Pertemuan 1 & 2

KECERDASARN TIRUAN

Kecerdasan buatan di sini merujuk pada mesin yang mampu berpikir, menimbang
tindakan yang akan di ambil, dan mampu mengambil keputusan seperti yang
dilakukan oleh manusia.

Sejarah AI
- Abad ke-17 sampai Abad ke -19 Abad ini merupakan titik awal perkembangan
kecerdasan buatan.
Rene Descartes mengemukakan bahwa semua tidak ada yang pasti. Kecuali
kenyataan bahwa seseorang bisa berpikir
Blaise Pascal berhasil menciptakan mesin penghitung digital mekanis pertama
pada tahun 1642
Charles Babbage dan Lovelace berhasil membuat mesin penghitung mekanid
yang dapat di program.
Bertrand Russell dan Alfred North Whitehead menerbitkan buku Principia
Mathematica yang merombak logika formal
Walter Pitts menerbitkan “Kalkulus Logis” pada 1943 yang merupakan
fondasi untuk jaringan saraf tiruan.

- Pada tahun 1950 – 1970

Tahun-tahun ini merupakan tahun pembuka bagi kecerdasan buatan, dimana
para ilmuan dn peneliti mulai memikirkan cara agar mesin dapat melakukan
pekerjaannya seperti yang dikerjakan oleh manusia.
Dietrich Prinz berhasil membuat program permainan catur .
Alan Turing seorang matematikawan inggris pertama kali mengusulkan
adanya tes untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas.
John McCarthy membuat istilah “Kecerdasan buatan” pada konferensi
pertama yang disediakan untuk pokok persoalan ini, pada 1956. dia juga
menemukan bahasa pemrograman Lisp.
 Joseph Weinzenbaum 1967 membuat program Eliza yang mempu melakukan
terapi terhadap pasien dengan memberikan beberapa pertanyaan
Alain Colmerauer mengembang kan bahasa komputer Prolog.
Joel Moses 1960 dan 1970, mendemostrasikan kekuatan pertimbangan
simbolis untuk mengintegrasikan masalahdi dalam program Macsyma, program
berbasis pengetahuan yang sukses pertama kali dalam bisang matematika
Marvin Minsky dan Seymour Papert, menerbitkan perceptrons yang
mendemosntrasikan batas jaringan saraf tiruan sederhana

- Pada tahun 1980 – 2004 Paul John W, Jaringan syaraf tiruan digunakan secara
meluas dengan algoritma perambatan balik. Paul John Werbos adalah orang
pertama yang menjelaskannya pada tahun 1974.
Deep Blue adalah komputer pertama yang memenangkan sebuah permainan
catur melawan seorang juara dunia (Garry Kasprov) dalam waktu standar
sebuah turnamaen kemenangan pertamanya terjadi pada 10 Februari 1996.

Tabel Perbedaan Kecerdasan Buatan dan Kecerdasan Alami

Kecerdasan Alami Memberikan Keuntungan

Kecerdasan Buatan dan Pemrograman Konvensional
SubDisiplin Ilmu Dalam AI
- Sistem pakar (Expert System)
Suatu sistem yang dirancang untuk dapat menirukan keahlian seseorang pakar
dalam menjawab pertanyaan dan memecahkan suatu masalah.
- Pengolahan Bahasa Alami (Natural Language Processing)
Pembuatan program yang memiliki kemampuan untuk memahami bahasa
manusia. Contoh : Google Translate
- Pengenalan Ucapan (Speech Recognition)
Pengenalan ucapan atau yang sering disebut dengan Automatic Speech
Recognition (ASR) adalah suatu pengembangan teknik dan sistem yang
memungkinkan komputer untuk menerima masukan berupa kata yang di
ucapkan. Contoh : Telepon untuk penderita bisu tuli.
- Robotika dan sistem Sensor (Robotics and Sensory System)
Sistem atau alat yang di gunakan untuk menggantikan kinerja manusia secara
otomatis
- Computer Vision
Salah satu cabang ilmu pengetahuan yang mempelajari bagaimana komputer
dapat mengenali objek yang diamati atau di observasi.
- Intelligent Computer – Aided Instruction
Komputer dapat di gunakan sebagai tutor yang dapat melatih dan mengajar.
- Games Palying
Kegiatan yang kompleks yang di dalamnya terdapat peraturan, play, dan
budaya.

