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:
a. Sistem pakar bisa digunakan setiap hari
menyerupai sebuah mesin, sedangkan pakar tidak mungkin bekerja terus-menerus
setiap hari tanpa beristirahat.
b. 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
c. 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.
d. 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.
e. 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)
A. 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':
a. Kecerdasan: kemampuan untuk memperoleh
pengetahuan dan menggunakannya, atau
b. atau kecerdasan yaitu apa yang diukur
oleh sebuah Test 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.
1. 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.
2. Kecerdasan
Dari kamus, arti
kecerdasan adalah: kemampuan untuk mengerti/memahami (The faculty of
understanding). Perilaku cerdas dapat ditandai dengan:
a. Belajar atau mengerti dari pengalaman
b. Memecahkan hal yang bersifat mendua atau
kontradiktif
c. Merespon situasi baru dengan cepat
(fleksibel)
d. Menggunakan alasan untuk memecahkan
problem secara efektif
e. Berurusan dengan situasi yang
membingungkan
f. Memahami dengan cara biasa/rasional
g. Menerapkan pengetahuan untuk memanipulasi
lingkungan
h. 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.
B. 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:
1. 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.
2. 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.
3. 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.
4. AI bersifat Konsisten dan Teliti
Hal ini berbeda
dengan manusia yang sering tak menentu atau tidak konsisten.
5. 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 asumsi-asumsi yang
mendasari keputusan
C. Bidang-bidang Aplikasi AI
1. 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 Alami
Pengolahan
bahasa alami terdiri dari dua bagian utama, yaitu : parser, sistem representasi
pengetahuan dan pengolahan output.
a.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).
b.Sistem
Representasi Pengetahuan
Suatu sistem yang
menganalisis output parser untuk menentukan maknanya.
c.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).
2. 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.
3. 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.
4. 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.
5. 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 :
1. Memungkinkan
orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa
melakukan proses secara berulang secara otomatis.
3. Menyimpan
pengetahuan dan keahlian para pakar.
4. Meningkatkan
output dan produktivitas.
5. Meningkatkan
kualitas.
6. Mampu
mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian
langka).
7. Mampu
beroperasi dalam lingkungan yang berbahaya.
8. Memiliki
kemampuan untuk mengakses pengetahuan.
9. Memiliki
reabilitas.
10. Meningkatkan
kapabilitas sistem komputer.
11. Memiliki
kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung
ketidakpastian.
12. Sebagai
media pelengkap dalam pelatihan.
13. Meningkatkan
kapabilitas dalam penyelesaian masalah.
14. Menghemat
waktu dalam pengambilan keputusan
Kelemahan Sistem
Pakar
Di samping
memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan,
antara lain :
1. Biaya yang
diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sulit
dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di
bidangnya.
3. 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 :
1. 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.
2. 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.
3. 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:
1. 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.
2. 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.
3. 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.
4. 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
a. Rule-Based
Knowledge
Pengetahuan
direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk
representasi ini terdiri atas premise dan kesimpulan.
b. Frame-Based
Knowledge
Pengetahuan
direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.
c. Object-Based
Knowledge
Pengetahuan
direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data
yang terdiri dari data dan metoda (proses).
d. 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.
a. 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.
b. 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.
6. 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?
Logika fuzzy
adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu
ruang output. Skema logika fuzzy adalah sebagai berikut:
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEh4lRtmm614imfrBQ_BR534awbM6jpzqeZ5Ly93CnkPyoYmETn60hksOLDXXpAemjmH_LtPYXKOy1a9fesJyYqPqhOzcNvXkhyphenhyphenOBY-sd-JbL9kG41RPvjbo93Vg2qvV4yLt8pz2wDS-F-HY/s320/fuzzy1.jpg
Pada gambar
dapat diketahui bahwa antara input dan output terdapat sebuah kotak hitam yang
sesuai. Berikut ini adalah beberapa contoh konsep logika fuzzy yang dapat
diterapkan dalam berbagai kasus:
Manajer
pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang
pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang
yang harus diproduksi esok hari
Pelayan restoran
memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang
sesuai atas baik tidaknya pelayanan yang diberikan
Penumpang taksi
berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir
taksi akan mengatur pijakan gas taksinya
Ada beberapa
cara atau metode yang mampu bekerja di kotak hitam tersebut, seperti sistem
fuzzy, jaringan syaraf tiruan, sistem linier, sistem pakar, persamaan
diferensial, dan sebagainya. Namun menurut Prof. Lotfi A. Zadeh seorang
profesor dari Universitas California, Berkeley, yang adalah penemu Logika fuzzy
pada tahun 1960-an menyatakan bahwa setiap kasus dapat saja diselesaikan tanpa
menggunakan logika fuzzy, tetapi pemanfaatan logika fuzzy akan mempercepat dan
mempermudah hasil dalam setiap kasus. Berikut adalah gambar dari Prof. Lotfi A.
Zadeh.
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhYst3-6EFOI_mAcQ3Xoj4vnWnh6e5AmzssErm4YDwjhL_Sx_9xCRhU_1QpFZUWYZGk48j1-Q8-mdkP3ShvNKAQR_uQoU8rqXXm0DHwmgkOvMxh_H5nFpyJR2iuWnbXSJ6mLKn_xF-6lnoY/s320/fuzzy2.jpg
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:
a. 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 ?
b. 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.
7. 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:
1. 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.
2. Adanya
computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi
jaringan saraf tiruan.
3. 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:
1. 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.
2. Lapisan
tersembunyi
Node-node di
dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari
lapisan ini
tidak secara langsung dapat diamati.
3. 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:
1. 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.
2. 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.
3. 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).
1. 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.
2. 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).
a. 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.
b. 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
c. 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).
d. 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.
8. 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:
1. Representasi genetik dari
solusi-solusi masalah.
2. Cara membentuk populasi awal dari
solusi-solusi.
3. Fungsi evaluasi yang me-rate (rating)
solusi-solusi berdasarkan fitness mereka.
4. Operator-operator genetik yang merubah
komposisi genetik dari offspring selama reproduksi.
5. 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).
9. 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.
10. 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
goal-directed 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)
Description:
https://arifust.files.wordpress.com/2011/05/intelligentagent-simplereflex.png?w=320&h=198
Struktur agen
Sebuah program
agen yang sederhana dapat didefinisikan secara matematis sebagai fungsi agen
yang memetakan setiap urutan persepsi mungkin untuk tindakan yang mungkin agen
dapat melakukan atau untuk suatu elemen, umpan balik koefisien, fungsi atau
konstanta yang mempengaruhi tindakan akhirnya:
Para agen
program , sebagai gantinya, setiap peta persepsi mungkin untuk tindakan.Russell
& Norvig (2003) agen kelompok menjadi lima kelas berdasarkan tingkat
kecerdasan dan kemampuan yang dirasakan:
sederhana
refleks agen
model berbasis
agen refleks
Tujuannya
berbasis agen
utilitas
berbasis agen
agen
pembelajaran
Refleks model
berbasis agen
gen model
berbasis lingkungan dapat menangani sebagian diamati. keadaan sekarang adalah
disimpan di dalam agen mempertahankan beberapa jenis struktur yang
menggambarkan bagian dari dunia yang tidak dapat dilihat. Perilaku ini
memerlukan informasi tentang bagaimana dunia berperilaku dan bekerja. Ini informasi
tambahan melengkapi “World View” model.
A berdasarkan
refleks agen-model melacak negara dunia sekarang menggunakan internal model
.Kemudian memilih tindakan dengan cara yang sama sebagai agen refleks.
Tujuan berbasis
agen
agen Tujuan
berbasis model berbasis agen yang menyimpan informasi tentang situasi yang
diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa
kemungkinan, memilih satu yang mencapai negara tujuan.
