DEFINISI DAN CONTOH METODE PENCARIAN BUTA DAN HEURISTIK

1. Metode Pencarian Buta (Blind Search) 

Yaitu tidak terdapatnya informasi awal yang digunakan dalam proses pencarian.
model pencarian ini memiliki tiga ciri – ciri utama yaitu :

-  Membangkitkan simpul berdasarkan urutan
-  Kalau ada solusi maka solusi akan ditemukan
- Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).

Ada dua jenis pencarian buta (blind search) :

a.   Pencarian melebar pertama (Breadth – First Search)

Pada Breadth – First Search semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level 1 dari kiri ke kanan, kemudian berpindah ke level berikutnya dari kiri ke kanan hingga solusi ditemukan. Keuntungannya :

• Tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang   ada) dan solusi yang ditemukan pasti solusi yang paling baik.
• Jika ada 1 solusi, maka breadth – first search akan menemukannya.
• Jika ada lebih dari 1 solusi, maka solusi minimum akan ditemukan

Kerugiannya :

• Membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah dibangkitkan dan hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpul-simpul sampai di level bawah.
• Membutuhkan waktu yang cukup lama

Kesimpulan :

Teknik pencarian Breadth – First Search  ini :

Completeness : Dimana teknik yang digunakan adanya solusi

Optimality : dimana teknik yang digunakan menemukan solusi yang terbaik saat adanya beberapa solusi berbeda Time complexity : waktu yang dibutuhkan cukup lama Space complexity : memori yang dibutuhkan juga banyak.

Contoh : 

Penjelasan Gambar :

   1. Membangkitakan anak dari terminal Senen = Terminal blok M, Terminal Pulo Gadung, Terminal Manggarai

   2. Karena goal state (Terminal Kp. Rambutan) belum tercapai maka kita bangkitkan anak dari terminal senen

    Terminal Blok M = Terminal Grogol, Terminal Lebak Bulus            

    Terminal Lebak Bulus = Terminal Ciputat, Terminal Kp. Rambutan.            

    Terminal Pulo Gadung = Terminal bekasi            

    Terminal Manggarai = Terminal Cililitan, Terminal Harmoni  

   3. Akhirnya tercapai Goal State (Terminal Kp. Rambutan).
  
     b.  Pencarian mendalam pertama (Depth – First Search)

Pada pencarian Depth – First Search dilakukan pada suatu simpul dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada simpul sebelah kanan dan simpul yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi.

Keuntungannnya :

• Membutuhkan memori relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan
• Dan secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan, jadi jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya dengan cepat (waktunya cepat)

Kerugiannya :

•  Memungkinkan tidak ditemukannya atau tidak adanya tujuan yang diharapkan, karena jika pohon yang dibangkitkan mempunyai level yang sangat dalam (tak terhingga) tidak complete karena tidak ada jaminan akan menemukan solusi
• Hanya mendapat 1 solusi pada setiap pencarian, karena jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka DFS tidak menjamin untuk menemukan solusi yang paling baik tidak optimal.

    Contoh : 

     Pencarian dimulai dari simpul sebelah kiri yaitu ABD karena D tidak memiliki anak maka

     lanjut ke sebelah kanan yaitu E lalu FG. Anak-anak dari simpul B sudah habis maka lanjut ke simpul C dan di teruskan ke HIJK. K merupakan goal state dari pohon tersebut. Pada prinsipnya, DFS ini menggunakan tumpukan untuk menyimpan seluruh state yang ditemukan atau bisa dikatakan bahwa DFS menggunakan metode LIFO (Last In First Out).

   2. Metode Pencarian Heuristik

      Yaitu terdapatnya informasi awal yang digunakan dalam proses pencarian. Pencarian buta (blind search) tidak selalu dapat diterapkan dengan baik, disebabkan karena waktu aksesnya yang cukup lama & besarnya memori yang diperlukan. Untuk masalah dengan ruang masalah yang besar, teknik pencarian buta (blind search) bukan teknik yang baik untuk digunakan karena keterbatasan kecepatan komputer dan memori.

