RANGKUMAN ARTIFICIAL INTELEGENCE (AI)

Disusun oleh :
NAMA : AKMAL IRMANSYAH
NIM : 3922150020
PRODY : TEKNIK INFORMATIKA
SEMESTER : IV
MATA KULIAH : ARTIFICIAL INTELEGENCE
DOSEN PENGAMPU : Bapak PARDO PRANS, M.KOM

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS PANCASAKTI BEKASI
Definisi Artificial Intelegence (AI)
Kecerdasan Buatan (Artificial Intelligence) merupakan cabang dari ilmu
komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan
bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan
metode heuristic atau dengan berdasarkan sejumlah aturan.
Artificial Intelligence berusaha untuk membangun entitas yang cerdas
serta memahaminya. Cerdas yang dimaksud adalah memiliki pengetahuan +
pengalaman, penalaran (bagaimana membuat keputusan & mengambil tindakan)
dan moral yang baik.
Moral yang baik secara langsung mendasari kecerdasan manusia untuk
berbuat sesuatu yang berguna.

Sejarah Artificial Intelegence (AI)

Sejarah Artificial intelligence berawal di tahun 1950 sang seorang
ilmuwan matematika, Alan Turing pada tulisannya berjudul “Computing
Machinery and Intelligence” mengeluarkan pernyataan yang membangkitkan
semangat pengembangan Artificial intelligence. Turing menyatakan bahwa Jika
manusia mampu menyelesaikan duduk perkara serta membuat keputusan sesuai
informasi dan tatanan yang tersedia, mengapa mesin tidak bisa melakukan hal
yg sama?
 Turing Test oleh Alan Turing (1950)
a) Mereka berkomunikasi dimana terminal di ujung memberikan respon
terhadap serangkaian pertanyaan yang diajukan oleh operator. Dan sang
operator itu mengira bahwa ia sedang berkomunikasi dengan operator
lainnya yang berada pada terminal lain.
b) Turing beranggapan bahwa jika mesin dapat membuat seseorang
percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka
dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia)
c) AI diperkenalkan oleh Alan Turing (1950) melalui percobaan mesin
turing (turing test)
d) Ia menggunakan sebuah komputer melalui terminalnya ditempatkan pada
jarak jauh.
e) Di ujung yang satu ada terminal dengan software AI dan diujung lain ada
sebuah terminal dengan seorang operator. Operator itu tidak mengetahui
kalau di ujung terminal lain dipasang software AI.
Perbandingan Kecerdasan buatan dan Kecerdasan alami
 Kecerdasan Buatan
a) Bersifat permanen
b) Lebih mudah diduplikasi dan disebarkan
c) Lebih murah (Menyediakan layanan TI akan lebih mudahdan lebih
murah )
d) Konsisten
e) Dapat didokumentasi
f) Lebih Cepat
g) Dapat mengerjakan pekerjaan lebih baik
 Kecerdasan alami
a) Cepat mengalami perubahan
b) Proses transfer dari manusia satu kelainnya membutuhkan proses
yang lama
c) Lebih mahal karna tidak jarang harus mendatangkan orang untuk
suatu pekerjaan
d) Sering berubah ubah (sifat manusia)
e) Sulit direproduksi
f) Lebih lambat
g) Seringkali kurang teliti

Kelebihan kecerdasan buatan dan kecerdasan alami

 Kecerdasan Buatan
a) Kecerdasan buatan lebih bersifat permanen.
b) Kecerdasan buatan lebih mudah diduplikasi dan disebarkan.
c) Kecerdasan buatan lebih murah dibanding dengan kecerdasan
alami.
d) Kecerdasan buatan bersifat konsisten.
e) Kecerdasan buatan dapat didokumentasikan.
f) Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat
dibanding dengan kecerdasan alami
g) Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik
dibanding dengan kecerdasan alami.
  Kecerdasan Alami
a) Kreatif
b) Kecerdasan alami memungkinkan orang untuk menggunakan
pengalaman secara langsung
c) Pemikiran manusia dapat digunakan secara luas, sedangkan
kecerdasan buatan sangat terbatas

Rangkuman Definisi Artificial Intelligence

• Sistem yang berpikir seperti manusia (Thinking Humanly)
• Sistem yang berpikir secara rasional (Thinking Rationally)
• SIstem yang bertindak seperti manusia (Acting humanly)
• Sistem yang bertindak secara rasonal (Acting rationally)

