Mesin Cerdas dan Machine Learning

Saat ini teknologi berkembang dengan pesat. Inovasi pada teknologi juga sudah beragam. Peningkatan pada kemampuan kerja mesin sangat signifikan. Macam-macam jenis robot dengan kemampuan mengagumkan yang dapat membantu pekerjaan manusia pun sudah banyak dikeluarkan oleh perusahaan-perusahaan asing. Terlebih lagi robot pada masa kini sudah dibekali dengan teknologi Artificial Intelligence (AI), menurut wikipedia merupakan kecerdasan buatan atau kecerdasan yang ditambahkan pada suatu sistem yang bisa diatur dalam konteks ilmiah.

Sebenarnya banyak perusahaan yang sudah mencoba membuat mesin yang dapat berinteraksi layaknya manusia mulai dari penampilan hingga perilaku, walaupun belum bisa disebut kecerdasannya dapat melebihi kecerdasan manusia.

Membuat mesin menjadi cerdas sangat mungkin dapat dilakukan oleh manusia, karena pada masa sekarang saja sudah banyak perusahaan yang berlomba-lomba membuat mesin yang dapat memudahkan manusia. Memudahkan manusia bukan dalam hal seperti mengetik atau menangkap gambar lagi, tetapi membantu manusia dalam hal mengatur janji, menjawab pertanyaan, hingga mengontrol lampu. Seperti perangkat yang dikeluarkan oleh Amazon, yaitu Alexa. Sebuah perangkat pintar yang dapat menjadi asisten pribadi hanya dengan menggunakan perintah suara. Alexa mempunyai fitur yang dapat selalu belajar setiap waktu, jadi memungkinkan Alexa untuk mempelajari pola bicara, kosa kata, dan preferensi personal seseorang. Meski mesin menjadi cerdas bukan berarti mesin bekerja tanpa adanya campur tangan manusia, tetap ada campur tangan manusia dalam hal pengawasannya.

Pertanyaan yang menanyakan apakah komputer bisa cerdas, atau apakah mesin bisa berpikir, mendatangi kita dari ‘zaman kegelapan’ kecerdasan artifisial (dari akhir 1940an). Tujuan kecerdasan artifisial (AI) sebagai sains adalah membuat mesin melakukan hal-hal yang membutuhkan kecerdasan jika dilakukan oleh manusia (Boden, 1977). Pertanyaannya adalah “Bisakah mesin berfikir ?”

Pada kenyataannya : Ada orang yang pandai dalam matematika tapi lemah dalam hal sejarah. Ada yang pandai mencari uang tetapi ada yang pandai dalam menghabiskan uang. Kemampuan manusia berbeda pada setiap area ilmu pengetahuan. Jika mesin juga dapat berfikir, tentu juga pada area yang terbatas.

Dengan semua keterbatasan atau kelebihan yang ada, AI bisa difungsikan atau bisa dikategorikan ke dalam beberapa kegunaan secara garis besar sebagai berikut :

1. Membuat Aplikasi komputer yang sangat mudah bagi pemakai

2. Meningkatkan pemecahan masalah secara cepat dan konsisten

3. Membantu menyelesaikan masalah yang mengandung data yang tidak lengkap atau kurang jelas

4. Menangani informasi yang berlebihan (dengan cara melakukan pengikhtisaran atau penginterprestasian informasi).

5. Meningkatkan produktivitas dalam melaksanakan banyak tugas

6. Membantu melakasanakan pencarian data atau suatu pola berdasarkan jumlah data yang sangat besar.

Contoh mesin cerdas :

1. Robot Game Playing.
2. Robot pembersih lantai.
3. Gadget berbentuk jam tangan.
4. smartphone dan masih banyak lagi.

Sebelum membahas lebih lanjut, mari kita bahas terlebih dahulu ap aitu mesin cerdas dan apa itu mesin Learning.

Mesin cerdas  ( kecerdasan buatan ) merupakan bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti  manusia, bahkan lebih baik dari manusia karena semua perintahnya telah diatur oleh komputer.  Sehingga  dengan adanya mesin buatan ini dapat membantu meringankan pekerjaan  manusia.

