Pengertian Sistem cerdas
Kecerdasan
buatan (Artificial Intelligent, AI) telah menjadi wacana umum yang sangat
penting dan banyak dijumpai. Kecerdasan Buatan atau Sistem cerdas atau
Intelegensi Buatan atau Artificial Inteligence merupakan cabang terpenting
dalam dunia komputer. Komputer tidah hanya alat untuk menghitung, tetapi
diharapkan dapat diberdayakan untuk mengerjakan segala sesuatu yang bias
dikerjakan oleh manusia. Manusia mempunyai pengetahuan, pengalaman dan
kemampuan penalaran dengan baik, agar komputer bisa bertindak seperti dan
sebaik manusia, maka komputer juga harus dibekali pengetahuan dan mempunyai
kemampuan untuk menalar.
Sejarah kecerdasan buatan
Di awal abad 20,
seorang penemu Spanyol yang bernama Torres Y Quevedo, membuat sebuah mesin yang
dapat mengskakmat raja laannya dengan sebuah raja dan ratu.
Perkembangan secara sistematis kemudian
dimulai ditemukannya komputer digital.
* Pada tahun 1950-an Alan Turing seorang
matematikawan dari Inggris. Pertama kali mengusulkan adanya tes untuk melihat
bias tidaknya sebuah mesin dikatakan cerdas(dikenal dengan Turing Test)
seolah-olah mesin mampu merespon terhadap serangkaian pertanyaan yang diajukan.
* Istilah kecerdasan buatan dimunculkan
pertama kali pada tahun 1956 ketika John Mc Cathy dari Massachusets Institute
of Technology (MIT) menciptakan bahasa pemrograman LISP
* Loghic Theorist (1956), diperkenalkan
pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema
matematika.
* Mesin Neural Network pertama oleh
Marvin Minsky (1958)
* Sad Sam, deprogram oleh Robert K.
Lindsay (1960), program ini dapat mengetahui kalimat-kalimat sederhana yang
ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang
didengar dalam sebuah percakapn.
* Muncul logika samar (1965) yang
merupakan pelaksanaan konsep samar di atas system komputer. Logika samar
mengukur ketidaktepatan dengan cara yang tepat, seperti yang diperlukan mesin.
* ELIZA (1967), diprogram oleh Joseph
Weizenbaum, yang mampu melakukan terapi terhadap pasien dengan memberikan
beberapa pertanyaan.
* Program Microworld dengan penciptaan
proyek SHRDLU (1968) merupakan Expert System yang pertama.
* Pada tahun 1972 bahasa Prolog
dimunculkan.
* John Holland (1975) mengatakan bahwa
setiap problem berbentuk adaptasi (alami maupun buatan) secara umum dapat
diformulasikan dalam terminologi genetika (Algoritma Genetika) .
* Sistem catur AI mengalahkan manusia
(Pecatur master) pada tahun 1991.
* Robotik, peranti mekanika yang
diprogram untuk melakukan berbagai tugas.
Definisi Kecerdasan Buatan
Kecerdasan
Buatan adalah ilmu rekayasa yang membuat suatu mesin mempunyai intelegensi
tertentu khususnya program komputer yang “cerdas” (John Mc Cathy, 1956)
Kecerdasan buatan merupakan kawasan
penelitian, aplikasi dan intruksi yang terkait dengan pemrograman computer
untuk melakukan sesuatu hal – yang dalam pandangan manusia adalah – cerdas.
(H.A Simon, 1987)
Kecerdasan
merupakan bagian kemampuan komputasi untuk mencapai tujuan dalam dunia. Ada
bermacam-macam jenis dan derajat kecerdasan untuk manusia, hewan dan mesin.
Kecerdasan buatan merupakan sebuah studi
tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat
dilakukan lebih baik oleh manusia. ( Rich and Knight, 1991)
Kecerdasan
buatan (AI) merupakan cabang dari ilmu komputer yang dalam mempresentasi
pengetahuan lebih banyak menggunakan bentuk symbol-simbol daripada bilangan,
dan memproses informasi berdasarkan metode heuristic (Metode Heuristik adalah
teknik yang dirancang untuk memecahkan masalah yang mengabaikan apakah solusi
dapat dibuktikan benar, tapi yang biasanya menghasilkan solusi yang baik atau
memecahkan masalah yang lebih sederhana yang mengandung atau memotong dengan
pemecahan masalah yang lebih kompleks.) atau dengan berdasarkan sejumlah
aturan.( Encyclopedia Britannica)
Kecerdasan adalah kemampuan untuk
belajar atau mengerti dari pengalaman. Memahami pesan yang kontradiktif dan
ambigu, menanggapi dengan cepat dan baik atas situasi yang baru, menggunakan
penalaran dalam memecahkan masalah dan menyelesaikannya secara efektif (Winston
dan Pendergast, 1994)
Al dapat dipandang dalam berbagai
perspektif.
Dari perspektif kecerdasan
Ai adalah bagaimana membuat mesin yang
“cerdas” dan dapat melakukan hal-hal yang sebelumnya dapat dilakukan oleh
manusia.
Dari perspektif penelitian
Suatu studi bagaimana membuat agar
komputer dapat melakukan sesuatu sebaik yang dikerjakan manusia.
Domain yang sering dibahas oleh peneliti
meliputi:
a) Mundane task
• Persepsi (Vision & Speech)
• Bahasa alami (Understanding,
Generation, Translation)
• Pemikiran yang bersifat commonsense
• Robot control
b) Formal task
• Permainan/games
• Matematika (geometri, logika,
kalkulus, integral, pembuktian)
c) Expert task
• Analisis financial
• Analisis medikal
• Analisis ilmu pengetahuan
• Rekayasa (desain, pencarian
kegagalan,perencanaan manufaktur )
Dari perspektif bisnis
Ai adalah sekelompok alat bantu (tools)
yang berdaya guna, dan metodologi yang menggunakan tool-tool tersebut guna
menyelesaikan masalah-masalah bisnis.
Dari perspektif pemrograman
Meliputi studi tentang pemrograman
simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
Dua bagian utama yang sangat dibutuhkan
untuk melakukan aplikasi kecerdasan buatan, yaitu :
a) Basis Pengetahuan (Knowledge base),
berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dan yang lainnya.
b) Motor inferensi (Inference engine),
yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.
Konsep kecerdasan buatan
TIRING TEST – METODE PENGUJIAN
KECERDASAN
* Turing Test – Metode Pengujian
Kecerdasan yang dibuat oleh Alan Turing.
* Proses uji ini melibatkan penanya
(manusia) dan dua objek yang ditanyai. Yang satu adalah seorang manusia dan
satunya adalah sebuah mesin yang akan diuji.
* Penanya tidak bisa melihat langsung
kepada objek yang ditanya.
* Penanya diminta untuk membedakan mana
jawaban computer dan mana jawaban manusia berdasarkan jawaban kedua objek
tersebut.
* Jika penanya tidak dapat membedakan
mana jawaban mesin dan mana jawaban manusia maka Turing berpendapat bahwa mesin
yang diuji tersebut dapat diasumsikan “cerdas”.
PEMROSESAN SIMBOLIK
* komputer semula didesain untuk
memproses bilangan/angka-angka.(pemrosesan numerik)
* Sementara manusia dalam berpikir dan
menyelesaikan masalah lebih bersifat simbolik, tidak didasarkan pada sejumlah
rumus atau melakukan komputasi matematis.
* Sifat penting dai AI adalah bahwa AI
merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan non
algoritmik dalam penyelesaian masalah.
HEURISTIK
* Istilah Heuristic diambil dari bahasa
yunani yang berarti menemukan.
* Heuristic merupakan suatu strategi
untuk melakukan suatu pencarian (search) ruang problema secara selektif, yang
memandu proses pencarian yang kita lakukan sepanjang jalur yang memiliki
kemungkinan sukses paling besar.
PENARIKAN KESIMPULAN (INFERENCING)
* AI mencoba membuat mesin memiliki
kemampuan berpikir atau mempertimbangkan (reasoning)
* Kemampuan berpikir (reasoning)
termasuk didalamnya proses penarikan kesimpulan (inferencing) berdasarkan
fakta-fakta dan aturan dengan menggunakan metode heuristic atau metode
pencarian lainnya.
PENCOCOKAN POLA (PATTERN MATCHING)
AI bekerja
dengan metode pencocokan pola (pattern matching) yang berusaha untuk
menjelaskan objek kejadian (events) atau proses dalam hubungan logik atau
komputasional.
Tujuan Kecerdasan Buatan
* Membuat computer lebih cerdas
* Mengerti tentang kecerdasan
* Membuat mesn lebih berguna
Keuntungan kecerdasan buatan disbanding
kecerdasan alami:
* Lebih bersifat permanen
* Lebih mudah dipublikasi atau
disebarkan
* Lebih murah dibandingkan kecerdasan
alami
* Bersifat konsisten
* Dapat didokumentasikan
* Dapat mengerjakan pekerjaan lebih
cepat dan lebih baik dibandingkan dengan kecerdasan alami.
Keuntungan kecerdasan alami disbanding
AI:
* Kreatif
* Dapat melakukan proses pembelajaran
secara langsung, sementara AI harus mendapatkan masukan berupa symbol dan
representasi-representasi.
* Pemikiran manusia dapat digunakan
secara luas sebagai referensi untuk pengambilan keputusan. Sebaliknya, AI
menggunakan focus yang sempit
SISTEM CERDAS YANG BANYAK DI KEMBANGKAN
•Sistem pakar ( Expert System)
yaitu program
konsultasi (advisory) yang mencoba menirukan proses penalaran seorang
pakar/ahli dalam memecahkan masalah yang rumit. sistem pakar merupakan aplikasi
AI yang paling banyak.
• Pemrosesan Bahasa Alami (Natural
Language Processing)
Yang member
kemampuan pengguna komputer untuk berkomunikasi dengan komputer dalam bahasa
mereka sendiri (bahasa manusia). Komunikasi dapat dilakukan dengan percakapan
alih-alih menggunakan perintah yang biasa digunakan dalam bahasa komputer
biasa.
• Bidang Pemrosesan Bahasa Alami di bagi
lagi menjadi 2 bagian yaitu:
Pemahaman bahasa
alami, yang mempelajari metode yang memungkinkan komputer mengerti perintah
yang diberikan dalam bahasa manusia biasa. Dengan kata lain komputer dapat
memahami manusia.
Pembangkitan bahasa alami, sering
disebut juga sintesa suara. Yang membuat komputer dapat membangkitkan bahasa
manusia biasa sehingga manusia dapat memahami komputer secara mudah.
• Pemahaman Ucapan/Suara (Speech/Voice
Understanding)
Adalah teknik
agar komputer dapat mengenali dan memahami bahasa ucapan.
Proses ini mengijinkan seseorang
berkomunikasi dengan komputer dengan cara berbicara kepadanya.
Istilah pengenalan suara, mengandung
arti bahwa tujuan utamanya adalah mengenali kata yang diucapkan tanpa harus
tahu apa artinya, dimana bagian itu merupakan tugas pemahaman suara.
Secara umum prosesnya adalah usaha untuk
menterjemahkan apa yang diucapkan oleh seorang manusia menjadi kata-kata atau
kalimat yang dimengerti oleh komputer.
• Sistem Sensor dan Robotika
Sistem sensor
seperti system visi dan pencitraan serta system pengolahan sinyal merupakan
bagian dari robotika.
Sebuah robot
yaitu, perangkat elektromagnetik yang diprogram untuk melakukan tugas manual,
tidak semuanya merupakan bagian AI.
Robot hanya melakukan aksi yang telah
diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift.
Robot yang
cerdas biasanya mempunyai perangkat sensor, seperti kamera, yang mengumpulkan
informasi mengenai operasi dan lingkungannya.
Kemudian bagian AI robot tersebut
menterjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi
perubahan lingkungan.
Tujuan dan Isi
Intelligent
Systems merupakan wilayah dari bidang ilmu komputer dan rekayasa berurusan
dengan cerdas adaptasi perilaku, dan pembelajaran di mesin dan robot. sistem
Intelligent prihatin dengan desain sistem komputasi yang berfungsi dalam
lingkungan yang berubah, tak terduga dan biasanya tidak lengkap yang dikenal
dengan menunjukkan kemampuan tingkat tinggi. Tujuannya adalah untuk mengambil
inspirasi dari alam, kinerja manusia dan alat-alat pemecahan masalah matematis
dalam rangka membangun sistem yang kuat dapat mencapai tujuan yang kompleks
dalam lingkungan yang kompleks menggunakan sumber daya komputasi yang terbatas.
sistem Intelligent menggunakan konsep-konsep yang berasal dari ilmu saraf,
sistem alam, biologi, ilmu kognitif, teknik, sistem fisik dan dari kecerdasan
buatan dan teknik optimasi.
Mahasiswa lulus
dari program ini mengembangkan kemampuan untuk bekerja pada masalah yang
kompleks dan dalam karir masa depan mereka akan mampu menerapkan kompetensi
mereka di bidang interdisipliner dengan kemampuan analisis dan teknis
ditingkatkan. Contohnya termasuk perencanaan dan penjadwalan, kontrol,
robotika, prakiraan bisnis, mencari agen cerdas, video game, musik buatan,
menjawab otomatis dan diagnostik, dan tulisan tangan dan pengenalan suara.
Bahan kursus,
perangkat lunak alat dan robot mencerminkan keadaan terbaru dari seni dan
kesempatan lebih lanjut untuk keterlibatan akan timbul selama proses tesis
dengan mungkin kesempatan untuk belajar untuk PhD.
