Kecerdasan Buatan (Artificial Intelligence) Kelompok 8

KECERDASAN BUATAN

(ARTIFICIAL INTELLIGENCE)

MAKALAH

Disusun untuk Memenuhi Salah Satu Tugas Dosen

Mata Kuliah Pengantar Teknologi Informasi (PTI)

Dosen: Undang Syarifudin, S.H, M.Kom

Oleh:

Kelompok 8

Kelas IF B

1.      Diana Rosdianti Fakkih

2.      Ghali Arkani

3.      Husenudin Nurdiansyah

TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TENOLOGI

UIN SUNAN GUNUNG DJATI

BANDUNG

2014

KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Allah Subhanahu wata΄ala, karena dengan berkat rahmat-Nya kami dapat menyusun makalah ini dengan berjudul “Dasar-Dasar Kecerdasan Buatan (Artificial Intelligence).” Makalah ini disusun guna memenuhi salah satu tugas mata kuliah Pengantar Teknologi Informasi.

Kami mengucapkan terima kasih kepada semua pihak yang telah membantu sehingga makalah ini dapat diselesaikan meskipun dalam bentuk yang sederhana. Makalah ini masih jauh dari sempurna, oleh karena itu kami mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan makalah ini.

Semoga makalah ini memberikan informasi bagi masyarakat dan bermanfaat untuk pengembangan Ilmu Pengetahuan dan Teknologi saat ini serta masa yang akan datang.

Bandung, 28 November 2014

Penulis

DAFTAR ISI

Halaman

KATA PENGANTAR.................................................................................................. i

DAFTAR ISI................................................................................................................ ii

BAB I   PENDAHULUAN......................................................................................... 1

BAB II  PEMBAHASAN

A.    Dasar Artificial Intelligence..............................................................

B.     Perbandingan Kecerdasan Buatan dan Kecerdasan Manusia.................. 9

C.     Bidang-bidang Aplikasi  AI..................................................................... 9

1.      Pengolahan Bahasa Alami.................................................................. 9

2.      Visi Komputer.................................................................................. 10

3.      Robotika...................................................................................... .........

4.      Sistem Pakar................................................................................ .........

5.      Logika Fuzzy ( Kabur ) ..............................................................

6.      Jaringan Saraf  Tiruan.................................................................

7.      Algoritma Genetika ....................................................................

8.      Sistem Hibrida............................................................................

9.      Agen Cerdas...............................................................................

D.    Topik Lain Lain ..................................................................................... 13

1.      Cyborg ............................................................................................. 13

2.      Artificial Life ................................................................................... 14

3.      Pembelajaran Mesin....................................................................

BAB III ................................................................................................................ PENUTUP

A.    Simpulan................................................................................................. 15

B.     Saran....................................................................................................... 16

DAFTAR PUSTAKA................................................................................................ 17

BAB I

PENDAHULUAN

Kemajuan teknologi yang pesat, berpengaruh pada perkembangan perangkat mobile saat ini, sehingga penggunaan perangkat mobile semakin memasyarakat. Perkembangan ini sangatlah membantu dalam menyajikan informasi yang cepat dan efisien dengan pengaksesan informasi melalui perangkat mobile tersebut. Walaupun perangkat mobile merupakan small device dengan layar penyajian yang sangat terbatas, tetapi penyajian informasinya pun tidak kalah optimal layaknya informasi yang diakses dari personal computer, tergantung bagaimana cara penyajiannya.

Selain perkembangan teknologi perangkat mobile, telah berkembang pula keilmuan yang mampu mengadopsi cara berpikir manusia. Menurut Turban, ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia disebut kecerdasan buatan (Arhami, 2005). Sistem Pakar adalah salah satu bagian dari Artificial Intelligence (kecerdasan buatan) yang membuat penggunaan secara luas knowledge yang khusus untuk peyelesaian masalah tingkat manusia yang pakar (Arhami, 2005). Berikut merupakan keunggulan sistem pakar dibandingkan seorang pakar, yaitu:

a.       Sistem pakar bisa digunakan setiap hari menyerupai sebuah mesin, sedangkan pakar tidak mungkin bekerja terus-menerus setiap hari tanpa beristirahat.

b.      Sistem pakar merupakan suatu software yang dapat diperbanyak dan kemudian dibagikan ke berbagai lokasi maupun tempat yang berbeda, sedangkan seorang pakar hanya bekerja pada satu tempat dan pada saat yang bersamaan

c.       Pengetahuan yang disimpan pada sistem pakar tidak bisa hilang/lupa, sedangkan pengetahuan seorang pakar manusia lambat laun akan hilang karena meningggal, usia yang semakin tua, maupun menderita suatu penyakit.

d.      Kemampuan memecahkan masalah pada suatu sistem pakar tidak dipengaruhi oleh faktor dari luar seperti intimidasi, perasaan kejiwaan, faktor ekonomi ataupun perasaan tidak suka. Sebaliknya seorang pakar dapat dipengaruhi faktor-faktor luar, dengan kata lain seorang pakar boleh jadi tidak konsisten.

e.       Biaya menggaji seorang pakar lebih mahal bila dibandingkan dengan penggunaan program sistem pakar (dengan asumsi bahwa program sistem pakar itu sudah ada).

Mesin inferensi merupakan komponen yang mengandung pola pikir penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Terdapat dua pendekatan untuk mengontrol mesin inferensi dalam sistem pakar yang berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan ke depan (forward chaining). Menurut Schnupp, metode inferensi pelacakan ke belakang cocok digunakan untuk memecahkan masalah diagnosis (Arhami, 2005). Pendekatan ini dimotori oleh tujuan dalam pelacakannya (goal driven), merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur. Pelacakan dimulai dari tujuan, dan selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.

BAB II

DASAR-DASAR KECERDASAN BUATAN

(ARTIFICIAL INTELLIGENCE)

A.    Dasar Artificial Intelligence

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

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

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

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

Tidak ada definisi yang memuaskan untuk 'kecerdasan':

a.       Kecerdasan: kemampuan untuk memperoleh pengetahuan dan menggunakannya, atau

b.      atau kecerdasan yaitu apa yang diukur oleh sebuah Test Kecerdasan.

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

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

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

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

1.      Sejarah Kecerdasan Buatan

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

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

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

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

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

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

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

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

Sejarah Penting Pengembangan  Bidang Kecerdasan Buatan

No.	Tahun	Deskripsi
1	1206	Robot humanoid pertama karya Al-Jazari
2	1796	Boneka penuang the dari jepang bernama Karakuri
3	1941	Komputer elektronik pertama
4	1949	Komputer dengna program tersimpan pertama
5	1956	Kelahiran dari Artificial Intelligence pada Dartmouth conference
6	1958	Bahasa LISP dibuat
7	1963	Penelitian intensif departemen pertahanan Amerika
8	1970	Sisem pakaer pertama diperkenalkan secara luas
9	1972	Bahasa Prolog diciptakan
10	1986	Perangkat berbasis AI dijual luas mencapai $425 juta
11	1994	AC berbasis Neuro fuzzy dijual
12	2010	Sistem kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan
13	2011	Service Robot untuk restoran berhasil dibuat di Indonesia
14	2012	Sistem Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning
15	2012	Sistem immune pada Deteksi spam diciptakan

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

2.      Kecerdasan

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

a.       Belajar atau mengerti dari pengalaman

b.      Memecahkan hal yang bersifat mendua atau kontradiktif

c.       Merespon situasi baru dengan cepat (fleksibel)

d.      Menggunakan alasan untuk memecahkan problem secara efektif

e.       Berurusan dengan situasi yang membingungkan

f.       Memahami dengan cara biasa/rasional

g.      Menerapkan pengetahuan untuk memanipulasi lingkungan

h.      Mengenali elemen penting pada suatu situasi

Sebuah ujian yang dapat dilakukan untuk menentukan apakah sebuah komputer/ mesin menunjukkan perilaku cerdas didesain oleh Alan Turing. Tes Turing menyatakan sebuah mesin dikatakan pintar hanya apabila seorang pewawancara (manusia) yang berbicara dengan orang lain dan mesin yang dua-duanya tidak terlihat olehnya, tidak mampu menentukan mana yang manusia dan mana yang mesin, meskipun dia telah berulang-ulang melontarkan pertanyaan yang sama.

B.     Perbandingan Kecerdasan Buatan dengan Kecerdasan Manusia

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

1.  AI Lebih bersifat Permanen

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

2.       AI Menawarkan Kemudahan untuk digandakan dan disebarkan

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

3.      AI dapat lebih murah daripada kecerdasan alami

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

4.      AI bersifat Konsisten dan Teliti

Hal ini berbeda dengan manusia yang sering tak menentu atau tidak konsisten.

