1 / 28

Kecerdasan Buatan ( A rtificial I ntelligence ( AI ))

Kecerdasan Buatan ( A rtificial I ntelligence ( AI )). Rahmat D.R. Dako , ST., M.Eng. Definisi AI. Bidang Studi yang berusaha menerangkan dan meniru perilaku cerdas dalam bentuk proses komputasi ( Schalkoff , 1990)

Download Presentation

Kecerdasan Buatan ( A rtificial I ntelligence ( AI ))

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. KecerdasanBuatan(Artificial Intelligence (AI)) RahmatD.R.Dako, ST., M.Eng

  2. Definisi AI BidangStudi yang berusahamenerangkandanmeniruperilakucerdasdalambentukproseskomputasi (Schalkoff, 1990) Studitentangcaramembuatkomputermelakukansesuatu yang, sampaisaatini, orangdapatmelakukannyadenganbaik (Rich dan Knight, 1991) Cabangilmukomputer yang berhubungandenganotomasiperilaku yang cerdas (Luger dan Stubblefield, 1993) Bidangstudi yang berhubungandenganpenangkapan, pemodelan, danpenyimpanankecerdasanmanusiadalamsebuahsistemteknologiinformasisehinggasistemtersebutdapatmemfasilitasiprosespengambilankeputusan yang biasanyadilakukanolehmanusia(Haag dan Keen, 1996)

  3. Tujuan AI Winston dan Prendergast mengungkapkantujuan AI meliputi : • Membuatmesinlebihpintar. • Memahamikecerdasan, dan • Membuatmesinlebihberguna Namun, seiringperkembangantujuan AI tidakhanyamembuatkomputerberpikir, tetapijugabisamelihat, mendengardanberjalan, bahkanbermaindanmerasakan.

  4. PerbandinganKecerdasanBuatandanKecerdasanManusia Menurut Kaplan yang diutarakanoleh Turban, McLean danWheterbe (1999), AI memiliki “kelebihan” : • AI lebihbersifatpermanen • AI menawarkankemudahanuntukdigandakandandisebarkan • AI dapatlebihmurahdaripadakecerdasanalami. • AI bersifatkonsistendanteliti • AI dapatdidokumentasi

  5. Bidang-BidangAplikasi AI AI telahdipergunakanuntuk : • Membuataplikasikomputer yang sangatmudahbagipemakai • Meningkatkanpemecahanmasalahsecaratepatdankonsisten • Membantumenyelesaikanmasalah yang tidakdapatdipecahkansecarakonvensional • Membantumenyelesaikanmasalah yang mengandung data yang tidaklengkapataukurangjelas. • Menanganiinformasi yang berlebihan (pengikhtisarandanpeinginterpretasianinformasi) • Meningkatkanproduktifitasdalammelaksanakanbanyaktugas. • Membantumelaksanakanpencarian data atausuatupolaberdasarkanjumlah data yang sangatbesar

  6. Domain Tugas-Tugas AI (Rich dan Knight, 1991) Tugas-TugasBiasa • Persepsi • Visi • Percakapan • BahasaAlami • Pemahaman • Pembangkitan • Penerjemahan • Penalaran • Pengontrolan robot

  7. Domain Tugas-Tugas AI (2) Tugas-Tugas Formal • PermainanCatur • Catur • Backgammon • Checker • Go • Matematika • Geometri • Logika • Kalkulus (diferensial/integral)

  8. Domain Tugas-Tugas AI (3) Tugas-TugasAhli • Keteknikan • Perancangan • PenemuanKesalahan • Perencanaanmanufaktur • AnalisisPengetahuan • DiagnosaPengobatan • AnalisisKeuangan

  9. Domain AplikasiUtama AI (O’Brien, 2001) AI AplikasiPengetahuanKognitif AplikasiRobotika AplikasiAntarmukaAlami • Persepsi Visual • Rangsangan • Ketangkasan • DayaPenggerak • Navigasi • BahasaAlami • Pengenalanpercakapan • Antarmukamultisensor • Virtual Reality • SistemPakar • SistemBelajar • LogikaKabur • AlgoritmaGenetika • Jaringansaraf • AgenCerdas

  10. PengolahanBahasaAlami(Natural Language Processing  NLP) BidangIlmu AI yang berurusandenganpemahamanbahasamanusia.

  11. PengolahanBahasaAlami(Natural Language Processing  NLP) (2) Intipengolahanbahasaalami  “PARSER” Parser : bagian yang membacakalimatdaribahasasumberdanmenguraikansertamenganalisiskata-kata yang terdapatdalamkalimattersebutdanmencocokkannyadengantatabahasa yang benar. Pendukung parser adalahkamus (kosakata) Keluaran parser  representasepengetahuan(mengartikankalimatmasukan)

  12. VisiKomputer Bidang AI  pengenalanobjek yang selanjutnyauntukpengambilankeputusan Program AI Keputusan

  13. Robotika Robot  Perantielektromekanik yang dapatdiprogramuntukmelakukanotomasiterhadapsuatutugas yang biasadilakukanmanusia. Robotika ilmu yang berhubungandenganpembuatan robot. AI  robot menjadicerdas (Android & Animatronic) Android (humanoid)  orang Animatronic  binatang.

  14. SistemPakar Sistem yang menirukepakaran (keahlian) seseorangdalambidangtertentudalammenyelesaikansuatupermasalahan (Horn, 1986) Weiss & Kulikowski (1984) menyatakan : • Menanganimasalah-masalahkompleksdannyata yang memerlukaninterpretasiseorangpakar. • Menyelesaikanmasalah-masalahtersebutdenganmenggunakan model yang memakaipenalaranmanusiaahli yang menghasilkankesimpulan yang samadengankesimpulan yang akandicapaimanusiaahlijikamenghadapimasalah-masalah yang sama.