Program ini
membentang lebih dari dua tahun (120 kredit ECTS) dan terstruktur untuk
memungkinkan para siswa untuk personalisasi kurikulum studi mereka sesuai
dengan kepentingan masing-masing. Biasanya, pada semester pertama siswa
menghadiri kelas dalam rangka memperoleh pengetahuan dasar. Semester kedua dan
ketiga yang didedikasikan untuk mata kuliah inti dan pilihan. Siswa diminta
untuk mengambil mata kuliah inti yang menganggap topik tertentu cerdas sistem
dan metodologi. Siswa menyelesaikan kurikulum mereka dengan pilihan yang dapat
dipilih di antara program yang ditawarkan oleh ini dan lainnya USI
program-program terkait. Selama semester terakhir, siswa Guru menulis tesis
mereka.
Pengajaran
Mengajar di
Fakultas Informatika menekankan hubungan dekat antara mahasiswa dan fakultas.
Profesor yang mengejar penelitian tentang berbagai topik dan peserta aktif
dalam proyek penelitian Swiss dan internasional dan jaringan. Mengunjungi
profesor dari universitas terkenal melengkapi pengajaran berkualitas. Semua
kursus diajarkan dalam bahasa Inggris.
Sistem cerdas dalam rekayasa Power
Intelligent
Systems merupakan wilayah dari bidang ilmu komputer dan rekayasa berurusan
dengan cerdas adaptasi perilaku, dan pembelajaran di mesin dan robot. sistem
Intelligent prihatin dengan desain sistem komputasi yang berfungsi dalam
lingkungan yang berubah, tak terduga dan biasanya tidak lengkap yang dikenal
dengan menunjukkan kemampuan tingkat tinggi. Tujuannya adalah untuk mengambil
inspirasi dari alam, kinerja manusia dan alat-alat pemecahan masalah matematis
dalam rangka membangun sistem yang kuat dapat mencapai tujuan yang kompleks
dalam lingkungan yang kompleks menggunakan sumber daya komputasi yang terbatas.
sistem Intelligent menggunakan konsep-konsep yang berasal dari ilmu saraf,
sistem alam, biologi, ilmu kognitif, teknik, sistem fisik dan dari kecerdasan
buatan dan teknik optimasi.
program ini mengembangkan kemampuan
untuk bekerja pada masalah yang kompleks dan dalam karir masa depan mereka akan
mampu menerapkan kompetensi mereka di bidang interdisipliner dengan kemampuan
analisis dan teknis ditingkatkan. Contohnya termasuk perencanaan dan
penjadwalan, kontrol, robotika, prakiraan bisnis, mencari agen cerdas, video
game, musik buatan, menjawab otomatis dan diagnostik, dan tulisan tangan dan
pengenalan suara.
Bahan kursus,
perangkat lunak alat dan robot mencerminkan keadaan terbaru dari seni dan
kesempatan lebih lanjut untuk keterlibatan akan timbul selama proses tesis
dengan mungkin kesempatan untuk belajar untuk PhD.
Aplikasi dari Sistem Cerdas Membuat
Robot Cerdas
Tahap-tahap pembuatan robot
Secara garis besar, tahapan pembuatan
robot dapat dilihat pada gambar berikut:
Ada tiga tahapan pembuatan robot, yaitu:
1. Perencanaan, meliputi: pemilihan
hardware dan design.
2. Pembuatan, meliputi pembuatan
mekanik, elektonik, dan program.
3. Uji coba.
1. Tahap perencanan
Dalam tahap ini, kita merencanakan apa
yang akan kita buat, sederhananya, kita mau membuat robot yang seperti apa?
berguna untuk apa? Hal yang perlu ditentukan dalam tahap ini:
* Dimensi, yaitu panjang, lebar, tinggi,
dan perkiraan berat dari robot.
* Struktur material, apakah dari
alumunium, besi, kayu, plastik, dan sebagainya.
* Cara kerja robot, berisi bagian-bagian
robot dan fungsi dari bagian-bagian itu. Misalnya lengan, konveyor, lift, power
supply.
* Sensor-sensor apa yang akan dipakai
robot.
* Mekanisme, bagaimana sistem mekanik
agar robot dapat menyelesaikan tugas.
* Metode pengontrolan, yaitu bagaimana
robot dapat dikontrol dan digerakkan, mikroprosesor yanga digunakan, dan blok
diagram sistem.
* Strategi untuk memenangkan
pertandingan, jika memang robot itu akan diikutkan lomba/kontes robot
Indonesia/Internasional.
2. Tahap pembuatan
Ada tiga perkerjaan yang harus dilakukan
dalam tahap ini, yaitu pembuatan mekanik, elektronik, dan programming.
Masing-masing membutuhkan orang dengan spesialisasi yang berbeda-beda, yaitu:
* Spesialis Mekanik, bidang ilmu yang
cocok adalah teknik mesin dan teknik industri.
* Spesialis Elektronika, bidang ilmu
yang cocok adalah teknik elektro.
* Spesialis Programming, bidang ilmu
yang cocok adalah teknik informatika.
Jadi dalam
sebuah tim robot, harus ada personil-personil yang memiliki kemampuan tertentu
yang saling mengisi.
Pembuatan mekanik
Setelah gambaran
garis besar bentuk robot dirancang, maka rangka dapat mulai dibuat. Umumnya
rangka robot terbuat dari alumunium kotak atau alumunium siku. Satu ruas rangka
terhubung satu sama lain dengan keling alumunium. Keling adalah semacam paku
alumunium yang berguna untuk menempelkan lembaran logam dengan erat. R
Pembuatan sistem elektronika
Bagian sistem
elektronika dirancang sesuai dengan fungsi yang diinginkan. Misalnya untuk
menggerakkan motor DC diperlukan h-brigde, sedangkan untuk menggerakkan relay
diperlukan saklar transistor. Sensor-sensor yang akan digunakan dipelajari dan
dipahami cara kerjanya, misalnya:
1. Sensor jarak, bisa menggunakan SRF04,
GP2D12, atau merakit sendiri modul sensor ultrasonik atau inframerah.
2. Sensor arah, bisa menggunakan sensor
kompas CMPS03 atau Dinsmore.
3. Sensor suhu, bisa menggunakan LM35
atau sensor yang lain.
4. Sensor nyala api/panas, bisa
menggunakan UVTron atau Thermopile.
5. Sensor line follower / line detector,
bisa menggunakan led & photo transistor.
Berikut ini gambar sensor ultrasonik,
inframerah, UVTron, dan kompas:
Pembuatan sistem elektronika ini
meliputi tiga tahap:
* Design PCB, misalnya dengan program
Altium DXP.
* Pencetakan PCB, bisa dengan Proboard.
* Perakitan dan pengujian rangkaian
elektronika.
Pembuatan Software/Program
Pembuatan
software dilakukan setelah alat siap untuk diuji. Software ini ditanamkan
(didownload) pada mikrokontroler sehingga robot dapat berfungsi sesuai dengan
yang diharapkan.
Tahap pembuatan program ini meliputi:
1. Perancangan Algoritma atau alur
program Untuk fungsi yang sederhana, algoritma dapat dibuat langsung pada saat
menulis program. Untuk fungsi yang kompleks, algoritma dibuat dengan
menggunakan flow chart.
2. Penulisan Program Penulisan program
dalam Bahasa C, Assembly, Basic, atau Bahasa yang paling dikuasai.
3. Compile dan download, yaitu
mentransfer program yang kita tulis kepada robot.
3. Uji coba
Setelah kita
mendownload program ke mikrokontroler (otak robot) berarti kita siap melakukan
tahapan terakhir dalam membuat robot, yaitu uji coba. misalnya, ujicoba
dilakukan pada arena seluas sekitar 4×4 meter dan berbentuk seperti puzzle.
Dalam arena ini di diletakkan lilin-lilin yang harus dipadamkan oleh robot
cerdas pemadam api.
DASAR PEMAHAMAN NEURAL
NETWORK
Pendahuluan
Cabang
ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin ilmu yang
lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil
kombinasi dari berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang
berbentuk aplikasi. Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil
perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran atau lebih
khusus lagi yaitu ilmu biologi.
Neural Network merupakan kategori ilmu Soft Computing.
Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu
memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output.
Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak
manusia. Kemampuan manusia dalam memproses informasi merupakan hasil
kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa
dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu
pengetahuan.
Fungsi dari Neural Network diantaranya adalah:
1.
Pengklasifikasian
pola
2.
Memetakan
pola yang didapat dari input ke dalam pola baru pada output
3.
Penyimpan
pola yang akan dipanggil kembali
4.
Memetakan
pola-pola yang sejenis
5.
Pengoptimasi
permasalahan
6.
Prediksi
Sejarah
Neural Network
Perkembangan
ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama
kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu
memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Gambar 2.1
McCulloch & Pitts, penemu pertama Neural Network
Hal ini dilanjutkan pada penelitian yang dikerjakan
oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan
klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar-network.
Gambar 2.2
Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola
tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa
keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan
permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural
network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15
tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian
selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai
berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak
menemukan bidang interest baru pada domain ilmu neural network. Penelitian
terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model
pembelajaran kompetitif, multilayer network,
dan teori model resonansi adaptif.
Untuk saat ini, Neural Network sudah dapat diterapkan pada
beberapa task, diantaranya classification, recognition, approximation,
prediction, clusterization, memory simulation dan banyak task-task berbeda yang
lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.
Konsep
Neural Network
1.
Proses Kerja Jaringan Syaraf Pada Otak Manusia
Ide
dasar Neural Network dimulai dari otak manusia, dimana otak memuat
sekitar 1011 neuron.
Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron
memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan
syaraf lain, jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling
berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja
otak manusia.
Gambar 2.3
Struktur Neuron pada otak manusia
Dari gambar di
atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:
1.
Dendrit
(Dendrites)
berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2.
Akson
(Axon) berfungsi
untuk mengirimkan impuls dari badan sel ke jaringan lain
3.
Sinapsis
berfungsi sebagai unit fungsional di antara dua sel syaraf.
Proses yang terjadi pada otak manusia adalah:
Sebuah neuron menerima impuls dari neuron lain melalui
dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson.
Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari
sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis
adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang
satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari
neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar
tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal
(informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang
sering disebut dengan nilai ambang (threshold).
2.
Struktur Neural Network
Dari
struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas,
maka konsep dasar pembangunan neural network buatan (Artificial Neural Network) terbentuk. Ide mendasar
dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir
sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan
berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.
Gambar 2.4
Struktur ANN
Karakteristik
dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari
tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN
secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.
1.
Input,
berfungsi seperti dendrite
2.
Output,
berfungsi seperti akson
3.
Fungsi
aktivasi, berfungsi seperti sinapsis
Neural network dibangun dari banyak node/unit yang
dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang
lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit
selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan
serta penanda dari sebuah konektivitas.
Proses
pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai
bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input
yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di
gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi
aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai
ambang) tertentu. Jika nilai melebihi threshold, maka
aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilaithreshold, neuron
akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya.
ANN
terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke
dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan
neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan
output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di
layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga
mencapai layer terakhir/layer output. Layer yang terletak di antara input dan
output disebut sebagai hidden layer.
Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat
layer input dan output saja.
Teknolologi Sistem Fuzzy
Aplikasi-aplikasi yang menggunakan
sistem logika fuzzy sering sekali dianggap atau dinamakan sebagai pengendali
fuzzy (fuzzy control). Padahal disamping pengendali fuzzy terdapat
bermacam-macam teori yang digunakan pada aplikasi-aplikasi fuzzy seperti
klasifikasi fuzzy (fuzzy clasification) dan diagnosis fuzzy (fuzzy
diagnosis). Pada tulisan ini akan dipaparkan masalah dalam teknologi fuzzy
dan perbedaan antara pengendali fuzzy dengan klasifikasi fuzzy dan fuzzy
diagnosis.
|
||
Pendahuluan
Dalam perjalanan perkembangan suatu
generasi teknologi menjadi lebih mantap dan berdaya guna tinggi, membutuhkan
adanya pengembangan dasar pengetahuan dan dilakukannya berbagai macam riset
atau penelitian yang bersifat eksperimental. Penelitian atau riset ini akan
memberikan jawaban terhadap pertanyaan mendasar seperti : teori-teori apa
saja yang masih secara praktis masih relevan untuk kemudian dikembangkan atau
teori mana saja yang sama sekali tidak bisa digunakan lagi? Teori yang
bermanfaat adalah teori yang dianggap mampu menjembatani penggabungan
pengendali fuzzy dengan sistem kendali konvensional atau algoritma kendali
modern seperti jaringan neural, algoritma genetik, dan lain sebagainya.
Pada generasi pertama teknologi fuzzy, terdapat
beberapa kendala yang ditemui untuk mengembangkan pada industri-industri atau
sistem kendali yang telah ada. Saat itu belum ada metodologi yang sistematik
tentang aplikasi pengendali fuzzy, penentuan rancang bangun yang tepat,
analisa permasalahan, dan bagaimana pengaruh perubahan parameter sistem
terhadap kualitas unjuk kerja sistem. Jadi tidak bisa diharapkan suatu
rancang bangun yang universal dan strategi optimasi fuzzy dapat segera
digunakan secara praktis.
Saat ini logika fuzzy telah berhasil menerobos
kendala-kendala yang dulu pernah ditemui dan segera menjadi basis teknologi
tinggi. Penerapan teori logika ini dianggap mampu menciptakan sebuah revolusi
dalam teknologi. Sebagai contoh, mulai tahun 90-an para manufaktur industri
yang bergerak di bidang Distributed
Control System (DCSs), Programmable Controllers (PLCs), dan Microcontrollers (MCUs) telah menyatukan
sistem logika fuzzy pada barang produksi mereka dan memiliki prospek ekonomi
yang baik. Sebuah perusahaan mikroprosesor terkemuka,Motorolla, dalam
sebuah jurnal teknologi, pernah menyatakan "… bahwa logika fuzzy pada
masa-masa mendatang akan memainkan peranan penting pada sistem kendali
dijital "(1). Pada saat yang bersamaan, pertumbuhan yang luar biasa
terjadi pada industri perangkat lunak yangmenawarkan kemudahan penggunaan
logika fuzzy dan penerapannya pada setiap aspek kehidupan sehari-hari.
