1.
Jelaskan komponen-komponen sistem cerdas serta
fungsi masing-masing dan keterkaitan antar komponen tersebut.
Jawab:
1)
Basis Pengetahuan
Basis
Pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi,
dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar yaitu :
a. Fakta, misalnya: situasi, kondisi, dan
kenyataan dari permasalahan yang ada, serta teori dalam bidang itu.
b.
Aturan,
yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik
dalam bidang yang khusus .
2)
Mesin Inferensi
Mesin
Inferensi (Inference Engine), merupakan otak dari Kecerdasan buatan. Juga
dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa
program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning)
dan memformulasi kesimpulan. Kerja mesin inferensi meliputi :
a.
Menentukan aturan mana yang akan dipakai
b.
Menyajikan pertanyaan kepada pemakai ketika
diperlukan.
c.
Menambahkan jawaban ke dalam memori kecerdasan
buatan dan sistem pakar.
d.
Menyimpulkan fakta baru dari sebuah aturan
e.
Menambahkan fakta tadi (yang telah diperoleh) ke
dalam memori
3)
Interface Kecerdasan buatan dan Sistem Pakar
mengatur
komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa
bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang
ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi
dengan percakapan (voice communication).
Rujukan
2.
Berikan penjelasan konsep tes turing kaitannya
dengan sistem cerdas.
Jawab:
Konsep
Turing Test – Metode Pengujian Kecerdasan
Uji
Turing adalah ujian yang menentukan apakah suatu mesin
mampu menunjukkan perilaku cerdas yang mirip dengan atau tak dapat dibedakan
dari manusia. Dalam ujian ini, seorang penentu melakukan perbincangan dengan manusia dan mesin yang tak dapat dibedakan
dari manusia biasa. Semua peserta dipisah satu sama lain. Jika sang penentu tak
mampu membedakan mesin dari manusia, mesin itu dikatakan telah lulus ujian ini.
Tes ini tidak memeriksa kemampuan menjawab dengan benar, tetapi seberapa mirip
jawaban mesin dengan manusia. Perbincangan dibatasi melalui teks seperti papan
ketik dan layar, sehingga hasilnya tidak diganggu oleh kemampuan mesin untuk
mengubah kata-kata menjadi suara.
Turing Test
merupakan sebuah metode pengujian kecerdasan yang dibuat oleh Alan Turing.
- Proses uji ini melibatkan seorang penanya (manusia) dan dua obyek yang ditanyai.
- Yang satu adalah seorang manusia dan satunya adalah sebuah mesin yang akan diuji.
- Penanya tidak bisa melihat langsung kepada obyek yg ditanyai
- Penanya diminta untuk membedakan mana jawaban komputer dan mana jawaban manusia berdasarkan jawaban kedua obyek tersebut.
- Jika
penanya tidak dapat membedakan mana jawaban mesin dan mana jawaban manusia maka
Turing berpendapat bahwa mesin yang diuji tersebut dapat diasumsikan CERDAS.
Gambar 1. "Interpretasi standar" tes Turing: pemain C, sang interogator, ditugasi menentukan pemain mana - A atau B - yang merupakan komputer dan manusia. Interogator harus membuat pertanyaan yang akan dijawab oleh mereka untuk menentukan hal tersebut.
