Transcript AI2011 – 1 – Sistem Cerdas Berbasis Pengetahuan

Sistem Cerdas Berbasis
Pengetahuan
KECERDASAN BUATAN
(ARTIFICIAL INTELLIGENCE)
MATERI 1
Eko Prasetyo
Teknik Informatika
Univ. Pembangunan Nasional Veteran Jawa Timur
2011
Mesin Cerdas
2
 Lebih dari 2000 tahun para ahli berusaha menjawab pertanyaan universal:
Bagaimana manusia berfikir, bekerja ? Apakah non-manusia bisa berfikir ?
– Sampai saat ini masih berlum terjawab.
 Beberapa ahli sudah mulai membuat pendekatan komputasi ilmu
komputer yang diterima sebagai ide dimana komputasi tersebut bisa
melakukan sesuatu seperti yang dilakukan manusia.
 Para ahli dan ilmuan kemudian menamakannya mesin “cerdas”
 Apa yang dimaksud dengan “kecerdasan” ? [Essential English Dictionary,
Collins, London, 1990]:


Kecerdasan seseorang adalah kemampuan untuk memahami dan mempelajari sesuatu
Kecerdasan adalah kemampuan untuk memikirkan dan memahami maksud dalam
melakukan sesuatu oleh insting (atau secara otomatis)
 Definisi 1  Kecerdasan dimiliki oleh manusia
 Definisi 2  Memberikan perbedaan pendekatan secara jelas dan beberapa
fleksibilitas, tidak menyebutkan apakah orang atau benda yang mempunyai
kemampuan untuk berpikir dan memahami.
Mesin Cerdas
3
 Befikir [Essential English Dictionary, Collins, London, 1990]:
 Aktifitas menggunakan otak dalam memandang masalah atau membuat ide.
 Kecerdasan adalah “Kemampuan untuk mempelajari dan
memahami, untuk menyelesaikan masalah dan untuk membuat
keputusan”
 Sejak 1940 – Komputer sudah mulai diusahakan untuk dapat
berpikir  Masa “dark age” AI
 Tujuan AI sebagai ilmu pengetahuan adalah membuat mesin
melakukan sesuatu dimana hal tersebut membutuhkan kecerdasan
jika dilakukan oleh manusia [Boden, 1977].

Pertanyaannya “Bisakah mesin berfikir ?”
 Pada kenyataannya : ada orang yang pandai dalam matematika tapi
lemah dalam hal sejarah. Ada yang pandai mencari uang….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
Mesin Cerdas
4
 Paper paling tua dan signifikan dalam bidang mesin cerdas “Computing
machinery and intelligence”, ditulis oleh ahli matematika Inggris Alan
Turing, lebih dari 60 tahun lalu (Turing, 1950).




Pada 1937, mengusulkan konsep mesin universal.
PD II, menjadi pemain kunci dalam pemecahan Enigma, mesin encoding militer Jerman
Mendesain “Automatic Computing Engine”.
Menulis program pertama yang dapat memainkan catur secara lengkap. Diimplementasikan
dalam komputer Manchester University .
 Konsep teori komputer universal dan pengalaman prakteknya dalam
pembangunan sistem pemecahan kode melengkapinya untuk mendekati
dasar kunci kecerdasan buatan.
 Pertanyaannya :




Adakah pemikiran tanpa pengalaman ?
Adakah pikiran tanpa komunikasi ?
Adakah bahasa tanpa kehidupan ?
Adakah kecerdasan tanpa kehidupan ?
 Pertanyaan mendasar dalam kecerdasan buatan. Bisakah mesin berpikir ?
Turing imitation game
5
 Pertanyaan ‘Can machines think?’, Turing




