Algoritma Genetika

2.4.1.         Pengenalan Algoritma Genetika

Wikipedia Indonesia [1] menyebutkan bahwa Algoritma Genetika adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (atau crossover). Sehingga untuk menyelesaikan masalah yang berhubungan dengan optimasi suatu pekerjaan, menggunakan algoritma genetika adalah salah satu cara yang terbaik. Wikipedia juga menyebutkan bahwa Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975.

Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.

Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik dalam bits,

 dimana tiap bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA.

Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak, dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-operator mutasi, persilangan, dan seleksi.

2.4.1.1.    Definisi Penting dari Algoritma Genetika

Beberapa definisi penting yang terdapat dalam algoritma genetika antara lain:

1.       Gen

Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.

2.       Kromosom / Individu

Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari sebuah masalah.

3.       Populasi

Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satuan siklus evolusi.

4.       Fitness

Fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.

5.       Seleksi

Seleksi merupakan proses untuk mendapatkan calon induk yang baik.

6.       Crossover

 Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

7.       Mutasi

Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.

8.       Elitisme

Elitisme digunakan untuk mengikutkan individu-individu induk yang terbaik ke populasi baru dengan menggantikan individu-individu turunan yang terjelek.

9.       Offspring

Offspring merupakan kromosom baru yang dihasilkan setelah melewati suatu generasi.

2.4.1.2      Struktur Umum Algoritma Genetika

Algoritma genetika ini dirumuskan dalam beberapa langkah. Secara umum, langkah – langkah tersebut adalah:

Secara umum, deskripsi langkah – langkah diatas adalah:

1.           Membentuk suatu populasi awal beberapa individual dengan keadaan acak

2.           Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan, yang disebut dengan evaluasi fitness. Algoritma genetika ini bertujuan untuk mendapatkan nilai Fitness yang paling tinggi.

3.           Seleksi individual untuk mendapatkan induk yang baik. Semakin tinggi nilai fitness suatu individu, maka semakin besar pula kesempatannya untuk terpilih

4.           Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi.

Reproduksi ini terbagi menjadi dua macam:

a.       Cross Over

Merupakan salah satu operator dalam algoritma genetika yang melibatkan dua induk untuk mendapatkan keturunan yang baru. Berikut ini adalah flowchart dari proses Cross Over

2.       Mutasi

Merupakan operator yang menukar nilai sebuah gen dengan nilai inversinya. Sebagai contoh, jika terdapat gen dengan nilai 1, maka ditukar nilainya dengan 0. Berikut ini adalah flowchart dari proses mutasi:

  

3.       Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang diinginkan.

Sistem Pakar (Expert System)

Sistem pakar (Expert System) adalah program berbasis pengetahuan yang menyediakan solusi-solusi dengan kualitas pakar untuk problema - problema dalam suatu domain yang spesifik. Pengetahuan dalam sebuah sistem pakar diambil dari mereka yang pakar (expert) dalam domain tersebut. Dan sistem pakar berusaha menirukan metodologi dan kinerjanya (performance). Seperti manusia yang terlatih, sistem pakar cenderung merupakan spesialis yang memfokuskan dirinya padasejumlah problema dengan jangkauan yang sempit. Seperti manusia juga, pengetahuannya bersifat teoritis dan praktis yang telahdisempurnakan lewat pengalaman dalam domain tersebut.

Sistem pakar telah dibuat untuk memecahkan problema problema dalam berbagai bidang, antara lain : matematika, teknik, kedokteran, kimia, ilmu komputer, bisnis, hukum, pendidikan, sampai sistem pertahanan keamanan suatu negara. Walaupun sistem pakar sebagai sistem computer yang dalam berbagai hal bekerjanya jauh lebih baik dari manusia atau ahli, tetapi kita tidak bisa menghilangkan begitu saja faktor manusia dan digantikan oleh sistem komputer, karena padabanyak situasi keahlian manusia tetap dibutuhkan, sebab kemampuan komputer terbatas.

2.3.1.         Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

·         Memiliki informasi yang handal.

·         Mudah dimodifikasi.

·         Dapat digunakan dalam berbagai jenis komputer.

Memiliki kemampuan untuk belajar beradaptasi

2.3.2.         Keuntungan Sistem Pakar

        Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

1.       Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2.       Bisa melakukan proses secara berulang secara otomatis.