3. Jelaskan pengertian dan jenis-jenis metode pencarian dalam sistem cerdas.Jawab:Metode pencarian adalah salah satu motode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi.Jenis-jenis metode pencarian.1) Turing Test – Metode Pengujian KecerdasanUji Turing adalah ujian yang menentukan apakah suatu mesin mampu menunjukkan perilaku cerdas yang mirip dengan atau tak dapat dibedakan dari manusia. Dalam ujian ini, seorang penentu melakukan perbincangan dengan manusia dan mesin yang tak dapat dibedakan dari manusia biasa. Semua peserta dipisah satu sama lain. Jika sang penentu tak mampu membedakan mesin dari manusia, mesin itu dikatakan telah lulus ujian ini. Tes ini tidak memeriksa kemampuan menjawab dengan benar, tetapi seberapa mirip jawaban mesin dengan manusia. Perbincangan dibatasi melalui teks seperti papan ketik dan layar, sehingga hasilnya tidak diganggu oleh kemampuan mesin untuk mengubah kata-kata menjadi suara.2) Pemrosesan SimbolikSifat penting dari AI adalah bahwa AI merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan non-algoritmik dalam penyelesain masalah.3) HeuristikSuatu strategi untuk melakukan proses pencarian (search) ruang problem secara efektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar.4) Penarikan Kesimpulan (Inferencing)AI mencoba membuat mesin memiliki kemampuan berpikir atau mempertimbangkan (reasoning), termasuk didalamnya proses (inferencing) berdasarkan fakta-fakta dan aturan dengan menggunakan metode heuristik, dll.5) Pencocokan Pola (Pattern Matching)Berusaha untuk menjelaskan obyek, kejadian (events) atau proses, dalam hubungan logik atau komputasional.Rujukan4. Sebutkan 3 bidang kajian dalam system cerdas, dan knowledge apa yang diperlukan untuk masing-masing bidang tersebut.Jawab:1) Fuzzy Logic (logika fuzzy)Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then rules. Karakteristik dari metode ini adalah :· Pemecahan masalah dilakukan dengan menjelaskan sistem bukan lewat angka-angka, melainkan secara linguistik, atau variable-variable yang mengandung ketakpastian/ketidaktegasan.· Pemakaian if-then rules untuk menjelaskan kaitan antara satu variable dengan yang lain.· Menjelaskan sistem memakai algoritma fuzzyBerawal dari paper-paper Zadeh di tahun 1965 mengenai fuzzy-sets, ilmu ini berkembang pesat, dan mulai menemukan aplikasinya di bidang control pada tahun 1974. Pada saat itu, Mamdani memperkenalkan aplikasi fuzzy sebagai alat kontrol steam-engine.Hal ini merupakan momentum penting, sebagai awal bagi teknologi fuzzy untuk menemukan ladang aplikasi di dunia industri. Fuzzy memiliki kelebihan-kelebihan, diantaranya :1. Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu ruangan yang nyaman”2. Pemakaian membership-function memungkinkan fuzzy untuk melakukan observasi obyektif terhadap nilai-nilai yang subyektif. Selanjutnya membershipfunction ini dapat dikombinasikan untuk membuat pengungkapan konsep yang lebih jelas.3. Penerapan logika dalam pengambilan keputusan Dewasa ini, fuzzy merupakan salah satu metode memiliki aplikasi luas di bidang kontrol.Hal ini disebabkan antara lain :1. Kontrol memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang2. Kuantitas suatu materi dalam sistem kontrol sangat jelas, dan dapat diekspresikan dengan istilah-istilah yang fuzzy seperti “besar”, “banyak”3. Aturan dalam kontrol mudah untuk didefinisikan memakai kata-kata. Misalnya “jika suhu dalam ruangan terlalu dingin, naikkan suhu penghangat”4. Perkembangan teori fuzzy sangat pesat, sehingga batas-batasnya dapat dirumuskan dengan jelas.
1) Neural Networks (Jaringan Saraf Tiruan)Neural Networks (Jaringan Saraf Tiruan) menurut Haykin didefinisikan sebagai berikut :“Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. Neural network ini meniru otak manusia dari sudut :1) Pengetahuan diperoleh oleh network dari lingkungan, melalui suatu proses pembelajaran.2) Kekuatan koneksi antar unit yang disebut synaptic weights, berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.”Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur jaringan biologi, khususya otak manusia. Neuron adalah satuan unit pemroses terkecil pada otak, bentuk sderhana sebuah neuron yang oleh para ahli dianggap sebagai satuan unit pemroses tersebut dapat digambarkan sbb :
Gambar 1 Struktur Jaringan syaraf tiruan dan Struktur sederhana sebuah neuron
Pada tahun 1943, Mc.Culloch dan Pitts memperkenalkan model matematika yang merupakan penyederhanaan dari struktur sel saraf yang sebenarnya (lihat gambar 2).
