RANGKUMAN MATERI

INTRODUCTION TO KNOWLEDGE-BASED INTELLIGENT

SYSTEMS

Disusun untuk memenuhi Tugas UTS Mata Kuliah Sistem Komputasi Cerdas
Dosen Pengampu : Mochammad Hadi Saputra, S.T

Disusun Oleh :
Nama : Nur Fahmi Fauziati W.
NIM : 20211330033
Kelas : P2K

PROGRAM STUDI S1 TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH SURABAYA
2022
INTRODUCTION TO KNOWLEDGE-BASED INTELLIGENT SYSTEMS
(Pengetahuan Pengantar Berbasis Sistem Cerdas)

1. Mesin Cerdas atau Apa yang Dapat Dilakukan oleh Mesin?

Selama lebih dari dua ribu tahun para filsuf mencoba menyelesaikan dua
pertanyaan besar tentang alam semesta, yaitu:
1. Bagaimanakah cara kerja pikiran manusia?
2. Dapatkah non-manusia memiliki pikiran?
Dengan munculnya dua pertanyaan ini, beberapa filsuf mengambil
pendekatan komputasi bersama para ilmuwan komputer dan mendapatkan
gagasan bahwa mesin dapat melakukan segala hal yang dapat dilakukan
manusia. Namun, banyak filsuf lain yang menentang gagasan tersebut
dikarenakan beberapa perilaku emosional seperti cinta, inovasi dan pilihan
moral akan tetap berada di luar jangkauan. Faktanya, para insinyur/ilmuwan
tetap membuat mesin cerdas. Dikutip dari kamus Essential English
Dictionary, berikut definisi dari kecerdasan itu sendiri:
1. Kecerdasan seseorang adalah kemampuannya untuk memahami dan
mempelajari sesuatu.
2. Kecerdasan adalah kemampuan untuk berpikir dan memahami
daripada melakukan sesuatu dengan insting (naluri) atau otomatis.
(Essential English Dictionary, Collins, London, 1990)
Dari pengertian di atas, menurut definisi pertama, kecerdasan adalah
kualitas yang dimiliki oleh seseorang manusia. Namun, pada definisi kedua
pengertian tersebut sangat berbeda dan fleksibel: dimana pengertian tersebut
tidak menentukan apakah seseorang atau hal tersebut memiliki kemampuan
berpikir dan memahami. Dikutip dari kamus yang sama, berpikir adalah
aktivitas menggunakan otak untuk mempertimbangkan masalah atau untuk
menciptakan sebuah ide.
(Essential English Dictionary, Collins, London, 1990)
Jadi, dapat didefinisikan bahwa kecerdasan sebagai “kemampuan untuk
belajar dan memahami, memecahkan masalah dan membuat keputusan”.
Dalam berpikir, seseorang/sesuatu diperlukan sebuah otak atau organ lain
yang memungkinkan kecerdasan itu sendiri. Dua pertanyaan sebelumnya di
atas, muncul pada tahun 1940 sebagai “dark ages”. Adanya kecerdasan
buatan (AI) adalah sebagai ilmu untuk membuat mesin melakukan sesuatu
yang membutuhkan kecerdasan jika dilakukan oleh manusia (Boden, 1977).
Maka, jawaban atas pertanyaan “Dapatkah mesin berpikir?” sangat
penting dikarenakan jawaban tersebut sangat kompleks. Sebagai manusia,
kita semua memiliki kemampuan untuk belajar dan memahami,
memecahkan masalah dan membuat keputusan, namun kemampuannya
berbeda dan menonjol di hal yang berbeda pula. Jika mesin dapat berpikir,
beberapa di antaranya dimungkinkan dapat lebih cerdas dari yang lain dalam
beberapa hal.
“Computing Machinery and Intelligence” adalah paper pertama dan
paling signifikan tentang kecerdasan mesin yang ditulis oleh ahli
matematika Inggris bernama Alan Turing pada tahun 1950. Paper tersebut
sangat terkenal dengan pendekatan Turing yang bersifat tetap dan universal.