3.       Menyimpan pengetahuan dan keahlian para pakar.

4.       Meningkatkan output dan produktivitas.

5.       Meningkatkan kualitas.

6.       Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7.       Mampu beroperasi dalam lingkungan yang berbahaya.

8.       Memiliki kemampuan untuk mengakses pengetahuan.

9.       Memiliki reabilitas.

10.    Meningkatkan kapabilitas sistem komputer.

11.    Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.

12.    Sebagai media pelengkap dalam pelatihan.

13.    Meningkatkan kapabilitas dalam penyelesaian masalah.

14.    Menghemat waktu dalam pengambilan keputusan.

2.3.3.         Kelemahan Sistem Pakar

       

        Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

1.       Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

2.       Sistem Pakar tidak 100% bernilai benar.

2.3.4.         Alasan Pengembangan Sistem Pakar

        Sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

·         Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

·         Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

·         Seorang pakar akan pensiun atau pergi.

·         Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

2.3.5.         Modul Penyusun Sistem Pakar

        Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

1.       Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode)

Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuanpengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2.       Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, system pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaanpertanyaan yang diajukan oleh sistem.

3.       Modul Penjelasan (Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan olehsistem (bagaimana suatu keputusan dapat diperoleh).

Kecerdasan Buatan

Artificial intelegence adalah kecerdasan buatan adalah cabang ilmu komputer yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti manusia . Konsep ini muncul pada tahun 1956 pada sebuah workshop di Dartmouth College, dimana sebuh grup ilmuwan computer bertemu. Tujuan dari kecerdasan buatan ini adalahmembuat komputer semakin berguna bagi manusia. Kecerdasan buatan dapat membantu meringankan beban kerja manusia misalnya dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang mudah dipahami. Cara kerja artificial intelegence adalah menerima input, untuk kemudian diproses dan kemudian mengeluarkan output yang berupa suatu keputusan.

Implementasi dari artificial intelegence saat ini umum ditemui dalam bidang-bidang seperti berikut :

1.       Fuzzy Logic : yaitu suatu metode artificial intelegence yang banyak terdapat pada alat-alat elektronik dan robot. Dimana alat-alat elektronik atau robot tersebut mampu berpikir dan bertingkah laku sebagaimana layaknya manusia.

2.       Computer Vision : yaitu sustu metode artificial intelegence yang memungkinkan sebuah sistem komputer mengenali gambar sebagai inputnya. Contohnya adalah mengenali dan membaca tulisan yang ada dalam gambar.

3.       Artificial intelegence pada game : yaitu suatu metode artificial intelegence yang berguna untuk meniru cara berpikir seorang manusia dalam bermain game. Contohnya adalah program Deep Blue yag mampu berpikir setara dengan seorang Grandmaster catur.

4.       Speech Recognition : yaitu suatu metode artificial intelegence yang berguna untuk mengenali suara menusia dengan cara dicocokkan dengan acuan atau pattern yang

telah diprogramkan sebelumnya. Contohnya adalah suara dari user dapat diterjemahkan menjadi sebuah perintah bagi komputer.

5.       Expert System : yaitu suatu metode artificial intelegence yang berguna untuk meniru cara berpikir seorang ahli dalam mengambil keputusan berdasarkan situasi yang ada. Sehingga seorang user tersebut berkonsultasi kepada seorang ahli. Contohnya adalah program aplikasi yang mampu meniru seorang ahli medis dalam mendeteksi kanker berdasarkan keluhan-keluhan pasiennya.

Serial Buku Robotik: Kecerdasan Buatan

Serial Buku Robotik: Kecerdasan Buatan
Penulis: Pitowarno, E.

4.2 KECERDASAN BUATAN DALAM ROBOTIK
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 1930-an. 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�. Penelitian-penelitian 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 pendekatan-pendekatan 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).