Gambar 2. McCulloch & Pitts neuron model
Gambar 2 memperlihatkan bahwa sebuah neuron memiliki tiga komponen:- synapse (w1 , w2 ,…,wn) T- alat penambah (adder)- fungsi aktifasi (f)Korelasi antara ketiga komponen ini dirumuskan pada persamaan (1)
- Signal
x berupa vektor berdimensi n (x1 , x2 ,…,xn)T akan mengalami penguatan oleh
synapse w (w1, w2 ,…,wn)T. Selanjutnya akumulasi dari penguatan tersebut akan
mengalami transformasi oleh fungsi aktifasi f . Fungsi f ini akan
memonitor, bila akumulasi penguatan signal itu telah melebihi batas tertentu,
maka sel neuron yang semula berada dalam kondisi “0”, akan mengeluarkan signal
“1”. Berdasarkan nilai output tersebut (=y), sebuah neuron dapat berada dalam
dua status: “0” atau “1”. Neuron disebut dalam kondisi firing bila menghasilkan
output bernilai “1”.
Sebuah neural network dapat dianalisa dari dua sisi:- bagaimana neuron-neuron tersebut dirangkaikan dalam suatu jaringan (arsitektur)- bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang dikehendaki (algoritma pembelajaran). Algoritma pembelajaran ini menentukan cara bagaimana nilai penguatan yang optimal diperoleh secara otomatis.Berdasarkan arsitekturnya, neural network dapat dikategorikan, antara lain, single- layer neural network ,multilayer neural network, recurrent neural network dsb. Berbagai algoritma pembelajaran antara lain Hebb’s law, Delta rule, Backpropagation algorithm, Self Organizing Feature Map, dsb.Berawal dari diperkenalkannya model matematika neuron oleh McCulloch & Pitts, penelitian di bidang neural network berkembang cukup pesat, dan mencapai puncak keemasan pertama pada era tahun 60, dan puncak kedua pada pertengahan tahun 80-an. Penelitian dalam bidang ini, dapat dibagi dalam tiga kategori:1) Riset untuk meneliti proses informasi yang terjadi pada otak dan jaringan saraf. Tema ini merupakan porsi penelitian para ahli medis dan neuroscientist.2) Penelitian teoritis untuk mendalami konsep dasar proses informasi pada otak. Kategori ini memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari proses tersebut.3) Penelitian yang bertujuan memanfaatkan teori-teori yang telah ada untuk aplikasi. Dalam hal ini, perlu sekali memperhatikan tingkat akurasi sistem, dan menekan biaya serendah mungkin (low cost solution ).Dewasa ini, neural network telah diaplikasikan di berbagai bidang. Hal ini dikarenakan neural network memiliki kelebihan-kelebihan sbb:1) Dapat memecahkan problema non-linear yang umum dijumpai di aplikasi2) Kemampuan memberikan jawaban terhadap pattern yang belum pernah dipelajari (generalization)3) Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam kehidupan manusia.Aplikasi yang sering digunakan antara lain:· Pengenalanpola(pattern recognition ) Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.· Pengolahansinyal(signa lprocessing ) Jaringan saraf tiruan (terutama model ADALINE (adaptive linear newton )) dapat digunakan untuk menekan derau (noise ) dalam saluran telepon.· Peramalan(forecasting ) Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya.Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-lain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperoleh karena jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang diberikan.
