Pengantar Kecerdasan Buatan

1. Pengantar
Kecerdasan Buatan
Tim Dosen Kecerdasan Buatan
Teknik Informatika – UHW Perbanas Surabaya
1

2. Tujuan
• Memahami dasar pemikiran paradigma kecerdasan buatan dan
komputasi lunak dengan keunggulannya dibandingkan komputasi
tradisional
• Memperoleh pemahaman tentang landasan teoritis berbagai jenis
teknologi sistem cerdas hingga tingkat yang memadai untuk
mencapai tujuan
• Mengembangkan kemampuan mengevaluasi sistem cerdas, dan
khususnya, kesesuaiannya untuk aplikasi tertentu
• Dapat mengelola penerapan berbagai alat yang tersedia untuk
mengembangkan sistem cerdas.
2

3. Referensi
Referensi utama:
• Negnevitsky, Michael. Artificial intelligence: A guide to intelligent
systems. Pearson education, 2005.
• Teks utama dilengkapi dengan bab/artikel dari buku/jurnal/artikel
lain.
3

4. Pengantar Sistem Cerdas
• Apa itu sistem cerdas?
• Pentingnya sistem cerdas dalam bisnis
• Karakteristik sistem cerdas
• Bidang Kecerdasan Buatan (AI)
• Paradigma Soft Computing
• Gambaran Umum Metodologi Sistem Cerdas
• Sistem Pakar
• Sistem Fuzzy
• Jaringan Syaraf Tiruan
• Algoritma Genetika (GA)
• Penalaran berbasis kasus (CBR)
• Penambangan Data
• Agen Perangkat Lunak Cerdas
• Teknologi Bahasa
4

5. Apa itu sistem cerdas?
• Apa itu kecerdasan?
• Sulit untuk didefinisikan kecuali Anda mencantumkan karakteristik
misalnya,
• Pemikiran
• Sedang belajar
• Adaptasi
• Sistem yang benar-benar cerdas menyesuaikan diri untuk
menghadapi perubahan masalah (pembelajaran otomatis)
• Hanya sedikit mesin yang dapat melakukan hal itu saat ini
• Kecerdasan mesin membuat komputer mengikuti proses
pemecahan masalah seperti yang terjadi pada manusia
• Sistem cerdas menampilkan kecerdasan tingkat mesin, penalaran,
sering kali belajar, belum tentu dapat beradaptasi sendiri
5

6. Sistem cerdas dalam bisnis
• Biasanya menggunakan satu atau lebih alat intelijen untuk
membantu pengambilan keputusan
• Memberikan intelijen bisnis kepada
• Meningkatkan produktivitas
• Dapatkan keunggulan kompetitif
• Contoh intelijen bisnis – informasi tentang
• Pola perilaku pelanggan
• Tren pasar
• Kemacetan efisiensi
• Contoh penerapan sistem cerdas yang sukses dalam bisnis:
• Layanan Pelanggan (Pemodelan Hubungan Pelanggan)
• Penjadwalan (misalnya Operasi Tambang)
• Penambangan data
• Prediksi pasar keuangan
• Kontrol kualitas
6

7. Sistem Cerdas dalam bisnis – beberapa contoh
• Detektor penipuan kartu kredit perangkat lunak HNC (sekarang
Fair Isaac) Falcon menawarkan peningkatan 30-70% dibandingkan
metode yang ada (contoh jaringan saraf).
• Asuransi MetLife menggunakan ekstraksi informasi otomatis dari
aplikasi di MITA (contoh penggunaan teknologi bahasa)
• Daftar TV berbasis Internet yang dipersonalisasi (agen cerdas)
• Rencana pembangunan apartemen pengembangan Hyundai
FASTrak-Apt (proyek Case Based Reasoning)
• Administrasi Keselamatan dan Kesehatan Kerja AS (OSHA
menggunakan "penasihat ahli" untuk membantu mengidentifikasi
kebakaran dan bahaya keselamatan lainnya di lokasi kerja (sistem
pakar).
7

