Artificial Intelligence ( AI )

Istilah kecerdasan buatan sebenarnya berasal dari bahasa Inggris: “Artificial Intelligence”. Jika diartikan tiap kata, artificial artinya buatan, sedangkan intelligence adalah kata sifat yang berarti cerdas. Jadi artificial intelligence maksudnya adalah sesuatu buatan atau suatu tiruan yang cerdas. Cerdas di sini kemungkinan maksudnya adalah kepandaian atau ketajaman dalam berpikir, seperti halnya otak manusia dalam menyelesaikan suatu masalah.
AI jika dilihat dari berbagai sudut pandang :
1. Sudut pandang Kecerdasan : mesin menjadi ‘cerdas’ (mampu berbuat apa yang dilakukan oleh manusia)
2. Sudut pandang Penelitian : studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dilakukan oleh manusia.
Domain penelitian :
a. Mundande task
# Persepsi (vision & speech)
# Bahasa alami (understanding, generation & translation)
#Pemikiran yang bersifat commonsense
#Robot control
b. Formal task
# Permainan/games
# Matematika (geometri, logika, kalkulus, integral, pembuktian)
c. Expert task
# Analisis finansial
# Analisis medikal
# Analisis ilmu pengetahuan
# Rekayasa (desain, pencarian, kegagalan, perencanaan, manufaktur)
3. Sudut pandang Bisnis : kumpulan peralatan yang sangat powerful dan metodologis dalam menyelesaikan masalah-masalah bisnis
4. Sudut pandang Pemrograman : studi tentang pemrograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
Aplikasi AI memiliki 2 bagian utama, yaitu :
- Basis Pengetahuan (Knowledge Base) : berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.
- Motor Inferensi (Inference Engine) : kemampuan menarik kesimpulan berdasarkan pengalaman.
Intelegensia buatan merupakan inovasi baru di bidang ilmu pengetahuan. Mulai ada sejak muncul komputer modern, yakni pada 1940 dan 1950. Dalam literatur, orang pertama yang dianggap sebagai pionir dalam mengembangkan mesin cerdas (intelligence machine) adalah Alan Turing, seorang 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. Beliau melakukan percobaan Turing (Turing Test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. 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. 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. 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). 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 ilmu pengetahuan, 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) 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 diselesaikan melalui jaringan neuron yang mereka modelkan.
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. 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.

Jaringan Syaraf Tiruan

Sejarah jaringan saraf buatan

Di awal abad 20, seorang penemu Spanyol, Torres y Quevedo, membuat sebuah mesin yang dapat men’skak-mat’ raja lawannya dengan sebuah ratu dan raja. Perkembangan secara sistematis kemudian dimulai segera setelah iketemukannya komputer digital. Artikel ilmiah pertama tentang Kecerdasan Buatan ditulis oleh Alan Turing pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie Mellon University oleh Allen Newell and Herbert Simon. Namun bidang Kecerdasan Buatan baru dianggap sebagai bidang tersendiri di konferensi Dartmouth tahun 1956, di mana 10 peneliti muda memimpikan mempergunakan komputer untuk memodelkan bagaimana cara berfikir manusia. Hipotesis mereka adalah: “Mekanisme berfikir manusia dapat secara tepat dimodelkan dan disimulasikan pada komputer digital”, dan ini yang menjadi landasan dasar Kecerdasan Buatan.

a. Tahun 1940-an, para ilmuwan menemukan bahwa psikologi otak sama dengan mode pemrosesan yang dilakukan oleh komputer

b. Tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron

c. Tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random

d. Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola

e. Tahun 1960, Widrow dan Hof mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square (LMS)

f. Tahun 1974, Werbos memperkenalkan algoritma backpropagation

g. Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik\

Jaringan saraf Tiruan masa kini.

