Chapter 11

Kecerdasan Buatan, Robotika,

dan Sistem Otonom di Supply
Chain Management
Anggi Firman Fahdillah
1502619061
01 Kecerdasan Buatan dan Perkembangannya

02 Robotika dan Sistem Otonom

03 Aplikasi Industri

04 Kesimpulan dan Penelitian Masa Depan

 Kecerdasan Sejarah AI terdiri dari imajinasi, fiksi, kemungkinan,
demonstrasi, dan janji. Dari para filsuf kuno hingga
ilmuwan masa kini, kemungkinan mesin cerdas non-
Buatan dan manusia membuat umat manusia membahas topik
ini. Penulis fiksi, yang menggunakan mesin cerdas

Perkembangan dalam novel mereka, seperti Jules Verne, Isaac

Asimov, dan L. Frank Baum adalah yang terdepan
dan telah menginspirasi banyak peneliti AI
nya (Buchanan 2005).

Awal AI tanggal kembali ke penemuan komputer

sekitar tahun 1940-an dan 1950-an. Selama tahap
pengembangan AI, aplikasi pertama berfokus pada
pemrograman komputer untuk membuat mereka
melakukan hal-hal dengan cerdas seperti manusia.
Pemrograman komputer untuk meniru perilaku
manusia memulai diskusi tentang perbedaan antara
komputer dan otak manusia, dan seberapa dekat
komputer dengan otak manusia pada tahun 1960-an
dan 1970-an. Pada 1980-an dan 1990-an, penelitian
mengambil jalan yang berbeda dengan munculnya
otak buatan. Sejak saat itu, AI tidak terbatas hanya
meniru kecerdasan manusia, melainkan bisa
menjadi cerdas dengan caranya sendiri karena
potensinya telah berkembang secara substansial
 Kecerdasan Buatan
AI dan jaringan saraf tiruan (JST) adalah
domain yang saling berhubungan dalam ilmu
komputer. AI dapat berhasil dieksekusi melalui
ANN. Masih ada perbedaan utama antara AI
dan ANN. Pertama dan terpenting, jaringan
saraf adalah dasar untuk penelitian di bidang AI..
Tujuan utama AI adalah untuk membangun mesin cerdas yang dapat
mencapai tugas tertentu, seperti bermain catur, tanpa melewati batas
yang ditetapkan oleh ilmuwan komputer. ANN digunakan untuk
melampaui batasan AI yang berorientasi pada tugas. JST membuat
program komputer yang dapat menerima umpan balik dan menanggapi
suatu masalah melalui pembelajaran adaptif. Program-program ini dapat
mengoptimalkan respons mereka dengan memecahkan masalah yang
sama berkali-kali dan menyesuaikan respons berdasarkan umpan balik
yang diterima setiap kali (Techopedia.com 2017).
. Pembelajaran mesin adalah teknik AI yang
memungkinkan mesin belajar dari data input
tanpa harus diprogram secara khusus (The
Scientist Magazine 2019). Tujuan AI adalah
pengembangan algoritme yang mengarahkan
mesin untuk melakukan tugas kognitif. Sistem
AI harus mampu menyimpan pengetahuan,
menerapkan pengetahuan ini untuk
memecahkan masalah, dan memperoleh
pengetahuan baru melalui pengalaman.
Sistem AI terdiri dari tiga komponen utama
seperti yang ditunjukkan pada Tabel 2 di bawah
ini (Haykin 1998):
1. Representasi
Ini adalah penggunaan bahasa struktur simbol yang meluas untuk
mewakili pengetahuan umum tentang masalah yang menarik dan
pengetahuan khusus tentang solusi masalah tersebut. Kejelasan
representasi simbolis AI membuka jalan bagi komunikasi manusia-mesin
yang lebih mudah.
2. Penalaran
Penalaran mengacu pada kemampuan untuk
memecahkan masalah.
3. Belajar
Elemen pembelajaran memperoleh beberapa informasi dari lingkungan
dan menggunakan informasi ini untuk meningkatkan komponen basis
pengetahuan dari proses pembelajaran mesin.
 Pembelajaran Mesin
Machine Learning (ML) berkaitan dengan
proses pembangunan komputer yang dapat
meningkatkan diri melalui pengalaman. Bidang
ML adalah dasar dari AI dan ilmu data, dan
terletak di persimpangan ilmu komputer dan
statistik.
Tujuan utama dari ML adalah untuk mengembangkan sistem komputer
yang secara otomatis dapat meningkatkan diri melalui pengalaman. ML
juga berfokus pada bidang metode statistik komputasi dasar yang
melibatkan semua sistem pembelajaran. Disiplin ML telah muncul
sebagai cabang AI dan digunakan sebagai perangkat lunak praktis untuk
visi komputer, pengenalan suara, pemrosesan bahasa alami, dan kontrol
robot.
1. Model ML sederhana terdiri dari empat elemen yang digambarkan
pada Gambar 1. Lingkungan memasok informasi ke elemen
pembelajaran. Informasi ini diproses dan digunakan oleh elemen
pembelajaran untuk memastikan kemajuan dalam basis pengetahuan.
Pada tahap akhir, elemen kinerja melakukan tugasnya dengan
menggunakan basis pengetahuan. Informasi yang diterima oleh
mesin biasanya tidak sempurna, sehingga unsur pembelajaran tidak
mengetahui detail informasi sebelumnya. Untuk alasan ini, mesin
beroperasi dengan menebak sambil menerima "umpan balik" dari
elemen kinerja. Saat mesin menerima umpan balik, ia mengevaluasi
keputusannya dan merevisinya jika diperlukan (Haykin 1998).