Perusahaan Jerman Siemens yang bergerak diberbagai bidang
teknik seperti otomatisasi industri, pembangkit tenaga, semikonduktor,
jaringan komunikasi publik dan pribadi, otomotif dan sistem transportasi,
sistem audio dan video, dan lain sebagainya, beberapa tahun belakangan ini
telah membentuk kelompok riset khusus tentang fuzzy. Tujuannya untuk
melakukan penelitian dan pengembangan yang sistematik tentang logika fuzzy
pada setiap aspek teknologi (4).
Ada dua alasan utama yang mendasari
pengembangan teknologi berbasis sistem fuzzy:
Beberapa proyek teknologi yang dinilai
digunakan dan memiliki prospek ekonomi yang cerah seperti (4) :
Pengendali
fuzzy anti-slip untuk kereta listrik, sistem pengaturan dan perencanaan
perparkiran, sistem pengaturan lampu lalu lintas, dan pengendalian kecepatan
kendraan di jalan bebas hambatan.
Masih banyak aplikasi lainnya yang
sudah beredar sebagai alat kendali dan barang-barang elektronik berteknologi
tinggi.
Kendali Perkembangan Teknologi
Sistem Fuzzy
Keberhasilan penerapan teknologi fuzzy
seperti yang telah dibeberkan pada bagian pembahasan sebelumnya, dapat
direalisasikan jika terdapat penelitian dan strategi pengembangan riset dan
desain oleh sebuah industri untuk menemukan teknik terbaik untuk produknya.
Hal tersebut tentunya tidak terlepas dari kesulitan-kesulitan yang ditemui
dalam menggunakan dan pengembangan teknologi ini. Secara garis besar beberapa
kesulitan yang ditemui oleh industri-industri elektronika adalah sebagai
berikut (4):
Kendala pertama dan kedua dapat
diatasi dengan cara sering diadakannya kursus dan balai pendidikan,
memperbanyak penuliasan karya-karya ilmiah dan juga pengadaan buku-buku
tentang fuzzy di setiap perguruan tinggi atau institusi pendidikan lainnya.
Kendala ke tiga dan ke empat dapat diatasi dengan cara membentuk suatu
metodolgi untuk merancang dan mengembangkan sistem fuzzy. Metodologi ini
mencakup fasilitas-fasilitas yang terdapat dalam teori sistem kendali fuzzy
seperti : pemilihan fungsi keanggotaan, operator, penggunaan faktor skala,
pengembangan basisi pengetahuan, penurunan basis aturan, uji coba, dan
simulasi sistem.
Perusahaan elektrik Omron selain menjual produknya, kini
mereka juga tengah mengembangkan metode pendidikan dan pelatihan teknik logika
fuzzy. Asisten manajer Omron
FA System Div..Jim Krill berkatta," …, Educating potential customers
about the benefits of fuzzy logic and where it can be applied is impotant for
proper development of this technology." Jadi cara terbaik untuk mencapai teknologi
ini menurutnya adalah melalui program pelatihan, seminar, dan pemakaian
piranti lunak simulasi sistem fuzzy yang efektif (1).
Hingga kini software pengembangan logika fuzzy sudah
tidak terhitung banyaknya, mulai dari simulasi sistem yang sederhana hingga
seistem yang sangat kompleks dan rumit. Masing-masing menawarkan berbagai
kelebihan dan kemudahan pemakaian seperti : User
friendly editor, sistem on-line dan off-line debugging, compilers untuk setiap bahasa pemrograman
termasuk bahasa rakitan mikrokontroler, tampilan 3D dan berbagai macam proyek simulasi
yang bisa dilakukan (4).
Kendali Fuzzy, Klasifikasi Fuzzy,
dan Diagnosis Fuzzy
Aplikasi yang menggunakan logika
fuzzy, selalu identik dengan pengendalian fuzzy. Walaupun sebenarnya aplikasi
itu tergolong dalam klasifikasi fuzzy atau diagnosis fuzzy. Kejadian ini
bukanlah masalah yang dominan dan pelik dalam sistem fuzzy, karena istilah
"fuzzy" sebenarnya sudah kabur dan sering disamakan dengan
istilah-istilah yang ada pada teori himpunan fuzzy, topologi fuzzy, atau
dalam pengertian yang lebih sempit lagi sering disebut sebagai approximate reasoning dalam logika keputusan. Dengan cara
pandang yang sama sistem kendali fuzzy sering sekali dinyatakan sebagai
bagian teori himpunan fuzzy yang digunakan pada aplikasi-aplikasi dalam
bentuk sistem lingkar tertutup. Namun tujuan utama tulisan ini adalah
membedakan antara sistem kendali fuzzy dengan sistem klasifikasi fuzzy dan
sistem diagnosis fuzzy. Pada ruang lingkup yang lebih luas lagi, masih ada
sistem lainnya yang cukup sukses digunakan seperti sistem pakar fuzzy, sistem
analisa data fuzzy, sistem pengolahan citra fuzzy, dan berbagai ragam
aplikasi sistem fuzzy yang sudah ada.
Pada dasarnya penggunaan istilah klasifikasi
dan diagnosis bukanlah merupakan penamaan yang baku, karena keduanya
mempunyai pengertian atau makna yang hampir sama dan batas-batas perbedaannya
juga tidak begitu jelas. Namun yang teramat penting adalah kedua istilah tadi
menunjukkan perbedaan antara kedua sistem aplikasi berbasis logika
fuzzy.
Sistem fuzzy secara umum dapat dilihat pada
Gambar 1. Pada gambar tersebut terdapat blok proses, sistem fuzzy, dan sistem
pengembangan (development system). Pihak developer diletakkan paling atas pada gambar
ini. Selain itu, terdapat dua operator, yaitu seorang yang bertanggung jawab
atas masukan untuk sistem fuzzy dan keluaran dari proses, dan seorang lagi
bertugas mambawa masukan ke dalam proses dan menentukan keluaran dari sistem
fuzzy. Operator ini sebenarnya tidak mesti seorang operator manusia, biasanya
sistem fuzzy atau non-fuzzy yang berfungsi mengantarkan masukan atau keluaran
sinyal proses. Dari gambar ini dapat diturunkan beberapa sistem sistem fuzzy,
seperti pengendali fuzzy, klasifikator fuzzy, dan sistem pendiagnosaan
fuzzy.
 Sebuah kendali fuzzy yang digambarkan pada Gambar 2 merupakan suatu sistem lingkar tertutup, di mana tidak terdapat operator yang menjadi bagian dari sistem lingkar kendali (control loop). Contoh dari sistem kendali ini adalah vacuum cleaner. Sistem pada alat ini mengatur daya motor penghisap tergantung pada banyaknya debu di lantai atau karpet. Contoh lain dari sistem kendali fuzzy adalah optimisasi torsi dalam sistem anti slip yang digunakan kereta listrik dan sistem kereta bawah tanah. Masukan sistem kendali berupa kecepatan kereta dan koefisien resistansi rel.  Pada sistem klasifikasi fuzzy (Gambar 3) tidak terdapat loop tertutup. Sistem ini hanya menerima masukan dan keluaran dari proses untuk selanjutnya memberikan informasi berupa kondisi (state) dari proses tadi. Informasi kondisi ini dapat digunakan untuk mmengendalikan sistem atau memberikan tanggung jawab kendali kepada operator. Secara matematis, sistem klasifikasi lebih dekat pada teori himpunan daripada teori fungsi. Pada sistem ini, sifat kesamaan (Vagueness) sering ditemui pada opini pakar dan jarang menggunakan model relasi fuzzy (4).
Contoh dari sistem klasifikasi fuzzy adalah
mesin cuci fuzzy. Beberapa variabel/parameter mesin cuci ditentukan
berdasarkan jumlah dan jenis pakaian. Keluaran atau informasi dari sistem
klasifikasi ini digunakan untuk menentukan jenis spin-dry serta lembut atau kasar gesekan
pakaian yang optimal. Contoh ke dua dari sistem fuzzy ini adalah sistem
transmisi otomatik fuzzy. Sistem ini menggunakan beberapa sensor yang ditaruh
pada sistem ABS, sistem power
steering, sistem kendali motor, dan bagian penting lainnya. Selama
kendaraan berjalan, sistem ini akan terus memantau dan menilai kondisi mobil
tersebut, seperti beban kendaraan, kondisi mobil pada saat melewati jalan
yang menanjak atau menurun dan kondisi-kondisi lainnya. Pada Gambar 3, gambar
operator manusia pada kiri dan kanan sistem klasifikasi fuzzy, biasanya
merupakan suatu sistem khusus yang bertugas memberikan informasi yang
diperlukan untuk kemudian di proses.
 Pada sistem diagnosis fuzzy (Gambar 4) peranan manusia/operator lebih dominan. Pengiriman data dilaksanakan oleh operator ke dalam sistem, ketika sistem memerlukan data tambahan. Selain itu operator dapat meminta atau menanyakan informasi dari sistem diagnosis berupa hasil konklusi diagnosis atau prosedur detail hasil diagnosis oleh sistem. Dari sifat sistem ini, sistem diagnosis fuzzy dapat digolongkan pada sistem pakar fuzzy. Sistem pakar fuzzy adalah sistem pakar yang menggunakan notasi fuzzy pada aturan-aturan dan proses inferensi (logika keputusan). Salah satu kelebihan sistem pakar fuzzy dibandingkan sistem pakar konvensional adalah jumlah aturan lebih sedikit, sehingga sistem lebih transparan untuk dianalisa. Kekurangannya adalah kehandalan sistem sangat tergantung pada baik-buruknya proses pengumpulan aturan seperti prosedur pertanyaan dan komponen-komponen kuisioner, serta sering terjadi kesulitan untuk menyimpulkan suatu pernyataan tertentu oleh operator.
Bidang aplikasi sistem diagnosis ini biasanya
suatu proses yang besar dan kompleks, sehingga sangat sulit dianalisa
menggunakan algoritma eksak dan dimodelkan dengan model matematika biasa.
Pada permulaan persiapan sistem, jumlah aturan yang digunakan ini biasanya
sangat banyak. Namun pada tahap akhir, jumlah aturan akan lebih sedikit dan
mudah dibaca. Ini merupakan sifat sistem pakar fuzzy, seperti yang dikatakan
oleh Prof. Zadeh, bahwa
sistem pakar fuzzy akan menggunakan aturan-aturan yang lebih sedikit
dibandingkan sistem pakar konvensional sehingga mudah dibaca dan membantu
menghindarkan inkonsistensi dan inkomplit sistem pengendali (4). Contoh dari
sistem pakar fuzzy ini adalah proyek diagnosa kebocoran-H2 pada sistem pendingin high-performance generator. Salah satu contoh aturan sistem
diagnostik ini adalah :
"Jika konsumsi H2 tinggi dan daya yang tersedia rendah
dan suhu gas rendah dan tekanan H2 generator tidak rendah/menurun, maka
tingkatkan konsumsi H2 (untuk
menurunkan temperatur)"
Yang perlu diperhatikan pada sistem diagnostik
ini adalah, tidak berlakunya proses defuzzifikasi, karena sistem ini hanya
menghasilkan sifat keluaran berupa aproksimasi linguistik yang merupakan
suatu pernyataan atau jawaban yang mudah dipahami oleh operator.
Kesimpulan
Teknologi sistem fuzzy telah
berkembang cukup jauh, dan memberikan berbagai keuntungan dan perbaikan unjuk
kerja pada sistem kendali yang pernah ada. Perkembangan sistem ini menuntut
mutu sumber daya manusia yang berpendidikan, seperti ilmuwan dan enjineer
yang ahli di bidang teknik sistem fuzzy dan tidak lepas dari kondisi
pendidikan dan kelengkapan alat-alat yang mendukung pengembangan teknologi
ini.
Di bidang aplikasi fuzzy, tidak hanya terdapat
sistem kendali fuzzy, melainkan juga ada klasifikasi fuzzy dan diagnosis
fuzzy. Jadi sistem fuzzy pada keadaan riil, mempunyai ragam metode dan
strategi pengembangan yang dapat diterapkan pada masalah-masalah kendali saat
ini.
|
SISTEM PAKAR (Expert System)
Beberapa pengertian sistem pakar, diantaranya:
Beberapa pengertian sistem pakar, diantaranya:
·
Sistem Pakar adalah merupakan paket perangkat lunak atau paket program komputer
yang disediakan sebagai media penasehat atau membantu dalam memecahkan
masalah di bidang-bidang tertentu seperti sains, pendidikan,
kesehatan, perekayasaan matematika, dan sebagainya.
·
Dari
wikipedia Sistem Pakar adalah suatu program komputer yang
mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang
spesifik.
·
Sistem Pakar adalah
Sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik
berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang
biasanya hanya dapat diselesaikan oleh tenaga ahli yang bersangkutan.
·
Sistem Pakar adalah suatu perangkat lunak komputer berisi pengetahuan yang disimpan
untuk memecahkan suatu permasalahan dalam suatu bidang spesifik dengan cara
hampir sama dengan seorang tenaga ahli. Pengetahuan datang dari satu
rangkaian percakapan yang lalu di kembangkan dari beberapa tenaga
ahli suatu sistem.. Sistem tersebut menerima pengetahuan yang berisi suatu
masalah dari seorang pengguna.
