6 BAB 2 LANDASAN TEORI 2.1. Inteligensia Semu Teori mengenai inteligensia semu akan dibagi ...

56 Pages·2008·0.48 MB·Indonesian

BAB 2
LANDASAN TEORI

2.1. Inteligensia Semu
Teori mengenai inteligensia semu akan dibagi menjadi sejarah inteligensia semu,
definisi inteligensia semu, inteligensia semu dan kecerdasan alami dan komputasi
inteligensia semu dan komputasi konvensional dan akan dijabarkan dalam sub-bab di
bawah ini.

2.1.1. Sejarah Inteligensia Semu
Inteligensia semu termasuk bidang ilmu yang relatif muda. Pada tahun 1950-an
para ilmuwan dan peneliti mulai memikirkan bagaimana cara suatu mesin dapat
melakukan pekerjaan seperti yang dikerjakan oleh manusia. Tes untuk mengetahui dapat
tidaknya suatu mesin dikatakan cerdas pertama kali diusulkan oleh Alan Turing, seorang
matematikawan dari Inggris. Hasil tes tersebut kemudian dikenal dengan nama Turing
Test, dimana mesin tersebut menyamar sebagai manusia di dalam suatu permainan yang
mampu memberikan respon terhadap serangkaian pertanyaan yang diberikan kepadanya.
Turing beranggapan bahwa apabila suatu mesin dapat meyakinkan manusia, bahwa
dirinya berkomunikasi dengan manusia lain maka dapat dikatakan bahwa mesin tersebut
cerdas (http://en.wikipedia.org/wiki/Alan_Turing.htm).
Inteligensia semu itu sendiri dimunculkan pada tahun 1956 oleh seorang profesor
dari Massachusetts Institute of Technology bernama John McCarthy di hadapan para
peneliti AI yang menghadiri Dartmouth Conference. Pada konferensi tersebut juga
didefinisikan tujuan utama dari inteligensia semu, yaitu mengetahui dan memodelkan
6
7
proses – proses berfikir manusia dan mendesain mesin agar dapat menirukan kelakuan
manusia tersebut.
Beberapa program inteligensia semu mulai dibuat pada tahun 1956, antara lain
Logic Theorist yang diperkenalkan pada Dartmouth Conference. Program ini dapat
membuktikan teorema–teorema matematika. Kemudian ada Sad Sam, yang dibuat oleh
Robert K. Lindsay pada tahun 1960. Program ini dapat mengetahui kalimat–kalimat
sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari
fakta–fakta yang didengar dalam sebuah percakapan. Program ELIZA yang dibuat oleh
Joseph Weizenbaum pada tahun 1967 mampu memberikan terapi teradap pasien dengan
cara mengajukan beberapa pertanyaan.

2.1.2. Definisi Inteligensia Semu
Terdapat beberapa definisi yaang berbeda dari para ahli mengenai inteligensia
semu, di antaranya adalah sebagai berikut :
Menurut Rich dan Knight (1991, p3), inteligensia semu adalah salah satu bagian
dari ilmu komputer yang membuat komputer dapat melakukan pekerjaan seperti
manusia dan sebaik manusia.
Menurut Turban dan Frenzel (1992, p3), inteligensia semu adalah cabang dari
ilmu komputer yang mengarah pada pembuatan piranti lunak dan piranti keras dengan
tujuan menghasilkan sesuatu seperti yang dihasilkan oleh pola pikir manusia.
Menurut Luger dan Stubblefield (1993, p1), inteligensia semu adalah suatu
cabang dari ilmu komputer yang berusaha memberikan kecerdasan kepada komputer
dengan teori dan prinsip-prinsip terapan termasuk penggunaan data terstruktur dalam
8
mempresentasikan suatu informasi, algoritma untuk memanipulasi informasi dan bahasa
serta teknik pemrograman yang selanjutnya untuk pengimplementasian.
Menurut Jackson (1999, p15), inteligensia semu adalah bagian dari ilmu
komputer yang berhubungan dengan pertancangan sistem komputer inteligensi.
Menurut Winston (1992, p1), inteligensia semu adalah suatu ilmu komputasi
yang memungkinkan komputer untuk menanggapi, menalar, dan bertindak seperti
manusia.
Pada awal diciptakan, komputer hanya digunakan sebagai alat berhitung saja.
Namun, seiring dengan perkembangan zaman, peran komputer semakin mendominasi
kehidupan manusia. Komputer tidak lagi digunakan hanya sebagai alat berhitung, tetapi
juga diberdayakan untuk mengerjakan segala sesuatu yang dapat dilakukan oleh manusia.
Manusia mampu menyelesaikan segala permasalahan yang ada di dunia ini
karena manusia memiliki pengetahuan dan pengalaman. Pengetahuan dan pengalaman
tersebut diperoleh melalui suatu proses pembelajaran. Semakin banyak pengetahuan
yang dimiliki manusia, maka diharapkan akan lebih mampu menyelesaikan
permasalahan yang dihadapi. Namun ternyata pengetahuan dan pengalaman saja tidak
cukup. Manusia juga memerlukan suatu penalaran untuk mengambil keputusan dalam
menyelesaikan permasalahan berdasarkan pengetahuan dan pengalaman yang manusia
miliki. Manusia yang memiliki banyak pengetahuan dan pengalaman, apabila tidak
memiliki daya penalaran yang baik akan sulit menyelesaikan permasalahannya. Agar
komputer dapat bertindak seperti dan sebaik manusia, maka komputer juga harus diberi
bekal pengetahuan dan kemampuan untuk menalar.
Pengertian inteligensia semu dapat dipandang dari berbagai sudut pandang,
antara lain sudut pandang inteligensia itu sendiri, sudut pandang penelitian, sudut
9
pandang bisnis, dan sudut pandang pemrograman. Dari sudut pandang inteligensia,
inteligensia semu diharapkan dapat membuat komputer menjadi lebih ‘cerdas’, mampu
melakukan seperti apa yang dilakukan oleh manusia. Dari sudut pandang penelitian,
inteligensia semu adalah suatu ilmu bagaimana membuat komputer dapat melakukan
sesuatu sebaik yang dilakukan oleh manusia. Dari sudut pandang bisnis inteligensia
semu adalah suatu kumpulan peralatan yang sangat bermanfaat dan metodologis dalam
menyelesaikan masalah–masalah yang berhubungan dengan bisinis. Dan dari sudut
pandang pemrograman inteligensia semu merupakan suatu ilmu tentang pemrograman
simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
Untuk melakukan aplikasi kecerdasan buatan ada dua bagian utama yang sangat
dibutuhkan seperti yang terlihat pada Gambar 2.1, yaitu :
a. Basis Pengetahuan (Knowledge Base), berisi fakta–fakta, teori, pemikiran, dan
hubngan antara satu dengan lainnya.
b. Motor Inferensi (Ineference Engine), yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.

