tugas #softskill3 Teknologi Sistem Cerdas (Transportasi)

Teknologi Sistem Cerdas (Transportasi)

Perkembangan IPTEK mampu membantu manusia dalam beraktifitas. Terutama yang berhubungan dengan kegiatan perindustrian dan telekomunikasi. Kemajuan teknologi informasi saat ini sangat membantu kinerja manusia terutama dalam menjalankan aplikasi komputer. Akan tetapi, pada perkembangan yang ada saat ini, aplikasi teknologi informasi tidak hanya di bidang komputer, tetapi mulai merambah ke bidang lainya. Sistem cerdas adalah sebuah sistem yang tergolong teknologi informasi dimana system ini  mampu berpikir dan bertindak secara rasional layaknya manusia. Salah satu  keuntungan dari penggunaan system cerdas yakni dapat menghemat tenaga kerja untuk produksi yang tinggi.  Sistem ini dapat melanjutkan pekerjaan untuk waktu yang lama dan tingkat yang lebih cepat. Selain itu, sistem ini dapat ditempatkan dimana saja untuk melakukan pekerjaan yang dianggap membahayakan bagi nyawa manusia dan memiliki kecepatan respon berpikir yang lebih cepat dibandingkan dengan otak manusia. Sektor transportasi tak dapat dipungkiri  situasi lalu lintas yang kian rumit dan kompleks akan menjadi sangat sulit jika masih mengandalkan manajemen konvensional, maka dimulailah untuk menerapkan aplikasi teknologi informasi dengan tujuan utama untuk membantu pengendalian lalu lintas 

Dibawah ini merupakan contoh beberapa aplikasi system cerdas pada system transportasi:

1.             AIDA proyek (Affective, Cerdas Driving Agent)

Sebuah kolaborasi antara Volkswagen of America dan Massachusetts Institute of Technology (Senseable Kota Lab dan Personal Robot Kelompok Media Lab), adalah sebuah platform yang terdiri dari robot pribadi dan sistem navigasi cerdas yang bertujuan untuk membawa pengalaman berkendara yang inovatif. Kami membayangkan sebuah sistem navigasi yang meniru keahlian yang ramah dari pendamping mengemudi yang akrab dengan kedua pengemudi dan kota. Alih-alih hanya berfokus pada menentukan rute ke waypoint tertentu, sistem kami menggunakan analisis perilaku pengemudi untuk mengidentifikasi set tujuan pengemudi ingin dicapai. Selanjutnya, AIDA melibatkan pemahaman tentang kota di luar apa yang dapat dilihat melalui kaca depan, menggabungkan informasi seperti bisnis dan perbelanjaan, wisata dan daerah pemukiman, serta real-time informasi acara dan kondisi lingkungan. Functinalities yang mengumpulkan informasi tentang preferensi pengemudi tambahan membantu AIDA untuk bersikap lebih cerdas. Salah satu tugas wajib bagi AIDA adalah untuk memprediksi tujuan pengemudi serta kemungkinan besar rute yang ia / dia akan mengikuti. Pada gilirannya ini akan memungkinkan untuk reaksi yang berguna dari AIDA seperti mengusulkan alternatif rute ketika sesuatu yang tidak terduga terjadi di rute diprediksi, atau memberikan informasi yang tepat pada waktu yang tepat (misalnya peringatan bahan bakar sebelum lewat sebuah pompa bensin) atau bahkan membantu menghemat energi .

2. Green High Speed Transportation System

Artificial Intellegent green High Speed Transportation System merupakan system transportasi yang multifungsi. Peka terhadap lingkungan perkotaan dan pedesaan. Sistem ini membantu menjaddikan transportasi jarak jauh menjadi lebih cepat.

kereta akan langsug mengantarkan penumpang ke lokasi yang akan dituju selain itu, SMT Rail juga menyediakan lisrik sendiri dan bertindak sebagai embangkit listrik yang menggunakan tenaga surya dan angina. Sehingga dapat mengurangi biaya dalam pengelolaan. System menggunakan teknologi artificial intelligent untuk membantu penumpang dalam perjalanan. Penumpang cukup memasukkan kartu kemudian pilih rute perjalanan. System akan mengirim informasi ke kereta yang kemudian kereta akan menjemt penumpang dari stasiun.

