1.

Aplikasi AI Dalam Bidang Keamanan Dan Pertahanan (militer)

Artificial Intelligence Projects

Salah satu contoh aplikasi AI yang digunakan pada saat ini yaitu dalam bidang
militer. Virtual reality dipakai untuk melakukan simulasi latihan perang, simulasi
latihan terjun payung. dan sebagainya. Dimana dengan pemakaian teknologi ini
bisa lebih menghemat biaya dan waktu dibandingkan dengan cara konvensional.

Istilah Realitas maya tidak pasti asalnya. Pengembang realitas maya, Jaron
Lanier mengakui bahwa ia menggunakan istilah itu pertama kali dan ada istilah
yang terkait digunakan olehMyron Krueger adalah kenyataan tiruan telah
digunakan sejak 1970.

Virtual Reality sering digunakan untuk menggambarkan berbagai aplikasi,

umumnya terkait dengan mendalam, sangat visual, 3D lingkungan.Biasanya
piranti Virtual Reality ini juga memonitor apa yang dilakukan user. Misalnya
kacamata yang mengontrol pergerakkan bola mata pengguna dan meresponnya
dengan mengirim masukkan video yang baru.

Virtual Reality kadang digunakan untuk menyebut dunia virtual yang disajikan ke
dalam komputer, seperti pada berbagai macam game permainan komputer yang
kini marak perkembangannya, meskipun hanya berbasis representasi teks, suara
dan grafis.

Sekarang, istilah Virtual Reality mulai tergantikan oleh istilah Virtual

Envoronment oleh para ahli komputer. Konsepnya tetap sama, yaitu
mensimulasikan lingkungan 3-D yang bisa dijelajahi oleh pengguna seolah-olah
benar-benar bisa dirasakan lewat indera.

Teknologi Virtual Reality

Virtual reality adalah sebuah teknologi yang memungkinkan seseorang

melakukan simulasi terhadap suatu objek nyata dengan menggunakan komputer
yang mampu membangkitkan suasana tiga dimensi (3-D) sehingga membuat
pemakai seolah-olah terlibat secara fisik. Virtual Reality atau VR tidak hanya

mensimulasikan apa yang ingin disimulasikan seseorang yang diprogramkan di

Komputer seperti dunia nyata atau sesuatu yang lain, tetapi juga menciptakan
kemampuan intelegensi dalam dunia virtual tersebut, dalam bahasan ini
mengenai simulai militer dalam angkatan bersenjata.

Sistem seperti ini juga dapat digunakan untuk farmasi, arsitek, pekerja medis,
dan bahkan orang awam untuk melakukan aktivitas-aktivitas yang meniru dunia
nyata. Sebagai contoh, pilot dapat menggunakan sistem virtual reality untuk
melakukan simulasi penerbangan sebelum melakukan penerbangan yang
sesungguhnya. Ini sangat membantu dalam menekan biaya dan sumber daya
manusia maupun sumberdaya alam yang dibutuhkan untuk membantu dalam
melakukan hal-hal tertentu. Dalam VR juga dapat dimasukkan system
pembelajaran, karena tidak nyata maka simulasi dapat dilakukan terus menerus,
seperti halnya ketika main game hanya saja system ini jauh lebih cerdas karena
dapat membantu kita mengenali object virtual dan berinteraksi langsung dengan
system, VR dibuat untuk mengenali sentuhan, gerakan, tekanan,bahasa, dan
lain-lain.

VR bisa disebut gabungan dari beberapa aplikasi AI yang ada yaitu Cognitive
architectures, Games, Motion and manipulation, Natural language processing,
semua yang ada disimulasikan dengan system yang dibuat seperti apa yang
dikenali manusia melalui penglihatan, sentuhan, dan pendengaran.