·
Sistem Pakar adalah
hasil akhir dari seorang Sarjana Science. Untuk membangun suatu sistem yang
dapat memecahkan permasalahan yang sudah ditentukan, seorang sarjana akan
memulai dengan membaca literatur terkait dengan permasalahan Sebagai
pondasi sistem itu. Seorang sarjana pengetahuan kemudian melakukan wawancara
ekslusif dengan satu atau lebih tenaga ahli untuk “memperoleh” pengetahuan
mereka. yang akhirnya, sarjana pengetahuan tersebut mengorganisir hasil
wawancara dan menterjemahkan ke dalam perangkat lunak komputer yang dapat
digunakan oleh seseorang yang sama sekali tidak memiliki suatu keahlian.
·
Sistem Pakar adalah
suatu perangkat lunak komputer yang dirancang untuk memberikan pemecahan
masalah suatu tenaga ahli didalam suatu bidang. Sistem Pakar terdiri atas suatu
dasar pengetahuan(informasi, heuristik, dll.), mesin kesimpulan(untuk
meneliti dasar pengetahuan), dan alat penghubung (input dan output). Cara yang
memimpin ke arah pengembangan Sistem Pakar adalah berbeda dari teknik programan
konvensional.
·
Sistem pakar ialah
sistem yang mewakilkan pengetahuan manusia dalam bentuk program komputer dan
menggunakan pengetahuan tersebut dalam penyelesaian masalah; mensimulasikan
bagaimana pakar menyelesaikan masalah.
·
Sistem Pakar adalah
program kecerdasan buatan (artificial intelligence) yang menggabungkan basis
pengetahuan (knowledge base) dengan mesin inferensi. Basis pengetahuan dalam
sistem pakar berupa suatu aturan yang diperoleh dari pengalaman atau dari
seorang pakar pada bidang keahlian tertentu. Berdasarkan basis pengetahuan yang
ada, digunakan mesin inferensi untuk mengenerate solusi terhadap domain
permasalahan yang akan dipecahkan.
Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut:
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
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
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10.Meningkatkan kepabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam penelitian.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan.
Kelemahan Sistem Pakar
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
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10.Meningkatkan kepabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam penelitian.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan.
Kelemahan Sistem Pakar
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.
Kemampuan Sistem Pakar
1. Menjawab berbagai pertanyaan yang
menyangkut bidang keahliannya.
2. Bila diperlukan dapat menyajikan
asumsi dan alur penalaran yang digunakan untuk sampai ke jawaban yang
dikehendaki.
3. Menambah fakta kaidah dan alur
penalaran sahih yang baru ke dalam otaknya
Komponen Sistem Pakar
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:
·
“Mengapa
pertanyaan tersebut anda tanyakan?”
·
“Seberapa
yakin kesimpulan tersebut diambil?”
·
“Mengapa
alternatif tersebut ditolak?”
·
“Apa yang
akan dilakukan untuk mengambil suatu kesimpulan?”
·
“Fakta
apalagi yang diperlukan untuk mengambil kesimpulan akhir?”
7. Subsistem Penyaring Pengetahuan
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.
Jenis-Jenis Sistem Pakar
· Interpretasi : Menghasilkan deskripsi situasi berdasarkan data sensor.
· Prediksi : Memperkirakan akibat yang mungkin dari situasi yang diberikan.
· Diagnosis : Menyimpulkan kesalahan sistem berdasarkan gejala (symptoms).
· Disain : Menyusun objek-objek berdasarkan kendala.
· Planning : Merencanakan tindakan
· Monitoring : Membandingkan hasil pengamatan dengan proses perencanaan.
· Debugging : Menentukan penyelesaian dari kesalahan sistem.
· Reparasi : Melaksanakan rencana perbaikan.
· Instruction : Diagnosis, debugging, dan reparasi kelakuan pelajar.
· Control : Diagnosis, debugging, dan reparasi kelakuan sistem.
Penerapan sistem Pakar
Sistem pakar dapat diterapkan dalam berbagai bidang seperti, sains, pendidikan, kesehatan, dan sebagainya. Contoh dari tulisan mr. Rizal “Sistem integrasi Pola Alir Material & Uang dapat disebut Material Management System (MMS) adalah kelanjutan perkembangan dari sistem integrasi Inventory Control System (ICS). Sistem (MMS) ini dikembangkan atas sistem manual yang sudah teruji berjalan lancar di PT Krakatau Steel, yang karena tuntutan kemajuan teknologi, sistem manual ini perlu ditingkatkan menjadi sistem komputerisasi. Namun didalam penerapannya masih banyak kendala yang dihadapi oleh subsistem-subsistem pendukung MMS yang ada pada masing-masing divisi. Melalui penelitian ini, dikemukakan satu alternatif yang sangat potensial untuk mengatasi kendala yang dialami oleh subsistem pendukungnya, khususnya yang berada di Divisi Perencanaan & Pengendalian Suku Cadang (PPSC). Dalam penelitian ini dibuat sistem pakar yang mampu memberikan penjelasan dan beberapa alternatif penyelesaian soal-soal Pengendalian Suku Cadang, yang meliputi : Identifikasi Material, Sistem Order, Sistem Repairable dan Sistem Spesifik. Pembuatan sistem pakar ini melalui lima tahapan berikut, yaitu: identifikasi, konseptualisasi, formulasi, implementasi, dan pengujian. Bahasa pemrograman yang digunakan adalah Turbo Prolog, yang cukup ideal dalam menyelesaikan masalah yang undeterministic. Teknik Inferensi yang digunakan adalah backward chaining, proses penelusuran yang digunakan adalah depth first search, dan metoda representasi pengetahuan yang digunakan adalah representasi logika”.
Beberapa contoh Sistem Pakar
1. MYCIN : Diagnosa penyakit
2. DENDRAL : Mengidentifikasi struktur molekular campuran yang tak dikenal
3. XCON & XSEL : Membantu konfigurasi sistem komputer besar
4. SOPHIE : Analisis sirkit elektronik
5. Prospector : Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit
6. FOLIO : Menbantu memberikan keutusan bagi seorang manajer dalam hal stok broker dan investasi
7. DELTA : Pemeliharaan lokomotif listrik disel
KECERDASAN BUATAN (Artificial Intelligence)
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.
Jenis-Jenis Sistem Pakar
· Interpretasi : Menghasilkan deskripsi situasi berdasarkan data sensor.
· Prediksi : Memperkirakan akibat yang mungkin dari situasi yang diberikan.
· Diagnosis : Menyimpulkan kesalahan sistem berdasarkan gejala (symptoms).
· Disain : Menyusun objek-objek berdasarkan kendala.
· Planning : Merencanakan tindakan
· Monitoring : Membandingkan hasil pengamatan dengan proses perencanaan.
· Debugging : Menentukan penyelesaian dari kesalahan sistem.
· Reparasi : Melaksanakan rencana perbaikan.
· Instruction : Diagnosis, debugging, dan reparasi kelakuan pelajar.
· Control : Diagnosis, debugging, dan reparasi kelakuan sistem.
Penerapan sistem Pakar
Sistem pakar dapat diterapkan dalam berbagai bidang seperti, sains, pendidikan, kesehatan, dan sebagainya. Contoh dari tulisan mr. Rizal “Sistem integrasi Pola Alir Material & Uang dapat disebut Material Management System (MMS) adalah kelanjutan perkembangan dari sistem integrasi Inventory Control System (ICS). Sistem (MMS) ini dikembangkan atas sistem manual yang sudah teruji berjalan lancar di PT Krakatau Steel, yang karena tuntutan kemajuan teknologi, sistem manual ini perlu ditingkatkan menjadi sistem komputerisasi. Namun didalam penerapannya masih banyak kendala yang dihadapi oleh subsistem-subsistem pendukung MMS yang ada pada masing-masing divisi. Melalui penelitian ini, dikemukakan satu alternatif yang sangat potensial untuk mengatasi kendala yang dialami oleh subsistem pendukungnya, khususnya yang berada di Divisi Perencanaan & Pengendalian Suku Cadang (PPSC). Dalam penelitian ini dibuat sistem pakar yang mampu memberikan penjelasan dan beberapa alternatif penyelesaian soal-soal Pengendalian Suku Cadang, yang meliputi : Identifikasi Material, Sistem Order, Sistem Repairable dan Sistem Spesifik. Pembuatan sistem pakar ini melalui lima tahapan berikut, yaitu: identifikasi, konseptualisasi, formulasi, implementasi, dan pengujian. Bahasa pemrograman yang digunakan adalah Turbo Prolog, yang cukup ideal dalam menyelesaikan masalah yang undeterministic. Teknik Inferensi yang digunakan adalah backward chaining, proses penelusuran yang digunakan adalah depth first search, dan metoda representasi pengetahuan yang digunakan adalah representasi logika”.
Beberapa contoh Sistem Pakar
1. MYCIN : Diagnosa penyakit
2. DENDRAL : Mengidentifikasi struktur molekular campuran yang tak dikenal
3. XCON & XSEL : Membantu konfigurasi sistem komputer besar
4. SOPHIE : Analisis sirkit elektronik
5. Prospector : Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit
6. FOLIO : Menbantu memberikan keutusan bagi seorang manajer dalam hal stok broker dan investasi
7. DELTA : Pemeliharaan lokomotif listrik disel
KECERDASAN BUATAN (Artificial Intelligence)
·
Artificial Intelligence atau Kecerdasan Buatan adalah suatu sistem informasi yang berhubungan
dengan penangkapan, pemodelan dan penyimpanan kecerdasan manusia dalam sebuah
sistem teknologi informasi sehingga sistem tersebut memiliki kecerdasan seperti
yang dimiliki manusia. Sistem ini dikembangkan untuk mengembangkan metode dan
sistem untuk menyelesaikan masalah, biasanya diselesaikan melalui aktifivitas
intelektual manusia, misal pengolahan citra, perencanaan, peramalan dan
lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.
·
Kecerdasan
buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan.
·
Kecerdasan
buatan (Artificial Intelligence) adalah bagian dari ilmu komputer
yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik
daripada yang dilakukan manusia.
·
Menurut John
McCarthy, 1956, AI: untuk mengetahui dan memodelkan proses-proses berpikir
manusia dan mendesain mesin agar dapat menirukan perilaku manusia.
Cerdas = memiliki pengetahuan + pengalaman,
penalaran (bagaimana membuat keputusan dan mengambil tindakan), moral yang baik
Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik.
Agar mesin bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.
Tujuan Kecerdasan buatan:
Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik.
Agar mesin bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.
Tujuan Kecerdasan buatan:
1. Untuk mengembangkan metode dan
sistem untuk menyelesaikan masalah,masalah yang biasa diselesaikan melalui
aktifivitas intelektual manusia, misalnya pengolahan citra,perencanaan,
peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis
komputer.
2. Untuk meningkatkan
pengertian/pemahaman kita pada bagaimana otak manusia bekerja
Keuntungan Kecerdasan Buatan :
1. Kecerdasan buatan lebih bersifat
permanen. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan
karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan berubah
sepanjang sistem komputer dan program tidak mengubahnya.
2. Kecerdasan buatan lebih mudah
diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke
orang lain butuh proses dan waktu lama. Disamping itu suatu keahlian tidak akan
pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan terletak
pada suatu sistem komputer, pengetahuan tersebuat dapat ditransfer atau disalin
dengan mudah dan cepat dari satu komputer ke komputer lain
3. Kecerdasan buatan lebih murah
dibanding dengan kecerdasan alami. Menyediakan layanan komputer akan lebih
mudah dan lebih murah dibanding dengan harus mendatangkan seseorang untuk
mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.
4. Kecerdasan buatan bersifat
konsisten. Hal ini disebabkan karena kecerdasan busatan adalah bagian dari
teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah.
5. Kecerdasan buatan dapat
didokumentasikan. Keputusan yang dibuat komputer dapat didokumentasikan dengan
mudah dengan melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami
sangat sulit untuk direproduksi.
6. Kecerdasan buatan dapat mengerjakan
pekerjaan lebih cepat dibanding dengan kecerdasan alami
7. Kecerdasan buatan dapat mengerjakan
pekerjaan lebih baik dibanding dengan kecerdasan alami.
Komponen Kecerdasan Buatan
1. Basis Pengetahuan
Basis Pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar yaitu :
1. Basis Pengetahuan
Basis Pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar yaitu :
·
Fakta,
misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta
teori dalam bidang itu.
·
Aturan, yang
mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam
bidang yang khusus.
2. Mesin Inferensi
Mesin Inferensi (Inference Engine), merupakan otak dari Kecerdasan buatan. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi meliputi :
Mesin Inferensi (Inference Engine), merupakan otak dari Kecerdasan buatan. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi meliputi :
·
Menentukan
aturan mana yang akan dipakai
·
Menyajikan
pertanyaan kepada pemakai ketika diperlukan.
·
Menambahkan
jawaban ke dalam memori kecerdasan buatan dan sistem pakar.
·
Menyimpulkan
fakta baru dari sebuah aturan
·
Menambahkan
fakta tadi (yang telah diperoleh) ke dalam memori.
3. Interface Kecerdasan buatan dan Sistem Pakar
Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Sejarah Artificial Intelligence
Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Sejarah Artificial Intelligence
·
John McCarty
·
Logic
Theorist
·
General
Problem Solver (GPS)
Bidang Artificial Intelligence
1. Jaringan Syaraf (Neural Network)
2. Sistem Persepsi (Perceptive
System)
3. Belajar (Learning)
4. Robot (Robotics)
5. Perangkat Keras AI (Artificial
Intelligence)
6. Pemrosesan Bahasa Alamiah (Natural
Language Processing)
Persamaan dan Perbedaan antar Sistem Pakar dengan
Kecerdasan Buatan
Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.
Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.
Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-fiction, pada film Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.
Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.
Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.
Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-fiction, pada film Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.