Alan Turing memulai karir ilmiahnya pada awal tahun 1930 dengan
menemukan kembali Teorema Limit Pusat. Pada tahun 1937, dia menulis
sebuah paper tentang computable numbers, sekaligus mengusulkan tentang
konsep mesin universal. Kemudian, selama Perang Dunia Kedua, Turing
adalah pemain kunci dalam memecahkan sebuah Enigma (mesin
pengkodean militer Jerman). Setelah perang, Turing merancang “Mesin
Komputer Otomatis” dan menulis program game catur pertama yang
kemudian diimplementasikan pada komputer di Universitas Manchester.
Konsep teoritis Turing tentang komputer universal dan pengalamannya
dalam membangun sistem pemecah kode telah menjadi kunci pertanyaan
dasar dari kecerdasan buatan.
Turing menciptakan sebuah game yang disebut Turing Imitating Game,
dimana komputer dapat lulus tes jika interogator tidak dapat membedakan
mesin dari manusia berdasarkan jawaban atas pertanyaan-pertanyaan
mereka.

Gambar 1. Turing Imitating Game: Phase 1

Game imitasi yang diusulkan oleh Turing awalnya mencakup dua fase.
Di fase pertama (Gambar 1), interogator, seorang pria dan seorang wanita
masing-masing ditempatkan di ruang terpisah dan hanya dapat
berkomunikasi melalui media netral terminal jarak jauh. Interogator
berfungsi untuk mencari tahu gender mereka dengan memberi mereka
beberapa pertanyaan. Aturan mainnya, seorang pria harus berusaha menipu
interogator bahwa dia adalah seorang wanita, begitu juga sebaliknya.
 Gambar 2. Turing Imitating Game: Phase 2

Pada fase kedua permainan (Gambar 2), pria tersebut digantikan oleh
sebuah komputer yang diprogram untuk menipu interogator. Jika komputer
bisa menipu interogator sesering yang dilakukan pria tersebut, komputer
tersebut telah lulus uji perilaku cerdas. Interogator tidak melihat, menyentuh
atau mendengar komputer, namun interogator diperbolehkan untuk
mengajukan pertanyaan, bahkan pertanyaan provokatif untuk
mengidentifikasi mesin, seperti memberikan soal perhitungan atau mencoba
memahaminya lewat pemahaman emosi manusia. Tes Turing memiliki dua
kualitas luar biasa yang membuatnya universal:
a. Dengan menjaga komunikasi antara manusia dan mesin melalui terminal,
tes ini memberi pandangan akan standar objektif kecerdasan dan
menghindari perdebatan dan menghilangkan bias tentang sifat manusia
b. Tes tersebut cukup independen. Eksperimen dapat dilakukan sebagai
permainan dua fase atau permainan satu fase saja dimana interogator
harus memilih manusia/mesin dari awal tes. Interogator juga gratis
mengajukan pertanyaan apa pun di bidang apa pun dan hanya dapat
berkonsentrasi pada konten jawaban yang disediakan.
Pada akhir abad ke-20 nanti, Turing percaya bahwa komputer digital
sangat dimungkinkan untuk memainkan game imitasi yang merupakan dasar
verifikasi dan validasi sistem pengetahuan. Untuk itu, dalam membangun
kecerdasan sistem komputer harus menangkap, mengatur, dan menggunakan
pengetahuan ahli manusia dalam beberapa bidang keahlian yang sempit.

1.2 Sejarah Kecerdasan Buatan atau dari “Zaman Kegelepan” ke Sistem

Berbasis Pengetahuan
Ilmu kecerdasan buatan didirikan oleh tiga generasi peneliti. Berikut
merupakan peristiwa dan kontributor terpenting dari setiap generasi.
1.2.1 “Zaman Kegelapan”, atau Kelahiran Kecerdasan Buatan (1943-1956)
Karya pertama yang diakui di bidang Artificial Intelligence (AI) dibuat
oleh Warren McCulloch dan Walter Pitts (1943). McCulloch bergelar
filsafat dan kedokteran dari Universitas Columbia dan menjadi Direktur
Laboratorium Penelitian Dasar di Departemen Psikiatri di Universitas
Illinois. Penelitiannya tentang sistem saraf pusat memiliki kontribusi besar
pertama untuk AI, yaitu Artificial Neural Networks (ANN). McCulloch dan
rekan penulisnya Walter Pitts, seorang matematikawan muda mengusulkan
ANN dimana setiap neuron didalilkan sebagai keadaan biner, yaitu dalam
kondisi hidup atau mati.