Sedang belajar Pengetahuan Pertunjukan

. Pembelajaran mesin adalah teknik AI yang Lingkungan
Elemen Basis Elemen
memungkinkan mesin belajar dari data input
tanpa harus diprogram secara khusus (The
Scientist Magazine 2019). Tujuan AI adalah
pengembangan algoritme yang mengarahkan
mesin untuk melakukan tugas kognitif. Sistem
AI harus mampu menyimpan pengetahuan, Gambar 1: Model Pembelajaran Mesin Sederhana (Haykin 1998).
menerapkan pengetahuan ini untuk
memecahkan masalah, dan memperoleh
pengetahuan baru melalui pengalaman.
 Aplikasi teratas Machine Learning
10 Kontrol Robot
9 Regresi 8 Ekstraksi

3 Diagnosa 5 Asosiasi
1 Visi Komputer 7 Prediksi
Medis Pembelajaran

4. Arbitrase
6 Klasifikasi
2 Pengenalan Statistik
Ucapan
Jaringan saraf Dua Metode Machine Learning
Jaringan saraf adalah salah satu
teknik yang digunakan dalam
penelitian ML yang memungkinkan
Jaringan Syaraf Tiruan dan
pemrosesan algoritma melalui node
yang saling berhubungan yang Pembelajaran Mendalam
disebut neuron buatan. Jaringan
saraf tiruan pertama diciptakan oleh
Marvin Minsky pada tahun 1951. Deep Learning Deep Learning
Struktur otak manusia menjadi
inspirasi bagi para peneliti untuk Deep learning (DL) adalah
teknik AI dan jenis pendekatan DL adalah jenis teknik ML
merancang JST. Pada tahun-tahun
ML yang mengarahkan sistem tertentu yang kekuatan dan
awal, pendekatan JST sangat
komputer untuk meningkatkan fleksibilitasnya berasal dari
terbatas, dan pendekatan lain di
dengan pengalaman dan data. kemampuannya untuk terus
bidang AI telah menarik lebih banyak
ML adalah satu-satunya cara belajar dari dunia fisik dan
perhatian. Dalam beberapa tahun
yang layak untuk membangun menggambarkan dunia ini
terakhir, ANN kembali ke panggung
sistem AI yang berhasil yang sebagai hierarki konsep
sebagai bentuk pendekatan ML yang
dapat beradaptasi dan bersarang. DL dulu dikenal
disebut deep learning (The Scientist
beroperasi di lingkungan dunia sebagai sibernetika pada tahun
Magazine 2019).
nyata yang kompleks. 1940-an-1960-an, dan
kemudian dikenal sebagai
Neuron koneksionisme pada 1980-an-
1990-an. Kemudian itu
Neuron adalah unit pemrosesan diciptakan sebagai
informasi dari jaringan saraf, dan pembelajaran yang mendalam
diperlukan untuk operasi jaringan saraf.
 Tiga Elemen Model Neuronal
Satu set sinapsis atau tautan
penghubung Penambah
Masing-masing diidentifikasi Ini menjumlahkan sinyal input
dengan bobot atau kekuatannya yang diberi bobot oleh masing-
sendiri. Bobot sinaptik dari masing sinapsis neuron.
neuron buatan mungkin terletak
pada kisaran yang mencakup
nilai negatif dan positif. Pada
gambar di bawah ini, sinyal Xj
pada input sinaps j yang
terhubung ke neuron k dikalikan
dengan bobot sinaptik wkj.