3. Automatic Link: Your Smart Driving Assistant

Automatic link ini menggunakan teknologi artificial intelligent untuk membantu monitoring keadaan mobil dan keadaan sekitar, misalnya kerusakan mobil, pemilihan rute, penentuan kapan beli bensin, dan memberikan notifikasi jika memasuki area yang tidak tercover oleh polisi.

automatic link memungkinkan aktivitas mengendarai mobil lebih aman., efisien, dan menyenangkan. System ini dapat membantu masyarakat dalam berkendara mobil sehingga lebih hemat biaya, lebih cepat sampai tujuan, dan lebih aman dengan mengetahui lokasi rawan dan lokasi yang tercover oleh polisi.

4. Intellegence Clearence Sonar

Intellegence Clearence Sonar System merupakan system yang menggunakan artificial intelligent untuk mengendalikan mesin dan system rem pada mobil yang digunakan saat pengendara mobil melakukan parkir. System ini menggunakan teknologi sonar sebagai sensor pada mobil.

5. Google Self-Driving Car Project

Merupakan system yang menggunakan artificial intelligent untuk mengendalikan mobil sesuai dengan tujuan daari si penggunanya dengan proses berkendara yang man dan nyaman tanpa harus mengendarainya secara manual. System ini memungkinkan mobil untuk berjalan sendiri (autonom) tanpa kendalu dari manusia. Penumpang akan diberikan kenyamanan berkendara mobil hanya dengan duduk sehingga dapat menikmati suasana perjalanan.

 system ini memberikan keamanan berkendara salah satunya dengan mengenali sebuah tikungan kemudian melakukan maneuver melewati tikungan dengan menggunkan rem secara tepat.

6. Copenhagen Wheel

Merupakan sebuah proyek transportasi yang menggunakan sepeda. System ini menerapkan teknologi artificial intelligent untuk melakukan beberapa hal yang komplek. Agar perjalanan menjai lebih cepat, sepeda ini menggunakan bantuan tekonologi GPS untuk mengenali rute alternative. system ini juga sering disebut dengan e-sepeda yang menerapkan kecerdasan buatan sehingga sepeda dapat mengenali kondisi lingkungan seperti tanjakan, kondisi lalu lintas, cuaca, dan emisi

referensi:

http://fitriya-fst13.web.unair.ac.id/artikel_detail-160573-sistem%20cerdas-Sistem%20Cerdas%20dalam%20Transportasi.html

TUGAS #SOFTSKILL2 (ARTIFICIAL INTELLIGENCE) DAN SISTEM PAKAR

(ARTIFICIAL INTELLIGENCE)

A.    Dasar Artificial Intelligence

Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan Obyek/Muka, bermain sepak bola.

'Kecerdasan buatan' ini bukan hanya ingin mengerti apa itu sistem kecerdasan, tapi juga mengkonstruksinya.

Tidak ada definisi yang memuaskan untuk 'kecerdasan':

a.       Kecerdasan: kemampuan untuk memperoleh pengetahuan dan menggunakannya, atau

b.      atau kecerdasan yaitu apa yang diukur oleh sebuah Test Kecerdasan.

Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan.

Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar.

1.      Sejarah Kecerdasan Buatan

Kecerdasan buatan merupakan bidang ilmu komputer yang sangat penting di era kini dan masa yang akan datang untuk mewujudkan sistem komputer yang cerdas.  Bidang ini telah berkembang sangat pesat di 20 tahun terakhir seiring dengan kebutuhan perangkat cerdas pada industry dan rumah tangga.

Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”.  Berarti dasar dari intelligence ialah kemampuan untuk memahami dan melakukan aksi.  Sebenarnya, area Kecerdasan Buatan (Artificial Intelligence) atau disingkat dengan AI,  bermula dari kemunculan komputer sekitar th 1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno. Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu yang dapat dilakukan oleh manusia.  Dalam hal ini, komputer tersebut dapat meniru kemampuan kecerdasan  dan perilaku  manusia.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta di mana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Sejarah Penting Pengembangan  Bidang Kecerdasan Buatan

No.