Utility berbasis
agen
agen Tujuan
berbasis hanya membedakan antara negara-negara tujuan dan negara-negara
non-tujuan. Hal ini dimungkinkan untuk menentukan ukuran berapa diinginkan
negara tertentu. Langkah ini dapat diperoleh melalui penggunaan fungsi utilitas
yang memetakan negara untuk ukuran utilitas negara.
Belajar agen
Belajar memiliki
keuntungan bahwa hal itu memungkinkan para agen untuk awalnya beroperasi di
lingkungan yang tidak dikenal dan menjadi lebih kompeten dari pengetahuan awal
mungkin saja memungkinkan.
kelas lain dari
agen cerdas
Menurut
sumber-sumber lain beberapa sub-agen (belum disebutkan dalam pengobatan ini)
yang dapat menjadi bagian dari Agen Cerdas atau Cerdas lengkap Agen dalam diri
mereka sendiri adalah:
Keputusan Agen
(yang ditujukan untuk membuat keputusan);
Input Agen
(proses itu dan membuat rasa input sensor – misalnya jaringan syaraf agen
based);
Pengolahan Agen
(yang memecahkan masalah seperti speech recognition);
Agen spasial
(yang berhubungan dengan dunia nyata fisik-);
Agen dunia (yang
menggabungkan kombinasi dari semua kelas-kelas lain dari agen untuk
memungkinkan perilaku otonom).
Agen terpercaya
– Seorang agen menunjukkan kepribadian melalui penggunaan karakter buatan (agen
adalah melekat) untuk interaksi.
Fisik Agen –
Agen fisik adalah suatu entitas yang persepsi melalui sensor dan bertindakmelalui
aktuator.
Temporal Agen – Agen temporal dapat
menggunakan informasi yang disimpan berdasarkan waktu untuk menawarkan
instruksi atau tindakan data ke program komputer atau manusia membutuhkan
program input dan menjadi persepsi untuk menyesuaikan perilaku berikutnya.
Hierarki agen
Untuk aktif
melakukan mereka fungsi , Intelligent Agen saat ini biasanya berkumpul di
struktur hirarki yang mengandung banyak “sub-agen”. Intelligent sub-agen proses
dan melakukan fungsi tingkat yang lebih rendah. Secara bersama-sama, agen cerdas
dan sub-agen menciptakan sebuah sistem yang lengkap yang dapat menyelesaikan
tugas-tugas sulit atau tujuan dengan perilaku dan tanggapan yang menampilkan
bentuk kecerdasan.
D. Topik Lain-lain
1. Cyborg
Cyborg adalah
salah satu hasil rekayasa manusia dengan menggunakan teknologi canggih. Cyborg
dibuat untuk digerakkan seperti manusia secara real. Cyborg merupakan perpaduan
antara manusia dan mesin. Teknologi yang menjadi dasar impian manusia ini,
bukan hanya mimpi saja, saat ini telah banyak di lakukan penelitian untuk
menciptakan cyborg terutama cyborg manusia, salah satunya adalah penelitian
yang dilakukkan oleh seorang professor dari universitas reading yaitu Kevin
Warwick dia telah melakukan percobaan dalam proyeknya yang diberi nama proyek cyborg.dan
dilakukan penyempurnaan melalui proyek cyborg. Diharapkan melalui pengembangan
cyborg oleh para ahli cybernetic ini, suatu saat nanti kita dapat memanfaatkan
teknologi ini untuk mempermudah pekerjaan manusia, meningkatkan efisiensi, dan
membantu orang cacat untuk hidup Cyborg merupakan perpaduan antara mesin dan
makhluk hidup, keduanya di hubungkan dengan kabel. Otak dari makhluk hidup di
pindahkan ke dalam tubuh robot dan dijaga agar tetap hidup dalam keadaan
khusus. Otak ini selanjutnya dapat menerima sinyal dan pada gilirannya
mengirimkan perintah untuk meggerakkan mesin Istilah ini digunakan pada tahun
1960 ketika Manfred Clynes dan Nathan Kline mengunakannya dalam artikel tentang
peraturan antara manusia-mesin dalam sistem antariksa. Cyborg hari ini sering dianggap hanya sebagai
sebuah organisme yang telah ditingkatkan kemampuan karena teknologi”.
(Alexander Chislenko)Menurut kamus dari perkakas pencari Answer. Cyborg adalah
Sebuah manusia yang memiliki beberapa proses fisiologis aided atau dikontrol
oleh perangkat elektronik atau mekanis.Cyborg adalah sebuah hubungan dengan
sibernetika organisme, atau Cyborg, adalah hubungan manusia dan mesin dan
berkisar di lingkup dari komputer yang telah menciptakan manusia robot dan
dapat independen dalam berpikir atau berkemampuan untuk belajar, membuat
jantung buatan, dan berbagai sintetis buatan. Menurut hipotesa para ahli bahwa
di masa yang akan datang manusia akan menggunakan sains dan teknologi untuk
mentransformasi bagian penting manusia, ke dalam bagian mesin yang sempurna dan
memilki bentuk yang menyerupai alami yaitu organ, otot serat, dan tulang.Dalam
masyarakat moden, cyborgs telah diambil pengertian baru yang berarti, khususnya
sebagai komputer yang telah menjadi lebih kuat dan ada di mana-mana. Orank
takut lagi dengan mesin yang dianggap akan lebih berkuasa dari pada manusia.
Hal ini di wujudkan dengan fiksiilmiah, film, dan televisi yang mendorong
kemajuan dalam bidang penyediaan komputer dan manusia buatan dan pengembangan
yang lebih lanjut lagi.Menurut Esiklopedia Desktop, (CYB ernetic ORG anism)
yang merupakan bagian yang menjadi manusia dan mesin.Menurut beberapa definisi
istilah, metafisik dan fisik, cyborg dibuat untuk menambah perlengkapan manusia
dengan teknologi yang paling dasar [1] Pada umumnya dapat dicontohkan dengan,
manusia yang menggunakan alat pacu jantung atau pompa insulin (jika orang telah
kencing manis) mungkin dapat dianggap sebagai Cyborg, karena mekanisme ini
meningkatkan kemampuan tubuh secara “alami” melalui mekanisme sintetis.
Teori-teori tersebut mengutip beberapa modifikasi seperti lensa kontak, alat
bantu, atau intraocular lensa sebagai contoh manusia sesuai dengan teknologi
untuk meningkatkan kemampuan mereka alami. Awalan cyber juga digunakan untuk
mencari tahu hubungan antara manusia-teknologi secara abstrak. Pada umumnya,
istilah Cyborg digunakan untuk merujuk kepada seorang lelaki atau perempuan
dengan Bionic, atau robot, Implants.Saat ini, C-kaki sistem digunakan untuk
menggantikan kaki manusia yang diamputasi karena cedera atau sakit. Penggunaan
sensor di kaki buatan bantuan dalam berjalan secara signifikan. Ini adalah
langkah pertama nyata terhadap generasi berikutnya cyborgs.Selain itu cochlear
Implants dan magnetik Implants dengan orang yang memberikan rasa bahwa mereka
tidak akan dapat memiliki tambahan akan dianggap membuat cyborgs.Pada tahun
2002, di bawah tulisan Proyek Cyborg, British Scientific, Kevin Warwick, telah
dirangkaian 100 elektroda menyeruput di kepala sistem saraf untuk menghubungkan
ke dalam sistem saraf internet. Dengan ini dia telah berhasil melakukan
serangkaian percobaan itu termasuk memperpanjang sistem saraf melalui internet
untuk mengontrol sebuah robot tangan, bentuk diperpanjang indera masukan dan
pertama langsung elektronik komunikasi antara dua sistem syaraf manusia.