Setelah beberapa tahun pengembangan yang berawal dari imajinasi untuk hidup
di dunia maya akhirnya terwujud dengan saat ini sudah banyak digunakan VR
dalam industri, personal dan militer, VR adalah sebuah teknologi yang membawa
kita untk melihat dan mensimulasikan sesuatu didalam komputer, dalam VR,
objek dapat dibuat objek statis maupun dinamis, kita dapat berinteraksi
langsung menggunakan peralatan yang ada.

Di gunakannya VR dalam militer adalah untuk membantu angkatan bersenjata

berltih prang menggunakan musuh virtual, ini akan sangat membantu dari segi
finansial dan tempat yang dibutuhkan, sistem dapat selalu dimaintain dan
diperbaiki, sebuah kecerdasan buatan didalamnya dapat diperbaharui seperti
software pada umumnya.

Glove, headset, dan walker digunakan untuk melakukan interaksi dalam VR,
dalam pengembangannya ada 3 tahapan sederhana, yaitu memodelkan dunia 3
dimensi dalam VR, menciptakan sebuah AI dalam objek 3 dimensi yang dibuat
kemudian membuat control antara hardware dan software untuk dapat dilakukan
interaksi virtual antara pemakai dan system. Dengan teknologi VRML dan
pengembangan SIMNET dalam dunia militer diharapkan dapat membantu SDM
yang dilatih untuk lebih baik dan mengembangkannya lebih lanjut.

2.

Aplikasi AI Dalam Bidang Ekonomi Dan Bisnis

SISTEM PREDIKSI KURS MATA UANG MENGGUNAKAN JARINGAN SYARAF TIRUAN

Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting
sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi
acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai
pertimbangan untuk para pialang saham dan bursa efek untuk mengambil
langkah bisnis selanjutnya.

Data dari kurs mata uang dapat diperlakukan secara time series . Jika kita
mempunyai data harian selama periode tertentu, misal : Xt (t=1,2,), maka
kurs mata uang pada perioda berikutnya (t+h) dapat diprediksi (waktu yang
digunakan bisa jam, harian, mingguan , bulanan ataupun tahunan) . Demikian
seterusnya dilakukan suatu iterasi berulang hingan N hari kerja. Untuk
mendapatkan hasil prediksi yang baik maka pada jaringan syaraf buatan hasus
di-umpankan suatu masukan yang mewakili dari beberapa aspek atau segi
penunjang harga suatu kurs mata uang. Kemudian dilakukan prinsip pembobotan
yang diadaptasikan untuk meminimumkan kesalahan prediksi pada satu langkah
kedepan. Dengan menggunakan bobot akhir dilakukan suatu tindakan untuk
meminimumkan kesalahan total untuk iterasi berikutnya.

Teknologi sistem jaringan syaraf tiruan telah di-implementasikan dalam berbagai

aplikasi terutama dalam hal pengenalan pola. Kemampuan inilah yang telah
menarik beberapa kalangan dalam menggunakan jaringan syaraf tiruan untuk
keperluan kesehatan, keuangan , investasi, marketing dan lain lain. Pada sistem
prediksi kurs mata uang ini akan dibahas penggunaan Jaringan syaraf tiruan
Quick Propagation. Pada algoritma Quickprop dilakukan pendekatan dengan
asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung
berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk
suatu bobot tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian
perhitungan perubahan bobot hanya menggunakan informasi lokal pada masingmasing bobot. Berdasarkan hasil uji coba juga diketahui bahwa aplikasi ini
mampu memprediksi nilai mata uang hingga 1 bulan kedepan dengan tingkat
keakuratan mencapai lebih dari 75%.

