Blog Ilmiah Artificial Intelligent

Blog Ilmiah

Pengantar Teknologi Sistem Cerdas

Disusun oleh :

Dinda Anasta Sabillaa

(12118002)

UNIVERSITAS GUNADARMA

TAHUN AJARAN 2020/2021

I. Definisi Teknologi Sistem Cerdas atau Artificial Intelligent

Kecerdasan buatan adalah kecerdasan yang ditambahkan kepada suatu system yang bisa diatur dalam konteks ilmiah atau bisa disebut sebagai intelegensi artifisial (artificial intelligence), didefinisikan sebagai kecerdasan entitas ilmiah. Andreas Kaplan dan Michael Haentein mendefinisikan kecerdasan buatan sebagai “kemampuan system untuk menafsirkan data eksternal dengan benar, untuk belajar dari data tersebut, dan menggunakan pembelajaran  tersebut guna mencapai tujuan dan tugas tertentu melalui adaptasi yang fleksibel”. ^[1] system seperti ini umumnya dianggap sebagai komputer. Kecerdasan diciprakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Bidang yang menggunakan kecerdasan buatan antara lain system pakar, permainan komputer (games) logika fuxxy, jaringan saraf tiruan dan robotika.

Menurut John McCarthy, 1956, AI : untuk mengetahui dan memodelkan proses – proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia. Cerdas, berarti memiliki pengetahuan ditambah pengalaman, penalaran (bagaimana membuat keputusan dan mengambil Tindakan), moral yang baik.

2 bagian utama dalam membuat aplikasi kecerdasan buatan, yaitu :
1. Basis Pengetahuan (Knowledge Base), berisi fakta – fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.
2. Motor Inferensi (Inference Engine), kemampuan menarik kesimpulan berdasarkan pengalaman. 

II. Sejarah Artificial Intelligence

Artificial Intelligence (AI) atau kecerdasan buatan termasuk bidang ilmu yang relative muda. Pada tahun 1950-an para ilmuwan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia. Alan Turing, seorang matematikawan dari Inggris pertama kali mengusulkan adanya pengujian untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil pengujian tersbeut kemudian dikenal dengan Turing Test, di mana mesin tersebut menyamar seolah – olah sebagai seseorang di dalam suatu permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas layaknya manusia. 

Kecerdasan buatan atau Artificial Intelligence (AI) dimunculkan oleh seorang professor dari Massachusetts Institute of Technology yang bernama McCarthy pada tahun 1956 pada Darthmouth Conference yang dihadiri oleh para peneliti AI. Pada konferensi tersebut juga didefinisikan tujuan utama dari kecerdasan buatan, yaitu mengetahui dan memodelkan proses – proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia. 

III. Konsep Dasar Artificial Intelligence

3 Konsep dasar Artificial Intelligence :

1.  Machine Learning (Pembelajaran Mesin)

Machine Learning adalah cabang Artificial Intelligence yang mempunyai tujuan untuk memberikan kemampuan pada mesin dalam mempelajari berbagai tugas atau hal lain tanpa kode atau bahasa pemrograman yang telah ditentukan. Dengan kata lain, medin mempunyai kemampuan untuk belajar serta mempelajari berbagai hal diluar kode pemrograman yang telah dimiliki. Sehingga kedepannya bisa mengerjakan hal lain diluar kode pemrograman yang telah ditanamkan pada mereka. Mesin nantinya akan diberikan uji coba dalam melakukan tugas tertentu. Ketika mesin sedang menjalani uji coba, mesin akan mulai mencerna serta belajar dan mengadaptasikan strategi yang kiranya sesuai untuk mencapai tujuan tertentu. 

2.    Deep Learning (Pembelajaran Mendalam)

Deep Learning adalah teknik pembelajaran pada mesin yang mengajarkan komputer untuk melakukan berbagai hal alami seperti yang dilakukan oleh manusia dengan cara mencontoh dari atau menanamkan kdoe pemrograman pada teknologi.