5.      AI dapat didokumentasi

Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah dengan cara mencatat semua kegiatan yang dilakukan sistem. Kecerdasan alami sulit untuk didokumentasi. Sebagai contoh, seseorang bisa jadi melakukan penyimpulan, tetapi pada saat yang lain mungkin tidak dapat melakukan kembali proses penalaran yang membimbingnya ke kesimpulan ataupun mengingat kembali asumsi-asumsi yang mendasari keputusan

C.    Bidang-bidang Aplikasi AI

1.      Pengolahan Bahasa Alami

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

Pada prinsipnya bahasa alami adalah suatu bentuk representasi dari suatu pesan yang ingin dikomunikasikan antar manusia. Bentuk utama representasinya adalah berupa suara/ucapan (spoken language), tetapi sering pula dinyatakan dalam bentuk tulisan.

Inti dari pemrosesan bahasa alami adalah penguraian kalimat atau sering disebut dengan parser. Parser berfungsi untuk membaca kalimat, kata demi kata dan menentukan jenis kata apa saja yang boleh mengikuti kata tersebut.

Dalam pemahaman suatu bahasa ada beberapa bidang yang harus disertakan yaitu morfologi, sintaksis, semantik, pragmatik, fonologi, dan pengetahuan tentang dunia sekitar.

Komponen Utama Bahasa Alami

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

a.Parser

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

b.Sistem Representasi Pengetahuan

Suatu sistem yang menganalisis output parser untuk menentukan maknanya.

c.Output Translator

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

c.1 Kategori Aplikasi Pengolahan Bahasa Alami

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

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

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

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

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

2.      Visi Komputer

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

Contoh aplikasi dari visi komputer mencakup sistem untuk :

•     Pengendalian proses (misalnya, sebuah robot industri atau kendaraan otonom).

• Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang       menghitung).

•  Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan).

•  Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra medis atau model topografi).

•  Interaksi (misalnya, sebagai input ke perangkat untuk interaksi komputer-manusia).

Begitu banyak hasil kajian Computer Vision yang ada selama ini. Hal itu mendatangkan banyak manfaat untuk kepentingan manusia. Diantaranya terletak pada bidang militer. Contohnya  implementasi penguncian objek musuh pada pesawat jet dan teknologi radar pada rudal, pengenalan kondisi tentara musuh. Teknologi kecerdasan buatan dapat diimplementasikan pada sistem yang mensimulasikan kondisi-kondisi perang yang mungkin akan terjadi di lapangan, mengatur strategi serta mengkalkulasi kemungkinan beberapa strategi terhadap kondisi medan perang secara simultan dan menampilkan hasilnya.

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

3. Pengenalan Percakapan

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

Penerapan pengenalan percakapan  antara lain digunakan untuk melakukan pengetikan dokumen melalui suara dan untuk analisis suara dalam program pembelajaran bahasa asing, untuk menentukan pengucapan kata oleh seseorang sesuai dengan penutur asli atau tidak.

Saat ini teknologi sintesis suara juga telah banyak digunakan. Sintesis suara adalah teknologi yang memungkinkan komputer dapat berbicara. Penerapan pada berbagai perusahaan dapat dilihat pada tabel ini.

Aplikasi Teknologi Suara

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

Perusahaan	Aplikasi
Scandinavian Airlines	Menjawab permintaan informasi tentang reservasi dan jadwal dan bahkan mampu menangani keluhan tentang bagasi.
Citibank	Memberikan berbagai informasi kepada pemegang kartu.
Hospital Corporation Of America	Mengirimkan dan menerima data pasien dengan suara.
Weidner Insurance	Melaksanakan riset pemasaran dan telemarketing.
Perusahaan Mobil	Mengaktifkan radio, pemanas, dan lain-lain dengan menggunakan suara.

4. Robotika

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

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

Berikut ini adalah Contoh Robot:

• Scrubmate.

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

• Sojourner.

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

• SICO.

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

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

5.  Sistem Pakar

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

Ciri-Ciri Sistem Pakar

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

• Memiliki informasi yang handal.

• Mudah dimodifikasi.

• Dapat digunakan dalam berbagai jenis komputer.

• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar

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

1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2. Bisa melakukan proses secara berulang secara otomatis.

3. Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkatkan output dan produktivitas.

5. Meningkatkan kualitas.

6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7. Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9. Memiliki reabilitas.

10. Meningkatkan kapabilitas sistem komputer.

11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.

12. Sebagai media pelengkap dalam pelatihan.

13. Meningkatkan kapabilitas dalam penyelesaian masalah.

14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar

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

1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.

2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

• Seorang pakar akan pensiun atau pergi.

• Seorang pakar adalah mahal.

• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar

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

1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)

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

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

1. Basis Pengetahuan (Knowledge Base)

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

2. Mesin Inferensi (Inference Engine)

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

3. Basis Data (Data Base)

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

4. Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan

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

a. Rule-Based Knowledge

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

b. Frame-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

c. Object-Based Knowledge

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

d. Case-Base Reasoning

Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

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

a. Backward chaining

• Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.

• Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining

• Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.

• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.

• Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.

• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

6. Logika Fuzzy ( Kabur )

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

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy adalah sebagai berikut:

Pada gambar dapat diketahui bahwa antara input dan output terdapat sebuah kotak hitam yang sesuai. Berikut ini adalah beberapa contoh konsep logika fuzzy yang dapat diterapkan dalam berbagai kasus:

Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari

Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan

Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya

Ada beberapa cara atau metode yang mampu bekerja di kotak hitam tersebut, seperti sistem fuzzy, jaringan syaraf tiruan, sistem linier, sistem pakar, persamaan diferensial, dan sebagainya. Namun menurut Prof. Lotfi A. Zadeh seorang profesor dari Universitas California, Berkeley, yang adalah penemu Logika fuzzy pada tahun 1960-an menyatakan bahwa setiap kasus dapat saja diselesaikan tanpa menggunakan logika fuzzy, tetapi pemanfaatan logika fuzzy akan mempercepat dan mempermudah hasil dalam setiap kasus. Berikut adalah gambar dari Prof. Lotfi A. Zadeh.

ALASAN PEMANFAATAN LOGIKA FUZZY

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

Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar. 

Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai. 

Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah. 

Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.

Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

Konsep logika fuzzy mudah dimengerti.

Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti

Logika fuzzy sangat fleksibel

Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat

Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional

Logika fuzzy didasarkan pada bahasa alamiah

Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira.

Dalam fuzzy logic segala sesuatunya adalah masalah derajat.

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

Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

BAGAIMANA LOGIKA FUZZY DIGUNAKAN

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

a. Definisikan obyektif dan criteria control:

1) Apa yang kita coba control ?

2) Apa yang harus kita lakukan untuk mengontrol system ?

3) Respon seperti apa yang kita butuhkan ?

4) Apa mode kegagalan system yang mungkin ?

b. Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error)

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

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

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

7. Jaringan Saraf  Tiruan

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

Adapun cara belajar jaringan saraf tiruan sebagai berikut:

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

suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan.

Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:

1. Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang

ada saat ini memiliki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun terbatas.

2. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi jaringan saraf tiruan.

3. Aplikasi yang sangat luas.Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya:

•           Aeorospace

Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,

perbaikan autopilot dan simulasi komponen pesawat.

•           Otomoti

Sistem kendali otomatis mobil.

•           Keuangan dan Perbankan

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

•           Pertahanan (Militer)

Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali

sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi

bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

•           Elektronik

Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan

secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan

robot, sintesis suara.

•           Broadcast

Pencarian klip berita melalui pengenalan wajah.

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

1. Lapisan input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima

input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu

masalah.

2. Lapisan tersembunyi

Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari

lapisan ini tidak secara langsung dapat diamati.

3. Lapisan output

Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari

lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

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

1. Jaringan lapisan tunggal

Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot

koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari

dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf

tiruan tersebut.

2. Jaringan multilapis

Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini

memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan

single-layer net, namun pela-tihannya mungkin lebih rumit.

3. Jaringan kompetitif

Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Istilah-istilah Jaringan Saraf Tiruan

Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:

•           Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output.

•           Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan.

•           Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.

•           Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output.

•           Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksidengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalh yang kompleks.

•           Bobot: Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yangmentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.

•           Summation Function: Fungsi yang digunakan untuk mencari rata-rata bobot dari semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

•           Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent.

•           Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid).

1.         Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan.

2.         Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada. 

Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan (error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajarankompetitif (competitive learning).

a. Aturan Pengoreksian Error

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

b. Aturan Pembelajaran Boltzmann

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

c. Aturan Hebbian

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

d. Aturan Pembelajaran Kompetitif

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

8. Algoritma Genetika

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

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

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

1.         Representasi genetik dari solusi-solusi masalah.

2.         Cara membentuk populasi awal dari solusi-solusi.

3.         Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness mereka.

4.         Operator-operator genetik yang merubah komposisi genetik dari offspring selama reproduksi.

5.         Nilai-nilai untuk parameter algoritma genetika.

Algoritma me-maintain populasi individu-individu untuk setiap generasi. Masing-masing individu menyatakan solusi yang potensial untuk masalah yang dihadapi. Masing-masing individu di-evaluasi untuk memberi ukuran fitness-nya. Nilai fitness adalah nilai yang menunjukkan drajat ketangguhan kromosom dalam beradaptasi terhadap masalah.

Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Daya tarik algoritma genetika terletak pada kesederhanaan dan pada kemampuan untuk mencari solusi yang baik dan cepat untuk masalah yang komplek.

Kelebihan Algoritma Genetika

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

•           Mengoptimalkan dengan variabel kontinu atau diskrit,

•           Tidak memerlukan informasi derivatif,

•           Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya,

•           Berkaitan dengan sejumlah besar variabel,

•           Baik untuk komputer paralel,

•           Mengoptimalkan permukaan variabel dengan biaya yang sangat kompleks (GA bisa melompat dari minimum lokal),

•           Memberikan daftar variabel yang optimal, bukan hanya solusi tunggal,

•           Dapat menyandikan variabel sehingga optimasi dilakukan dengan mengkodekan variabel, dan

•           Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis fungsi.

Algoritma genetika berangkat dari himpunan solusi yang dihasilkan secara acak yang disebut populasi. Sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi dan masing-masing dievaluasi tingkat ketanggguhannya (fitness) oleh fungsi yang telah ditentukan. Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness (Gen dan Cheng, 2000). Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989).

9. Sistem Al Hibrida

Sistem Al Hibrida atau terkadang dinamakan sistem cerdas hibrida (hybrid intellegent system) adalah sistem yang menggabungkan beberapa teknologi Ai untuk dimanfaatkan atau memadukan keunggulan masing-masing teknologi. Istilah seperti ini Soft Computing (Jang, Sun, dan Mizutani, 1997), yang menggabungka AAN, logika kabur, algoritma genetika dan teknik AI konvensional, merupakan contoh sistem AI hibrid. Neurofuzzy merupakan contoh lain yang menggabungkan pemakaian AAN dan logika kabur. Sistem yang terakhir disebutkan ini banyak digunakan oleh perusahaan Jepang seprti Matsushita dan Sharp yang diterapkan pada mesin cuci dan kulkas.

10. Agen Cerdas

Dalam kecerdasan buatan , agen cerdas (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas suatu lingkungan (yaitu ini adalah agen ) dan mengarahkan aktivitasnya untuk mencapai tujuan (yakni yang rasional). Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Mereka mungkin sangat sederhana atau sangat kompleks : mesin refleks seperti termostat adalah sebuah agen cerdas.seperti manusia, sebagai sebuah komunitas manusia bekerja bersama menuju tujuan.

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

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

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

Struktur agen

Sebuah program agen yang sederhana dapat didefinisikan secara matematis sebagai fungsi agen yang memetakan setiap urutan persepsi mungkin untuk tindakan yang mungkin agen dapat melakukan atau untuk suatu elemen, umpan balik koefisien, fungsi atau konstanta yang mempengaruhi tindakan akhirnya:

Para agen program , sebagai gantinya, setiap peta persepsi mungkin untuk tindakan.Russell & Norvig (2003) agen kelompok menjadi lima kelas berdasarkan tingkat kecerdasan dan kemampuan yang dirasakan:

sederhana refleks agen

model berbasis agen refleks

Tujuannya berbasis agen

utilitas berbasis agen

agen pembelajaran

Refleks model berbasis agen

gen model berbasis lingkungan dapat menangani sebagian diamati. keadaan sekarang adalah disimpan di dalam agen mempertahankan beberapa jenis struktur yang menggambarkan bagian dari dunia yang tidak dapat dilihat. Perilaku ini memerlukan informasi tentang bagaimana dunia berperilaku dan bekerja. Ini informasi tambahan melengkapi “World View” model.

A berdasarkan refleks agen-model melacak negara dunia sekarang menggunakan internal model .Kemudian memilih tindakan dengan cara yang sama sebagai agen refleks.

Tujuan berbasis agen

agen Tujuan berbasis model berbasis agen yang menyimpan informasi tentang situasi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan.

Utility berbasis agen

agen Tujuan berbasis hanya membedakan antara negara-negara tujuan dan negara-negara non-tujuan. Hal ini dimungkinkan untuk menentukan ukuran berapa diinginkan negara tertentu. Langkah ini dapat diperoleh melalui penggunaan fungsi utilitas yang memetakan negara untuk ukuran utilitas negara.

Belajar agen

Belajar memiliki keuntungan bahwa hal itu memungkinkan para agen untuk awalnya beroperasi di lingkungan yang tidak dikenal dan menjadi lebih kompeten dari pengetahuan awal mungkin saja memungkinkan.

kelas lain dari agen cerdas

Menurut sumber-sumber lain beberapa sub-agen (belum disebutkan dalam pengobatan ini) yang dapat menjadi bagian dari Agen Cerdas atau Cerdas lengkap Agen dalam diri mereka sendiri adalah:

Keputusan Agen (yang ditujukan untuk membuat keputusan);

Input Agen (proses itu dan membuat rasa input sensor – misalnya jaringan syaraf agen based);

Pengolahan Agen (yang memecahkan masalah seperti speech recognition);

Agen spasial (yang berhubungan dengan dunia nyata fisik-);

Agen dunia (yang menggabungkan kombinasi dari semua kelas-kelas lain dari agen untuk memungkinkan perilaku otonom).

Agen terpercaya – Seorang agen menunjukkan kepribadian melalui penggunaan karakter buatan (agen adalah melekat) untuk interaksi.

Fisik Agen – Agen fisik adalah suatu entitas yang persepsi melalui sensor dan bertindakmelalui aktuator.

 Temporal Agen – Agen temporal dapat menggunakan informasi yang disimpan berdasarkan waktu untuk menawarkan instruksi atau tindakan data ke program komputer atau manusia membutuhkan program input dan menjadi persepsi untuk menyesuaikan perilaku berikutnya.

Hierarki agen

Untuk aktif melakukan mereka fungsi , Intelligent Agen saat ini biasanya berkumpul di struktur hirarki yang mengandung banyak “sub-agen”. Intelligent sub-agen proses dan melakukan fungsi tingkat yang lebih rendah. Secara bersama-sama, agen cerdas dan sub-agen menciptakan sebuah sistem yang lengkap yang dapat menyelesaikan tugas-tugas sulit atau tujuan dengan perilaku dan tanggapan yang menampilkan bentuk kecerdasan.