Fondasi Ilmu Aritificial Intelegence (AI)

1. Filsafat:
• Pikiran adalah seperti mesin
• Menggunakan pengetahuan untuk mengoperasikan
• Pemikiran digunakan untuk mengambil tindakan
2. Matematika
• Alat untuk memanipulasi pernyataan logis
• Memahami perhitungan
• Penalaran algoritma
3. Ekonomi
Pengambilan keputusan untuk memaksimalkan hasil yang diharapkan
4. Neuroscience (Ilmu syaraf)
• Studi tentang sistem syaraf
• Bagaimana otak memproses informasi
5. Psikologi
• Ilmu kognitif
• Manusia dan hewan adalah mesin pengolah informasi
6. Teknik komputer
Menyediakan alat/artefak untuk aplikasi AI
7. Teori kontrol
Merancang perangkat yang bertindak optimal berdasarkan umpan balik dari
lingkungan.
8. Bahasa
Bagaimana bahasa berhubungan dengan pikiran. Knowledge representation
language dan natural language processing.

CONTOH KECERDASAN BUATAN (AI)

Contoh Kecerdasan Buatan yang sering kita temukan dalam kehidupan sehari-
hari adalah:
1. Asisten Virtual
Pada ponsel, kita sering menemui asisten virtual, seperti Siri, Google Assistant,
Alexa, dan Cortana. Tugasnya adalah menjawab pertanyaan, memberikan saran,
dan bahkan mengontrol perangkat lain.
2. Deteksi Wajah
Teknologi deteksi wajah dapat digunakan dalam berbagai aplikasi seperti
pengamanan, identifikasi kejahatan, dan kontrol akses.
3. Pencarian Online
Mesin pencari online ini sangat sering kita gunakan dalam kehidupan sehari-
hari. Contohnya adalah Google, Bing, dan Yahoo yang dirancang untuk
memahami maksud dari kata kunci dan memberikan hasil pencarian yang
relevan.
4. Mesin Penerjemah
Mesin penerjemah seperti Google Translate menggunakan teknologi kecerdasan
buatan untuk menerjemahkan dokumen atau percakapan ke dalam bahasa lain.
5. Pengenalan Suara
Sekarang banyak perangkat atau alat elektronik yang bisa diperintah
menggunakan suara berkas teknologi AI.Asisten suara seperti Amazon Echo,
Google Home, dan Apple HomePod menggunakan teknologi pengenalan suara
untuk memahami perintah dan menjawab pertanyaan.
6. Sistem Rekomendasi
Sistem rekomendasi seperti yang digunakan pada toko online dan sosial media
menggunakan teknologi kecerdasan buatan untuk merekomendasikan film,
buku, dan produk lainnya berdasarkan riwayat pembelian dan preferensi
pengguna.
7. Deteksi Penipuan
Bank dan institusi keuangan menggunakan teknologi kecerdasan buatan untuk
mendeteksi aktivitas penipuan dan transaksi yang mencurigakan.
8. Analisis Data
Perusahaan dan organisasi menggunakan teknologi kecerdasan buatan untuk
menganalisis data dan membuat prediksi bisnis yang lebih akurat. Nah, itulah
penjelasan lengkap mengenai Kecerdasan Buatan atau AI.

Ruang Lingkup Artificial Intelegence (AI)