mengatakan seharusnya kita bertanya, ‘Can
machines pass a behaviour test for intelligence ?’
Prediksinya, tahun 2000, komputer dapat
diprogram untuk bisa melakukan percakapan
dengan manusia selama 5 menit dan
mampunyai peluang 30% untuk membohongi
introgator bahwa dia adalah manusia.
Turing mendefinisikan kecerdasan perilaku
komputer sebagai kemampuan untuk mencapai
kinerja level manusia dalam pekerjaan kognitif
(teori)
Artinya komputer dikatakan lulus tes jika
introgator tidak dapat membedakan mesin
dengan manusia pada basis jawaban pertanyaan
mereka.
Pada tahun 2020, diperkirakan otak manusia
dapat dimodelkan menjadi sebuah chip
seukuran gula
Sejarah AI – dari “dark age” sampai knowledgebased systems
6
 AI adalah bidang ilmu yang dibangun melalui 3 generasi peneliti.
 Periode “Dark Age” – lahirnya AI (1943–1956)
 Warren McCulloch and Walter Pitts (1943) dari Columbia University,
menyampaikan hasil penelitian mengenai AI : Pemodelan neuron dari otak
manusia.
 McCulloch dan Pitts mengusulkan model jaringan syaraf tiruan pada masalah
biner.
 Kenyataannya, pemecahan masalah tidak semua linier.
 John von Neumann (1930) membuat stored program machine. Mendorong
pengembangan Neural Network Computer oleh Marvin Minsky and Dean
Edmonds pada tahun 1951.
 Claude Shannon mempublish paper permainan catur yang memungkinkan 10120
pergerakan (1950)  Menggunakan teknik heuristik dalam mencari solusi
 McCarthy, Minsky, dan Shannon bergabung untuk riset mesin cerdas, jaringan
syaraf tiruan, dan teori automata.
 Pelatihan dan penelitian para ahli diatas memulai lahirnya ilmu baru yang
kemudian dikenal dengan “Artificial Intelligence”
Periode Bangkitnya AI – Era harapan besar
(1956-akhir 1960)
7
 Pada periode tersebut komputer umunya hanya dapat melakukan
pekerjaan perhitungan matematika.
 McCarthy mendefinisikan LISP – bahasa pemrograman tertua (FORTRAN
2 tahun lebih tua)




1958, McCarthy mempresentasikan paper “Programs with Common Sense” yang kemudian
disebut Advice Talker untuk mencari solusi masalah umum di dunia.
Bisa mengenerate, misalnya bagaimana mengendara ke bandara didasarkan beberapa
aksioma.
Yang terpenting, program didesain untuk bisa menerima aksioma baru (pengetahuan baru)
– wilayah keahlian (kepakaran) yang berbeda tanpa diprogram ulang.
Advice Taker menjadi sistem berbasis pengetahuan yang pertama mendampingi pusat
pokok representasi dan penalaran pengetahuan
 Minsky membangun anti-logical outlook pada representasi dan
penalaran pengetahuan (Minsky, 1975) merupakan kontribusi utama
rekayasa pengetahuan
 Neural computing dan ANN yang dimulai oleh McCulloch dan Pitts
dilanjutkan oleh Rosenblatt yang membuktikan teorema konvergensi
perceptron, mendemonstrasikan algoritma pembelajaran yang dapat
menyesuaikan kekuatan hubungan perceptron (Rosenblatt, 1962).
Periode Bangkitnya AI – Era harapan besar
(1956-akhir 1960)
8
 General Problem Solver (GPS) (Newell and Simon, 1961, 1972). Allen
Newell and Herbert Simon membangun program serba guna untuk
mensimulasikan metode penyelesaian masalah manusia.