D.    Topik Lain-lain

1. Cyborg

Cyborg adalah salah satu hasil rekayasa manusia dengan menggunakan teknologi canggih. Cyborg dibuat untuk digerakkan seperti manusia secara real. Cyborg merupakan perpaduan antara manusia dan mesin. Teknologi yang menjadi dasar impian manusia ini, bukan hanya mimpi saja, saat ini telah banyak di lakukan penelitian untuk menciptakan cyborg terutama cyborg manusia, salah satunya adalah penelitian yang dilakukkan oleh seorang professor dari universitas reading yaitu Kevin Warwick dia telah melakukan percobaan dalam proyeknya yang diberi nama proyek cyborg.dan dilakukan penyempurnaan melalui proyek cyborg. Diharapkan melalui pengembangan cyborg oleh para ahli cybernetic ini, suatu saat nanti kita dapat memanfaatkan teknologi ini untuk mempermudah pekerjaan manusia, meningkatkan efisiensi, dan membantu orang cacat untuk hidup Cyborg merupakan perpaduan antara mesin dan makhluk hidup, keduanya di hubungkan dengan kabel. Otak dari makhluk hidup di pindahkan ke dalam tubuh robot dan dijaga agar tetap hidup dalam keadaan khusus. Otak ini selanjutnya dapat menerima sinyal dan pada gilirannya mengirimkan perintah untuk meggerakkan mesin Istilah ini digunakan pada tahun 1960 ketika Manfred Clynes dan Nathan Kline mengunakannya dalam artikel tentang peraturan antara manusia-mesin dalam sistem antariksa.  Cyborg hari ini sering dianggap hanya sebagai sebuah organisme yang telah ditingkatkan kemampuan karena teknologi”. (Alexander Chislenko)Menurut kamus dari perkakas pencari Answer. Cyborg adalah Sebuah manusia yang memiliki beberapa proses fisiologis aided atau dikontrol oleh perangkat elektronik atau mekanis.Cyborg adalah sebuah hubungan dengan sibernetika organisme, atau Cyborg, adalah hubungan manusia dan mesin dan berkisar di lingkup dari komputer yang telah menciptakan manusia robot dan dapat independen dalam berpikir atau berkemampuan untuk belajar, membuat jantung buatan, dan berbagai sintetis buatan. Menurut hipotesa para ahli bahwa di masa yang akan datang manusia akan menggunakan sains dan teknologi untuk mentransformasi bagian penting manusia, ke dalam bagian mesin yang sempurna dan memilki bentuk yang menyerupai alami yaitu organ, otot serat, dan tulang.Dalam masyarakat moden, cyborgs telah diambil pengertian baru yang berarti, khususnya sebagai komputer yang telah menjadi lebih kuat dan ada di mana-mana. Orank takut lagi dengan mesin yang dianggap akan lebih berkuasa dari pada manusia. Hal ini di wujudkan dengan fiksiilmiah, film, dan televisi yang mendorong kemajuan dalam bidang penyediaan komputer dan manusia buatan dan pengembangan yang lebih lanjut lagi.Menurut Esiklopedia Desktop, (CYB ernetic ORG anism) yang merupakan bagian yang menjadi manusia dan mesin.Menurut beberapa definisi istilah, metafisik dan fisik, cyborg dibuat untuk menambah perlengkapan manusia dengan teknologi yang paling dasar [1] Pada umumnya dapat dicontohkan dengan, manusia yang menggunakan alat pacu jantung atau pompa insulin (jika orang telah kencing manis) mungkin dapat dianggap sebagai Cyborg, karena mekanisme ini meningkatkan kemampuan tubuh secara “alami” melalui mekanisme sintetis. Teori-teori tersebut mengutip beberapa modifikasi seperti lensa kontak, alat bantu, atau intraocular lensa sebagai contoh manusia sesuai dengan teknologi untuk meningkatkan kemampuan mereka alami. Awalan cyber juga digunakan untuk mencari tahu hubungan antara manusia-teknologi secara abstrak. Pada umumnya, istilah Cyborg digunakan untuk merujuk kepada seorang lelaki atau perempuan dengan Bionic, atau robot, Implants.Saat ini, C-kaki sistem digunakan untuk menggantikan kaki manusia yang diamputasi karena cedera atau sakit. Penggunaan sensor di kaki buatan bantuan dalam berjalan secara signifikan. Ini adalah langkah pertama nyata terhadap generasi berikutnya cyborgs.Selain itu cochlear Implants dan magnetik Implants dengan orang yang memberikan rasa bahwa mereka tidak akan dapat memiliki tambahan akan dianggap membuat cyborgs.Pada tahun 2002, di bawah tulisan Proyek Cyborg, British Scientific, Kevin Warwick, telah dirangkaian 100 elektroda menyeruput di kepala sistem saraf untuk menghubungkan ke dalam sistem saraf internet. Dengan ini dia telah berhasil melakukan serangkaian percobaan itu termasuk memperpanjang sistem saraf melalui internet untuk mengontrol sebuah robot tangan, bentuk diperpanjang indera masukan dan pertama langsung elektronik komunikasi antara dua sistem syaraf manusia.

Cyborg, singkatan dari Cybernetic Organism (Organisme Sibernetik). Istilah ini diciptakan oleh Manfred Clynes pada tahun 1960 guna menggambarkan kebutuhan manusia untuk meningkatkan fungsi biologis artifisial dalam bertahan hidup pada ruang lingkup dari lingkungan yang tak bersahabat. Dalam wikipedia.org, istilah cyborg digunakan untuk menyatakan campuran (sintetik) bagian-bagian organik dan mekanikal. Secara umum, tujuannya untuk menambah atau meningkatkan kemampuan dari organisme dengan memanfaatkan teknologi. Kini, setelah bertahun-tahun lamanya, istilah cyborg memperoleh arti yang lebih umum untuk menggambarkan ketergantungan manusia pada teknologi. Dalam pengertian ini, istilah cyborg dapat digunakan untuk mengkarakterisasi siapa saja yang bergantung pada perangkat teknologi, bahkan komputer untuk menyelesaikan pekerjaan sehari-hari sekalipun. Namun, sebagian orang

Contoh Penemuan Teknologi Cyborg

Exoskeleton

Merupakan steroid dari para peneliti. Exoskeleton ini dikenakan seperti pakaian. Di Dalamnya, terdapat sistem-sitem hidraulik yang membantu mereka untuk membawa beban berat. Saat ini, militer AS sedang menguji sebuah sistem dengan nama “Hulc“, sebuah istilah yang dipinjam dari tokoh komik raksasa berwarna hijau;

Lensa Kontak Augmented Reality.

Apps Smartphone yang dapat mengirim info web tentang suatu gambar bukan yang baru. Sekarang, contact lens juga menawarkan fungsi demikian. Di dalamnya, terdapat layar LED dan mendapat arus melalui sinyal radio;

Kumbang Robot.

Mengedalikan kumbang hidup sepertinya hanya terdapat di film-film fiksi, namun University of California dan Kementerian Pertahanan AS berhasil mewujudkannya. Mereka menanam elektroda pada kumbang afrika. Kumbang tersebut terbang selama 30 menit untuk tugas mata-mata;

Robot Tikus.

Peneliti dari Universitas Reading berhasil membangun sebuah robot. Sederhana saja, tiga roda dan sepasang indikator. Tidak ada yang rumit selain otak tikus yang mengendalikan robot tersebut.set otak menerima sinyal listrik memprosesnya dan memberikan perintah .fungsi tersebut belum banyak selain mendeteksi obyek didinding.       

Mata buatan untuk tunanetra.

Sejak 20 tahun yang lalu, para peneliti MIT sudah bekerja pada Boston Retinal Implant Project. Tujuan mereka, membuat mata buatan bagi para tunanetra. Pada Pasien dipasangkan sebuah chip receiver pada jaringan kulit yang akan menerima data-data digital dari sebuah kacamata kamera digital. Mata buatan ini sudah dicoba pada manusia sebanyak 6 kali.

PENCIPTAAN ROBOT

Istilah robot merupakan hal yang tidak asing lagi. Film, media informasi telah memberi informasi mengenai teknolog robot , apabila kita memperhatikan film film holywood yang menggambarkan bahwa robot itu mesin yang berbentuk menusia dan dapat bergerak dan beraktifitas layaknya manusia . akan tetapi sebenarnya robot itu tidak harus berbentuk manusia . karena kesalah pahaman ini . menimbulkan definisi  yang salah dan banyak orang yang beranggapan bahwa robot mesin berbentuk manusia .butktinya robot ada yang berbentuk anjing yang di produksi oleh sony . mengenai pengertian akan dibahas di bab berikutnya . pada bab ini akan di bahas penciptaan robot dan sejarah yang nantinya akan berhubungan dengan pengertian robot

Pada jaman dahulu kala manusia menggunakan budak sebagai alat untuk memenuhi  kebutuhan .lalu seiring berjalannya waktu muncul para ahli mekanik pada jaman Alexandria di mesir sehingga di temukannya mesin pertama di dunia yang di gerakan oleh hewan .mesin itu hanya berbentuk mekanik yang berfungsi secara berulang ulang seperti mengisi air secara berulang ulang , menggiling biji bijian, mengaduk / mengiling makanan . namun ada fungsi mekaniknya di kerjakan oleh alam  seperti kincir angin , kincir yang di gerakan oleh air dan lain lain . seiring dengan berjalannya waktu teknologi mekanik berkembang dan menyebar luas keseluruh wilayah dan negara , sampai suatu saat pada tahun 1948 elektronik merupakan suatu alat penggerakpembangunan bukan mekanikdengan muncul robot elektronik pertama yang diciptakan William grey walter di Bristol, pada tahun 1960 di mana ia digunakan untuk mengangkat potongan-potongan logam panas dari . Dari perkembangan robot di atas manusia sadar bahwa robot dapat di manfaatkan menjadi pengganti budak . tentunya kemampuan yang dimiliki robot haruslah yang sudah kompleks dan banyak seperti robot asimo  yang dapat berjalan dan bergerak seperti manusia . dalam melakukan tugas yang repetitive dan berbahaya dimana manusia tidak memilih untuk melakukan tugas tersebut karena terlalu berbahaya maka robotlah dapat di manfaatkan untuk menyelesaikan tugas tersebut . contohnya dalam meluncurkan pesawat luar angkasa tanpa awak. Kapal selam yang mampu menjelajahi laut yang dalam dan tidak berawak dan robot yang bertugas dalam industri yang dibutuhkan kerja dengan tempo yang lama.

PERIODE TEKNOLOGI ROBOT

Meskipun ada sebagian yang mungkin tidak bisa didefinisikan sebagai robot, tapi hasil-hasil pencipataan yang disusun berdasarkan urutan kurun waktu dibawah ini dianggap sebagai perkembangan dari cikal bakal teknologi robot.

Tahun 270 sebelem masehi, Ctesibus, pada jaman Yunani kuno telah membuat organ-organ dan jam air yang dapat membuat gerakan-gerakan tertentu.

Tahun 1818, Mary Shelley menulis novel “Frankenstein” yang terkenal dan menyeramkan itu. Cerita tentang manusia yang diciptakan oleh Dr Frankenstein.

Tahun 1921, Istilah “robot” pertama kali digunakan dalam sebuah drama berjudul “RUR” atau “Rossum’s Universal Robot” yang ditulis oleh penulis dari Ceko, Karel Capek. Secara sederhana drama ini mengkisahkan tentang manusia yang membuat robot dan pada akhirnya robot itu membunuh manusia yang membuatnya.

