

Lapisan – lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:

Lapisan input Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.

Lapisan tersembunyi Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak secara langsung dapat diamati.

Lapisan output Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

Jaringan saraf tiruan dibagi ke dalam 3 macam arsitektur, yaitu:

Jaringan lapisan tunggal Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf tiruan tersebut.

Jaringan multilapis Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan single-layer net, namun pela-tihannya mungkin lebih rumit.

Jaringan kompetitif Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Istilah-istilah Jaringan Saraf Tiruan

Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:

Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output. Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan. Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya. Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output. Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksidengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalh yang kompleks. Bobot:Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yangmentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar. Summation Function:Fungsi yang digunakan untuk mencari rata-rata bobot dari semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent. Paradigma Pembelajaran:Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid). Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan. Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada. Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan (error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajarankompetitif (competitive learning).

Aturan Pengoreksian Error Prinsip dasar dari aturan pembelajaran pengoreksian error adalah memodifikasi bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output target – output actual)untuk mengurangi besarnya kesalahan secara bertahap.

Aturan Pembelajaran Boltzmann Mesin Bolztmann merupakan jaringan saraf tiruan balik yang simetris, terdiri dari nit-unit biner (+1 dan -1, masing – masing untuk on dan off). Dengan kesimetrisannya, bobot pada koneksi dari unit I ke unit j sama dengan bobot koneksi dari unit j ke unit I (Wij = Wji). Setiap neuron pada

Aturan Hebbian Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron memiliki tingkah laku yang sama (keduanya memiliki aktivasi positif atau keduanya memiliki aktivasi negative).

Aturan Pembelajaran Kompetitif

Unit –unit output pada aturan pembelajaran kompetititf ini hanya harus saling bersaing untuk beraktivasi. Jadi hanya satu unit output yang aktif pada satu waktu. Fenomena ini dikenal sebagai winner-take-all. Bobot-bobotnya diatur setelah satu node pemenang terpilih.

Algoritma Genetika Algoritma genetika adalah algoritma pencarian (search algorithm) yang menggunakan prinsip seleksi alam dalam ilmu genetika untuk mengembangkan solusi terhadap permasalahan (Haupt dan Haupt, 2004). Algoritma Genetika merupakan kelas algoritma pencarian stokastik berdasarkan evolusi biologi (Negnevitsky M., 2005).

Kemunculan Algortima Genetika diinspirasikan dari teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan dalam Algoritma Genetika. Sesuai dengan namanya, proses-proses yang terjadi dalam Algoritma Genetika sama dengan apa yang terjadi pada evolusi biologi.

Ide dasar algoritma genetika adalah mengelola suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Secara umum algoritma genetika memiliki lima komponen dasar (Michalewicz, 1996) yaitu:

Representasi genetik dari solusi-solusi masalah. Cara membentuk populasi awal dari solusi-solusi. Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness mereka. Operator-operator genetik yang merubah komposisi genetik dari offspring selama reproduksi. Nilai-nilai untuk parameter algoritma genetika. Algoritma me-maintain populasi individu-individu untuk setiap generasi. Masing-masing individu menyatakan solusi yang potensial untuk masalah yang dihadapi. Masing-masing individu di-evaluasi untuk memberi ukuran fitness-nya. Nilai fitness adalah nilai yang menunjukkan drajat ketangguhan kromosom dalam beradaptasi terhadap masalah. Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Daya tarik algoritma genetika terletak pada kesederhanaan dan pada kemampuan untuk mencari solusi yang baik dan cepat untuk masalah yang komplek. Kelebihan Algoritma Genetika

Beberapa hal yang termasuk kelebihan dari Algoritma Genetika adalah sebagai berikut (Haupt dan Haupt, 2004):