Lingkup Kecerdasan Buatan Pada Aplikasi Komersial

- Bidang Komunikasi Komputer di gunakan untuk memberikan komando suara
dari pengguna. contoh : Microsoft Voice berbasis bahasa Inggris
- Bidang Kesehatan Komputer digunakan untuk membantu para penyadang cacat
dalam beraktivitas
- Bidang Lalu lintas udara Komputer digunakan untuk mengatur lalu lintas udara.
Contoh : Air Traffic Controller (ATC)
- Bidang Pertanian Komputer di gunakan untuk mengontrol robot yang
melakukan kontrol terhadap penyiraman tanaman, pemantauan hama,
pemilihan hsil panen, dan tugas-tugas lain di dalam dunia pertanian
- Pabrik Komputer di gunakan untuk mengontrol robot yang harus melakukan
pekerjaan yang bisa berbahaya bila dikerjakan oleh manusia.

Soft Computing adalah kumpulan teknik-teknik komptasi dalam ilmu komputer,

yang berusaha untuk mempelajari, memodelkan, menganalisa suatu fenomena
tertentu guna mengeksploitasi adanya toleransi terhadap ketidakpastian, dan
kebenaran parsial untuk dapat diselesaikan dengan mudah.
Metode Soft Computing
Logic, Artificial Neural Network, Probabilistic Reasoning, Evolutionary
Computation, dan Genetic Algorithm.
 Pertemuan 3 & 4
REPRESENTASI PENGETAHUAN

Pengetahuan (Knowledge) adalalah sesuatu yang hadir dan terwujud dalam jiwa
dan pikiran seseorang karena adanya reaksi, sentuhan, dan hubungan dengan
lingkungan dan alam sekitarnya. Definisi lain dari pengetahuan adalah fakta atau
keadaan yang timbul karena suatu pengalaman.
Representasi pengetahuan adalah cara untuk menyajikan pengetahuan yang di
peroleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui antara
suatu pengetahuan yang lain dan dapat di pakai untuk menguji kebenaran
penalarannya.
Representasi pengetahuan :
1. Representasi Pengetahuan dengan Logika
Proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan fakta
yang telah ada. Input berupa premis atau fakta-fakta yang diakui kebenarannya
sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu
inferensi atau kesimpulan yang benar juga.
Penalaran deduktif : dimulai dari prinsip umum untuk mendapatkan konklusi
yang lebih khusus. Contoh :
Premis mayor : Jika hujan turun saya tidak akan berangkat kuliah
Premis minor : Hari ini hujan turun Konklusi : Hari ini saya tidak akan
berangkat kuliah

Penalaran induktif : dimulai dari fakta-fakta khusus untuk mendapatkan

kesimpulan umum. Contoh :
Premis -1 : Visual Basic adalah matakuliah dari komputer
Premis -2 : AHP adalah matakuliah dari komputer
Premis -3 : Java Script adalah matakuliah dari komputer
Konklusi : maka, pemrograman merupakan bagian dari mata kuliah komputer

1) Proposisi (Pernyataan) adalah suatu kalimat deklaratif yang bernilai benar

saja, atau salah saja, tetapi tidak sekaligus benar dan salah. Ini merupakan
 premis yang dapat digunakan untuk memperoleh proposisi baru atau
inferensi. Kaidah ini digunakan untuk menentukan benar atau salah suatu
proposisi baru. Suatu proposisi, premis atau kaidah disimbolkan denagn
mengunakan huruf besar. Misalnya,
A = Tukang pos mengantar surat mulai senin sampai Sabtu
B = Hari ini Hari Minggu
C = Maka, hari ini tukang pos tidak mengantar surat

2) Logika predikat atau kalkulus predikat di gunakan untuk merepresentasikan

masalah yang tidak dapat dilakukan atau di representasikan menggunakan
logika proposisi dengan memberikan representasi fakta-fakta sebagai suatu
pernyataan yang mapan (well-form).