Cyborg,
singkatan dari Cybernetic Organism (Organisme Sibernetik). Istilah ini
diciptakan oleh Manfred Clynes pada tahun 1960 guna menggambarkan kebutuhan
manusia untuk meningkatkan fungsi biologis artifisial dalam bertahan hidup pada
ruang lingkup dari lingkungan yang tak bersahabat. Dalam wikipedia.org, istilah
cyborg digunakan untuk menyatakan campuran (sintetik) bagian-bagian organik dan
mekanikal. Secara umum, tujuannya untuk menambah atau meningkatkan kemampuan dari
organisme dengan memanfaatkan teknologi. Kini, setelah bertahun-tahun lamanya,
istilah cyborg memperoleh arti yang lebih umum untuk menggambarkan
ketergantungan manusia pada teknologi. Dalam pengertian ini, istilah cyborg
dapat digunakan untuk mengkarakterisasi siapa saja yang bergantung pada
perangkat teknologi, bahkan komputer untuk menyelesaikan pekerjaan sehari-hari
sekalipun. Namun, sebagian orang
Contoh Penemuan
Teknologi Cyborg
Exoskeleton
Merupakan
steroid dari para peneliti. Exoskeleton ini dikenakan seperti pakaian. Di
Dalamnya, terdapat sistem-sitem hidraulik yang membantu mereka untuk membawa
beban berat. Saat ini, militer AS sedang menguji sebuah sistem dengan nama
“Hulc“, sebuah istilah yang dipinjam dari tokoh komik raksasa berwarna hijau;
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgiPyvR5UxQwgmES8YnTZsTr1CsM0lfHYVPSGzIFl8kiAK7RsL29oi89L34WQpER6jB12yjIPoLw3SqVSi4A_rGvtJ7vYhPOCuE29pnLWtFCc19HAvS7bkDiWUyhMjCjgFAvSPzmbyBCDM/s1600/EXOSKELETON.jpeg
Lensa Kontak
Augmented Reality.
Apps Smartphone
yang dapat mengirim info web tentang suatu gambar bukan yang baru. Sekarang,
contact lens juga menawarkan fungsi demikian. Di dalamnya, terdapat layar LED
dan mendapat arus melalui sinyal radio;
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjHg2FflcNJYAkWwBmbnEEieGMmNwoTE9RnpwBidJmMZF3ktTYMzRNgLBUXaDqnkwx5jhgeHIsn7bB3PAyYSZiZA5sdwV8GQO63p7E14boCcPG438wFDoBkqhTC2SCfcapjCpbnEqfwl5k/s1600/Lensa+Kontak+Augmented+Reality.jpeg
Kumbang Robot.
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjhkuYONWLyjsDZvOmf3NAaJTHyMmuYo8bRS8NS1W-a4Pnbf4lNzbF0TQ4UnCd1nv3Cc5sT9Zrwd4ITYO4KT4xqDwHQf2k-IICml3A8IKqYgO8A3qsB-z7KkW6_xs2lb6UyfuxXYCYmw6k/s1600/KUMBANG+ROBOT.jpeg
Mengedalikan
kumbang hidup sepertinya hanya terdapat di film-film fiksi, namun University of
California dan Kementerian Pertahanan AS berhasil mewujudkannya. Mereka menanam
elektroda pada kumbang afrika. Kumbang tersebut terbang selama 30 menit untuk
tugas mata-mata;
Robot Tikus.
Peneliti dari
Universitas Reading berhasil membangun sebuah robot. Sederhana saja, tiga roda
dan sepasang indikator. Tidak ada yang rumit selain otak tikus yang
mengendalikan robot tersebut.set otak menerima sinyal listrik memprosesnya dan
memberikan perintah .fungsi tersebut belum banyak selain mendeteksi obyek
didinding.
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEh6WXypbICmeqyVSW3bLBTZMxOrVvvMknBaNVi9L6VZT943TX0JfUwRIFtFdRfs69v8v-iiN2JRAKxoi4RRuSIiOMMk85AoD9g8VOAOEVyZVoBNlHuSRWubEKDrWpESSERLD5fzp9xQONs/s1600/rat+robot.jpeg
Mata buatan
untuk tunanetra.
Sejak 20 tahun
yang lalu, para peneliti MIT sudah bekerja pada Boston Retinal Implant Project.
Tujuan mereka, membuat mata buatan bagi para tunanetra. Pada Pasien dipasangkan
sebuah chip receiver pada jaringan kulit yang akan menerima data-data digital
dari sebuah kacamata kamera digital. Mata buatan ini sudah dicoba pada manusia
sebanyak 6 kali.
Description:
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEib5JtRVyyd0jEbVm_fPSakzU6VKtYP8x35LSjAOPQQMBG_OIKCDfPoihkMvPyT_Q32y2AacdCQxccYuDI9KGr-dt0P4SaK4p_3timuq_Uo-8gjzpmw3Xd0QREBbrz1IXjm4p_Yy7h0PlI/s1600/mata+buatan.jpg
PENCIPTAAN ROBOT
Istilah robot
merupakan hal yang tidak asing lagi. Film, media informasi telah memberi
informasi mengenai teknolog robot , apabila kita memperhatikan film film
holywood yang menggambarkan bahwa robot itu mesin yang berbentuk menusia dan
dapat bergerak dan beraktifitas layaknya manusia . akan tetapi sebenarnya robot
itu tidak harus berbentuk manusia . karena kesalah pahaman ini . menimbulkan
definisi yang salah dan banyak orang
yang beranggapan bahwa robot mesin berbentuk manusia .butktinya robot ada yang
berbentuk anjing yang di produksi oleh sony . mengenai pengertian akan dibahas
di bab berikutnya . pada bab ini akan di bahas penciptaan robot dan sejarah
yang nantinya akan berhubungan dengan pengertian robot
Pada jaman
dahulu kala manusia menggunakan budak sebagai alat untuk memenuhi kebutuhan .lalu seiring berjalannya waktu
muncul para ahli mekanik pada jaman Alexandria di mesir sehingga di temukannya
mesin pertama di dunia yang di gerakan oleh hewan .mesin itu hanya berbentuk
mekanik yang berfungsi secara berulang ulang seperti mengisi air secara
berulang ulang , menggiling biji bijian, mengaduk / mengiling makanan . namun
ada fungsi mekaniknya di kerjakan oleh alam
seperti kincir angin , kincir yang di gerakan oleh air dan lain lain .
seiring dengan berjalannya waktu teknologi mekanik berkembang dan menyebar luas
keseluruh wilayah dan negara , sampai suatu saat pada tahun 1948 elektronik
merupakan suatu alat penggerakpembangunan bukan mekanikdengan muncul robot
elektronik pertama yang diciptakan William grey walter di Bristol, pada tahun
1960 di mana ia digunakan untuk mengangkat potongan-potongan logam panas dari .
Dari perkembangan robot di atas manusia sadar bahwa robot dapat di manfaatkan
menjadi pengganti budak . tentunya kemampuan yang dimiliki robot haruslah yang
sudah kompleks dan banyak seperti robot asimo
yang dapat berjalan dan bergerak seperti manusia . dalam melakukan tugas
yang repetitive dan berbahaya dimana manusia tidak memilih untuk melakukan
tugas tersebut karena terlalu berbahaya maka robotlah dapat di manfaatkan untuk
menyelesaikan tugas tersebut . contohnya dalam meluncurkan pesawat luar angkasa
tanpa awak. Kapal selam yang mampu menjelajahi laut yang dalam dan tidak
berawak dan robot yang bertugas dalam industri yang dibutuhkan kerja dengan
tempo yang lama.
