Sejarah Kecedasan Buatan

Teori-teori yang mengarah ke KB sudah muncul sejak tahun 1941. Berikut ini tahap-tahap sejarah perkembangan KB :

A. Era Komputer Elektronik (1941)
>> Ditemukannya pertama kali alat penyim-panan dan pemprosesan informasi yang disebut komputer elektronik. Penemuan ini menjadi dasar pengembangan program yang mengarah ke KB

B. Masa Persiapan KB (1943 – 1956)
>> Tahun 1943, Warren McCulloch dan Walter Pitts
mengemukakan tiga hal, yaitu :
 pengetahuan fisiologi dasar dan fungsi sel syaraf
dalam otak
 analisis formal tentang logika proposisi
(propositional logic)
 teori komputasi Turing

>> Tahun 1950, Norbert Wiener membuat penelitian mengenai prinsip-prinsip teori feedback. Contoh yang terkenal adalah thermostat. Penemuan ini juga merupakan awal dari perkembangan KB.

Tahun 1956, John McCarthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk membantunya melakukan penelitian dalam bidang Automata, Jaringan Syaraf dan pembelajaran intelijensia.

Mereka kerjakan projek ini selama dua tahun di Dartmouth. Hasilnya adalah program yang mampu berpikir non-numerik dan menyelesaikan masalah pemikiran yang dinamakan Principia Mathematica. Hal ini menjadikan McCarthy disebut sebagai ”Bapak Kecerdasan Buatan”.

Awal Perkembangan Kecerdasan Buatan (1956 – 1969)

>> diawali dengan kesuksesan Newell dan Simon dengan sebuah program yang disebut ”General Prbolem Solver”. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.

>> tahun 1958, McCarthy mendefenisikan bahasa pemrograman tingkat tinggi, yaitu LISP, yang sekarang mendominasi pembuatan program-program kecerdasan buatan.

>> McCarthy membuat program yang dinamakan programs with Common Sense. Di dalam program tersebut, dibuat rancangan untuk menggunakan pengetahu-an dalam mencari solusi.

Tahun 1959, Nathaniel Rochester dari IBM dan mahasiswa-mahasiswanya mengeluarkan program, kecerdasan buatan, yaitu geometry Theorm Prover. Program ini dapat membuktikan suatu teorema menggunakan axioma-axioma yang ada.

>> Tahun 1963, program yang dibuat James Slagle mampu menyelesaikan masalah integral untuk mata kuliah kalkulus.

>> Tahun 1968, program analogi buatan Tom Evan menyelesaikan masalah analogi geometris yang ada pada tes IQ.



D. Sistem Berbasis Pengetahuan (1969 – 1979)

Pengetahuan adalah kekuatan pendukung KB. Hal ini dibuktikan dengan program yang dibuat oleh Ed Feigenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectometer massa.

Program ini dinamakan Dendral Programs yang berfokus pada segi pengetahuan kimia. Dari segi diagnosa medis juga sudah ada yang menemukannya, yaitu Saul Amarel dalam proyek Computer in Biomedicine. Proyek ini diawali dengan keinginan untuk mendapatkan diagnosa penyakit berdasarkan pengetahuan yang ada pada mekanisme penyebab proses penyakit.




E. KB menjadi sebuah industri (1980 – 1988)

>> Industrialisasi KB diawali dengan ditemukannya ”sistem pakar” (expert system) yang dinamakan R1 yang mampu mengonfigurasi sistem-sistem komputer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermot tahun 1982.

>> Tahun 1986, program tersebut mampu menghemat biaya US$ 40 juta /tahun.

>> Tahun 1988, Kelompok KB di DEC menjalankan 40 sistem pakar.


>> Booming KB ini juga melibatkan perusahaan-perusahaan besar seperti Carnegie Group, Inference, Intellicorp dan Technoledge yang menawarkan software tools untuk membangun sistem pakar.

>> Perusahaan Hardware seperti LISP Machines Inc, Texas Instruments, Symbolics dan Xerox juga turut berperan dalam membangun workstation yang dioptimasi untuk pembangunan LISP.




F. Era Kembalinya Jaringan Syaraf Tiruan (1986 – Sekarang)

>> Para ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat penyimpanan dan optimasi pada jaringan syaraf.

>> Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada memori.

>> Pada tahun 1985-an, sedikitnya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Back-Propagation learning). Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi.