2. Representasi Pengetahuan dengan Jaringan Semantik

Jaringan semantik merupakan penggambaran grafis dari pengetahuan yang
melibatkan hubungan antara obyek-obyek berbentuk lingkaran dan hubungan
antara obyek-obyek dan faktor deskriptif dinyatakan oleh garis penghubung
(link) atau garis lengkung (arch) berlabel.
3. Representasi Pengetahuan dengan Frame
Frame (bingkai) adalah struktur data yang mengandung semua
informasi/pengetahuan yang relevan dari suatu obyek yang diorganisasi dalam
struktur hirarkis khusus yang memungkinkan pemrosesan pengetahuan.
4. Representasi Pengetahuan dengan Naskah
Naskah (Script) merupakan skema yang merepresentasikan pengetahuan
berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman.
Perbedaannya, frame menggambarkan objek, sedangkan script menggambarkan
urutan peristiwa.
5. Representasi Pengetahuan dengan Aturan Produksi
Aturan produksi dituliskan dalam bentuk jika-maka (ifthen). Aturan produksi
adalah pengetahuan disajikan dalam aturan-aturan yang berbentuk pasangan
keadaan-aksi (condition-action): “JIKA keadaan terpenuhi atau terjadi MAKA
suatu aksi akan terjadi”.
 Pertemuan 5 & 6
TEKNIK SEARCHING

Teknik penyelesaian masalah dg cara merepresentasikan masalah ke dalam state

dan ruang masalah serta menggunakan strategi pencarian untuk menemukan solusi.
Langkah-langkah :
- Mendefinisikan ruang masalah/ruang keadaan
- Mendefinisikan aturan produksi yang digunakan untuk mengubah suatu “state”
ke “state” lainnya.
- Aturan produksi adalah operasi yg mengubah suatu state ke state lainnya.
- Memilih metode pencarian yg tepat sehingga dapat menemukan solusi terbaik
dengan usaha yang minimal.

Cara merepresentasikan ruang masalah/ruang keadaan :

- Graph Keadaan terdiri dari node-node yg menunjukkan keadaan yaitu keadaan
awal dan keadaan baru yg akan dicapai dengan menggunakan operator. Node-
node graph saling dihubungkan dg menggunakan “arc” (busur) yg diberi panah
utk menunjukkan arah dari suatu keadaan ke keadaan berikutnya.

- Pohon Pelacakan berguna untuk menghindari adanya proses pelacakan suatu

node secara berulang. Keadaan digambarkan secara Hierarkis.
- Pohon AND-OR
OR : Masalah dapat terpecahkan jika salah satu dari subgoal terpecahkan.
AND : Masalah terpecahkan jika semua subgoal sudah terpecahkan

Metode Pencarian
- Blind Search
Dikatakan “blind” atau “buta” karena memang tidak ada informasi awal yang
digunakan dalam proses pencarian. Blind Search meliputi
Breadth First Search (BFS) Depth Limited Search (DLS)
Uniform Cost Search (UCS) Iterative Deepening Search (IDS)
Depth First Search (DFS) Bi-Directional Search (BDS)

Dari ke-enam macam pencarian buta di atas, yang sering dibahas adalah
“Breadth First Search (BFS)” dan “Depth First Search (DFS)”.

- Heuristic Search
Heuristik adalah teknik yang mengembangkan efisiensi dalam proses
pencarian, namum dengan kemungkinan mengorbankan kelengkapan (
completeness) berfungsi untuk mengevaluasi keadaankeadaan problema
individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk
mendapatkan solusi yang diinginkan.
Ada 4 metode Heuristic Searching:
Generate and Test.
Hill Climbing.
Best First Search.
Simulated Anealing
 Pertemuan 7, 9 & 10
LOGIKA FUZZY

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke
dalam suatu ruang output, peningkatan dari logika Boolean yang mengenalkan
konsep kebenaran sebagian . Di mana logika klasik menyatakan bahwa segala hal
dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak),
logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.

Himpunan Fuzzy :
- Linguistik, yaitu penamaan suau grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA,
PAROBAYA dan TUA
- Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel
seperti : 40, 25, 50 dsb.