PERIODE
TEKNOLOGI ROBOT
Meskipun ada
sebagian yang mungkin tidak bisa didefinisikan sebagai robot, tapi hasil-hasil
pencipataan yang disusun berdasarkan urutan kurun waktu dibawah ini dianggap
sebagai perkembangan dari cikal bakal teknologi robot.
Tahun 270
sebelem masehi, Ctesibus, pada jaman Yunani kuno telah membuat organ-organ dan
jam air yang dapat membuat gerakan-gerakan tertentu.
Tahun 1818, Mary
Shelley menulis novel “Frankenstein” yang terkenal dan menyeramkan itu. Cerita
tentang manusia yang diciptakan oleh Dr Frankenstein.
Tahun 1921, Istilah
“robot” pertama kali digunakan dalam sebuah drama berjudul “RUR” atau “Rossum’s
Universal Robot” yang ditulis oleh penulis dari Ceko, Karel Capek. Secara
sederhana drama ini mengkisahkan tentang manusia yang membuat robot dan pada
akhirnya robot itu membunuh manusia yang membuatnya.
Tahun 1941,
penulis fiksi ilmiah Isaac Asimov pertama kali menggunakan kata “robot” untuk
menggambarkan teknologi robot dan meramalkan munculnya robot industri yang
kuat.
Tahun 1942,
Asimov menulis “Runaround”, cerita tentang robot dan memperkenal “Tiga Hukum
Robot”.
Tahun 1948,
Cybernetics”, sebuah hasil tulisan tentang pengaruh pada kecerdasan buatan yang
diterbitkan oleh Norbert Wiener. Pada masa itu juga seorang perintis teknologi
robot di Inggris, William Grey Walter menciptakan robot sederhana yang diberi
nama Elmer dan Elsie yang meniru perilaku manusia hidup dengan menggunakan
elektronik.
George Devol dan
Joseph Engleberger menciptakan robot lengan yang diprogram untuk pertama
kalinya dan menciptakan istilah Universal Otomasi untuk pertama kalinya juga.
Tahun 1956,
George Devol dan Joseph Engelberger membentuk perusahaan penghasil robot pertama
di dunia. Pada tahun ini juga sebuah robot elektronik berbentuk tupai dan
diberi nama Squee diciptakan.
Tahun 1959,
Computer Assisted Manufacturingg telah didemonstrasikan di Laboratorium
Servomechanisms di MIT.
Tahun 1961,
robot industri pertama diperagakan di pabrik mobil General Motors di New
Jersey. Robot itu dinamakan UNIMATE.
Tahun 1963,
robot lengan buatan yang dikontrol oleh computer pertama kali dirancang. Lengan (tangan) robot ini
dirancang sebagai alat bagi penyandang cacat dengan kelengkapan enam sendi yang
memberikan fleksibilitas lengan manusia.
Tahun 1965,
pembuatan system canggih yang pertama dan disebut DENDRAL. Program ini
dirancang untuk melaksanakan akumulasi pengetahuan dari subjek ahli.
Tahun 1968,
Marvin Minsky membuat lengan tentakel yang dinamakan Octopus.
Tahun 1969,
pembuatan lengan Stanford yang digerakkan oleh tenaga listrik. Lengan robot ini
dikendalikan oleh komputer.
Tahun 1970,
kemunculan robot Shakey yang disebut-sebut sebagai mobile robot yang pertama
yang dikendalikan oleh kecerdasan buatan. Robot ini dibuat oleh SRI
International.
Tahun 1974,
perancangan lengan robot yang bekerja berdasarkan umpan balik dan sensor
tekanan. Robot yang disebut dengan nama Silver Arm ini digunakan untuk
perakitan komponen-komponen di bidang industry.
Tahun 1979,
pertama kalinya didemonstrasikan kemampuan sebuah robot yang berlalu lalang di
dalam sebuah ruangan yang penuh dengan kursi. Robot yang diberi nama Stanford
ini dapat menghindari menabrak kursi-kursi yang diletakkan secara acak di
ruangan tersebut. Robot ini dilengkapi dengan kamera yang menyampaikan gambar
medan laluan ke komputer. Selanjutnya komputer memperhitungkan jarak benda dan
hambatan yang ada pada medan.
Dari sejarah di
atas dapat di simpulkan bahwa robot berkembang pesat dengan cepat. Sehingga
pada saat ini robot banyak yang berguna bagi kehidupan manusia dalam memenuhi
kebutuhan hidup.
Robot Dalam
Kehidupan
Pada zaman
sekarang jumlah robot sangat banyak
paling banyak berada di kawasan asia, 32% di eropa, 16% di amerika utara ,1 % berada di Australia dan
1% lagi ada di afrika. Tetapi 30% robot yang ada di dunia berada di jepang yang
membuat negara itu adalah negara yang memiliki jumlah robot terbanyak . di
jepang dan di korea selatan ide dalam meningkatkan kualitas robot untuk
meningkatkan kemampuan robot dalam menyelesaikan masalah sangat baik dan
positif . di cina robot sangat bermanfaat dan baik untuk manusia menolong dalam
kebutuhan sehari hari manusia, bermain dengan dan belajar dengan anak anak atau
menggantikan fungsi sebagai binatang peliharaan .” ini adalah era di mana robot
dan manusia akan cocok “ menurut orang asia terutama di jepan g yang mendukung
atas pembuatan robot di jepang maupun asia. Bahkan di korea selatan telah
menargetkan bahwa pada tahun 2015 -2020 setiap rumah yang ada di negara
tersebut akan ada robot untuk menyaingi teknlogi di jepang .
Berbeda dengan
yang ada di eropa dan dunia barat yang tidak terlalu mendukung akan kehadiran
robot yang sangat canggih, mungkin di karenakan banyak media yang menggambarkan
robot akan mengambil alih dunia. Bahkan ada yang menyatakan robot merupakan hal
yang akan mengancam kehidupan manusia di masa depan. Yang di sebabkan keyakinan
terhadap manusia dan kehidupan social yang akan berkurang
Dari pendapat di
atas telah menjelaskan bahwa robot merupakan fenomena yang luar biasa jika
robot sudah mulai di produksi dan bersebaran di dunia , karena dengan
keberadaan robot menyebabkan dampak positif dan negative sesuai dengan sudat
pandang masing masing . banyak yang mendukung ada pula yang menolak kehadiran
robot
Dengan
adanya robot tentu akan sangat membantu
tugas manusia yang terkadang sulit di selesaikan karena harus memiliki
kemampuan yang tinggi dalam konsentrasi dan ketelitian . dengan adanya robot
pula suatu industri akan mempercepat produksinya.dalam melakukan pekerjaannya
robot hampir sulit mengalami kesalahan karena sudah di program untuk menjalani
tugasnya berbeda dengan manusia yang suatu saat akan teledor terhadap
pekerjaannya
tetapi di sisi
lain ada yang mengatakan bahwa dengan adanya robot dalam kehidupan manusia di
masa depan akan lebih banyak berdampak buruk dari pada positifnya . menurut
mereka dengan adanya robot akan menjadikan manusia malas akan tugas yang harus
diselesaikan . sehingga mengubah pola pikir manusia yang di karenakan tertalalu
di manja oleh kemampuan robot . akan bermunculnya sifat negative yang
merajalela dalam kehidupan sehari hari seperti malas , kurang konsentrai, bodoh
dan lain lain.
Manusia juga
akan menjadi makhluk yang kurang peduli sesama manusia lainnya karena hilangnya
rasa toleransi, gotong royong , kerjasama terhadap pekerjaannya karena sudah
dikerjakan oleh robot . yang di khawatirkan lagi manusia akan menjadi makhluk
tidak social .