Dalam Deep Learning, komputer atau teknologi yang digunakan untuk belajar melakukan berbagai tugas klasifikasi langsung melalui gambar, teks ataupun suara. Model pembelajaran dari Deep Learning yang mendalam dapat mencapai tingkat akurasi yang tinggi, canggih bahkan terkadang melebihi tingkat kinerja manusia. 

3.  Neural Network (Jaringan Syaraf Tiruan)

Neural Network atau Jaringan Syaraf Tiruan adalah salah satu teknologi yang dikembangkan oleh AI. Neural Network merupakan suatu paradigma pemrosesan informasi yang memiliki inspirasi dari cara kerja system saraf biologis makhluk hidup.

Cara Neural Network memahami berbagai hal sama seperti yang dilakukan oleh manusia yaitu belajar dengan cara melihat dan mencontoh. Model jaringan saraf ini menggunakan prinsip dasar matematika yang dipadukan dengan ilmu komputer untuk meniru proses yang terjadi dalam otak manusia. Jaringan saraf tiruan ini kemudian mencoba menstrimulasikan proses sel – sel otak yang sedang terjadi dengan menggunakan kode tertentu atau yang disebut dengan node.

VI. Penjelasan dan Contoh Studi Kasus di Dunia Nyata tentang Bidang Artificial Intelligence : Intelligence Agent

Intelligent Agent atau (IA) adalah suatu entitas otonom yang memiliki sensor untuk mengecek lingkungan sekitarnya dan bertindak sesuai dengan kondisi yang ada dalam lingkungan tersebut menggunakan actuator. IA merupakan objek sederhana ataupun kompleks, contoh dari IA adalah termostat. Robotic Vacuum Cleaner. Agen cerdas bekerja seperti sebuah kotak hitam (black-box) yang menerima masukan 

(perception) dari lingkungan dengan menggunakan sensor, kemudian bagian intelligent processing akan mengolah input tersebut sehingga menghasilkan output berupa action. Sebuah agen memiliki karakteristik yang menggambarkan kemampuan dari agen itu sendiri. Semakin banyak karakteristik yang dimiliki oleh suatu agen, maka akan semakin cerdas agen tersebut.  

Contoh studi kasus pada bidang nyata, yaitu studi kasus Intelligent Agent "Agen Cerdas untuk Penentuan Kelayakan Pemberian Kredit Koperasi Simpan Pinjam". Studi kasus ini membahas tentang ketidakmampuan anggota koperasi untuk membayar cicilan kredit dalam jangka waktu yang telah ditentukan dapat menyebabkan kredit macet. Apabila kondisi ini dibiarkan tarsus menerus akan berpengaruh terhadap likuiditas koperasi. Untuk meminimalisir resiko kredit maka koperasi harus melakukan analisis kelayakan sebelum memberikan kredit karena akan berpengaruh pada resiko kelancaran pengembalian kredit. Tujuan penelitian ini adalah mengembangkan agen cerdas yang menerapkan Case Base Reasoning (CBR) dan Algoritma nearesr neighbor untuk penentuan kelayakan pemberian kredit koperasi degan lebih cepat dan akurat. 

Case-Based Reasoning (CBR) adalah suatu metode pemecahan masalah dengan menghubungkan beberapa kasus dimasa lalu yang serupa untuk mendapatkan kesimpulan dan menggunakannya untuk menyelesaikan suatu masalah sekarang. Struktur system CBR dapat digambarkan sebagai kotak hitam yang mencakup mekanisme penalaran dan aspek eksternal, meliputi: spesifikasi masukan atau kasus dari suatu permasalahan, solusi yang diharapkan sebagai keluaran dan kasus – kasus sebelumnya yang tersimpan sebagai referensi pada mekanisme penalaran. Alur proses metodologi CBR dalma menyelesaikan suatu permasalahan, yaitu pada saat terjadi permasalahan baru, pertama system akan melakukan proses retrieve. Proses retrieve akan melakukan tiga Langkah pemrosesan, yaitu identifikasi masalah, pencocokan, dan penyeleksian masalah pada database. Setelah proses retrieve dilakukan, system akan melakuka proses reuse. Dalam proses reuse, system akan menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru. Selanjutnya proses revise, informasi tersebut akan dievaluasi dan diperbaiki Kembali utnuk mengatasi kesalahan – kesalahan yang terjadi pada permasalahan baru. Proses terakhir, system akan melakukan proses retain. Proses retain akan mengindeks, mengintegrasi, dan mengekstrak solusi yang baru. Selanjutnya, solusi baru akan disimpan ke dalam knowledge-base untuk menyelesaikan permasalahan yang akan datang. 

