Tugas 1 Kecerdasan Komputasional

1. TUGAS 1
KECERDASAN KOMPUTASIONAL
LIMA KONSEP UTAMA ARTIFICIAL INTELLIGENCE
(AI) BESERTA IMPLEMENTASINYA DALAM
KEHIDUPAN MANUSIA
OLEH:
NAMA: HENDRO GUNAWAN
NIM : 200401072103
KELAS: IT 701
DOSEN: Ir. Henny Yulianti, M.M., M.Kom.
PROGRAM STUDI PJJ INFORMATIKA S1
UNIVERSITAS SIBER ASIA
JAKARTA
2023

2. i
KATA PENGANTAR
Assalamu’alaikum warohmatullahi, wabarokatuh.
Puji dan syukur penulis panjatkan atas kehadirat Allah SWT, yang selalu
memberikan nikmat dan karunia-Nya, sehingga penulis dapat menyelesaikan Tugas
1 dengan judul: 5 Konsep Utama Artificial Inteligence Beserta Implementasinya
dalam Kehidupan Manusia
Penulis berharap semoga Tugas 1 ini minimal dapat menjawab permasalahan
yang memang ingin diteliti, semoga laporan ini tidak sia-sia dan dapat menjadi
perhatian pembaca. Sehingga diharapkan dapat menimbulkan ketertarikan untuk
melakukan penelitian selanjutnya.
Penulis menyadari bahwa Tugas 1 ini tidak akan terlaksana dan tidak akan
terselesaikan tanpa adanya bimbingan, petunjuk, masukan, dan bantuan dari
berbagai pihak. Penulis menyadari bahwa laporan ini masih jauh dari sempurna,
karenanya saran dan kritik yang membangun sangat penulis harapkan demi
penyempurnaan laporan ini. Akhirnya penulis berharap semoga laporan Tugas 1 ini
dapat bermanfaat bagi pembaca dan semua pihak yang membutuhkan, Amin.
Akhir kata saya ucapkan Wassalamu’alaikum waroh matullohi wabarokatuh.
Jakarta, 26 November 2023
Penulis
(Hendro Gunawan)

3. ii
DAFTAR ISI
Kata Pengantar…………………………………………………………………….i
Daftar Isi…………………………………………………..……………………...ii
Daftar Gambar…………………………………………………………………....iii
BAB I PENDAHULUAN……………………….………………………………...1
1.1. Latar Belakang Masalah…………………………………………….....1
1.2. Perumusan Masalah……………………………………………...……3
1.3. Tujuan Penelitian……………………………………………………...3
1.4. Manfaat Penelitian………………………………………………….....4
1.5. Sistematika Penulisan…...…………………………………………….4
BAB II LANDASAN TEORI………………………………………......................5
BAB III HASIL DAN PEMBAHASAN……………………………….…………7
BAB IV KESIMPULAN DAN SARAN…………………………………..…….25
5.1. Kesimpulan……………………………………………………..…..25
5.2. Saran………………………………………………………………...25
Daftar Pustaka……………………………………………………………………26

4. iii
DAFTAR GAMBAR
Gambar 3.1. tampak belakang pasien memakai kinerja gelombang otak pemindaian
headset………………………………………………………………8
Gambar 3.2. AI Automation………………………………………………...……16

5. BAB I
PENDAHULUAN
Kecerdasan komputasional atau Computational Intelligence merupakan metodologi
atau pendekatan-pendekatan komputasi yang terinspirasi dari kehidupan biologi
manusia maupun lingkungan sekitar, dan digunakan untuk memecahkan
permasalahan-permasalahan yang kompleks. Kecerdasan komputasional ini
merupakan bagian dari pendekatan-pendekatan yang terdapat pada Artificial
Intelligence atau kecerdasan buatan, maka pendekatan-pendekatan pada kecerdasan
komputasional ini lebih difokuskan kepada pendekatan yang menggunakan
mekanisme kemampuan untuk beradaptasi dengan lingkungan yang selalu dinamis
dalam memecahkan suatu permasalahan.
Semua pendekatan pada Kecerdasan Komputasional ini berdasarkan pada soft
computing yang memiliki kemampuan untuk menggeneralisasi sehingga
kecerdasan komputasional toleran terhadap error ataupun noise. Selain itu
Kecerdasan Komputasional ini melibatkan data-data yang bersifat uncertain
information. Hal ini berbeda dengan Traditional Artificial Intelligence yang
berdasarkan pada hard computing, yang melibatkan data-data yang bersifat
certainly dan pendekatan yang digunakan adalah pendekatan yang mengutamakan
presisi.
Beberapa pendekatan yang termasuk pada CI (Computational Intelligence) ini
antara lain:
1. Sistem Fuzzy
2.. Komputasi Evolusi (Evolutionary Computation)
3. Jaringan Syaraf Tiruan (Artificial Neural Networks)
4. Kecerdasan Kumpulan (Swarm Intelligence)
5. Sistem Pakar (Expert Systems)
Pada Sistem Fuzzy ditambahkan pendekatan lain dalam Kecerdasan Komputasional
ini, yaitu Artificial Immune System. Masing-masing pendekatan tersebut,
terinspirasi dari kehidupan biologi manusia ataupun lingkungannya.
1.1. Latar Belakang Masalah

6. 2
Latar belakang masalah dari Kecerdasan Komputasional melibatkan beberapa
tantangan dan pertimbangan yang mendorong penelitian dan pengembangan dalam
bidang ini. Beberapa latar belakang masalah yang dapat diidentifikasi meliputi:
1. Kompleksitas Tugas Manusia:
• Tantangan: Tugas-tugas yang dianggap sederhana oleh manusia, seperti
pengenalan wajah, pemahaman bahasa alami, atau pengambilan keputusan
kompleks, seringkali sangat kompleks untuk diprogram secara tradisional ke
dalam komputer.
• Pertimbangan: Pengembangan algoritma dan model yang mampu
menangani kompleksitas tugas manusia menjadi fokus utama Kecerdasan
Komputasional.
2. Pembelajaran dari Data Besar:
• Tantangan: Pembelajaran mesin, salah satu cabang Kecerdasan
Komputasional, memerlukan akses ke data yang besar dan bervariasi untuk
melatih model dengan baik. Kurangnya data atau kualitas data yang buruk
dapat menghasilkan model yang tidak efektif.
• Pertimbangan: Peningkatan akses dan manajemen data, serta
pengembangan teknik pembelajaran mesin yang dapat beroperasi dengan data
yang tidak lengkap atau tidak bersih.
3. Interpretabilitas dan Transparansi:
• Tantangan: Beberapa model Kecerdasan Komputasional, seperti jaringan
saraf tiruan yang kompleks, seringkali sulit untuk diinterpretasi oleh manusia.
Hal ini dapat mengurangi kepercayaan dan penerimaan terhadap solusi yang
dihasilkan oleh sistem.
• Pertimbangan: Perlu mengembangkan metode yang dapat menjelaskan dan
memberikan interpretasi terhadap keputusan yang diambil oleh model,
terutama dalam konteks yang membutuhkan pertanggungjawaban, seperti di
bidang kesehatan atau keuangan.
4. Keamanan dan Privasi:
• Tantangan: Penggunaan Kecerdasan Komputasional dalam kehidupan
sehari-hari dapat melibatkan pertukaran informasi yang sangat sensitif.
Ancaman terhadap keamanan dan privasi menjadi keprihatinan utama.