Peramalan nilai tukar mata uang dengan menggunakan Jaringan Saraf Tiruan
(JST) telah digunakan secara luas dan memberikan hasil yang bagus. Hal ini
disebabkan kemampuan JST untuk menangkap karakter volatilitas yang tinggi
dan nonlinier pada pasar uang. Namun, JST merupakan suatu paradigma
pembelajaran yang sangat tidak stabil dan terlalu sensitif jika diterapkan pada
peramalan nilai tukar mata uang.. Misalnya dengan menggunakan struktur JST
yang sama, namun berbeda training set, maka akan didapat perbedaan hasil

yang cukup besar. Hal ini dapat menyebabkan kesulitan dalam menentukan hasil
ramalan yang akan digunakan. Untuk menyelesaikan permasalahan tersebut,
diajukan sebuah pendekatan peramalan baru yang disebut peramalan fuzzy
group berbasis jaringan saraf tiruan. Dengan peramalan fuzzy group berbasis
jaringan saraf tiruan ini, hasil prediksi yang berbeda-beda dari beberapa model
JST dapat dijadikan satu hasil yang cukup akurat. Pada metode yang diajukan ini,
terlebih dahulu digunakan beberapa model JST dimana tiap model JST melakukan
beberapa prediksi dengan training set yang berbeda-beda. Kemudian dilakukan
fuzzification terhadap hasil prediksi dari setiap model JST sehingga menjadi
representasi prediksi fuzzy. Selanjutnya representasi prediksi fuzzy ini diagregasi
menjadi satu fuzzy group. Terakhir, dilakukan defuzzification terhadap fuzzy
group yang diperoleh menjadi satu nilai crisp. Untuk kepentingan ilustrasi dan
testing, dilakukan beberapa contoh percobaan prediksi terhadap tiga pasang
mata uang. Sebagai perbandingan, digunakan struktur JST feed-forward untuk
melakukan peramalan. Hasil uji coba memperlihatkan bahwa peramalan fuzzy
group berbasis JST mampu mengatasi masalah stabilitas dan sensitivitas pada
JST. Selain itu keakuratan peramalan juga menjadi lebih baik daripada JST feedforward. Walaupun begitu peramalan fuzzy group berbasis JST juga memiliki
kelemahan, yaitu waktu eksekusi yang jauh lebih lama daripada JST feedforward.

3.

Aplikasi AI Dalam Bidang Pendidikan

Sistem Tutor Cerdas atau Intelligent Tutoring System(ITS) merupakan sebuah

teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau output
program sesuai dengan kebutuhan dari objek sasaran menggunakan keahliannya
dalam metode pembelajaran dan materi yang diajarkan. Hal ini dapat dilakukan
karena ITS dilengkapi oleh Artificial Intelligence (AI). Bayesian Network
menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu
inference atau kesimpulan tentang karakteristk setiap pengguna program ITS.
Dalam simulasi program ITS berbasis metode Bayesian Network diketahui bahwa
keandalan program tersebut adalah 52,3%.

Saat kita bebicara tentang arti dari Sistem Tutor Cerdas (STC) atau Intelligent
Tutoring System (ITS) maka kita juga harus mempertimbangkan riset-riset lain
yang sudah ada. Karena Intelligent Tutoring System adalah sebuah istilah yang
luas, mencakup program komputer apapun yang berisi tentang

kecerdasan atau Intelligence serta dapat digunakan dalam pembelajaran. Oleh

karena itu ada beberapa definisi dari ITS antara lain:

Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) adalah sebuah
program software yang menyediakan instruksi-instruksi untuk seorang pelajar
dengan cara membimbing seperti seorang guru.

Secara luas Intelligent Tutoring System diartikan sebagai software di

bidang pendidikan yang berisi komponen Artificial Intelligence. Software ini dapat
merekam semua pekerjaan siswa sepanjang dia menggunakan program ini,
dengan mengumpulkan semua informasi tersebut, program ini dapat membuat
atau menghasilkan kesimpulan tentang kelemahan dan kekuatan pengguna,
serta dapat menyarankan sebuah pekerjaan tambahan. Kunci dari sebuah
program ITS adalah kemampuannya dalam beradaptasi sebaik mungkin dalam
aktivitas pedagogik yang baik kepada siswa secara individu. Jadi, ITS mencoba
untuk mengidentifikasi beberapa karakteristik dari seorang siswa yang sesuai
dengan kriteria tertentu untuk menyajikan sebuah action, bagaimana cara
bereaksi terhadap beberapa tindakan siswa.