Machine learning adalah metode analisis yang membantu menangani data besar dengan cara mengembangkan algoritma komputer. Dengan menggunakan data, pembelajaran mesin memungkinkan komputer menemukan wawasan tersembunyi tanpa diprogram secara eksplisit saat mencarinya. Dengan adanya email baru, algoritma tersebut kemudian akan menghasilkan prediksi apakah email baru itu spam atau tidak.

Machine learning adalah aplikasi artificial intelligence (AI) yang menyediakan sistem kinerja secara otomatis serta belajar memperbaiki diri dari pengalaman tanpa diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program komputer yang bisa mengakses data dan menggunakannya untuk belajar sendiri. Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari.

Proses pembelajaran dimulai dengan observasi data, seperti contoh: pengelaman langsung, atau intruksi untuk mencari pola data dan membuat keputusan yang lebih baik dimasa depan berdasarkan contoh tersebut. Tujuan utamanya adalah membiarkan komputer belajar secara otomatis tanpa intervensi atau bantuan manusia dan menyesuaikan aktivitas yang sesuai. Karena teknologi komputasi, machine learning saat ini tidak seperti machine learning di masa lalu.

Sementara, algoritma machine learning sudah ada sejak lama, kemampuannya secara otomatis menggunakan perhitungan matematis yang kompleks ke data besar dan yang lebih cepat merupakan perkembangan terakhir. Machine Learning merupakan salah satu cabang dari disiplin ilmu AI (Artificial Intellegence) atau Kecerdasan Buatan yang membahas mengenai pembangunan sistem yang berdasarkan data.

Sebenarnya, masih ada banyak lagi situs web dan perangkat modern yang mungkin besar dan berisi beberapa model Machine Learning yang mungkin tidak kita sadari. Model tersebut digunakan untuk melakukan klasifikasi atau prediksi terhadap data baru yang memungkinkan kita untuk membuat atau mendukung pengambilan keputusan.

Berikut adalah beberapa contoh aplikasi pembelajaran mesin yang dipublikasikan secara luas :

1. Mobil Google yang sangat hyped dan self-driving. Inti pembelajaran mesin.

2. Penawaran rekomendasi online seperti Amazon dan Netflix. Aplikasi belajar mesin untuk kehidupan sehari-hari.

3. Mengetahui apa yang pelanggan katakan tentang Anda di Twitter. Pembelajaran mesin dikombinasikan dengan pembuatan aturan linguistik.

4. Deteksi penipuan Salah satu kegunaan yang lebih jelas dan penting di dunia kita saat ini.

Machine Learning meningkat karena faktor data mining dan analisis Bayesian lebih populer dari sebelumnya. Pengolahan komputasi yang lebih murah dan lebih bertenaga termasuk penyimpanan data yang terjangkau merupakan peningkatan. Semua hal ini secara cepat dan otomatis menghasilkan model yang dapat menganalisis data yang lebih besar dan lebih komplek memberikan hasil yang lebih cepat dan akurat dalam skala yang sangat besar.

Kebanyakan orang mengatakan hal ini sama dan sangat sederhana. Namun, kenyataan yang di dapat dari para ahli, ini memiliki perbedaan.

Perbedaannya sebagai berikut :

AI – Artificial Intelligence : Yang berarti komputer lebih baik dari manusia untuk melakukan tugas tertentu. Seperti robot yang bisa membuat keputusan berdasarkan banyaknya masukan, tidak seperti Terminator atau C3PO. Sebenarnya istilah yang sangat luas itu tidak terlalu berguna.

ML – Mesin belajar adalah metode untuk mencapai AI. Ini berarti membuat prediksi tentang sesuatu berdasarkan pelatihan dari kumpulan data parsing. Ada banyak cara yang berbeda di platform ML yang dapat menerapkan perangkat pelatihan untuk memprediksi sesuatu.

NL – Jaringan syaraf tiruan adalah salah satu cara model pembelajaran mesin untuk memprediksi sesuatu. Jaringan saraf bekerja sedikit seperti otak Anda, dengan menyesuaikan diri dan banyak berlatih untuk memahaminya. Anda akan menciptakan lapisan simpul yang sangat dalam.