8. Karakteristik Sistem Cerdas
• Memiliki satu atau lebih hal berikut:
• Kemampuan untuk mengekstrak dan menyimpan pengetahuan
• Proses penalaran seperti manusia
• Belajar dari pengalaman (atau pelatihan)
• Berurusan dengan ekspresi fakta yang tidak tepat
• Menemukan solusi melalui proses yang mirip dengan evolusi alam
• Tren terkini
• Interaksi yang lebih canggih dengan pengguna melalui
• pemahaman bahasa alami
• pengenalan dan sintesis ucapan
• analisis gambar
• Sebagian besar sistem cerdas saat ini didasarkan pada
• sistem pakar berbasis aturan
• satu atau lebih metodologi yang termasuk dalam komputasi lunak
8

9. Bidang Kecerdasan Buatan (AI)
• Tujuan utama:
• Pengembangan perangkat lunak yang bertujuan untuk
memungkinkan mesin memecahkan masalah melalui penalaran mirip
manusia
• Upaya untuk membangun sistem berdasarkan model representasi
dan pemrosesan pengetahuan dalam pikiran manusia
• Meliputi studi tentang otak untuk memahami struktur dan
fungsinya
• Ada sebagai disiplin ilmu sejak tahun 1956
• Gagal memenuhi harapan awal karena
• pemahaman yang tidak memadai tentang kecerdasan, fungsi otak
• kompleksitas permasalahan yang harus dipecahkan
• Sistem pakar – kisah sukses AI di tahun 80an
• Sistem Penalaran Berbasis Kasus - keberhasilan parsial
9

10. Paradigma Soft Computing (SC).
• Juga dikenal sebagai Kecerdasan Komputasi
• Berbeda dengan komputasi konvensional, teknik SC
• dapat toleran terhadap data masukan yang tidak tepat, tidak lengkap,
atau rusak
• memecahkan masalah tanpa langkah-langkah solusi yang jelas
• pelajari solusinya melalui pengamatan dan adaptasi berulang-ulang
• dapat menangani informasi yang diungkapkan dalam istilah linguistik
yang tidak jelas
• mencapai solusi yang dapat diterima melalui evolusi
10

11. Paradigma Soft Computing (SC) (lanjutan)
• Empat ciri pertama merupakan hal yang umum dalam pemecahan
masalah oleh individu manusia
• Ciri kelima (evolusi) bersifat umum
• Metodologi SC yang dominan ditemukan dalam sistem cerdas saat
ini adalah:
• Jaringan Syaraf Tiruan (JST)
• Sistem Fuzzy
• Algoritma Genetika (GA)
11

12. Sistem Pakar (ES)
• Dirancang untuk memecahkan masalah dalam domain tertentu ,
• misalnya, ES untuk membantu pedagang mata uang asing
• Dibangun oleh
• menginterogasi pakar domain
• menyimpan pengetahuan yang diperoleh dalam bentuk yang sesuai
untuk memecahkan masalah, dengan menggunakan penalaran
sederhana
• Digunakan oleh
• Menanyakan pengguna untuk informasi spesifik masalah
• Menggunakan informasi untuk menarik kesimpulan dari basis
pengetahuan
• Menyediakan jawaban atau cara yang disarankan untuk
mengumpulkan masukan lebih lanjut
12

13. Sistem Pakar
• Bentuk umum dari basis pengetahuan sistem pakar adalah
kumpulan aturan IF…THN…
• Catatan: bukan pernyataan IF dalam kode prosedural
• Beberapa area penerapan ES:
• perbankan dan keuangan (penilaian kredit, kelayakan proyek)
• pemeliharaan (diagnosis kesalahan mesin)
• eceran (menyarankan pola pembelian yang optimal)
• layanan darurat (konfigurasi peralatan)
• hukum (penerapan hukum dalam skenario yang kompleks)
13

