IMK_1

Pertemuan 1

A. Pengertian

    Interaksi manusia dan komputer adalah disiplin ilmu yang mempelajari hubungan antara manusia dan komputer yang meliputi perancangan, evaluasi, dan implementasi antarmuka pengguna komputer agar mudah digunakan oleh manusia. Sedangkan interaksi manusia dan komputer sendiri adalah serangkaian proses, dialog dan kegiatan yang dilakukan oleh manusia untuk berinteraksi dengan komputer secara interaktif untuk melaksanakan dan menyelesaikan tugas yang diinginkan.
    IMK atau interaksi manusia dan komputer adalah suatu ilmu yang sangat berkaitan dengan disain implementasi dan evaluasi dari sistem komputasi iyang interaktif untuk digunakan oleh manusia dan studi tentang ruang lingkupnya,ada interaksi antara satu atau lebih manusia dan satu atau lebih komputasi mesin.


B. Interaksi
    Model interaksi membantu kita untuk memahami apa yang terjadi pada interaksi antar user dan sistem. Model mengakomodasi apa yang diinginkan user dan yang dilakukan sistem. Ergonomi mencakup karakter fisik interaksi dan bagaimana hal tersebut mempengaruhi efektifitas. Dialog antar user dan sistem dipengaruhi oleh gaya interaksi. Interaksi terjadi pada konteks sosial dan organisasi mempengaruhi user dan sistem.
Manusia dan komputer berinteraksi lewat masukan & keluaran melalui antarmuka,
a. Fokus : perancangan dan evaluasi antarmuka pemakai (user interface).
b. Antarmuka pemakai : adalah bagian sistem komputer yang memungkinkan manusia
berinteraksi dengan komputer.
c. Antarmuka Manusia dan Komputer, harus user friendly (antarmuka yang bagus, mudah dioperasikan, mudah dipelajari, pengguna merasa senang), untuk yang berkualitas tinggi yang dikagumi oleh orang –orang beredar luas dan sering ditiru.


C. Tujuan
Tujuan utama IMK adalah :

  1. untuk Membuat sistem yang lebih: Berguna (usable), Aman, Produktif,Efektif, Efisien, Fungsional.

  2. Meningkatkan interaksi antara manusia dgn sistem komputer.

Read more »

Kecerdasan Buatan_6&7

Pertemuan 6 & 7

Logika Fuzzy

    Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Fuzzy secara bahasa dapat diartikan samar, dengan kata lain logika fuzzy adalah logika yang samar. Saat logika klasikmenyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.
    Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat".

Kelebihan Logika Fuzzy :
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika Fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika Fuzzy mampu memodelkan fungsi-fungsi non linearyang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika Fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

Kekurangan Logika Fuzzy :
Selain kelebihan yang telah dijelaskan di atas, ternyata Fuzzy Logic juga memiliki kekurangan. Dalam mendesain fuzzy logic, sering ditemukan kesulitan dalam menentukan preferensi atau parameter agar output yang dihasilkan akurat, yaitu :
1. Model Mamdani atau Sugeno atau model lain?
Penentuan model inference harus tepat, Mamdani biasanya cocok untuk masalah intuitive sedangkan sugeno untuk permasalahan yang menangani control
2. Jumlah Nilai Linguistik untuk setiap variabel?
Kita harus merubah nilai crisp menjadi nilai linguisik. Jumlah dari nilai linguistik yang digunakan harus sesuai dengan permasalahan yang akan kita selesaikan.
3. Batas-batas Nilai Linguistik?
Batas-batas nilai linguistik akan sangat berpengaruh pada akurasi fuzzy logic.
4. Fungsi Keanggotaan: Segitiga, trapesium, phi, …?
5. Fuzzy rule yang tepat?

Untuk contoh dari logika fuzzy dan cara penyelesaiannya, silahkan klik link Logika Fuzzy ini.

Read more »

Kecerdasan Buatan_5

Pertemuan 5

Backward Chaining

   Di pertemuan sebelumnya kita sudah membahas masalah forward chaining atau runut maju, sekarang kita bahas mengenai Backward Chaining atau runut balik.

   Runut balik disebut juga goal-driven.Pilih konklusi dan coba buktikan kebenarannya dengan menganalisa evidence / premis yang mendukung konklusi tersebut berdasarkan fakta yang diberikan. Dengan Kata lain, Pencocokkan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut dicari fakta-fakta yang ada dalam basis pengetahuan.

Premise Digunakan sebagai bukti untuk mendukung suatu kesimpulan, disebut juga antecedent.
Kesimpulan/Conclusion Disebut juga consequent.

Algoritma Backward Chaining
1.Catat GOAL pada TOS (top of stack)
2.Catat semua rule yang memenuhi GOAL
3.Untuk setiap rule :
  a.Jika semua premis terpenuhi, maka eksekusi rule untuk mendapat konklusi, proses selesai
  b.Jika sebuah premis tidak terpenuhi, cari rule yang menurunkan nilai dari parameter premis tsb. Maka Jika ada, maka asumsi parameter tsb adalah SUBGOAL, letakkan pada TOS.
  c.Jika tidak ada, maka tanyakan kepada user apa nilai dari parameter tsb. Jika nilai ini sesuai premis, lanjutkan pada premis berikutnya. Jika premis tidak sesuai lanjutkan ke rule berikutnya.
4.Jika semua rule sudah dianalisa dan semuanya gagal, maka GOAL tidak ada. Hapus GOAL dari stack dan kembali ke langkah 2. Jika stack kosong, proses selesai .

Untuk contohnya silahkan klik link Backward chaining ini.