     Dengan adanya teknik heuristic search diharapkan bisa menyelesaikan permasalahan yang lebih besar. Fungsi dari teknik heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan (estimasi) dari suatu simpul tertentu menuju ke simpul tujuan. Contoh aplikasi yang menggunakan fungsi heuristic : Google, Deep Blue Chess Machine. Ada empat jenis pencarian terbimbing (heuristic search) :

   a. Pembangkitan dan pengujian (Generate and Test)

     Teknik ini merupakan gabungan dari DFS dan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal. Dimana nilai pengujian berupa jawaban “ya” atau “tidak”. Algoritmanya :

• Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal)
• Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan
• Jika solusi ditemukan, keluar dan jika tidak, ulangi lagi langkah pertama . Salah satu kelemahan teknik Generate and Test adalah perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian, sehingga membutuhkan waktu yang cukup besar dalam pencariannya.

Contoh : “Travelling Salesman Problem (TSP)” Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat  1 kal i. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini: 

Penyelesaian dengan Generate and Test

   b.  Pendakian Bukit (Hill Climbing)

    Hampir sama dengan teknik Generate and Test dimana roses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap kesalahan-kesalahan lainnya yang mungkin. Teknik-teknik pada Hill Climbing :

1.  Teknik simple hill climbing

Algoritma akan berhenti kalau mencapai nilai optimum lokal. Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi. Tidak diijinkan untuk melihat satupun langkah selanjutnya.

2.  Teknik steepest – ascent hill climbing

Hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari paling kiri. Gerakan selanjutnya dicari berdasarkan nilai heuristic terbaik.

Prosedur Hill Climbing :

   1. Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya.

  2. Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru.

     3. Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini :

    a. Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi,          berhentilah.

    b. Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.

   c. Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.

     d. Kembalilah ke langkah 2.

Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :

- Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.
- Daratan  (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.
- Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.
Solusinya:
-  Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak ke arah yang lain.
- Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.
- Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa arah sekaligus.

Contoh:

Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi l intasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak: 

atau sebanyak 6 kombinasi (lihat gambar dibawah). Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi 

Sumber :  
http://yoosinhay.blogspot.co.id/2011/03/teknik-pencarian-perancangan.html
 http://choirulkahfi97.blogspot.co.id/2017/12/definsi-dan-contoh-metode-pencarian.html

Membuat Program Menu garis Vertikal, Horizontal dan Diagonal menggunakan Java dan Library Open GL

Nama : Andru Tri Setyo

Kelas  : 3KA31

Npm   : 10115751

Membuat program menu garis Vertikal, Horizontal dan Diagonal menggunakan Java Netbeans dan library Open GL yang dapat di download link di bawah ini :

Tugas Grafik Komputer dan Pengolahan Citra  : Tugas.pdf

DEFINISI PEAS (Performance Measure)

Apa itu PEAS dalam konteks intelligent agent ?  Sebelum menjelaskan PEAS akan dijelaskan terlebih dahulu apa yang dimaksud dengan Agent ? Agent merupakan sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators. Dan ketika ingin merancang sebuat agent maka kita harus menjabarkan lingkungan masalah (task environment), yaitu :

PEAS

P (performance measure) : komponen keberhasilan si agent

E (environment) : kodisi di sekitar agent

A (actuators) : segala sesuatu yang dapat dilakukan si agent

S (sensors) : segala sesuatu yang menjadi input si agent

Contoh:

1. Taksi Otomatis merupakan Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan :

       • Performance measure: sampai tujuan, tidak melanggar aturan lalu lintas, perjalanan nyaman,  hemat bensin