5. Jelaskan beberapa penyajian knowledge yang anda ketahui, serta beberapa contohnya.Jawab· logical reasoningLogika hukum (logical reasoning) mempunyai dua arti, yakni arti luas dan arti sempit. Dalam arti luas, logika hukum berhubungan dengan aspek psikologis yang dialami hakim dalam membuat suatu penalaran dan putusan hukum. Logika hukum dalam arti sempit, berhubungan dengan kajian logika terhadap suatu putusan hukum, yakni dengan melakukan penelaahan terhadap model argumentasi, ketepatan dan kesahihan alasan pendukung putusan (Munir Fuady).· Probabilistic ReasoningProbabilistic Reasoning adalah metode Soft Computing untuk membuat komputer atau suatu device mengambil keputusan layaknya makhluk hidup. Jadi, dari semua data-data yang sudah dimiliki, metode ini memberikan pola-pola tertentu untuk mengambil keputusan.· teori ChaosTeori chaos memiliki implikasi yang luas dalam analisis pengambilan keputusan. Teori chaos memberi pengertian bahwa suatu aksi sekecil pun dapat berimplikasi pada suatu akibat yang besar. Teori chaos juga memberikan pengertian bahwa dalam pengambilan keputusan senantiasa dihadapkan pada suatu potensi ketidakteraturan dan ketidakpastian sehingga batasan-batasan metode pengambilan keputusan tradisonal tidak mencukupi lagi. Teori chaos menuntut perubahan model mental yang sama sekali baru dan kreatif dari sang pengambilan keputusan. Sistem pintar dan kecerdasan berupaya mengantisipasi aspek ketidakpastian dan ketidakteraturan tersebut dengan mengadopsi logika berpikir manusia ke dalam mesin komputer. Dengan sistem pintar, suatu perangkat komputer dapat menganalisis suatu sistem permasalahan dan melakukan pengambilan keputusan.· Belief NetworksBelief Networks (BN) adalah penalaran kausal, dimana BN telah banyak digunakan dalam berbagai aplikasi. BN sekarang ini menjadi andalan dalam bidang penelitian Flu Burung yang dikenal sebagai penalaran pasti. BN sendiri didasarkan pada hukum-hukum probabilitas.· Genetic Algorithm (GA)Dasar-dasar GA digali oleh John Holland pada pertengahan tahun 70-an. GA adalah metode komputasi yang meniru proses evolusi dan seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal suatu fungsi/permasalahan. -
Gambar 3 Urutan proses pada GAGambar 3 menunjukkan urutan tahapan dalam GA. Untuk mencari nilai optimal tersebut, pertama-tama parameter-parameter permasalahan ditransfer kedalam bentuk genetik sebuah kromosom individu yang disebut genotype. Kromosom ini terdiri dari sederetan string (misalnya angka “0” dan “1”) yang merupakan analogi dari rantai DNA: A, T, G dan C yang sebenarnya, pada tubuh makhluk hidup.Selanjutnya suatu populasi yang terdiri dari ribuan kromosom individu ini mengalami proses seleksi, crossover (persilangan) dan mutasi yang meniru proses biologi yang terjadi di alam. Operasi ini diulang-ulang, dari satu generasi ke generasi berikutnya. Kualitas suatu individu ditunjukkan oleh nilai fitness, yang diukur dengan suatu kriteria yang mencerminkan sejauh mana kromosom individu tersebut mendekati nilai optimal yang diinginkan. Kriteria ini menjadi alat control bagi proses evolusi, agar kondisi fitness generasi yang mendatang lebih baik daripada generasi-generasi sebelumnya. Setelah melewati ratusan atau mungkin ribuan generasi, proses evolusi ini akan menghasilkan individu-individu dengan nilai fitness yang tinggi. Hal ini mencerminkan diperolehnya jawaban yang merupakan pendekatan terhadap nilai optimal yang diinginkan.Beberapa keunggulan yang dimiliki oleh GA adalah sbb:1. GA memiliki kemampuan untuk mencari nilai optimal secara paralel, melalui proses kerjasama antara berbagai unit yang disebut kromosom individu.2. GA tidak memerlukan perhitungan matematika yang rumit seperti differensial yang diperlukan oleh algoritma optimisasi yang lain.Namun demikian GA memiliki juga kelemahan dan keterbatasan.1. Tidak memiliki rumusan yang pasti, bagaimana mentransfer parameter permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan wawasan dari desainer.2. Banyak parameter yang perlu diset secara baik agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.3. Penentuan rumus menghitung fitness merupakan hal yang sangat penting dan mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur yang baku bagaimana menentukan rumus tsb. Dalam hal ini pengalaman dari desainer memegang peranan penting.Terlepas dari kendala yang ada, GA merupakan alternatif solusi yang dikenal cukup handal dalam berbagai masalah optimisasi.Rujukan·