Pengertian sistem cerdas
Pengertian Sistem cerdas
Kecerdasan
buatan (Artificial Intelligent, AI) telah menjadi wacana umum yang sangat
penting dan banyak dijumpai. Kecerdasan Buatan atau Sistem cerdas atau
Intelegensi Buatan atau Artificial Inteligence merupakan cabang terpenting
dalam dunia komputer. Komputer tidah hanya alat untuk menghitung, tetapi
diharapkan dapat diberdayakan untuk mengerjakan segala sesuatu yang bias
dikerjakan oleh manusia. Manusia mempunyai pengetahuan, pengalaman dan
kemampuan penalaran dengan baik, agar komputer bisa bertindak seperti dan
sebaik manusia, maka komputer juga harus dibekali pengetahuan dan mempunyai
kemampuan untuk menalar.
Sejarah kecerdasan buatan
Di awal abad 20,
seorang penemu Spanyol yang bernama Torres Y Quevedo, membuat sebuah mesin yang
dapat mengskakmat raja laannya dengan sebuah raja dan ratu.
Perkembangan secara sistematis kemudian
dimulai ditemukannya komputer digital.
* Pada tahun 1950-an Alan Turing seorang
matematikawan dari Inggris. Pertama kali mengusulkan adanya tes untuk melihat
bias tidaknya sebuah mesin dikatakan cerdas(dikenal dengan Turing Test)
seolah-olah mesin mampu merespon terhadap serangkaian pertanyaan yang diajukan.
* Istilah kecerdasan buatan dimunculkan
pertama kali pada tahun 1956 ketika John Mc Cathy dari Massachusets Institute
of Technology (MIT) menciptakan bahasa pemrograman LISP
* Loghic Theorist (1956), diperkenalkan
pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema
matematika.
* Mesin Neural Network pertama oleh
Marvin Minsky (1958)
* Sad Sam, deprogram oleh Robert K.
Lindsay (1960), program ini dapat mengetahui kalimat-kalimat sederhana yang
ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang
didengar dalam sebuah percakapn.
* Muncul logika samar (1965) yang
merupakan pelaksanaan konsep samar di atas system komputer. Logika samar
mengukur ketidaktepatan dengan cara yang tepat, seperti yang diperlukan mesin.
* ELIZA (1967), diprogram oleh Joseph
Weizenbaum, yang mampu melakukan terapi terhadap pasien dengan memberikan
beberapa pertanyaan.
* Program Microworld dengan penciptaan
proyek SHRDLU (1968) merupakan Expert System yang pertama.
* Pada tahun 1972 bahasa Prolog
dimunculkan.
* John Holland (1975) mengatakan bahwa
setiap problem berbentuk adaptasi (alami maupun buatan) secara umum dapat
diformulasikan dalam terminologi genetika (Algoritma Genetika) .
* Sistem catur AI mengalahkan manusia
(Pecatur master) pada tahun 1991.
* Robotik, peranti mekanika yang
diprogram untuk melakukan berbagai tugas.
Definisi Kecerdasan Buatan
Kecerdasan
Buatan adalah ilmu rekayasa yang membuat suatu mesin mempunyai intelegensi
tertentu khususnya program komputer yang “cerdas” (John Mc Cathy, 1956)
Kecerdasan buatan merupakan kawasan
penelitian, aplikasi dan intruksi yang terkait dengan pemrograman computer
untuk melakukan sesuatu hal – yang dalam pandangan manusia adalah – cerdas.
(H.A Simon, 1987)
Kecerdasan
merupakan bagian kemampuan komputasi untuk mencapai tujuan dalam dunia. Ada
bermacam-macam jenis dan derajat kecerdasan untuk manusia, hewan dan mesin.
Kecerdasan buatan merupakan sebuah studi
tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat
dilakukan lebih baik oleh manusia. ( Rich and Knight, 1991)
Kecerdasan
buatan (AI) merupakan cabang dari ilmu komputer yang dalam mempresentasi
pengetahuan lebih banyak menggunakan bentuk symbol-simbol daripada bilangan,
dan memproses informasi berdasarkan metode heuristic (Metode Heuristik adalah
teknik yang dirancang untuk memecahkan masalah yang mengabaikan apakah solusi
dapat dibuktikan benar, tapi yang biasanya menghasilkan solusi yang baik atau
memecahkan masalah yang lebih sederhana yang mengandung atau memotong dengan
pemecahan masalah yang lebih kompleks.) atau dengan berdasarkan sejumlah
aturan.( Encyclopedia Britannica)
Kecerdasan adalah kemampuan untuk
belajar atau mengerti dari pengalaman. Memahami pesan yang kontradiktif dan
ambigu, menanggapi dengan cepat dan baik atas situasi yang baru, menggunakan
penalaran dalam memecahkan masalah dan menyelesaikannya secara efektif (Winston
dan Pendergast, 1994)
Al dapat dipandang dalam berbagai
perspektif.
Dari perspektif kecerdasan
Ai adalah bagaimana membuat mesin yang
“cerdas” dan dapat melakukan hal-hal yang sebelumnya dapat dilakukan oleh
manusia.
Dari perspektif penelitian
Suatu studi bagaimana membuat agar
komputer dapat melakukan sesuatu sebaik yang dikerjakan manusia.
Domain yang sering dibahas oleh peneliti
meliputi:
a) Mundane task
• Persepsi (Vision & Speech)
• Bahasa alami (Understanding,
Generation, Translation)
• Pemikiran yang bersifat commonsense
• Robot control
b) Formal task
• Permainan/games
• Matematika (geometri, logika,
kalkulus, integral, pembuktian)
c) Expert task
• Analisis financial
• Analisis medikal
• Analisis ilmu pengetahuan
• Rekayasa (desain, pencarian
kegagalan,perencanaan manufaktur )
Dari perspektif bisnis
Ai adalah sekelompok alat bantu (tools)
yang berdaya guna, dan metodologi yang menggunakan tool-tool tersebut guna
menyelesaikan masalah-masalah bisnis.
Dari perspektif pemrograman
Meliputi studi tentang pemrograman
simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
Dua bagian utama yang sangat dibutuhkan
untuk melakukan aplikasi kecerdasan buatan, yaitu :
a) Basis Pengetahuan (Knowledge base),
berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dan yang lainnya.
b) Motor inferensi (Inference engine),
yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.
Konsep kecerdasan buatan
TIRING TEST – METODE PENGUJIAN
KECERDASAN
* Turing Test – Metode Pengujian
Kecerdasan yang dibuat oleh Alan Turing.
* Proses uji ini melibatkan penanya
(manusia) dan dua objek yang ditanyai. Yang satu adalah seorang manusia dan
satunya adalah sebuah mesin yang akan diuji.
* Penanya tidak bisa melihat langsung
kepada objek yang ditanya.
* Penanya diminta untuk membedakan mana
jawaban computer dan mana jawaban manusia berdasarkan jawaban kedua objek
tersebut.
* Jika penanya tidak dapat membedakan
mana jawaban mesin dan mana jawaban manusia maka Turing berpendapat bahwa mesin
yang diuji tersebut dapat diasumsikan “cerdas”.
PEMROSESAN SIMBOLIK
* komputer semula didesain untuk
memproses bilangan/angka-angka.(pemrosesan numerik)
* Sementara manusia dalam berpikir dan
menyelesaikan masalah lebih bersifat simbolik, tidak didasarkan pada sejumlah
rumus atau melakukan komputasi matematis.
* Sifat penting dai AI adalah bahwa AI
merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan non
algoritmik dalam penyelesaian masalah.
HEURISTIK
* Istilah Heuristic diambil dari bahasa
yunani yang berarti menemukan.
* Heuristic merupakan suatu strategi
untuk melakukan suatu pencarian (search) ruang problema secara selektif, yang
memandu proses pencarian yang kita lakukan sepanjang jalur yang memiliki
kemungkinan sukses paling besar.
PENARIKAN KESIMPULAN (INFERENCING)
* AI mencoba membuat mesin memiliki
kemampuan berpikir atau mempertimbangkan (reasoning)
* Kemampuan berpikir (reasoning)
termasuk didalamnya proses penarikan kesimpulan (inferencing) berdasarkan
fakta-fakta dan aturan dengan menggunakan metode heuristic atau metode
pencarian lainnya.
PENCOCOKAN POLA (PATTERN MATCHING)
AI bekerja
dengan metode pencocokan pola (pattern matching) yang berusaha untuk
menjelaskan objek kejadian (events) atau proses dalam hubungan logik atau
komputasional.
Tujuan Kecerdasan Buatan
* Membuat computer lebih cerdas
* Mengerti tentang kecerdasan
* Membuat mesn lebih berguna
Keuntungan kecerdasan buatan disbanding
kecerdasan alami:
* Lebih bersifat permanen
* Lebih mudah dipublikasi atau
disebarkan
* Lebih murah dibandingkan kecerdasan
alami
* Bersifat konsisten
* Dapat didokumentasikan
* Dapat mengerjakan pekerjaan lebih
cepat dan lebih baik dibandingkan dengan kecerdasan alami.
Keuntungan kecerdasan alami disbanding
AI:
* Kreatif
* Dapat melakukan proses pembelajaran
secara langsung, sementara AI harus mendapatkan masukan berupa symbol dan
representasi-representasi.
* Pemikiran manusia dapat digunakan
secara luas sebagai referensi untuk pengambilan keputusan. Sebaliknya, AI
menggunakan focus yang sempit
SISTEM CERDAS YANG BANYAK DI KEMBANGKAN
•Sistem pakar ( Expert System)
yaitu program
konsultasi (advisory) yang mencoba menirukan proses penalaran seorang
pakar/ahli dalam memecahkan masalah yang rumit. sistem pakar merupakan aplikasi
AI yang paling banyak.
• Pemrosesan Bahasa Alami (Natural
Language Processing)
Yang member
kemampuan pengguna komputer untuk berkomunikasi dengan komputer dalam bahasa
mereka sendiri (bahasa manusia). Komunikasi dapat dilakukan dengan percakapan
alih-alih menggunakan perintah yang biasa digunakan dalam bahasa komputer
biasa.
• Bidang Pemrosesan Bahasa Alami di bagi
lagi menjadi 2 bagian yaitu:
Pemahaman bahasa
alami, yang mempelajari metode yang memungkinkan komputer mengerti perintah
yang diberikan dalam bahasa manusia biasa. Dengan kata lain komputer dapat
memahami manusia.
Pembangkitan bahasa alami, sering
disebut juga sintesa suara. Yang membuat komputer dapat membangkitkan bahasa
manusia biasa sehingga manusia dapat memahami komputer secara mudah.
• Pemahaman Ucapan/Suara (Speech/Voice
Understanding)
Adalah teknik
agar komputer dapat mengenali dan memahami bahasa ucapan.
Proses ini mengijinkan seseorang
berkomunikasi dengan komputer dengan cara berbicara kepadanya.
Istilah pengenalan suara, mengandung
arti bahwa tujuan utamanya adalah mengenali kata yang diucapkan tanpa harus
tahu apa artinya, dimana bagian itu merupakan tugas pemahaman suara.
Secara umum prosesnya adalah usaha untuk
menterjemahkan apa yang diucapkan oleh seorang manusia menjadi kata-kata atau
kalimat yang dimengerti oleh komputer.
• Sistem Sensor dan Robotika
Sistem sensor
seperti system visi dan pencitraan serta system pengolahan sinyal merupakan
bagian dari robotika.
Sebuah robot
yaitu, perangkat elektromagnetik yang diprogram untuk melakukan tugas manual,
tidak semuanya merupakan bagian AI.
Robot hanya melakukan aksi yang telah
diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift.
Robot yang
cerdas biasanya mempunyai perangkat sensor, seperti kamera, yang mengumpulkan
informasi mengenai operasi dan lingkungannya.
Kemudian bagian AI robot tersebut
menterjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi
perubahan lingkungan.
Tujuan dan Isi
Intelligent
Systems merupakan wilayah dari bidang ilmu komputer dan rekayasa berurusan
dengan cerdas adaptasi perilaku, dan pembelajaran di mesin dan robot. sistem
Intelligent prihatin dengan desain sistem komputasi yang berfungsi dalam
lingkungan yang berubah, tak terduga dan biasanya tidak lengkap yang dikenal
dengan menunjukkan kemampuan tingkat tinggi. Tujuannya adalah untuk mengambil
inspirasi dari alam, kinerja manusia dan alat-alat pemecahan masalah matematis
dalam rangka membangun sistem yang kuat dapat mencapai tujuan yang kompleks
dalam lingkungan yang kompleks menggunakan sumber daya komputasi yang terbatas.
sistem Intelligent menggunakan konsep-konsep yang berasal dari ilmu saraf,
sistem alam, biologi, ilmu kognitif, teknik, sistem fisik dan dari kecerdasan
buatan dan teknik optimasi.
Mahasiswa lulus
dari program ini mengembangkan kemampuan untuk bekerja pada masalah yang
kompleks dan dalam karir masa depan mereka akan mampu menerapkan kompetensi
mereka di bidang interdisipliner dengan kemampuan analisis dan teknis
ditingkatkan. Contohnya termasuk perencanaan dan penjadwalan, kontrol,
robotika, prakiraan bisnis, mencari agen cerdas, video game, musik buatan,
menjawab otomatis dan diagnostik, dan tulisan tangan dan pengenalan suara.
Bahan kursus,
perangkat lunak alat dan robot mencerminkan keadaan terbaru dari seni dan
kesempatan lebih lanjut untuk keterlibatan akan timbul selama proses tesis
dengan mungkin kesempatan untuk belajar untuk PhD.