Mereka menunjukkan bahwa karya mereka setara dengan mesin Turing
dan menunjukkan bahwa struktur jaringan sederhana bisa belajar. Namun,
eksperimen tersebut gagal karena neuron memiliki karakteristik yang sangat
non-linier dan tidak dapat dianggap sebagai perangkat dua keadaan
sederhana. Meskipun demikian, McCulloch, dianggap sebagai “bapak
pendiri” kedua AI setelah Alan Turing karena telah menciptakan ANN.
Setelah penurunan pada tahun 1970-an, bidang ANN dihidupkan kembali
pada akhir 1980-an.
Pendiri ketiga AI adalah John von Neumann (seorang kolega dan teman
Alan Turing), yaitu ahli matematika cerdas dari Hongaria. Pada tahun 1930,
John mengajar fisika matematika di Universitas Princeton. Selama Perang
Dunia Kedua, dia sebagai peran kunci Proyek Manhattan dalam membuat
bom nuklir. Dia juga menjadi penasihat projek Electronic Numerical
Integrator and Calculator (ENIAC) di University of Pennsylvania dan
membantu merancang Electronic Discrete Variable Automatic Computer
(EDVAC), mesin program tersimpan. Von Neumann juga mendukung
Marvin Minsky dan Dean Edmonds (dua mahasiswa pascasarjana di
Departemen Matematika Princeton) untuk membangun komputer jaringan
saraf pertama (1951) yang terinspirasi dari ANN.
Claude Shannon merupakan peneliti generasi pertama lain dari
Massachusetts Institute of Technology (MIT) yang bergabung dengan Bell
Telephone Laboratories (1941). Dari ide Alan Turing, dia menerbitkan
paper tentang game mesin catur yang menunjukkan bahwa khas permainan
catur melibatkan 1020 kemungkinan gerakan (Shannon, 1950). Bahkan, jika
menggunakan komputer von Neumann, dibutuhkan 3 x 10106 tahun untuk
bergerak sehingga Shannon menggunakan heuristik dalam mencari solusi.
John McCarthy juga sebagai pendiri AI yang berasal dari Universitas
Princeton yang meyakinkan Martin Minsky dan Shannon untuk mengatur
workshop musim panas di Dartmouth College. Pada tahun 1956, mereka
mengumpulkan para peneliti yang tertarik untuk mempelajari kecerdasan
mesin, jaring saraf tiruan, dan teori automata.
1.2.2 Munculnya Kecerdasan Buatan, atau Era Harapan Besar (1956–akhir
1960-an)
Era harapan besar dikenal sejak munculnya AI dengan antusiasme dan
ide-ide hebat yang luar biasa. John McCarthy, sebagai penyelenggara
workshop Dartmouth dan penemu istilah AI, pindah ke MIT dan
mendefinisikan High-Level Languange (LISP)/bahasa pemrograman tertua.
Dia mempresentasikan paper “Programs with Common Sense” yang
mengusulkan program Advice Taker untuk mencari solusi masalah dunia
(1958). Penyelenggara Marvin Minsky juga pindah ke MIT
mengembangkan pandangan anti-logis pada representasi pengetahuan dan
penalaran. Teorinya tentang bingkai (Minsky, 1975) merupakan kontribusi
besar bagi pengetahuan rekayasa. ANN yang dimulai oleh McCulloch dan
Pitts pun dilanjutkan. Metode pembelajaran ditingkatkan dan Frank
Rosenblatt membuktikan teorema konvergensi perceptron yang
menunjukkan bahwa algoritma pembelajarannya dapat menyesuaikan
kekuatan koneksi perceptron (Rosenblatt, 1962).
Salah satu proyek paling besar di era ini adalah General Problem Solver
(GPS) oleh Allen Newell dan Herbert Simon dari Universitas Carnegie
Mellon (1961-1972) yang mengembangkan program untuk mensimulasikan
metode pemecahan masalah manusia dengan metode means-ends analysis.
Namun, GPS gagal memecahkan masalah rumit karena menghasilkan
jumlah kemungkinan yang tak terbatas dan tidak efisien. Dapat dikatakan,
pada tahun 1960-an peneliti AI berusaha untuk mensimulasikan proses
berpikir yang kompleks dengan menemukan metode umum pemecahan
masalah.
Lotfi Zadeh, seorang profesor dari University of California di Berkeley,
juga menerbitkan paper “Fuzzy set” di tahun 1960-an (Zadeh, 1965) yang
dianggap sebagai dasar dari teori fuzzy. Dua dekade kemudian, peneliti
fuzzy telah membangun ratusan smart mesin dan sistem cerdas.