GPS berusaha memisahkan pemecahan masalah dari data
Didasarkan pada teknik yang sekarang dikenal sebagai means-ends analysis
Mean-ends analysis digunakan untuk menentukan perbedaan kondisi saat itu dengan
kondisi yang diinginkan dari masalah, menerapkan operasi tertentu untuk mencapai kondisi
tujuan. Jika kondisi yang dituju belum tercapai, akan digunakan tujuan terdekat, kemudian
mengulangi proses yang sama sampai tujuan tercapai.
GPS gagal menyelesaikan masalah yang komplek. Penggunaan waktu dan memori yang
besar dalam eksekusi membuatnya dibuang.
 Peneliti AI berusaha untuk mensimulasikan pemikiran masalah yang
kompleks dengan membuat metode umum untuk menyelesaikan kelas
masalah yang luas.
 Lotfi Zadeh (1965) mempublish paper “Fuzzy Sets” yang dianggap
sebagai dasar teory himpunan Fuzzy. Selama 2 dekade, peneliti fuzzy telah
membangun ratusan mesin pintar dan sistem cerdas.
Janji yang belum terpenuhi (1960-Awal 1970)
9
 1950, peneliti menjanjikan adanya sistem cerdas serbaguna
dengan dasar skala pengetahuan manusia pada 1980, dan
melewati kecerdasan manusia di tahun 2000.
 1970, mengklaim bahwa hal itu terlalu optimis.
 Kesulitan utama di tahun 1960 :


Peneliti AI menggunakan metode umum untuk menyelesaikan masalah
yang luas. Seharusnya masalah besar dipecah menjadi masalah kecil.
Kebanyakan peneliti AI berusaha menyelsaikan masalah yang terlalu
luas dan sulit. Seperti : mesin translasi bahasa (Rusia  Inggris) dengan
kamus elektronik  membutuhkan pemahaman umum tentang tata
bahasa dari kedua bahasa. Mesin ini kemudian ditolak.
 1971, pemerintah Inggris menunda pembiayaan penelitian AI,
karena tidak adanya hasil yang signifikan yang didapat.
Teknologi Sistem Pakar – Kunci kesuksesan
(Awal 1970 – Pertengahan 1980)
10
 Permasalahan pengembangan pada periode sebelumnya adalah
pembatasan masalah.
 Para peneliti berkeyakinan bahwa algoritma pencarian dan teknik
penalaran yang lebih pintar dapat dibuat untuk mengemulasikan
metode umum, mirip manusia dalam memecahkan masalah.
 DENDRAL, contoh program teknologi yang muncul di tahun 1969
untuk analisis kimia.
 Feigenbaum bekerjasama dengan Lederberg (ahli kimia) untuk
membuat program yang dapat bekerja pada level pemikiran
manusia, kemudian disebut sistem pakar.


Feigenbaum tidak hanya menggunakan aturan kimia dalam memahami
pemikiran masalah kimia tapi juga menggunakan pengetahun heuristik-nya,
yang kemudian masalah ini disebut dengan “knowledge acquisition bottleneck”.
“knowledge acquisition bottleneck” : bagaimana mengekstrak pegetahuan
manusia pakar menjadi program komputer
 Kedua bersama Buchanan membangun DENDRAL  Sistem
berbasis pengetahuan pertama yang sukses.
DENDRAL
11
 Kemunculannya menandai “perubahan paradigma” AI :
pergeseran dari “general-purpose”, sedikit pengetahuan,
metode yang lemah, menjadi domain khusus, teknik
pengetahuan intensif.
 Maksud dari proyek DENDRAL adalah mengembangkan
program komputer untuk mencapai level kinerja
pengalaman manusia. DENDRAL membuktikan bahwa
komputer dapat sama ahlinya dalam wilayah masalah
yang sempit dan terdefinisi.
 Proyek DENDRAL merupakan ide dasar metodologi baru
yaitu sistem pakar – knowledge engineering, yang
meliputi teknik peng-capture-an, analisis, pengekpresian
aturan ‘know-how’ pakar.
MYCIN
12
 MYCIN adalah rule-based expert system untuk diagnosis
infectious blood diseases
 Karakter umum MYCIN sebagai sistem pakar awal :