Resensi Buku : Kecerdasan Buatan - Menajamkan Otak Tumpul

KECERDASAN buatan (artificial intelligence) merupakan inovasi baru di bidang ilmu pengetahuan. Mulai ada sejak muncul komputer modern, yakni pada 1940 dan 1950. Ini kemampuan mesin elektronika baru menyimpan sejumlah besar info, juga memproses dengan kecepatan sangat tinggi menandingi kemampuan manusia.
Apa kecerdasan buatan itu? Bagian dari ilmu pengetahuan komputer ini khusus ditujukan dalam perancangan otomatisasi tingkah laku cerdas dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakuan atau tindak-tanduk yang sepenuhnya bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah, dan lain sebagainya.
Kecerdasan buatan mungkin satu dari perkembangan yang paling penting di abad ini. Hal ini akan memengaruhi kehidupan negara-negara yang memainkan peranan penting dalam perkembangan kecerdasan buatan, yang kemudian muncul sebagai negara-negara adikuasa.
Pentingnya kecerdasan buatan menjadi nyata bagi negara-negara yang berperan sejak tahun 1970. Para pemimpin negara yang mengakui potensialnya kecerdasan buatan mengharap mendapat persetujuan jangka panjang untuk sumber-sumber yang memerlukan dana intensif.
Jepang adalah yang pertama kali melakukan itu. Negara ini mengembangkan program yang sangat berambisi dalam penelitian kecerdasan buatan.
Sebagai bidang ilmu pengetahuan komputer, kecerdasan buatan sebenarnya sudah mulai diselidiki pada 1930-an dan 1940-an. Waktu itu banyak cendekiawan mengembangkan ide-ide baru mengenai komputasi. Logika matematika selanjutnya menjadi bidang aktif dari penyelidikan kecerdasan buatan, karena sistem logika deduktif telah berhasil diimplementasikan dalam program-program komputer.
Seorang ahli matematika bernama Alan Turing, yang memiliki sumbangan besar dalam pengembangan teori kemampuan penghitungan (computability), bergumul dengan pertanyaan apakah sebuah mesin dapat berpikir atau tidak. Uji yang dilakukan adalah dengan mengukur kinerja (performance) mesin cerdas. Uji Alan Turing menjadi dasar bagi banyak strategi yang digunakan dengan menilai program-program kecerdasan buatan.
Awalnya, kecerdasan buatan hanya ada di universitas-universitas dan laboratorium penelitian, dan hanya sedikit produk yang dihasilkan dan dikembangkan. Menjelang akhir 1970-an dan 1980-an, mulai dikembangkan secara penuh dan hasilnya berangsur-angsur dipublikasikan di khalayak umum.
Permasalahan di dalam kecerdasan buatan akan selalu bertambah dan berkembang seiring dengan laju perkembangan zaman menuju arah globalisasi dalam setiap aspek kehidupan manusia, yang membawa persoalan-persoalan yang semakin beragam pula. Bidang-bidang yang hampir bersangkutan dengan kecerdasan buatan termasuk keahlian teknik atau teknik mesin, terutama listrik dan teknik mekanik, bahasa, psikologi, ilmu kognitif, dan filosofi. Robotik juga dianggap oleh beberapa peneliti sebagai cabang kecerdasan buatan, tapi yang ini tidak umum.
Dibandingkan dengan program konvensional, program kecerdasan buatan lebih sederhana dalam pengoperasiannya, sehingga banyak membantu pemakai. Program konvensional dijalankan secara prosedural dan kaku, rangkaian tahap solusinya sudah didefinisikan secara tepat oleh pemrogramnya. Sebaliknya, pada program kecerdasan buatan untuk mendapatkan solusi yang memuaskan dilakukan pendekatan trial and error, mirip seperti apa yang dilakukan oleh manusia. Program konvensional tidak dapat menarik kesimpulan seperti halnya pada program kecerdasan buatan kendati dengan informasi-informasi yang terbatas.
Buku Kecerdasan Buatan yang ditulis Andri Kristanto, dosen Ilmu Komputer Universitas Widya Dharma Klaten, cocok dan layak untuk dibaca para mahasiswa jurusan teknik informatika, manajemen informatika, ilmu komputer, atau jurusan lain yang sesuai.

Pengantar Softcomputing

Softcomputing merupakan metode yang dapat mengolah data-data yang bersifat tidak pasti, impresisi dan dapat diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode yang termasuk dalam kategori softcomputing misalnya fuzzy logic, artificial neural network, probabilistyc reasoning. Softcomputing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan masalah, melainkan lebih pada kerjasama serasi antara metode-metode di atas, sehingga segi positif tiap metode dapat berkontribusi secara aktif. Sebagian dari materi pada makalah ini disampaikan sebagai pengantar kuliah musim semi 2003: “Special Lecture on Media Science V”, pada School of Computer & Cognitive Sciences, Chukyo University, Japan.