Namun, pada tahun 1970, euforia AI hilang dan banyak proyek AI
dibatalkan. AI masih merupakan bidang yang relatif baru, bersifat akademis,
dengan beberapa aplikasi praktis selain bermain game (Samuel, 1959, 1967;
Greenblatt et al., 1967). Pencapaiannya AI dilihat sebagai game, karena
tidak ada sistem AI yang dapat menangani masalah dunia nyata.
1.2.3 Janji yang Tidak Terpenuhi, atau Dampak dari Kenyataan (Akhir
1960-an – Awal 1970-an)
Sejak pertengahan 1950, para peneliti AI membuat janji untuk
membangun mesin cerdas serba guna dengan basis pengetahuan skala
manusia pada 1980-an bahkanmelampaui kecerdasan manusia tahun 2000.
 Namun, pada 1970, mereka menyadari bahwa klaim tersebut terlalu optimis.
Kesulitan utama AI pada akhir 1960-an adalah:
a. Peneliti AI mengembangkan metode umum untuk kelas masalah yang
luas sehingga program awal berisi sedikit atau bahkan tidak ada
pengetahuan tentang domain masalah. Dalam pemecahan masalah,
program mencari berbagai kombinasi langkah kecil hingga ditemukan
yang tepat. Namun, untuk masalah sulit diperlukan waktu yang lama.
Theory of NP-completeness (Cook, 1971; Karp, 1972) merupakan salah
satu teori yang sangat sulit dipecahkan walaupun dengan komputer
tercepat dan memori yang besar.
b. Pemecahan masalah AI terlalu luas dan sulit. Tugas khas untuk AI awal
adalah mesin terjemahan. Contohnya, Dewan Riset Nasional AS,
mendanai penerjemahan makalah ilmiah Rusia setelah peluncuran
satelit buatan pertama (Sputnik,1957). Awalnya, tim proyek hanya
mentranslate kata-kata Rusia ke bahasa Inggris, tetapi tetap dibutuhkan
pemahaman umum untuk memilih kosakata yang benar sehingga pada
tahun 1966 AS membatalkan proyek tersebut.
c. Pemerintah Inggris pada tahun 1971 juga membatalkan dukungan
penelitian AI. Sir James Lighthill (1973) telah ditugaskan oleh Science
Research Council of Great Britain untuk meninjau AI, namun tidak
menemukan hasil signifikan sehingga AI dianggap tidak terlalu penting.
1.2.4 Teknologi Sistem Pakar, atau Kunci Sukses (Awal 1970-an–
Pertengahan 1980-an)
Program DENDRAL adalah teknologi yang didukung NASA yang
dikembangkan di Universitas Stanford untuk menganalisis bahan kimia
(Buchanan et al., 1969). Proyek ini adalah pesawat ruang angkasa tak
berawak yang diluncurkan ke Mars untuk menentukan struktur molekul
tanah Mars berdasarkan alat spektrometer massa. Edward Feigenbaum
(mantan mahasiswa Herbert Simon), Bruce Buchanan (ilmuwan komputer)
dan Joshua Lederberg (pemenang hadiah Nobel dalam bidang genetika)
membentuk tim untuk ini dengan metode tradisional, yaitu bergantung pada
teknik generate-and-test. Namun, metode ini gagal karena kemungkinan
jutaan struktur dapat dihasilkan sehingga masalah sulit dipecahkan.
Tidak ada algoritma ilmiah untuk memetakan spektrum massa ke dalam
struktur molekulnya. Namun, Lederberg dapat memecahkan masalah ini
dengan memilah molekul yang layak. Kemudian, Feigenbaum membuat
expert system (sistem pakar) dengan solusi Lederberg serta mempelajari
ide-ide dasar dalam kimia dan analisis spektral. Akhirnya, terciptalah
DENDRAL sebagai sistem berbasis pengetahuan pertama yang berhasil.
Kunci keberhasilan mereka adalah memetakan semua pengetahuan teoretis
yang relevan dari bentuk umumnya hingga aturan yang sangat spesifik
(“cookbook recipes”) (Feigenbaum et al., 1971).