7. 3
• Pertimbangan: Perlu mengembangkan sistem yang aman dan melibatkan
standar keamanan tinggi. Selain itu, penting untuk merancang kebijakan dan
regulasi yang tepat untuk melindungi privasi individu.
5. Etika dan Bias Algoritma:
• Tantangan: Algoritma Kecerdasan Komputasional dapat menunjukkan bias
yang tidak disengaja jika dilatih dengan data yang mencerminkan
ketidaksetaraan atau prasangka manusia.
• Pertimbangan: Penting untuk mengidentifikasi, memahami, dan mengatasi
bias dalam algoritma, serta mengembangkan panduan etika untuk memandu
pengembangan dan implementasi teknologi ini.
6. Keterbatasan Perangkat Keras:
• Tantangan: Beberapa aplikasi Kecerdasan Komputasional memerlukan daya
pemrosesan yang tinggi, dan perangkat keras saat ini mungkin memiliki
keterbatasan dalam mendukung kebutuhan komputasi ini.
• Pertimbangan: Perlu terus menerus mengembangkan perangkat keras yang
lebih kuat dan efisien untuk mendukung perkembangan Kecerdasan
Komputasional.
Latar belakang masalah ini menciptakan lingkungan penelitian dan pengembangan
yang dinamis, dengan tujuan untuk mengatasi kendala dan memaksimalkan potensi
positif Kecerdasan Komputasional dalam berbagai aplikasi.
1.2. Perumusan Masalah
Dengan melihat latar belakang masalah yang telah dikemukakan maka, beberapa
masalah yang dapat penulis rumuskan dan akan dibahas dalam makalah ini adalah:
1. Mengetahui apa itu metode Turing?
2. Mengetahui apa itu metode pendekatan Heuristik?
3. Mengetahui apa itu penarikan kesimpulan (Inferencing)?
4. Mengetahui apa itu Kecocokan Pola (Pattern Matching)
5. Mengetahui apa itu Pemrosesan Simbolik
1.3. Tujuan Penelitian
Adapun tujuan dari pembuatan makalah ini adalah:
1. Mengetahui bagaimana metode Turing.
2. Mengetahui bagaimana pendekatan Heuristic.

8. 4
4. Mengetahui bagaimana konsep Inferensi.
5. Mengetahui bagaimana Kecocokan Pola (Pattern Matching).
6. Mengetahui bagaimana Pemrosesan Simbolik.
1.4. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:
1. Karya ilmiah ini diharapkan dapat memberi pemahaman dan edukasi tentang
metode Turing, pendekatan Heuristik, konsep Inferencing, Kecocokan Pola
(Patern Matching), dan Pemrosesan Simbolik.
2. Dapat menjadi referensi dalam edukasi pembelajaran Kecerdasan
Komputasional, dan Kecerdasan Buatan (Artificial Inteligence)
3. Pemaparan informasi tentang penggunaan metode dalam pembelajaran
Kecerdasan Komputasional.
4. Dapat menjadi bahan pembelajaran dalam membuat sebuah keputusan.
1.5. Sistematika Penulisan
Sistematika penulisan makalah ini pada garis besarnya dibagi dalam lima bab, tiap
bab terdiri dari beberapa sub bab, secara singkat dapat dijelaskan sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi latar belakang maslah, perumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
BAB II LANDASAN TEORI
Merupakan pembahasan secara terperinci mengenai metode maupun teori-
teori yang digunakan sebagai landasan untuk memecahkan masalah.
BABA III HASIL DAN PEMBAHASAN
Menyajikan data-data yang diperlukan yang diperoleh dari objek penelitian
dan membahas atau mengerjakan data-data yang diperoleh dari objek
penelitian dan menyajikan hasil-hasil analisa terhadap data-data yang
diperoleh dari objek penelitian.
BAB IV KESIMPULAN
Merupakan kesimpulan yang diperoleh dari hasil analisa data serta
mengemukakan saran yang sekiranya dapat dijadikan bahan
pertimbanganbagi peneliti lainnya.

9. 5
BAB II
LANDASAN TEORI
2.1. Pengertian Metode
Kata metode berasal dari bahasa Yunani “Methodos” yang memiliki arti arti cara
atau jalan yang ditempuh. Berhubungan dengan sistem ilmiah, maka metode
berkaitan masalah cara kerja untuk bisa memahami objek yang menjadi sasaran
ilmu yang bersangkutan.
Berikut ini adalah definisi metode menurut para ahli:
1. Hamid Darmadi
Hamid Darmadi mengemukakan pengertian metode adalah sebagai jalan atau cara
yang harus dilewati dalam mencapai sebuah tujuan.
2. Pasaribu Simanjuntak
Pasaribu Simanjuntak mengemukakan pengertian metode adalah suatu cara
sistematik yang digunakan demi tercapaianya sebuah tujuan.
3.Max Siporin
Max Siporin mengemukakan pengertian metode adalah suatu orientasi kegiatan
yang mengarah pada persyaratan tujuan dan tugas yang nyata.
4. Departemen Sosial RI
Departemen Sosial RI mengemukakan pengertian metode adalah suatu cara teratur
yang digunakan dalam menjalankan suatu pekerjaan untuk mencapai hasil yang
diinginkan.
2.2. Pengertian Pendekatan
Menurut Kamus Besar Bahasa Indonesia (KBBI), arti kata pendekatan adalah
proses, cara, perbuatan mendekati (hendak berdamai, bersahabat, dan sebagainya).
Pendekatan memiliki arti dalam kelas nomina atau kata benda sehingga pendekatan
dapat menyatakan nama dari seseorang, tempat, atau semua benda dan segala yang
dibendakan.
2.3. Pengertian Konsep
Konsep adalah abstrak, entitas mental yang universal yang menunjuk pada kategori
atau kelas dari suatu entitas, kejadian atau hubungan. Konsep merupakan abstraksi
suatu ide atau gambaran mental, yang kemudian dapat dinyatakan dalam suatu kata
atau simbol. Konsep disebut sebagai abstrak karena konsep menghilangkan adanya

10. 6
perbedaan dari segala sesuatu dalam ekstensi, memperlakukan seolah-olah mereka
identik, serta universal dimana mereka bisa diterapkan secara merata untuk setiap
ekstensinya.
Di bawah ini akan dibahas mengenai pengertian dan definisi konsep menurut KBBI,
secara umum, dan menurut para ahli.
1. Menurut KBBI
Pengertian konsep menurut KBBI (Kamus Besar Bahasa Indonesia) dibedakan
menjadi beberapa definisi, di antaranya adalah sebagai berikut:
• Rancangan atau buram surat dan sebagainya.
• Ide atau pengertian yang diabstrakkan dari peristiwa konkret.
• Gambaran mental dari objek, proses, atau apa pun yang ada di luar bahasa,
yang digunakan oleh akal budi untuk memahami hal-hal lain.
2. Definisi konsep secara umum
Pengertian konsep secara umum adalah suatu abstraksi dari ciri-ciri sesuatu yang
mempermudah komunikasi antar manusia dan memungkinkan manusia untuk
berpikir. Konsep juga dapat didefinisikan sebagai sesuatu yang umum atau
representasi intelektual yang abstrak dari sebuah situasi, objek atau peristiwa, suatu
akal pikiran, suatu ide atau gambaran mental.
3. Pengertian konsep menurut para ahli.
• Menurut Aristoteles
Pengertian konsep menurut Aristoteles dalam bukunya “The classical
theory of concepts” mendefinisikan konsep merupakan penyusun utama
dalam pembentukan pengetahuan ilmiah dan filsafat pemikiran manusia.
• Menurut Bahri (2008)
Pengertian konsep adalah satuan arti yang mewakili sejumlah objek yang
mempunyai ciri yang sama. Orang yang memiliki konsep mampu
mengadakan abstraksi terhadap objek-objek yang dihadapi, sehingga objek-
objek ditempatkan dalam golongan tertentu.
2.4. Pengertian Pola
Pola adalah bentuk atau model yang memiliki keteraturan, baik dalam desain
maupun gagasan abstrak. Unsur pembentuk pola disusun secara berulang dalam
aturan tertentu sehingga dapat diprakirakan kelanjutannya 1
. Menurut Kamus Besar