Program ini
membentang lebih dari dua tahun (120 kredit ECTS) dan terstruktur untuk
memungkinkan para siswa untuk personalisasi kurikulum studi mereka sesuai
dengan kepentingan masing-masing. Biasanya, pada semester pertama siswa
menghadiri kelas dalam rangka memperoleh pengetahuan dasar. Semester kedua dan
ketiga yang didedikasikan untuk mata kuliah inti dan pilihan. Siswa diminta
untuk mengambil mata kuliah inti yang menganggap topik tertentu cerdas sistem
dan metodologi. Siswa menyelesaikan kurikulum mereka dengan pilihan yang dapat
dipilih di antara program yang ditawarkan oleh ini dan lainnya USI
program-program terkait. Selama semester terakhir, siswa Guru menulis tesis
mereka.
Pengajaran
Mengajar di
Fakultas Informatika menekankan hubungan dekat antara mahasiswa dan fakultas.
Profesor yang mengejar penelitian tentang berbagai topik dan peserta aktif
dalam proyek penelitian Swiss dan internasional dan jaringan. Mengunjungi
profesor dari universitas terkenal melengkapi pengajaran berkualitas. Semua
kursus diajarkan dalam bahasa Inggris.
Sistem cerdas dalam rekayasa Power
Intelligent
Systems merupakan wilayah dari bidang ilmu komputer dan rekayasa berurusan
dengan cerdas adaptasi perilaku, dan pembelajaran di mesin dan robot. sistem
Intelligent prihatin dengan desain sistem komputasi yang berfungsi dalam
lingkungan yang berubah, tak terduga dan biasanya tidak lengkap yang dikenal
dengan menunjukkan kemampuan tingkat tinggi. Tujuannya adalah untuk mengambil
inspirasi dari alam, kinerja manusia dan alat-alat pemecahan masalah matematis
dalam rangka membangun sistem yang kuat dapat mencapai tujuan yang kompleks
dalam lingkungan yang kompleks menggunakan sumber daya komputasi yang terbatas.
sistem Intelligent menggunakan konsep-konsep yang berasal dari ilmu saraf,
sistem alam, biologi, ilmu kognitif, teknik, sistem fisik dan dari kecerdasan
buatan dan teknik optimasi.
program ini mengembangkan kemampuan
untuk bekerja pada masalah yang kompleks dan dalam karir masa depan mereka akan
mampu menerapkan kompetensi mereka di bidang interdisipliner dengan kemampuan
analisis dan teknis ditingkatkan. Contohnya termasuk perencanaan dan
penjadwalan, kontrol, robotika, prakiraan bisnis, mencari agen cerdas, video
game, musik buatan, menjawab otomatis dan diagnostik, dan tulisan tangan dan
pengenalan suara.
Bahan kursus,
perangkat lunak alat dan robot mencerminkan keadaan terbaru dari seni dan
kesempatan lebih lanjut untuk keterlibatan akan timbul selama proses tesis
dengan mungkin kesempatan untuk belajar untuk PhD.
Aplikasi dari Sistem Cerdas Membuat
Robot Cerdas
Tahap-tahap pembuatan robot
Secara garis besar, tahapan pembuatan
robot dapat dilihat pada gambar berikut:
Ada tiga tahapan pembuatan robot, yaitu:
1. Perencanaan, meliputi: pemilihan
hardware dan design.
2. Pembuatan, meliputi pembuatan
mekanik, elektonik, dan program.
3. Uji coba.
1. Tahap perencanan
Dalam tahap ini, kita merencanakan apa
yang akan kita buat, sederhananya, kita mau membuat robot yang seperti apa?
berguna untuk apa? Hal yang perlu ditentukan dalam tahap ini:
* Dimensi, yaitu panjang, lebar, tinggi,
dan perkiraan berat dari robot.
* Struktur material, apakah dari
alumunium, besi, kayu, plastik, dan sebagainya.
* Cara kerja robot, berisi bagian-bagian
robot dan fungsi dari bagian-bagian itu. Misalnya lengan, konveyor, lift, power
supply.
* Sensor-sensor apa yang akan dipakai
robot.
* Mekanisme, bagaimana sistem mekanik
agar robot dapat menyelesaikan tugas.
* Metode pengontrolan, yaitu bagaimana
robot dapat dikontrol dan digerakkan, mikroprosesor yanga digunakan, dan blok
diagram sistem.
* Strategi untuk memenangkan
pertandingan, jika memang robot itu akan diikutkan lomba/kontes robot
Indonesia/Internasional.
2. Tahap pembuatan
Ada tiga perkerjaan yang harus dilakukan
dalam tahap ini, yaitu pembuatan mekanik, elektronik, dan programming.
Masing-masing membutuhkan orang dengan spesialisasi yang berbeda-beda, yaitu:
* Spesialis Mekanik, bidang ilmu yang
cocok adalah teknik mesin dan teknik industri.
* Spesialis Elektronika, bidang ilmu
yang cocok adalah teknik elektro.
* Spesialis Programming, bidang ilmu
yang cocok adalah teknik informatika.
Jadi dalam
sebuah tim robot, harus ada personil-personil yang memiliki kemampuan tertentu
yang saling mengisi.
Pembuatan mekanik
Setelah gambaran
garis besar bentuk robot dirancang, maka rangka dapat mulai dibuat. Umumnya
rangka robot terbuat dari alumunium kotak atau alumunium siku. Satu ruas rangka
terhubung satu sama lain dengan keling alumunium. Keling adalah semacam paku
alumunium yang berguna untuk menempelkan lembaran logam dengan erat. R
Pembuatan sistem elektronika
Bagian sistem
elektronika dirancang sesuai dengan fungsi yang diinginkan. Misalnya untuk
menggerakkan motor DC diperlukan h-brigde, sedangkan untuk menggerakkan relay
diperlukan saklar transistor. Sensor-sensor yang akan digunakan dipelajari dan
dipahami cara kerjanya, misalnya:
1. Sensor jarak, bisa menggunakan SRF04,
GP2D12, atau merakit sendiri modul sensor ultrasonik atau inframerah.
2. Sensor arah, bisa menggunakan sensor
kompas CMPS03 atau Dinsmore.
3. Sensor suhu, bisa menggunakan LM35
atau sensor yang lain.
4. Sensor nyala api/panas, bisa
menggunakan UVTron atau Thermopile.
5. Sensor line follower / line detector,
bisa menggunakan led & photo transistor.
Berikut ini gambar sensor ultrasonik,
inframerah, UVTron, dan kompas:
Pembuatan sistem elektronika ini
meliputi tiga tahap:
* Design PCB, misalnya dengan program
Altium DXP.
* Pencetakan PCB, bisa dengan Proboard.
* Perakitan dan pengujian rangkaian
elektronika.
Pembuatan Software/Program
Pembuatan
software dilakukan setelah alat siap untuk diuji. Software ini ditanamkan
(didownload) pada mikrokontroler sehingga robot dapat berfungsi sesuai dengan
yang diharapkan.
Tahap pembuatan program ini meliputi:
1. Perancangan Algoritma atau alur
program Untuk fungsi yang sederhana, algoritma dapat dibuat langsung pada saat
menulis program. Untuk fungsi yang kompleks, algoritma dibuat dengan
menggunakan flow chart.
2. Penulisan Program Penulisan program
dalam Bahasa C, Assembly, Basic, atau Bahasa yang paling dikuasai.
3. Compile dan download, yaitu
mentransfer program yang kita tulis kepada robot.
3. Uji coba
Setelah kita
mendownload program ke mikrokontroler (otak robot) berarti kita siap melakukan
tahapan terakhir dalam membuat robot, yaitu uji coba. misalnya, ujicoba
dilakukan pada arena seluas sekitar 4×4 meter dan berbentuk seperti puzzle.
Dalam arena ini di diletakkan lilin-lilin yang harus dipadamkan oleh robot
cerdas pemadam api.
DASAR PEMAHAMAN NEURAL
NETWORK
Pendahuluan
Cabang
ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin ilmu yang
lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil
kombinasi dari berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang
berbentuk aplikasi. Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil
perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran atau lebih
khusus lagi yaitu ilmu biologi.
Neural Network merupakan kategori ilmu Soft Computing.
Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu
memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output.
Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak
manusia. Kemampuan manusia dalam memproses informasi merupakan hasil
kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa
dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu
pengetahuan.
Fungsi dari Neural Network diantaranya adalah:
1.
Pengklasifikasian
pola
2.
Memetakan
pola yang didapat dari input ke dalam pola baru pada output
3.
Penyimpan
pola yang akan dipanggil kembali
4.
Memetakan
pola-pola yang sejenis
5.
Pengoptimasi
permasalahan
6.
Prediksi
Sejarah
Neural Network
Perkembangan
ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama
kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu
memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Gambar 2.1
McCulloch & Pitts, penemu pertama Neural Network
Hal ini dilanjutkan pada penelitian yang dikerjakan
oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan
klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar-network.
Gambar 2.2
Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola
tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa
keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan
permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural
network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15
tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian
selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai
berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak
menemukan bidang interest baru pada domain ilmu neural network. Penelitian
terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model
pembelajaran kompetitif, multilayer network,
dan teori model resonansi adaptif.
Untuk saat ini, Neural Network sudah dapat diterapkan pada
beberapa task, diantaranya classification, recognition, approximation,
prediction, clusterization, memory simulation dan banyak task-task berbeda yang
lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.
Konsep
Neural Network
1.
Proses Kerja Jaringan Syaraf Pada Otak Manusia
Ide
dasar Neural Network dimulai dari otak manusia, dimana otak memuat
sekitar 1011 neuron.
Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron
memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan
syaraf lain, jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling
berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja
otak manusia.
Gambar 2.3
Struktur Neuron pada otak manusia
Dari gambar di
atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:
1.
Dendrit
(Dendrites)
berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2.
Akson
(Axon) berfungsi
untuk mengirimkan impuls dari badan sel ke jaringan lain
3.
Sinapsis
berfungsi sebagai unit fungsional di antara dua sel syaraf.
Proses yang terjadi pada otak manusia adalah:
Sebuah neuron menerima impuls dari neuron lain melalui
dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson.
Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari
sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis
adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang
satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari
neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar
tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal
(informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang
sering disebut dengan nilai ambang (threshold).
2.
Struktur Neural Network
Dari
struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas,
maka konsep dasar pembangunan neural network buatan (Artificial Neural Network) terbentuk. Ide mendasar
dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir
sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan
berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.
Gambar 2.4
Struktur ANN
Karakteristik
dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari
tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN
secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.
1.
Input,
berfungsi seperti dendrite
2.
Output,
berfungsi seperti akson
3.
Fungsi
aktivasi, berfungsi seperti sinapsis
Neural network dibangun dari banyak node/unit yang
dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang
lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit
selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan
serta penanda dari sebuah konektivitas.
Proses
pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai
bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input
yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di
gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi
aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai
ambang) tertentu. Jika nilai melebihi threshold, maka
aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilaithreshold, neuron
akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya.
ANN
terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke
dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan
neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan
output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di
layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga
mencapai layer terakhir/layer output. Layer yang terletak di antara input dan
output disebut sebagai hidden layer.
Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat
layer input dan output saja.
Teknolologi Sistem Fuzzy
Aplikasi-aplikasi yang menggunakan
sistem logika fuzzy sering sekali dianggap atau dinamakan sebagai pengendali
fuzzy (fuzzy control). Padahal disamping pengendali fuzzy terdapat
bermacam-macam teori yang digunakan pada aplikasi-aplikasi fuzzy seperti
klasifikasi fuzzy (fuzzy clasification) dan diagnosis fuzzy (fuzzy
diagnosis). Pada tulisan ini akan dipaparkan masalah dalam teknologi fuzzy
dan perbedaan antara pengendali fuzzy dengan klasifikasi fuzzy dan fuzzy
diagnosis.
|
||
Pendahuluan
Dalam perjalanan perkembangan suatu
generasi teknologi menjadi lebih mantap dan berdaya guna tinggi, membutuhkan
adanya pengembangan dasar pengetahuan dan dilakukannya berbagai macam riset
atau penelitian yang bersifat eksperimental. Penelitian atau riset ini akan
memberikan jawaban terhadap pertanyaan mendasar seperti : teori-teori apa
saja yang masih secara praktis masih relevan untuk kemudian dikembangkan atau
teori mana saja yang sama sekali tidak bisa digunakan lagi? Teori yang
bermanfaat adalah teori yang dianggap mampu menjembatani penggabungan
pengendali fuzzy dengan sistem kendali konvensional atau algoritma kendali
modern seperti jaringan neural, algoritma genetik, dan lain sebagainya.
Pada generasi pertama teknologi fuzzy, terdapat
beberapa kendala yang ditemui untuk mengembangkan pada industri-industri atau
sistem kendali yang telah ada. Saat itu belum ada metodologi yang sistematik
tentang aplikasi pengendali fuzzy, penentuan rancang bangun yang tepat,
analisa permasalahan, dan bagaimana pengaruh perubahan parameter sistem
terhadap kualitas unjuk kerja sistem. Jadi tidak bisa diharapkan suatu
rancang bangun yang universal dan strategi optimasi fuzzy dapat segera
digunakan secara praktis.
Saat ini logika fuzzy telah berhasil menerobos
kendala-kendala yang dulu pernah ditemui dan segera menjadi basis teknologi
tinggi. Penerapan teori logika ini dianggap mampu menciptakan sebuah revolusi
dalam teknologi. Sebagai contoh, mulai tahun 90-an para manufaktur industri
yang bergerak di bidang Distributed
Control System (DCSs), Programmable Controllers (PLCs), dan Microcontrollers (MCUs) telah menyatukan
sistem logika fuzzy pada barang produksi mereka dan memiliki prospek ekonomi
yang baik. Sebuah perusahaan mikroprosesor terkemuka,Motorolla, dalam
sebuah jurnal teknologi, pernah menyatakan "… bahwa logika fuzzy pada
masa-masa mendatang akan memainkan peranan penting pada sistem kendali
dijital "(1). Pada saat yang bersamaan, pertumbuhan yang luar biasa
terjadi pada industri perangkat lunak yangmenawarkan kemudahan penggunaan
logika fuzzy dan penerapannya pada setiap aspek kehidupan sehari-hari.