Read more

PENGENALAN KECERDASAN BUATAN

I. Defenisi Kecerdasan Buatan (KB)

Stuart Russel dan Peter Norvig mengelompokkan defenisi KB ke dalam empat kategori, yaitu :

1. Thinking humanly : The cognitive modeling approach

2. Acting humanly: the Turing test approach.

3. Thinking rationally: the laws of thought approach

4. Acting rationally: the rational agent approach



1. Thinking humanly : The cognitive modeling approach

Pendekatan ini dilakukan dengan dua cara sebagai berikut :
>> melalui introspeksi : mencoba menangkap pemikiran-pemikiran kita sendiri pada saat kita berpikir.

Seorang psikolog barat mengatakan ”bagaimana anda tahu bahwa anda mengerti”? Karena pada saat anda menyadari pemikiran anda, ternyata pemikiran tersebut sudah lewat dan digantikan kesadaran anda. Sehingga defenisi ini terkesan mengada-ada dan tidak mungkin dilakukan.

>> melalui eksperimen-eksperimen psikologi



2. Acting humanly: the Turing test approach.
>> Pada tahun 1950, Alan Turing merancang suatu ujian bagi computer berintelejensia untuk menguji apakah computer tersebut mampu mengelabui seorang manusia yang menginterogasinya melalui teletype (komunikasi berbasis teks jarak jauh).

3. Thinking rationally: the laws of thought approach
Terdapat dua masalah dalam pendekatan ini, yaitu :
>> Tidak mudah untuk membuat pengetahuan informal dan menyatakan pengetahuan tersebut ke dalam formal term yang diperlukan oeh notasi logika, khususnya ketika pengetahuan tersebut memiliki kepastian kurang dari 100%.

>> Terdapat perbedaan besar antara dapat memecahkan masalah ”dalam prinsip” dan memecahkannya ”dalam dunia nyata”.


4. Acting rationally: the rational agent approach
>> membuat inferensi yg logis merupakan bagian dari suatu rational agent. Hal ini disebabkan satu-satunya cara untuk melakukan aksi secara rasional adalah dengan menalar secara logis. Dengan menalar secara logis, maka bisa didapatkan kesimpulan bahwa aksi yang diberikan akan mencapai tujuan atau tidak. Jika mencapai tujuan, maka agent dapat melakukan aksi berdasarkan kesimpulan tersebut.

Defenisi kecerdasan buatan yang paling tepat untuk saat ini adalah acting rationally dengan pendekatan rational agent. Hal ini berdasarkan pemikiran bahwa computer bisa melakukan penalaran secara logis dan juga bisa melakukan aksi secara rasional berdasarkan hasil penalaran


Defenisi KB :
 Sebuah studi tentang bagaimana membuat komputer mengerjakan sesuatu yang dapat dikerjakan manusia (Rich, 1991)

 Cabang ilmu komputer yang mempelajari otomatisasi tingkah laku cerdas (Setiawan, 1993)

 Suatu perilaku sebuah mesin yang jika dikerjakan oleh manusia akan disebut cerdas (Turing, et. al, 1996).

 Sebagian dari ilmu komputer yang mempelajari (dalam arti merancang) sistem komputer yang berinteligensi, yaitu sistem yang memiliki karakteristik berpikir seperti manusia (Avron Barr dan Edward E. Feigenbaum)



Kecerdasan Buatan berhubungan dengan 2 (dua) ide dasar, yaitu:
a. menyangkut studi proses berfikir manusia
b. berhubungan dengan merepresentasikan proses tersebut melalui mesin (komputer, robot dll).

Kemampuan untuk problem solving adalah salah satu cara untuk mengukur kecerdasan dalam berbagai konteks. Beberapa alasan untuk memodelkan performa manusia dalam hal ini, antara lain :
a. untuk menguji teori psikologi dari performa manusia
b. untuk membuat komputer dapat memahami penalaran manusia
c. untuk membuat manusia dapat memahami penalaran komputer
d. untuk mengeksploitasi pengetahuan apa yang dapat diambil dari manusia.

Read more

Representasi Pengetahuan (kecerdasan Buatan)

Read more

sistem pakar (kecerdasan Buatan)

Read more

Apliaksi sistem fuzzy

Read more

Logika Fuzzy (kecerdasan buatan)

Read more

Heuristic Search (kecerdasan buatan)

Teknik Generate dan Test

Generate dan Test adalah cara yang paling sederhana dalam proses pencarian.