       • Environment: jalan, lalu lintas, pejalan kaki, pelanggan

       • Actuators: arah stir, gas, rem, klakson, sinyal kiri atau kanan

       • Sensors: video, speedometer, GPS, keyboard

2. Medical Diagnosis System merupakan Sebuah agent Medical diagnosis system yang mendiagnosa pasien secara otomatis

       • Performance measure: pasien sembuh, biya murah, tidak menyalahi hukum

       • Environment: pasien, rumah sakit, suster, dokter

       • Actuators: layar monitor (pertanyaan, tes, diagnosa, treatment, petunjuk

       • Sensors: keyboard (masukan gejala penyakit, jawaban pasien)

DAFTAR PUSTAKA :

http://maisarohmae23.blogspot.co.id/2016/09/pengertian-peas-dan-cara-kerja-jenis.html

DEFINISI AGENTS, KONSEP & CONTOHNYA

Definsi Agents pada AI(Artificial Intelligent)

Agents adalah segala sesuatu yang dapat melihat/ mengartikan/ mengetahui (perceiving) linkungannya melalui alat sensor (sensors) dan bertindak (acting) melalui alat aktuator (actuators)

• Manusia sebagai agent : mata, telinga dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators
• Robot sebagai agent : kamera dan pejejak infra merah sebagai sensors; berbagai motor pengerak sebagai actuators
• Software sebagai agent : tekanan pada keyboard, isi file dan paket-paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators
• Fungsi agent (f) adalah pemetaan dari urutan persepsi (percept) menjadi tindakan (actions)

Jenis-jenis Agent :

1.       Simple Reflex Agent

Agen reflex sederhana merupakan agen yang paling sederhana karena hanya menerapkan teknik kondisi-aksi. Jadi, jika terjadi kondisi tertentu maka agen akan secara sederhana memberikan aksi tertentu.

2.       Model Based Reflex Agent

Agen reflex sederhana dapat melakukan tindakanya dengan baik jika lingkungan yang memberikan kesan tidak berubah-ubah. Misalkan untuk kasus agen pengendara taxi, agen tersebut hanya dapat menerima kesan dari mobil dengan model terbaru saja. Jika mobil model lama, agen tersebut tidak bisa menerima kesannya sehingga agen tersebut tidak melakukan tindakan pengereman. Agen reflex model ini menjaga keadaan dunia nya menggunakan model internal kemudian memilih tindakan seperti agen reflex sederhana.

3.       Goal-Based Agents

Suatu agen tertentu harus diberikan informasi tentang tujuan yang merupakan keadaan yang ingin dicapai oleh agen. Dengan demikian, agen akan bekerja hingga mencapai tujuannya. Pencarian dan perencanaan adalah dua deretan pekerjaan yang dilakukan untuk mencapai tujuan agen. Agen refleks berbasis tujuan ini menambahkan informasi tentang tujuan tersebut.

4.       Utility-Based Agents

Agen refleks berbasis tujuan tidak membedakan keadaan yang bagus dengan keadaan yang tidak bagus untuk agen. Pada agen refleks berbasis kegunaan ini memikirkan kondisi yang bagus untuk agen sehingga agen dapat melakukan tugasnya jauh lebih baik.

Konsep Agents

Konsep Rasionalitas : Singkatnya Rational agent adalah agent yang melakukan sesuatu yang benar, atau Rational Agent merupakan suatu agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang lingkungan dan pengetahuan lain yang dimilikinya. Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional. Sedangkan omniscience adalah sebuah kemustahilan dari kenyataan yang sebenarnya telah terjadi. Faktor yang mempengaruhi rasionalitas

Konsep Rasional tergantung pada 4 hal :

1. Kemampuan yang terukur (performances)
2. Pengetahuan lingkungan sebelumnya/ terdahulu (environtment)
3. Tindakan (actions)
4. Urutan persepsi (sensors)

Contoh Agents :

1. Agent: Sistem Diagnosis Medis

Merupakan sebuah agent sistem yang mendiagnosa pasien secara otomatis

·         Performance measure   : Kesembuhan pasien, biya murah, tidak menyalahi hukum

·         Environment               : Pasien, rumah sakit, suster, dokter

·         Alat (Actuators)          : Layar monitor (pertanyaan, test, perawatan, rujukan)