Tahun 1941, penulis fiksi ilmiah Isaac Asimov pertama kali menggunakan kata “robot” untuk menggambarkan teknologi robot dan meramalkan munculnya robot industri yang kuat.

Tahun 1942, Asimov menulis “Runaround”, cerita tentang robot dan memperkenal “Tiga Hukum Robot”.

Tahun 1948, Cybernetics”, sebuah hasil tulisan tentang pengaruh pada kecerdasan buatan yang diterbitkan oleh Norbert Wiener. Pada masa itu juga seorang perintis teknologi robot di Inggris, William Grey Walter menciptakan robot sederhana yang diberi nama Elmer dan Elsie yang meniru perilaku manusia hidup dengan menggunakan elektronik.

George Devol dan Joseph Engleberger menciptakan robot lengan yang diprogram untuk pertama kalinya dan menciptakan istilah Universal Otomasi untuk pertama kalinya juga.

Tahun 1956, George Devol dan Joseph Engelberger membentuk perusahaan penghasil robot pertama di dunia. Pada tahun ini juga sebuah robot elektronik berbentuk tupai dan diberi nama Squee diciptakan.

Tahun 1959, Computer Assisted Manufacturingg telah didemonstrasikan di Laboratorium Servomechanisms di MIT.

Tahun 1961, robot industri pertama diperagakan di pabrik mobil General Motors di New Jersey. Robot itu dinamakan UNIMATE.

Tahun 1963, robot lengan buatan yang dikontrol oleh computer pertama  kali dirancang. Lengan (tangan) robot ini dirancang sebagai alat bagi penyandang cacat dengan kelengkapan enam sendi yang memberikan fleksibilitas lengan manusia.

Tahun 1965, pembuatan system canggih yang pertama dan disebut DENDRAL. Program ini dirancang untuk melaksanakan akumulasi pengetahuan dari subjek ahli.

Tahun 1968, Marvin Minsky membuat lengan tentakel yang dinamakan Octopus.

Tahun 1969, pembuatan lengan Stanford yang digerakkan oleh tenaga listrik. Lengan robot ini dikendalikan oleh komputer.

Tahun 1970, kemunculan robot Shakey yang disebut-sebut sebagai mobile robot yang pertama yang dikendalikan oleh kecerdasan buatan. Robot ini dibuat oleh SRI International.

Tahun 1974, perancangan lengan robot yang bekerja berdasarkan umpan balik dan sensor tekanan. Robot yang disebut dengan nama Silver Arm ini digunakan untuk perakitan komponen-komponen di bidang industry.

Tahun 1979, pertama kalinya didemonstrasikan kemampuan sebuah robot yang berlalu lalang di dalam sebuah ruangan yang penuh dengan kursi. Robot yang diberi nama Stanford ini dapat menghindari menabrak kursi-kursi yang diletakkan secara acak di ruangan tersebut. Robot ini dilengkapi dengan kamera yang menyampaikan gambar medan laluan ke komputer. Selanjutnya komputer memperhitungkan jarak benda dan hambatan yang ada pada medan.

Dari sejarah di atas dapat di simpulkan bahwa robot berkembang pesat dengan cepat. Sehingga pada saat ini robot banyak yang berguna bagi kehidupan manusia dalam memenuhi kebutuhan hidup.

Robot Dalam Kehidupan    

Pada zaman sekarang jumlah robot sangat banyak  paling banyak berada di kawasan asia, 32% di eropa, 16%  di amerika utara ,1 % berada di Australia dan 1% lagi ada di afrika. Tetapi 30% robot yang ada di dunia berada di jepang yang membuat negara itu adalah negara yang memiliki jumlah robot terbanyak . di jepang dan di korea selatan ide dalam meningkatkan kualitas robot untuk meningkatkan kemampuan robot dalam menyelesaikan masalah sangat baik dan positif . di cina robot sangat bermanfaat dan baik untuk manusia menolong dalam kebutuhan sehari hari manusia, bermain dengan dan belajar dengan anak anak atau menggantikan fungsi sebagai binatang peliharaan .” ini adalah era di mana robot dan manusia akan cocok “ menurut orang asia terutama di jepan g yang mendukung atas pembuatan robot di jepang maupun asia. Bahkan di korea selatan telah menargetkan bahwa pada tahun 2015 -2020 setiap rumah yang ada di negara tersebut akan ada robot untuk menyaingi teknlogi di jepang .

Berbeda dengan yang ada di eropa dan dunia barat yang tidak terlalu mendukung akan kehadiran robot yang sangat canggih, mungkin di karenakan banyak media yang menggambarkan robot akan mengambil alih dunia. Bahkan ada yang menyatakan robot merupakan hal yang akan mengancam kehidupan manusia di masa depan. Yang di sebabkan keyakinan terhadap manusia dan kehidupan social yang akan berkurang

Dari pendapat di atas telah menjelaskan bahwa robot merupakan fenomena yang luar biasa jika robot sudah mulai di produksi dan bersebaran di dunia , karena dengan keberadaan robot menyebabkan dampak positif dan negative sesuai dengan sudat pandang masing masing . banyak yang mendukung ada pula yang menolak kehadiran robot

Dengan adanya  robot tentu akan sangat membantu tugas manusia yang terkadang sulit di selesaikan karena harus memiliki kemampuan yang tinggi dalam konsentrasi dan ketelitian . dengan adanya robot pula suatu industri akan mempercepat produksinya.dalam melakukan pekerjaannya robot hampir sulit mengalami kesalahan karena sudah di program untuk menjalani tugasnya berbeda dengan manusia yang suatu saat akan teledor terhadap pekerjaannya

tetapi di sisi lain ada yang mengatakan bahwa dengan adanya robot dalam kehidupan manusia di masa depan akan lebih banyak berdampak buruk dari pada positifnya . menurut mereka dengan adanya robot akan menjadikan manusia malas akan tugas yang harus diselesaikan . sehingga mengubah pola pikir manusia yang di karenakan tertalalu di manja oleh kemampuan robot . akan bermunculnya sifat negative yang merajalela dalam kehidupan sehari hari seperti malas , kurang konsentrai, bodoh dan lain lain.

Manusia juga akan menjadi makhluk yang kurang peduli sesama manusia lainnya karena hilangnya rasa toleransi, gotong royong , kerjasama terhadap pekerjaannya karena sudah dikerjakan oleh robot . yang di khawatirkan lagi manusia akan menjadi makhluk tidak social .

2. Artificial Life

Salah satu bentuk yang ditawarkan oleh artificial intelligence dalam teknologi komunikasi adalah A-Life (Artificial Life). A-life merupakan salah satu studi teknologi komunikasi berbasis Artificial Intelligence yang membahas tentang sistem kehidupan buatan dan prosesnya dalam teknologi komunikasi komputer. Salah satu contohnya adalah dalam game komputer. Contoh game komputer Artificial life adalah The Sims. Pemain dari The Sims dapat menentukan warna kulit, bentuk badan yang diinginkan, sifat/kepribadian yang dapat di-adjust, jenis pekerjaan yang diinginkan secara virtual. Pemainnya juga dapat menentukan bagaimana cara tokoh The Sims-nya bersosialisasi, serta mengatur mood The Sims. Biasanya, pemain akan tenggelam dalam permainan tersebut, terlibat secara mendalam di dunia virtualnya.

The Sims

Contoh artificial intelligent yang merupakan computer vision  adalah Xbox 360 Kinect Project Natal keluaran Microsoft dimana dalam memainkan game atau aplikasi didalamnya tidak diperlukan alat kendali apapun. Game Xbox 360 Kinect akan mengenali gerak tubuh, suara, menscan benda/objek nyata untuk dipilih dan dimainkan di Xbox 360.  Game Xbox 360 dapat dimainkan serta berinteraksi dengan orang-orang di lokasi berbeda pada saat bersamaan serta dapat menjadi tim atau lawan main dengan pemain di lokasi berbeda. Selain untuk game, Xbox juga terdapat aplikasi untuk memilih dan memutar film, bahkan dapat berinteraksi dengan teman (video conference), serta dapat juga melakukan simulasi pemilihan baju. Mungkin masih banyak aplikasi lain yang ada didalam Xbox 360 Kinect. Sungguh teknologi telekomunikasi yang luar biasa.

