NAMA | NPM | TUGAS |
| 1. Anita Camelya S | 0615031051 | Merangkum bahan |
| 2. Iyan F P Sianipar | 0715031051 | Merangkum bahan dan menguploud ke blog |
| 3. Alfian B L Sinaga | 0615031040 | Merangkum bahan dan Menguploud ke Blog |
| 4. Yohanes Tri Hartono | 0615031127 | Merangkum bahan |
| 5. Toman H Lumban Gaol | 0615031124 | Merangkum bahan |
Jumat, 04 Juni 2010
PEMBAGIAN tugas: aplikasi Fuzzy Logic Control yang ada didalam literatur
PEMBAGIAN TUGAS KECERDASAN BUATAN TENTANG FUZZY LOGIC
NAMA | NPM | TUGAS |
| 1. Anita Camelya S | 0615031051 | MERANGKUM BAHAN |
| 2. Iyan F P Sianipar | 0715031051 | MERANGKUM BAHAN DAN MENGUPLOUD KE BLOG |
| 3. Alfian B L Sinaga | 0615031040 | MERANGKUM BAHAN |
| 4. Yohanes Tri Hartono | 0615031127 | MERANGKUM BAHAN DAN MENGUPLOUD KE BLOG |
| 5. Toman H Lumban Gaol | 0615031124 | MERANGKUM BAHAN |
PEMBAGIAN TUGAS KECERDASAN BUATAN TENTANG JARINGAN SYARAF TIRUAN (JST)
NAMA | NPM | TUGAS |
| 1. Anita Camelya S | 0615031051 | Merangkum bahan |
| 2. Iyan F P Sianipar | 0715031051 | Merangkum bahan dan menguploud ke blog |
| 3. Alfian B L Sinaga | 0615031040 | Merangkum bahan dan mengguploud ke blog |
| 4. Yohanes Tri Hartono | 0615031127 | Merangkum bahan |
| 5. Toman H Lumban Gaol | 0615031124 | Merangkum bahan |
Pembagian TUGAS 3 JARINGAN SYARAF TIRUAN
NAMA | NPM | TUGAS |
| 1. Anita Camelya S | 0615031051 | Menguploud ke Blog |
| 2. Iyan F P Sianipar | 0715031051 | Membuat program |
| 3. Alfian B L Sinaga | 0615031040 | Membuat program |
| 4. Yohanes Tri Hartono | 0615031127 | Membuat program |
| 5. Toman H Lumban Gaol | 0615031124 | Menguploud ke Blog |
Senin, 24 Mei 2010
TUGAS KECERDASAN BUATAN TENTANG FUZZY LOGIC
Brikut adalah makalah tentang Fuzzy Logic..
Bila ingin melihat KLIK DISINI
Bila ingin melihat KLIK DISINI
Minggu, 02 Mei 2010
TABEL PENILAIAN TUGAS 1
| No. | Kelompok | Nama Kelompok | Nilai Tugas | Alamat Blog |
| 1. | Sendiri | Ai-B-Ayati | - | |
| 2. | Lain- 1 | Ai-B-Arisan | 80 | http://ai-b-arisan.blogspot.com |
| 3. | Lain- 2 | Ai-B-Rianu2006 | 90 | http://rianu2006.wordpress.com |
Senin, 05 April 2010
TUGAS 3 JARINGAN SYARAF TIRUAN
Tanggal Selesai : 05 APRIL 2010
Tugas Pemograman ini menggunakan Visual Basic..
untuk melihatnya..klik disini
Tugas Pemograman ini menggunakan Visual Basic..
untuk melihatnya..klik disini
Senin, 29 Maret 2010
Pembagian Tugas Ke-2
NAMA | NPM | TUGAS |
1. Anita Camelya S | 0615031051 | Mengerjakan Soal dan Mengetik |
2. Iyan F P Sianipar | 0715031051 | Mengerjakan Soal dan Mengetik |
3. Alfian B L Sinaga | 0615031040 | Menguploud ke Blog |
4. Yohanes Tri Hartono | 0615031127 | Menguploud ke Blog |
5. Toman H Lumban Gaol | 0615031124 | Menguploud ke Blog |
Senin, 08 Maret 2010
TUGAS PERSEPTRON
TUGAS | TGL TUGAS | TGL TUGAS SELESAI |
II | 02 MARET 2010 | 08 MARET 2010 |
TUGAS SUDAH DI UPLOAD, UNTUK MELIHATNYA
KLIK DISINI
Minggu, 28 Februari 2010
JARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN
Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh
neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang
tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.
Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang
terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu
informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari
sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu
contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu
seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir.
Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer
konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa
vakum selama beberapa tahun.
Inspirasi Biologi
Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama
percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem
syaraf biologi dengan model struktur low-level dari otak.
Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel
syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan
struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain
melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu
signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf
yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan
tertentu yang sering disebut dengan nilai ambang atau (threshold).
Gambar 1. Susunan Syaraf Manusia
Perbandingan Jaringan Syaraf Tiruan dengan Konvensional
Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan
masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer
konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan
sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui
oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan
masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah
pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika
dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.
Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling
bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim
yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah
komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk
menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu
keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang
luarbiasa.
Gambar 2. Sebuah Sel Syaraf Sederhana
Model Dasar Jaringan Syaraf Tiruan
Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan
sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau
dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi
atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai
sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang
kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP,
dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk
menghasilkan output dari sel syaraf.
Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input <0 dan 1
jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan
diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0
adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya
tahapan fungsi jarang digunakan dalan Jaringan Syaraf Tiruan. Fungsi aktivasi (f(.))
dapat dilihat pada Gambar 3.
Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan
untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu
variabel dari luar) dan output (dari prediksi atau signal kontrol). Input dan output sesuai
dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan
ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi
berperan pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan
untuk saling terhubung satu sama lain.
Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi
kedalam dua katagori :
Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal
bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit
output (mempunyai struktur perilaku yang stabil).
Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa
lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi
pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan
lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya.
Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan
sebelumnya atau terhubung semuanya (lebih baik).
Gambar 4. Jaringan Syaraf Tiruan Feedforward
Yang termasuk dalam struktur feedforward :
- Single-layer perceptron
- Multilayer perceptron
- Radial-basis function networks
- Higher-order networks
- Polynomial learning networks
Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input)
akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat
kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf
Tiruan, namun sejauh ini structure feedforward sangat berguna untuk memecahkan
masalah. Yang termasuk dalam stuktur recurrent (feedback) :
- Competitive networks
- Self-organizing maps
- Hopfield networks
- Adaptive-resonanse theory models
Gambar 5. Jaringan Syaraf Tiruan FeedBack
Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variabel
ditempatkan dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan
output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan
mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah
dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.
Lapisan pada Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit :
lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung
dengan lapisan output.
Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian
digunakan dalam Jaringan Syaraf Tiruan.
Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unitunit
input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisan
tersembunyi
. Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit lapisan
tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output.
Perceptron
Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yang
sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya
perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur
parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat
sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Perceptron dapat dilihat di gambar 6
Gambar 6. Bentuk Perceptron
Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh
neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang
tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.
Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang
terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu
informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari
sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu
contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu
seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir.
Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer
konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa
vakum selama beberapa tahun.
Inspirasi Biologi
Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama
percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem
syaraf biologi dengan model struktur low-level dari otak.
Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel
syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan
struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain
melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu
signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf
yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan
tertentu yang sering disebut dengan nilai ambang atau (threshold).
Gambar 1. Susunan Syaraf Manusia
Perbandingan Jaringan Syaraf Tiruan dengan Konvensional
Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan
masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer
konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan
sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui
oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan
masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah
pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika
dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.
Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling
bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim
yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah
komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk
menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu
keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang
luarbiasa.
Gambar 2. Sebuah Sel Syaraf Sederhana
Model Dasar Jaringan Syaraf Tiruan
Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan
sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau
dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi
atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai
sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang
kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP,
dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk
menghasilkan output dari sel syaraf.
Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input <0 dan 1
jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan
diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0
adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya
tahapan fungsi jarang digunakan dalan Jaringan Syaraf Tiruan. Fungsi aktivasi (f(.))
dapat dilihat pada Gambar 3.
Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan
untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu
variabel dari luar) dan output (dari prediksi atau signal kontrol). Input dan output sesuai
dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan
ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi
berperan pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan
untuk saling terhubung satu sama lain.
Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi
kedalam dua katagori :
Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal
bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit
output (mempunyai struktur perilaku yang stabil).
Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa
lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi
pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan
lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya.
Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan
sebelumnya atau terhubung semuanya (lebih baik).
Gambar 4. Jaringan Syaraf Tiruan Feedforward
Yang termasuk dalam struktur feedforward :
- Single-layer perceptron
- Multilayer perceptron
- Radial-basis function networks
- Higher-order networks
- Polynomial learning networks
Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input)
akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat
kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf
Tiruan, namun sejauh ini structure feedforward sangat berguna untuk memecahkan
masalah. Yang termasuk dalam stuktur recurrent (feedback) :
- Competitive networks
- Self-organizing maps
- Hopfield networks
- Adaptive-resonanse theory models
Gambar 5. Jaringan Syaraf Tiruan FeedBack
Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variabel
ditempatkan dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan
output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan
mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah
dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.