Saat ini sulit memperkirakan sejauh mana jaringan saraf, teori fuzzy, dan pendekatan-pendekatan logika lainnya akan mengubah kehidupan kita di masa mendatang¾ seperti halnya kehadiran komputer dan dampaknya bagi kita tidak dapat diperkirakan pada saat kemunculan komputer elektronik pertama, ENIAC di tahun 1946. Sehingga belum terlihat apakah kita akan memiliki pengemudi yang dikendalikan oleh jaringan saraf ataupun fuzzy sehingga kita tidak perlu mengemudikan mobil kita lagi. Tahapan hingga mencapai transformasi tersebut hingga kini belumlah terlihat jelas, akan tetapi tanda-tanda ke arah tersebut telah terlihat.

Robert Hecht-Nielsen, seorang kontributor dalam bidang jaringan saraf, melihat bahwa aplikasi-aplikasi jaringan saraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola, dan fungsi kendali.

Dalam analisis data, bidang aplikasi potensial mencakup pemrosesan aplikasi pinjaman, analisis perdagangan komoditas, peramalan runtut waktu, prediksi panen, meteorologi, analisis pasar, pola aktivitas konsumen, penegakan hukum yang melibatkan pencarian catatan kriminal.

Keseluruhan aplikasi ini, pada tahapan yang lebih kompleks, meliputi pemrosesan data base berukuran besar yang belum terlihat hubungan antar tiap elemennya. Beberapa di antaranya, meski dapat diselesaikan oleh teknik komputer klasik, dapat pula diselesaikan oleh jaringan saraf. Sedangkan aplikasi yang lain seperti misalnya peramalan cuaca jangka panjang, yang melibatkan faktor-faktor chaotic mungkin berada di luar lingkup jaringan saraf.

Dalam pengenalan pola, optical character recognition disebut sebagai aplikasi saraf¾ utamanya bila melibatkan cek yang ditulis tangan dan alamat surat yang ditulis tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring berdasar jaringan saraf menjadi alat yang disukai.

Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi fungsi-fungsi seperti operasi peralatan mesin. Sebagai contoh, suatu alat yang cukup kaku memegang blok metal menjadi rentan untuk rusak dalam operasi kecepatan tinggi. Sensor yang mendeteksi getaran dan tekanan dapat memberikan petunjuk real-time mengenai kelemahan-kelemahan operasi¾ dengan sebuah jaringan saraf dilatih untuk mengenali kelemahan-kelemahan multi dimensional.

Selanjutnya kami akan mengetengahkan beberapa aplikasi yang telah ada dalam kehidupan kita yang menggunakan jaringan saraf.

Aplikasi-aplikasi yang telah ada

Sebagian besar aplikasi yang ada saat ini merupakan prototipe-prototipe ataupun proyek-proyek riset. Meskipun untuk saat ini produk jaringan saraf ini belum begitu banyak kita jumpai, namun kami berkeyakinan bahwa di masa mendatang kita akan menjumpai lebih banyak lagi aplikasi jaringan saraf, oleh karena banyaknya para jenius yang berkecimpung di bidang ini.

Aplikasi-aplikasi jaringan saraf yang ada saat ini umumnya dapat dijalankan pada PC tanpa bantuan hardware khusus, namun demikian terdapat pula yang memerlukan suatu hardware jaringan saraf khusus.

Aplikasi-aplikasi berikut ini berkaitan dengan kehidupan kita sehari-hari dan jaringan saraf telah memegang peranan yang cukup penting di dalamnya.

Adaptive Noise Canceling

Aplikasi ini telah mendapatkan penghargaan Institute of Electrical and Electronic Engineers' Alexander Graham Bell. Sumbangan aplikasi ini adalah membersihkan gangguan pada saluran telpon (dikenal sebagai echo) dan mengurangi kesalahan transmisi modem. Setiap kita melakukan sambungan telpon jarak jauh, suara kita akan diproses melalui suatu penyaring adaptif. Proses penyaringan adaptif ini dikembangkan oleh Bernard Widrow pada tahun 1950-an. Aplikasi ini merupakan aplikasi yang sukses untuk jangka waktu terpanjang.