Xbox Kinect

Bagaimana jika di masa mendatang ada teknologi “rumah pintar” dan segala peralatan elektronik yang ada didalam rumah tersebut dapat dikontrol secara terpusat dan bahkan dapat melakukan tugasnya secara otomatis?.  Anda tentu tidak akan merasa direpotkan dengan pekerjaan rumah jika semua peralatan elektronik dirumah dapat melakukan tugasnya secara otomatis, dan Anda dapat melakukan hal lain diluar rumah serta Anda dapat mengetahui keadaan rumah Anda melalui handphone atau peralatan komunikasi lain.  Kini dengan teknologi elektronik terbaru yang dinamakan “smart home”, Anda bisa mengkontrol alat-alat elektronik Anda hanya dengan satu pengontrol pusat, ataupun Anda bisa mengontrolnya ketika Anda tidak berada di rumah. Hanya dengan mengakses ke unit kontrol utama sistem “smart home”, dimanapun Anda berada, Anda bisa menyala atau mematikan alat-alat elektronik seperti lampu, pemanas air, kulkas, TV dan microwave, Anda juga bisa mengaktifkan sistem keamanan, atau mengatur alat temperatur seperti AC atau pemanas udara, dan juga bisa melihat keadaan luar dan dalam rumah lewat kamera keamanan (CCTV) Anda.

Smart Home

Ericsson mengeluarkan video di YouTube berjudul “The Social Web of Thing” berdurasi 4 menit 8 detik. Video tersebut menceritakan bagaimana David (penghuni rumah) dapat berkomunikasi dengan rumah melalui device yang saling terhubung melalui jaringan internet. Device rumah dapat memantau aktivitas David diluar rumah dan tahu bagaimana menyambut David ketika David sampai dirumah. Device rumah David melakukan tugasnya secara otomatis. Contohnya : Vacuum cleaner menyedot debu karpet sendiri, tungku perapian menyala otomatis ketika David tiba dirumah dan cuaca diluar sedang hujan.

Gambar dari video “The Social Web of Things”

Ericsson memberikan tema “everything is connected” di dalam videonya yang berjudul  “The Social Web of Thing”. Didalam video tersebut diceritakan bahwa teknologi telekomunikasi masa depan dimana semuadevice atau peralatan elektronik akan saling terhubung/terkoneksi dan bisa saling “berkomunikasi” antara satu peralatan ke peralatan lain. Tahun 2020, vendor layanan asal Swedia –  Ericsson memperkirakan lebih dari 50 miliar peralatan akan saling terhubung satu sama lain,  dan bagaimana hal tersebut dapat mengubah cara masyarakat berinteraksi dan berbisnis. Dengan mobile broadband dan ketersediaan akses koneksi internet dimana-mana, serta dikombinasikan dengan penurunan harga untuk modul komunikasi,dan layanan konektivitas maka membuat model bisnis menjadi lebih efisien dan efektif dan meningkatkan gaya hidup untuk individu dan masyarakat.

Saat ini banyak industri-industri yang menerapkan teknologi “cerdas” didalam produknya, misalnya : Toyota akan membuat mobil listrik yang dilengkapi dengan cloud computing. Mobil yang dilengkapi komputer yang terhubung ke internet dan layanan cloud computing, pengendara dapat mendapatkan informasi terbaru. Tidak hanya untuk dirinya, tapi juga kebutuhan teknis untuk mobilnya. Pemilik mobil masa depan Toyota bisa mengelola kehidupannya dari komputer di mobil dan perangkat genggam. Misalnya, komputer bisa memberikan rekomendasi kapan pengguna harus isi ulang baterai yang hampir habis atau maintenance dan masalah teknis di mobil. Saat tidak di dalam mobil, ia juga bisa mendapatkan peringatan dari ponsel yang terhubung ke sistem informasi di mobil. Mobilnya juga dilengkapi kontrol ke alat-alat rumah tangga sehingga bisa membuka pagar otomatis, menyalakan AC di rumah beberapa menit sebelum tiba, dan sebagainya.

Selain Toyota, industri yang menerapkan technologi “cerdas” di produknya adalah Samsung. Samsung mengeluarkan produk  Samsung RF4289 Wi-Fi Refrigerator. Kulkas keluaran Samsung ini dilengkapi dengan aplikasi wi-fi dengan 8-inch LCD touchscreen,  akses cepat ke “aplikasi dapur yang relevan” seperti Google kalender, WeatherBug , resep Epicurious, berita AP, Pandora musik, dan Picasa foto. Anda juga dapat meninggalkan catatan untuk keluarga. Touchscreen nirkabel tersedia pada kedua sisi-sisi RSG309 oleh-dan RF4289 empat pintu model pintu prancis.

Samsung RF4289 Wi-Fi Refrigerator

Pada tahun 2020  Ericsson memperkirakan lebih dari 50 miliar peralatan akan saling terhubung satu sama lain. Tentu saja untuk menghubungkan lebih dari 50 miliar peralatan tersebut dibutuhkan jaringan koneksi wireless broadband yang realiable dan coverage range yang merata, sehingga peralatan dapat saling terhubung dengan peralatan lain dilokasi manapun.  Jaringan telekomunikasi yang terbaru saat ini adalah jaringan 4G LTE. Layanan 4G berbasis Long Term Evolution (LTE) komersial pertama dan terbesar di dunia diklaim telah diluncurkan oleh TeliaSonera dan Ericsson di Stockholm, Swedia. Ericsson selalu menjadi yang pertama untuk mendemokan sebuah teknologi seperti live demo 4G/LTE dengan kecepatan 1 Gbps, microwave backhaul dengan kecepatan 2,5 gigabytes, dan demo 84 Mbps HSPA. LTE merupakan teknologi komunikasi bergerak generasi berikutnya yang didesain untuk memindahkan jumlah data yang sangat besar. Teknologi ini dikatakan sebagai cara yang hemat dan efisien, dengan mengoptimalkan penggunaan pita frekuensi dan mengangkat kecepatan akses seringan serat di udara. LTE didefinisikan dalam standar 3GPP (Third Generation Partnership Project) Release 8 dan juga merupakan evolusi teknologi 1xEV-DO sebagai bagian dari roadmap standar 3GPP2. Teknologi ini diklaim dirancang untuk menyediakan efisiensi spektrum yang lebih baik, peningkatan kapasitas radio, latency dan biaya operasional yang rendah bagi operator serta layanan mobile broadband kualitas tinggi untuk para pengguna. Perubahan siginifikan dibandingkan standar sebelumnya meliputi 3 hal utama, yaitu air interface, jaringan radio serta jaringan core. Untuk masalah pita spektrum yang sangat berpengaruh dengan kinerja jaringan, LTE dapat beroperasi pada standar IMT-2000 (450, 850, 1800, 1900, 2100 MHz) maupun pada pita spektrum baru seperti 700 MHz dan 2,5 GHz.

Samsung  meluncurkan Samsung Craft, dengan klaim sebagai handset komersial pertama di dunia yang mendukung teknologi 4G Long Term Evolution (LTE). Samsung Craft dirilis di Amerika Serikat oleh operator telekomunikasi setempat, MetroPCS. MetroPCS sudah membangun jaringan LTE di negeri Paman Sam yang nantinya bakal dinikmati oleh pengguna Samsung Craft.

Konsep mobil masa depan yang diberi label “LTE Connected Car” ditampilkan di paviliun Experience Canada pada G-8 dan G-20 Summit – International Media Center, 23 – 25 Juni 2010 di Kanada. Mobil ini memadukan konsep navigasi, hiburan, diagnostik, serta layanan lainnya yang semua dimungkinkan berkat kemampuan jaringan 4G berbasis LTE. LTE Connected Car mendemonstrasikan pengalaman-pengalaman menarik bagi para pengguna yang semuanya dimungkinkan berkat adanya LTE, mobil futuristik ini dirancang oleh Toyota Motor Sales USA serta didukung oleh perusahaan lain seperti Atlantic Records, BuzzMedia, Chumby, GameStreamer, Intamac, Kabillion, dan QNX Software Systems. LTE Connected Car bekerja dan beroperasi seperti mobil standar pada umumnya, namun memiliki kecepatan inter-konektivitas yang tinggi. Masing-masing penumpang dapat menciptakan personalisasi dan pengalaman multimedia melalui empat buah touch screen yang dapat dikontrol secara independen. Berkat konsep cloud computing, kemampuan streaming konten seperti TV, video, audio dan data, dapat dilakukan dalam jumlah tak terbatas. Semuanya dapat dilakukan lewat satu sentuhan.

Saat ini teknologi 4G LTE sulit masuk ke Indonesia, hal ini dikarenakan pemerintah belum mengatur relugasi dan frekuensi LTE. Namun Telkomsel dan XL sudah melakukan ujicoba di Tanah Air. Telkomsel menggandeng Huawei melakukan uji coba LTE di Jakarta tahun lalu. Sedangkan XL Axiata melakukan uji coba pada bulan Desember tahun lalu bersama mitra vendor Ericsson.

3. Pembelajaran Mesin

Learning mempunyai arti menambah pengetahuan, memahami atau menguasai dengan belajar, mengikuti instruksi atau melalui pengalaman.

Machine learning adalah sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Ada 4 kategori besar dimana sebuah aplikasi sulit untuk dibuat. Pertama, bila tidak ada manusia yang menguasai bidang tersebut. Kedua, bila ada manusia yang menguasai hal tersebut namun ia tidak mampu untuk menjelaskannya. Ketiga, adalah saat keadaan dapat berubah dengan cepat. Keempat, bila aplikasi harus dibuat berbeda untuk masing- masing pengguna.