Makin pesatnya perkembangan teknologi menyebabkan adanya
perkembangan dan perluasan lingkup yang membutuhkan kehadiran AI.
Karakteristik "cerdas" sudah mulai dibutuhkan di berbagai disiplin ilmu dan
teknologi. AI tidak hanya dominan di bidang ilmu komputer (informatika),
namun juga sudah merambah di berbagai disiplin ilmu yang lain. Irisan antara
psikologi dan AI melahirkan sebuah area yang dikenal dengan nama cognition
& psycolinguistics. Irisan antara teknik elektro dengan AI melahirkan berbagai
ilmu, seperti: pengolahan citra, teori kendali, pengenalan pola dan robotika.
Dewasa ini, AI juga memberikan konstribusi yang cukup besar di bidang
manajemen. Adanya sistem pendukung keputusan dan Sistem Informasi
Manajemen juga tidak terlepas dari andil AI.
Adanya irisan penggunaan AI di berbagai disiplin ilmu tersebut
menyebabkan cukup rumitnya untuk mengklasifikasikan AI menurut disiplin
ilmu yang menggunakannya. Untuk memudahkan hal tersebut, maka
pengklasifikasian lingkup AI didasarkan pada output yang diberikan, yaitu pada
aplikasi komersial (meskipun sebenarnya AI itu sendiri bukan merupakan
medan komersial).
Lingkup utama dalam kecerdasan buatan adalah:
1. Sistem Pakar (Expert System)., komputer digunakan sebagai sarana untuk
menyimpan pengetahuan para pakar. Dengan demikian, komputer akan
memiliki keahlian untuk menyelesaikan permasalahan dengan meniru
keahlian yang dimiliki oleh pakar.
2. Pengolahan Bahasa Alami (Natural Language Processing). Dengan
pengolahan bahasa alami ini diharapkan user dapat berkomunikasi
dengan komputer dengan menggunakan bahasa sehari-hari.
3. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan
diharapkan manusia dapat berkomunikasi dengan komputer
menggunakan suara.
4. Robotika & Sistem Sensor (Robotics & Sensory Systems).
5. Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau
objek-objek tampak melalui komputer.
6. Intelligent Computer-aided Instruction. Komputer dapat digunakan
sebagai tutor yang dapat melatih dan mengajar.
7. Game Playing.
Beberapa karakteristik yang ada pada sistem yang menggunakan AI
adalah pemogramannya yang cenderung bersifat simbolik ketimbang
algoritmik, bisa mengakomodasi input yang tidak lengkap, bisa melakukan
inferensi dan adanya pemisahan antara kontrol dengan pengetahuan. Namun,
seiring dengan perkembangan teknologi, muncul beberapa teknologi yang juga
bertujuan untuk membuat agar komputer menjadi cerdas sehingga dapat
menirukan kerja manusia sehari-hari. Teknologi ini juga mampu
mengakomodasi adanya ketidakpastian dan ketidaktepatan data input. Dengan
didasari pada teori himpunan, maka pada tahun 1965 muncul Logika Fuzzy.
Kemudian pada tahun 1975, John Holland mengatakan bahwa setiap problem
berbentuk adaptasi (alami maupun buatan) secara umum dapat diformulasikan
dalam terminologi genetika. Algoritma genetika ini merupakan simulasi proses
evolusi Darwin dan operasi genetika atas kromosom.
Perbedaan AI dengan Komputasi Konvensional
Aritifficial Intelligence merupakan software yang memungkinkan
komputer digital bisa meniru beberapa fungsi otak manusia yang terbatas.
walaupun hardware artifficial intelligence khusus dapat dibuat, tetapi ternyata
hampir semua software AI bisa dilaksanakan pada semua jenis komputer, mulai
dari komputer mikro sampai komputer besar.
KOMPUTASI KONVENSIONAL
Teknik pembuatan Program AI sangat berbeda dengan teknik
pemrograman menggunakan bahasa konvensional. Dalam software
konvensional,kita memerintah komputer bagaimana menyelesaikan suatu
masalah. Sebaliknya, dalam AI kita tidak memerintah komputer untuk
menyelesaikan masalah, tetapi memeberitahu komputer tentang adanya
masalah. Dalam komputasi konvensional, kita memberikan data kepada
komputer dan program yang telah kita susun terlebih dahulu dengan langkah
demi langkah memspesifikasikan cara data digunakan sampai komputer bisa
memberikan solusi.
Dalam komputasi AI, komputer mendapatkan pengetahuan tentang suatu
wilayah subyek masalah tertentu dengan ditambah kemampuan inferensi. kita
tidak memerintahkan komputer untukmemecahkan masalah tetapi sebaliknya
komputer dan software-nya yang menentukan metode untuk mencapai suatu
solusi.