Mortgage Risk Evaluator

Perusahaan Nestor telah berhasil mengembangkan produk yang digunakan dalam aplikasi hipotek (Mortgage Risk Evaluator). Produk ini membantu biro kredit mengidentifikasikan seseorang yang mampu membayar hipotek. Sistem telah dilatih dalam beberapa ribu aplikasi nyata, sekitar setengahnya diterima dan setengah yang lain ditolak oleh pemeriksa. Belajar dari kesuksesan dan kegagalan pengalaman ini, sistem kemudian mencari pola di dalam data untuk menentukan hal-hal apa saja yang menunjukkan suatu risiko tinggi. Selain itu, sistem dapat pula dikonfigurasi agar pendugaannya bersifat konservatif atau pun optimistik.

Terdapat tiga tingkatan permasalahan yaitu pemeriksaan asal hipotek, pemeriksaan jaminan hipotek, dan pendugaan risiko. Semakin tinggi tingkatan, maka semakin besar risiko dan semakin sulit tugasnya.

Dua tujuan utama pembuatan produk ini adalah pertama untuk mengotomatisasi proses pemeriksaan, sehingga dapat mengurangi biaya proses; kedua, untuk memperbaiki praktik yang ada saat ini. Dalam suatu uji perbandingan dengan pemeriksa manusia (human underwriters) diketahui bahwa jaringan saraf lebih konsisten dalam mengklasifikasikan berkas, dan menghasilkan kualitas berkas tersertifikasi yang lebih baik serta mampu mengurangi secara nyata kesalahan-kesalahan kerja.

AVCO Financial Services, di Irvine, California, menggunakan sistem jaringan saraf untuk menganalisis risiko kredit. Sistem ini diujikan pada lebih dari 100.000 kasus kredit. Dalam artikelnya New York Times melaporkan bahwa dalam satu uji terlihat indikasi akan adanya kenaikan laba sebesar 27% jika digunakan sistem jaringan saraf dibanding bila menggunakan sistem evaluasi dengan menggunakan komputer yang sebelumnya dipakai AVCO.

Bomb Sniffer

Pada bulan Agustus 1989, Federal Aviation Administration memasang suatu sistem detektor bom baru di New York's JFK International Airport. Metode-metode tradisional untuk menentukan risiko semacam ini memiliki keterbatasan yaitu operator dapat menjadi lelah, bosan dan kehilangan konsentrasi. Science Applications International Corporation (SAIC) mengembangkan suatu jaringan saraf yang disebut Thermal Neutron Analysis (TNA) atau lebih umum dikenal sebagai SNOOPE.

Sistem ini bekerja secara otomatis dan tidak dapat menjadi lelah dan bosan. SNOOPE ini telah diuji pada sejumlah bahan peledak untuk mengidentifikasi pola emisi sinar gamma yang dimiliki oleh bahan-bahan tersebut.

Sistem ini mampu memeriksa sekitar sepuluh buah kopor per menitnya. Jika SNOOPE ragu atas suatu kopor, ia dapat memberikannya kepada inspektur. Lalu data kopor yang dicurigai disimpan untuk digunakan di masa mendatang.

SNOOPE dinyatakan lebih aman bagi manusia dibanding sinar X, dan aman pula untuk film, media elektronik, makanan dan obat-obatan. Neutron energi rendah yang dipancarkan bukan suatu radioaktif. Namun demikian, untuk menggunakan sistem ini diperlukan biaya yang cukup tinggi yaitu sekitar $ 1,1 juta.

GTE Process Monitor

GTE Laboratories telah menggunakan jaringan saraf dalam pabrik bola lampunya. Tujuan proyek ini adalah untuk mengidentifikasi parameter-parameter yang paling berpengaruh terhadap proses produksi. Sistem ini memantau lini produksi, menjejaki hal-hal seperti misalnya variasi panas, tekanan, dan bahan kimia yang digunakan untuk membuat bola lampu. Masukan-masukan dari pengukuran sensor ini lalu dibandingkan dengan kinerja pabrik. Informasi ini akan digunakan untuk membantu menentukan kondisi pabrik yang optimum, mengindikasikan kendali apa yang perlu disesuaikan, dan bahkan menghentikan lini produksi jika terjadi kesalahan.