Mengoptimalkan dengan variabel kontinu atau diskrit, Tidak memerlukan informasi derivatif, Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya, Berkaitan dengan sejumlah besar variabel, Baik untuk komputer paralel, Mengoptimalkan permukaan variabel dengan biaya yang sangat kompleks (GA bisa melompat dari minimum lokal), Memberikan daftar variabel yang optimal, bukan hanya solusi tunggal, Dapat menyandikan variabel sehingga optimasi dilakukan dengan mengkodekan variabel, dan Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis fungsi. Algoritma genetika berangkat dari himpunan solusi yang dihasilkan secara acak yang disebut populasi. Sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi dan masing-masing dievaluasi tingkat ketanggguhannya (fitness) oleh fungsi yang telah ditentukan. Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness (Gen dan Cheng, 2000). Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989). Sistem Al Hibrida Sistem Al Hibrida atau terkadang dinamakan sistem cerdas hibrida (hybrid intellegent system) adalah sistem yang menggabungkan beberapa teknologi Ai untuk dimanfaatkan atau memadukan keunggulan masing-masing teknologi. Istilah seperti ini Soft Computing (Jang, Sun, dan Mizutani, 1997), yang menggabungka AAN, logika kabur, algoritma genetika dan teknik AI konvensional, merupakan contoh sistem AI hibrid. Neurofuzzy merupakan contoh lain yang menggabungkan pemakaian AAN dan logika kabur. Sistem yang terakhir disebutkan ini banyak digunakan oleh perusahaan Jepang seprti Matsushita dan Sharp yang diterapkan pada mesin cuci dan kulkas.

Agen Cerdas Dalam kecerdasan buatan , agen cerdas (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas suatu lingkungan (yaitu ini adalah agen ) dan mengarahkan aktivitasnya untuk mencapai tujuan (yakni yang rasional). Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk

mencapai tujuan mereka. Mereka mungkin sangat sederhana atau sangat kompleks : mesin refleks seperti termostat adalah sebuah agen cerdas.seperti manusia, sebagai sebuah komunitas manusia bekerja bersama menuju tujuan.

Agen Intelligent sering digambarkan secara skematis sebagai sistem fungsional abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut agen cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata implementasinya sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi dari agen cerdas mereka menekankan otonomi , sehingga lebih memilih cerdas agen otonom jangka s. Yang lain (terutama Russell & Norvig (2003) ) perilaku goaldirected dianggap sebagai inti dari kecerdasan dan sebagainya lebih suka istilah yang dipinjam dari ekonomi , ” agen rasional “.

Agen Cerdas dalam kecerdasan buatan berhubungan erat dengan agen di ekonomi , dan versi dari paradigma agen cerdas yang dipelajari dalam ilmu kognitif , etika , filsafat alasan praktis , serta di banyak interdisiplinersosio-kognitif pemodelan dan sosial simulasi komputer.

Intelligent agen juga berhubungan erat dengan agen perangkat lunak (program perangkat lunak otonom yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen cerdas istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang memiliki kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig Definisi Russell. Sebagai contoh, program otonom digunakan untuk bantuan operator atau data mining (kadang-kadang disebut sebagai bot)

DAFTAR PUSTAKA

Achmad, Balza. 2006. Diktat Mata Kuliah Kecerdasan Buatan. Yogyakarta: Universitas Gadjah Mada.

Fauset, Laurene. 2000. Fundamental of Neural Network. Prentice Hall.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

Siler, William and J. Buckley, James. 2005. Fuzzy Expert System and Fuzzy Reasoning. Wiley-Interscience.

http://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan/

http://id.wikipedia.org/wiki/Kecerdasan_buatan

http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/

http://kecerdasan-buatan.blogspot.com/

http://kuliah-ai-ubibwi.blogspot.com/2012/11/penerapan-visikomputer-pada.html

http://tekomp13unpad.blogspot.com/2013/09/kecerdasan-buatan.html

http://irenregina.blogspot.com/2013/01/kecerdasan-buatan.html

http://irenregina.blogspot.com/2013/01/kecerdasan-buatan.html

https://arifust.wordpress.com/2011/05/21/agen-cerdas-ia/

https://adrianasari.wordpress.com/2011/07/20/teknologi-masa-kini-masa-mendatang/

Dietterich, Thomas G. (1990). Machine Learning. Oregon State University

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Nilsson, Nils J. (1996). Introduction to Machine Learning, Stanford University

Rich, E dan Knight, K. (1991). Artificial Intelligence (second edition).McGraw-Hill

Russel, Stuart and Norvig, Peter. (1995). Artificial Intelligence A Modern Approach.

Prentice Hall.