KOMPUTASI AI
Sebaliknya, software AI tidak didasarkan pada algoritma, tetapi
didadasarkan pada representasi dan manipulasi simbol. Didalam AI, sebuah
simbol bisa merupakan huruf, kata, atau bilangan yang digunakan untuk
menggambarkan objek, proses, dan huungannya. sumber bisa merupakan
cetakan atau elektronik. objek bisa berupa orang, benda, ide, pikiran, peristiwa,
atau pernyataan suatu fakta. Dengan menggunakan simbol, komputer bisa
menciptakan suatu basis pengetahuan yang menyatakan fakta, pikiran, dan
hubungannya satu sama lain. berbagai proses digunakan unutk memanipulasi
simbol agar mampu memecahkan masalah. Pengolahannya bersifat kuantitatif,
bukan kulaitatif seperti halnya komputasi yang didasarkan pada algoritma.
SOFT COMPUTING
Soft computing adalah koleksi dari beberapa metodologi yang bertujuan
untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian
dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan
biaya penyelesaiannya murah. Definisi ini pertama kali diungkapkan oleh Prof.
Lotfi A. Zadeh pada tahun 1992. Soft computing merupakan inovasi baru dalam
membangun sistem cerdas. Sistem cerdas ini merupakan sistem yang memiliki
keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar
agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.
Unsur-unsur pokok dalam Soft Computing, adalah:
1. Sistem Fuzzy (mengakomodasi ketidaktepatan).
2. Jaringan Syaraf (menggunakan pembelajaran).
3. Probabilistic Reasoning (mengakomodasi ketidakpastian).
4. Evolutionary Computing (optimasi).
Keempat unsur tersebut bukan merupakan pesaing antara satu dengan
lainnya, namun diantaranya bisa saling melengkapi. Bahkan, pada
kenyataannya, biasanya unsur-unsur pokok tersebut akan digunakan secara
sinergis ketimbang dikerjakan secara sendiri-sendiri. Sehingga, Zadeh juga
mendefinisikan bahwa soft computing itu merupakan hubungan antara logika
fuzzy, neuro-computing, probabilistic reasoning, dan algoritma genetik.
Karakteristik Soft Computing:
• Soft computing memerlukan keahlian manusia, apabila direpresentasikan
dalam bentuk aturan (IF-THEN).
• Mode komputasinya diilhami oleh proses biologis.
• Soft computing merupakan teknik optimasi baru.
• Soft computing menggunakan komputasi numeris.
• Soft computing memiliki toleransi kegagalan (meskipun kualitasnya
berangsur-angsur memburuk).
SISTEM PAKAR
Sistem pakar (expert system) merupakan cabang dari AI dan juga
merupakan bidang ilmu yang muncul seiring perkembangan ilmu komputer
saat ini. Sistem ini adalah sistem komputer yang bisa menyamai atau meniru
kemampuan sorang pakar (Giarratano dan Riley, 1994). Sistem ini bekerja untuk
mengadopsi pengetahuan manusia ke komputer yang menggabungkan dasar
pengetahuan (knowledge base) dengan sistem inferensi untuk menggantikan
fungsi seorang pakar dalam menyelesaikan suatu masalah.
Tujuan dari sistem ini adalah mentransfer kepakaran yang dimiliki seoarang
pakar ke dalam komputer, dan kemudian kepada orang lain (non-expert).
Aktivitas yang dilakukan untuk memindahkan kepakaran adalah:
1. Knowledge Acquisition (dari pakar atau sumber lainnya)
2. Knowledge Representation (ke dalam komputer)
3. Knowledge Inferencing
4. Knowledge Transfering
.
Sistem pakar sebagai paket perangkat lunak atau paket program komputer
yang ditujukan sebagai penyedia nasihat dan sarana bantu dalam memecahkan
masalah di bidang-bidang spesialisasi tertentu seperti sains, perekayasaan,
matematika, kedokteran, pendidikan dan sebagainya. Sistem pakar merupakan
subset dari AI.
Ada beberapa keunggulan sistem pakar, di antaranya adalah kemampuan
berikut:
1. Menghimpun data dalam jumlah yang sangat besar.
2. Menyimpan data tesebut untuk jangka waktu yang panjang dalam suatu
bentuk tertentu.
3. Mengerjakan perhitungan secara cepat dan tepat serta tanpa jemu mencari
kembali data yang tersimpan dengan kecepatan tinggi.

