Konsep Artificial Intelligence (Kecerdasan Buatan)

AI (Artificial Intelligence) atau Kecerdasan Buatan merupakan salah satu cabang ilmu computer yang mempelajari bagaimana cara membuat sebuah mesin cerdas, yaitu mesin yang mempunyai kemampuan untuk belajar dan beradaptasi terhadap sesuatu. Tujuan dari riset-riset AI adalah bagaimana membuat sebuah mesin bisa berfikir sama halnya dengan manusia yang bisa berfikir. AI digunakan untuk menjawab problem yang tidak dapat diprediksi dan tidak bersifat algoritmik atau prosedural. Sampai saat ini, para peneliti di bidang AI masih banyak menyimpan pekerjaan rumah mereka disebabkan kompleksitas penelitian di bidang AI serta faktor dukungan teknologi untuk  merealisasikannya. Karena area cakupan yang luas, AI dibagi lagi menjadi subsub bagian di mana sub-sub bagian tersebut dapat berdiri sendiri dan juga dapat saling melengkapi satu dengan lainnya.

Can Machines Think?

Pertanyaan dasar yang ditanyakan dalam bidang AI adalah “Can Machines Think?”. Untuk menjawab pertanyaan tersebut, Alan M.Turing (1912 – 1954) pakar matematika dari Inggris membuat sebuah permainan yang dikenal dengan “Imitation Game” atau “Turing Test”. 

Tujuan dari permainan tersebut adalah untuk menentukan apakah sebuah komputer bisa berfikir atau tidak. Permainan tersebut terdiri dari 3 anggota dengan 2 tahap permainan. Anggota-anggota dari tahap pertama adalah interrogator yang bertindak sebagai penanya bisa wanita atau pria, pihak 1 seorang wanita dan pihak 2 seorang pria. Aturan permainannya sebagai berikut, si penanya akan bertanya kepada pihak 1 dan si wanita harus meyakinkan bahwa dirinya adalah wanita, setelah itu penanya akan bertanya pihak 2 dan si pria harus bisa membodohi si penanya. Proses kontak harus dilakukan di tempat yang terpisah dan tidak saling mengetahui antara si penanya dengan pihak 1 dan pihak 2. Pada tahap kedua, pihak 2 diganti dengan komputer, si penanya tidak boleh mengetahui pergantian tersebut. Permainan berlanjut, pada saat si penanya bertanya dengan pihak 2, komputer harus bisa membodohi si penanya sama dengan yang dilakukan oleh si pria tadi. Apabila si penanya tidak bisa membedakan antara komputer dengan pria sebelumnya maka komputer tersebut dianggap sebagai mesin cerdas atau mesin pintar.

Turing test merupakan permainan klasik para peneliti AI pada era 50’ an. Pertanyaannya adalah apakah permainan tersebut masih berlaku untuk saat ini? Mengingat persoalan AI sekarang ini sangat kompleks tidak se-sederhana seperti permainan di atas. Dengan optimis Alan Turing mengatakan bahwa permainan tersebut dapat berlaku untuk zaman yang akan datang. Mungkin karena permainan tersebut berbentuk prototype yang dapat disesuaikan dengan teknologi yang ada pada suatu zaman sehingga Turing bisa  optimis. Berikut ini pernyataan optimis Turing :

“I believe that in about fifty years’ time it will be posibble to program computers, with storage capacity of about 109 to make them play the imitation game so well that an average interrogator will not have more than 70 percent chance of making the right identification after five minutes of questioning.”

Konsep Multi Agent System

Setelah beberapa waktu yang lalu saya mendapatkan ebook bagus tentang Multi Agent System, saya coba mendalami konsep tersebut. beberapa artikel pun coba saya cari alhasil saya mendapatkan artikel bagus tentang software agent yang saya dapat dari ilmukomputer.com karangan romi satria wahono (yang kebetulan beliau juga dosen S2 saya..). artikel tersebut membuat saya lebih penasaran dengan cabang ilmu DAI yang merupakan bagian dari ilmu Artificial Intelligence. dan hasil analisa dan rangkuman saya saya tulis dalam bentuk artikel dibawah ini..

Pertama saya mulai dari sejarah komputer. Sejarah komputer hingga saat ini telah ditandai oleh lima hal penting antaralain : ubiquity, interconnection, intelligence, delegation, and humand orientation. Dengan ubiquity maka akan terjadi penurunan terus-menerus dalam biaya komputasi, hal ini dimungkinkan dengan kemampuan pemroses yang semakin meningkat serta pemroses yang memungkinkan untuk bekerja pada perangkat-perangkat yang untuk ukuran saat ini bisa dikatakan tidak ekonomis. Sementara pada generasi awal pertumbuhan komputer, sistem tsb terisolasi dan hanya berkomunikasi sebatas dengan operator manusia, sistem komputer saat ini biasanya saling berhubungan satu sama lain ke dalam jaringan sistem distribusi yang besar. Internet misalnya, hal ini menjadi semakin langka untuk menemukan komputer yang digunakan secara komersial maupun akademis yang tidak memiliki kemampuan untuk mengakses Internet. 