Signifikansi DENDRAL:
a. DENDRAL menjadi “pergeseran paradigma” utama dalam AI:
pergeseran dari tujuan umum, pengetahuan yang jarang, metode
yang lemah ke teknik domain khusus serta pengetahuan intensif.
b. DENDRAL bertujuan untuk mengembangkan program komputer
untuk mencapai tingkat kinerja ahli kimia manusia yang
berpengalaman.
c. Proyek DENDRAL berasal dari ide metodologi baru expert system
yang berupa rekayasa pengetahuan (menangkap, menganalisis, dan
mengekspresikan dalam aturan 'pengetahuan' seorang ahli).
Proyek besar Feigenbaum berikutnya yaitu MYCIN (1972) yang kemudian
menjadi tesis Edward Shortliffe Ph.D. (Shortliffe, 1976). MYCIN adalah
expert system untuk mendiagnosa penyakit darah menular. MYCIN
memiliki karakteristik yang sama dengan expert system:
a. MYCIN dapat setara dengan ahli manusia dan jauh lebih baik
daripada dokter junior.
b. MYCIN terdiri dari sekitar 450 aturan independen dalam bentuk IF-
THEN melalui wawancara ekstensif para ahli dalam domain sempit.
c. Sistem dapat dengan mudah memanipulasi pengetahuan dengan
memasukkan atau menghapus beberapa aturan. Misalnya, versi
MYCIN domain-independen yang disebut EMYCIN (Empty
MYCIN) kemudian diproduksi di Universitas Stanford (van Melle,
1979; van Melle et al., 1981).
MYCIN juga dapat menyimpulkan kebenaran suatu kondisi melalui
kalkulus ketidakpastian yang disebut faktor kepastian. Selain itu, sistem
probabilistik lain yang menghasilkan publisitas besar adalah
PROSPECTOR, yaitu expert system untuk eksplorasi mineral yang
dikembangkan oleh Stanford Research Institute pada tahun 1974 - 1983
(Duda et al., 1979). PROSPECTOR memasukkan aturan bukti Bayes untuk
disebarkan ketidakpastian melalui sistem.
Karena expert system lebih kompleks, maka hal ini memiliki
keterbatasan, yaitu:
a. Expert system dibatasi pada domain keahlian yang sangat sempit.
b. Expert system tidak sekuat dan fleksibel seperti yang diinginkan oleh
pengguna. Sulitnya batas-batas domain membuat expert system
mencoba menyelesaikan masalah dan gagal.
c. Expert system memiliki kemampuan penjelasan yang terbatas.
d. Expert system sulit untuk diverifikasi dan divalidasi.
 e. Expert system, terutama generasi pertama tidak memiliki kemampuan
untuk belajar dari pengalaman dikarenakan dibangun secara individual
dan tidak dapat dikembangkan dengan cepat. Diperkirakan 5-10
orang/tahun untuk membangun sistem pakar untuk memecahkan
masalah yang cukup sulit (Waterman, 1986).
1.2.5 Cara Membuat Pembelajaran Mesin, atau Lahirnya Kembali Jaringan
Saraf (Pertengahan 1980-an dst)
Sempitnya domain AI membuat para ahli AI di akhir tahun 1960
merumuskan ide dan konsep dasar sistem komputasi saraf (Cowan, 1990).
Namun, ide tersebut tertunda karena tidak ada PC/workstation yang kuat
untuk dimodelkan sebagai jaringan saraf tiruan serta alas an psikologis dan
finansial. Kemudian, pada tahun 1980-an terdapat kemajuan teknologi
komputer dan kemajuan ilmu saraf, hingga muncul beberapa ide:
a. Teori resonansi adaptif memberikan dasar untuk kelas baru jaringan
saraf (Grossberg, 1980).
b. Jaringan saraf Hopfield dengan umpan balik (Hopfield, 1982).
c. Kohonen menerbitkan makalah peta yang diatur sendiri (Kohonen,
1982).
d. Barto, Sutton dan Anderson menerbitkan karya pembelajaran
penguatan dan penerapannya dalam kontrol (Barto et al., 1983).
e. Penemuan kembali algoritma pembelajaran back-propagation (pertama
kali ditemukan oleh Bryson dan Ho, 1969) oleh Rumelhart dan
McClelland dalam Parallel Distributed Processing: Explorations in the
Microstructures of Cognition (Rumelhart dan McClelland, 1986).
f. Backpropagation juga ditemukan kembali oleh Parker (Parker, 1987) dan
LeCun (LeCun, 1988) dan menjadi teknik paling populer untuk melatih
perceptron multilayer.
g. Penemuan prosedur perancangan jaringan feedforward berlapis
menggunakan fungsi basis radial, alternatif untuk perceptron multilayer
(Broomhead dan Lowe, 1988).