Aplikasi Machine learning

Data bisa saja sama, namun untuk pendekatan terhadap algoritmanya berbeda-beda dalam hal mendapatkan hasil yang optimal. Berikut merupakan contoh aplikasi pembelajaran mesin:

1. Penelusuran web : Laman peringkat berdasarkan apa yang anda klik

2. Biologi komputasional : Obat desain rasional di komputer berdasarkan eksperimen masa lalu.

3. Keuangan : tetapkan siapa yang akan mengirim kartu kredit yang ditawarkan. Evaluasi risiko pada penawaran kredit dan bagaimana cara memutuskan dimana menginvestasikan uangnya.

4. E-commerce : Memprediksi customer churn. Apakah transaksi itu salah atau tidak.

5. Eksplorasi ruang angkasa : Menyelidiki ruang angkasa dan astronomi radio.

6. Robotika : Bagaimana menangani ketidakpastian dilingkungan baru. Seperti otonom dan mobil self-driving.

7. Pengambilan informasi : Ajukan pertanyaan melalui database di seluruh web.

8. Jaringan sosial : Data tentang hubungan dan preferensi. Mesin belajar mengekstrak nilai dari data.

9. Debugging : Ini didunakan dalam masalah ilmu komputer seperti debugging.

Sistem Kecerdasan Buatan

Kecerdasan Buatan (Artificial Intelligent)

Kecerdasan buatan (AI) memungkinkan mesin untuk belajar dari pengalaman,  nyesuaikan input-input baru dan melaksanakan tugas seperti manusia. Sebagian besar contoh AI yang Anda dengar dewasa ini – mulai dari komputer yang bermain catur hingga mobil yang mengendarai sendiri – sangat mengandalkan pembelajaran mendalam dan pemrosesan bahasa alamiah. Dengan menggunakan teknologi ini, komputer dapat dilatih untuk menyelesaikan tugas-tugas tertentu dengan memproses sejumlah besar data dan mengenali pola dalam data.

Definisi Kecerdasan Buatan dari beberapa pendapat para tokoh :

“Kecerdasan buatan (Artificial Intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang –dalam pandangan manusia adalah– cerdas” – H. A. Simon (1987)

----

“Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia” – Rich and Knight (1991)

----

“Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia” – Idhawati Hestiningsih

----

Dari beberapa definisi diatas maka dapat ditarik kesimpulan bahwa AI (Artificial Intelligence) atau kecerdasan buatan merupakan sebuah teknologi komputer atau mesin yang memiliki kecerdasan layaknya manusia. Sederhananya gini sebuah instruksi pintar yang diberikan kepada program maupun mesin.

Pengertian kecerdasan buatan, antara lain:

1. Sudut pandang kecerdasan : Membuat mesin menjadi “cerdas” (mampu berbuat seperti yang dilakukan manusia.

2. Sudut pandang bisnis : Kumpulan peralatan yang sangat powerfull dan metodologis dalam menyelesaikan masalah bisnis.

3. Sudut pandang pemrograman : Meliputi studi tentang pemrograman simbolik, penyelesaian masalah(problem solving) dan pencarian (searching).

4. Sudut pandang penelitian: Studi bagaimana membuat komputer dapat melakukan sesuatu sebaik yang dikerjakan manusia.

Kebutuhan utama aplikasi kecerdasan buatan

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.

Lalu apa tujuan dari dibuatnya ?

Menurut Winston dan Prendergast (1984), tujuan kita membuat kecerdasan buatan itu ada 3 yaitu ;

1. Membuat mesin menjadi lebih pintar (tujuan utama).

Misal kita ambil contoh komputer, mesin itu dibuat yang awal mulanya hanya bisa digunakan untuk mengetik begitu dikembangkan fungsinya sehingga dapat digunakan dalam berbagai macam hal seperti bermain game, mulitmedia, editing, dll.

2. Memahami apa itu kecerdasan (tujuan ilmiah).

Seiring dengan laju perkembangan teknologi dengan diciptakannya artificial intelligence itu sendiri dianggap mampu membantu dalam memecahkan masalah secara efektif, efisien, dan lebih teliti.

3. Membuat mesin lebih bermanfaat (tujuan entrepreneurial).

Keadaan AI pada mesin dapat meningkatkan akurasi pemrosesan. Hal ini tentunya membuat pekerjaan pun menjadi lebih ringan dan dapat memberikan hasil secara maksimal.