MYCIN dapat bekerja pada level orang pakar, dipandang lebih baik dari
pada dokter muda.
Pengetahuan MYCIN terdiri dari sekitar 450 aturan independen bentuk
IF-THEN dari pengetahuan manusia dalam domain kecil melalui
wawancara pakar secara intensif
Pengetahuan disandingkan dengan bentuk aturan yang secara jelas
terpisah dari mekanisme penalaran. Pengembang sistem dapat dengan
mudah memanipulasi pengetahuan dalam sistem dengan menyisipkan
atau menghapus beberapa aturan.
EMYCIN (Empty MYCIN) adalah versi MYCIN yang kosong (tanpa
pengetahuan).
 Menambahkan fitur ketidakpastian, yang kemudian disebut
Uncertainty Factor.
PROSPECTOR
13
 Sistem pakar eksplorasi mineral yang dikembangkan oleh Stanford





Research Institute (Duda et al., 1979).
9 pakar berkontribusi pada pengetahuan dan kepakaran.
Menggunakan kombinasi struktur yang menyandingkan aturan
dengan jaringan semantik
Menggunakan lebih dari seribu aturan untuk
merepresentasikan domain pengetahuan yang luas.
Cara kerja : Ahli geologis memasukkan karakteristik geologi, sistem
melakukan perbandingan dengan model yang ada, jika mungkin
akan mengquery user untuk mendapatkan tambahan informasi,
sistem melakukan penilaian dan memberikan kesimpulan.
Ketidakpastian dalam ilmu geologi ditangani dengan
menyandingkan dengan aturan Bayes untuk mempropagasi
ketidakpastian melalui sistem.
Perkembangan Sistem Pakar
14
 Aplikasi sistem pakar banyak bermunculan di akhir 1970 





menunjukkan kesuksesan AI
Bahasa AI yang banyak digunakan: LISP, PROLOG, OPS.
Survey ditahun 1986, beragam penerapan sistem pakar
ditemukan: kimia, elektronik, teknik, geologi, manajemen,
kedokteran, kontrol proses, dan ilmu militer.
Waterman melaporkan ada 200 SP, paling banyak dalam
bidang kedokteran.
7 tahun kemudian (Durkin, 1994) melaporkan ada 2500
sistem pakar didunia yang sudah dikembangkan. Wilayah
baru yang banyak berkembang adalah bisnis dan
perusahaan.
Banyaknya sistem pakar yang sudah dikembangkan
diberbagai bidang ternyata diluar perkiraan kemampuan
teknologi ini.


Teknologi baru berkembang tapi sudah banyak diimplementasikan
Kesulitannya ada pada kompleksitas dan posisi teknis dan kegiatan sosial.
Kesulitan yang dihadapi Sistem Pakar generasi
awal
15
 Terbatas pada domain pakar yang sempit.
 MYCN hanya pada masalah penyakit darah, jika pasien
mempunyai penyakit dalam domain yang lain, maka MYCIN
tidak dapat digunakan
 Karena domain yang sempit, sistem pakar tidak
robust dan flexible seperti yang diinginkan user.
 Mempunyai kemampuan penjelasan yang terbatas.

Bisa menunjukkan urutan aturan yang diterapkan untuk
mencapai solusi, tetapi tidak dapat menghubungkan akumulasi
dan heuristic pengetahuan untuk memperdalam pengetahuan
domain masalah.
 Sulit diverifikasi dan divalidasi
 Sistem pakar, khususnya generasi pertama,
mempunyai sedikit bahkan tidak ada sama sekali
kemampuan untuk belajar dari pengalaman.
Machine learning – Rebirth of Neural Network
(Pertengahan 1980 – sekarang)
16
 Pertengahan 1980, peneliti, insinyur, pakar menyadari bahwa
pengembangan sistem pakar membutuhkan lebih banyak tidak
hanya sistem penalaran atau shell sistem pakar, dan meletakkan
aturan yang cukup didalamnya. Disadari oleh kebutuhan sistem
pakar untuk dapat memprediksi musim dingin berbasis
kecerdasan buatan, para peneliti mulai melirik Jaringan Syaraf
 Cowan (1960) sebenarnya sudah memberikan komputasi syaraf
yang dibutuhkan. Baru pada 1980 melakukan solusi tersebut.
 Alasan delaynya teknologi ini:


Tidak ada PC untuk memodelkan dan mengeksperimen jaringan syaraf tiruan.
Psikologi dan keuangan
 Minsky dan Papert (1969):



mendemonstrasikan batasan komputasi dasar perceptron single layer.
Tidak ada alasan untuk membutuhkan perceptron multilayer yang lebih
kompleks
Ini tentu saja mendorong peneliti berikutnya untuk masuk ke bidang jaringan
syaraf ditahun di era 1970
Machine learning – Rebirth of Neural Network
(Pertengahan 1980 – sekarang)
17
 Di era 1980, karena kebutuhan pemrosesan informasi seperti otak,




seiring peningkatan teknologi komputer dan progres dalam ilmu
syaraf, bidang jaringan syaraf menjadi bangkit dengan sangat
dramatis.
Grossberg memunculkan prinsip baru dari self-organisation
(adaptive resonance theory), yang memberikan basis untuk
kelas baru jaringan syaraf (Grossberg, 1980).
Hopfield memperkenalkan jaringan syaraf dengan feedback –
Hopfield networks, yang menimbulkan banyak perhatian di era
1980 (Hopfield, 1982).
Kohonen mempublish paper self-organised maps (Kohonen,
1982).
Barto, Sutton and Anderson mempublish pekerjaannya dalam
memperkuat kontrol pembelajaran dan aplikasinya (Barto et
al.,1983).
Machine learning – Rebirth of Neural Network
(Pertengahan 1980 – sekarang)
18
 Terobosan baru yang sesungguhnya datang di tahun 1986 ketika
algoritma pembelajaran back-propagation pertama diperkenalkan
oleh Bryson and Ho pada 1969 (Bryson and Ho, 1969), ditemukan kembali
oleh Rumelhart dan McClelland dalam Parallel Distributed Processing:
Explorations in the Microstructures of Cognition (Rumelhart and
McClelland, 1986).
 Pada saat yang sama, back-propagation learning juga dibahas oleh Parker
(Parker, 1987) dan LeCun (LeCun, 1988), selanjutnya menjadi metode yang
paling populer untuk pelatihan perceptron multilayer.
 Pada tahun 1988, Broomhead and Lowe menemukan prosedur untuk
mendesain jaringan layer feedforward menggunakan radial basis
function, sebuah alternatif perceptrons multilayer(Broomhead and Lowe,
1988).
 Jaringan syaraf tiruan telah menempuh perjalanan panjang dari model
awal McCulloch dan Pitts hingga menjadi subyek interdisiplin ilmu dengan
akar dari ilmu syaraf, psikologi, matematika, dan teknik. Dan terus
dikembangkan dalan area teori dan aplikasi praktek.
Evolutionary Computation atau Learning by
doing (awal 1970 – sekarang)
19
 Kecerdasan alami merupakan hasil dari evolusi.

Maka, dengan pensimulasian evolusi biologis, kita perlu mendiskusikan bagaimana sistem
kehidupan didorong menuju level kecerdasan yang lebih tinggi.
 “Nature learns by doing”

Sistem individu menunjukkan bagaimana setiap individu beradaptasi pada suatu
lingkungan tertentu – mereka bersaing untuk mempertahankan kelangsungan hidup.
 Spesies yang lebih baik mempunyai kesempatan yang lebih baik untuk
bereproduksi,

maka mereka dapat memberikan unsur genetiknya (gen) pada generasi berikutnya.
 Pendekatan evolusi dalam AI didasarkan pada model komputasi seleksi
dan genetik alami.