Ada banyak keuntungan menggunakan sistem pakar, di antaranya adalah:

1. Mempermudah pencarian pengetahuan dan nasihan yang diperlukan.
2. Meningkatkan output dan produktivitas.
 3. Menyimpan kemampuan dan keahlian pakar.
4. Meningkatkan penyelesaian masalah, meneruskan panduan pakar,
penerangan, sistem pakar khas.
5. Meningkatkan realibilitas.
6. Memberikan respons (jawaban) yang cepat.
7. Merupakan panduan yang cerdas (intelligence).
8. Dapat bekerja dengan informasi yang kurang lengkap dan mengandung
ketidakpastian.
9. Intelligence database (basis data cerdas), bahwa sistem pakar dapat
digunakan untuk mengakses basis data dengan cara cerdas (Kerschberg
dan Schur, 1988).
Selain keuntungan-keuntungan, seperti halnya sistem lainnya, sistem pakar juga
memliki kelemahan-kelamahan, di antaranya adalah:
1. Masalah dalam mendapatkan pengetahuan dimana pengetahuan tidak
selalu diperoleh dengan mudah karena kadang kala pakar dari masalah
yang kita buat tidak ada, dan kalaupun ada, kadang-kadang pendekatan
yang dimiliki oleh pakar berbeda-beda.
2. Membuat suatu sistem pakar yang benar-benar berkualitas tinggi
sangatlah sulit dan memerlukan biaya yang sangat besar dalam
pengembangan dan pemeliharaannya.
3. bisa jadi sistem tidak dapat membuat keputusan.

LOGIKA FAUZZY
Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota
himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan. Logika
fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam
suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat
dari suatu keanggotaan dan derajat dari kebenaran.
Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah
pada waktu yang sama. Logika Fuzzy memungkinkan nilai keanggotaan antara
0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik,
konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat". Kelebihan dari
teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa
(linguistic
reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan
matematik dari objek yang akan dikendalikan.
Fuzzy secara bahasa diartikan sebagai kabur atau samar samar. Suatu
nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal
derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu).
Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu
nilai bias bernilai benar atau salah secara bersama. Namun berapa besar
keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang
dimilikinya.
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1.
Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika
fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan
menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan
yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan
logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana
suatu nilai itu salah. Tidak seperti logika klasik (scrisp)/tegas, suatu nilai hanya
mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau
tidak.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy antara lain:
1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy
menggunakan dasar teori himpunan, maka konsep matematis yang
mendasari penalaran fuzzy tersebut cukup mudah dimengerti.
2. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan
perubahan-perubahan dan ketidakpastian yang menyertai permasalahan.
3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika
diberikan sekelompok data yang cukup homogen dan kemudian ada
beberapa data yang ‘eksklusif’, maka logika fuzzy memiliki
kemampuan untuk menangani data tersebut.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks.
 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan.
6. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara
konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik
mesin maupun teknik elektro.
7. Logika fuzzy didasarkan pada bahasa alami.Logika fuzzy menggunakan
bahasa sehari-hari sehingga mudah dimengerti.