2. Artificial
Life
Salah satu
bentuk yang ditawarkan oleh artificial intelligence dalam teknologi komunikasi
adalah A-Life (Artificial Life). A-life merupakan salah satu studi teknologi
komunikasi berbasis Artificial Intelligence yang membahas tentang sistem
kehidupan buatan dan prosesnya dalam teknologi komunikasi komputer. Salah satu
contohnya adalah dalam game komputer. Contoh game komputer Artificial life
adalah The Sims. Pemain dari The Sims dapat menentukan warna kulit, bentuk
badan yang diinginkan, sifat/kepribadian yang dapat di-adjust, jenis pekerjaan
yang diinginkan secara virtual. Pemainnya juga dapat menentukan bagaimana cara
tokoh The Sims-nya bersosialisasi, serta mengatur mood The Sims. Biasanya,
pemain akan tenggelam dalam permainan tersebut, terlibat secara mendalam di
dunia virtualnya.
Description:
https://adrianasari.files.wordpress.com/2011/07/the-sims-2-kitchen-and-bath.jpg?w=714
The Sims
Contoh
artificial intelligent yang merupakan computer vision adalah Xbox 360 Kinect Project Natal keluaran
Microsoft dimana dalam memainkan game atau aplikasi didalamnya tidak diperlukan
alat kendali apapun. Game Xbox 360 Kinect akan mengenali gerak tubuh, suara,
menscan benda/objek nyata untuk dipilih dan dimainkan di Xbox 360. Game Xbox 360 dapat dimainkan serta
berinteraksi dengan orang-orang di lokasi berbeda pada saat bersamaan serta
dapat menjadi tim atau lawan main dengan pemain di lokasi berbeda. Selain untuk
game, Xbox juga terdapat aplikasi untuk memilih dan memutar film, bahkan dapat
berinteraksi dengan teman (video conference), serta dapat juga melakukan
simulasi pemilihan baju. Mungkin masih banyak aplikasi lain yang ada didalam
Xbox 360 Kinect. Sungguh teknologi telekomunikasi yang luar biasa.
Description:
https://adrianasari.files.wordpress.com/2011/07/clipboard01.jpg?w=714
Xbox Kinect
Bagaimana jika
di masa mendatang ada teknologi “rumah pintar” dan segala peralatan elektronik
yang ada didalam rumah tersebut dapat dikontrol secara terpusat dan bahkan
dapat melakukan tugasnya secara otomatis?.
Anda tentu tidak akan merasa direpotkan dengan pekerjaan rumah jika
semua peralatan elektronik dirumah dapat melakukan tugasnya secara otomatis,
dan Anda dapat melakukan hal lain diluar rumah serta Anda dapat mengetahui
keadaan rumah Anda melalui handphone atau peralatan komunikasi lain. Kini dengan teknologi elektronik terbaru yang
dinamakan “smart home”, Anda bisa mengkontrol alat-alat elektronik Anda hanya
dengan satu pengontrol pusat, ataupun Anda bisa mengontrolnya ketika Anda tidak
berada di rumah. Hanya dengan mengakses ke unit kontrol utama sistem “smart
home”, dimanapun Anda berada, Anda bisa menyala atau mematikan alat-alat
elektronik seperti lampu, pemanas air, kulkas, TV dan microwave, Anda juga bisa
mengaktifkan sistem keamanan, atau mengatur alat temperatur seperti AC atau
pemanas udara, dan juga bisa melihat keadaan luar dan dalam rumah lewat kamera
keamanan (CCTV) Anda.
Description:
https://adrianasari.files.wordpress.com/2011/07/4.jpg?w=714
Smart Home
Ericsson
mengeluarkan video di YouTube berjudul “The Social Web of Thing” berdurasi 4
menit 8 detik. Video tersebut menceritakan bagaimana David (penghuni rumah)
dapat berkomunikasi dengan rumah melalui device yang saling terhubung melalui
jaringan internet. Device rumah dapat memantau aktivitas David diluar rumah dan
tahu bagaimana menyambut David ketika David sampai dirumah. Device rumah David
melakukan tugasnya secara otomatis. Contohnya : Vacuum cleaner menyedot debu
karpet sendiri, tungku perapian menyala otomatis ketika David tiba dirumah dan
cuaca diluar sedang hujan.
Description:
https://adrianasari.files.wordpress.com/2011/07/1232.jpg?w=714
Gambar dari
video “The Social Web of Things”
Ericsson
memberikan tema “everything is connected” di dalam videonya yang berjudul “The Social Web of Thing”. Didalam video
tersebut diceritakan bahwa teknologi telekomunikasi masa depan dimana
semuadevice atau peralatan elektronik akan saling terhubung/terkoneksi dan bisa
saling “berkomunikasi” antara satu peralatan ke peralatan lain. Tahun 2020,
vendor layanan asal Swedia – Ericsson
memperkirakan lebih dari 50 miliar peralatan akan saling terhubung satu sama
lain, dan bagaimana hal tersebut dapat
mengubah cara masyarakat berinteraksi dan berbisnis. Dengan mobile broadband
dan ketersediaan akses koneksi internet dimana-mana, serta dikombinasikan dengan
penurunan harga untuk modul komunikasi,dan layanan konektivitas maka membuat
model bisnis menjadi lebih efisien dan efektif dan meningkatkan gaya hidup
untuk individu dan masyarakat.
Saat ini banyak
industri-industri yang menerapkan teknologi “cerdas” didalam produknya,
misalnya : Toyota akan membuat mobil listrik yang dilengkapi dengan cloud
computing. Mobil yang dilengkapi komputer yang terhubung ke internet dan
layanan cloud computing, pengendara dapat mendapatkan informasi terbaru. Tidak
hanya untuk dirinya, tapi juga kebutuhan teknis untuk mobilnya. Pemilik mobil
masa depan Toyota bisa mengelola kehidupannya dari komputer di mobil dan
perangkat genggam. Misalnya, komputer bisa memberikan rekomendasi kapan
pengguna harus isi ulang baterai yang hampir habis atau maintenance dan masalah
teknis di mobil. Saat tidak di dalam mobil, ia juga bisa mendapatkan peringatan
dari ponsel yang terhubung ke sistem informasi di mobil. Mobilnya juga
dilengkapi kontrol ke alat-alat rumah tangga sehingga bisa membuka pagar
otomatis, menyalakan AC di rumah beberapa menit sebelum tiba, dan sebagainya.
Selain Toyota,
industri yang menerapkan technologi “cerdas” di produknya adalah Samsung.
Samsung mengeluarkan produk Samsung
RF4289 Wi-Fi Refrigerator. Kulkas keluaran Samsung ini dilengkapi dengan
aplikasi wi-fi dengan 8-inch LCD touchscreen,
akses cepat ke “aplikasi dapur yang relevan” seperti Google kalender,
WeatherBug , resep Epicurious, berita AP, Pandora musik, dan Picasa foto. Anda
juga dapat meninggalkan catatan untuk keluarga. Touchscreen nirkabel tersedia
pada kedua sisi-sisi RSG309 oleh-dan RF4289 empat pintu model pintu prancis.