14. Jaringan Syaraf Tiruan (JST)
• Otak manusia terdiri dari 100 miliar elemen pemrosesan sederhana yang
saling berhubungan dan dikenal sebagai neuron
• ANN didasarkan pada model neuron yang disederhanakan dan
operasinya
• ANN biasanya belajar dari pengalaman – presentasi berulang-ulang
tentang contoh masalah beserta solusinya
• Setelah mempelajari ANN mampu memecahkan masalah, bahkan
dengan masukan yang agak baru
• Fase pembelajaran mungkin melibatkan atau tidak melibatkan intervensi
manusia (pembelajaran yang diawasi vs tanpa pengawasan)
• 'Model' pemecahan masalah yang dikembangkan tetap implisit dan tidak
diketahui oleh pengguna
• Sangat cocok untuk masalah yang tidak rentan terhadap solusi
algoritmik, misalnya pengenalan pola, dukungan keputusan
14

15. Jaringan Syaraf Tiruan (JST)
• Model ANN berbeda-beda tergantung pada
• Arsitektur
• metode pembelajaran
• karakteristik operasional lainnya (misalnya jenis fungsi aktivasi)
• Baik dalam pengenalan pola dan masalah klasifikasi
• Kekuatan utama - kemampuan menangani data yang sebelumnya
tidak terlihat, tidak lengkap, atau rusak
• Beberapa contoh aplikasi:
• - deteksi ledakan di bandara
• - pengenalan wajah
• - penilaian risiko keuangan
• - optimasi dan penjadwalan
15

16. Algoritma Genetika (GA)
• Milik bidang yang lebih luas yang dikenal sebagai komputasi
evolusioner
• Solusi diperoleh dengan mengembangkan solusi melalui proses
yang terdiri dari
• kelangsungan hidup yang terkuat
• persilangan, dan
• mutasi
• Populasi kandidat solusi diinisialisasi (kromosom)
• Solusi generasi baru dihasilkan dimulai dari populasi awal,
menggunakan operasi genetik tertentu: seleksi, persilangan, dan
mutasi
16

17. Algoritma Genetika (GA)
• Solusi generasi berikutnya dihasilkan dari penggunaan populasi
saat ini
• crossover (menyambung dan menyatukan bagian-bagian solusi dari
orang tua) dan
• mutasi (perubahan acak dalam parameter yang menentukan solusi)
• Kebugaran solusi yang baru dikembangkan dievaluasi
menggunakan fungsi kebugaran
• Langkah-langkah pembuatan solusi dan evaluasi berlanjut hingga
solusi yang dapat diterima ditemukan
• GA telah digunakan di
• optimalisasi portofolio
• prediksi kebangkrutan
• peramalan keuangan
• desain mesin jet
• penjadwalan
17

18. Sistem Fuzzy
• Logika tradisional mempunyai dua nilai – proposisi apa pun bisa
benar atau salah
• Pemecahan masalah dalam kehidupan nyata harus berhubungan
dengan proposisi yang sebagian benar atau sebagian salah
• Menerapkan presisi mungkin sulit dan menghasilkan solusi yang
kurang optimal
• Sistem fuzzy menangani informasi yang tidak tepat dengan
menetapkan derajat kebenaran – menggunakan logika fuzzy
18

19. Sistem Fuzzy
• FL memungkinkan kita untuk mengekspresikan pengetahuan
dalam istilah linguistik yang tidak jelas
• Fleksibilitas dan kekuatan sistem fuzzy kini telah dikenal dengan
baik (misalnya penyederhanaan aturan dalam sistem kontrol di
mana ditemukan ketidaktepatan)
• Beberapa aplikasi sistem fuzzy:
• Pengendalian proses manufaktur
• peralatan seperti AC, mesin cuci, dan kamera video
• Digunakan dalam kombinasi dengan metodologi sistem cerdas lainnya
untuk mengembangkan hybrid fuzzy-expert, neuro-fuzzy,
• atau sistem fuzzy-GA
19