Word Recognizer

Intel mengembangkan aplikasi kecil yang menyelidiki keekspresifan pembicaraan manusia. Dengan membatasi sistem hanya untuk pembicara tunggal pada satu waktu dan dengan membatasi kosa kata (sekitar 100 kata atau frase), sistem ini mampu mengenali suara manusia dengan ketepatan 99%. Sistem pemasukan data yang dikendalikan suara ini telah banyak digunakan dalam berbagai aplikasi manufaktur sejak tahun 1983.

Blower Motor Checker

Siemens, sebuah perusahaan pembuat peralatan elektronik Jerman, menggunakan jaringan saraf untuk mendeteksi tingkat kebisingan blower motor yang dibuat untuk mobil Ford. Sebelumnya mereka telah mencoba cara-cara tradisional, seperti menugaskan sejumlah karyawan untuk mendengarkan seluruh motor, namun tidak begitu berhasil. Tetapi setelah menggunakan jaringan saraf, mereka berhasil dengan tingkat akurasi lebih dari 90%.

Prototype dan Research Activity

Para ahli kesehatan di Universitas Brown telah menggunakan sebuah jaringan simulasi pengetahuan medis untuk merelasikan informasi kasus, tanda-tanda, dan penyembuhan. Para periset di Los Alamos National Laboratory menggunakan jaringan saraf untuk memprakirakan apakah urutan DNA tertentu mewakili kode genetik bagi pembuat protein. Petugas US Postal Service sedang menyelidiki kemungkinan penggunaan jaringan saraf untuk membaca alamat yang ditulis secara manual. Badan-badan penegak hukum menggunakan jaringan saraf untuk berusaha menentukan apakah profil psikologi seseorang (yang melakukan kejahatan) berubah. Aplikasi riset yang lain mencakup text-to-speech, pengenalan target, dan pencarian pola.

Airline Marketing Tactician (AMT)

Sistem ini merupakan prototipe pembuktian konsep yang dikembangkan oleh BehavHeuristic, Inc., Silver Spring, Maryland. Ia menasehati pengguna atas manajemen kursi pesawat. Sistem ini terdiri dari dua jaringan saraf berbeda, himpunan aturan (rule set) dan antar muka grafis (graphics interface).