Perbedaan Kecerdasan Buatan dan Kecerdasan Alami

Kecerdasan Buatan :

1. Lebih bersifat permanen. Kecerdasan alami bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah selama sistem komputer & program tidak mengubahnya.

2. Lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1 orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak akan pernah dapat diduplikasi dengan lengkap. Jadi jika pengetahuan terletak pada suatu sistem komputer, maka pengetahuan tersebut dapat disalin dari komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.

3. Lebih murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.

4. Bersifat konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer sedangkan kecerdasan alami senantiasa berubah-ubah.

5. Dapat didokumentasi. Keputusan yang dibuat komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.

6. Lebih cepat.

Sedangkan Kecerdasan Alami

1. Kreatif. Manusia memiliki kemampuan untuk menambah pengetahuan, sedangkan pada kecerdasan buatan untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun.

2. Memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.

3. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas.

Sumber :

http://elektro-unimal.blogspot.com/2013/05/perbedaan-kecerdasan-buatan-dan.html

https://rifqifai.com/mengenal-apa-itu-ai-artificial-intelligence-kecerdasan-buatan

https://www.sas.com/id_id/insights/analytics/what-is-artificial-intelligence.html

Sistem Cerdas

Sistem Cerdas adalah kecerdasan yang diciptakan dan dimasukkan kedalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Jadi kesimpulannya membuat suatu sistem yang berperasaan seperti halnya manusia pada umumnya. Adapun bermacam-macam bidang yang menggunakan Sistem Cerdas antara lain Sistem Pakar, Permainan Komputer (games), Logika Fuzzy, Jaringan Syaraf Tiruan (JST), dan Robotika. Kelebihan Sistem Cerdas adalah sistem ini lebih cepat daripada proses berpikir manusia.Keunikan dari sistem cerdas ini sama halnya dengan otak manusia.

Pengertian Sistem Cerdas

Kecerdasan Buatan adalah ilmu rekayasa yang membuat suatu mesin mempunyai intelegensi tertentu khususnya program komputer yang “cerdas” (John Mc Cathy, 1956).

Kecerdasan Buatan merupakan kawasan penelitian, aplikasi dan intruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas (H.A Simon, 1987).

Kecerdasan merupakan bagian kemampuan komputasi untuk mencapai tujuan dalam dunia. Ada bermacam-macam jenis dan derajat kecerdasan untuk manusia, hewan dan mesin. Kecerdasan buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia (Rich and Knight, 1991).

Sistem cerdas memiliki 3 elemen, yaitu: 

1. Jaringan saraf tiruan (Artificial Neural Network)
   
    
   Salah satu upaya manusia untuk memodelkan cara kerja atau fungsi sistem syaraf manusia dalam melaksanakan tugas tertentu. Jaringan Saraf Tiruan dikembangkan sebagai generalisasi model matematika dari biologis sistem syaraf.
   
2. Logika fuzzy (Fuzzy logic)
   
   Suatu sistem yang digunakan untuk menangani konsep kebenaran parsial yaitu kebenaran yang berada diantara sepenuhnya benar dan sepenuhnya salah (Lofti A. Zadeh dalam Yan, Jun. 1994;14). Logika fuzzy ini bekerja lebih dekat dengan cara kerja otak manusia, yakni ketika membentuk sebuah perintah yang samar (ambigu/ketidakjelasan) atau mencakup 2 hal yang menjadi hasil perbandingan misalnya “tidak sedikit” “kurang tinggi” “sedang” “cukup” dan sebagainya.
   
   
3. Kecerdasan Buatan (Artificial Intelligence)
   
   
   Kecerdasan yang diciptakan dan dimasukkan ke dalam suatu mesin (komputer) sehingga mesin dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Salah satu kelebihan dari mesin artificial intelilligence dapat bertahan dalam kondisi ekstrim. Seperti contoh Robot BigDog yang ditendang dengan keras dan berjalan pada wilayah yang ekstrim (tidak datar) . Dalam kondisi tersebut , dia mempertahankan dirinya untuk tidak jatuh. Padahal manusia sendiri belum tentu bisa mempertahankan keseimbangannya pada kondisi seperti itu.