20. Penalaran Berbasis Kasus (CBR)
• Sistem CBR memecahkan masalah dengan memanfaatkan
pengetahuan tentang masalah serupa yang dihadapi di masa lalu
• Pengetahuan yang digunakan di masa lalu dibangun sebagai basis
kasus
• Sistem CBR mencari basis kasus untuk kasus-kasus dengan atribut
yang mirip dengan masalah yang diberikan
• Solusi yang diciptakan dengan mensintesis kasus serupa, dan
melakukan penyesuaian untuk memenuhi perbedaan antara
masalah yang ada dan kasus serupa
• Sulit untuk melakukannya dengan baik dalam praktiknya, tetapi
sangat ampuh jika Anda bisa melakukannya
20

21. Penalaran Berbasis Kasus (CBR)
• Sistem CBR dapat berkembang seiring berjalannya waktu dengan
belajar dari kesalahan yang dilakukan pada permasalahan di masa
lalu
• Contoh aplikasi:
• Pemanfaatan keahlian shop floor dalam perbaikan pesawat
• Alasan hukum
• Mediasi perselisihan
• Penambangan data
• Diagnosis kesalahan
• Penjadwalan
21

22. Penambangan Data
• Proses mengeksplorasi dan menganalisis data untuk menemukan
informasi baru dan berguna
• Sebagian besar data point-of-sale (POS) dihasilkan atau ditangkap
secara elektronik setiap hari dalam jumlah besar, misalnya,
• data yang dihasilkan oleh pemindai kode batang
• database detail panggilan pelanggan
• file log web di e-commerce dll.
• Organisasi pada akhirnya mendapatkan sejumlah besar data
transaksi sehari-hari
22

23. Penambangan Data
• Dimungkinkan untuk mengekstrak informasi berguna tentang pasar dan
perilaku pelanggan dengan “menambang” data
• Catatan: Hal ini lebih dari sekedar analisis statistik sederhana atas data
numerik, hingga klasifikasi dan analisis data non-numerik
• Informasi seperti itu mungkin saja terjadi
• mengungkapkan tren dan asosiasi penting yang mendasari perilaku pasar,
dan
• membantu mendapatkan keunggulan kompetitif dengan meningkatkan
efektivitas pemasaran
• Teknik seperti jaringan saraf tiruan dan pohon keputusan telah
memungkinkan dilakukannya penambangan data yang melibatkan data
dalam jumlah besar (dari "gudang data").
• Meningkatnya minat dalam menerapkan penambangan data di berbagai
bidang seperti kampanye pemasaran sasaran langsung, deteksi
penipuan, dan pengembangan model untuk membantu prediksi
keuangan, sistem antiterorisme
23

24. Agen Perangkat Lunak Cerdas (ISA)
• ISA adalah program komputer yang memberikan bantuan aktif
kepada pengguna sistem informasi
• Bantu pengguna mengatasi kelebihan informasi
• Bertindak dalam banyak hal seperti asisten pribadi bagi pengguna
dengan mencoba beradaptasi dengan kebutuhan spesifik
pengguna
• Mampu belajar dari pengguna serta agen perangkat lunak cerdas
lainnya
• Contoh aplikasi:
• Penyaringan dan Manajemen Berita dan Email
• Belanja online
• Pemberitahuan Acara
• Penjadwalan pribadi
• Meja bantuan online, karakter interaktif
• Implementasi Respon Cepat
24

25. Teknologi Bahasa (LT)
• “[Penerapan] pengetahuan tentang bahasa manusia dalam solusi
berbasis komputer” (Dale 2004)
• Komunikasi antara manusia dan komputer merupakan aspek penting dari
setiap sistem informasi cerdas
• Penerapan LT:
• Pemrosesan Bahasa Alami (NLP)
• Representasi Pengetahuan
• Pengenalan suara
• Pengenalan karakter optik (OCR)
• Pengenalan tulisan tangan
• Mesin penerjemah
• Ringkasan teks
• Sintesis ucapan
• Sistem berbasis LT dapat menjadi ujung depan sistem informasi itu
sendiri berdasarkan alat intelijen lainnya
25

26. Untuk Pekan Depan
• Baca makalah tentang Sistem Pakar
• Kita akan mempelajari teori dan praktek mengembangkan sistem
pakar sederhana.
26

27. Terima kasih …
Semoga bermanfaat …
27