Fungsi Keanggotaan Himpunan Fuzzy (Membership Function)

Suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke dalam
nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0-1.
- Representasi Linear

Representasi segitiga (Tringular) ditentukan oleh 3 parameter {a, b, c},

Representasi Trapesium ditentukan oleh 4 parameter {a, b, c, d}, Representasi
Bentuk Bahu, Representasi Bentuk S, Representasi Bentuk Lonceng (Bell Curve)
Operasi Logika (Operasi Himpunan Fuzzy)
Operator AND, Operator OR, Operator NOT

Implikasi

Dengan 2 fungsi yaitu MIN dan DOT.

Sistem Inferensi Fuzzy

- Metode Tsukamoto
- Metode Sugeno
- Metode Mamdani
 Pertemuan 11 & 12
SISTEM PAKAR

Isitilah sistem pakar berasal dari istilah knowledge-based expert system. Istilah ini
muncul karena untuk memecahkan masalah, sistem pakar menggunakan
pengetahuan seorang pakar yang di masukkan ke dalam komputer.
Manfaat Sistem Pakar :
- Meningkatkan produktivitas, karena bekerja lebih cepat daripada manusia.
- Membuat seorang yang awam bekerja seperti layaknya seorang pakar.
- Mampu menangkap pengetahuan dan kepakaran seseorang
- Dapat beroperasi di lingkungan yang berbahaya
- Memudahkan akses pengetahuan seorang pakar
- Andal. Sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit.
- Meningkatkan kapabilitas sistem komputer
- Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti.
- Bisa di gunakan sebagai media pelengkap dalam pelatihan.
- Meningkatkan kemampuan untuk menyelesaikan masalah karena sistem pakar
mengambil sumber pengetahuan dari banyak pakar
- Meningkatkan kualitas, memberi nasihat konsisten dan mengurangi kesalahan

Kekurangan Sistem Pakar

- Biaya sangat mahal untuk membuat dan memeliharanya
- Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar
- Sistem pakar tidak 100% bernilai benar

Konsep Dasar Sistem Pakar

- Kepakaran (Expertise)
- Pakar (Expert)
- Pemindahan Kepakaran (Transferring Expertise)
- Inferensi (Inferencing)
- Aturan-Aturan (Rule)
- Kemampuan Menjelaskan (Explanation Capability)
Perbandingan Sistem Konvensional & Sistem Pakar

Rule sebagai Teknik Representasi Pengetahuan

Setiap rule terdiri dari dua bagian, yaitu bagian IF disebut evidence (fakta-fakta)
dan bagian THEN di sebut Hipotesis atau kesimpulan.
Syntax Rule adalah : IF E THEN H

Forward Chaining
Teknik pencarian yang di mulai dengan fakta yang diketahui, kemudian
mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF –THEN. Metode
pencarian yang di gunakan adalah DFS, BFS.
Backward Chaining
Backward chaining adalah metode inferensi yang bekerja mundur ke arah kondisi
awal. Diawali dari Goal (yang berada di bagian THEN dari rule IF – THEN),
kemudian pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang
ada cocok dengan premis-premis di bagian IF. Proses berakhir jika goal ditemukan.

Certainy Factor (Faktor Kepastian)

Berfungsi mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang
pakar. Cara mendapatkan tingkat keyakinan (CF) adalah dengan Metode “Net
Belief” dan dengan cara mewawancarai seorang pakar.
 Pertemuan 13 & 14
JARINGAN SARAF TIRUAN (JST)

Jaringan syaraf tiruan adalah paradigma pengolahan informasi yang terinspirasi

oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Kelebihan-kelebihan JST :
- Belajar Adabtive: Kemampuan memperlajari bagaimana melakukan pekerjaan
berdasarkan data yang diberikan untuk pelatihan atau pengalaman awal.
- Sel-Organisation : Sebuah JST bisa membuat organisasi sendiri/ representasi
dari informasi yang di terimanya selama waktu belajar
- Real Time Operation : Perhitungan secara paralel agar perangkat keras yang
dirancang dan diproduksi dapat mengambil keuntungan dari kemampuan ini.

Kelemahan-kelamahan JST antara lain :

- Tidak efektif untuk melakukan operasi-perasi numerik dengan presisi tinggi
- Tidak efektif untuk melakukan operasi algoritma aritmatik, logika dan simbolis
- Untuk beroperasi JST butuh pelatihan sehingga bila jumlah datanya besar,
waktu yang digunakan untuk proses pelatihan sangat lama.