·         Sensors                      : Keyboard (keyboard (masukan gejala penyakit, jawaban pasien)

2. Agent :Taksi Otomatis

Merupakan Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan

·         Performance measure   : Sampai tujuan, tidak melanggar aturan lalu lintas,             

                                              perjalanan nyaman,  hemat bensin

·         Environment                : Jalan, lalu lintas, pejalan kaki, pelanggan

·         Actuators                     : Arah stir, gas, rem, klakson, sinyal kiri atau kanan

·         Sensors                        : Video, speedometer, GPS, keyboard

3. Agent: Interactive English tutor

Merupakan pelatihan bahasa inggris interaktif mengenai bahasa inggris agar dapat memahami bahasa inggris lebih dalam

·         Performance measure   :Maksimalkan nilai siswa pada tes

·         Environment                : Sekumpulan siswa

·         Alat (Actuators)             : Screen display / Monitor (Latihan, Saran, Pemeriksaan)

·         Sensors                        : Keyboard

4. Agent: Robot pengambil suku cadang

Merupakan sebuah agent robot yang membantu mengambil suku candang

·         Performance Measure          : Persentase suku cadang di tempat yang benar

·         Environment                       : Sabuk konveyor, tempat pengumpulan suku cadang

·         Actuator                             : Lengan dan tangan robot

·         Sensor                               : Kamera, sensor di lengan robot

DAFTAR PUSTAKA :

http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html

Russell, S and Norvig, P; “Artificial Intelligence: A Modern Approach” Second Edition: Second Edition - bab 2 : Prentice Hall, 2003

Sejarah,Definisi & Contoh AI (Artificial Intelligence)

Sejarah AI (Artificial Intelligence)

Istilah AI pertama kali dikemukakan pada tahun 1956 di Konferensi Darthmouth. Sejak saat itu, AI terus dikembangkan sebab berbagai penelitian mengenai teori-teori dan prinsip-prinsipnya juga terus berkembang. Meskipun istilah AI baru muncul tahun 1956, tetapi teori-teori yan gmengarah ke AI sudah muncul sejak tahun 1941. Berikut tahapan-tahapan sejarah perkembangan AI :

• Era Komputer Elektronik (1941)

Pada tahun 1941 telah ditemukan alat penyimpanan dan pemrosesan informasi.

•  Masa Persiapan AI (1943 – 1956)

Pada tahun 1943, Warren McCulloch dan Walter Pitt mengemukakan tiga hal : pengetahuan fisiologi dasar dan fungsi sel syaraf dalam otak, analisa formal tentang logika proposisi, dan teori komputasi Turing. Mereka berhasil membuat suatu model yaitu sel syaraf tiruan

• Awal Perkembangan AI (1952 – 1969)

Pada tahun-tahun pertama perkembangannya, AI mengalami banyak kesuksesan. Diawali dengan kesuksesan Newell dan Simon dengan ssebuah program yang disebut General Problem Solver. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.

• Perkembangan AI Melambat (1966 – 1974)

   1.Perkembangan AI melambat disebabkan adanya 3 kesulitan utama yang dihadapi AI, yaitu :

Program-program AI yang bermunculan hanya mengandung sedikit atau bahkan tidak mengandung sama sekali pengetahuan (knowledge) pada subjeknya.

   2.Banyak masalah yang harus diselesaikan oleh AI.

   3.Ada beberapa batasan pada struktur dasar yang digunakan untuk menghasilkan perilakU intelijensia.

• Sistem Berbasis Pengetahuan (1969 – 1979)

Pengetahuan adalah kekuatan pendukung AI.

Contoh :    Dendral Programs yang berfokus pada segi pengetahuan kimia.

Feingenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program

  Computer in Biomedicine Proyek ini diawali keinginan untuk mendapatkan diagnose penyakit berdasarkan pengetahuan yang ada pada mekanisme penyebab proses penyakit.