Komputer

Input: output:
masalah, Basis Motor jawaban,
pertanyaan, Pengetahuan Inferensi solusi
dll

Gambar 2.1 Penerapan Konsep Kecerdasan Buatan di Komputer
10
Beberapa task domain dari inteligensia semu yaitu (Rich dan Knight, 1991, p3) :
a. Mundane Task
- Persepsi (vision dan speech).
- Bahasa alami (understanding, generation, dan 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).

2.1.3. Inteligensia Semu dan Kecerdasan Alami
Menurut Turban dan Frenzel (1992, p9), jika dibandingkan dengan kecerdasan
alami, inteligensia semu memiliki beberapa keuntungan secara komersial antara lain :
a. Inteligensia semu lebih bersifat permanen dan konsisten sedangkan kecerdasan alami
bersifat sementara dan berubah–ubah. Hal ini dimungkinkan karena daya pikir dan
daya ingat manusia yang sering pula berubah–ubah, sedangkan pada program
komputer selama program tersebut tidak dirubah maka akan tetap seperti itu.
b. Inteligensia semu lebih mudah dipublikasikan dan disebarkan. Pengetahuan yang
terletak di suatu sistem komputer dapat dengan mudah disalin ke sistem komputer
11
yang lain, sedangkan menyampaikan pikiran dan pengetahuan manusia ke manusia
lain lebih membutuhkan waktu dan proses yang lama dan lebih sulit dikarenakan
daya pikir manusia yang berbeda–beda.
c. Inteligensia semu lebih murah dibandingkan kecerdasan alami. Menggunakan suatu
program komputer dalam menyelesaikan suatu pekerjaan tertentu akan lebih murah,
lebih cepat dan lebih mudah dibandingkan bila menggunakan tenaga kerja manusia.
d. Inteligensia semu dapat didokumentasikan sedangkan kecerdasan alami sulit untuk
direproduksi.

2.1.4. Komputasi Inteligensia Semu dan Komputasi Konvensional
Terdapat beberapa perbedaan antara komputasi yang dilakukan pada kecerdasan
buatan dan komputasi konvensional. Perbedaan tersebut dapat dilihat pada Tabel 2.1 .

Tabel 2.1 Kecerdasan Buatan Vs. Pemrograman Konvensional
Dimensi Kecerdasan Buatan Pemrograman
Konvensional
Pemrosesan Mengandung konsep- Algoritmik
konsep simbolik
Sifat Input Bisa tidak lengkap Harus lengkap
Pencarian Kebanyakan bersifat Biasanya didasarkan pada
heuristik algoritma
Keterangan Disediakan Biasanya tidak disediakan
Fokus Pengetahuan Data dan informasi
12
Struktur Kontrol dipisahkan dari Kontrol terintegrasi dengan
pengetahuan data
Sifat Output Kuantitatif Kualitatif
Pemeliharaan dan Update Relatif murah Sulit
Kemampuan menalar Ya Tidak

(Sumber tabel : Kusumadewi, 2003, p5.)