Trend selanjutnya adalah kecenderungan sistem yang semakin cerdas, dengan ini berarti bahwa kompleksitas tugas yang mampu kita otomatisasikan dan delegasikan ke komputer juga semakin berkembang. Dengan kemampuan komputer untuk mengotomatisasikan tugas manusia kecenderungan selanjutnya adalah semakin meningkatnya delegasi. Sebagai contoh delegasi  untuk sistem komputer untuk piloting pesawat, dalam hal ini memang penilaian dari sebuah program komputer dipercaya bahkan oleh pilot yang berpengalaman.delegasi mengartikan bahwa kita memberikan kendali ke sistem komputer tsb. Trend yang terakhir adalah mulainya perubahan paradigma dari pemrograman berorientasi mesin terhadap konsep dan metafora yang lebih dekat mencerminkan cara pandang kita sendiri dalam memahami dunia. Trend ini terlihat di setiap cara manusia memandang komputer.

           

Konsep Software Agent

Konsep agent sebenarnya sudah lama dikenal dalam bidan AI, menurut Nwana [Nwana, 1996] dalam Romi SW[2] konsep agent ini diperkenalkan oleh seorang peneliti bernama Carl Hewit dengan Concurrent Actor Modelnya pada 1977. dalam modelnya tersebut hewit mengemukakan teori tentang suatu objek yang dia sebut sebagai Actor. Actor tersebut menurut hewit dapat mempunyai karakteristik menguasai dirinya sendiri, interaktif dan dapat merespon pesan yang datang dari objek lain yang sejenis. Dari penelitian yang berhubungan dengan hal tersebut kemudian lahirlah cabang ilmu besar yang merupakan turunan dari AI yaitu Distributed Artificial Intelligence (DAI), yang diantaranya membawahi Multi Agent System (MAS).

Wavelet Transform

Wavelet Transform adalah metode tranformasi yang mengadopsi metode Fourier Transform dan Short Time Fourier Transform (STFT). Seperti halnya STFT, Wavelet Transform mentransformasi signal dalam domain waktu menjadi signal dalam domain waktu dan frekuensi (yang dalam hal ini dibentuk menjadi domain translation and scale). Translation adalah sebuah bentuk transformasi dari domain waktu. Translation terkait dengan lokasi dari window function, di mana window dipindah-pindahkan sepanjang signal yang masuk. Scale adalah bentuk transformasi dari frekuensi, dimana nilai scale berbanding terbalik dengan nilai frekuensi.
Memperbaiki kelemahan yang terdapat dalam metode STFT, Wavelet Transform melakukan:

• Transformasi Fourier dengan memanfaatkan window function tidak digunakan lagi. Sehingga puncak tunggal (single peak) atau frekuensi yang bernilai negatif tidak dihitung lagi.
• Lebar window dirubah seiring dengan perhitungan transformasi untuk setiap signal yang ada (Ini merupakan karakteristik yang paling signifikan dari Wavelet Transform).

Rumus yang digunakan untuk Wavelet Transform adalah:
CWT_x^psi (tao, s) = PSI_x^psi (tao, s) = 1/SQRT(|s|) INTEGRAL (-infty to infty) x(t) * psi*((t-tao)/s) dt
dimana
tao : nilai dalam domain translation
s : nilai dalam domain scale
x : signal input
Perlu diperhatikan di sini bahwa x adalah signal dengan domain waktu dan PSI_x^psi adalah signal dengan domain translation (bentuk turunan dari waktu) dan domain scale (bentuk turunan dari frekuensi). Term 1/SQRT(|s|) adalah sebuah konstanta untuk tujuan normalisasi energi, sehingga setiap signal yang ditransformasi akan mempunyai energi yang sama untuk setiap skala. psi(t) merupakan fungsi transformasi yang disebut dengan mother wavelet. Disebut demikian, karena fungsi ini menaungi semua bentuk window yang digunakan dalam proses transformasi menggunakan Wavelet Transform. Dua mother wavelet yang bisa digunakan adalah Morlet Wavelet dan Mexican Hat Function.
Morlet Wavelet didefinisikan sebagai berikut:
w(t) = exp(i*a*t)*exp(-(t^2)/(2*sigma))
dimana:
a : parameter modulasi (pengatur)
sigma : parameter scaling
Mexican Hat Function merupakan turunan kedua dari Gaussian function
w(t) = 1/(SQRT(2*PI)*sigma^2) * exp (-(t^2)/(2*sigma^2))
yaitu
psi(t) = 1/(SQRT(2*PI)*sigma^3) * exp (-(t^2)/(2*sigma^2)) * ((t^2)/(sigma^2) – 1)
Cara penghitungan wavelet adalah dengan sistem satu dalam satu waktu, dimana untuk nilai s yang pertama adalah 1 dan nilai tau berubah dari nilai 0 sampai akhir signal. Selanjutnya nilai s ditambahkan dengan step size yang kecil dan dilanjutkan untuk tao dengan nilai yang sama dengan di atas. Demikian berlanjut sampai batas tertinggi nilai s tercapai.