• AI Menjadi Sebuah Industri (1980 – 1988)

Industrialisasi AI diawali dengan ditemukannya system pakar yang dinamakan R1 yang mampu mengkonfigurasi system-sistem computer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermott, pada tahun 1982.

• Kembalinya Jaringan Syaraf Tiruan (1986 – sekarang)

Para ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat pentimpanan dan optimasi pada jaringan syaraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf tiruan pada memori

  Pada tahun 1985-an setidaknya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Black-Propagation Learning). Algoritma ini berhasil diimplementasikan ke dalam bidang ilmu computer dan psikologi.

Definisi AI

AI merupakan proses di mana peralatan mekanik dapat melaksanakan kejadian-kejadian dengan menggunakan pemikiran atau kecerdas seperti manusia.

Pengertian AI dapat ditinjau deri dua pendekatan :

1. Pendekatan Ilmiah (A Scientific Apprah) : Pendekatan dasar ilmiah timbul sebelum invansi ke komputer, ini tidak sama dengan kasus mesin uap. Pendekatan ilmiah melihat batas sementara dari komputer, dan dapat diatasi dengan perkembangan teknologi lanjutan. Mereka tidak mengakibatkan tingkatan pada konsep.
2. Pendekatan Teknik (An Engineering Apprach) : Usaha untuk mengindari definsi AI, tetapi ingin mengatasi atau memecahkan persoalan-persoalan dunia nyata (real wordl problem).

Apa itu Kecerdasan Tiruan (AI) ?

AI dapat membuat sebuah sistem komputer berpikir seperti manusia dan sistem komputer dapat berpikir secara rasional (masuk akal). AI dapat membuat sistem komputer bertingkah laku seperti manusia dan sistem komputer dapat bertingkah laku seperti manusia dan sistem komputer dapat bertingkah laku yang diterima logika/masuk akal kita.

Mengapa kita mempelajari AI ? Karena :

• AI merepresentasikan bagian tengah atau inti dari ilmu komputer (Computer Science)
• AI mewujudkan suatu bentuk ketidak tepatan dari komputer (karakteristik dalam matematika)
• AI mempunyai suatu kekuatan alami antarcabang ilmu, AI adalah bagian ilmu teknik dari Cognitive Science, Cognitive Science adalah suatu perpaduan ilmu filsafat, ilmu linguistik dan ilmu fisikologi.
• AI memperlukan representasi pengetahuan dan manipulasinya.
• Pengetahuan (knowledge) adalah pusat dari semua ilmu teknik dan AI adalah pusat dari semua ilmu teknik.
• Alasan penting lainnya adalah penelitian AI diharapkan menemukan atau membongkar bentuk krisis besar dalam waktunya. Krisis dibuat oleh interaksi dari teknologi, ilmiah (science) dan filsafat.

Program Intelligence : program yang mampu menyimpan kenyataan (facts) dan proposisi dan hubungannya yang berakasan.

Aplikasi-Aplikasi dari AI

Kecerdasan tiruan (AI) telah dipelajari selama kira-kira 45 tahun. Hingga saat ini telah dihasilkan beberapa produk aplikasi Ai secara komersial. Produk-produk tersebut umumnya dapat dijalankan pada perangkat keras komputer mulai dari komputer pribadi (PC) seharga @50000 sampai dengan komputer besar (mainframe) seharga USA$50,000. Secara khas masukkan untuk produk-produk tersebut bentuk data simbolis. Aplikasi-aplikasi AI antara lain :

1. Games Playing
2. Sistem Bahasa Alami
3. Sistem Perancangan dan Pembuatan CAD/CAM
4. Sistem Pakar VLSI
5. Sistem Pakar Reparasi Perangkat Keras
6. Manajemen Data Cerdas
7. Sistem Otomatisasi Kantor
8. Analisa Kecerdasan Militer
9. Kendali dan Pemanggilan informasi disk video
10. Kendali Robot
11. Analisis Program Komputer
12. Diagnosis Penyakit
13. Konfigurasi kompiuter
14. Ramalan senyawa kimia
15. Sintesis ucapan
16. Sistem Pakar Operator Komputer
17. Manajemen Kendali Senjata