2.2. Neural Network
Menurut Russel dan Norvig (1995, p737), neural network adalah susunan dari
beberapa node atau unit, yang saling beruhubungan, di mana pada tiap-tiap hubungan ini
terdapat nilai bobot (weight) tertentu.
Neural network sering dikenal dengan berbagai istilah, antara lain, yaitu Parallel
Distributed Processing (pertama kalinya Neural Network dikembangkan dengan nama
ini), Connectionist Models, Human-like Brain Processing, Neuro Computing, Neural
Networks, Artificial Neural Systems.
Kata neuron sendiri berarti node. Otak manusia memiliki 1011 neuron di mana
masing-masing neuronnya berhubungan dengan 104 neuron lainnya melalui synapsis.
Sehingga jumlah sambungan/synapsis yang terdapat dalam jaringan otak manusia adalah
1015.
Neural Network Back Propagation dikembangkan oleh ilmuwan komputer
Amerika bernama Paul Werbos (1974), David Parker (1984/1985), Rumelhart, Hinton,
& Williams (1986), serta McClelland & Rumelhart (1988).
13
2.2.1. Konsep Dasar Neural Network
Menurut Fausett(1994, p3), pemrosesan informasi pada Neural Network
mengambil analogi seperti halnya pada neuron biologis. Setiap neuron menerima sinyal-
sinyal dari neuron lain melalui sambungan yang disebut synapsis. Sebagian sinyal input
cendrung menyebabkan neuron terhambat atau terlemahkan (inhibited).
Ketika efek kumulatif dari sinyal tersebut melebihi suatu batas threshold, neuron
yang bersangkutan akan menembakkan sinyal ke neuron lainnya. Sebuah neuron tunggal
atau konsep Neural Network, digambarkan dalam bentuk node yang menerima sinyal-
sinyal input dan menghasilkan output dengan proses tersebut di atas, dan karenanya
sering pula disebut sebagai summing device.
Sinyal neuron yang dimaksud digambarkan pada Gambar 2.2 berikut:
X
1
W
1
W
X 2 Y f Net
2
Output
W
3
X summing
3 threshold
device
Input

(Sumber: Fausett, 1994 p.4)
Gambar 2.2 Sinyal pada Neuron
Model komputasinya dapat dituliskan sebagai berikut:
Y = X W + X W + X W + … + X W
1 1 2 2 3 3 n n

n
Y = Σ XW
i i
i = 1
Net Ouput = f(Y)
14
f disebut sebagai fungsi aktivasi, sedangkan Net Output merupakan level aktivasi dan
Wi adalah weight/bobot yang menunjukkan kekuatan synapsis.
Neural Network merupakan sebuah sistem pemrosesan informasi yang memiliki
karakteristik serupa dengan jaringan neural biologis. Karakteristik yang diadopsi antara
lain:
• Jumlah yang besar dari processing element atau neuron.
• Neuron-neuron bekerja secara paralel.
• Memiliki sifat fault tolerance.
Fungsi dan kinerja Neural Network sebagai sebuah sistem sangat tergantung tiga
hal:
• Karakteristik neuron: Terkait dengan fungsi aktivasi yang digunakan.
• Topologi network: Bagaimana sejumlah neuron dalam sistem atau model NN
dihubungkan.
• Learning rules: Aturan-aturan pembelajaran yang digunakan.
Beberapa model atau arsitektur atau struktur Neural Network :
• Multilayer networks (Back Propagation).
• Bidirectional Associative Memory (BAM).
• Self-Organizing Map (SOM).
Beberapa learning rules yang terkait dengan ketiga model diatas :
• Error Correction Learning Rules.
• Hebbian Learning Rules.
• Kohonen Map.
15
2.2.2. Arsitektur Neural Network
Menurut Haykin (1999, p21), neuron-neuron seringkali diatur atau ditata
sedemikian rupa dalam bentuk layer atau lapisan. Pada umumnya neuron-neuron yang
berada pada satu layer berperilaku sama. Faktor-faktor penting yang menentukan
perilaku sebuah neuron adalah fungsi aktivasi dan pola-pola koneksi bobot baik itu
sinyal input maupun sinyal output. Dalam satu layer, umumnya setiap neuron memiliki
fungsi aktivasi dan juga pola koneksi bobot tersebut.
Pengaturan neuron-neuron ke dalam layer-layer dan pola-pola koneksinya
disebut Arsitektur Neural Network. Neural Network sering diklasifikasikan sebagai
single layer atau multi layer. Dalam penentuan jumlah layer, input unit tidak dihitung
sebagai layer, karena tidak melakukan komputasi. Dengan demikian, jumlah layer pada
Neural Network dapat didefinisikan sebagai “Jumlah layer-layer koneksi bobot antara
dua unit lapisan”.
Ilustrasi dari single layer network adalah seperti pada Gambar 2.3 berikut:
X1 W11 Y1
W
W 12
1j
W
1m
W
X 21 W Y
2 22 2
W
2j
W
2m
W W
i1 i2
X Wij Y
i j
W
im
W
n2 W
nj
W
n1
Xn Wnm Ym
One layer of Weight -> akan disimpan dalam bentuk MATRIKS BOBOT

(Sumber: Fausett, 1994 p.13)
Gambar 2.3. Single layer Network