Description:
https://adrianasari.files.wordpress.com/2011/07/01.jpg?w=714
Samsung RF4289
Wi-Fi Refrigerator
Pada tahun
2020 Ericsson memperkirakan lebih dari
50 miliar peralatan akan saling terhubung satu sama lain. Tentu saja untuk
menghubungkan lebih dari 50 miliar peralatan tersebut dibutuhkan jaringan
koneksi wireless broadband yang realiable dan coverage range yang merata, sehingga
peralatan dapat saling terhubung dengan peralatan lain dilokasi manapun. Jaringan telekomunikasi yang terbaru saat ini
adalah jaringan 4G LTE. Layanan 4G berbasis Long Term Evolution (LTE) komersial
pertama dan terbesar di dunia diklaim telah diluncurkan oleh TeliaSonera dan
Ericsson di Stockholm, Swedia. Ericsson selalu menjadi yang pertama untuk
mendemokan sebuah teknologi seperti live demo 4G/LTE dengan kecepatan 1 Gbps,
microwave backhaul dengan kecepatan 2,5 gigabytes, dan demo 84 Mbps HSPA. LTE merupakan
teknologi komunikasi bergerak generasi berikutnya yang didesain untuk
memindahkan jumlah data yang sangat besar. Teknologi ini dikatakan sebagai cara
yang hemat dan efisien, dengan mengoptimalkan penggunaan pita frekuensi dan
mengangkat kecepatan akses seringan serat di udara. LTE didefinisikan dalam
standar 3GPP (Third Generation Partnership Project) Release 8 dan juga
merupakan evolusi teknologi 1xEV-DO sebagai bagian dari roadmap standar 3GPP2.
Teknologi ini diklaim dirancang untuk menyediakan efisiensi spektrum yang lebih
baik, peningkatan kapasitas radio, latency dan biaya operasional yang rendah
bagi operator serta layanan mobile broadband kualitas tinggi untuk para
pengguna. Perubahan siginifikan dibandingkan standar sebelumnya meliputi 3 hal
utama, yaitu air interface, jaringan radio serta jaringan core. Untuk masalah
pita spektrum yang sangat berpengaruh dengan kinerja jaringan, LTE dapat
beroperasi pada standar IMT-2000 (450, 850, 1800, 1900, 2100 MHz) maupun pada
pita spektrum baru seperti 700 MHz dan 2,5 GHz.
Samsung meluncurkan Samsung Craft, dengan klaim
sebagai handset komersial pertama di dunia yang mendukung teknologi 4G Long
Term Evolution (LTE). Samsung Craft dirilis di Amerika Serikat oleh operator
telekomunikasi setempat, MetroPCS. MetroPCS sudah membangun jaringan LTE di
negeri Paman Sam yang nantinya bakal dinikmati oleh pengguna Samsung Craft.
Konsep mobil
masa depan yang diberi label “LTE Connected Car” ditampilkan di paviliun
Experience Canada pada G-8 dan G-20 Summit – International Media Center, 23 –
25 Juni 2010 di Kanada. Mobil ini memadukan konsep navigasi, hiburan,
diagnostik, serta layanan lainnya yang semua dimungkinkan berkat kemampuan
jaringan 4G berbasis LTE. LTE Connected Car mendemonstrasikan
pengalaman-pengalaman menarik bagi para pengguna yang semuanya dimungkinkan
berkat adanya LTE, mobil futuristik ini dirancang oleh Toyota Motor Sales USA
serta didukung oleh perusahaan lain seperti Atlantic Records, BuzzMedia,
Chumby, GameStreamer, Intamac, Kabillion, dan QNX Software Systems. LTE
Connected Car bekerja dan beroperasi seperti mobil standar pada umumnya, namun
memiliki kecepatan inter-konektivitas yang tinggi. Masing-masing penumpang
dapat menciptakan personalisasi dan pengalaman multimedia melalui empat buah
touch screen yang dapat dikontrol secara independen. Berkat konsep cloud
computing, kemampuan streaming konten seperti TV, video, audio dan data, dapat
dilakukan dalam jumlah tak terbatas. Semuanya dapat dilakukan lewat satu
sentuhan.
Saat ini
teknologi 4G LTE sulit masuk ke Indonesia, hal ini dikarenakan pemerintah belum
mengatur relugasi dan frekuensi LTE. Namun Telkomsel dan XL sudah melakukan
ujicoba di Tanah Air. Telkomsel menggandeng Huawei melakukan uji coba LTE di
Jakarta tahun lalu. Sedangkan XL Axiata melakukan uji coba pada bulan Desember
tahun lalu bersama mitra vendor Ericsson.
3. Pembelajaran
Mesin
Learning
mempunyai arti menambah pengetahuan, memahami atau menguasai dengan belajar,
mengikuti instruksi atau melalui pengalaman.
Machine learning
adalah sebuah studi yang mempelajari cara untuk memprogram sebuah komputer
untuk belajar. Ada 4 kategori besar dimana sebuah aplikasi sulit untuk dibuat.
Pertama, bila tidak ada manusia yang menguasai bidang tersebut. Kedua, bila ada
manusia yang menguasai hal tersebut namun ia tidak mampu untuk menjelaskannya.
Ketiga, adalah saat keadaan dapat berubah dengan cepat. Keempat, bila aplikasi
harus dibuat berbeda untuk masing- masing pengguna.
Seorang manusia
selama hidupnya tidak pernah henti- hentinya melakukan learning. Hal ini
terjadi tanpa kita sadari dan alamiah. Namun untuk membuat sebuah mesin dapat
berpikir tentu bukanlah hal yang mudah. Manusia belajar melalui pengalaman yang
dia alami sehari- hari. Dari pengalaman tersebut, manusia akan mendapatkan knowledge.
Untuk
mendapatkan knowledge dapat melalui berbagai cara. Cara yang paling sederhana
adalah rote learning atau menyimpan informasi yang sudah dikalkulasi. Cara
lainnya adalah dengan mendapatkan pengetahuan dari orang lain yang sudah ahli.
Manusia juga dapat belajar melalui pengalaman pemecahan masalah yang ia
lakukan. Setelah berhasil mengatasi sebuah masalah, manusia akan mengingat
struktur dan cara mengatasi masalah tersebut. Apabila manusia mengalami sebuah
masalah yang hampir serupa, maka manusia dapat mengatasi masalah tersebut
secara lebih efisien. Ada banyak cara lain untuk mendapatkan knowledge dan kita
akan membahasnya lebih lanjut di bab- bab selanjutnya.
Dalam kehidupan
sehari- hari, dapat kita lihat learning machine pada kehidupan sehari- hari
sangatlah berguna. Beberapa contoh yang terlihat sangat nyata adalah speech
recognition, fingerprint recognition atau handwriting recognition. Perkembangan
machine learning sekarang ini sangat pesat. Banyak sekali riset dilakukan untuk
menciptakan mesin yang lebih cerdas. Contoh yang paling mutakhir yang dapat
kita lihat adalah Asimo, sebuah robot cerdas buatan Honda, yang dapat mengenali
pemiliknya dan mengenal emosi.
Agar dapat
membuat sebuah robot secerdas Asimo, maka beberapa teknik AI diaplikasikan kedalamnya,
seperti speech recognition untuk dapat berinteraksi, image recognition untuk
dapat mengenali wajah pemiliknya dan mengenali ruangan dan banyak lagi.
Learning
Technique
2.1 Rote
Learning
Seperti yang
telah dibahas sebelumnya, rote learning adalah sebuah cara memperoleh knowledge
yang paling sederhana. Dengan cara ini komputer menyimpan data hasil
perhitungan kedalam cache. Setelah itu, komputer tidak perlu melakukan
kalkulasi kembali karena hasil perhitungan telah tersimpan. Cara ini sangat
efektif untuk mempersingkat waktu proses karena komputer tinggal mengambil
data. Namun sebagai trade-off, cara ini akan membutuhkan media penyimpanan yang
besar.
2.2 Learning by
Taking Advice
Pada awalnya
manusia tidak memiliki pengetahuan apapun. Namun seiring berjalannya waktu,
kita selalu mendapatkan knowledge dari orang tua dan guru. Demikian juga sebuah
komputer. Komputer tidak memiliki kemampuan apabila tidak diprogram terlebih
dahulu.