Seorang manusia selama hidupnya tidak pernah henti- hentinya melakukan learning. Hal ini terjadi tanpa kita sadari dan alamiah. Namun untuk membuat sebuah mesin dapat berpikir tentu bukanlah hal yang mudah. Manusia belajar melalui pengalaman yang dia alami sehari- hari. Dari pengalaman tersebut, manusia akan mendapatkan knowledge.

Untuk mendapatkan knowledge dapat melalui berbagai cara. Cara yang paling sederhana adalah rote learning atau menyimpan informasi yang sudah dikalkulasi. Cara lainnya adalah dengan mendapatkan pengetahuan dari orang lain yang sudah ahli. Manusia juga dapat belajar melalui pengalaman pemecahan masalah yang ia lakukan. Setelah berhasil mengatasi sebuah masalah, manusia akan mengingat struktur dan cara mengatasi masalah tersebut. Apabila manusia mengalami sebuah masalah yang hampir serupa, maka manusia dapat mengatasi masalah tersebut secara lebih efisien. Ada banyak cara lain untuk mendapatkan knowledge dan kita akan membahasnya lebih lanjut di bab- bab selanjutnya.

Dalam kehidupan sehari- hari, dapat kita lihat learning machine pada kehidupan sehari- hari sangatlah berguna. Beberapa contoh yang terlihat sangat nyata adalah speech recognition, fingerprint recognition atau handwriting recognition. Perkembangan machine learning sekarang ini sangat pesat. Banyak sekali riset dilakukan untuk menciptakan mesin yang lebih cerdas. Contoh yang paling mutakhir yang dapat kita lihat adalah Asimo, sebuah robot cerdas buatan Honda, yang dapat mengenali pemiliknya dan mengenal emosi.

Agar dapat membuat sebuah robot secerdas Asimo, maka beberapa teknik AI diaplikasikan kedalamnya, seperti speech recognition untuk dapat berinteraksi, image recognition untuk dapat mengenali wajah pemiliknya dan mengenali ruangan dan banyak lagi.

Learning Technique

2.1 Rote Learning

Seperti yang telah dibahas sebelumnya, rote learning adalah sebuah cara memperoleh knowledge yang paling sederhana. Dengan cara ini komputer menyimpan data hasil perhitungan kedalam cache. Setelah itu, komputer tidak perlu melakukan kalkulasi kembali karena hasil perhitungan telah tersimpan. Cara ini sangat efektif untuk mempersingkat waktu proses karena komputer tinggal mengambil data. Namun sebagai trade-off, cara ini akan membutuhkan media penyimpanan yang besar.

2.2 Learning by Taking Advice

Pada awalnya manusia tidak memiliki pengetahuan apapun. Namun seiring berjalannya waktu, kita selalu mendapatkan knowledge dari orang tua dan guru. Demikian juga sebuah komputer. Komputer tidak memiliki kemampuan apabila tidak diprogram terlebih dahulu.

2.3 Learning in Problem Solving

Cara ini dapat digunakan sebagai alternatif dari 2 cara yang telah dibahas diatas. Dengan cara ini tidak diperlukan seorang ahli untuk memberikan knowledgennya. Komputer dapat menambah pengetahuannya dengan cara menggeneralisasi pengalaman yang telah dia dapatkan.

2.3.1 Learning from Example

Teknik belajar melalui contoh merupakan salah 1 cara dari learning in problem solving. Dalam menggunakan cara ini dibutuhkan contoh- contoh. Contoh yang

tersedia akan diproses dan diklasifikasikan

Klasifikasi adalah sebuah proses memasukkan sebuah input ke dalam kelas yang sesuai. Klasifikasi adalah sebuah komponen yang penting dalam banyak pekerjaan problem solving. Biasanya klasifikasi ini dimasukkan ke dalam operasi yang lain.
Sebelum memulai klasifikasi, maka kelas- kelas harus dibentuk terlebih dahulu. Ada beberapa cara yang dapat dilakukan untuk membentuk kelas- kelas tersebut.
•Mendefinisikan kelas dengan cara menghitung jumlah dari fiturnya.
• Mendefiniskan kelas sebagai sebuah struktur yang terdiri dari fitur- fitur tersebut.

Cara pertama lebih efisien namun cara kedua lebih fleksibel dan mudah untuk diperluas.
Dalam kenyataannya, mendefinisikan sebuah kelas bukannya pekerjaan yang mudah. Apalagi jika contoh- contoh yang ada tidak mudah untuk dideskripsikan atau dapat berubah- ubah secara cepat. Jika kita ingin mendefinisikan kelas secara struktural, ada banyak cara yang dapat dipakai, misalnya Winston’s learning program, version spaces dan decision trees. Disini kita akan membahas beberapa teknik tersebut.

2.3.1.1 Version Space

Dalam teknik ini kita akan membuat 2 buah subset, yang umum dan spesifik. Tujuan kita adalah membuat kedua subset tersebut memiliki nilai yang sama pada akhirnya.
Untuk membuat hal tersebut terjadi maka kita harus membuat subset yang umum menjadi lebih spesifik dan subset yang spesifik menjadi lebih umum. Untuk melakukan hal tersebut maka dibutuhkan sebuah algoritma bernama candidate elimi algorithm.
Candidate elimination adalah sebuah metode untuk menghitung batas dari set. Mengutip dari [Hirsh,1994,halaman 6] :

”The candidate-elimination algorithm manipulates the boundary-set representation of a version space to create boundary sets that represent a new version space consistent with all the previous instances plus the new one. For a positive example the algorithm generalizes the elements of the [sbs] as little as possible so that they cover the new instance yet remain consistent with past data, and removes those element of the [gbs] that do not cover the new instance. For a negative instance the algorithm specializes elements of the [gbs] so that they no longer cover the new instance yet remain consistent with past data, and removes form the [sbs] those elements that mistakenly cover the new, negative instance.”

Langkah- langkah dalam candidate elimination algorithm.
1. Buat sebuah subset G yang hanya berisi variabel
2. Buat sebuah subset S yang berisi elemen dari contoh positif yang pertama
3. Jika contoh bernilai positif, hapus dari G apabila deskripsi tidak sama dengan contoh dan masukkan ke G apabila deskripsi berbeda dengan contoh. Sedangkan S tetap.
Jika contoh bernilai negatif, hapus dari S apabilai deskripsi sama dengan contoh. Kemudian hapus dari G apabila deskripsi sama dengan contoh.
4. Apabila G dan S hanya 1 subset dan bernilai sama, maka proses berhenti. Jika G
dan S hanya 1 subset dan berbeda nilai, berarti contoh yang ada tidak konsisten
hentikan proses.

Ada beberapa hal yang penting untuk diperhatikan dalam Candidate elimination algorithm. Pertama teknik ini merupakan least-comminent algorithm. Dalam setiap langkah, version space yang ada akan semakin mengerucut seminimal mungkin dalam setiap langkahnya. Oleh karena itu, apabila semua sample positif bernilai sama, algoritma ini tidak akan menganggap bahwa nilai lain adalah salah, sehingga apabila contoh yang diberikan tidak konsisten, maka S dan G tidak akan bertemu. Jadi kesimpulan yang dihasilkan sistem hanya partial. Kedua, teknik ini menggunakan breadth first search untuk mencari jawaban yang diinginkan.
Candidate elimination memiliki beberapa kekurangan. Pertama, karena teknik ini menggunakan breadth first search, maka kita harus menyediakan storage yang cukup. Kedua adalah terjadinya inkonsistensi data. Seperti yang telah disebut diatas, hal ini akan menyebabkan tidak ditemukannya jawaban yang singleton.

2.3.1.2 Decision Trees

Decision tree merepresentasikan sebuah tree dimana internal nodenya mengetes sebuah atribut, masing- masing cabangnya berhubungan dengan nilai dari atribut dan masing- masing lead nodenya berisi sebuah klasifikasi. Algoritma ini merupakan salah satu dari teknik yang paling efisien dan populer dalam machine learning.
Kelebihan dari decision tree adalah apabila ukurannya tidak terlalu besar, tree ini akan dapat dengan mudah dimengerti oleh manusia. Hal ini akan sangat berguna karena manusia dapat memahami cara kerjanya. Sebagai tambahan, apabila data yang ada sangat besar, maka decision tree akan bekerja lebih cepat daripada version space.