4.

Aplikasi AI Dalam Bidang Agronomi Dan Pertanian

Pengolahan Citra Dengan Metode Jaringan Syaraf Tiruan Berbasis Mobile Untuk
Mengetahui Kualitas Tanaman Padi

Teknologi mobile yang sedang banyak digemari saat ini adalah smartphone. Ini
disebabkan oleh kemampuan dan kepintaran perangkat mobile tersebut dalam
membantu kehidupan manusia. Dalam dunia pertanian, salah satu masalah yang
dihadapi adalah menentukan kualitas tanaman hasil pertanian, khususnya
tanaman padi. Terkadang memang sulit untuk melihat dengan kasat mata
kualitas tanaman padi tersebut. Sebagai tanaman, padi juga tidak luput dari
serangan hama yang membawa penyakit di antaranya bercak daun coklat (bintik
perang), bercak daun cercospora, hawar daun (kresek), dan blast. Tahap awal
adalah mengambil citra dari padi menggunakan sebuah kamera yang
terintegrasi di dalam perangkat smartphone Android. Citra padi tersebut
dianalisa dengan aplikasi yang sudah terpasang pada smartphone tersebut.
Aplikasi ini berfungsi untuk menyusun algoritma pengolahan citra untuk
mendapatkan nilai numerik parameter-parameter intensitas komponen warna
merah (R), hijau (G), biru (B), color value, indeks warna merah/indeks R, indeks

warna hijau/indeks G, indeks warna biru/indeks B, hue, saturation, dan intensity

yang merupakan input data pada jaringan syaraf tiruan. Proses training
dilakukan untuk mendapatkan tingkat persentase pendugaan kelompok piksel
yang tergolong ke dalam normal, bintik perang, bercak cercospora, hawar daun,
atau blast. Set data yang digunakan untuk training berupa pasangan parameterparameter input dan targetnya. Aplikasi jaringan syaraf tiruan menggunakan
algoritma backpropagation, dengan menggunakan bernilai satu dan (beta)
atau learning
rate bernilai 0.3. logistic constant

5.

Aplikasi AI Dalam Bidang Teknik Dan Rekayasa

KECERDASAN BUATAN DALAM ROBOTIKA

Kecerdasan Buatan (Artificial Intelligence) dalam robotik adalah suatu algorithma
(yang dipandang) cerdas yang diprogramkan ke dalam kontroler robot.
Pengertian cerdas di sini sangat relatif, karena tergantung dari sisi mana
sesorang memandang.
Para filsuf diketahui telah mulai ribuan tahun yang lalu mencoba untuk
memahami dua pertanyaan mendasar: bagaimanakah pikiran manusia itu
bekerja, dan, dapatkah yang bukan-manusia itu berpikir? (Negnevitsky, 2004).
Hingga sekarang, tak satupun mampu menjawab dengan tepat dua pertanyaan
ini. Pernyataan cerdas yang pada dasarnya digunakan untuk mengukur
kemampuan berpikir manusia selalu menjadi perbincangan menarik karena yang
melakukan penilaian cerdas atau tidak adalah juga manusia. Sementara itu,
manusia tetap bercita-cita untuk menularkan kecerdasan manusia kepada
mesin.
Dalam literatur, orang pertama yang dianggap sebagai pionir dalam
mengembangkan mesin cerdas (intelligence machine) adalah Alan Turing, sorang
matematikawan asal Inggris yang memulai karir saintifiknya di awal tahun 1930an. Di tahun 1937 ia menulis paper tentang konsep mesin universal (universal
machine). Kemudian, selama perang dunia ke-2 ia dikenal sebagai pemain kunci
dalam penciptaan Enigma, sebuah mesin encoding milik militer Jerman. Setelah
perang, Turing membuat automatic computing engine. Ia dikenal juga
sebagai pencipta pertama program komputer untuk bermain catur, yang
kemudian program ini dikembangkan dan dimainkan di komputer milik
Manchester University. Karya-karyanya ini, yang kemudian dikenal sebagai Turing
Machine, dewasa ini masih dapat ditemukan aplikasi-aplikasinya. Beberapa
tulisannya yang berkaitan dengan prediksi perkembangan komputer di masa
datang akhirnya juga ada yang terbukti. Misalnya tentang ramalannya bahwa di
tahun 2000-an komputer akan mampu melakukan percakapan dengan manusia.
Meski tidak ditemukan dalam paper-papernya tentang istilah resmi:
artificial intelligence, namun para peneliti di bidang ini sepakat untuk
menobatkan Turing sebagai orang pertama yang mengembangkan kecerdasan
buatan.