Algoritma nearest neighbor merupakan pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Metode ini mencari jarak terhadap tujuan dari data yang telah disimpan sebelumnya. Setelah didapatkan jaraknya kemudian dicari jarak terdekat. Jarak terdekat tersebut digunakan untuk mencari identitas tujuan. 

Focus penelitian adalah mengembangkan agen cerdas yang menerapkan CBR dan Algoritma Nearest Neighbor untuk penentuan kelayakan pemberian kredit koperasi dengan lebih cepat dan akurat dalam melakukan perbandingan kasus. Penelitian ini menggunakan metode eksperimen kualitatif, dengan pola one-group experiment. Untuk menentukan penilaian kelayakan kredit dengan penerapan CBR  dan Algoritma nearest neighbor terlebih dahulu menganalisa data kasus kemudian menentukan atribut yanag menjadi dasar dalam penentuan kelayakan kredit. 

Atribut yang digunakan adalah atribut aktif untuk menentukan kelayakan kredit Dan atribut solusi (stribut tujuan). Atribut aktif, menentukan bobot nilainya antara 0 sampai dengan 1. Nilai 0, jika atribut tidak berpengaruh dalam penentuan kelayakan kredit dan nilai 1 jika atribut berpengaruh dalam kelayakan kredit. Penentuan atribut dan pembobotan atribut digunakan metode dan pembobotan dari PUSKOPDIT DKI Jakarta. Penentuan bobot atribut dan nilai atribut dapat dilakukan dengan menggunakan rumus untuk kedekatan atau similarity. 

Kredit akan diberikan kepada anggota jika emmenuhi ketentuan dan persyaratan serta memenuhi TUKKEPAR (Tujuan Pinjaman, Kerajinan Menabung Anggota, Kemampuan Membayar, Prestasi Pinjaman Sebelumnya dan Partisipasi Terhadap Koperasi). Penentuan kelayakan pemberian kredit didasarkan pada laporan pinjaman anggota koperasi kredit. 

Untuk pengukuran kedekatan menggunakan beberapa atribut dan nilai atribut yang terkait. Yang menjadi atribut tujuan adalah kelayakan kredit. Masing – masing nilai atribut terkait dibandingkan dengan memberi bobot nilai diantara 0 sampai dengan 1. Nilai 0, jika antar nilai atribut tidak memiliki kedekatan. Nilai 1, jika nilai atribut sangat berdekatan.

Daftar Pustaka

Dahria, M. (2008). Kecerdasan Buatan (Artificial Intelligence) . 185.

Fadhillah, K. (2020, September 8). JOJONOMIC. Retrieved from www.jojonomic.com: https://www.jojonomic.com/blog/bahaya-artificial-intelligence/

Gustino, D. (2019, Maret 12). Retrieved from sis.binus.ac.id: https://sis.binus.ac.id/2019/03/13/ai-expert-system-intelligent-agent/

Nelly Indriani Widiastuti S.Si., M. (n.d.). repository unikom. Retrieved from repository.unikom.ac.id: https://repository.unikom.ac.id/50022/1/2%20-%20INTELLIGENT%20AGENT.pptx

Saputro, M. I., & Mardiana, T. (2015). Agen Cerdas untuk Penentuan Kelayakan Pemberian Kredit Koperasi Simpan Pinjam. Jurnal Teknik Komputer AMIK BSI.

Wijaya, E. (2013). Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep Artificial Intellegencia. 19-20.

Wikipedia. (2020, November 4). Retrieved from id.wikipedia.org: https://id.wikipedia.org/wiki/Kecerdasan_buatan