Jaringan saraf tiruan McCulloch dan Pitts sangat berkembang pesat ke
subjek interdisipliner dan akan terus berkembang dalam teori dan aplikasi
praktis. Namun, makalah Hopfield (Hopfield, 1982) dan buku Rumelhart
dan McClelland (Rumelhart dan McClelland, 1986) adalah karya paling
signifikan atas penemuan jaringan saraf pada 1980-an.
1.2.6 Komputasi Evolusioner, atau Belajar Sambil Melakukan (Awal 1970-
an–dst)
Kecerdasan alami adalah produk evolusi. Oleh karena itu, dibangun
pendekatan pendekatan evolusioner berupa komputasi evolusioner yang
menggabungkan tiga teknik utama, yaitu:
a. Konsep algoritma genetika (John Holland, 1975) yang didasarkan pada
 landasan teoritis dari Teorema Skema (Holland, 1975; Goldberg, 1989)
b. Strategi evolusioner (Ingo Rechenberg dan Hans-Paul Schwefel, 1965).
c. Pemrograman genetik yang merupakan aplikasi program pembelajaran
model genetik berupa kode komputer untuk memecahkan masalah
(John Koza, 1992-1994).
1.2.7 Era Baru Rekayasa Pengetahuan, atau Komputasi dengan Kata-Kata
(Akhir 1980-an dst)
Teknologi jaringan saraf (ANN) dapat berinteraksi berdasarkan penalaran
simbolis dan dapat memecahkan masalah lebih baik daripada expert system,
sehingga kedua sistem tersebut bertindak saling melengkapi. Expert system
menggunakan pengetahuan dari para ahli dan dapat berinteraksi dengan
pengguna untuk menetapkan fakta tertentu. Namun, karena pengetahuan
para ahli yang masih terbatas dalam mengumpulkan pengetahuan yang
diperlukan. Untuk mengatasi keterbatasan ini, komputasi saraf dapat
digunakan untuk:
a. Mengekstraksi pengetahuan tersembunyi dalam kumpulan data besar
untuk mendapatkan aturan expert system (Medsker dan Leibowitz, 1994;
Zahedi, 1993).
b. Mengoreksi aturan dalam expert system berbasis aturan tradisional
(Omlin dan Giles, 1996). Jika pengetahuan yang diperoleh tidak lengkap,
jaringan saraf dapat memperbaiki pengetahuan dan merevisi aturan jika
pengetahuan yang diberikan tersebut tidak konsisten.
Teknologi lain yang sangat penting dengan pengetahuan dan data
probabilitas adalah logika fuzzy. Logika fuzzy berkaitan dengan penggunaan
nilai-nilai fuzzy yang menangkap arti kata-kata, penalaran manusia dan
pengambilan keputusan. Logika fuzzy menyediakan cara untuk menerobos
kemacetan komputasi sistem pakar tradisional. Konsep logika fuzzy terletak
pada variabel linguistik. Nilai dari variabel linguistik adalah kata-kata,
bukan angka. Sama halnya dengan expert system, logika fuzzy menggunakan
aturan IF-THEN:
IF speed is high THEN stopping_distance is long.
IF speed is low THEN stopping_distance is short.
Logika fuzzy/teori fuzzy ditemukan oleh Ketua Departemen Teknik
Elektro Berkeley (Profesor Lotfi Zadeh, 1965). Pengenalan fuzzy
memunculkan minat dan teknologi yang luar biasa. Berikut paper atau buku
tentang topik tersebut:
a. Fuzzy Sets, Neural Networks dan Soft Computing (Yager dan Zadeh, eds,
1994)
b. Buku Pegangan Sistem Fuzzy (Cox, 1999);
c. Rekayasa Fuzzy (Kosko, 1997);
 d. Expert System dan Sistem Fuzzy (Negoita, 1985);
e. Fuzzy Thinking (Kosko, 1993), yang mempopulerkan bidang logika
fuzzy.