Aplikasi JST
- Dalam kehidupan sehari hari digunakan untuk mengindentifikasi pola atau
tren dalam data sehingga JST cocok digunakan untuk peramalan kebutuhan,
termasuk peramalan penjualan, kontrol proses industri, penelitian pelanggan,
validasi data, manajemen risiko, dan target pemasaran.
- Bidang Kedokteran untuk penelitian riset obat, sebagian besar penelitian di
arahkan pada pemodelan bagian tubuh manusia dan pengenalan penyakit dari
berbagai scan (misalnya cardiograms, CAT scan, scan ultrasonik dll.
- Dalam Bisnis digunakan untuk optimasi, penjadwalan serta data mining yaitu
mencari pola implisit dalam informasi eksplisit yang di simpan dalam databases

Model-Model JST : Model Biologis, Model Neuron, dan Model Matematis,

Model Neuron Mcculloch-Pitts, Hebb Rule, Pengenalan Pola Huruf.
Arsitektur JST
- Lapisan input (Input layer) Unit-unit dalam lapisan input disebut unit-unit
input yang bertugas menerima pola inputan dari luar yang menggambarkan
suatu permasalahan.
- Lapisan tersembunyi (Hidden layer) Unit-unit dalam lapisan tersembunyi
disebut unit-unit tersembunyi, yang mana nilai outputnya tidak dapat diamati
secara langsung
- Lapisan Output (Output layer) Unit-unit dalam lapisan output disebut unit-
unit output, yang merupakan solusi JST terhadap suatu permasalahan.

Macam-Macam Arsitektur JST

- Jaringan Lapisan Tunggal (Single Layer Net)
- Jaringan Dengan Banyak Lapisan (Multylayer Net)
- Jaringan Dengan Lapisan Kompetitif (Competitive Layer Net)

Fungsi Aktivasi
- Fungsi undak Biner Hard Limit
- Fungsi undak Biner Threshold
- Fungsi Bipolar Symetric Hard Limit
- Fungsi Bipolar dengan threshold
- Fungsi Linear (identitas)
- Fungsi Saturating Linear
- Fungsi Symetric Saturating Linear

Hebb Rule
Arsitektur Hebb Rule

Pengenalan Pola Huruf

 Pertemuan 15 & 16
ALGORITMA GENETIKA DASAR

Teknik pencarian heuristik yang didasarkan pada gagasan evolusi seleksi alam dan
genetika yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses
evolusi. Dalam proses evolusi ini, individu secara terus menerus mengalami
perubahan gen untuk menyesuaikan dengan lingkungan hidupnya.

Aplikasi Algoritma Genetik :

- Optimasi : Algoritma Genetika banyak di gunakan dalam berbagai tugas
optimasi, Traveling salesman problem (TSP), desain sirkuit, Job Shop
Scheduling, dan optimasi video & kualitas suara.
- Pemrograman otomatis : Selular automata dan sorting networking
- Machine Learning : mesin learning dan robotika
- Model Ekonomi : Strategi penawaran, pasar ekonomi
- Model Sistem Imunisasi : Kekebalan tubuh alami, mutasi somatik dan
menemukan keluarga dengan gen ganda selama evolusi
- Model Ekologi : host-parasite co-evolution, simbiosis dan arus sumber daya
dalam ekologi.
- Interaksi Antara Evolusi dan pembelajaran : bagaimana mempelajari
individu belajar dan memengaruhi proses evolusi suatu spies satu sama lain.

Algoritma Genetika
- Gen (Genotype) variabel dasar yang membentuk kromoson.
- Allele adalah nilai dari suatu gen
- Kromoson adalah gabungan dari gen-gen yang membentuk arti tertentu.
- Individu adalah kumpulan gen, bisa dikatakan sama dengan kromoso
- Populasi ialah sekumpulan individu yang akan diproses disiklus proses evolusi.
- Generasi menyatakan satu satuan siklus proses evolusi
- Nilai fitnes menyatakan seberapa baik nilai atau solusi yang didapatkan.
Komponen Utama Algoritma Genetika
- Teknik Encoding / Decording Gen dan Individu
Pengkodean Bilangan Real, Diskrit Desimal dan Biner
- Membangkit Populasi Awal
- Nilai Fitness