Lapisan pada Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit :
lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung
dengan lapisan output.
Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian
digunakan dalam Jaringan Syaraf Tiruan.
Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unitunit
input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisan
tersembunyi
. Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit lapisan
tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output.
Perceptron
Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yang
sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya
perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur
parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat
sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Perceptron dapat dilihat di gambar 6
Gambar 6. Bentuk Perceptron
Minggu, 21 Februari 2010
Kecerdasan buatan (artificial intelligence)
Tugas | Tgl Tugas | Tgs Tugas Selesai |
I | 16 Frebruari 2010 | 21 Februari 2010 |
DEFINISI KECERDASAN BUATAN
ü H.A Simon (1987):
“kecerdasan buatan merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman computer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas”
.
ü Rich and Knight (1991):
“sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan dengan lebih baik oleh manusia”.
ü Encyclopedia Britannica:
“merupakan cabang dari ilmu computer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk symbol-simbol dari bilangan, dan memproses informasi berdasarkan metode heuristic atau berdasarkan sejumlah aturan”
Tujuan dari kecerdasan buatan menurut Winston dan Prendergast (1984):
- Membuat mesin menjadi lebih pintar (tujuan utama)
- Memahami apa itu kecerdasan (tujuan ilmiah)
- Membuat mesin menjadi lebih bermanfaat (tujuan entrepreneurial)
Didefinisikan sebagai kecerdasan yang ditunjukan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap computer. Kecerdasan diciptakan dan dimasukkan dalam suatu mesin atau computer agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa bidang yang menggunakan kecerdasan buatan anatara lain system pakar, permaianan computer, fuzzy logic, jaringan syaraf tiruan dan robotika.
Aplikasi kecerdasan buatan memiliki 2 bagian utama, yaitu:
ü Basis pengetahuan (knowledge base) berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan yang lainnya.
ü Motor Inferensi (inference engine) : kemampuan menarik kesimpulan berdasarkan pengalaman.
Secara garis besar kecerdasan buatan terbagi dalam 2 faham pemikiran, yaitu:
1. kecerdasan buatan konvensional
Kebanyakan melibatkan metode-metode yang sekarang diklasifikasikan sebagai pembelajaran mesin, yang ditandai dengan formalisme dan analisis statistic yang dikenal juga sebagai kecerdasan buatan simbolis, kecerdasan buatan logis, kecerdasan buatan murni, dan kecerdasan buatan cara lama.
Metode-metodenya meliputi:
o system pakar
o pertimbangan berdasarkan kasus
o jaringan Bayesian
o kecerdasan buatan berdasarkan tingkah laku
2. kecerdasan komputasional
Melibatkan pengembangan atau pembelajaran iterative. Pembelajaran ini berdasarkan pada data empiris dan diasosiasikan dengan kecerdasan buatan non simbolis, kecerdasan buatan yang tak teratur dan perhitungan lunak.
Metode-metodenya meliputi:
ü jaringan syaraf (system dengan kemampuan pengenalan pola yang sangat kuat)
ü sitem fuzzy (teknik-teknik untuk pertimbangan dibawah ketidakpastian. Digunakan secara meluas dalam industri modern dan sistem kendali produk konsumen)
ü komputasi evolusioner, menerapkan konsep-konsep yang terinspirasi secara biologis, seperti populasi dan mutasi.
Kecerdasan buatan merupakan sebuah system yang mampu menanggapi situasi dan lingkungannya dan mengambil tindakan untuk memaksimalkan kesempatan keberhasilannya. Yang berarti kecerdasan buatan harus dapat mengambil keputusan berdasarkan kondisi yang dihadapinya.
Manusia VS Mesin (Komputer)
Aplikasi kecerdasan buatan terdapat pada games. Perbedaan kemamouan manusia dengan computer:
ü manusia dalam mengolah data lambat, computer cepat
ü manusia kepresisiannya kurang, computer sanagat presisi (ketepatan)
ü manusia logika berpikir ada, computer tidak ada
ü manusia dapat berkembang, computer tidak dapat berkembang
ü manusia adaptif, computer tidak adaptif (konstan)
ü manusia bersifat fleksibel, computer tidak
ü manusia memiliki alternative, computer tidak
kecerdasan buatan mempelajari bagaimana manusia dapat mengembangkan kemampuannya pada mesin. Manusia memiliki pola dalam berpikir terutama dalam perhitungan matematika, sedangkan computer tidak. Manusia memiliki kemampuan yang tinggi, misalnya dapat mengingat, mengenal, memahami tentang suatu hal dengan baik.
Tugas Kelompok AI-B-1
| NAMA | NPM | TUGAS |
| | | |
| | | |
| | | |
| | | |
| | | |
Langganan:
Postingan (Atom)