SEARCH METHOD
Metode Pencarian/Pelacakan (Search Method) Pada Artificial Intelligence
Pada saat menentukan suatu keberhasilan pada sistem kecerdasan yaitu melalui
kesuksesan pencarian dan pencocokan.
Adapun 2 (dua) teknik pencarian / pelacakan yang dipakai, yaitu:
1. Pencarian buta (blind search)
2. Pencarian terbimbing (heuristic search)
Pada metode pencarian buta (blind search) umumnya menggunakan 2 metode
yang digunakan, antara lain:
• Pencarian Melebar Pertama (Breadth-First Search)
Pada metode Breadth-First Search, semua node pada level n akan dikunjungi
terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian
dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian
berpindah ke level berikutnya demikian pula dari kiri ke kanan hingga
ditemukannya solusi.
• Pencarian Mendalam Pertama (Depth-First Search)
Metode Depth-First Search ini akan dilakukan pada proses pencarian semua
anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian
dimulai dari node akar ke level yang lebih tinggi. Proses ini akan terus diulangi
hingga mendapatkan solusi.
 Pencarian Heuristik / dengan informasi (Heuristic Search)
Dalam pencarian buta tidak dapat sering diterapkan dengan baik, hal ini
dikarenakan dalam waktu aksesnya cukup lama dan besarnya memori yang
dipakai. Kelemahan ini dapat diatasi jika memiliki informasi tambahan dari
domain yang bersangkutan.
Ada 4 metode dalam pencarian heuristik, antara lain:
1. Pembangkit dan penggujian (Generate and Test)
Metode ini merupakan penggabungan antara depth-first search dengan
pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju suatu
keadaan awal. Nilai Pengujian berupa jawaban baik berupa ‘ya’ atau ‘tidak’.
2. Pendakian bukit (Hill Climbing)
Pada metode ini hampir sama seperti metode pembangkitan dan pengujian,
namun proses pengujian ini dilakukan dengan fungsi heuristik. Pembangkitan
kondisi yang berikutnya sangat tergantung pada feedback dari prosedur
pengetesan. Tes fungsi heuristik akan menunjukan seberapa baiknya nilai
perkiraan yang diambil terhadap kondisi-kondisi lainnya yang mungkin terjadi.
3. Pencarian terbaik pertama (Best First Search)
Metode best-first search merupakan metode yang mengambil kelebihan dari
kedua metode kombinasi dari metode depth-first search dengan metode breadth-
first search. Apabila ada pencarian dengan metode hill climbing tidak dapat
untuk balik ke node pada level yang lebih rendah walaupun node pada level
yang lebih rendah tersebut memiliki nilai heuristik yang lebih baik, lain halnya
dengan metode best-first search ini. Pada metode best-first search, pencarian
dapat mengunjungi node yang ada dilevel yang lebih rendah, jika node pada
level yang lebih tinggi memiliki nilai heuristik yang lebih buruk.
4. Simulated Annealing
Ide dasar terbentuk simulated Annealing yaitu dari pemrosesan logam.
Annealing (memanaskan kemudian mendinginkan) dalam pemrosesan logam
adalah suatu proses bagaimana membuat bentuk cair yang sedikit demi sedikit
menjadi bentuk yang lebih padat seiring dengan penurunan pada temperatur.
Simulated annealing umumnya digunakan dalam penyelesaian masalah yang
dimana perubahan keadaan dari suatu kondisi ke kondisi yang lainnya
membutuhkan ruang yang sangat besar, misalkan perubahan gerakan dengan
menggunakan permutasi pada masalah Travelling Salesman Problem.
ALGORITMA GENETIKA
Algoritma genetika merupakan evolusi atau perkembangan dunia
komputer dalam bidang kecerdasan buatan (artificial intelligence). Algoritma ini
memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi.
Dalam proses evolusi, individu secara terus-menerus mengalami perubahan gen
untuk menyesuaikan dengan lingkungan hidupnya. Proses seleksi alamiah ini
melibatkan perubahan gen yang terjadi pada individu melalui proses
perkembangbiakan. Sementara itu dewasa ini perkembangan perangkat keras
komputer sangatlah cepat.
Keadaan yang sama terjadi dengan periferal lainnya. Belum lagi
persaingan produsen penghasil perangkat keras komputer dalam meluncurkan
produk terbarunya, maka akan semakin banyak jenis perangkat keras komputer
yang beredar di pasaran. Hal ini tentunya membingungkan pengguna dalam
memilih spesifikasi yang sesuai dengan kebutuhannya. Tidak jarang komputer
yang dibeli memiliki spesifikasi yang tidak memenuhi kebutuhan atau malah
melebihi dari kebutuhannya. Hal yang terjadi kemudian adalah komputer yang
dibeli menjadi tidak optimal penggunaannya. Dengan dukungan algoritma
genetika ini diharapkan mampu memberikan solusi atas masalah ini.

Definisi Algoritma Genetika

John Holland (1975) menyatakan bahwa setiap masalah yang berbentuk
adaptasi (alami maupun buatan) dapat diformulasikan ke dalam terminologi
genetika. Kemudian muridnya, Goldberg (1989) mendefinisikan algoritma
genetika ini sebagai suatu algoritma pencarian berdasarkan pada mekanisme
seleksi alam dan genetika alam.
Algoritma Genetika adalah algoritma yang dikembangkan dari proses
pencarian solusi optimal menggunakan pencarian acak, ini terlihat pada proses
pembangkitan populasi awal yang menyatakan sekumpulan solusi yang dipilih
secara acak. Algoritma ini memanfaatkan proses seleksi alamiah yang dikenal
dengan proses evolusi. Algoritma Genetika (AG) adalah suatu algoritma
pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Algoritma
genetika merupakan salah satu algoritma yang sangat tepat digunakan dalam
menyelesaikan masalah optimasi yang kompleks, yang sulit dilakukan oleh
metode konvensional.
Secara definitif disimpulkan bahwasanya AG (algoritma genetika) adalah
algoritma pencarian dan optimisasi yang berbentuk adaptasi, bersifat mencari
kemungkinan kemungkinan dari sekumpulan solusi yang ada, untuk mencari
solusi yang paling optimal berdasarkan fungsi fitness yang telah ditentukan.

