A I

Artificial Intelegence (A I)

Artificial Intelligence atau Kecerdasan Buatan merupakan kemampuan dari computer digital atau robot yang dikendalikan computer untuk mengerjakan tugas-tugas yang berkaitan dengan kecerdasan (Encyclopedia Britannica).

System yang benar-benar cerdas mampu menyesuaikan dirinya dengan perubahan dalam masalah (automatic learning). Kecerdasan mesin komputernya mengikuti proses penyelesaian masalah seperti yang dilakukan manusia. System cerdas menunjukkan kecerdasan level mesin, penalaran, learning dan tidak harus self-adapting.

Bidang Kecerdasan Buatan (AI)

·         Tujuan utama :

Pengembangan software yang dimaksudkan agar mesin mampu untuk menyelesaikan masalah melalui penalaran yang mirip manusia.

·         Mencoba membangun system berbasis pada model representasi pengetahuan dan pemrosesan dalam pikiran manusia.

·         Meliputi kajian mengenai otak untuk memahami struktur dan fungsi-fungsinya.

·         Hadir sebagai sebuah disiplin ilmu sejak 1956. Gagal hidup dimasa awal, karena:
Tidak cukupnya pemahan mengenai kecerdasan  dan fungsi otak.
Kompleksitas dari masalah yang akan diselesaikan

·         Expert Systems – Cerita sukses AI tahun 1980-an

·         Case Based Reasoning Systems – Sukses sebagian

Sistem Pakar (Expert Systems)

System pakar dirancang untuk menyelesaikan masalah dalam domain (area) tertentu (Spesific Domain).

            Misalnya:

·         Expert Systems untuk membantu pedagan mata uang asing.

Sistem pakar dibangun dengan :

·         Menanyai pakar-pakar di domain tersebut

·         Menyimpan pengetahuan yang diperoleh dalan suatu bentuk yang sesuai bagi penyelesaian masalah, menggunakan penalaran sederhana.

System pakar digunakan dengan :

·         Pengguna meminta (melakukan query) untuk masalah yang ditetapkan oeh system (spesifik)

·         Menggunakan informasi query tersebut untuk menggambarkan inferensi dari basis pengetahuan

·         Memberikan jawaban atau menyarakankan cara-cara untuk menghimpun masukan lebih lanjut

Biasanya bentuk dari basis pengetahuan system pakar adalah suatu himpunan aturan IF …. THEN ….
*catatan : bukan pernyataan IF dalam kode program.

Area dari aplikasi Expert Systems:

·         Perbankan dari keuangan (penilaian kredit, kelangsungan proyek)

·         Pemeliharaan (diagnose kegagalan mesin)

·         Retail (saran pola membeli yang optimal)

·         Layanan Darurat (konfigurasi peralatan)

·         Hukum (aplikasi hokum dalam scenario kompleks)

Arsitektur Sistem Pakar

Sumber :

https://komputasi.files.wordpress.com/2012/09/kecerdasan-buatan-01.pdf

Fuzzy Logic

Fuzzy Logic

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh (1965), dimana Zadeh memperkenalkan teori yang memiliki objek-objek dari himpunan fuzzy yang memiliki batasan yang tidak presisi dan keanggotaan dalam himppunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false) tetapi dinyatakan dalam derajat (degree). Konsep seperti ini disebut dengan Fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness dapat didefinisikan sebagai logika kabur berkenaan dengan semantic dari suatu kejadian, fenomena atau pernyatan itu sendiri. Sebagai contoh :

·         Manager 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.

Logika fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Logika fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran dan memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam putih dan dalam bentuk linguistic.

Ada beberapa alasan mengapa orang menggunakan logika fuzzy (Kusumadewi S, Purnomo H, 2010) yaitu

·         Konsep logika fuzzy mudah dimengerti

·         Logika fuzzy sangat fleksibel

·         Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

·         Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

·         Logika fuzzy didasarkan pada bahasa alami.

Himpunan fuzzy memiliki 2 atribut, yaitu :

·         Linguistic yaitu penamaan suatu grup ysng mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami seperti : MUDA, PAROBAYA, TUA.

·         Numeris yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti : 40, 25, 50 dsb.