Perusahaan Jerman Siemens yang bergerak diberbagai bidang
teknik seperti otomatisasi industri, pembangkit tenaga, semikonduktor,
jaringan komunikasi publik dan pribadi, otomotif dan sistem transportasi,
sistem audio dan video, dan lain sebagainya, beberapa tahun belakangan ini
telah membentuk kelompok riset khusus tentang fuzzy. Tujuannya untuk
melakukan penelitian dan pengembangan yang sistematik tentang logika fuzzy
pada setiap aspek teknologi (4).
Ada dua alasan utama yang mendasari
pengembangan teknologi berbasis sistem fuzzy:
Beberapa proyek teknologi yang dinilai
digunakan dan memiliki prospek ekonomi yang cerah seperti (4) :
Pengendali
fuzzy anti-slip untuk kereta listrik, sistem pengaturan dan perencanaan
perparkiran, sistem pengaturan lampu lalu lintas, dan pengendalian kecepatan
kendraan di jalan bebas hambatan.
Masih banyak aplikasi lainnya yang
sudah beredar sebagai alat kendali dan barang-barang elektronik berteknologi
tinggi.
Kendali Perkembangan Teknologi
Sistem Fuzzy
Keberhasilan penerapan teknologi fuzzy
seperti yang telah dibeberkan pada bagian pembahasan sebelumnya, dapat
direalisasikan jika terdapat penelitian dan strategi pengembangan riset dan
desain oleh sebuah industri untuk menemukan teknik terbaik untuk produknya.
Hal tersebut tentunya tidak terlepas dari kesulitan-kesulitan yang ditemui
dalam menggunakan dan pengembangan teknologi ini. Secara garis besar beberapa
kesulitan yang ditemui oleh industri-industri elektronika adalah sebagai
berikut (4):
Kendala pertama dan kedua dapat
diatasi dengan cara sering diadakannya kursus dan balai pendidikan,
memperbanyak penuliasan karya-karya ilmiah dan juga pengadaan buku-buku
tentang fuzzy di setiap perguruan tinggi atau institusi pendidikan lainnya.
Kendala ke tiga dan ke empat dapat diatasi dengan cara membentuk suatu
metodolgi untuk merancang dan mengembangkan sistem fuzzy. Metodologi ini
mencakup fasilitas-fasilitas yang terdapat dalam teori sistem kendali fuzzy
seperti : pemilihan fungsi keanggotaan, operator, penggunaan faktor skala,
pengembangan basisi pengetahuan, penurunan basis aturan, uji coba, dan
simulasi sistem.
Perusahaan elektrik Omron selain menjual produknya, kini
mereka juga tengah mengembangkan metode pendidikan dan pelatihan teknik logika
fuzzy. Asisten manajer Omron
FA System Div..Jim Krill berkatta," …, Educating potential customers
about the benefits of fuzzy logic and where it can be applied is impotant for
proper development of this technology." Jadi cara terbaik untuk mencapai teknologi
ini menurutnya adalah melalui program pelatihan, seminar, dan pemakaian
piranti lunak simulasi sistem fuzzy yang efektif (1).
Hingga kini software pengembangan logika fuzzy sudah
tidak terhitung banyaknya, mulai dari simulasi sistem yang sederhana hingga
seistem yang sangat kompleks dan rumit. Masing-masing menawarkan berbagai
kelebihan dan kemudahan pemakaian seperti : User
friendly editor, sistem on-line dan off-line debugging, compilers untuk setiap bahasa pemrograman
termasuk bahasa rakitan mikrokontroler, tampilan 3D dan berbagai macam proyek simulasi
yang bisa dilakukan (4).
Kendali Fuzzy, Klasifikasi Fuzzy,
dan Diagnosis Fuzzy
Aplikasi yang menggunakan logika
fuzzy, selalu identik dengan pengendalian fuzzy. Walaupun sebenarnya aplikasi
itu tergolong dalam klasifikasi fuzzy atau diagnosis fuzzy. Kejadian ini
bukanlah masalah yang dominan dan pelik dalam sistem fuzzy, karena istilah
"fuzzy" sebenarnya sudah kabur dan sering disamakan dengan
istilah-istilah yang ada pada teori himpunan fuzzy, topologi fuzzy, atau
dalam pengertian yang lebih sempit lagi sering disebut sebagai approximate reasoning dalam logika keputusan. Dengan cara
pandang yang sama sistem kendali fuzzy sering sekali dinyatakan sebagai
bagian teori himpunan fuzzy yang digunakan pada aplikasi-aplikasi dalam
bentuk sistem lingkar tertutup. Namun tujuan utama tulisan ini adalah
membedakan antara sistem kendali fuzzy dengan sistem klasifikasi fuzzy dan
sistem diagnosis fuzzy. Pada ruang lingkup yang lebih luas lagi, masih ada
sistem lainnya yang cukup sukses digunakan seperti sistem pakar fuzzy, sistem
analisa data fuzzy, sistem pengolahan citra fuzzy, dan berbagai ragam
aplikasi sistem fuzzy yang sudah ada.
Pada dasarnya penggunaan istilah klasifikasi
dan diagnosis bukanlah merupakan penamaan yang baku, karena keduanya
mempunyai pengertian atau makna yang hampir sama dan batas-batas perbedaannya
juga tidak begitu jelas. Namun yang teramat penting adalah kedua istilah tadi
menunjukkan perbedaan antara kedua sistem aplikasi berbasis logika
fuzzy.
Sistem fuzzy secara umum dapat dilihat pada
Gambar 1. Pada gambar tersebut terdapat blok proses, sistem fuzzy, dan sistem
pengembangan (development system). Pihak developer diletakkan paling atas pada gambar
ini. Selain itu, terdapat dua operator, yaitu seorang yang bertanggung jawab
atas masukan untuk sistem fuzzy dan keluaran dari proses, dan seorang lagi
bertugas mambawa masukan ke dalam proses dan menentukan keluaran dari sistem
fuzzy. Operator ini sebenarnya tidak mesti seorang operator manusia, biasanya
sistem fuzzy atau non-fuzzy yang berfungsi mengantarkan masukan atau keluaran
sinyal proses. Dari gambar ini dapat diturunkan beberapa sistem sistem fuzzy,
seperti pengendali fuzzy, klasifikator fuzzy, dan sistem pendiagnosaan
fuzzy.
Sebuah kendali fuzzy yang digambarkan pada Gambar 2 merupakan suatu sistem lingkar tertutup, di mana tidak terdapat operator yang menjadi bagian dari sistem lingkar kendali (control loop). Contoh dari sistem kendali ini adalah vacuum cleaner. Sistem pada alat ini mengatur daya motor penghisap tergantung pada banyaknya debu di lantai atau karpet. Contoh lain dari sistem kendali fuzzy adalah optimisasi torsi dalam sistem anti slip yang digunakan kereta listrik dan sistem kereta bawah tanah. Masukan sistem kendali berupa kecepatan kereta dan koefisien resistansi rel. Pada sistem klasifikasi fuzzy (Gambar 3) tidak terdapat loop tertutup. Sistem ini hanya menerima masukan dan keluaran dari proses untuk selanjutnya memberikan informasi berupa kondisi (state) dari proses tadi. Informasi kondisi ini dapat digunakan untuk mmengendalikan sistem atau memberikan tanggung jawab kendali kepada operator. Secara matematis, sistem klasifikasi lebih dekat pada teori himpunan daripada teori fungsi. Pada sistem ini, sifat kesamaan (Vagueness) sering ditemui pada opini pakar dan jarang menggunakan model relasi fuzzy (4).
Contoh dari sistem klasifikasi fuzzy adalah
mesin cuci fuzzy. Beberapa variabel/parameter mesin cuci ditentukan
berdasarkan jumlah dan jenis pakaian. Keluaran atau informasi dari sistem
klasifikasi ini digunakan untuk menentukan jenis spin-dry serta lembut atau kasar gesekan
pakaian yang optimal. Contoh ke dua dari sistem fuzzy ini adalah sistem
transmisi otomatik fuzzy. Sistem ini menggunakan beberapa sensor yang ditaruh
pada sistem ABS, sistem power
steering, sistem kendali motor, dan bagian penting lainnya. Selama
kendaraan berjalan, sistem ini akan terus memantau dan menilai kondisi mobil
tersebut, seperti beban kendaraan, kondisi mobil pada saat melewati jalan
yang menanjak atau menurun dan kondisi-kondisi lainnya. Pada Gambar 3, gambar
operator manusia pada kiri dan kanan sistem klasifikasi fuzzy, biasanya
merupakan suatu sistem khusus yang bertugas memberikan informasi yang
diperlukan untuk kemudian di proses.
Pada sistem diagnosis fuzzy (Gambar 4) peranan manusia/operator lebih dominan. Pengiriman data dilaksanakan oleh operator ke dalam sistem, ketika sistem memerlukan data tambahan. Selain itu operator dapat meminta atau menanyakan informasi dari sistem diagnosis berupa hasil konklusi diagnosis atau prosedur detail hasil diagnosis oleh sistem. Dari sifat sistem ini, sistem diagnosis fuzzy dapat digolongkan pada sistem pakar fuzzy. Sistem pakar fuzzy adalah sistem pakar yang menggunakan notasi fuzzy pada aturan-aturan dan proses inferensi (logika keputusan). Salah satu kelebihan sistem pakar fuzzy dibandingkan sistem pakar konvensional adalah jumlah aturan lebih sedikit, sehingga sistem lebih transparan untuk dianalisa. Kekurangannya adalah kehandalan sistem sangat tergantung pada baik-buruknya proses pengumpulan aturan seperti prosedur pertanyaan dan komponen-komponen kuisioner, serta sering terjadi kesulitan untuk menyimpulkan suatu pernyataan tertentu oleh operator.
Bidang aplikasi sistem diagnosis ini biasanya
suatu proses yang besar dan kompleks, sehingga sangat sulit dianalisa
menggunakan algoritma eksak dan dimodelkan dengan model matematika biasa.
Pada permulaan persiapan sistem, jumlah aturan yang digunakan ini biasanya
sangat banyak. Namun pada tahap akhir, jumlah aturan akan lebih sedikit dan
mudah dibaca. Ini merupakan sifat sistem pakar fuzzy, seperti yang dikatakan
oleh Prof. Zadeh, bahwa
sistem pakar fuzzy akan menggunakan aturan-aturan yang lebih sedikit
dibandingkan sistem pakar konvensional sehingga mudah dibaca dan membantu
menghindarkan inkonsistensi dan inkomplit sistem pengendali (4). Contoh dari
sistem pakar fuzzy ini adalah proyek diagnosa kebocoran-H2 pada sistem pendingin high-performance generator. Salah satu contoh aturan sistem
diagnostik ini adalah :
"Jika konsumsi H2 tinggi dan daya yang tersedia rendah
dan suhu gas rendah dan tekanan H2 generator tidak rendah/menurun, maka
tingkatkan konsumsi H2 (untuk
menurunkan temperatur)"
Yang perlu diperhatikan pada sistem diagnostik
ini adalah, tidak berlakunya proses defuzzifikasi, karena sistem ini hanya
menghasilkan sifat keluaran berupa aproksimasi linguistik yang merupakan
suatu pernyataan atau jawaban yang mudah dipahami oleh operator.
Kesimpulan
Teknologi sistem fuzzy telah
berkembang cukup jauh, dan memberikan berbagai keuntungan dan perbaikan unjuk
kerja pada sistem kendali yang pernah ada. Perkembangan sistem ini menuntut
mutu sumber daya manusia yang berpendidikan, seperti ilmuwan dan enjineer
yang ahli di bidang teknik sistem fuzzy dan tidak lepas dari kondisi
pendidikan dan kelengkapan alat-alat yang mendukung pengembangan teknologi
ini.
Di bidang aplikasi fuzzy, tidak hanya terdapat
sistem kendali fuzzy, melainkan juga ada klasifikasi fuzzy dan diagnosis
fuzzy. Jadi sistem fuzzy pada keadaan riil, mempunyai ragam metode dan
strategi pengembangan yang dapat diterapkan pada masalah-masalah kendali saat
ini.
Sumber Pustaka
|
SISTEM PAKAR (Expert System)
Beberapa pengertian sistem pakar, diantaranya:
Beberapa pengertian sistem pakar, diantaranya:
·
Sistem Pakar adalah merupakan paket perangkat lunak atau paket program komputer
yang disediakan sebagai media penasehat atau membantu dalam memecahkan
masalah di bidang-bidang tertentu seperti sains, pendidikan,
kesehatan, perekayasaan matematika, dan sebagainya.
·
Dari
wikipedia Sistem Pakar adalah suatu program komputer yang
mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang
spesifik.
·
Sistem Pakar adalah
Sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik
berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang
biasanya hanya dapat diselesaikan oleh tenaga ahli yang bersangkutan.
·
Sistem Pakar adalah suatu perangkat lunak komputer berisi pengetahuan yang disimpan
untuk memecahkan suatu permasalahan dalam suatu bidang spesifik dengan cara
hampir sama dengan seorang tenaga ahli. Pengetahuan datang dari satu
rangkaian percakapan yang lalu di kembangkan dari beberapa tenaga
ahli suatu sistem.. Sistem tersebut menerima pengetahuan yang berisi suatu
masalah dari seorang pengguna.
