UTS Mata kuliah Artificial Intelligence (AI) / Kecerdasan Buatan (KB)

Ujian Tengah Semester Mata Kuliah Kecerdasan Buatan

Pertanyaan :

1. Jelaskan komponen-komponen sistem cerdas serta fungsi masing-masing dan ketekaitan antar komponen tersebut
2. Berikan penjelasan konsep Test Turing kaitannya dengan sistem cerdas.
3. Jelaskan pengertian dan jenis-jenis Metode Pencarian  dalam system cerdas.
4. Sebutkan 3 bidang kajian dalam system cerdas, dan knowledge apa yang diperlukan untuk masing-masing bidang tersebut
5. Jelaskan beberapa penyajian knowledge yang anda ketahui, serta beberapa contohnya

Jawaban :

1.  Articial Intelegence (AI) merupakan salah satu cabang dari sistem cerdas, dimana otak dari suatu system dapat bekerja sebagaimana yang dilakukan oleh otak manusia. Pada sistem cerdas ini dibutuhkan 2 komponen utama supaya AI dapat berjalan sesuai tujuannya, yaitu :
a. Basis pengetahuan (knowledge base): berisi fakta-fakta, teori, pemikiran & hubungan antarsatu dengan lainnya.
b. Motor inferensi (inference engine): kemampuan menarik kesimpulan berdasarkan pengetahuan.

http://ulfarieanti-fst10.web.unair.ac.id/artikel_detail-76736-Sistem%20Cerdas-Pengenalan%20Aitificial%20Intelegence%20(AI).html

2. Uji Turing adalah ujian yang menentukan apakah suatu mesin mampu menunjukkan perilaku cerdas yang mirip dengan atau tak dapat dibedakan dari manusia. Dalam ujian ini, seorang penentu melakukan perbincangan dengan manusia dan mesin yang tak dapat dibedakan dari manusia biasa. Semua peserta dipisah satu sama lain. Jika sang penentu tak mampu membedakan mesin dari manusia, mesin itu dikatakan telah lulus ujian ini. Tes ini tidak memeriksa kemampuan menjawab dengan benar, tetapi seberapa mirip jawaban mesin dengan manusia. Perbincangan dibatasi melalui teks seperti papan ketik dan layar, sehingga hasilnya tidak diganggu oleh kemampuan mesin untuk mengubah kata-kata menjadi suara.
Atau prosesnya seperti langkah berikut. 
* Proses uji ini melibatkan penanya (manusia) dan dua objek yang ditanyai. Objek yang satu adalah seorang manusia dan satunya adalah sebuah mesin yang akan diuji.
* Penanya tidak bisa melihat langsung kepada objek yang ditanya.
* Penanya diminta untuk membedakan mana jawaban komputer dan mana jawaban manusia berdasarkan jawaban kedua objek tersebut.
* Jika penanya tidak dapat membedakan mana jawaban mesin dan mana jawaban manusia maka Turing berpendapat bahwa mesin yang diuji tersebut dapat diasumsikan “cerdas”.

Ujian ini diperkenalkan oleh Alan Turing dalam tulisannya "Computing Machinery 
https://id.wikipedia.org/wiki/Uji_Turingand Intelligence" pada tahun 1950. Semenjak itu, tes ini sangat berpengaruh dan juga banyak dikritik (seperti argumen ruangan Cina), dan merupakan konsep penting dalam filsafat kecerdasan buatan.

 Berikut gambar sebagai penjelasannya

https://id.wikipedia.org/wiki/Uji_Turing
https://kidodi.wordpress.com/2012/02/19/pengertian-sistem-cerdas/

3. Metode searching dalam Artificial Intelligence adalah salah satu motode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi.
Teknik searching sendiri terbagi menjadi dua, yaitu:
a. Blind searching
b. Heuristic searching  

a. Blind Searching
 Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki informasi awal, model pencarian ini memiliki tiga ciri – ciri utama yaitu:
- Membangkitkan simpul berdasarkan urutan
- Kalau ada solusi maka solusi akan ditemukan
- Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).
Blind Searching sendiri dibagi menjadi tiga macam yaitu :

a.1.BFS (Breadth First Search)
 Breadth First Search yaitu model pencarian yang memakai metode melebar. Untuk mencari hasilnya, model BFS ini menggunakan teknik pencarian persoalannya dengan cara membuka node (titik) pada tiap levelnya. 

b.2.DFS (Depth-first Search)
 DFS (Depth-first Search) sering disebut juga pencarian mendalam. Sesuai dengan namanya “pencarian mendalam”, DFS tidak mencari solusi per level, namun mencari pada kedalaman sebelah kiri terlebih dahulu, kemudian bila belum ditemukan “goal”nya dilanjutkan ke sisi sebelah kanan dan seterusnya sampai ditemukan target/goal.
 