Bekerja dengan mensimulasikan populasi sejumlah individu, mengevaluasi kinerja, mengenerate populasi baru, dan mengulangi proses ini sejumlah iterasi tertentu.
 Komputasi evolusi mengombinasikan 3 teknik: algoritma genetika, strategi
evolusi, dan genetic programming.
 Konsep algoritma genetika diperkenalkan oleh John Holland (1975)

Membangun algoritma untuk memanipulasi ‘kromosom’ buatan (string digit biner)
menggunakan operasi genetik seperti: seleksi, crossover, dan mutasi.
Evolutionary Computation atau Learning by
doing (awal 1970 – sekarang)
20
 Strategi evolusi, (terpisah dari John Holland), Ingo
Rechenberg and Hans-Paul Schwefel (1965) mengusulkan
metode optimisasi baru yang disebut dengan strategi evolusi.
 Strategi evolusi didesain secara khusus untuk menyelesaikan
optimasi parameter dalam masalah teknik.
 Rechenberg dan Schwefel mengusulkan perubahan acak
dalam parameter sebagai kejadian mutasi alami.
 Genetic programming merepresentasikan aplikasi model
genetika dari pembelajaran untuk pemrograman.


Tujuannya bukan untuk meyusun kode representasi masalah, melainkan
kode komputer untuk menyelesaikan masalah.
Genetic programming men-generate program komputer untuk solusi.
Era baru Rekayasa Pengetahuan
(akhir 1980 – sekarang)
21
 Teknologi jaringan syaraf tiruan (ANN) menawarkan interaksi
yang lebih alami dengan dunia nyata daripada menjalankan
sistem yang didasarkan pada penalaran simbolik.



ANN bisa mempelajari, beradaptasi, mengubah lingkungan masalah,
memunculkan pola dalam situasi dimana aturan tidak dapat memahami, dan
mencapainya dengan informasi yang fuzzy atau tidak lengkap.
ANN minim fasilitas penjelasan dan biasanya bertindak seperti black box.
Proses pelatihan (training) ANN dengan teknologi saat ini lambat, dan
seringnya retraining bisa menyebabkan kesulitas yang serius.
 Dalam kasus tertentu dimana ada sedikit informasi, ANN bisa
menyelesaikan masalah dengan lebih baik dibanding sistem pakar

Dua teknologi ini tidak bersaing saat ini, tapi saling melengkapi satu sama lain.
 Neural computing dapat digunakan untuk mengekstrak
pengetahuan yang tersembunyi dalam data set yang besar
untuk mendapatkan aturan sistem pakar.
 ANN dapat mengoreksi aturan dalam traditional rule-based
expert systems (Omlin and Giles,1996)


Dimana pengetahuan yang dibutuhkan tidak lengkap maka ANN dapat
memperbaiki pengetahuan,
Dimana pengetahuan tidak konsisten dengan data yang diberikan, ANN dapat
merevisi aturan.
Era baru Rekayasa Pengetahuan
(akhir 1980 – sekarang)
22
 Teknologi sangat penting yang lain adalah yang menangani
pengetahuan yang samar, tidak tepat, dan tidak pasti yaitu
logika fuzzy (fuzzy logic)
 Metode terbaik dalam penanganan sistem pakar klasik yang
tidak presisi, didasarkan pada konsep probabilitas.


MYCIN, memperkenalkan certainty factors.
PROSPECTOR, disandingkan dengan aturan Bayes untuk mempropagasi
ketidakpastian
 Pakar biasanya tidak memikirkan nilai probabilitas, tetapi
istilah seperti sering, umumnya, kadang-kadang, dan jarang.
 Logika fuzzy didasarkan pada penggunaan nilai fuzzy yang
meng-capture makna kata, penalaran manusia dan pembuatan
keputusan.