·
Sistem Pakar adalah
hasil akhir dari seorang Sarjana Science. Untuk membangun suatu sistem yang
dapat memecahkan permasalahan yang sudah ditentukan, seorang sarjana akan
memulai dengan membaca literatur terkait dengan permasalahan Sebagai
pondasi sistem itu. Seorang sarjana pengetahuan kemudian melakukan wawancara
ekslusif dengan satu atau lebih tenaga ahli untuk “memperoleh” pengetahuan
mereka. yang akhirnya, sarjana pengetahuan tersebut mengorganisir hasil
wawancara dan menterjemahkan ke dalam perangkat lunak komputer yang dapat
digunakan oleh seseorang yang sama sekali tidak memiliki suatu keahlian.
·
Sistem Pakar adalah
suatu perangkat lunak komputer yang dirancang untuk memberikan pemecahan
masalah suatu tenaga ahli didalam suatu bidang. Sistem Pakar terdiri atas suatu
dasar pengetahuan(informasi, heuristik, dll.), mesin kesimpulan(untuk
meneliti dasar pengetahuan), dan alat penghubung (input dan output). Cara yang
memimpin ke arah pengembangan Sistem Pakar adalah berbeda dari teknik programan
konvensional.
·
Sistem pakar ialah
sistem yang mewakilkan pengetahuan manusia dalam bentuk program komputer dan
menggunakan pengetahuan tersebut dalam penyelesaian masalah; mensimulasikan
bagaimana pakar menyelesaikan masalah.
·
Sistem Pakar adalah
program kecerdasan buatan (artificial intelligence) yang menggabungkan basis
pengetahuan (knowledge base) dengan mesin inferensi. Basis pengetahuan dalam
sistem pakar berupa suatu aturan yang diperoleh dari pengalaman atau dari
seorang pakar pada bidang keahlian tertentu. Berdasarkan basis pengetahuan yang
ada, digunakan mesin inferensi untuk mengenerate solusi terhadap domain
permasalahan yang akan dipecahkan.
Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut:
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
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
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10.Meningkatkan kepabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam penelitian.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan.
Kelemahan Sistem Pakar
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
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10.Meningkatkan kepabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam penelitian.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan.
Kelemahan Sistem Pakar
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.
Kemampuan Sistem Pakar
1. Menjawab berbagai pertanyaan yang
menyangkut bidang keahliannya.
2. Bila diperlukan dapat menyajikan
asumsi dan alur penalaran yang digunakan untuk sampai ke jawaban yang
dikehendaki.
3. Menambah fakta kaidah dan alur
penalaran sahih yang baru ke dalam otaknya
Komponen Sistem Pakar
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:
·
“Mengapa
pertanyaan tersebut anda tanyakan?”
·
“Seberapa
yakin kesimpulan tersebut diambil?”
·
“Mengapa
alternatif tersebut ditolak?”
·
“Apa yang
akan dilakukan untuk mengambil suatu kesimpulan?”
·
“Fakta
apalagi yang diperlukan untuk mengambil kesimpulan akhir?”
7. Subsistem Penyaring Pengetahuan
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.
Jenis-Jenis Sistem Pakar
· Interpretasi : Menghasilkan deskripsi situasi berdasarkan data sensor.
· Prediksi : Memperkirakan akibat yang mungkin dari situasi yang diberikan.
· Diagnosis : Menyimpulkan kesalahan sistem berdasarkan gejala (symptoms).
· Disain : Menyusun objek-objek berdasarkan kendala.
· Planning : Merencanakan tindakan
· Monitoring : Membandingkan hasil pengamatan dengan proses perencanaan.
· Debugging : Menentukan penyelesaian dari kesalahan sistem.
· Reparasi : Melaksanakan rencana perbaikan.
· Instruction : Diagnosis, debugging, dan reparasi kelakuan pelajar.
· Control : Diagnosis, debugging, dan reparasi kelakuan sistem.
Penerapan sistem Pakar
Sistem pakar dapat diterapkan dalam berbagai bidang seperti, sains, pendidikan, kesehatan, dan sebagainya. Contoh dari tulisan mr. Rizal “Sistem integrasi Pola Alir Material & Uang dapat disebut Material Management System (MMS) adalah kelanjutan perkembangan dari sistem integrasi Inventory Control System (ICS). Sistem (MMS) ini dikembangkan atas sistem manual yang sudah teruji berjalan lancar di PT Krakatau Steel, yang karena tuntutan kemajuan teknologi, sistem manual ini perlu ditingkatkan menjadi sistem komputerisasi. Namun didalam penerapannya masih banyak kendala yang dihadapi oleh subsistem-subsistem pendukung MMS yang ada pada masing-masing divisi. Melalui penelitian ini, dikemukakan satu alternatif yang sangat potensial untuk mengatasi kendala yang dialami oleh subsistem pendukungnya, khususnya yang berada di Divisi Perencanaan & Pengendalian Suku Cadang (PPSC). Dalam penelitian ini dibuat sistem pakar yang mampu memberikan penjelasan dan beberapa alternatif penyelesaian soal-soal Pengendalian Suku Cadang, yang meliputi : Identifikasi Material, Sistem Order, Sistem Repairable dan Sistem Spesifik. Pembuatan sistem pakar ini melalui lima tahapan berikut, yaitu: identifikasi, konseptualisasi, formulasi, implementasi, dan pengujian. Bahasa pemrograman yang digunakan adalah Turbo Prolog, yang cukup ideal dalam menyelesaikan masalah yang undeterministic. Teknik Inferensi yang digunakan adalah backward chaining, proses penelusuran yang digunakan adalah depth first search, dan metoda representasi pengetahuan yang digunakan adalah representasi logika”.
Beberapa contoh Sistem Pakar
1. MYCIN : Diagnosa penyakit
2. DENDRAL : Mengidentifikasi struktur molekular campuran yang tak dikenal
3. XCON & XSEL : Membantu konfigurasi sistem komputer besar
4. SOPHIE : Analisis sirkit elektronik
5. Prospector : Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit
6. FOLIO : Menbantu memberikan keutusan bagi seorang manajer dalam hal stok broker dan investasi
7. DELTA : Pemeliharaan lokomotif listrik disel
KECERDASAN BUATAN (Artificial Intelligence)
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.
Jenis-Jenis Sistem Pakar
· Interpretasi : Menghasilkan deskripsi situasi berdasarkan data sensor.
· Prediksi : Memperkirakan akibat yang mungkin dari situasi yang diberikan.
· Diagnosis : Menyimpulkan kesalahan sistem berdasarkan gejala (symptoms).
· Disain : Menyusun objek-objek berdasarkan kendala.
· Planning : Merencanakan tindakan
· Monitoring : Membandingkan hasil pengamatan dengan proses perencanaan.
· Debugging : Menentukan penyelesaian dari kesalahan sistem.
· Reparasi : Melaksanakan rencana perbaikan.
· Instruction : Diagnosis, debugging, dan reparasi kelakuan pelajar.
· Control : Diagnosis, debugging, dan reparasi kelakuan sistem.
Penerapan sistem Pakar
Sistem pakar dapat diterapkan dalam berbagai bidang seperti, sains, pendidikan, kesehatan, dan sebagainya. Contoh dari tulisan mr. Rizal “Sistem integrasi Pola Alir Material & Uang dapat disebut Material Management System (MMS) adalah kelanjutan perkembangan dari sistem integrasi Inventory Control System (ICS). Sistem (MMS) ini dikembangkan atas sistem manual yang sudah teruji berjalan lancar di PT Krakatau Steel, yang karena tuntutan kemajuan teknologi, sistem manual ini perlu ditingkatkan menjadi sistem komputerisasi. Namun didalam penerapannya masih banyak kendala yang dihadapi oleh subsistem-subsistem pendukung MMS yang ada pada masing-masing divisi. Melalui penelitian ini, dikemukakan satu alternatif yang sangat potensial untuk mengatasi kendala yang dialami oleh subsistem pendukungnya, khususnya yang berada di Divisi Perencanaan & Pengendalian Suku Cadang (PPSC). Dalam penelitian ini dibuat sistem pakar yang mampu memberikan penjelasan dan beberapa alternatif penyelesaian soal-soal Pengendalian Suku Cadang, yang meliputi : Identifikasi Material, Sistem Order, Sistem Repairable dan Sistem Spesifik. Pembuatan sistem pakar ini melalui lima tahapan berikut, yaitu: identifikasi, konseptualisasi, formulasi, implementasi, dan pengujian. Bahasa pemrograman yang digunakan adalah Turbo Prolog, yang cukup ideal dalam menyelesaikan masalah yang undeterministic. Teknik Inferensi yang digunakan adalah backward chaining, proses penelusuran yang digunakan adalah depth first search, dan metoda representasi pengetahuan yang digunakan adalah representasi logika”.
Beberapa contoh Sistem Pakar
1. MYCIN : Diagnosa penyakit
2. DENDRAL : Mengidentifikasi struktur molekular campuran yang tak dikenal
3. XCON & XSEL : Membantu konfigurasi sistem komputer besar
4. SOPHIE : Analisis sirkit elektronik
5. Prospector : Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit
6. FOLIO : Menbantu memberikan keutusan bagi seorang manajer dalam hal stok broker dan investasi
7. DELTA : Pemeliharaan lokomotif listrik disel
KECERDASAN BUATAN (Artificial Intelligence)
·
Artificial Intelligence atau Kecerdasan Buatan adalah suatu sistem informasi yang berhubungan
dengan penangkapan, pemodelan dan penyimpanan kecerdasan manusia dalam sebuah
sistem teknologi informasi sehingga sistem tersebut memiliki kecerdasan seperti
yang dimiliki manusia. Sistem ini dikembangkan untuk mengembangkan metode dan
sistem untuk menyelesaikan masalah, biasanya diselesaikan melalui aktifivitas
intelektual manusia, misal pengolahan citra, perencanaan, peramalan dan
lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.
·
Kecerdasan
buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan.
·
Kecerdasan
buatan (Artificial Intelligence) adalah bagian dari ilmu komputer
yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik
daripada yang dilakukan manusia.
·
Menurut John
McCarthy, 1956, AI: untuk mengetahui dan memodelkan proses-proses berpikir
manusia dan mendesain mesin agar dapat menirukan perilaku manusia.
Cerdas = memiliki pengetahuan + pengalaman,
penalaran (bagaimana membuat keputusan dan mengambil tindakan), moral yang baik
Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik.
Agar mesin bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.
Tujuan Kecerdasan buatan:
Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik.
Agar mesin bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.
Tujuan Kecerdasan buatan:
1. Untuk mengembangkan metode dan
sistem untuk menyelesaikan masalah,masalah yang biasa diselesaikan melalui
aktifivitas intelektual manusia, misalnya pengolahan citra,perencanaan,
peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis
komputer.
2. Untuk meningkatkan
pengertian/pemahaman kita pada bagaimana otak manusia bekerja
Keuntungan Kecerdasan Buatan :
1. Kecerdasan buatan lebih bersifat
permanen. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan
karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan berubah
sepanjang sistem komputer dan program tidak mengubahnya.
2. Kecerdasan buatan lebih mudah
diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke
orang lain butuh proses dan waktu lama. Disamping itu suatu keahlian tidak akan
pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan terletak
pada suatu sistem komputer, pengetahuan tersebuat dapat ditransfer atau disalin
dengan mudah dan cepat dari satu komputer ke komputer lain
3. Kecerdasan buatan lebih murah
dibanding dengan kecerdasan alami. Menyediakan layanan komputer akan lebih
mudah dan lebih murah dibanding dengan harus mendatangkan seseorang untuk
mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.
4. Kecerdasan buatan bersifat
konsisten. Hal ini disebabkan karena kecerdasan busatan adalah bagian dari
teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah.
5. Kecerdasan buatan dapat
didokumentasikan. Keputusan yang dibuat komputer dapat didokumentasikan dengan
mudah dengan melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami
sangat sulit untuk direproduksi.
6. Kecerdasan buatan dapat mengerjakan
pekerjaan lebih cepat dibanding dengan kecerdasan alami
7. Kecerdasan buatan dapat mengerjakan
pekerjaan lebih baik dibanding dengan kecerdasan alami.
Komponen Kecerdasan Buatan
1. Basis Pengetahuan
Basis Pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar yaitu :
1. Basis Pengetahuan
Basis Pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar yaitu :
·
Fakta,
misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta
teori dalam bidang itu.
·
Aturan, yang
mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam
bidang yang khusus.
2. Mesin Inferensi
Mesin Inferensi (Inference Engine), merupakan otak dari Kecerdasan buatan. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi meliputi :
Mesin Inferensi (Inference Engine), merupakan otak dari Kecerdasan buatan. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi meliputi :
·
Menentukan
aturan mana yang akan dipakai
·
Menyajikan
pertanyaan kepada pemakai ketika diperlukan.
·
Menambahkan
jawaban ke dalam memori kecerdasan buatan dan sistem pakar.
·
Menyimpulkan
fakta baru dari sebuah aturan
·
Menambahkan
fakta tadi (yang telah diperoleh) ke dalam memori.
3. Interface Kecerdasan buatan dan Sistem Pakar
Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Sejarah Artificial Intelligence
Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Sejarah Artificial Intelligence
·
John McCarty
·
Logic
Theorist
·
General
Problem Solver (GPS)
Bidang Artificial Intelligence
1. Jaringan Syaraf (Neural Network)
2. Sistem Persepsi (Perceptive
System)
3. Belajar (Learning)
4. Robot (Robotics)
5. Perangkat Keras AI (Artificial
Intelligence)
6. Pemrosesan Bahasa Alamiah (Natural
Language Processing)
Persamaan dan Perbedaan antar Sistem Pakar dengan
Kecerdasan Buatan
Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.
Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.
Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-fiction, pada film Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.
Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.
Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.
Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-fiction, pada film Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.
SUMBER :
https://id.wikipedia.org/wiki/Kecerdasan_buatan
http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
http://elektroindonesia.com/elektro/no6b.html
Tidak ada komentar:
Posting Komentar