DFS memiliki beberapa keuntungan,yaitu memori yang di gunakan tidak terlalu banyak karena tidak membuka semua node.
c.3.UCS (Uniform Cost Search)
UCS (Uniform Cost Search) adalah perpaduan antara BFS dan DFS. Pada UCS, teknik pencariannya memperhatikan cost/jarak antara 1 node ke node lain.
Berikut ini adalah ilustrasinya :
 
Jika telah ditentukan jarak antara node. Maka pada model UCS, teknik yang akan dilakukan adalah membuka node yang memiliki nilai/cost antar node yang terendah.
misal kita buka :
e = 40
d = 5
c = 10
b = 20
a = 10
Karena nilai c dan a sama maka teserah mau membuka yang mana lebih dahulu.
Seandainya kita membuka c maka kita teruskan pencariannya, lalu kita buka :
d = 10+5 =15
e = 10+40 = 50 (mencapai goal, namun nilai cost nya dirasa masih terlalu besar)
Maka kita buka node d, lalu akan diperoleh hasil :
e = 10+5+30 = 45 (nilai pada pencarian ini pun terasa masih terlalu besar) maka dari itu kita buka node yang kecil di awal tadi yaitu node a.
Setelah kita buka node a, maka akan di dapat hasil :
e = 10 + 20 = 30 (di dapatkan goal dengan solusi terbaik)
Dari kasus diatas, dapat kita lihat bahwa ada banyak cara untuk mendapatkan solusi. Namun dari berbagai macam penyelesaian kasus, kita dapat mencari solusi yang paling optimal dan inilah ke unggulan dari model UCS.
b. Heuristic Searching
Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).
Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu.
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).
 Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik).
Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.
Jenis-jenis Heuristic Searching :
•    Generate and Test
•    Hill Climbing
•    Best First Search
•    Alpha Beta Prunning
•    Means-End-Anlysis
•    Constraint Satisfaction
Yang akan dibahas adalah metode Generate and Test, Hill Climbing dan Best First Search. Karena ketiga metode tersebut adalah metode Heuristic Searching yang paling sering digunakan dan paling optimal hasilnya.
b.1.Generate and Test
Strategi bangkitkan dan uji (generate and test) merupakan pendekatan yang paling sederhana dari semua pendekatan yang akan dibicarakan.
Pendekatan ini meliputi langkah–langkah sebagai berikut :
1. Buatlah/bangkitkan sebuah solusi yang memungkinkan. Untuk sebuah problema hal ini dapat berarti pembuatan sebuah titik khusus dalam ruang problema.
2. Lakukan pengujian untuk melihat apakah solusi yang dibuat benar–benar merupakan sebuah solusi, dengan cara membandingkan titik khusus tersebut dengan goal-nya (solusi).
3. Jika telah diperoleh sebuah solusi, langkah – langkah tersebut dapat dihentikan. Jika belum, kembalilah ke langkah pertama.
Jika pembangkitan atau pembuatan solusi-solusi yang dimungkinkan dapat dilakukan secara sistematis, maka prosedur ini akan dapat segera menemukan solusinya (bila ada).  Namun, jika ruang problema sangat besar, maka proses ini akan membutuhkan waktu yang lama.
Metode generate and test ini memang kurang efisien untuk masalah yang besar atau kompleks.
b.2.Hill Climbing
Hill Climbing (mendaki bukit) merupakan salah satu variasi metode buat dan uji (generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan untuk memutuskan arah gerak dalam ruang pencarian (search).
Dalam prosedur buat dan uji yang murni, respon fungsi uji hanyalah ya atau tidak. Dalam prosedur Hill Climbing, fungsi uji dikombinasikan dengan fungsi heuristik yang menyediakan pengukuran kedekatan suatu keadaan yang diberikan dengan tujuan (goal).
Prosedur Hill Climbing :
1. Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya.
2. Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru.
3. Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini :
a). Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi, berhentilah.
b). Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.
c). Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.
d). Kembalilah ke langkah b).
Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :
- Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.
- Daratan  (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.
- Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.
Solusinya:
- Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak ke arah yang lain.
- Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.
- Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa arah sekaligus.
b.3.Best First Search
Pencarian terbaik pertama (Best First Search) merupakan suatu cara yang menggabungkan keuntungan atau kelebihan dari pencarian Breadth-First Search dan Depth-First Search.
Pada setiap langkah proses pencarian terbaik pertama, kita memilih node-node dengan menerapkan fungsi heuristik yang memadai pada setiap node/simpul yang kita pilih dengan menggunakan aturan-aturan tertentu untuk menghasilkan penggantinya.
Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan :
f’ = g + h’