Dalam membuat kercerdasan buatan atau sistem pakar, memperhatikan 4 hal pendekatan berikut :

1. Thinking humanly

Penilaian suatu kecerdasan sistem dari kecerdasan buatan dinilai dari proses bagaimana cara mesin berpikir agar menyamai / lebih dari cara pikir manusia (human like).

2. Acting humanly

Penilaian terhadap kecerdasan sistem yang dilihat dari perilaku sistem yang menyerupai manusia.

Pada penilaian acting humanly, atau menggunakan Tes Turing (Turing Test) suatu sistem dianggap “cerdas” apabila lawan bicara mesin (dalam situasi ini manusia) tidak dapat membedakan antara manusia dengan mesin tersebut.

Sampai saat ini belum ada sistem yang mampu lolos dari tes ini.

3. Thinking Rationally

Penilaian terhadap sistem buatan dilihat dari proses berpikir yang diarahkan menuju hasil yang terbaik dengan mengandalkan Probabilitas, Statistik, Logika dan Algoritma

4. Acting Rationally

Penilaian terhadap kecerdasan buatan dapat dilihat dari perilaku sistem untuk mendapat hasil yang terbaik.

Acting Rationally, berguna untuk mendapatkan hasil terbaik atau menuju ekspektasi terbaik dengan mengandalkan Probabilitas, Statistik, Logika dan Algoritma.

Contoh Sistem Cerdas

1. Natural Language  : google translate, speech recognition, SIRI Virtual Assistant

2. Vision (perception) : object and face recognitions, image classification pada google deep mind

3. Robotics                  : papan logika Anki Cozmo

4. Logic                       : permainan catur antara IBM Deep Blue vs Gary Kasparov

5. Game Playing         : bot pada permainan DOTA2 atau CS:GO

6. Decision Making     : Route planning pada peta digital, scheduling (airline routing) pada ATC

Kelebihan dan Kekurangan Sistem Cerdas

Kelebihan Artificial Intellegence :

1. Kemampuan komputasi yang tidak terbatas.

2. Ketepatan dan Kecepatan karena kemampuan komputasi yang besar.

Kekurangan Artificial Intellegence :

1. Kecerdasan dalam AI terbatas (pada program yang diberikan dan sumber daya yang dibutuhkan)

2. Mudah rusak karena harus di rawat terus menerus.

3. Memerlukan daya listrik yang besar untuk kebutuhan komputasi yang besar.

Sistem Pakar

Apa Itu Pakar/Ahli (Expert)?

Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior dari suatu masalah. Misalnya : seorang dokter, penasehat keuangan, pakar mesin mobil, dll.

Kemampuan Kepakaran

1. Dapat mengenali (recognizing) dan merumuskan masalah
2. Menyelesaikan masalah dengan cepat dan tepat
3. Menjelaskan solusi
4. Belajar dari pengalaman
5. Restrukturisasi pengetahuan
6. Menentukan relevansi/hubungan
7. Memahami batas kemampuan

Apa Itu Kepakaran/Keahlian (Expertise) ?

Pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh dari pelatihan, membaca dan pengalaman.

Jenis-jenis pengetahuan yang dimiliki dalam kepakaran :

1. Teori-teori dari permasalahan
2. Aturan dan prosedur yang mengacu pada area permasalahan
3. Aturan (heuristik) yang harus dikerjakan pada situasi yang terjadi
4. Strategi global untuk menyelesaikan berbagai jenis masalah
5. Meta-knowledge (pengetahuan tentang pengetahuan)
6. Fakta-fakta

Sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan Pengertian Sistem Pakar

masalah seperti yang biasa dilakukan oleh para ahli, dan sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli (Kusumadewi, 2003:109).

Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan orang awam. Contohnya dokter, mekanik, psikolog, dan lain-lain.

Modul Sistem Pakar

Sistem pakar terdiri dari beberapa modul untuk menjalankannya, berikut adalah rinciannya.

1. Modul Penerimaan Pengetahuan

Sistem pakar akan menggunakan modul ini saat sedang menerima input pengetahuan dari para pakar atau tenaga ahli. Proses pengumpulan pengetahuan akan dibantu oleh seorang Knowledge Engineer yang berfungsi menerjemahkan bahasa pakar ke dalam sistem pakar nantinya.