2.4 Explanation- Based Learning

Explanation based learning adalah sebuah proses mengubah pengetahuan yang implisit menjadi pengetahuan yang eksplisit. Dalam teknik ini, kita membuat sebuah komponen dari domain menjadi spesifik untuk menjabarkan komponen lainnya, kemudian kita menggeneralisasi kesimpulannya agar dapat digunakan apabila kita menemukan komponen yang hampir sama.
Sebagai contoh misalnya dalam permainan catur. Komputer dapat mempelajari sebuah teknik hanya dari satu contoh saja, misalnya posisi mat. Dari contoh tersebut, komputer dapat melakukan perhitungan agar posisi itu tidak terjadi padanya dan sebaliknya berusaha melakukan itu kepada lawannya. Komputer tidak memerlukan banyak contoh seperti yang dilakukan oleh version space atau decision tree, karena komputer cukup mengetahui bahwa posisi dimana raja tidak dapat bergerak ke tempat lain bearti posisi mat.
Explanation based learning merupakan sebuah metode lain dari berbagai teknik learning. Pada teknik- teknik sebelumnya, contoh- contoh yang disediakan tidaklah sangat banyak sehingga memberatkan proses perhitungan. Dengan teknik explanation based learning ini, kita akan memperbaiki kecepatan proses sebuah learning.
Dalam teknik ini, kita akan menggunakan proses induktif. Proses ini akan membuat sebuah kesimpulan dari sekumpulan fakta- fakta yang ada. Kemudian hasil kesimpulan dan juga fakta- fakta tersebut disimpan dalam memory, sehingga apabila pada suatu saat dibutuhkan, kita tidak perlu melakukan perhitungan ulang. Hal inilah yang menyebabkan peningkatan kecepatan proses learning. Oleh karena itu, teknik ini disebut juga speed-up learning.
Speed-up learning dapat membuat sistem mendapatkan hasil / keputusan lebih cepat. Namun untuk dapat melakukan itu, kita perlu untuk memberikan banyak contoh- contoh latihan.
Dalam teknik explanation based learning, kita dapat mengambil input dari empat hal.
• contoh latihan
• konsep tujuan
• kriteria operasi
• teori domain

Explanation-based generalization adalah sebuah algoritma yang dipakai dalam
explanation based learning. Dalam teknik ini kita akan melakukan 2 langkah. Yang pertama adalah kita membuang semua aspek yang tidak penting dalam mencapai konsep tujuan. Langkah berikutnya adalah melakukan generalisasi penjelasan sejauh mungkin selama masih memenuhi konsep.

2.5 Empirical dan Analytical Learning

Empirical learning adalah metode belajar dengan mengandalkan pengalaman eksternal, sedangkan analytical learning tidak membutuhkan input eksternal. Perbedaan antara empirical dan analytical sangat tipis. Hampir semua masalah dapat diselesaikan dengan menggunakan analytical learning, namun dalam beberapa kasus dimana dibutuhkan kecepatan dan data yang sangat banyak seperti dalam permainan catur, maka analytical tidak bisa dipakai sendirian. Empirical learning dapat digunakan bersamaan dengan analytical sehingga dapat mempercepat proses.
Dalam empirical learning dikenal metode supervised dan unsupervised.

2.5.1 Supervised Learning

Dalam teknik supervised learning, maka sebuah program harus dapat membuat klasifikasi – klasifikasi dari contoh- contoh yang telah diberikan. Misalnya sebuah program diberikan benda berupa bangku dan meja, maka setelah beberapa contoh, program tersebut harus dapat memilah- milah objek ke dalam klasifikasi yang cocok.
Kesulitan dari supervised learning adalah kita tidak dapat membuat klasifikasi yang benar. Dapat dimungkinkan program akan salah dalam mengklasifikasi sebuah objek setelah dilatih. Oleh karena itu, selain menggunakan training set kita juga memberikan test set. Dari situ kita akan mengukur persentase keberhasilannya. Semakin tinggi berarti semakin baik program tersebut.
Persentase tersebut dapat ditingkatkan dengan diketahuinya temporal dependence dari sebuah data. Misalnya diketahui bahwa 70% mahasiswa dari jurusan Teknik Informatika adalah laki- laki dan 80% mahasiswa dari jurusan Sastra adalah wanita. Maka program tersebut akan dapat mengklasifikasi dengan lebih baik.

2.5.2 Unsupervised Learning

Teknik ini menggunakan prosedur yang berusaha untuk mencari partisi dari sebuah pola. Unsupervised learning mempelajari bagaimana sebuah sistem dapat belajar untuk merepresentasikan pola input dalam cara yang menggambarkan struktur statistikal dari keseluruhan pola input.
Berbeda dari supervised learning, unsupervised learning tidak memiliki target output yang eksplisit atau tidak ada pengklasifikasian input.
Dalam machine learning, teknik unsupervised sangat penting. Hal ini dikarenakan cara bekerjanya mirip dengan cara bekerja otak manusia. Dalam melakukan pembelajaran, tidak ada informasi dari contoh yang tersedia. Oleh karena itu, unsupervised learning menjadi esensial.

2.6 Reinforcement Learning

Reinforcement learning adalah sebuah teknik learning yang mempelajari aturan kontrol dengan cara berinteraksi dengan lingkungan yang masih asing. Ada 2 cara dalam teknik ini, teknik model-based dan teknik model-free.
Dalam teknik model-based, kita akan membuat sebuah subset berisi 4 tuple yang menggambarkan aksi, kondisi, hasil dan kondisi selanjutnya. Setelah mendapatkan subset yang cukup banyak maka kita dapat menghasilkan probability transition function dan reward function. Setelah mendapatkan kedua fungsi tersebut, kita dapat menggunakan dynamic programming untuk menghasilkan aturan yang paling optimal.
Dalam teknik model-free, kita tidak menyimpan subset yang berisi 4 tuple. Kita langsung menerapkan sebuah algoritma yang dapat langsung mengubah aturan kontrol menjadi lebih efisien.

2.7. Statistical Learning

Dalam machine learning, statistik dapat digunakan untuk mempercepat proses pembelajaran. Ada beberapa metode yang dapat kita gunakan dalam statistical learning. Metode tersebut adalah Bayesian, Instance Based dan Neural Network.

2.7.1 Bayesian Learning

Dalam Artificial Intelligence, teknik Bayesian dapat digunakan untuk mempercepat proses memperoleh hasil perhitungan. Untuk memperoleh hasil yang optimal, kita dapat menggunakan probabilitas agar sehingga komputer tidak perlu melakukan perhitungan yang tidak diperlukan.

Teorema Bayes
P (h | D) = P (D | h) * P (h) / P (D)

dimana :
P (h) = kemungkinan dari hipotesis h
P (D) = kemungkinan dari sample D
P (h | D) = kemungkinan dari h jika diberikan sample D
P (D | h) = kemungkinan dari sample D jika ada hipotesis h

2.7.2 Neural Network

Dalam teknik ini, kita membuat sebuah neural network buatan yang bertujuan untuk mensimulasikan cara kerja neuron yang berada di dalam sel manusia. Neuron sendiri berfungsi sangat penting dalam tubuh manusia karena berperan penting dalam menerima dan memproses sinyal.
Pada zaman modern sekarang ini, teknik dengan neural network merupakan teknik learning yang paling populer dan efektif. Neural network memiliki berbagai kelebihan seperti dapat melakukan perhitungan terdistribusi, dapat mentoleransi noise dalam input, dan kemampuannya dalam belajar.

BAB III

PENUTUP

A.    Simpulan

Di dalam ilmu komputer, banyak ahli yang berkonsentrasi pada pengembangan kecerdasan buatan atau Artificial Intelligence (AI).

Banyak implementasi kecerdasan buatan dalam bidang komputer, antara lain adalah Decision Support System (Sistem Pendukung Keputusan), Robotic, Natural Language (Bahasa Alami), Neural Network (Jaringan Saraf) dan lain-lain.

Pengertian kecerdasan buatan yaitu suatu studi khusus di mana tujuannya adalah membuat komputer berpikir dan bertindak seperti manusia.

Contoh bidang lain pengembangan kecerdasan buatan adalah sistem pakar yang menggabungkan pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal memerlukan keahlian manusia. Tujuan dari pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.

Manfaat kecerdasan buatan yang diimplementasikan dalam pengembangan sistem pakar adalah:

·         Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang.

·         Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar.

·         Meningkatkan produktivitas kerja, yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.

·         Penghematan waktu dalam menyelesaikan masalah yang kompleks.

·         Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.

·         Pengetahuan dari seorang pakar dapat didokumentasikan tanpa ada batas waktu.

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

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

B.     Saran

Saat ini sudah banyak teknologi kecerdasan buatan yang dihasilkan dan dipakai oleh manusia. Misalnya saja pada robot Asimo yang bisa menari dan berjalan, atau pada permainan komputer yang dirancang untuk membuat manusia berpikir keras untuk mengalahkannya. Maka dari itu, semoga makalah ini bermanfaat bagi kita semua dan mudah-mudahan menjadikan motivasi dalam mengembangkan Ilmu Pengetahuan dan Teknologi di masa yang akan datang.

DAFTAR PUSTAKA

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Prentice Hall.

https://jupriyadi.wordpress.com/tag/pembelajaran-mesin/