dimana f’ = prakiraan cost dari initial ke goal
g = cost dari initial state ke current state
h’ = prakiraan cost dari current state ke goal state
Terdapat dua jenis algoritma Best First Search, yaitu:
- Greddy Best yang hanya memperhitungkan biaya perkiraan saja.
- A* yang memperhitungkan gabungan dua biaya, biaya sebenarnya dan biaya perkiraan.

1. Greddy Best
Greedy Best First Search hanya memperhitungkan biaya perkiraan (estimated cost) saja, yakni:
f(n) = h(n)
dimana h(n)= perkiraan biaya dari simpul n ke goal.
Biaya yang sebenarnya (actual cost) tidak diperhitungkan. Dengan hanya memperhitungkan biaya perkiraan yang belum tentu kebenarannya maka algoritma ini menjadi tidak optimal.
Algoritma greddy best ini membentuk solusi langkah per langkah (step by step). Pada setiap langkah, terdapat banyak pilihan yang perlu dieksplorasi. Oleh karena itu, pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan.
2. A*
Algoritma ini merupakan algoritma Best First Search yang menggabungkan Uniform Cost Search danGreddy Best First Search.
Algoritma ini memperhitungkan biaya dari biaya sebenarnya ditambah dengan biaya perkiraan.
Dalam notasi matematika dituliskan sebagai:
f(n) = g(n) + h(n)
•    g(n) = biaya sebenarnya untuk mencapai simpul n
•    h(n) = perkiraan biaya dari simpul n ke goal.
•    f(n) = perkiraan total biaya jalur yang melalui simpul n ke goal.
Dengan perhitungan biaya seperti ini, algoritma A* adalah complete dan optimal.

Berikut Perbandingan Blind Searching dan Heuristic Searching

http://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.html

4. 3 bidang kajian dalam system cerdas adalah sebagai berikut:
a. Sistem Pakar 
Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.

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. 

Modul Penyusun Sistem Pakar
Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), yaitu :
• 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 
• 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
• Modul Penjelasan (Explanation Mode) 
Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh). 
Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi: 
• 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. Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb. 
• 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 proses penalaran. Terdapat tiga teknik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut. 
• Basis Data (Database) 
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. 
• Antarmuka Pemakai (User Interface) 
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem.

b.Algoritma genetika 
Algoritma Genetika adalah suatu algoritma pencarian yang meniru mekanisme dari genetika alam. Algoritma Genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan. Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat untuk masalah optimal dari satu variabel atau multi variabel. Sebelum Algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Operasi yang dilakukan adalah reproduksi, crossover, dan mutasi untuk mendapatkan sebuah solusi menurut nilai fitnessnya. 
Selanjutnya konstruksi dasar dari Algoritma Genetika adalah sebagai berikut:
• Pendefinisian Chromosome 
• Pendefinisian Fungsi Fitness 
• Membangkitkan Sebuah Populasi Awal 
• Reproduksi 
• Crossover 
• Mutasi 

Contoh: Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy.

c.Logika Fuzzy
Logika Fuzzy ( logika samar ) merupakan logika yang berhadapan langsung dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam binary 0 atau 1. logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Karena alasan diatas maka pada penelitian ini akan dibuat perancangan perangkat lunak dan perangkat keras robot avoider dengan mengunakan aplikasi Fuzzy Logic sebagai kendali system.
Perlu diketahui bahwa Teori Himpunan Samar dan Logika Samar sangat berkembang pesat pada saat ini. Banyak sekali masalah-masalah nyata yang lebih tepat diselesaikan menggunakan Teori Himpunan Samar dan Logika Samar. Banyak sekali muncul teori-teori baru pada saat ini misalnya: Topologi Fuzzy, Analisa Fuzzy, Aljabar Fuzzy (Fuzzy Semi Group, Fuzzy Ring, Fuzzy Group, dan sebagainya).
Logika fuzzy telah lama dikenal dan digunakan dalam berbagai bidang oleh para ahli dan insinyur. Penggunaan logika fuzzy pada awalnya digunakan untuk beberapa bidang, seperti sistem diagnosa penyakit (dalam bidang kedokteran); pemodelan sistem pemasaran, riset operasi (dalam bidang ekonomi); kendali kualitas air, prediksi adanya gempa bumi, klasifikasi dan pencocokan pola (dalam bidang teknik). Penggunaan logika fuzzy dalam bidang sistem daya (power system) juga sudah dilakukan, antara lain dalam analisis kemungkinan, prediksi dan pengaturan beban, identifikasi gangguan pada generator dan penjadwalan pemeliharaan generator.

d. Jaringan Syaraf  Tiruan
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.