Algoritma generate dan test adalah :

• Begin

• Repeat

• Bangkitkan suatu keadaan baru dan namakan dia sebagai current-state;

• Until current-state = Tujuan

• End

C. Teknik Generate dan Test

Contoh :

Kasus 4 puzzle (kotak permainan)

b. Kasus 8 puzzle (kotak permainan)

c. Kasus Travelling Salesman Problem (TSP)

D. Teknik Hill Climbing

Sama halnya dengan teknik generate dan test, Hill Climbing juga melakukan suatu pembangkitan keadaan dan pengujian. Bedanya pengujian pada Hill Climbing menggunakan fungsi heuristik (fx) yang akan memberikan suatu perkiraan ukuran jarak tujuan dari node x.

• Dua teknik Hill Climbing adalah :

• à Simple Hill Climbing

• Algoritmanya :

Begin

1. Tentukan keadaan awal, lakukan pengujian;

If current_state = tujuan

Return

Sukses dan stop

Else do

Current_state=new_current_state

Begin

2. Jadikan new_current_state sebagai keadaan sekarang

Until current_state = tujuan atau current_state dalam keadaan tak ada

operator cari operator baru untuk mendapatkan keadaan yang baru

Evaluasi keadaan baru tersebut;

If new_current_state=tujuan

Return

Sukses dan keluar

Else if nilai new_current_state > current_state

Begin

Repeat

Jadikan new_current_state=current_state

Until current_state=tujuan

End

If nilai new_current_state <>

Lanjutkan iterasi berikutnya

End

End

D. Teknik Hill Climbing

à Simple Hill Climbing

Contoh :

• Kasus Traveling Salesman Problem(TSP)

à Steepest-Ascent Hill Climbing

• Pencarian dengan teknik Steepest-Ascent Hill Climbing lebih cepat karena berdasarkan nilai heuristik terbaik. Pencariannya tidak selalu dimulai dari kiri.

• Hal inilah yang membedakan teknik ini dengan teknik Hill Climbing. Dalam hal ini, urutan penggunaan operator tidak menentukan penemuan solusi.

Contoh :

Diketahui keadaan awal dan tujuan dari suatu permainan kotak 8 puzzle, sebagai berikut :

E. Best First Search

• Teknik pencarian Best First Search merupakan kombinasi antara Depth First Search dan Breadth First Search.

• Teknik ini memperbolehkan pencarian dengan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node yang lebih tinggi memiliki nilai heuristik yang lebih buruk.

• Tak seperti Hill Climbing, teknik Best First Search mempunyai kemampuan melakukan koreksi terhadap suatu langkah yang salah yang telah dipilih lebih dulu.

• Ini merupakan salah satu keuntungan utama Best First Search daripada teknik Hill Climbing.

E. Best First Search

Best First Search bisa dijalankan dengan dua cara, yakni : OR Graph dan Algoritma A*.

à OR Graph

Untuk menjalankan cara ini, dibutuhkan 2 antrian, yakni OPEN dan CLOSED.

– Suatu node disebut open apabila node tersebut telah dibangkitkan dan sudah memiliki fungsi heuristik tetapi belum diuji. Umumnya berupa antrian berprioritas yang berisi elemen-elemen dengan nilai heuristik tertinggi.

– Suatu node disebut closed jika node tersebut telah diperluas untuk membangkitkan turunannya.

E. Best First Search

à Algoritma A*

– Untuk mengukur kebaikan dari suatu node dalam algoritma A*, diperlukan dua fungsi biaya, yakni biaya heuristik dan biaya pembangkitan. Biaya heuristik mengukur jarak dari node x yang sekarang menuju ke tujuan dan dinyatakan dengan h(x). Sedangkan biaya pembangkitan node x yang dinyatakan dengan g(x) adalah untuk mengukur jarak dari node x ke node awal dalam graph. Total fungsi biaya yang dinyatakan dengan f(x) adalah jumlah g(x) tambah h(x).

– G(x) dapat diukur dengan mudah saat node x dibangkitkan melalui beberapa transisi keadaan. Misalnya, jika node x dibangkitkan dari node awal melalui transisi keadaan m, biaya g(x) akan menjadi proporsional ke m. Lalu, bagaimana mengevaluasi h(x)? Kemungkinan bahwa h(x) adalah biaya yang keluarkan untuk mencapai tujuan. Jelasnya, biaya apapun dapat dinyatakan sebagai h(x) melalui prediksi. Biaya yang diprediksi untuk h(x) dinyatakan dengan h’(x). Oleh karena itu, biaya total yang diprediksikan dinyatakan dengan f’(x) di mana:

F’(x) = g(x) + h’(x)

Read more