2.3 Learning in
Problem Solving
Cara ini dapat
digunakan sebagai alternatif dari 2 cara yang telah dibahas diatas. Dengan cara
ini tidak diperlukan seorang ahli untuk memberikan knowledgennya. Komputer
dapat menambah pengetahuannya dengan cara menggeneralisasi pengalaman yang
telah dia dapatkan.
2.3.1 Learning
from Example
Teknik belajar
melalui contoh merupakan salah 1 cara dari learning in problem solving. Dalam
menggunakan cara ini dibutuhkan contoh- contoh. Contoh yang
tersedia akan
diproses dan diklasifikasikan
Klasifikasi
adalah sebuah proses memasukkan sebuah input ke dalam kelas yang sesuai.
Klasifikasi adalah sebuah komponen yang penting dalam banyak pekerjaan problem
solving. Biasanya klasifikasi ini dimasukkan ke dalam operasi yang lain.
Sebelum memulai
klasifikasi, maka kelas- kelas harus dibentuk terlebih dahulu. Ada beberapa
cara yang dapat dilakukan untuk membentuk kelas- kelas tersebut.
•Mendefinisikan
kelas dengan cara menghitung jumlah dari fiturnya.
• Mendefiniskan
kelas sebagai sebuah struktur yang terdiri dari fitur- fitur tersebut.
Cara pertama
lebih efisien namun cara kedua lebih fleksibel dan mudah untuk diperluas.
Dalam
kenyataannya, mendefinisikan sebuah kelas bukannya pekerjaan yang mudah.
Apalagi jika contoh- contoh yang ada tidak mudah untuk dideskripsikan atau
dapat berubah- ubah secara cepat. Jika kita ingin mendefinisikan kelas secara
struktural, ada banyak cara yang dapat dipakai, misalnya Winston’s learning
program, version spaces dan decision trees. Disini kita akan membahas beberapa
teknik tersebut.
2.3.1.1 Version
Space
Dalam teknik ini
kita akan membuat 2 buah subset, yang umum dan spesifik. Tujuan kita adalah
membuat kedua subset tersebut memiliki nilai yang sama pada akhirnya.
Untuk membuat
hal tersebut terjadi maka kita harus membuat subset yang umum menjadi lebih
spesifik dan subset yang spesifik menjadi lebih umum. Untuk melakukan hal
tersebut maka dibutuhkan sebuah algoritma bernama candidate elimi algorithm.
Candidate
elimination adalah sebuah metode untuk menghitung batas dari set. Mengutip dari
[Hirsh,1994,halaman 6] :
”The
candidate-elimination algorithm manipulates the boundary-set representation of
a version space to create boundary sets that represent a new version space
consistent with all the previous instances plus the new one. For a positive
example the algorithm generalizes the elements of the [sbs] as little as
possible so that they cover the new instance yet remain consistent with past
data, and removes those element of the [gbs] that do not cover the new instance.
For a negative instance the algorithm specializes elements of the [gbs] so that
they no longer cover the new instance yet remain consistent with past data, and
removes form the [sbs] those elements that mistakenly cover the new, negative
instance.”
Langkah- langkah
dalam candidate elimination algorithm.
1. Buat sebuah
subset G yang hanya berisi variabel
2. Buat sebuah
subset S yang berisi elemen dari contoh positif yang pertama
3. Jika contoh
bernilai positif, hapus dari G apabila deskripsi tidak sama dengan contoh dan
masukkan ke G apabila deskripsi berbeda dengan contoh. Sedangkan S tetap.
Jika contoh
bernilai negatif, hapus dari S apabilai deskripsi sama dengan contoh. Kemudian
hapus dari G apabila deskripsi sama dengan contoh.
4. Apabila G dan
S hanya 1 subset dan bernilai sama, maka proses berhenti. Jika G
dan S hanya 1
subset dan berbeda nilai, berarti contoh yang ada tidak konsisten
hentikan proses.
Ada beberapa hal
yang penting untuk diperhatikan dalam Candidate elimination algorithm. Pertama
teknik ini merupakan least-comminent algorithm. Dalam setiap langkah, version
space yang ada akan semakin mengerucut seminimal mungkin dalam setiap
langkahnya. Oleh karena itu, apabila semua sample positif bernilai sama,
algoritma ini tidak akan menganggap bahwa nilai lain adalah salah, sehingga
apabila contoh yang diberikan tidak konsisten, maka S dan G tidak akan bertemu.
Jadi kesimpulan yang dihasilkan sistem hanya partial. Kedua, teknik ini
menggunakan breadth first search untuk mencari jawaban yang diinginkan.
Candidate
elimination memiliki beberapa kekurangan. Pertama, karena teknik ini
menggunakan breadth first search, maka kita harus menyediakan storage yang
cukup. Kedua adalah terjadinya inkonsistensi data. Seperti yang telah disebut
diatas, hal ini akan menyebabkan tidak ditemukannya jawaban yang singleton.
2.3.1.2 Decision
Trees
Decision tree
merepresentasikan sebuah tree dimana internal nodenya mengetes sebuah atribut,
masing- masing cabangnya berhubungan dengan nilai dari atribut dan masing-
masing lead nodenya berisi sebuah klasifikasi. Algoritma ini merupakan salah
satu dari teknik yang paling efisien dan populer dalam machine learning.
Kelebihan dari
decision tree adalah apabila ukurannya tidak terlalu besar, tree ini akan dapat
dengan mudah dimengerti oleh manusia. Hal ini akan sangat berguna karena
manusia dapat memahami cara kerjanya. Sebagai tambahan, apabila data yang ada
sangat besar, maka decision tree akan bekerja lebih cepat daripada version
space.
2.4 Explanation-
Based Learning
Explanation
based learning adalah sebuah proses mengubah pengetahuan yang implisit menjadi
pengetahuan yang eksplisit. Dalam teknik ini, kita membuat sebuah komponen dari
domain menjadi spesifik untuk menjabarkan komponen lainnya, kemudian kita
menggeneralisasi kesimpulannya agar dapat digunakan apabila kita menemukan
komponen yang hampir sama.
Sebagai contoh
misalnya dalam permainan catur. Komputer dapat mempelajari sebuah teknik hanya
dari satu contoh saja, misalnya posisi mat. Dari contoh tersebut, komputer
dapat melakukan perhitungan agar posisi itu tidak terjadi padanya dan
sebaliknya berusaha melakukan itu kepada lawannya. Komputer tidak memerlukan
banyak contoh seperti yang dilakukan oleh version space atau decision tree,
karena komputer cukup mengetahui bahwa posisi dimana raja tidak dapat bergerak
ke tempat lain bearti posisi mat.
Explanation
based learning merupakan sebuah metode lain dari berbagai teknik learning. Pada
teknik- teknik sebelumnya, contoh- contoh yang disediakan tidaklah sangat
banyak sehingga memberatkan proses perhitungan. Dengan teknik explanation based
learning ini, kita akan memperbaiki kecepatan proses sebuah learning.
Dalam teknik
ini, kita akan menggunakan proses induktif. Proses ini akan membuat sebuah
kesimpulan dari sekumpulan fakta- fakta yang ada. Kemudian hasil kesimpulan dan
juga fakta- fakta tersebut disimpan dalam memory, sehingga apabila pada suatu
saat dibutuhkan, kita tidak perlu melakukan perhitungan ulang. Hal inilah yang
menyebabkan peningkatan kecepatan proses learning. Oleh karena itu, teknik ini
disebut juga speed-up learning.
Speed-up
learning dapat membuat sistem mendapatkan hasil / keputusan lebih cepat. Namun
untuk dapat melakukan itu, kita perlu untuk memberikan banyak contoh- contoh
latihan.
Dalam teknik
explanation based learning, kita dapat mengambil input dari empat hal.