Sejarah JST
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Definisi 
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:
“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:
“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan syaraf buatan sebagai berikut :
Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.

e. Robotika
Robotika adalah salah satu wacana teknologi untuk menuju peradaban yang lebih maju. Kebanyakan orang selalu beranggapan bahwa robot adalah kemajuan teknologi yang mampu menggeser tingkah laku seseorang untuk melakukan suatu tindakan. Dengan kemajuan yang pesat, maka kebutuhan akan SDM akan merosot tajam. Layaknya revolusi pada bangsa Eropa.

Sangat disayangkan sekali bila titik ikon kemajuan teknologi tersebut tidak seiring dengan cepat nya pemahaman masyarakat pada umumnya yang selalu meng-analogikan robot adalah biang kerok hilangnya tenaga buruh untuk memacu pertumbuhan perekonomian.

Hal ini layaknya dua sisi perbedaan yang tidak akan bisa menyatu sama lain. Tapi bisa dicermati kembali, bila seorang pelukis ternama akan tergusur karena kemampuan sebuah robot pelukis yang bisa membuat lukisan yang sama. Sebuah robot yang mampu untuk memahat patung yang hampir mirip pula. Seluruh ilustrasi tersebut memang sepintas robot bisa menguasai semua, tapi sangat disayangkan hasil kerja robot adalah tak lebih dari sebuah alat cetak dan seonggok besi aluminium dan komponen elektronika yang dirakit pada papan PCB. Sebuah lukisan dari Afandi tentunya akan bernilai ratusan juta beda ukuran dengan lukisan robot yang paling-paing laku di jual 10 ribuan di pinggir jalan.

Robot Bukanlah Pemegang Kekuasaan
Istilah robot yang dahulu kala berjulukan Robota, tak lain adalah kata lain dari seorang buruh. Lain halnya dengan seorang manusia yang diciptakan se-sempurna mungkin oleh sang Pencipta. Sampai kapanpun robot adalah pembantu manusia. Bila sang teknokrat menciptakan robot untuk menjadi penguasa dunia, semoga saja dia tidak berumur panjang. Namun robot adalah sarana untuk membangun peradaban yang lebih maju dan memberikan kemudahan bagi manusia sebagai penciptanya. Dengan hasil demikian maka seluruh kajian tentang robotika menjadi lebih memasyarakat diseluruh elemen masyarakat. Dan bukan menjadi momok yang harus ditakuti.

Robotika sebagai Ikon dan Kajian Ke-ilmuan
Robot adalah simbol dari kamajuan dari sebuah teknologi, karena didalam nya mencakup seluruh elemen keilmuan. Elektronika, Mekanika, Mekatronika, Kinematika, Dimamika, dan lain sebagainya. Hal ini menjadi suatu alasan yang sangat tepat untuk mengasah ilmu didalamnya. Ikon pendidikan akan menjadi semakin termasyur bila selalu mengutamakan teknologi didalam nya. Sebuah ikon ini sangat penting untuk membangun semangat kemajuan, karena hal ini akan menjadi sebuah patokan awal dari sebuah perjuangan untuk selalu dilanjutkan kepada generasi penerus.

http://ai-b-r3di.blogspot.co.id/2011/02/bidang-bidang-kecerdasan-buatan.html

5. Knowledge yang saya ketahui :
-Knowledge aqcuisition bottleneck yang diciptakan oleh Feigenbaum menggunakan aturan kimia dan pengetahuan heuristik yang bekerja pada level pemikiran manusia yang kemudian dikenal dengan nama sistem pakar
-Knowledge engineering yang meliputi teknik-teknik mengenai ilmu teknik dan serba serbi dalam teknik.
-Knowledge chemical untuk pengetahuan di bidang obat/kimia yang dapat digunakan untuk simulasi pencampuran jenis kimia atau pembuatan obat.


 Redi Cahyadi
 11150032
 Dosen Pengampu : Djadja Sardjana

    http://aistmik-dci.blogspot.co.id