Ada beberapa hal yang perlu diketahui dalam memahami system fuzzy (Aplikasi logika fuzzy untuk pendukung keputusan, Sri Kusumadewi, Hari Purnomo, Edisi kedua, Graha Ilmu, 2000) yaitu :

·         Varibel fuzzy
variable fuzzy merupakan variable yang hendak dibahas dala suatu system fuzzy. Contoh : umur, temperature, permintaan, dsb.

·         Himpunan fuzzy
himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy.

Fungsi keanggotaaan

Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input kedalam nilai keanggotaannya sering juga disebut derajat keanggotaan yang memiliki interval antara 0 sampai 1. Ada beberapa fungsi yang bisa digunakan

·         Representasi liniear
Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk suatu konsep yang kurang jelas.

·         Representasi kurva segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).

·         Representasi kurva trapezium
Kurva trapezium pada dasarnya seperti bentuk segitiga hanya saja ada titik yang memiliki nilai keanggotaan.

Riset-riset terkait

Ada beberapa riset yang telah dilakukan yang berkaitan dengan penelitian ini diantaranya adalah:

            Kusumadewi, S (2004) dalam jurnalnya yang berjudul fuzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dn nilai kelulusan mahasiswa, menjelaskan bahwa fuzzy quantification theory I adalah suatu metode untuk menentukan hubungan antar variable kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan variable-variabel numeris dalam fuzzy group yang diberikan pada sampel. Pada penelitian tersebut, fuzzy quantification theory akan digunakan untuk menentukann seberapa besar factor-faktor kualitatif penilaian mahasiswa terhadap kinerja dosen jurusan Teknik Informatika Universitas Islam Indonesia, mempengaruhi hubungan antara kehadiran dosen dan nilai akhir mahasiswa. Hasil penelitian menunjukan bahwa factor kemampuan dosen mendorong mahasiswa untuk berperan aktif, memiliki pengaruh yang paling tinggi diantara factor-faktor yang lainnya, dalam kaitannya dengan pengaruh antara kehadiran dosen mengajar denga nilai kelulusan mahasiswa > ‘B’. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari sepuluh kali.

Contoh Aplikasi Logika fuzzy :

1.      Pengontrol kereta bawah tanah disendai, Jepang.

2.       Pengatur mekanisme otofocus pada kamera

3.      Sistem pengeraman mobil (nissan)

4.       Penghematan konsumsi daya listrik pada AC

5.       Otomatisasi kecepatan putar mesin cuci terhadap tebal-tipis atau banyak-sedikit jenis pakaian dalam mesin cuci

6.       Penentuan prestasi mahasiswa berdasarkan great IPK

7.       Kontrol jumlah produksi barang berdasarkan permintaan konsumen

8.      Penentuan karyawan terbaik berdasarkan indeks kinerja

9.      Kontrol kecepatan kendaraan berdasarkan cuaca terkini

Contoh-Contoh problem yang dapat dipetakan dengan fuzzy:

1.      Manager-gudang mengatakan kepada manager produksi “kita telah mendapat pesanan lebih besar dalam minggu ini. Tolong dicekkan, berapa banyak jumlah persediaan kita di gudang. Dan berapa besara barang yang harus akan diproduksi”.

2.      Seseorang mengatakan kepada kita “Seberapa sejuk ruangan yang saudara inginkan ? Saya akan mengatur putaran kipas dalam ruang ini.

3.      Bila seseorang mengatakan “Jika saat ini cuacanya cerah dan panas, saya akan mengemudi dengan cepat“

Arsitektur Logika Fuzzy :

1. Fuzzifikasi, Proses konversi input-input (masukan) yang bersifat tegas (crips) ke dalam bentuk (fuzzy) variabel linguistik menggunakan fungsi keanggotaan
2. Sistem Inferensi, Proses pengkonversian input-fuzzy menggunakan aturan-aturan “If-Then” menjadi Output-Fuzzy
3. Defuzzifikasi, Proses konversi Output-Fuzzy dari sistem inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan serupa (sebelumnya) menjadi sebuah nilai

Sumber :

http://repository.usu.ac.id/bitstream/123456789/31373/3/Chapter%20II.pdf

https://yusronrijal.wordpress.com/category/artificial-intellegence/fuzzy-logic/

ANN

Artificial Neural Network

ANN (Artificial Neural Network) merupakan model komputasi yang terinspirasi dari neurological model brain atau otak.