11. 7
Bahasa Indonesia (KBBI), arti kata pola adalah gambar yang dipakai untuk contoh
batik. Pola juga dapat berarti bentuk (struktur) yang tetap. Pola dapat berupa
susunan dari unsur-unsur atau suatu bentuk-bentuk tertentu
2.5. Pengertian Sistem
Asal kata Sistem berasal dari bahasa Latin systema dan bahasa
Yunani sustema. Pengertian sistem adalah suatu kesatuan yang terdiri komponen
atau elemen yang dihubungkan bersama untuk memudahkan aliran informasi,
materi atau energi untuk mencapai suatu tujuan.
BAB III
HASIL DAN PEMBAHASAN
3.1. Metode Turing
Gambar 3.1. tampak belakang pasien memakai kinerja gelombang otak pemindaian
headset
Metode Turing (Turing Test) adalah sebuah metode yang di kembangkan oleh Alan
Turing pada tahun 1950 untuk menentukan apakah sebuah mesin dapat
menunjukkan perilaku yang tidak dapat di bedakan dari perilaku manusia. Dalam
tes ini, sebuah mesin harus dapat meniru perilaku manusia dengan cukup baik
sehingga tidak dapat di bedakan oleh interaksi manusia lainnya.
3.1.1. Konsep Dasar Turing

12. 8
Metode Turing (Turing Test) di dasarkan pada asumsi bahwa jika mesin dapat
berinteraksi dengan manusia dan meniru perilakunya secara efektif, maka mesin
tersebut dapat di katakan memiliki kecerdasan buatan. Tes ini melibatkan tiga
entitas: seorang manusia penilai, sebuah mesin yang di uji, dan seorang manusia
pembanding. Tujuan dari Turing Test adalah membuat penilai kesulitan untuk
membedakan antara respons yang di berikan oleh mesin dan respons yang di
berikan oleh manusia.
3.1.3. Tujuan dari Turing Test
Turing Test memiliki beberapa tujuan yang penting dalam pengujian kecerdasan
buatan. Pertama, tes ini bertujuan untuk mengevaluasi sejauh mana kemampuan
mesin dalam meniru perilaku manusia. Tes ini juga membantu dalam
mengidentifikasi kekurangan dan kelebihan mesin yang sedang di uji. Selain itu,
Turing Test juga berperan dalam mempromosikan pengembangan kecerdasan
buatan yang lebih maju dan efisien.
3.1.4. Cara Kerja Turing Test
Turing Test melibatkan interaksi antara manusia penilai, mesin yang di uji, dan
manusia pembanding. Proses ini biasanya di lakukan melalui komunikasi tertulis
atau lisan. Manusia penilai harus berkomunikasi dengan mesin dan manusia
pembanding secara anonim, tanpa mengetahui identitas mereka. Tujuan dari tes ini
adalah membuat penilai tidak dapat membedakan antara mesin dan manusia
pembanding.
Selama interaksi, mesin harus berusaha untuk meniru perilaku manusia sebaik
mungkin. Ini termasuk dalam hal penggunaan bahasa, pemahaman konteks,
penyelesaian masalah, dan respons terhadap pertanyaan atau pernyataan yang di
berikan oleh penilai. Penilai akan memberikan penilaian berdasarkan kesan mereka
terhadap respons yang di berikan oleh mesin dan manusia pembanding.
3.1.5. Kriteria Evaluasi dalam Turing Test
Dalam Turing Test, ada beberapa kriteria evaluasi yang di gunakan oleh penilai
untuk menentukan apakah mesin telah melewati tes ini atau tidak. Beberapa kriteria
tersebut meliputi:
1. Kebutuhan mesin untuk meniru perilaku manusia secara efektif.

13. 9
2. Kemampuan mesin untuk memahami dan merespons pertanyaan dengan
baik.
3. Tingkat ketidakpastian penilai dalam membedakan antara mesin dan
manusia pembanding.
3.1.6. Penerapan Metode Turing (Turing Test) dalam Menguji Kecerdasan
Buatan
Turing Test memiliki peran penting dalam menguji kecerdasan buatan. Tes ini
memungkinkan peneliti untuk menentukan sejauh mana kemampuan mesin
menyerupai perilaku manusia. Dengan memanfaatkan Turing Test, pengembang
kecerdasan buatan dapat menentukan tingkat kecerdasan mesin dan
mengidentifikasi area yang perlu di tingkatkan.
Selain itu, Turing Test juga membantu dalam memahami batasan dari kecerdasan
buatan. Meskipun mesin dapat meniru perilaku manusia dalam beberapa aspek,
mereka masih memiliki keterbatasan dalam hal pemahaman konteks dan
penyelesaian masalah yang kompleks. Kritik terhadap penggunaan Turing Test
mencakup argumen bahwa tes ini tidak dapat mengukur kemampuan kreatifitas dan
pemahaman yang dalam.
3.1.7. Keuntungan dan Tantangan dalam Pengujian dengan Turing Test
Penggunaan Turing Test dalam pengujian kecerdasan buatan memiliki beberapa
keuntungan. Pertama, tes ini mengandalkan interaksi manusia yang otentik, yang
memberikan hasil yang lebih realistis daripada metode pengujian lainnya. Selain
itu, Turing Test juga memberikan umpan balik langsung dari penilai manusia, yang
dapat di gunakan untuk meningkatkan kualitas kecerdasan buatan.
Namun, ada juga tantangan dan keterbatasan dalam menerapkan Turing Test.
Pertama, tes ini memerlukan penilai yang terampil dan berpengalaman dalam
membedakan antara respons manusia dan respons mesin. Selain itu, Turing Test
tidak dapat memberikan pengukuran yang obyektif dan terukur terhadap kecerdasan
mesin. Tes ini juga tidak mempertimbangkan aspek non-linguistik dari kecerdasan
buatan, seperti penglihatan komputer atau pemahaman dunia fisik.
3.1.8. Pengembangan Selanjutnya
Meskipun Turing Test telah menjadi metode pengujian yang penting dalam
pengembangan kecerdasan buatan, ada juga pengembangan selanjutnya dalam

