Senin, 03 Oktober 2016

Peng. Teknologi Sistem Cerdas 1

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.


Description: http://socs.binus.ac.id/files/2012/07/nn1.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn2.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn3.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn4.jpgGambar 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: 
  • Menjadi state-of-the-art dalam sistem kendali berteknologi tinggi. Jika diamati pengalaman pada negara-negara berteknologi tinggi, khususnya di negara Jepang, pengendali fuzzy sudah sejak lama dan luas digunakan di industri-industri dan alat-alat elektronika. Daya gunanya dianggap melebihi dari pada teknik kendali yang pernah ada. Pengendali fuzzy terkenal karena kehandalannya, mudah diperbaiki, dan yang lebih penting lagi pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan teknik lain, yang biasanya membutuhkan usaha dan dana yang lebih besar.
  • Dalam perspektif yang lebih luas, pengendali fuzzy ternyata sangat bermanfaat pada aplikasi-aplikasi sistem identifikasi dan pengendalian ill-structured, di mana linieritas dan invariansi waktu tidak bisa ditentukan dengan pasti, karakteristik proses mempunyai faktor lag, dan dipengaruhi oleh derau acak. Bentuk sistem seperti ini jika dipandang sistem konvensional sangat sulit untuk dimodelkan.
Beberapa proyek teknologi yang dinilai digunakan dan memiliki prospek ekonomi yang cerah seperti (4) : 
  • Dalam teknologi otomotif : sistem transmisi otomatis fuzzy dan pengendali kecepatan idle fuzzy.
  • Dalam teknologi transpirtasi :
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.
  • Dalam peralatan sehari-hari : mesin cuci fuzzy dan vacum cleaner fuzzy dan lain-lain.
  • Dalam aplikasi industri di antaranya : industri kimia, sistem pengolahan kertas, dan lain-lain.
  • Dalam power satations : sistem diagnosis kebocoran-H2
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): 
  1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
  2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan on site training)
  3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi pemecahan problema kendali menggunakan pengendali fuzzy.
  4. Belum adanya metode umu/general untuk mengembangkan dan implementasi pengendali fuzzy.
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. 
Description: Gambar 1
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.  
Description: Gambar 2  
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.  
Description: Gambar 3  
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.  
Description: Gambar 4  
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:
·         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:
·         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.      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:
·         “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)
·         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:
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 :
·         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 :
·         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
·         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.

 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.


Description: http://socs.binus.ac.id/files/2012/07/nn1.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn2.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn3.jpgGambar 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.


Description: http://socs.binus.ac.id/files/2012/07/nn4.jpgGambar 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: 
  • Menjadi state-of-the-art dalam sistem kendali berteknologi tinggi. Jika diamati pengalaman pada negara-negara berteknologi tinggi, khususnya di negara Jepang, pengendali fuzzy sudah sejak lama dan luas digunakan di industri-industri dan alat-alat elektronika. Daya gunanya dianggap melebihi dari pada teknik kendali yang pernah ada. Pengendali fuzzy terkenal karena kehandalannya, mudah diperbaiki, dan yang lebih penting lagi pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan teknik lain, yang biasanya membutuhkan usaha dan dana yang lebih besar.
  • Dalam perspektif yang lebih luas, pengendali fuzzy ternyata sangat bermanfaat pada aplikasi-aplikasi sistem identifikasi dan pengendalian ill-structured, di mana linieritas dan invariansi waktu tidak bisa ditentukan dengan pasti, karakteristik proses mempunyai faktor lag, dan dipengaruhi oleh derau acak. Bentuk sistem seperti ini jika dipandang sistem konvensional sangat sulit untuk dimodelkan.
Beberapa proyek teknologi yang dinilai digunakan dan memiliki prospek ekonomi yang cerah seperti (4) : 
  • Dalam teknologi otomotif : sistem transmisi otomatis fuzzy dan pengendali kecepatan idle fuzzy.
  • Dalam teknologi transpirtasi :
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.
  • Dalam peralatan sehari-hari : mesin cuci fuzzy dan vacum cleaner fuzzy dan lain-lain.
  • Dalam aplikasi industri di antaranya : industri kimia, sistem pengolahan kertas, dan lain-lain.
  • Dalam power satations : sistem diagnosis kebocoran-H2
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): 
  1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
  2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan on site training)
  3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi pemecahan problema kendali menggunakan pengendali fuzzy.
  4. Belum adanya metode umu/general untuk mengembangkan dan implementasi pengendali fuzzy.
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. 
Description: Gambar 1
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.  
Description: Gambar 2  
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.  
Description: Gambar 3  
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.  
Description: Gambar 4  
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

  1. Bartos, Frank J., Fuzzy Logic is Clearly Here to Stay, McGraw-Hill Pub. Control engineering, Juli 1992
  2. Duda, Walter H. Dipl-Ing., Cement-Data-Book, Vol. 2 Bauverlag Gmbh. Weisbaden Und Berlin, 1991.
  3. Erdman, Denise., Fuzzy Logic more than a play on words, Chemical Engineering, McGraw-Hill Pub, 1993.
  4. Hellendoorn, Hans dan Palm, Rainer., Fuzzy system technologies at Seimens R & D, Fuzzy Sets and System 63, North-Holland, 1994.q




SISTEM PAKAR (Expert System)
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:
·         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.      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:
·         “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)
·         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:
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 :
·         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 :
·         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
·         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.

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