Sistem Pendukung Keputusan

Istilah SPK pertama kali dikemukakan Oleh G. Anthony Gorry dan Michael S Scoot Morton pada tahun 1971, keduanya merupakan professor MIT, USA. Saat itu mereka merasakan perlunya suatu pemikiran untuk mengarahkan penggunaan aplikasi komputer untuk membantu pengambilan keputusan yang dilakukan oleh manajemen berdasarkan kepada konsep Simon mengenai keputusan yang tersktruktur dan tidak terstrukur juga berdasarkan kepada konsep Robert N. Anthony tentang tingkat-tingkatan manajemen.
Gori dan Scott Morton menggambarkan berbagai jenis keputusan yang disusun menurut struktur masalahnya, dari masalah yang terstruktur hingga kemasalah yang tidak terstruktur. Dilain pihak Anthony menggunakan nama perencanaan strategis, menjelaskan tingkat manajemen puncak, menengah dan bawah.
Gorry dan Scott Morton member icontoh berbagai jenis-jenis masalah bisnis kedalam bentuk matrik. Sebagai contoh, piutang dagang dipecahkan oleh manajer di tingkat pengendalian operasional yang membuat keputusan terstruktur. Perecanaan R&D dilakukan oleh manajer perencanaan strategis yang membuat keputusan tidak terstruktur.
Pada penjelasan matrik dibawah ini Gorry dan Scott Morton yang diambil dari McLeod dengan menggunakan garis horizontal terputus-putus memisahkan antara masalah yang pada saat itu telah dapat dipecahkan dengan bantuan komputer dibagian atas dengan masalah yang belum menggunakan komputer dibagian bawah. Daerah bagian atas disebut sebagai sistem keputusan yang terstruktur (Structured decision system- SDS) sedangkan daerah bagian bawah disebut sistem pendukung keputusan (SPK) atau Decision Support System (DSS).
Penjelasan matrik Gory dan Scott Morton :
Struktur permasalahan yang terstruktur, Pengendalian operasinya berupa :piutang dagang, membuat order dan pengendalian persediaan. Pengendalian manajemennya berupa : analis anggaran, biaya rekayasa dan peramalan jangka pendek. Pengendalian strategis berupa : pengaturan armada tanker, lokasi gudang dan pabrik.
Struktur permasalahan yang semi terstruktur, Pengendalian operasinya berupa : jadwal produksi dan pengelolaan kas. Pengendalian manajemennya berupa : analisis variasi anggaran secara keseluruhan dan penyiapan anggaran.Pengendalian strategis berupa : penggabungan usaha dan akuisisi serta perencanaan produk baru.
Struktur Permasalahn yang tidak terstruktur, Pengendalian operasinya berupa : sistem biaya. Pengendalian manajemennya berupa : Penjualan dan produksi. Pengendalian strategis berupa : perencanaan litbang.
Gorry dan Scott Morton awalnya menggunakan istilah SPK hanya untuk aplikasi komptuer dimasa depan. Selanjutnya istilah tersebut diterapkan pada semua aplikasi computer yang dimaksudkan untuk mendukung keputusan baik sekarang maupun dimasa depan.
Selanjutnya ditahun yang sama Gerrity Jr (MIT) mengembangkan sistem pendukung manusia-mesin yang diaplikasikan pada portofolio, dirancang untuk mendukung investasi dan administrasi yang dipakai oleh perusahaan.Sedangkan John Little mengembangkanDSS untuk marketing pada perusahaan untuk penjualan produk-produk.
Pengembangan teori
Little dan Lodish mengembangkan Media Panning Support sistem. Litle menetapkan 4 kriteria DSS yaitu: Robustnest(canggih), ease of control (kontrolnya mudah), simplicity (sederhana) dan completeness (lengkap). Gordon Davis menggabungkan DSS dalam Manajemen Sistem Informasi dan menyebutnya sebagai sistem informasi pendukung pengambilan keputusan dalam artikel lain menyebut SI pendukung perencanaan dan control.Keen dan Morton (1978) membuat text book yang peratama tentang DSS yang mencakup analisis, desain, implementasi, evaluasi dan pengembangan. Buku lain McCosh dan Morton (1978).
Model Driven DSS
Scott-Morton’s (1971) membuat sebuha perencanaan sistem keputusan manajemen yang selanjutnya disebut Model Driven DSS.
Komunikasi Driven DSS
Joyner and Tunstall’s (1970) di tempatnya dalam penelitiannya telah membuat software computer untuk coordinator conference. Sistem ini untuk mengkoordinasikan komunikasi pada jarak yang jauh. Dengan menggunakan teknologi komunikasi yang saat itu ada. Murray Murray Turoff’s (1970) memperkenalkan konsep komunikasi computer dan pertama kali diimplementasikan di Computer Mediated Communication System (EMISARI) untuk membuat fasilitas yang dapat digunakan untuk komunikasi kelompok.

Sistem Pakar

Penjelasan mengenai Sistem Pakar apabila ditinjau dari beberapa aspek, antara lain :

• Implementasi kecerdasan sang pakar berbasis kode program komputer (code base skill implemetation), menggunakan teknik-teknik tertentu dengan bantuan database ataupun tidak.

• Suatu bidang dari ilmu kecerdasan buatan dalam kaitannya dengan sistem pendukung keputusan yang dirancang dengan memasukkan unsur-unsur keahlian dari satu atau beberapa orang pakar kedalam suatu konsep terprogram (code base concept) dalam rangka pengambilan keputusan.

• Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert).

Biasanya Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat performa yang sebanding seorang pakar dalam bidang problem yang khusus dan sempit. Pada dasarnya kepakaran ditransfer dari seorang pakar ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasan-alasannya. Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia.

Sistem pakar juga bisa dikatakan sebagai suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum system pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut.

Adapun ciri-ciri sistem pakar diantaranya adalah :

Ø Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme tertentu.

Ø Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan dapat merespons masukkan user (melalui kotak dialog).

Ø Dapat menalar data-data yang tidak pasti dan memberikan beberapa alasan pemilihan.

Ø Dikembangkan secara bertahap dan terbatas pada bidang keahlian tertentu saja.

Ø Outputnya berupa saran atau kesimpulan.

Seiring dengan perkembangan zaman, sistem pakar yang banyak dikembangkan dan dievaluasi hasilnya, maka muncullah sub-sub sistem pakar memiliki spesialisasi masing-masing. Walaupun secara garis besar sub-sub tersebut tetap berada pada satu ranah kajian yaitu transformasi kepintaran sang ahli menjadi bahasa pemrograman agar bisa dikenali oleh komputer, namun spesialisasi ini diperlukan terutama dalam kaitannya dengan upaya-upaya pengembangan kedepan. Adapun sub-sub sistem pakar tersebut bila dirinci antara lain :

Ø Perencanaan

Ø Prediksi

Ø Diagnosis

Ø Pengajaran

Ø Interpretasi

Ø Kontrol

Ø Simulasi

Pembagian diatas tentu saja mengacu pada standar pengolahan pengetahuan dalam rangka menyajikan saran/rekomendasi kepada pengguna. Hal ini berkaitan erat dengan sistem pendukung keputusan dari segi analisa masalah dan solusinya.

Sistem Pakar menjadi sangat popular disebabkan oleh sangat banyaknya kemampuan dan manfaat yang diberikan oleh Sistem Pakar, di antaranya :

Ø Meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari manusia.

Ø Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.

Ø Mampu menangkap kepakaran yang sangat terbatas.

Ø Dapat beroperasi di lingkungan yang berbahaya.

Ø Memudahkan akses ke pengetahuan.

Ø Handal. Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit. Sistem Pakar juga secara konsisten melihat semua detil dan tidak akan melewatkan informasi yang relevan dan solusi yang potensial.

Ø Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi.

Ø Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang tidak lengkap.

Ø Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.

Ø Meningkatkan kemampuan problem solving, karena mengambil sumber pengetahuan dari banyak pakar.

Kategori Problema Sistem Pakar secara umum :

Ø Interpretasi – membuat kesimpulan atau deskripsi dari sekumpulan data mentah.

Ø Prediksi – memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu.

Ø Diagnosis – menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang teramati

Ø Desain – menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memnuhi kendala-kendala tertentu.

Ø Perencanaan – merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu.

Ø Debugging dan Repair – menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi.

Ø Instruksi – mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek.

Ø Pengendalian – mengatur tingkah laku suatu environment yang kompleks.

Ø Selection – mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.

Ø Simulation – pemodelan interaksi antara komponen-komponen sistem.

Ø Monitoring – membandingkan hasil pengamatan dengan kondisi yang diharapkan.

Modul Penyusun Sistem Pakar

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

Ø Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

Ø Modul Konsultasi (Consultation Mode). Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

Ø Modul Penjelasan (Explanation Mode). Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh).