Secara saintifik, istilah kecerdasan buatan untuk selanjutnya disebut sebagai

AI (artificial intelligence) pertama kali diperkenalkan oleh Warren McCulloch,
seorang filsuf dan ahli perobatan dari Columbia University, dan Walter Pitts,
seorang matematikawan muda pada tahun 1943, (Negnevitsky, 2004). Mereka
mengajukan suatu teori tentang jaringan saraf tiruan (artificial neural network,
ANN) untuk selanjutnya disebut sebagai ANN bahwa setiap neuron dapat
dipostulasikan dalam dua keadaan biner, yaitu ON dan OFF. Mereka mencoba
menstimulasi model neuron ini secara teori dan eksperimen di laboratorium. Dari
percobaan, telah didemonstrasikan bahwa model jaringan saraf yang mereka
ajukan mempunyai kemiripan dengan mesin Turing, dan setiap fungsi
perhitungan dapat dapat diselesaikan melalui jaringan neuron yang mereka
modelkan.
Kendati mereka meraih sukses dalam pembuktian aplikasinya, pada akhirnya
melalui eksperimen lanjut diketahui bahwa model ON-OFF pada ANN yang
mereka ajukan adalah kurang tepat. Kenyataannya, neuron memiliki karakteristik
yang sangat nonlinear yang tidak hanya memiliki keadaan ON-OFF saja dalam
aktifitasnya. Walau demikian, McCulloch akhirnya dikenal sebagai orang kedua
setelah Turing yang gigih mendalami bidang kecerdasan buatan dan rekayasa
mesin cerdas. Perkembangan ANN sempat mengalami masa redup pada tahun
1970-an. Baru kemudian pada pertengahan 1980-an ide ini kembali banyak dikaji
oleh para peneliti.
Sementara itu, metoda lain dalam AI yang sama terkenalnya dengan ANN adalah
Fuzzy Logic (FL) untuk selanjutnya ditulis sebagai FL. Kalau ANN didisain
berdasarkan kajian cara otak biologis manusia bekerja (dari dalam), maka FL
justru merupakan representasi dari cara berfikir manusia yang nampak dari sisi
luar. Jika ANN dibuat berdasarkan model biologis teoritis, maka FL dibuat
berdasarkan model pragmatis praktis. FL adalah representasi logika berpikir
manusia yang tertuang dalam bentuk kata-kata.
Kajian saintifik pertama tentang logika berfikir manusia ini dipublikasikan oleh
Lukazewicz, seorang filsuf, sekitar tahun 1930-an. Ia mengajukan beberapa
representasi matematik tentang kekaburan (fuzziness) logika ketika
manusia mengungkapkan atau menyatakan penilaian terhadap tinggi, tua dan
panas (tall, old, & hot). Jika logika klasik hanya menyatakan 1 atau 0, ya atau
tidak, maka ia mencoba mengembangkan pernyataan ini dengan menambahkan
faktor kepercayaan (truth value) di antara 0 dan 1.
Di tahun 1965, Lotfi Zadeh, seorang profesor di University of California, Berkeley
US, mempublikasikan papernya yang terkenal, Fuzzy Sets. Penelitianpenelitian tentang FL dan fuzzy system dalam AI yang berkembang dewasa ini
hampir selalu menyebutkan paper Zadeh itulah sebagai basis pijakannya. Ia
mampu menjabarkan FL dengan pernyataan matematik dan visual yang relatif
mudah untuk dipahami. Karena basis kajian FL ini kental berkaitan dengan
sistem kontrol (Zadeh adalah profesor di bidang teknik elektro) maka pernyataan
matematiknya banyak dikembangkan dalam konteks pemrograman komputer.
Metoda AI lain yang juga berkembang adalah algorithma genetik (genetic
algorithm, GA) untuk selanjutnya disebut sebagai GA. Dalam pemrograman
komputer, aplikasi GA ini dikenal sebagai pemrograman berbasis teori evolusi
(evolutionary computation, EC) untuk selanjutnya disebut sebagai EC.