• contoh latihan
• konsep tujuan
• kriteria
operasi
• teori domain
Explanation-based
generalization adalah sebuah algoritma yang dipakai dalam
explanation
based learning. Dalam teknik ini kita akan melakukan 2 langkah. Yang pertama
adalah kita membuang semua aspek yang tidak penting dalam mencapai konsep
tujuan. Langkah berikutnya adalah melakukan generalisasi penjelasan sejauh
mungkin selama masih memenuhi konsep.
2.5 Empirical
dan Analytical Learning
Empirical
learning adalah metode belajar dengan mengandalkan pengalaman eksternal,
sedangkan analytical learning tidak membutuhkan input eksternal. Perbedaan
antara empirical dan analytical sangat tipis. Hampir semua masalah dapat
diselesaikan dengan menggunakan analytical learning, namun dalam beberapa kasus
dimana dibutuhkan kecepatan dan data yang sangat banyak seperti dalam permainan
catur, maka analytical tidak bisa dipakai sendirian. Empirical learning dapat
digunakan bersamaan dengan analytical sehingga dapat mempercepat proses.
Dalam empirical
learning dikenal metode supervised dan unsupervised.
2.5.1 Supervised
Learning
Dalam teknik
supervised learning, maka sebuah program harus dapat membuat klasifikasi –
klasifikasi dari contoh- contoh yang telah diberikan. Misalnya sebuah program
diberikan benda berupa bangku dan meja, maka setelah beberapa contoh, program
tersebut harus dapat memilah- milah objek ke dalam klasifikasi yang cocok.
Kesulitan dari
supervised learning adalah kita tidak dapat membuat klasifikasi yang benar.
Dapat dimungkinkan program akan salah dalam mengklasifikasi sebuah objek
setelah dilatih. Oleh karena itu, selain menggunakan training set kita juga
memberikan test set. Dari situ kita akan mengukur persentase keberhasilannya.
Semakin tinggi berarti semakin baik program tersebut.
Persentase
tersebut dapat ditingkatkan dengan diketahuinya temporal dependence dari sebuah
data. Misalnya diketahui bahwa 70% mahasiswa dari jurusan Teknik Informatika
adalah laki- laki dan 80% mahasiswa dari jurusan Sastra adalah wanita. Maka
program tersebut akan dapat mengklasifikasi dengan lebih baik.
2.5.2
Unsupervised Learning
Teknik ini
menggunakan prosedur yang berusaha untuk mencari partisi dari sebuah pola.
Unsupervised learning mempelajari bagaimana sebuah sistem dapat belajar untuk
merepresentasikan pola input dalam cara yang menggambarkan struktur statistikal
dari keseluruhan pola input.
Berbeda dari
supervised learning, unsupervised learning tidak memiliki target output yang
eksplisit atau tidak ada pengklasifikasian input.
Dalam machine
learning, teknik unsupervised sangat penting. Hal ini dikarenakan cara
bekerjanya mirip dengan cara bekerja otak manusia. Dalam melakukan
pembelajaran, tidak ada informasi dari contoh yang tersedia. Oleh karena itu,
unsupervised learning menjadi esensial.
2.6
Reinforcement Learning
Reinforcement
learning adalah sebuah teknik learning yang mempelajari aturan kontrol dengan
cara berinteraksi dengan lingkungan yang masih asing. Ada 2 cara dalam teknik
ini, teknik model-based dan teknik model-free.
Dalam teknik
model-based, kita akan membuat sebuah subset berisi 4 tuple yang menggambarkan
aksi, kondisi, hasil dan kondisi selanjutnya. Setelah mendapatkan subset yang
cukup banyak maka kita dapat menghasilkan probability transition function dan
reward function. Setelah mendapatkan kedua fungsi tersebut, kita dapat
menggunakan dynamic programming untuk menghasilkan aturan yang paling optimal.
Dalam teknik
model-free, kita tidak menyimpan subset yang berisi 4 tuple. Kita langsung
menerapkan sebuah algoritma yang dapat langsung mengubah aturan kontrol menjadi
lebih efisien.
2.7. Statistical
Learning
Dalam machine
learning, statistik dapat digunakan untuk mempercepat proses pembelajaran. Ada
beberapa metode yang dapat kita gunakan dalam statistical learning. Metode
tersebut adalah Bayesian, Instance Based dan Neural Network.
2.7.1 Bayesian
Learning
Dalam Artificial
Intelligence, teknik Bayesian dapat digunakan untuk mempercepat proses
memperoleh hasil perhitungan. Untuk memperoleh hasil yang optimal, kita dapat
menggunakan probabilitas agar sehingga komputer tidak perlu melakukan
perhitungan yang tidak diperlukan.
Teorema Bayes
P (h | D) = P (D
| h) * P (h) / P (D)
dimana :
P (h) =
kemungkinan dari hipotesis h
P (D) =
kemungkinan dari sample D
P (h | D) =
kemungkinan dari h jika diberikan sample D
P (D | h) =
kemungkinan dari sample D jika ada hipotesis h
2.7.2 Neural
Network
Dalam teknik
ini, kita membuat sebuah neural network buatan yang bertujuan untuk
mensimulasikan cara kerja neuron yang berada di dalam sel manusia. Neuron
sendiri berfungsi sangat penting dalam tubuh manusia karena berperan penting
dalam menerima dan memproses sinyal.
Pada zaman
modern sekarang ini, teknik dengan neural network merupakan teknik learning
yang paling populer dan efektif. Neural network memiliki berbagai kelebihan seperti
dapat melakukan perhitungan terdistribusi, dapat mentoleransi noise dalam
input, dan kemampuannya dalam belajar.
BAB
III
PENUTUP
A. Simpulan
Di dalam ilmu
komputer, banyak ahli yang berkonsentrasi pada pengembangan kecerdasan buatan
atau Artificial Intelligence (AI).
Banyak
implementasi kecerdasan buatan dalam bidang komputer, antara lain adalah
Decision Support System (Sistem Pendukung Keputusan), Robotic, Natural Language
(Bahasa Alami), Neural Network (Jaringan Saraf) dan lain-lain.
Pengertian
kecerdasan buatan yaitu suatu studi khusus di mana tujuannya adalah membuat
komputer berpikir dan bertindak seperti manusia.
Contoh bidang
lain pengembangan kecerdasan buatan adalah sistem pakar yang menggabungkan
pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal
memerlukan keahlian manusia. Tujuan dari pengembangan sistem pakar sebenarnya
bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan
pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang
banyak.
Manfaat
kecerdasan buatan yang diimplementasikan dalam pengembangan sistem pakar
adalah:
· Memberikan penyederhanaan solusi untuk
kasus-kasus yang kompleks dan berulang-ulang.
· Masyarakat awam non-pakar dapat
memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang
pakar.
· Meningkatkan produktivitas kerja,
yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.
· Penghematan waktu dalam menyelesaikan
masalah yang kompleks.
· Memungkinkan penggabungan berbagai
bidang pengetahuan dari berbagai pakar untuk dikombinasikan.
· Pengetahuan dari seorang pakar dapat
didokumentasikan tanpa ada batas waktu.
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.
B. Saran
Saat ini sudah
banyak teknologi kecerdasan buatan yang dihasilkan dan dipakai oleh manusia.
Misalnya saja pada robot Asimo yang bisa menari dan berjalan, atau pada
permainan komputer yang dirancang untuk membuat manusia berpikir keras untuk
mengalahkannya. Maka dari itu, semoga makalah ini bermanfaat bagi kita semua
dan mudah-mudahan menjadikan motivasi dalam mengembangkan Ilmu Pengetahuan dan
Teknologi di masa yang akan datang.
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.
https://jupriyadi.wordpress.com/tag/pembelajaran-mesin/
EmoticonEmoticon