DOWNLOAD ARTIKEL LENGKAP (PDF):
Pengantar Softcomputing

DOWNLOAD SOFTWARE PENDUKUNG:
Acrobat PDF Reader
Firefox with Google Toolbar
Many ActiveX components ready to download. Download Now!

Pengenalan Algoritma Genetik

Dewasa ini kecerdasan buatan berkembang pesat melaju bersama kecepatan perkembangan teknologi komputer yang dari hari ke hari kian berkembang. Manusia selalu berupaya untuk memudahkan segala permasalahan yang dihadapi. Salah satunya membuat alat bantu untuk memudahkan pekerjaannya/memecahkan masalah yang dihadapi. Kecerdasan buatan dibuat agar komputer bisa berfikir layaknya manusia. Salah satu algoritma yang dipakai dalam metode pencarian adalah menggunakan algoritma genetik yang memakai proses seleksi alam dan genetik

DOWNLOAD ARTIKEL LENGKAP (PDF):
aries-genetik.zip

DOWNLOAD SOFTWARE PENDUKUNG:
Acrobat PDF Reader
Firefox with Google Toolbar
Many ActiveX components ready to download. Download Now!

Sistem Pakar untuk Identifikasi Gangguan Telepon

Sistem pakar merupakan salah satu bidang teknik kecerdasan buatan yang cukup diminati karena penerapannya diberbagai bidang baik bidang ilmu pengetahuan maupun bisnis yang terbukti sangat membantu dalam mengambil keputusan dan sangat luas penerapanya. Sistem pakar adalah suatu sistem komputer yang dirancang agar dapat melakukan penalaran seperti layaknya seorang pakar pada suatu bidang keahlian tertentu (Shelly, 1990; Setiawan, 1993; Margianti, 1995).
Tulisan berikut merupakan hasil studi kasus pada PT.Telkom Indonesia. Semoga bermanfaat.

DOWNLOAD ARTIKEL LENGKAP (PDF):
jaka-pakar.zip

DOWNLOAD SOFTWARE PENDUKUNG:
Acrobat PDF Reader
Firefox with Google Toolbar
Many ActiveX components ready to download. Download Now!

Algoritma Backward Chaining pada Rule-Based Expert System

Sistem pakar adalah suatu program komputer yang memperlihatkan derajat keahlian dalam pemecahan masalah di bidang tertentu sebanding dengan seorang pakar (Ignizio, 1991). Keahlian sistem pakar dalam memecahkan suatu masalah diperoleh dengan cara merepresentasikan pengetahuan seorang atau beberapa orang pakar dalam format tertentu dan menyimpannya dalam basis pengetahuan. Sistem pakar berbasis kaidah (rule-based expert system) adalah sistem pakar yang menggunakan kaidah (rules) untuk merepresentasikan pengetahuan di dalam basis pengetahuannya.
Mesin inferensi (inference engine) merupakan bagian yang bertindak sebagai pencari solusi dari suatu permasalahan berdasar pada kaidah-kaidah yang ada dalam basis pengetahuan sistem pakar. Selama proses inferensi, mesin inferensi memeriksa status dari basis pengetahuan dan memori kerja (working memory) untuk menentukan fakta apa saja yang diketahui dan untuk menambahkan fakta baru yang dihasilkan ke dalam memori kerja tersebut. Fakta-fakta yang merupakan hasil dari proses inferensi disimpan dalam memori kerja.DOWNLOAD ARTIKEL LENGKAP (PDF):
Algoritma Backward Chaining pada Rule-Based Expert System

DOWNLOAD SOFTWARE PENDUKUNG:
Acrobat PDF Reader

Algoritma Genetika dan Contoh Aplikasinya

Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih “alamiah”. Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi kombinasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Dalam tulisan ini akan dibahas teori dasar algoritma genetika beserta contoh aplikasinya dalam menyelesaikan suatu permasalahan optimasi kombinasi sederhana.

DOWNLOAD ARTIKEL LENGKAP (PDF):
denny-agoptimasi.doc

DOWNLOAD SOFTWARE PENDUKUNG:
Acrobat PDF Reader
Firefox with Google Toolbar
Many delphi components ready to download. Download Now!