Otak manusia bekerja dengan cara yang berbeda dibandingkan computer digital.

Jaringan Syaraf Biologi

·         Struktur otak manusia sangat komplek

·         Otak manusiaterdiri dari sel-sel syaraf (neuron) dan penghubung (sinapsis)

·         Neuron bekerja berdasarkan implus atau sinyal yang diberikan padanya dan diteruskan ke neuron lainnya.

Kemampuan Otak

Diantaranya :

·         Mengenali pola

·         Melakukan perhitungan

·         Mengonrol organ-organ tubuh

Semuanya dilakukan dengan kecepatan tinggi dibandingkan computer digital.

Contoh :

Pengenalan wajah seseorang yang sedikit berubah (memakai topi, jenggot tambahan).


Komponen Penting Neuron

·         Dendrit
Menerima sinyal kimia listrik dari neuron lain>

·         Soma
Menjumlahkan semua sinyal yang masuk dan jika hasil penjumlahan cukup kuat atau melebihi threshoid, sinyal akan diteruskan ke sel lain melalui axon

·         Axon
Mengirimkan sinyal ke neuron lain.

Sejarah Jaringan Syaraf Tiruan

JST sederhana petama kali diperkenalkan oleh MCCulloh dan Pitts tahun 1943.

·         Menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah system neuron akan meningkatkan kemampuan komputasinya.

·         Bobot dalam jaringan diatur untuk melakukan fungsi logika sederhana.

·         Fungsi aktivasi yang digunakan adalah fungsi threshold.

Tahun 1958, Rosenblatt memperkenalkan model jaringan perceptron

·         Terdapat metode pelatihan untuk mengoptimalkan hasil iterasi.

Widrow dan Hoff (1960) mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan (ADALINE = Adative Linear Neuron).

·         Disebut aturan Delta (kuadrat rata-rata terkecil)

·         Mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan

Rumelhart (1986) mengembangkan perceptron menjadi backpropagation.

·         Jaringan di proses menjadi beberapa layer.

Aplikasi JST

·         Pengenalan pola (pattern recognition)

Mengenal huruf, angka, suara, tanda tangan.

Menyerupai otak manusia yang masih mampu mengenali orang sudah beberapa lama tidak dijumpai (wajah atau bentuk tubuh sedikit berubah).

·         Pengolahan signal
Menekan noise dalam saluran telepon

·         Peramalan (forecasting)

Meramal kejadian masa dating berdasarkan pola kejadian yang ada dimasa lampau

JST mampu mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya.

Kelebihan dan Kekuranagan JST

Kelebihan :

·         Banyak hal atau aplikasi yang dapat dilakukan oleh JST

Kekurangan :

·         Ketidak akuratan hasil yang diperoleh

·         Bekerja berdasarkan pola yang terbentuk pada inputnya

·         Membutuhkan data pelatihan yang banyak

Komponen ANN

·         Input : data masukan beserta bobot-bobotnya

·         Summation : menjumlahkan semua hasil perkalian nilai dengan bobotnya

·         Fungsi aktifasi : sebagai penentuan nilai ambang, jika terpenuhi maka signal diteruskan

·         Output : hasil dari komputasi

Ilustrasi Processing Unit ANN

·         Input L data masukan dari processing unit sebelumnya atau dari luar

·         Bobot (weight) : derajat pengaruh nilai input pada processing unit

·         Summation : weighted sum dari nilai input

·         Nilai ambang (threshold value) : jika weighted sum melebihi nilai threshold maka signal akan ditransmisikan

·         Output : signal yang keluar lewat axon

Proses Pembelajaran ANN

·         Pembelajaran terawasi
Jika output yang diharapkan telah diketahui sebelumnya

·         Pembelajaran tak terawasi
tidak memerlukan atau tidak dapat ditentukan target output

Sumber
http://file.upi.edu/Direktori/FPMIPA/PRODI._ILMU_KOMPUTER/LALA/Materi_Kuliah/Kecerdasan_Buatan/10._ANN.pdf