2. Modul Konsultasi

Sistem pakar akan beralih ke modul konsultasi saat sistem menerima pertanyaan dari user. Pertanyaan terkadang juga bisa diberikan dalam bentuk permasalahan yang memang yang memang menjadi keahlian dari sistem pakar tersebut.

3. Modul Penjelasan

Pada modul ini, sistem pakar menjalankan tugasnya sebagai pemberi jawaban atau jalan keluar atas masalah yang diajukan.

Cara Kerja Sistem Pakar

1. Kepakaran ditransfer dari seorang pakar (sumber pakar) ke komputer,
2. Pengetahuan yang ada disimpan dalam komputer,
3. Pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat,
4. Komputer dapat mengambil inferensi (menyimpulkan, mendeduksi) layaknya seorang pakar
5. Komputer memberikan penjelasan kepada pengguna.

Struktur Sistem Pakar

Sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi (Kusumadewi, 2003:113-115).

Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar pada gambar di atas dijelaskan sebagai berikut:

1. Antarmuka Pengguna (User Interface)

Antarmuka merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima dari sistem dan menyajikannya ke dalam bentuk yang dapat dimengerti oleh pemakai.

2. Basis Pengetahuan

Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah.

3. Akuisisi Pengetahuan (Knowledge Acquisition)

Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian, dan pengalaman pemakai.

4. Mesin/Motor Inferensi (Inference Engine)

Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan.

5. Workplace/Blackboard

Workplace merupakan area dari sekumpulan memori kerja (working memory), digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara.

6. Fasilitas Penjelasan

Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar, digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan.

7. Perbaikan Pengetahuan

Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya dan juga mengevaluasi apakah pengetahuan-pengetahuan yang ada masih cocok untuk digunakan di masa mendatang.

https://www.kajianpustaka.com/2016/10/pengertian-tujuan-dan-struktur-sistem-pakar.html

http://www.bangsawancyberindo.co.id/artikel/11-pengertian-sistem-pakar-cara-kerja-beserta-contohnya.html

DELTA ( Diesel Electric Locomotive Troubleshooting Aid)

DELTA ( Diesel Electric Locomotive Troubleshooting Aid) dibuat oleh perusahaan General Electric (GE) membantu karyawan bagian pemeliharaan mesin lokomotif diesel dalam memantau mesin-mesin yang tidak berfungsi dengan baik dan membimbing ke arah prosedur perbaikan. Delta juga berfungsi untuk meminimalkan biaya dan waktu korektif pemeliharaan. Awalnya. sebuah sistem prototipe kelayakan dikembangkan di LISP.

Selanjutnya sistem prototipe telah diterapkan di FORTH dan berjalan pada Digital Equipment PDP II 23 di bawah RSX-II M. (Sistem ini juga berjalan pada PDP II 70 dibawah RSX-II M-PLUS dan dalam model emulasi pada VAX II 780 di bawah VMS). Sistem ini berisi sekitar 530 aturan. Sekitar 330 aturan yang dikhususkan untuk diagnosis kesalahan dan prosedur perbaikan, yaitu. Sistem Pemecahan Masalah sementara sekitar 200 aturan membentuk Sistem Bantuan. Sistem Pemecahan Masalah menggunakan mesin inferensi campuran – konfigurasi berdasarkan chainer mundur (backward chaining) dan chainer maju (forward chaining).

Forward Chaining : Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri. Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

ackward Chaining : Pencocokan fakta atau pernyataan  dimulai dari sebelah kanan. Dengan kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.

Bantuan Sistem, menggunakan chainer maju dari mesin inferensi yang sama untuk merespon permintaan informasi dari sistem pakar. Ketika pengguna menekan kunci “HELP” maka sistem akan menyediakan informasi tambahan seperti lokasi dan identifikasi komponen lokomotif, penggantian bagian klasifikasi, dan deskripsi perbaikan prosedur. Untuk menyelesaikan tugas ini, sistem ini menggunakan CAD file yang tersimpan dalam format garis grafis TEKTRONIX dan gambar VIDEO disimpan pada disk video laser.