Contoh Penerapan Kecerdasan  buatan AI (Artificial Intelligence) dalam kehidupan

1.  Natural Language Processing (NLP)

NLP mempelajari bagaimana bahasa alami itu diolah sedemikian hingga user dapat berkomunikasi dengan komputer. Konsentrasi ilmu ini adalah interaksi antara komputer dengan bahasa natural yang digunakan manusia, yakni bagaimana komputer melakukan ekstraksi informasi dari input yang berupa natural language dan atau menghasilkan output yang juga berupa natural language, misalnya pada system Automated online assistant seperti gambar 1.3 dan deteksi email spam yang cerdas [7].

Gambar 1.3 Penerapan NLP pada automated online asistant berbasis web

2.  Computer Vision

Cabang ilmu ini erat kaitannya dengan pembangunan arti/makna dari image ke obyek secara fisik. Yang dibutuhkan didalamnya adalah metode-metode untuk memperoleh, melakukan proses, menganalisa dan memahami image. Apabila cabang ilmu ini dikombinasikan dengan Artificial Intelligence secara umum akan mampu menghasilkan sebuah visual intelligence system. Akuisisi dan pemrosesan informasi berupa vision dapat ditampilkan pada gambar 1.4

Gambar 1.4  Model persepsi visual pada computer vision

Gambar 1.5 Contoh penerapan computer vision untuk identifikasi wajah

3.  Robotika dan Sistem Navigasi

Bidang ilmu inilah yang mempelajari bagaimana merancang robot yang berguna bagi industry dan mampu membantu manusia, bahkan yang nantinya bisa menggantikan fungsi manusia. Robot mampu melakukan beberapa task dengan berinteraksi dengan lingkungan sekitar. Untuk melakukan hal tersebut, robot diperlengkapi dengan actuator  seperti lengan, roda, kaki, dll. Kemudian, robot juga diperlengkapi dengan sensor, yang memampukan mereka untuk menerima dan bereaksi terhadap environment mereka Al-Jajari (1136-1206) seorang ilmuwan Islam pada dinasti Artuqid yang dianggap pertama kali menciptakan robot humanoid dimana berfungsi sebagai 4 musisi, hebat kan? Bahkan pada tahun 1796 sudah dihasilkan boneka mekanik bernama Karakuri yang mampu menuangkan air teh atau menulis karakter Kanji yang dibuat oleh Hisashige Tanaka.

Gambar 1.6  Al-Jazari’s programmable automata (Tahun 1206 SM)

Gambar 1.7  Karakuri, rancangan robot  dari Jepang  adad 16  yang mampu menuang air teh

Ada beberapa istilah penting di dalam robot vision yang saling berhubungan, diantaranya computer vision, machine vision dan robot vision. Computer vision merupakan teknologi paling penting di masa yang akan datang dalam pengembangan robot yang interaktif.  Computer Vision merupakan bidang pengetahuan yang berfokus pada bidang sistem kecerdasan buatan  dan berhubungan dengan akuisisi  dan pemrosesan image. Machine vision merupakan proses menerpakan teknologi untuk inspeksi automatis berbasis image, kontrol proses dan pemanduan robot pada berbagai aplikasi industri dan rumah tangga.  Robot vision merupakan pengetahuan mengenai penerapan computer  vision pada robot.  Robot membutuhkan informasi vision untuk memutuskan aksi apa yang akan dilakukan.  Penerapan saat ini vision pada robot antara lain sebagai alat bantu navigasi robot, mencari obyek yang diinginkan, inspeksi lingkungan dan lainnya.  Vision pada robot menjadi sangat penting karena informasi yang diterima lebih detail dibanding hanya sensor jarak atau sensor lainnya.  Misalnya dengan vision, robot dapat mengenal apakah obyek yang terdeteksi merupakan wajah orang atau bukan.  Lebih jauh lagi, sistem vision yang canggih pada robot membuat robot dapat membedakan wajah A dengan wajah B secara akurat (Face recognition system menggunakan metode PCA, LDA dan lainnya) [6].  Proses pengolahan dari input image dari kamera hingga memiliki arti bagi robot  dikenal sebagai visual perception, dimulai dari akuisisi image, image preprocessing untuk memperoleh image yang diinginkan dan bebas noise misalnya, ekstrasi fitur hingga interpretasi seperti ditunjukkan pada gambar 1.8. Misalnya saja untuk identifikasi pelanggan dan penghindaran multiple moving obstacles berbasis vision, atau untuk menggerakan servo sebagai aktuator untuk mengarahkan kamera agar tetap mengarah ke wajah seseorang (face tracking) [5].