Fungsi aktivasi Content Here

Ini membatasi amplitudo output Get a modern PowerPoint
neuron. Karena fungsi aktivasi Presentation that is beautifully
designed. hope and I believe that this
menekan (membatasi) rentang
Template will your Time.
amplitudo yang diizinkan dari
sinyal output ke nilai yang
terbatas, ini disebut sebagai
fungsi squashing.
Kategorisasi Tiga Arah 2. Jaringan yang dalam untuk

Jaringan Pembelajaran pembelajaran yang diawasi

Jenis jaringan ini dirancang untuk

Dalam memberikan solusi untuk masalah

klasifikasi pola dengan tujuan untuk
mengkarakterisasi distribusi kelas di
belakang data yang terlihat. Jaringan ini
Contents juga disebut sebagai jaringan dalam
yang diskriminatif.

3. Jaringan dalam hibrida

Contents Contents
Hybrid mengacu pada arsitektur
1. Jaringan dalam untuk pembelajaran mendalam yang terdiri dari komponen
tanpa pengawasan atau generatif model generatif dan diskriminatif. Hasil
Jaringan ini dirancang untuk menganalisis dari komponen generatif sebagian besar
korelasi tingkat tinggi dari data yang diamati digunakan untuk diskriminasi yang
untuk analisis pola atau tujuan sintesis ketika merupakan tujuan akhir dari jaringan
tidak ada informasi tentang label kelas target dalam hibrida.
yang tersedia.
 Robotika dan Sistem Otonom
Istilah robotika didefinisikan oleh Brady Konsep Industri 4.0 mengharuskan pekerja dan
(1985) sebagai koneksi cerdas antara robot untuk bekerja secara kolaboratif
persepsi dengan tindakan. Karena koneksi
menggunakan antarmuka manusia-mesin, dan
ini cerdas, peran AI dalam robotika tidak
robot dapat dikendalikan dari jarak jauh sambil
dapat disangkal. AI membahas masalah
berurusan dengan objek nyata di dunia mengambil bagian dalam berbagai fungsi bisnis
nyata dalam penelitian robotika. seperti produksi, logistik, dan manajemen kantor.
Robotika menggabungkan efektor mekanis, Metodologi manufaktur yang inovatif muncul
sensor, dan komputer. ketika robot otomatis telah diintegrasikan ke
. Saat ini, teknologi baru yang muncul seperti robot otonom, sistem dalam produksi.
cyber-fisik (CPS), internet of things (IoT), internet of services (IoS),
Teknologi robotika cerdas telah membawa banyak manfaat bagi
dan virtual reality tidak hanya membentuk masa depan proses
kehidupan sehari-hari di berbagai lingkungan seperti darat, luar
manufaktur, tetapi juga mendesak ekonomi industri untuk mengubah
angkasa, dan bawah laut. Robot industri terlibat dalam manufaktur
diri menuju Revolusi Industri Keempat. Robot industri telah meningkat
dengan memanipulasi bagian dan alat manufaktur. Perakitan,
pesat dan menjadi lebih produktif, fleksibel, serbaguna, lebih aman,
penanganan material, pengelasan, dan pengecatan adalah
dan kolaboratif sejak kuartal terakhir abad ke-20. Robot industri adalah
beberapa operasi dasar yang dapat dilakukan dengan
salah satu komponen utama pabrik pintar, dan mereka diterima
menggunakan robot ini. Kendaraan berpemandu otomatis (AGV)
sebagai salah satu pendorong utama Industri 4.0 (Bahrin et al. 2016).
mengangkut bahan dan inventaris di pabrik dan gudang. Telerobot
dapat dikendalikan dari jarak jauh oleh operator manusia, dan
mereka dapat beroperasi di luar angkasa dan di bawah laut

Robot cerdas memiliki mekanisme umpan balik sensorik yang

canggih, dan mereka dapat membuat keputusan secara
mandiri saat beroperasi di lingkungan yang sebagian
terstruktur dan tidak terstruktur
Generasi baru teknologi manufaktur dan konsep pabrik pintar mengubah sistem
produksi dalam banyak hal. Manufaktur aditif (pencetakan 3D), mesin hybrid
yang mampu melakukan banyak pekerjaan, material dan komponen baru,
Aplikasi
otomatisasi pabrik yang didukung oleh robot berbiaya rendah mengubah sistem
manufaktur konvensional menjadi sistem manufaktur cerdas. Paradigma baru ini
juga akan berdampak pada transportasi yang merupakan sumber daya vital bagi
perusahaan.
Industri
Kemajuan dalam robotika dan kendaraan otonom membuka peluang peningkatan besar
untuk transportasi internal dan eksternal dengan menawarkan otonomi dan berbagi tingkat
tinggi, dalam skala regional dan global (Kusiak 2018). Transportasi dapat dikategorikan
menjadi dua kelompok, internal dan eksternal. Sementara transportasi internal mencakup
penanganan material dalam sistem manufaktur, transportasi eksternal mencakup jaringan
pasokan dan distribusi perusahaan. Kemajuan dalam robotika dan kendaraan otonom
membuka peluang peningkatan besar untuk transportasi internal dan eksternal dengan
menawarkan otonomi dan berbagi tingkat tinggi, dalam skala regional dan global.