Sebuah urutan tetap pertanyaan yang digunakan untuk mengumpulkan fakta-fakta awal tentang masalah lokomotif, seperti nomor unit, model tahun, melaporkan gejala, dll. Sebuah tabel informasi asosiatif memberikan fakta tambahan. seperti unit fitur standar, Unit sejarah kegagalan,  Kegagalan Model kecenderungan, dll Semua fakta ini merupakan titik awal untuk proses pemecahan masalah.

Himpunan aturan (heuristik) pengetahuan empiris tentang fungsional mesin listrik diesel dibagi menjadi ruang pengetahuan seperti sistem mekanik, sistem kelistrikan, dll.

Dalam setiap ruang pengetahuan, aturan dibagi sesuai dengan hipotesis (daerah fault), seperti Operator Kesalahan, Mesin Tidak dapat Membuat Daya, dan lain-lain.

Satu set meta-aturan (indeks pintar dari partisi pengetahuan) mengambil dari berbagai pengetahuan subset dari aturan yang terkait dengan semua hipotesis yang bisa relevan dengan awal gejala.

Hipotesis-hipotesis ini merupakan diagnosis awal. Bekerja dibelakang sebuah modus, penafsir mencoba untuk membuktikan atau menyangkal setiap hipotesis. Berdasarkan kedua fakta awal dan tambahan fakta disimpulkan oleh sistem atau meminta pengguna.

Proses dari ini hasilnya adalah diagnosis akhir yang menunjukkan hipotesis sukses (kesalahan) dan tindakan korektif yang sesuai (perbaikan). Sistem pakar ini didasarkan pada campuran strategi pengendalian, karena mekanisme inferensi dapat bekerja baik dalam modus maju atau mundur.

Prototipe Pertama

Prototipe pertama bidang ini sistem pakar telah dilaksanakan di unit kasar, dikemas oleh Comark, mengandung PDP II! 23 (menjalankan RSX-II M dan versi yang disempurnakan) 10 meta-byte Winchester disk yang. terminal VT100 dan papan grafis SE, pemutar laser video disk dan monitor tambahan warna menyelesaikan konfigurasi bidang sistem prototipe.

Sistem ini telah menunjukkan hasil yang menjanjikan sejak pengiriman baru-baru ini kepada General Lokomotif Operasi Perusahaan listrik pada bulan Juli 1983. Konfigurasi campuran-mode inferensi  mesin melakukan dengan sangat baik.

Pelaksanaan FORTH terbukti untuk mudah diadaptasi ke system kecil berbasis mikroprosesor untuk tetap menjaga kecepatan eksekusi cepat. Antarmuka manusia-mesin sangat user-friendly dan memungkinkan pengguna untuk berinteraksi dengan sistem melalui pilihan menu atau sederhana (single keystroke) menjawab seperti: YN? WH (Ya. No? Unknown. Why? Help).

Contoh aturan dalam Sistem Pakar terkait dengan kesalahan dalam sistem bahan bakar.

Peraturan 760 : ada kesalahan dalam sistem bahan bakar pada kecepatan yang tidak berjalan dan pembacaan diambil dari tekanan pengukuran bahan bakar lokomotif.

IF:
EO [ENGINE SET IDLE ]
Is the engine at idle?
EO [FUEL PRESSURE BELOW NORMAL]
Is the fuel pressure below normal? (Less than 38 psi?)
EO [FUEL-PRESSURE-GAGE USED IN TEST]
Did you use the locomotive gage?
EO [FUEL-PRESSURE-GAGE STATUS OK ]
Is locomotive gage known to be accurate?
THEN:
WRITE [FUEL SYSTEM FAULTY] 1.00
Establishes that there is a fuel system fault.
End of rule 760

Sumber :

http://fannynurrizky06.blogspot.com/2013/11/delta-diesel-electric-locomotive.html

MicroCHIP, Alat Kontrasepsi Masa Depan

Kecanggihan teknologi dapat membantu menekan jumlah populasi dunia. Inilah yang coba diciptakan oleh peneliti dari Institut Teknologi Massachusetts (MIT) dan yayasan milik miliuner Bill Gates.

Mereka menciptakan MicroCHIP, chip yang berfungsi sebagai alat kontrasepsi yang dapat diatur dengan ponsel.