Read more »

Kecerdasan Buatan_4

Pertemuan 4

Inferensi
Strategi Penalaran:
—a. Runut Maju / Forward Chaining
—b.— Runut Balik / Backward Chaining

1. Forward Chaining / runut maju

   Runut maju berarti menggunakan himpunan aturan kondisi-aksi.
Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan. —Mungkin proses menambahkan data ke memori kerja. —Proses diulang sampai ditemukan suatu hasil.

Proses Runut Maju :
1.  Tampilkan semua daftar premis
2. User memilih premis yang dialami
—3. Sistem mencari aturan yang premisnya terdiri dari premis-premis yang dipilih oleh user
4. —Sistem akan menampilkan konklusi dari aturan tersebut

Silahkan download modulnya dengan mengklik Forward Chaining , untuk penjelasan lebih lengkap.

Read more »

Kecerdasan Buatan_3

Pertemuan 3

Sistem Pakar (Expert System)
A.Pengertian

      Sistem Pakar(Expert System) adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan (konsultasi).
    Kepakaran (expertise) adalah pengetahuan yang ekstensif dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks.     Sebelum kita merencanakan suatu sistem pakar, kita harus membuat suatu aturan-aturan dasar (rule base) yang berlaku / akan digunakan pada program. Untuk sistem pakar yang sederhana, kita dapat menggunakan aturan-aturan logika yang ada pada bahasa pemrograman.
    Contoh aplikasi sistem pakar :
a. lmedical diagnostic
b. lelectronics circuit diagnostic
c. lmineral exploration
d. CAI (Computer Aided Instruction)

B. Production System

        Sistem yang menggunakan aturan-aturan untuk merepresentasikan pengetahuan dinamakan productions system.
   Production system, ada 3 bagian :
1. Rule base / knowledge base, berisi pola sisi kiri yang menentukan pemakaian aturan tertentu, dan sisi kanan yang menggambarkan tindakan yang harus dilakukan jika aturan tertentu tersebut digunakan.
2. Data base / global database / working memory, berisi informasi tentang pengetahuan khusus atau perluasannya.
3. Rule interpreter / inference system / inference engine, berisi metodologi yg digunakan utk melakukan penalaran terhadap informasi-informasi dlm rule base.

Mesin inferensi (inference engine) berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia.Mesin Inferensi dibagi atas 2 bagian :

a. Forward Chaining

Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
b. Backward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.

Untuk contoh sistem pakar dan penyelesaiannya, silahkan download modul pertemuan 3 ini.

Read more »

Kecerdasan Buatan_2

Pertemuan 2

Algoritma Pencarian
Masalah, Ruang Keadaan dan Pencarian

   Untuk membangun sebuah sistem yang digunakan untuk menyelesaikan suatu problem, dibutuhkan 3 hal sbb :
1.Mendefinisikan ruang masalah untuk masalah yang dihadapi : spesifikasi kondisi awal dan solusi yang diharapkan.
2.Mendefinisikan aturan produksi yang digunakan untuk mengubah state ke state lainnya
3.Memilih metode pencarian yang tepat sehingga menemukan solusi terbaik dengan usaha yang minimal

Ruang Masalah

   Masalah utama dalam membangun sistem berbasis AI adalah bagaimana mengkonversi situasi yang diberikan ke dalam situasi yang lain yang di inginkan menggunakan sekumpulan operasi tertentu.

Contoh Permasalahan

1.  Contoh klasik permasalahan dalam sistem pakar adalah masalah 2 ember air. 

a. "Diberikan 2 ember air yang berkapasitas 8 liter dan 6 liter.
b.  Kita dapat mengisi satu ember dari ember lainnya dan proses penakaran hanya dengan memakai 2 ember tersebut.
c. Bagaimana kita bisa mengisikan tepat 4 liter dalam ember 8 liter?
d. Asumsikan tidak boleh ada air yang hilang dalam proses penakaran".

2.  Contoh selanjutnya adalah bagaimana menyebrangkan seekor kambing, seekor serigala dan sayur mayur dengan sebuah perahu melalui sungai dengan masalah sebagai berikut:

a. Seorang petani akan menyebrangkan seekor kambing, seekor serigala dan sayur mayur dengan sebuah perahu melalui sungai. 

b. Perahu hanya bisa memuat petani dan satu penumpang lain.
c. Jika Petani menyebrangkan serigala, sayur akan dimakan kambing
d. Jika Petani menyebrangkan sayur maka kambing akan dimakan serigala.

Cara mengerjakan contoh permasalahan diatas silahkan klik link Algoritma Pencarian ini.

Read more »

Kecerdasan Buatan_1

Pertemuan 1

A. PENGERTIAN KECERDASAN BUATAN (Artificial intelligence)

Menurut H. A. Simon [1987] :
“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”.

B. Tujuan AI

Beberapa tujuan daripada AI adalah:

   1. membuat mesin menjadi lebih pintar 

   2. Memahami apa itu Kecerdasan 

   3. Membuat mesin lebih bermanfaat

C. Arah AI

1. Mengembangkan metode dan sistem untuk menyelesaikan masalah AI tanpa mengikuti cara manusia menyelesaikannya (Sistem Pakar / Expert System)

2. Mengembangkan metode dan sistem untuk menyelesaikan masalah AI melalui pemodelan cara berpikir manusia, atau cara bekerjanya otak manusia (Neural Networks)

D. Kelebihan Kecerdasan Buatan

Beberapa kelebihan dari kecerdasan buatan adalah sebagai berikut:

1. Lebih bersifat permanen
2. Lebih mudah diduplikasi & disebarkan
3. Lebih murah
4. Bersifat konsisten dan teliti
5. Dapat didokumentasi
6. Dapat mengerjakan beberapa task lebih cepat dan lebih baik dibanding manusia.



Silahkan download file nya dengan meng-klik link Kecerdasan Buatan 1 ini .

Read more »