JARINGAN SYARAF TIRUAN (JST)

JST dapat belajar dari pengalaman, melakukan generalisasi atas contoh-
contoh yang diperolehnya dan mengabstraksi karakteristik esensial input
bahkan untuk data yang tidak relevan.
Algoritma untuk JST beroperasi secara langsung dengan angka sehingga data
yang tidak numerik harus diubah menjadi data numerik.
JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran
atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya
selama mengikuti proses pembelajaran.
Arsitektur JST ada 3
1. Jaringan dengan lapisan tunggal (single layer net)
2. Jaringan dengan banyak lapisan (multilayer net)
3. Jaringan dengan lapisan kompetitif (competitive layer net)
A. Jaringan dengan lapisan tunggal
• Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini
hanya menerima input kemudian secara langsung akan mengolahnya
menjadi output tanpa harus melalui lapisan tersembunyi.
• Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang
bersesuaian.
• Semua unit input akan dihubungkan dengan setiap unit output.
B. Jaringan dengan banyak lapisan (multilayer net)
• Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan
lapisan output.
• Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang
bersebelahan.
• Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan
yang lebih sulit daripada lapisan tunggal, tentu saja dengan pembelajaran
yang lebih rumit.
• Pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan
ini lebih sukses dalam menyelesaikan masalah.

C. Jaringan dengan lapisan kompetitif (competitive layer net)

• Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak
menjadi aktif.
• Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak
diperlihatkan pada diagram arsitektur.
• Gambar berikut menunjukkan salah satu contoh arsitektur jaringan
dengan lapisan kompetitif yang memiliki bobot -η
D. Paradigma/metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised learning)
2. Pembelajaran tak terawasi (unsupervised learning) / pembelajaran tanpa
guru
3. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)
E. Pembelajaran terawasi(supervised learning)
• Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya
telah diketahui.
• Perbedaan antara output-output aktual dengan output-output yang
diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat
menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang
benar yang telah diketahui oleh JST.
• Contoh : Hebbian, Perceptron, Adaline, Back Propagation, LVQ
(Learning Vector Quantization)
F. Pembelajaran tak terawasi(unsupervised learning)/pembelajaran tanpa
guru
• Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk
membentuk vektor-vektor input yang serupa, tanpa menggunakan data
atau contoh-contoh pelatihan.
• Struktur menggunakan dasar data atau korelasi antara pola-pola data yang
dieksplorasi.
• Contoh : Kohonen, ART
 G. Gabungan pembelajaran terawasi dan tak terawasi(hybrid)
• Merupakan kombinasi dari kedua pembelajaran tersebut.
• Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi
dan sebagian lainnya melalui pembelajaran tak terawasi.
Aplikasi Jaringan Syaraf Tiruan (JST)
• Matematika : alat pemodelan masalah dimana bentuk eksplisit dari
hubungan antara variabel-variabel tertentu tidak diketahui
• Pengenalan benda bergerak : selain pola dari citra diam, JST juga bisa
digunakan untuk mendeteksi citra bergerak dari video seperti citra orang
yang bergerak, dll.
• JST digunakan sebagai detektor virus komputer, penginderaan bau, dll
• Aerospace : autopilot pesawat terbang, simulasi jalur penerbangan, sistem
kendali pesawat, perbaikan autopilot, simulasi komponen pesawat
• Militer : Pengendali senjata, pendeteksi bom, penelusuran target,
pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal
citra yang meliputi kompresi data, ekstraksi bagian istimewa, dan
penghilangan derau, pengenalan sinyal atau citra.
• Elektronik : Pembuatan perangkat keras yang bisa mengimplementasikan
JST secara efisien, machine vision, pengontrol gerakan
• Otomotif : sistem kendali otomatis mobil
• Broadcast : pencarian klip berita melalui pengenalan wajah
• Keamanan : JST digunakan untuk mengenali mobil dan mengenali wajah
oknum
• Medis : analisis sel kanker
• Pengenalan suara : pengenalan percakapan, klasifikasi suara
• Pengenalan tulisan : pengenalan tulisan tangan, penerjemahan tulisan ke
dalam tulisan latin
• Keuangan dan perbankan : pendeteksian uang palsu, evaluator aplikasi
kredit, pengidentifikasian pola-pola data pasar saham