Tahun

Deskripsi

1.      1206 Robot humanoid pertama karya Al-Jazari

2.      1796 Boneka penuang the dari jepang bernama Karakuri

3.      1941 Komputer elektronik pertama

4.      1949 Komputer dengna program tersimpan pertama

5.      1956 Kelahiran dari Artificial Intelligence pada Dartmouth conference

6.      1958 Bahasa LISP dibuat

7.      1963 Penelitian intensif departemen pertahanan Amerika

8.      1970 Sisem pakaer pertama diperkenalkan secara luas

9.      1972 Bahasa Prolog diciptakan

10.  1986 Perangkat berbasis AI dijual luas mencapai $425 juta

11.  1994 AC berbasis Neuro fuzzy dijual

12.  2010 Sistem kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan

13.  2011 Service Robot untuk restoran berhasil dibuat di Indonesia

14.  2012 Sistem Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning

15.  2012 Sistem immune pada Deteksi spam diciptakan

Saat ini, hampir semua perangkat komputer dan perangkat elektronika canggih menerapkan kecerdasan buatan untuk membuat sistem lebih handal. Di masa yang akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh lebih cerdas karena  telah ditanamkan berbagai metode kecerdasan buatan.

2.      Kecerdasan

Dari kamus, arti kecerdasan adalah: kemampuan untuk mengerti/memahami (The faculty of understanding). Perilaku cerdas dapat ditandai dengan:

a.       Belajar atau mengerti dari pengalaman

b.      Memecahkan hal yang bersifat mendua atau kontradiktif

c.       Merespon situasi baru dengan cepat (fleksibel)

Sebuah ujian yang dapat dilakukan untuk menentukan apakah sebuah komputer/ mesin menunjukkan perilaku cerdas didesain oleh Alan Turing. Tes Turing menyatakan sebuah mesin dikatakan pintar hanya apabila seorang pewawancara (manusia) yang berbicara dengan orang lain dan mesin yang dua-duanya tidak terlihat olehnya, tidak mampu menentukan mana yang manusia dan mana yang mesin, meskipun dia telah berulang-ulang melontarkan pertanyaan yang sama.

B.     Perbandingan Kecerdasan Buatan dengan Kecerdasan Manusia

Menurut Kaplan, diutarakan oleh Turban, McLean dan Wetherbe tahun 1999, pada halam 478, AI atau Artificial Intelligence mempunyai beberapa kelebihan dibandingkan dengan kecerdasan alami (Kecerdaran Manusia). Kelebihan tersebut dipaparkan sebagai berikut:

1.  AI Lebih bersifat Permanen

Berbeda dengan AI, kecerdasan Alami yang dipunyai oleh seseorang tidak dapat disimpan. Ketika orang tersebut pindah kerja, pengetahuan yang dimilikinya ikut terbawa. AI lebih bersifat Permanen karena tetap ada sepanjang sistem komputer dan program masih terpelihara.

2.       AI Menawarkan Kemudahan untuk digandakan dan disebarkan

Pemindahan pengetahuan dari satu orang ke orang lain memerlukan waktu yang panjang dan bahkan mungkin pengetahuan itu tidak dapat diduplikasi secara lengkap. Adapun pengetahuan dalam sistem komputer mudah sekali untuk disalin dan dipidahkan ke sistem lain.

3.      AI dapat lebih murah daripada kecerdasan alami

Telah banyak dibuktikan bahwa biaya membeli jasa dengan komputer lebih murah daripada biaya untuk membiayai manusia yang melaksanakan tugas yang sama.

C.    Bidang-bidang Aplikasi AI

1.      Pengolahan Bahasa Alami

Natural Language Processing atau Pemrosesan Bahasa Alami merupakan salah satu tujuan jangka panjang dari Artficial Intelegence(kecerdasan buatan) yaitu pembuatan program yang memiliki kemampuan untuk memahami bahasa manusia.

Pada prinsipnya bahasa alami adalah suatu bentuk representasi dari suatu pesan yang ingin dikomunikasikan antar manusia. Bentuk utama representasinya adalah berupa suara/ucapan (spoken language), tetapi sering pula dinyatakan dalam bentuk tulisan.

Inti dari pemrosesan bahasa alami adalah penguraian kalimat atau sering disebut dengan parser. Parser berfungsi untuk membaca kalimat, kata demi kata dan menentukan jenis kata apa saja yang boleh mengikuti kata tersebut.

Dalam pemahaman suatu bahasa ada beberapa bidang yang harus disertakan yaitu morfologi, sintaksis, semantik, pragmatik, fonologi, dan pengetahuan tentang dunia sekitar.