Konsep EC ini dipublikasikan pertama kali oleh Holland (1975). Ia mengajukan

konsep pemrograman berbasis GA yang diilhami oleh teori Darwin. Intinya, alam
(nature), seperti manusia, memiliki kemampuan adaptasi dan pembelajaran
alami tanpa perlu dinyatakan: apa yang harus dilakukan. Dengan kata
lain, alam memilih kromosom yang baik secara buta/alami. Seperti
pada ANN, kajian GA juga pernah mengalami masa vakum sebelum akhirnya
banyak peneliti memfokuskan kembali perhatiannya pada teori EC.
GA pada dasarnya terdiri dari dua macam mekanisme, yaitu encoding dan
evaluation. Davis (1991) mempublikasikan papernya yang berisi tentang
beberapa metoda encoding. Dari berbagai literatur diketahui bahwa tidak ada
metoda encoding yang mampu menyelesaikan semua permasalahan dengan
sama baiknya. Namun demikian, banyak peneliti yang menggunakan metoda bit
string dalam kajian-kajian EC dewasa ini.
Aplikasi AI dalam kontrol robotik dapat diilustrasikan sebagai berikut,
Gambar 4.1: Kontrol robot loop tertutup berbasis AI
Penggunaan AI dalam kontroler dilakukan untuk mendapatkan sifat dinamik
kontroler secara cerdas. Seperti telah dijelaskan di muka, secara klasik,
kontrol P, I, D atau kombinasi, tidak dapat melakukan adaptasi terhadap
perubahan dinamik sistem selama operasi karena parameter P, I dan D itu
secara teoritis hanya mampu memberikan efek kontrol terbaik pada kondisi
sistem yang sama ketika parameter tersebut di-tune. Di sinilah kemudian
dikatakan bahwa kontrol klasik ini belum cerdas karena belum mampu
mengakomodasi sifat-sifat nonlinieritas atau perubahan-perubahan dinamik, baik
pada sistem robot itu sendiri maupun terhadap perubahan beban atau gangguan
lingkungan.
Banyak kajian tentang bagaimana membuat P, I dan D menjadi dinamis, seperti
misalnya kontrol adaptif, namun di sini hanya akan dibahas tentang rekayasa
bagaimana membuat sistem kontrol bersifat cerdas melalui pendekatanpendekatan AI yang populer, seperti ANN, FL dan EC atau GA.
Gambar 4.1 mengilustrasikan tentang skema AI yang digunakan secara langsung
sebagai kontroler sistem robot. Dalam aplikasi lain, AI juga dapat digunakan
untuk membantu proses identifikasi model dari sistem robot, model lingkungan
atau gangguan, model dari tugas robot (task) seperti membuat rencana
trajektori, dan sebagainya. Dalam hal ini konsep AI tidak digunakan secara
langsung (direct) ke dalam kontroler, namun lebih bersifat tak langsung
(indirect).