  15. Contohsistempakar BERT, sistempakaruntukmerancangbangunan. DART/DASD, untukmediagnosiskerusakankomputer DELTA, sistempakarmengdiagnosiskerusakanpadamesin-mesin diesel pada General Electric. DENDRAL, sistempakaruntukmenganalisisstrukturmolekulsuatusenyawakimia. EL, sistempakaruntukmenganalisisrangkaianelektronika yang mengandung transistor, diodadan resistor FOLIO,sistempakaruntukmengevaluasiinvestasipengetahuan HEATINGS, sistempakaruntukmengendalikanprosespembakaranbatubara. Etc,…

  16. Model konseptualsistempakar Model konseptualsistempakar yang paling umummengandung : • Basis pengetahuan (Knowledge base) • MesinInferensi (Inference engine) • FasilitasPenjelas • Antarmukapemakai

  17. Basis Pengetahuan Komponen yang berisi pengetahuan-pengetahuan yang berasala dari pakar, berisi sekumpulan fakta (fact) dan aturan (rule). Fakta Berupa situasi masalah dan teori tentang area masalah Aturan Suatu arahan yang menggunakan pengetahuan untuk memecahkan masalah pada bidang tertentu.

  18. Contoh Basis Pengetahuan Jeruk : • Buahberbentukbulat • Warnahijauketikamudadankuningketikasudahtua • Berbatang • Batangberduri Apel : • Buahberbentukbulat • Warnahijauketikamudadanmerahketikasudahtua • Berbatang. Jikapertanyaan, Apakahbuahberbentukbulat ?Dijawabdengan “YA” olehpemakai, makapemakaimemberikan ? fakta.

  19. MesinInferensi, FasilitasPenjelasdanAntarmukapemakai MesinInferensi : otakdarisistempakardanmerupakankomponen yang berfungsimelakukanpenalarandanmengambilkesimpulan. FasilitasPenjelas : memberikanpenjelasankepadapemakai yang memintanya. • Antarmuka : bagian yang menjembataniantarasistemdanpemakai.

  20. LogikaKabur (fuzzy Logic) • Suatuteknikuntukmenanganiketidakpastianpadamasalah-masalah yang banyakmemilikijawaban. • Logika kabur pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965 • Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1 • Logika fuzzy merupakan peningkatan dari logika boolean • Menggantikan kebenaran boolean dengan tingkat kebenaran • Dasar logika fuzzy adalah memformulasikan bilangan antara 0 dan 1 atau lebih tepat 0.0 dan 1.0

  21. AplikasiLogikaKabur (fuzzy Logic) • Mesin cuci satu tabung • Masukkan baju, tekan tombol • Mengisi air dengan jumlah yang cukup • Mengisi deterjen dan mencuci dengan waktu yang sesuai. • Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional. • Jika pakaian lebih kotor maka timer dibuat lebih lama. • Di sinilah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika dan maka (IF THEN). • Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. • Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian supaya lebih hemat dan efisien.

  22. JaringanSaraf (Neurall Network) Sering pula disebutArtificial Neural Network (ANN) ataukomputasisaraf (Neural computing). Suatubidang AI yang menirupolapemrosesandalamotakmanusia yang berbasiskanpadapengenalanpola. Contohaplikasi ANN: • Validasitandatangan • Data mining (yaitumenemukanpolapadasekumpulan data yang besar) • Pengenalanwajah • Pemilihansahamdanobligasi.

  23. Model JaringanSaraf (Neurall Network)

  24. AlgoritmaGenetika Sering pula disebutkomputasiadaptif (adaptive computing)  John H. Holland (1975) Suatupendekatan yang menirupadamahlukhidupdalamberadaptasiterhadaplingkungansehinggaterbentukprosesevolusiuntukmengatasimasalahlebihbaik. AlgoritmaGenetika aturan-aturanprosesmatematika yang dipakaiuntukmenentukancarakombinasidarikomponen-komponenprosesdibentuk Tigacara yang digunakan : • Mutasi, mencobakombinasiprosessecaraacakdanmengevaluasihasilnya. • Crossover, mengkombinasibagiandarihasil yang baik, harapannyamemperolehhasil yang lebihbaik. • Seleksi, memilihproses yang baikdanmembuang yang jelek.

  25. ContohaplikasiAlgoritmaGenetika Para insinyurdi General Electric menggunakannyauntukmerancangmesihpesawatterbangberturbin jet, yang melibatkanpersamaan-persamaandengankuranglebih 100 variabeldan 50 kekangan. Departemenpsikologipada New Mexico State University mengembangkanalgoritmagenetikauntukmengidentifikasitersangkaberdasarkangambarrekaandarisaksi.

  26. Sistem AI Hibrida (Hybrid Intelligent System) Sistem yang menggabungkanbeberapateknologi AI untukmemanfaatkandanmemadukankeunggulanmasing-masingteknologi. Soft Computing, menggabungkan ANN, logikakabur, algoritmagenetika, danteknikkonvensional AI. Neurofuzzy, menggabungkanpemakaian ANN logikakabur  diterapkanoleh Matsushita dan Sharp padamesincucidankulkas.

  27. AgenCerdas (intelligent agent) Agen segalasesuatu yang dapatdipandangmenangkaplingkungannyamelalui sensor danbertindakterhadaplingkunganmelaluiefektor (Russell danNorvig, 1995) Sensor  bagian yang merangsangtindakanagen. Efektor  bagian yang digunakanolehagenuntukmelakukantindakan Agen yang berupaperangkatlunak agencerdas

  28. Next Week… • Software Engineering (RekayasaPerangkatLunak)

More Related