14. 10
pengujian kecerdasan mesin. Beberapa metode pengujian lainnya telah di usulkan,
termasuk pengujian berdasarkan tugas tertentu dan pengujian menggunakan dataset
yang lebih besar dan kompleks.
Perkembangan terbaru dalam pengujian kecerdasan buatan juga melibatkan
penggunaan teknologi lain, seperti pembelajaran mesin dan kecerdasan buatan yang
mendalam. Pendekatan ini memungkinkan pengembangan model kecerdasan
buatan yang lebih canggih dan mampu menangani tugas yang lebih kompleks.
3.1.9. Implementasi Turing
Implementasi Turing bisa merujuk pada beberapa konteks tergantung pada apa yang
dimaksud dengan "implementasi Turing." Pada dasarnya, meskipun Alan Turing
merumuskan mesin Turing sebagai model teoritis untuk menggambarkan
komputasi, saat ini "implementasi Turing" dapat mengacu pada beberapa hal:
1. Mesin Turing Fisik:
• Penjelasan: Mesin Turing adalah model teoritis, tetapi konsep tersebut
dapat diimplementasikan dalam bentuk fisik. Sebuah mesin Turing fisik
adalah perangkat keras yang dirancang untuk menjalankan instruksi-
instruksi dasar dari mesin Turing, termasuk membaca, menulis, dan
berpindah di atas tape.
• Implementasi: Beberapa proyek DIY (Do It Yourself) atau pendidikan
mungkin melibatkan pembuatan mesin Turing sederhana menggunakan
komponen fisik seperti sensor, motor, dan tape.
2. Simulator Mesin Turing:
• Penjelasan: Sebuah simulator mesin Turing adalah program komputer
yang memungkinkan simulasi langkah demi langkah dari operasi mesin
Turing. Ini memungkinkan pengguna untuk mengamati bagaimana mesin
Turing bekerja.
• Implementasi: Berbagai simulator mesin Turing tersedia sebagai perangkat
lunak. Mereka memungkinkan pengguna untuk memasukkan instruksi dan
melihat bagaimana mesin Turing menjalankannya.
3. Bahasa Pemrograman:

15. 11
• Penjelasan: Bahasa pemrograman seperti Python atau C++ dapat
digunakan untuk mengimplementasikan algoritma atau program yang
mengikuti prinsip-prinsip mesin Turing.
• Implementasi: Seorang programmer dapat menulis program yang
memodelkan langkah-langkah mesin Turing dalam bahasa pemrograman
tertentu, mengimplementasikan ide dasar dari mesin Turing.
4. Hardware Modern sebagai Model Turing:
• Penjelasan: Meskipun mesin Turing klasik memiliki model tape yang tak
terbatas, komputer modern dengan memori dan penyimpanan terbatas
dapat dianggap sebagai model yang terbatas dari mesin Turing.
• Implementasi: Setiap program yang dapat dijalankan pada komputer
modern secara teknis dapat dianggap sebagai implementasi mesin Turing,
meskipun dalam skala yang lebih terbatas.
5. Simulasi Mesin Turing di Lingkungan Digital:
• Penjelasan: Penggunaan lingkungan simulasi digital untuk merancang dan
menguji konsep algoritma atau program yang mengikuti prinsip mesin
Turing.
• Implementasi: Software simulasi seperti Turing Machine Emulator dapat
digunakan untuk merancang dan menguji ide-ide yang terkait dengan mesin
Turing di lingkungan digital.
Penting untuk dicatat bahwa implementasi Turing dalam konteks fisik atau digital
sering digunakan untuk tujuan pembelajaran, eksperimen, atau demonstrasi prinsip-
prinsip dasar komputasi. Mesin Turing klasik adalah konsep teoritis, dan
implementasinya dapat bervariasi tergantung pada konteksnya.
3.2. Heuristik Dalam Kecerdasan Buatan (Artificial Inteligence)
Metode Pencarian Heuristik dalam Kecerdasan Buatan telah menjadi landasan
penting dalam mengatasi berbagai tantangan kompleks dalam dunia komputasi.
Dalam sumber lain, heuristik didefinisikan sebagai cara untuk menunjukan
pemikiran yang dimiliki oleh seseorang untuk bisa memecahkan suatu masalah agar
bisa segera tuntas atau selesai.
3.2.1. Apa itu Metode Pencarian Heuristik?

16. 12
Metode pencarian heuristik adalah salah satu metode pencarian yang digunakan
untuk menyelesaikan masalah pencarian dalam kecerdasan buatan. Metode ini
menggunakan informasi tambahan, yang disebut heuristik, untuk mengarahkan
proses pencarian. Heuristik adalah fungsi yang memberikan estimasi biaya atau
jarak dari suatu keadaan ke keadaan tujuan.
3.2.2. Jenis Metode Berbasis Heuristik
Terdapat beberapa jenis metode berbasis heuristik yang umum digunakan dalam
kecerdasan buatan:
1. Metode Pencarian A (A star)
Metode pencarian A* adalah salah satu yang paling populer. Dalam A*, heuristik
digunakan untuk memilih jalur yang paling mungkin menuju keadaan tujuan. Ini
memungkinkan pencarian yang efisien dan seringkali menghasilkan solusi optimal.
2. Greedy Best-First Search
Metode pencarian greedy best-first search juga memanfaatkan heuristik untuk
memilih jalur yang paling mungkin mengarah ke keadaan tujuan. Namun,
perbedaannya adalah bahwa metode ini hanya mempertimbangkan heuristik saat
memilih langkah selanjutnya, tanpa memperhitungkan jalur yang telah dilewati
sebelumnya.
3. Beam Search
Beam search adalah pencarian berbasis heuristik yang membatasi jumlah jalur yang
diperhitungkan pada setiap iterasi. Ini dapat mengurangi waktu pencarian, tetapi
dengan risiko mengurangi akurasi hasil pencarian karena pembatasan jalur.
3.2.3. Manfaat Pencarian Berbasis Heuristik
Metode pencarian ini memberikan beberapa manfaat signifikan:
1. Penyelesaian Masalah Kompleks: Metode ini dapat digunakan untuk
menyelesaikan masalah pencarian yang kompleks yang sulit diselesaikan oleh
metode pencarian konvensional.
2. Solusi Optimal: Dengan memanfaatkan heuristik, metode ini mampu
menghasilkan solusi yang mendekati optimal atau bahkan solusi yang benar-
benar optimal dalam beberapa kasus.
3. Efisiensi Waktu: Metode ini dapat mengurangi waktu pencarian secara
signifikan dengan membatasi jumlah jalur yang harus dipertimbangkan.