Gambar 1.8  Contoh  Model visual perception pada robot[3]

Contoh nyata model service robot berbasis vision  (vision-based service robot) yang dikembangkan penulis bernama Srikandi III yang menggunakan 2 buah kamera (stereo vision) seperti gambar di bawah, dimana robot dapat mengirimkan order pesanan minuman ke pelanggan:

(A)

(B)
Gambar 1.9  Contoh robotika berbasis kamera

Pada pengembangan selanjutnya, menanamkan kecerdasan buatan yang komplek pada robot sehingga  mampu mengenal dan memahami suara manusia, perhatian terhadap berbagai gerak lawan bicara dan mampu memberikan response alami yang diberikan robot ke manusia merupakan tantangan ke depan untuk membangun robot masa depan.

4.         Game Playing

Game biasanya memiliki karakter yang dikontrol oleh user, dan karakter lawan yang dikontrol oleh game itu sendiri. Dimana kita harus merancang aturan-aturan yang nantinya akan dikerjakan oleh karakter lawan. Game akan menjadi menarik apabila karakter lawan (non-player) bereaksi dengan baik terhadap apa yang dilakukan oleh player. Hal ini akan memancing penasaran user dan membuat game menarik untuk dimainkan. Tujuan intinya adalah membuat non-player memiliki strategi yang cerdas untuk mengalahkan player. Pada bidang ini,  AI dibutuhkan, yaitu untuk merancang dan menghasilkan game yang fun serta antarmuka antara man-machine yang cerdas dan menarik untuk dimainkan[8].

Gambar 1.10 Games tingkat lanjut yang menerapkan AI

5.  Sistem Pakar

Bidang ilmu ini mempelajari bagaimana membangun sistem atau komputer yang memiliki keahlian untuk memecahkan masalah dan menggunakan penalaran dengan meniru atau mengadopsi keahlian yang dimiliki oleh pakar. Dengan sistem ini, permasalahan yang seharusnya hanya bisa diselesaikan oleh para pakar/ahli, dapat diselesaikan oleh orang biasa/awam. Sedangkan, untuk para ahli, sistem pakar juga akan membantu aktivitas mereka sebagai asisten yang seolah-olah sudah mempunyai banyak pengalaman.Sedangkan definisi lain dari  sistem pakar adalah sistem berbasis komputer yang

Gambar 1.11.  Model Sistem Pakar

Menurut Turban [6],  Sistem Pakar dapat ditampilkan dengan dua lingkungan, yaitu lingkungan pengembangan dan lingkungan konsultasi (runtime). Lingkungan pengembangan digunakan oleh ES builder untuk membangun komponen dan memasukkan pengetahuan ke dalam basis pengetahuan. Lingkungan konsultasi digunakan oleh user nonpakar untuk memperoleh pengetahuan dan nasihat pakar. Lingkungan ini dapat dipisahkan setelah sistem lengkap.

Daftar Pustaka :

rijalahmad.wordpress.com

http://blog.rumahproject.com/2016/11/27/contoh-penerapan-kecerdasan-buatan-ai-dalam-kehidupan/