Tetapi dalam perkembangannya, terutama di Indonesia Sistem pakar jarang dimanfaatkan untuk membantu dalam memecahkan suatu masalah. Salah satu indikasinya yaitu kurangnya sosialisasi kepada khalayak umum serta tingkat kekhawatiran dan ketakutan yang terlalu berlebihan dari para pakar karena akan tersaingi kepakarannya jika ada sebuah komputer yang telah memiliki tingkat kepakaran yang serupa. Sebenarnya tujuan utama sistem pakar bukan untuk menggantikan kedudukan seorang ahli atau seorang pakar, tetapi untuk memasyarakatkan pengetahuan dan pengalaman pakar yang sangat langka. Sistem pakar memungkinkan orang lain bisa meningkatkan produktifitas, memperbaiki kualitas keputusan dan sederhananya, sistem pakar bisa memecahkan masalah yang rumit, sekalipun tidak ada orang ahli.

Fuzzy Logic

Sejarah dan definisi Logika Fuzzy

Logika Fuzzy merupakan salah satu sistem cerdas, dimana ciri dari sistem cerdas adalah sebagai berikut:

1. Kemampuan belajar dan penalaran tampak nyata

2. Kemampuan mengolah data/fakta yang tidak jelas/kabur (fuzzy) dengan mudah

3. Kemudahan pengembangannya.

Logika Fuzzy merupakan pengembangan dari teori himpunan fuzzy yang diprakarsai oleh Prof. Lofti A. Zadeh dari University California USA, pada tahun 1965. Menurut Lofti A. Zadeh . Logika Fuzzy adalah ‘Suatu sistem yang digunakan untuk menangani konsep kebenaran parsial yaitu kebenaran yang berada diantara sepenuhnya benar dan sepenuhnya salah’ (Yan, Jun. 1994;14).

Logika Fuzzy berbeda dengan logika digital biasa, dimana logika digital biasanya hanya mengenal dua keadaan yaitu 'Ya'-'Tidak' atau `ON'-'OFF' atau High'-`Low' atau `1'-`0'. Misalnya pada rice cooker, produk tersebut hanya berbekal sistem kendali 'ON'­'OFF, ia akan berada pada posisi `ON' bila keadaan tertentu terpenuhi, dan akan `OFF' bila keadaan lain terpenuhi. Sedangkan ciri-ciri kecerdasan seperti kemampuan belajar (learning) dan penalaran (reasoning) tidak dipunyai oleh rice cooker.

Alasan Digunakannya Logika Fuzzy :

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:

1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.

2. Logika fuzzy sangat fleksibel.

3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

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 bekerjasama dengan teknik-teknik kendali secara konvensional.

7. Logika fuzzy didasarkan pada bahasa alami

Aplikasi

Beberapa aplikasi logika fuzzy, antara lain:

1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).

2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.

3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.

4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll.

5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.

6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.

7. Klasifikasi dan pencocokan pola.

8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.

9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.

10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi,dll.

12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.

13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.

Penerapan Logika Fuzzy

Contoh aplikasi logika fuzzy antara lain:

· Penerapan logika fuzzy dalam pengaturan kipas angin atau AC. Dimana dalam masalah ini digunakan thermometer untuk menentukan suhu ruangan, dan variabel fuzzy yang dimodelkan adalah suhu ruangan dan putaran mesin. Dengan himpunan fuzzy untuk variabel suhu ruangan adalah dingin, sedang, dan panas. Sedang untuk variable putaran mesin, himpunan fuzzy yang dipakai adalah lambat, sedang dan cepat.

· Penerapan logika fuzzy dalam otomatisasi persneling pada mobil otomatis. Pada masalah ini variable fuzzy yang dimodelkan adalah putaran mesin dan posisi gear kendaraan. Dengan himpunan fuzzy untuk variabel putaran mesin adalah rendah, sedang, dan tinggi. Dan untuk variabel posisi gear adalah kecil, sedang, dan besar.

· Penerapan logika fuzzy dalam penentuan diafragma pada kamera foto manual. Variabel yang digunakan adalah intensitas cahaya dan ukuran diafragma. Dengan himpunan fuzzy untuk variabel intensitas cahaya adalah gelap, sedang, dan terang. Dan untuk variabel ukuran diafragma adalah buka penuh, buka setengah, dan buka sedikit. Dan masih banyak lagi aplikasi lainnya.