17. 13
3.2.4. Aplikasi Metode Pencarian Heuristik
Pencarian berbasis heuristik memiliki banyak aplikasi dalam berbagai bidang,
termasuk:
1. Pemrograman Robot: Dalam pengembangan robot, metode ini digunakan
untuk mengarahkan robot mencapai tujuannya. Ini sangat penting dalam
navigasi robot otonom.
2. Pemrosesan Bahasa Alami: Dalam pemrosesan bahasa alami, heuristik
digunakan untuk memecahkan masalah seperti pengenalan pola, pemahaman
konteks, dan terjemahan bahasa.
3. Pembelajaran Mesin: Dalam pembelajaran mesin, metode berbasis heuristik
dapat digunakan untuk melatih model, mencari parameter terbaik, atau memilih
fitur yang paling relevan.
3.2.5. Contoh Penerapan/Implementasi Heuristik
Contoh penerapan pencarian berbasis heuristik yang umum adalah mencari rute
perjalanan terpendek dari satu lokasi ke lokasi lain. Metode pencarian A* dapat
digunakan untuk menyelesaikan masalah ini dengan memanfaatkan heuristik yang
memberikan estimasi jarak antara kedua lokasi. Dengan demikian, metode ini dapat
digunakan dalam aplikasi navigasi seperti Google Maps.
Selain itu, metode ini juga digunakan dalam permainan seperti catur atau Go.
Dalam permainan ini, metode pencarian A* dapat digunakan untuk menemukan
gerakan terbaik yang dapat dilakukan oleh pemain, berdasarkan evaluasi posisi saat
ini dan heuristik yang diterapkan pada setiap langkah.
Heuristik adalah pendekatan atau metode pemecahan masalah yang mengandalkan
aturan praktis atau aturan jempol daripada langkah-langkah yang formal atau
algoritma yang sempurna. Berikut adalah beberapa contoh penerapan atau
implementasi heuristik dalam berbagai konteks:
1. Penyelesaian Travelling Salesman Problem (TSP):
• Penerapan Heuristik: Algoritma Greedy.
• Penjelasan: Algoritma Greedy dalam TSP memilih langkah yang terlihat
paling baik pada setiap tahap. Misalnya, pada setiap langkah, salesman
memilih kota terdekat yang belum dikunjungi.
2. Penjadwalan Produksi di Pabrik:

18. 14
• Penerapan Heuristik: Rule of Thumb.
• Penjelasan: Rule of Thumb dalam penjadwalan produksi dapat mencakup
aturan praktis seperti memberikan prioritas pada pesanan besar atau
menetapkan urutan produksi berdasarkan waktu yang diestimasi secara
kasar.
3. Rute Navigasi dalam Aplikasi Pemetaan:
• Penerapan Heuristik: Algoritma A*.
• Penjelasan: Algoritma A* adalah algoritma pencarian heuristik yang
digunakan untuk menemukan rute terpendek atau tercepat antara dua titik
dalam ruang peta.
4. Penyeleksian Fitur dalam Machine Learning:
• Penerapan Heuristik: Algoritma Forward Selection.
• Penjelasan: Algoritma Forward Selection dalam penyeleksian fitur
memulai dengan satu fitur dan secara iteratif menambahkan fitur yang
paling meningkatkan kinerja model.
5. Penentuan Ukuran Kemasan Optimal dalam Logistik:
• Penerapan Heuristik: First Fit.
• Penjelasan: First Fit adalah heuristik yang digunakan dalam penentuan
ukuran kemasan optimal. Item-item dimasukkan ke dalam kemasan
pertama yang cukup besar, dan jika tidak cukup, kemasan baru dibuat.
6. Penyelesaian Sudoku:
• Penerapan Heuristik: Constraint Propagation.
• Penjelasan: Dalam penyelesaian Sudoku, constraint propagation
digunakan untuk mengurangi kemungkinan nilai pada sel-sel tertentu
berdasarkan nilai-nilai yang sudah diisi.
7. Pencarian Jalur Terpendek dalam Jaringan:
• Penerapan Heuristik: Algoritma Dijkstra.
• Penjelasan: Algoritma Dijkstra menggunakan heuristik untuk menemukan
jalur terpendek dalam jaringan graf berbobot positif.
8. Penentuan Rute Pengiriman:
• Penerapan Heuristik: Algoritma Nearest Neighbor.

19. 15
• Penjelasan: Algoritma Nearest Neighbor digunakan untuk menentukan
rute pengiriman yang efisien dengan memilih pelanggan terdekat pada
setiap langkah.
9. Penjadwalan Pertemuan:
• Penerapan Heuristik: Scheduling by Prioritization.
• Penjelasan: Dalam penjadwalan pertemuan, heuristik seperti memberikan
prioritas kepada pertemuan yang kritikal atau mempertimbangkan waktu
luang bersama dapat digunakan.
10. Optimasi Layout Gudang:
• Penerapan Heuristik: Algoritma Clustering.
• Penjelasan: Algoritma Clustering dapat digunakan untuk mengoptimalkan
layout gudang dengan mengelompokkan barang-barang yang sering
diakses bersama-sama.
Penerapan heuristik seringkali bergantung pada sifat-sifat spesifik masalah dan
ketersediaan informasi. Meskipun tidak selalu menjamin solusi optimal, heuristik
sering digunakan karena kecepatan eksekusi dan kemampuan adaptasinya terhadap
berbagai situasi.
3.3. Inferensi
Inferensi adalah proses menjalankan data langsung melalui model AI terlatih untuk
membuat prediksi atau menyelesaikan tugas.
3.3.1. Apa Itu Inferensi AI?
Gambar 3.2. AI Automation
Inferensi adalah momen kebenaran model AI, tes seberapa baik ia dapat
menerapkan informasi yang dipelajari selama pelatihan untuk membuat prediksi

20. 16
atau menyelesaikan tugas. Dapatkah secara akurat menandai email masuk sebagai
spam, mentranskripsikan percakapan, atau meringkas laporan?
Selama inferensi, model AI bekerja pada data real-time, membandingkan kueri
pengguna dengan informasi yang diproses selama pelatihan dan disimpan dalam
bobot, atau parameternya. Respons yang dikembalikan oleh model bergantung pada
tugas, apakah itu mengidentifikasi spam, mengubah ucapan menjadi teks, atau
menyaring dokumen panjang menjadi takeaways kunci. Tujuan inferensi AI adalah
untuk menghitung dan menghasilkan hasil yang dapat ditindaklanjuti.
Pelatihan dan inferensi dapat dianggap sebagai perbedaan antara belajar dan
mempraktikkan apa yang Anda pelajari. Selama pelatihan, model pembelajaran
mendalam menghitung bagaimana contoh-contoh dalam set pelatihannya terkait,
menyandikan hubungan ini dalam bobot yang menghubungkan neuron buatannya.
Ketika diminta, model menggeneralisasi dari representasi yang tersimpan ini untuk
menafsirkan data baru yang tidak terlihat, dengan cara yang sama seperti orang
memanfaatkan pengetahuan sebelumnya untuk menyimpulkan arti kata baru atau
memahami situasi baru.
3.3.2. Tingginya Biaya Inferensi
Neuron buatan dalam model pembelajaran mendalam terinspirasi oleh neuron di
otak, tetapi mereka sama sekali tidak efisien. Pelatihan hanya salah satu model
generatif saat ini dapat menghabiskan jutaan dolar dalam waktu pemrosesan
komputer. Tetapi semahal melatih model AI, itu dikerdilkan oleh biaya inferensi.
Setiap kali seseorang menjalankan model AI di komputer mereka, atau di ponsel di
tepi, ada biaya - dalam kilowatt jam, dolar, dan emisi karbon.
Karena hingga 90% masa pakai model AI dihabiskan dalam mode inferensi,
sebagian besar jejak karbon AI juga ada di sini, dalam melayani model AI ke dunia.
Dengan beberapa perkiraan, menjalankan model AI besar menempatkan lebih
banyak karbon ke atmosfer selama masa pakainya daripada rata-rata mobil
Amerika.
"Pelatihan model adalah investasi satu kali dalam komputasi sementara inferensi
sedang berlangsung," kata Raghu Antit, seorang ahli model dasar di IBM Research.
"Sebuah perusahaan mungkin memiliki jutaan pengunjung per hari menggunakan