Lahirnya paradigma Industri 4.0 menyebabkan berkembangnya konsep Smart Logistics.

Banyak perusahaan pergudangan dan pengiriman telah memanfaatkan teknologi informasi,
robotika, dan sistem otomatis sejak mereka mengintegrasikan AI ke dalam model bisnis
mereka. Perkembangan pesat dalam teknologi AI dan robotika telah menawarkan sistem
terobosan untuk industri logistik seperti gudang tak berawak dan drone pengiriman.
Optimalisasi aliran material internal perusahaan dapat dilakukan dengan
menggunakan sistem robotika dalam aktivitas logistik. Beberapa aktivitas yang
Aplikasi
diselesaikan oleh sistem robotika ini adalah bongkar muat dan palletizing/
depalletizing barang dan material Industri
E-commerce (alias perdagangan elektronik atau perdagangan internet) raksasa seperti
Alibaba dan JD.com menerima jutaan pesanan setiap hari, sementara pesanan online ini
merupakan masalah utama pengiriman. Perusahaan e-commerce harus berurusan dengan
masalah pengiriman yang lambat/salah, paket hilang, barang rusak, dan pengemasan yang
salah saat memenuhi jutaan pesanan yang dilakukan secara online setiap hari. Tantangan ini
mendorong perusahaan e-commerce untuk mengintegrasikan sistem otomatis ke dalam
jaringan distribusi mereka. Kegiatan logistik e-commerce terdiri dari tiga tahap utama.
Pengisian kembali barang dari pemasok ke gudang atau pusat distribusi adalah tahap
pertama. Pemenuhan pesanan pelanggan di pusat distribusi adalah tahap kedua, dan tahap
ini biasanya terdiri dari operasi pengambilan, penyortiran, dan pengepakan. Akhirnya, tahap
ketiga adalah pengiriman pesanan dari pusat distribusi ke pelanggan..

Perusahaan berinvestasi dalam sistem otomatis dan robot untuk mengurangi kemacetan ini
dalam operasi gudang mereka. Upaya ini mencakup otomatisasi aliran material dan aliran
informasi
Kesimpulan dan Penelitian
Masa Depan
Abad 21 telah menjadi era
transformasi digital disertai
dengan teknologi baru yang
muncul.
Pabrik cerdas dan proses manufaktur
cerdas telah mengubah cara manufaktur
tradisional menjadi pendekatan
manufaktur berbasis teknologi yang
memanfaatkan keunggulan teknologi.
Digitalisasi manufaktur mengubah cara
barang dibuat dan dikirimkan sekaligus
meningkatkan efisiensi operasional
pabrikan dan membuatnya lebih
menguntungkan. Ketika perusahaan
bergeser dari rantai pasokan yang
terorganisir secara linier ke operasi
rantai pasokan yang saling berhubungan,
proses manufaktur menjadi lebih dinamis
dan terkendali.
AI bersama dengan teknologi
robotika adalah dua pendorong
penting transformasi digital.
Ketika para pemain sistem manufaktur
menjadi otonom dan mandiri, efisiensi
manufaktur dan produktivitas karyawan
meningkat pesat. Otomasi industri
menyebabkan lahirnya gudang cerdas dan
sistem pengiriman. Banyak teknologi
pergudangan yang saling berhubungan
yang mampu bekerja sama membentuk
sistem pergudangan yang cerdas. Barang
diterima, diidentifikasi, disortir, diatur, dan
disiapkan untuk pengiriman secara otomatis
tanpa memerlukan operator manusia.
Sistem ini mengotomatisasi seluruh operasi
(dari pemasok hingga pelanggan akhir)
dengan biaya dan kesalahan minimal
sambil memberikan posisi pasar yang kuat
dan keunggulan kompetitif bagi perusahaan
dengan meningkatkan daya tanggap
pelanggan dan kualitas layanan mereka
Thank You