Berikut manfaat penerapan logika fuzzy (Cox, 1999; Turban dan Aronson,
2000):
a. Peningkatan daya komputasi: sistem berbasis aturan fuzzy bekerja lebih
cepat daripada expert system konvensional
b. Pemodelan kognitif yang ditingkatkan: sistem fuzzy memungkinkan
pengkodean pengetahuan sehingga dapat meningkatkan pemodelan
kognitif dari masalah.
c. Kemampuan untuk mewakili banyak pakar: sistem fuzzy dapat membantu
untuk mewakili keahlian beberapa pakar ketika mereka memiliki
pandangan yang berlawanan.
Dengan menggunakan logika fuzzy, kita dapat membangun sistem fuzzy
sederhana. Namun, untuk membuat aturan baru perkembanganya akan
sangat lama. Sinergi sistem pakar dengan logika fuzzy dan komputasi saraf
meningkatkan kemampuan beradaptasi, ketahanan, toleransi kesalahan dan
kecepatan sistem berbasis pengetahuan.
1.3 Ringkasan
Alan Turing mendefinisikan perilaku cerdas komputer sebagai
kemampuan untuk mencapai kinerja tingkat manusia dalam tugas kognitif
dengan menciptakan Tes Turing yang memberikan dasar untuk verifikasi
dan validasi sistem berbasis pengetahuan. Pada tahun 1956, diselenggarakan
workshop musim panas di Dartmouth College dengan mengumpulkan
sepuluh peneliti yang tertarik pada studi kecerdasan mesin dan AI. Sejak
awal 1950-an, teknologi AI telah berkembang hingga muncul era harapan
besar pada 1960-an hingga kekecewaan dan pemotongan dana di awal 1970-
an. Dimana, pada tahun tersebut muncul sistem pakar pertama seperti
DENDRAL, MYCIN dan PROSPECTOR. Selanjutnya, perkembangan
expert system pada 1980-an/90-an yang dimulai dari model neuron biner
sederhana (1940-an) sangat pesat hingga akhirnya munculah teori fuzzy.
Maka, dalam bab ini dapat disimpulkan bahwa:
a. Kecerdasan adalah kemampuan untuk belajar dan memahami,
memecahkan masalah dan membuat keputusan.
b. Kecerdasan buatan adalah ilmu yang telah mendefinisikan mesin untuk
melakukan hal-hal yang membutuhkan kecerdasan jika dilakukan oleh
manusia.
c. Sebuah mesin dianggap cerdas jika dapat mencapai kinerja tingkat
manusia dalam beberapa tugas kognitif. Untuk membangun mesin yang
 cerdas, kita harus menangkap, mengatur, dan menggunakan pengetahuan
ahli manusia di beberapa masalah.
d. Kesadaran bahwa domain masalah untuk mesin cerdas harus dibatasi
secara memadai, menandai 'pergeseran paradigma' utama dalam AI dari
metode tujuan umum, jarang pengetahuan, metode lemah ke metode
khusus domain dan intensif pengetahuan.
e. Salah satu kesulitan utama dalam membangun mesin cerdas (rekayasa
pengetahuan) adalah “hambatan akuisisi pengetahuan” atau
mengekstraksi pengetahuan dari manusia.
f. Para ahli berpikir dalam istilah yang tidak tepat, seperti sangat sering
dan hampir tidak pernah, biasanya dan hampir tidak pernah, sering
dan kadang-kadang, dan menggunakan variabel linguistik, seperti
tinggi dan rendah, cepat dan lambat, berat dan ringan. Logika fuzzy
atau teori himpunan fuzzy menyediakan sarana untuk menghitung dengan
kata-kata.
g. Sistem pakar tidak dapat belajar atau memperbaiki diri melalui
pengalaman, namun diciptakan secara individual dan menuntut upaya
besar untuk pengembangan mereka. Diperlukan waktu 5-10 tahun untuk
membangun expert system moderat.
h. Jaringan saraf tiruan, terinspirasi oleh jaringan saraf biologis dan belajar
dari kasus historis yang memungkinkan untuk menghasilkan aturan
secara otomatis, sehingga dapat menghindari proses akuisisi, validasi,
dan revisi pengetahuan yang membosankan dan mahal.
i. Integrasi sistem pakar dan ANN, dan logika fuzzy dan ANN
meningkatkan kemampuan beradaptasi, toleransi kesalahan dan
kecepatan sistem berbasis pengetahuan.