21. 17
chatbot yang didukung oleh Watson Assistant. Itu jumlah lalu lintas yang luar
biasa."
Semua lalu lintas dan inferensi itu tidak hanya mahal, tetapi juga dapat
menyebabkan perlambatan yang membuat frustrasi bagi pengguna. IBM dan
perusahaan teknologi lainnya, sebagai hasilnya, telah berinvestasi dalam teknologi
untuk mempercepat inferensi guna memberikan pengalaman pengguna yang lebih
baik dan untuk menurunkan biaya operasional AI.
3.3.3. Inferensi AI yang Lebih Cepat
Seberapa cepat model AI berjalan tergantung pada tumpukan. Perbaikan yang
dilakukan pada setiap lapisan perangkat keras, perangkat lunak, dan middleware
dapat mempercepat inferensi sendiri dan bersama-sama.
Mengembangkan chip komputer yang lebih kuat adalah cara yang jelas untuk
meningkatkan kinerja. Salah satu bidang fokus untuk IBM Research adalah
merancang chip yang dioptimalkan untuk perkalian matriks, operasi matematika
yang mendominasi pembelajaran mendalam.
Telum, chip akselerator komersial pertama IBM untuk inferensi AI, adalah contoh
perangkat keras yang dioptimalkan untuk jenis matematika ini. Seperti prototipe
IBM Artificial Intelligence Unit (AIU) dan bekerja pada chip AI analog.
Cara lain untuk membuat model AI berjalan lebih cepat adalah dengan mengecilkan
model itu sendiri. Pemangkasan bobot berlebih dan mengurangi presisi model
melalui kuantisasi adalah dua metode populer untuk merancang model yang lebih
efisien yang berkinerja lebih baik pada waktu inferensi.
Cara ketiga untuk mempercepat inferensi adalah dengan menghilangkan kemacetan
di middleware yang menerjemahkan model AI ke dalam operasi yang dapat
dijalankan oleh berbagai backend perangkat keras untuk menyelesaikan tugas AI.
Untuk mencapai hal ini, IBM telah berkolaborasi dengan pengembang di komunitas
PyTorch open-source.
Bagian dari Linux Foundation, PyTorch adalah kerangka kerja pembelajaran mesin
yang mengikat perangkat lunak dan perangkat keras untuk memungkinkan
pengguna menjalankan beban kerja AI di cloud hybrid. Salah satu keunggulan
utama PyTorch adalah dapat menjalankan model AI pada backend perangkat keras
apa pun: GPU, TPU, IBM AIU, dan CPU tradisional. Kerangka kerja universal ini,

22. 18
yang diakses melalui Red Hat OpenShift, memberi perusahaan enterprise opsi
untuk menyimpan beban kerja AI sensitif on-premise sambil menjalankan beban
kerja lain di server publik dan pribadi di cloud hybrid.
3.3.4. Inferensi Berbiaya Rendah untuk Cloud Hibrid
Middleware mungkin merupakan lapisan tumpukan yang paling tidak glamor, tetapi
penting untuk menyelesaikan tugas AI. Saat runtime, kompiler di lapisan tengah ini
mengubah kode tingkat tinggi model AI menjadi grafik komputasi yang mewakili
operasi matematika untuk membuat prediksi. GPU dan CPU di backend melakukan
operasi ini untuk menghasilkan solusi.
3.3.5. Implementasi Inferensi
Implementasi inferensi adalah proses pengambilan keputusan atau penarikan
kesimpulan berdasarkan aturan-aturan dan informasi yang ada. Teknik ini sering
digunakan dalam sistem berbasis pengetahuan, sistem pakar, dan berbagai aplikasi
kecerdasan buatan. Berikut adalah beberapa contoh implementasi inferensi:
1. Sistem Pakar:
• Penjelasan: Sistem pakar menggunakan basis pengetahuan yang telah
didefinisikan dan aturan inferensi untuk menyimpulkan atau memberikan
solusi dalam suatu domain spesifik.
• Implementasi: Sebuah sistem pakar di bidang medis dapat menggunakan
aturan inferensi untuk menilai gejala yang diinputkan oleh pengguna dan
memberikan diagnosis atau saran perawatan.
2. Pemrosesan Bahasa Alami:
• Penjelasan: Dalam pemrosesan bahasa alami, inferensi digunakan untuk
memahami dan menafsirkan makna dari teks atau pernyataan bahasa
manusia.
• Implementasi: Chatbot atau asisten virtual dapat menggunakan inferensi
untuk merespons pertanyaan atau perintah dalam bahasa alami dengan
memahami konteks.
3. Sistem Deteksi Anomali:
• Penjelasan: Sistem deteksi anomali menggunakan inferensi untuk menilai
apakah suatu pola atau perilaku dalam data merupakan anomali atau
indikasi potensi masalah.

23. 19
• Implementasi: Dalam keamanan jaringan, sistem deteksi anomali dapat
menggunakan aturan inferensi untuk mengenali pola lalu lintas yang
mencurigakan.
4. Sistem Pengambil Keputusan:
• Penjelasan: Sistem pengambil keputusan menggunakan aturan inferensi
untuk membuat keputusan berdasarkan data dan informasi yang tersedia.
• Implementasi: Dalam bisnis, sistem pengambil keputusan dapat digunakan
untuk mengevaluasi data keuangan dan membuat keputusan investasi
berdasarkan aturan yang telah ditetapkan.
5. Sistem Kontrol Otomatis:
• Penjelasan: Dalam sistem kontrol otomatis, inferensi digunakan untuk
menentukan langkah-langkah kontrol yang harus diambil berdasarkan
kondisi atau input yang diukur.
• Implementasi: Dalam sistem pengaturan suhu ruangan, inferensi dapat
digunakan untuk menentukan apakah perlu meningkatkan atau
menurunkan suhu berdasarkan pembacaan sensor.
6. Sistem Rekomendasi:
• Penjelasan: Sistem rekomendasi menggunakan inferensi untuk
menentukan item atau konten yang sesuai dengan preferensi atau riwayat
pengguna.
• Implementasi: Layanan streaming video dapat menggunakan inferensi
untuk merekomendasikan film atau acara TV berdasarkan riwayat tontonan
pengguna.
7. Sistem Pengenalan Pola:
• Penjelasan: Sistem pengenalan pola menggunakan inferensi untuk
mengidentifikasi atau mengklasifikasikan pola dalam data, seperti
pengenalan wajah atau deteksi objek.
• Implementasi: Pengenalan wajah pada sistem keamanan atau pengenalan
objek dalam penglihatan komputer menggunakan inferensi untuk
mengambil keputusan berdasarkan fitur-fitur yang diidentifikasi.