Komponen Utama Bahasa Alami

Pengolahan bahasa alami terdiri dari dua bagian utama, yaitu : parser, sistem representasi pengetahuan dan pengolahan output.

a.Parser

Suatu sistem yang mengambil kalimat input bahasa alami dan menguraikannya ke dalam beberapa bagian gramatikal (kata benda, kata kerja, kata sifat, dan lain-lain).

b.Sistem Representasi Pengetahuan

Suatu sistem yang menganalisis output parser untuk menentukan maknanya.

c.Output Translator

Suatu terjemahan yang merepresentasikan sistem pengetahuan dan melakukan langkah- langkah yang bisa berupa jawaban atas bahasa alami atau output khusus yang sesuai dengan program komputer lainnya.

c.1 Kategori Aplikasi Pengolahan Bahasa Alami

Teknologi Natural Language Processing (NLP) atau Pemrosesan Bahasa Alami adalah teknologi yang memungkinkan untuk melakukan berbagai macam pemrosesan terhadap bahasa alami yang biasa digunakan oleh manusia. Sistem ini biasanya mempunyai masukan dan keluaram berupa bahasa tulisan (teks). NLP mempunyai aplikasi yang sangat luas. Beberapa diantara berbagai kategori aplikasi NLP adalah sebagai berikut:

c.1.1  Natural Language Translator, yaitu translator dari satu bahasa alami ke bahasa alami lainnya, misalnya translator bahasa Inggris ke bahasa Indonesia, Bahasa Indonesia ke Bahasa Jawa dan sebagainya. Translator bahasa alami bukan hanya kamus yang menerjemahkan kata per kata, tetapi harus juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuannya.

c.1.2 Translator bahasa alami ke bahasa buatan, yaitu translator yang mengubah perintah-perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. Sebagai contoh, translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. Dengansistem seperti ini, pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya, untuk menghapus semua file, pengguna cukup memberikan perintah ”komputer, tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh komputer, yaitu ”dir *.* ”.

c.1.3 Text Summarization, yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan.

Dalam dunia kecerdasan buatan pengolahan bahasa alami merupakan aplikasi terbesar setelah sistem pakar. Banyak para ahli Artificial Intelligence berpendapat bahwa bidang yang penting yang dapat dipecahkan oleh Artificial Intelligence adalah Natural Language Processing (Pengolahan Bahasa Alami).

2.      Visi Komputer

Contoh bidang lain pengembangan kecerdasan buatan adalah Penerapan Computer Vision. Visi komputer adalah ilmu dan teknologi mesin yang melihat, di mana dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Visi komputer berkaitan dengan teoridi balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.

Contoh aplikasi dari visi komputer mencakup sistem untuk :

•     Pengendalian proses (misalnya, sebuah robot industri atau kendaraan otonom).

• Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang       menghitung).

•  Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan).

•  Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra medis atau model topografi).

•  Interaksi (misalnya, sebagai input ke perangkat untuk interaksi komputer-manusia).

Begitu banyak hasil kajian Computer Vision yang ada selama ini. Hal itu mendatangkan banyak manfaat untuk kepentingan manusia. Diantaranya terletak pada bidang militer)

2.  SISTEM PAKAR

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

• Memiliki informasi yang handal.

• Mudah dimodifikasi.

• Dapat digunakan dalam berbagai jenis komputer.

• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2. Bisa melakukan proses secara berulang secara otomatis.

3. Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkatkan output dan produktivitas.

5. Meningkatkan kualitas.

6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7. Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9. Memiliki reabilitas.

10. Meningkatkan kapabilitas sistem komputer.

11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.

12. Sebagai media pelengkap dalam pelatihan.

13. Meningkatkan kapabilitas dalam penyelesaian masalah.

14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.

2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

• Seorang pakar akan pensiun atau pergi.

• Seorang pakar adalah mahal.

• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

1. Basis Pengetahuan (Knowledge Base)

Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

2. Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

3. Basis Data (Data Base)

Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

a. Rule-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.

b. Frame-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

c. Object-Based Knowledge

Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

d. Case-Base Reasoning

Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining

• Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.

• Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining

• Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.

• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.

• Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.

• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

daftar pustaka :

http://asa-fachrulmg.blogspot.com/2014/12/makalah-kecerdasan-buatan.html

https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/

http://informatika.web.id/definisi-sistem-pakar.htm

KLASIFIKASI DATA SEKUNDER

KLASIFIKASI DATA SEKUNDER

Secondar data

           

Secondary data adalah data primer yang dikumpulkan oleh pihak lain, kemudian diolah lebih lanjut untuk ditambil dalam bentuk table atau diagaram. Secondary data dibagi menjadi 2, yaitu:

1.      Data Internal

Data internal adalah suatau data yang menggambarkan situasi dan kondisi internal dalam sebuah organisasi atau perusahaan.. Pada data internal terdapat :

·         ready to use artinya data yang ada siap untuk dipakai..

·         prosedur lebih lanjut (requires further processing).

2.      Data eksternal

Data eksternal adalah sebuah data yang menggambarkan situasi dan kondisi diluar dari sebuah perusahaan ataupun organisasi. Pada data eksternal terdapat :

·         Published materials, materi perusahaan yang dipublikasikan

·         Computerized database, komputerisasi data yang memerlukan ketelitian dan kesiapan data

·         Syndicated service, suatu organisasi yang menyediakan data-data yang diperlukan

Kelebihan Data Sekunder :\

•       Lebih menghemat waktu
•    Meskipun data jarang melengkapi persyaratan riset dari sebuah proyek,      setidaknya data dapat membantu merumuskan masalah, sebagai sumber data   sehingga data primer dapat di evaluasi secara mendalam.
•       Dapat diperoleh diluar kemampuan
•      Daya cakupnya berskala nasionla dan internasional

Kekurangan Data Sekunder :

•      Jarang melengkapi persyaratan riset
•      Data yang dikumpulkan berbeda dengan data yang diteliti
•      Pengambilan keputusan dibutuhkan informasi yang mutakhi

Computerized basis data

Computerized basis data atau basis data komputerisasi, yaitu sebuah basis data yang berhubungan langsung dengan sebuah computer. Dimana komputerisasi data yang memerlukan dan kesiapan data. Computerized basisdata terbagi menjadi 3, yaitu :

·         On-Line, yaitu komputerisasi basisdata yang terhubung pada  jaringan’

·         Internet, yaitu komputerisasi basisdata yang terhbungan ke jaringan seluruh computer didunia

·         Of-Line tidak terhubung dalam jaringan

Dari tiga diatas masih memiliki bagian, terdapat 5 bagian, yaitu :

·         Bibliographic database, yaitu database dari catatan bibliography koleksi digital terorganisir refrensi untuk literature yang diterbitkan. Contohnya seperti jurnal, artikel , dll.

·         Numeric database, yaitu sebuah database yang isi terdiri dari angka. Biasanya dalam bentuk table atau diagram

·         Full-text database, yaitu sebuah database yang berisi dari sebuah text atau kalimat

·         Directory database, yaitu sebuah database dikelompokan dalam suatu file

·         Special-purpose database, yaitu sebuah database yang memiliki tujuan khusus

Syndicated service

Syndicated service merupakan suatu organisasi yang mampu menyediakan data-data yang diperlukan. Misalnya kita ingin mengetahui data-data demografi dari sebuah populasi. seperti identitas customer, dll. Atau data-data psikografi berupa alamat dari suatu populasi. Contoh syndicate service adalah Dun & Bradstreet di USA. Syndicated service terbagi menjadi 2, yaitu :

1.      Houshold/consumer

Klasifikasi berdasarkan consumer dapat dilakukan oleh penghimpun dengan survey, panel, dan berdasarkan hasil scan media elektronik.

a.       Survey, pengambilan data yang dibutuhkan secara langsung

·         Psychographic lifestyle, yaitu pengambilan data yang dilihat dari bagaiman lingkungan sekitar dll.

·         General, yaitu pengambilan data secara umum

·         Advertising evolution

b.      Mail dairy panel

·         Purchase, yaitu pembelian data

·         Media, pengambilan data yang dilakukan melalui media massa

c.       Electronic scanner service

·         Volume tracking, yaitu pengambilan data melalui pelacakan volume barang

·         Scanner diary, yaitu sebuah data yang diambil dari identitas

·         Scanner diary with cable tv, yaitu sebuah data yang dari dari sebuah identitas dengan bantuan tv kabel

2.      Intuition

Perusahaan retail whole-saler bisa menjadi suatu layanan sindikat karena diyakini mampu menyediakan data-data seperti yang telah disebutkan di atas. Dalam kasus tersebut, maka klasifikasinya termasuk dalam klasifikasi institution.