Sebagai metode yang menyandikan dan menerapkan pengetahuan manusia
dalam bentuk yang secara akurat merefleksikan pemahaman pakar yang sulit,
masalah kompleks
Logika fuzzy memberikan cara untuk menyelesaikan melalui komputasi yang
paling baik dari sistem pakar tradisional
Era baru Rekayasa Pengetahuan
(akhir 1980 – sekarang)
23
 Dalam jantung logika fuzzy, ditempatkan konsep variabel linguistik.


Variabel linguistik adalah kata, bukan angka
Mirip dengan sistem pakar, sistem fuzzy menggunakan aturan IF-THEN untuk
disandingkan dengan pengetahuan manusia, tetapi aturan ini kabur (fuzzy), seperti :


IF speed is high THEN stopping_distance is long
IF speed is low THEN stopping_distance is short.
 Teori logika fuzzy (fuzzy set) diperkenalkan oleh Professor Lotfi Zadeh
(1965) – Memberikan pemahaman komputasi dengan kata.
 Keuntungan aplikasi yang dimodelkan dengan logika fuzzy :

Meningkatkan kekuatan komputasi


Meningkatkan pemodelan kognitif



Fuzzy rule-based systems bekerja lebih cepat dibanding sistem pakar konvensional
Sistem fuzzy bisa mengkodekan pengetahuan dalam bentuk yang merefleksikan cara pakar
dalam memikirkan masalah yang kompleks.
Pemikiran yang tidak presisi seperti, tinggi dan rendah, cepat dan lambat, berat dan ringan,
dan menggunakan istilah seperti sangat sering dan hampir tidak pernah, biasanya dan hampir
tidak pernah, sering dan jarang, dsb.
Kemampuan merepresentasikan beberapa pakar

Sistem pakar konvensional dibangun dalam domain masalah yang sempit
Kesimpulan
24
 Kecerdasan adalah kemampuan untuk belajar dan memahami,
menyelesaikan masalah dan membuat keputusan.
 Artificial intelligence (Kecerdasan buatan) adalah ilmu yang
mendefinisikan tujuannya dalam pembuatan mesin yang
melakukan sesuatu yang membutuhkan kecerdasan jika dilakukan
oleh manusia.
 Sebuah mesin disebut cerdas jika dia dapat mencapai kinerja pada
level manusia dalam beberapa pekerjaan kognitif. Untuk
membangun mesin cerdas, kita harus meng-capture,
mengorganisasikan dan menggunakan pengetahuan pakar manusia
dalam beberapa wlayah masalah.
 Realisasi bahwa domain masalah untuk mesin cerdas harus
dibatasi, ditandai oleh ‘pergeseran paradigma’ dalam AI dari
‘general-purpose’, sedikit pengetahuan, metode yang lemah menjadi
domain spesifik, metode pengetahuan yang intensif.
Kesimpulan
25
 Satu dari kesulitan utama dalam pembangunan mesin cerdas (knowledge
engineering), adalah ‘knowledge acquisition bottleneck’ – mengestrak
pengetahuan dari manusia pakar.
 Pakar berfikir dalam istilah yang tidak jelas seperti sangat sering dan
hampir tidak pernah, biasanya dan hampir tidak pernah, sering dan jarang,
dan menggunakan variabel linguistik, seperti tinggi dan rendah, cepat dan
lambat, berat dan ringan.
 Sistem pakar tidak dapat belajar dan meningkatkan dirinya melalui
pengalaman
 Artificial neural networks, diinspirasi oleh jaringan syaraf biologis, belajar
dari kasus sejarah:



Membuat kemungkinan untuk men-generate aturan secara otomatis
Menghindari kelambatan
Pemrosesan yang mahal saat akuisisi pengetahuan, validasi dan revisi.
 Integrasi sistem pakar dan ANN, logika fuzzy dan ANN meningkatkan
adaptabilitas, toleransi kegagalan dan kecepatan sistem berbasis
pengetahuan.
ANY QUESTION ?
26
SELANJUTNYA………
MATERI 2 - JARINGAN SYARAF TIRUAN