24. 20
Implementasi inferensi melibatkan definisi aturan dan basis pengetahuan yang
relevan dengan konteks aplikasi tertentu. Algoritma inferensi dapat bervariasi
tergantung pada kebutuhan dan sifat sistem yang dikembangkan.
3.4. Kecocokan Pola (Pattren Matching)
Pencocokan pola digunakan di semua bidang termasuk: kecerdasan buatan,
pembelajaran mesin, pembelajaran mendalam, dan ilmu data. Ini adalah konsep
mendasar di bidang ini dan digunakan untuk tugas -tugas seperti pengenalan
gambar, pemrosesan bahasa alami, dan deteksi anomali.
3.4.1. Pengertian Umum Pattern Matching
Pattern Matching adalah teknik dalam pemrograman komputer yang digunakan
untuk mencari pola atau kesamaan antara dua atau lebih data. Pola yang dicari dapat
berupa karakter, kata, frasa, atau bahkan struktur data yang lebih kompleks. Teknik
ini sering digunakan dalam pengolahan teks, pengenalan suara, dan pengenalan
gambar.
3.4.2. Definisi Menurut Ahli
Menurut buku “Algorithms in C++” karya Robert Sedgewick, Pattern Matching
adalah “proses mencari kemunculan suatu pola tertentu dalam sebuah teks”.
Sedangkan menurut paper “A Survey of Pattern Matching Techniques” karya S.
Muthukrishnan, Pattern Matching adalah “proses mencari kemunculan suatu pola
dalam sebuah teks dengan menggunakan algoritma tertentu”.
3.4.3. Fungsi Pattern Matching
Pattern Matching adalah teknik pemrograman yang digunakan untuk mencari pola
atau kesamaan antara dua atau lebih data. Fungsi utama dari Pattern Matching
adalah untuk memudahkan proses pencarian data yang spesifik dan kompleks
dalam sebuah database atau file.
3.4.4. Contoh Pattern Matching
Contoh penerapan Pattern Matching adalah pada fitur pencarian di mesin pencari
seperti Google. Ketika kita memasukkan kata kunci tertentu, mesin pencari akan
mencari pola atau kesamaan antara kata kunci tersebut dengan konten yang ada di
dalam database mereka. Selain itu, Pattern Matching juga digunakan pada aplikasi
keamanan seperti antivirus untuk mendeteksi virus atau malware dengan
mencocokkan pola atau tanda-tanda tertentu pada file yang di-scan.

25. 21
3.4.5. Rumus atau Formula terkait Pattern Matching
Pattern Matching adalah konsep dasar yang digunakan dalam bidang-bidang seperti
Artificial Intelligence, Machine Learning, Deep Learning, dan Data Science.
Konsep ini digunakan untuk tugas-tugas seperti pengenalan gambar, pemrosesan
bahasa alami, dan deteksi anomali. Dalam pattern matching, terdapat beberapa
simbol yang digunakan seperti:
• Pattern: pola atau template yang ingin dicocokkan dengan data yang
diberikan
• Text: data yang ingin dicocokkan dengan pattern
• Match: hasil dari pencocokan antara pattern dan text
Dalam melakukan pattern matching, terdapat beberapa rumus atau formula yang
digunakan untuk menghitung tingkat kesamaan antara pattern dan text. Beberapa di
antaranya adalah:
• Levenshtein Distance: menghitung jumlah operasi (insert, delete, replace)
yang diperlukan untuk mengubah satu string menjadi string lainnya
• Jaccard Index: menghitung persentase kesamaan antara dua set data
• Cosine Similarity: menghitung sudut antara dua vektor dalam ruang
multidimensi
3.4.6. Implementasi Kecocokan Pola (Pattern Matching)
Implementasi kecocokan pola (pattern matching) adalah teknik yang digunakan
untuk mencari dan mengidentifikasi pola tertentu dalam data. Ini bisa digunakan
dalam berbagai konteks, dari pencarian teks dalam dokumen hingga pengenalan
pola dalam citra atau suara. Berikut adalah beberapa contoh implementasi
kecocokan pola:
1. Pencarian Teks:
• Penjelasan: Implementasi kecocokan pola dapat digunakan dalam
pencarian teks untuk menemukan kemunculan suatu kata atau frasa dalam
dokumen atau rangkaian teks.
• Implementasi: Fungsi pencarian dalam editor teks atau mesin pencari web
menggunakan algoritma kecocokan pola untuk menemukan kata kunci atau
frasa yang dicari.
2. Ekstraksi Informasi dari Data Terstruktur:

26. 22
• Penjelasan: Kecocokan pola dapat digunakan untuk mengekstraksi
informasi dari data terstruktur, seperti tabel atau format data yang teratur.
• Implementasi: Pada data berbentuk tabel, kecocokan pola dapat digunakan
untuk mengidentifikasi baris atau kolom yang memenuhi kondisi tertentu.
3. Pengenalan Wajah:
• Penjelasan: Implementasi kecocokan pola digunakan dalam pengenalan
wajah untuk membandingkan pola fitur wajah dengan data referensi.
• Implementasi: Sistem pengenalan wajah menggunakan algoritma
kecocokan pola untuk membandingkan dan mencocokkan pola wajah dalam
gambar atau video.
4. Pengenalan Suara:
• Penjelasan: Kecocokan pola dapat digunakan dalam pengenalan suara
untuk mencocokkan pola gelombang suara dengan model referensi.
• Implementasi: Sistem pengenalan suara menggunakan kecocokan pola
untuk mengidentifikasi dan mencocokkan pola suara dengan data pelatihan.
5. Kecocokan Pola dalam Data Biologis:
• Penjelasan: Dalam bioinformatika, kecocokan pola dapat digunakan untuk
mencari pola dalam rangkaian genetik atau protein.
• Implementasi: Algoritma kecocokan pola digunakan dalam mencari motif
konservatif dalam rangkaian DNA atau protein.
6. Sistem Rekomendasi:
• Penjelasan: Kecocokan pola dapat digunakan dalam sistem rekomendasi
untuk mencocokkan preferensi pengguna dengan item atau konten yang
sesuai.
• Implementasi: Algoritma kecocokan pola digunakan untuk mencari pola
dalam sejarah preferensi pengguna dan merekomendasikan item yang
cocok.
7. Pencocokan Pola dalam Jaringan:
• Penjelasan: Dalam keamanan jaringan, kecocokan pola dapat digunakan
untuk mendeteksi pola atau tandatangan yang sesuai dengan serangan atau
malware.

27. 23
• Implementasi: Sistem deteksi ancaman menggunakan kecocokan pola untuk
mencocokkan pola perilaku jaringan dengan tanda-tanda serangan yang
diketahui.
Implementasi kecocokan pola melibatkan penggunaan algoritma atau metode yang
efisien dalam mengenali dan mencocokkan pola tertentu dalam data. Dalam banyak
kasus, kecocokan pola dapat menjadi bagian integral dari berbagai aplikasi yang
melibatkan analisis dan pengolahan data.
3.5. Pemrosesan Simbolik
Pemrosesan simbolik adalah paradigma pemrosesan informasi yang berkaitan
dengan manipulasi simbol atau representasi simbolik untuk melakukan komputasi.
Ini melibatkan penggunaan simbol, aturan, dan manipulasi aljabar untuk mewakili
dan menyelesaikan masalah. Implementasi pemrosesan simbolik dapat ditemukan
di berbagai bidang, termasuk kecerdasan buatan, ilmu komputer, dan matematika.
Komputer semula didesain untuk memproses bilangan atau angka-angka
(pemrosesan numerik). Sementara manusia dalam berpikir dan menyelesaikan
masalah lebih bersifat simbolik, tidak didasarkan pada sejumlah rumus atau
melakukan komputasi matematika. Sifat penting dari AI adalah bahwa AI
merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan
non algoritmik dalam penyelesaian masalah.
3.5.1. Implementasi Pemrosesan Simbolik
Berikut adalah beberapa contoh implementasi pemrosesan simbolik:
1. Sistem Aljabar Komputer (CAS):
• Penjelasan: Sistem Aljabar Komputer adalah perangkat lunak yang
dirancang untuk melakukan manipulasi simbolik dalam konteks matematika
dan aljabar.
• Implementasi: Wolfram Alpha dan Mathematica adalah contoh CAS yang
dapat menyelesaikan persamaan matematika, menyederhanakan ekspresi,
dan menyediakan jawaban simbolik.
2. Pemrosesan Bahasa Alami (Natural Language Processing/NLP):
• Penjelasan: Pemrosesan Bahasa Alami melibatkan penggunaan simbol dan
aturan untuk memahami dan menghasilkan bahasa manusia.