Dikutip dari Cnet, chip ini hanya berukuran 20 x 20 x 7 milimeter dan dikembangkan dalam 16 tahun. MicroCHIP ini akan ditanamkan ke dalam kulit dan memberikan dosis 30 mikrogram levonorgestrel, bahan yang sering dipakai dalam pil kontrasepsi.

 

Robert Langer menjelaskan setiap chip berisi tabung-tabung kecil semacam kapsul yang masing-masing telah berisi satu dosis harian dari levonorgestrel atau salah satu jenis hormon yang banyak terkandung dalam pil KB pada umumnya.

Kemudian tiap 'kapsul' juga dibungkus oleh lembaran logam titanium dan platinum yang ultra-tipis sehingga hormon yang terkandung di dalamnya tidak meluber begitu saja sampai benar-benar dibutuhkan.

“Jadi ketika akan dilepaskan, remote control-nya tadi akan menyalurkan arus listrik kecil ke 'kapsul' sehingga tutup logam yang membungkus 'kapsul' tadi akan meleleh, lantas melepaskan satu dosis kontrasepsi ke darah pengguna”, Jelas Robert Langer

Dengan menggunakan alat ini, wanita tidak perlu mengkonsumsi pil setiap hari. Mereka bisa mengatur kapan MicroCHIP melakukan tugasnya sesuai dengan keinginan mereka lewat remote control atau ponsel.

"MicroCHIP menggunakan struktur data yang dirancang agar bisa menyesuaikan pengaturan dari pengguna. Chip ini juga bisa menerima jadwal kapan levonorgestrel akan disebar dengan aktiviasi sensor," kata MIT dalam situsnya.

Keunggulan MicroCHIP

Keunggulan lain dari chip seukuran perangko ini adalah efektivitasnya yang bisa tahan lama hingga lebih dari 16 tahun. Ini lebih lama dari pada efektivitas IUD (intraurine device) yang selama ini diketahui dapat mencegah kehamilan paling lama dibandingkan alat KB lainnya, yakni sekitar 5-10 tahun saja.

Menggunakan Remote

Bahkan chip ini dilengkapi dengan sebuah remote control yang dapat mematikan chip tersebut sewaktu-waktu bila si wanita ingin memiliki keturunan lagi. Dan bila ingin pakai kontrasepsi lagi, mereka tinggal menyalakan chip ini. Begitu saja.

Apakah aman untuk digunakan? Dan bagaimana cara penggunaannya?

Sejauh ini, MIT telah melakukan uji klinis terhadap wanita, dan hasilnya, MicroCHIP bisa bekerja dengan baik. Selain itu, alat ini juga tidak akan menganggu kekebalan tubuh dan hanya membutuhkan waktu 30 menit untuk dipasang.

 

Apakah sudah diperjualbelikan?

Kini, yayasan Bill Gates, Bill & Miranda Gates Foundation, sedang meminta izin kepada Badan Pengawas Obat dan Makanan (FDA) di Amerika untuk menjalankan program keluarga berencana ini. Jika izin sudah keluar, alat ini akan bebas dijual pada 2018 di seluruh dunia dengan pemesanan online dan aturan yang ketat.

Fitur lain dari MicroCHIP

Farra menambahkan, alat ini juga mempunyai fitur enkripsi untuk menambah tingkat keamanan komunikasi remote dengan implan.

Apakah inovasi ini akan berjalan dengan lancar ?

Simon Karger, kepala bedah dan intervensi bisnis di Cambridge Consultants, mengatakan bahwa teknologi implan seperti ini menghadapi berbagai tantangan dan risiko.

Namun dia menambahkan bahwa secara keseluruhan implan jenis ini memiliki nilai lebih bagi pasien. Dan dia meramalkan sebuah masa depan di mana sistem implan pintar menjadi hal yang umum.

Inovasi tersebut nampaknya datang tepat pada waktunya ketika pemerintah dan organisasi di seluruh dunia telah sepakat untuk menambah 120 lebih penduduk perempuan pada 2020.

Sementara itu, Gavin Corley, seorang insinyur biomedis, mengatakan teknologi ini membuka pintu bagi daerah di mana akses ke kontrasepsi tradisional terbatas.

Sekian penjelasan saya mengenai MicroCHIP ini, kiranya dapat bermanfaat bagi kita semua.

Terima Kasih😊😊😊