28. 24
• Implementasi: Chatbot atau asisten virtual yang dapat memahami perintah
dan pertanyaan dalam bahasa alami dan memberikan respons yang sesuai.
3. Pemrosesan Logika dan Inferensi:
• Penjelasan: Pemrosesan logika simbolik melibatkan manipulasi simbol dan
aturan logika untuk membuat kesimpulan.
• Implementasi: Sistem pakar yang menggunakan aturan inferensi logika
untuk mengambil keputusan atau memberikan saran dalam suatu domain
tertentu.
4. Pemrosesan Formal dalam Verifikasi Perangkat Lunak:
• Penjelasan: Pemrosesan simbolik digunakan dalam verifikasi perangkat
lunak untuk membuktikan properti matematis dari program.
• Implementasi: Metode formal seperti model-checking menggunakan
representasi simbolik untuk memverifikasi kebenaran program atau
sistem.
5. Sistem Otomatisasi Perencanaan:
• Penjelasan: Sistem otomatisasi perencanaan menggunakan pemrosesan
simbolik untuk merencanakan serangkaian langkah atau tindakan yang
mencapai tujuan tertentu.
• Implementasi: Perencanaan otomatis dalam robotika atau sistem
perencanaan otomatis dalam pengelolaan sumber daya.
6. Pemrosesan Simbolik dalam Kecerdasan Buatan Umum:
• Penjelasan: Beberapa pendekatan dalam pengembangan kecerdasan buatan
umum melibatkan pemrosesan simbolik untuk pemahaman dan
penyelesaian tugas-tugas kompleks.
• Implementasi: Penggunaan logika deklaratif, representasi pengetahuan, dan
pemrosesan bahasa alami dalam menciptakan sistem yang lebih "pintar"
secara umum.
Pemrosesan simbolik sering digunakan dalam konteks yang memerlukan
representasi pengetahuan, inferensi, dan manipulasi simbolik untuk menangani
kompleksitas masalah tertentu. Meskipun terdapat perkembangan besar dalam
pembelajaran mesin dan pendekatan berbasis data, pemrosesan simbolik tetap
relevan dalam banyak aplikasi di dunia komputasi.

29. 25
BAB IV
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dalam pengembangan kecerdasan buatan, Turing Test memainkan peran
penting dalam menguji sejauh mana mesin dapat meniru perilaku manusia. Tes ini
membantu untuk menentukan tingkat kecerdasan mesin dan mengidentifikasi area
yang perlu di tingkatkan. Meskipun ada keuntungan dan tantangan dalam penerapan
Turing Test, pengujian ini terus berkembang dan menjadi dasar untuk
pengembangan kecerdasan buatan yang lebih maju.
Secara keseluruhan, metode pencarian heuristik adalah alat yang kuat dalam
kecerdasan buatan. Oleh karena itu, metode ini mampu menyelesaikan masalah
yang kompleks, menghasilkan solusi yang optimal, dan menghemat waktu
pencarian.
Oleh karena itu, metode ini tetap menjadi salah satu pendekatan yang penting dalam
pengembangan solusi cerdas dalam berbagai bidang aplikasi kecerdasan buatan.
5.2. Saran
Dalam dunia kecerdasan buatan, Pattern Matching adalah teknik yang sangat
penting untuk mengenali pola dan memprediksi hasil berdasarkan data yang telah
diberikan. Dengan menggunakan algoritma dan model pembelajaran mesin, Pattern
Matching dapat digunakan untuk mengenali pola dalam data yang kompleks dan
memberikan hasil yang akurat. Hal ini sangat penting dalam berbagai aplikasi AI
seperti pengenalan wajah, pengenalan suara, dan analisis data. Dalam
pengembangan AI, Pattern Matching juga digunakan untuk meningkatkan kinerja
model dan mengoptimalkan hasil yang dihasilkan. Oleh karena itu, pemahaman
yang baik tentang Pattern Matching sangat penting bagi para pengembang AI untuk
menciptakan solusi yang lebih baik dan lebih efektif.
DAFTAR PUSTAKA

30. 26
[1] Studinews. (2023, Oktober 28). 26 Pengertian Metode Menurut Para Ahli
(Pembahasan Lengkap). Diambil kembali dari Studinews:
https://www.studinews.co.id/26-pengertian-metode/. Diakses pada tanggal 26
November 2023.
[2] Zakky. (2020, Februari 23). Pengertian Konsep | Definisi, Fungsi, Unsur, dan
Ciri-Cirinya [Lengkap]. Diambil kembali dari ZonaReferensi.com:
https://www.zonareferensi.com/pengertian-konsep/. Diakses pada tanggal 26
November 2023.
[3] Bitar. (2023, Oktober 31). Pengertian Sistem – Karakteristik, Elemen, Jenis,
Klasifikasi, Para Ahli. Diambil kembali dari GuruPendidikan.com:
https://www.gurupendidikan.co.id/pengertian-sistem/. Diakses pada tanggal
26 November 2023.
[4] Pengertian Turing Test dan Bagaimana Itu Digunakan dalam Menguji
Kecerdasan Buatan. (2023, November 15). Diambil kembali dari Loka Baca:
https://lokabaca.com/pengertian-turing-test-dan-bagaimana-itu-digunakan-
dalam-menguji-kecerdasan-buatan/. Diakses pada tanggal 26 November 2023.
[5] hermawan, A. (2023, September 2). Apa itu Metode Pencarian Heuristik dalam
Kecerdasan Buatan. Diambil kembali dari promptAI.id:
https://www.promptai.id/apa-itu-metode-pencarian-heuristik-dalam-
kecerdasan-buatan/. Diakses pada tanggal 26 September 2023.
[6] Martineau, K. (2023, Oktober 5). Apa itu inferensi AI? Diambil kembali dari
IBM: https://research.ibm.com/blog/AI-inference-explained. Diakses pada
tangal 26 November 2023.
[7] RifkiMulyawan. (2023, November 26). Pattern Matching. Diambil kembali
dari RifkiMulyawan.com: https://rifqimulyawan.com/kamus/pattern-
matching/. Diakses pada tanggal 26 November 2023.
[8] Melindah. (Elibrary Unikom).
https://elibrary.unikom.ac.id/id/eprint/2920/8/12.%2010112797_MELINDAH
_BAB%20II.pdf. Diambil kembali dari BAB II Tinjauan Pustaka:
https://elibrary.unikom.ac.id/id/eprint/2920/8/12.%2010112797_MELINDAH
_BAB%20II.pdf. Diakses pada tangal 26 November 2023.

31. 27