ARTIFICIAL INTELLIGENCE
Sedikit rangkuman dari pertemuan -2 tentang Teknik, Model & Kriteria Sukses Potensi Manusia dalam Pemprograman
Teknik Artificial Intelligence
Para pengembang AI berpegang kepada prinsip bahwa akan ada teknik penyelesaian untuk setiap permasalahan yang berbeda, dimana teknik itu akan didasari kapada kemampuan untuk memanipulasi symbol (create, modification, reproduction dan destruction).
Hal lain yang harus dipahami adalah bahwa kecerdasan memerlukan pengetahuan, dimana pengetahuan memiliki karakteristik antara lain :
• sangat luas
• sulit didefinisikan dengan tepat
• selalu berubah
• dapat memiliki arti berbeda tergantung kapan digunakan
Beberapa teknik AI dapat dikategorikan secara umum kedalam beberapa kelompok, diantaranya : 1. Search (Pencarian) menyediakan cara penyelesaian masalah untuk kasus dimana bila tidak ada lagi pendekatan langsung yang dapat digunakan maka pindahkan kerangka kerja kpd teknik langsung yang mungkin untuk dilekatkan.
2. Use of Knowledge (Penggunaan Pengetahuan) menyediakan cara penyelesaian masalah yang lebih kompleks dengan mengekploitasi struktur dari objek yang terkait dengan masalah tsb.
3. Abstraction menyediakan cara untuk memilah/memisahkan keterangan dan variasi yang penting dari sekian banyak yang tidak penting dimana akan mempercepat penyelesaian masalah.
Model dan Contoh Artificial Intelligence
Jaringan Saraf Tiruan
Aktifial Neural Networks (ANNs), atau koneksionis sistem, adalah sistem samar-samar terinspirasi oleh komputasi jaringan saraf biologis yang merupakan hewan otak . Sistem seperti itu "belajar" untuk melakukan tugas dengan mempertimbangkan contoh, umumnya tanpa diprogram dengan aturan khusus tugas.
Pohon Keputusan
Pembelajaran pohon keputusan menggunakan pohon keputusan sebagai model prediksi untuk beralih dari pengamatan tentang suatu item (diwakili di cabang) ke kesimpulan tentang nilai target item (diwakili di daun). Ini adalah salah satu pendekatan pemodelan prediktif yang digunakan dalam statistik, penggalian data, dan pembelajaran mesin. Model pohon di mana variabel target dapat mengambil sekumpulan nilai diskrit disebut pohon klasifikasi; dalam struktur pohon ini, daun mewakili label kelas dan cabang mewakili hubungan fitur yang mengarah ke label kelas tersebut. Pohon keputusan di mana variabel target dapat mengambil nilai kontinu (biasanya bilangan real) disebut pohon regresi. Dalam analisis keputusan, pohon keputusan dapat digunakan untuk merepresentasikan keputusan dan pengambilan keputusan secara visual dan eksplisit . Dalam data mining, pohon keputusan mendeskripsikan data, tetapi pohon klasifikasi yang dihasilkan dapat menjadi masukan untuk pengambilan keputusan.
Mesin pendukung-vektor
Mesin vektor dukungan (SVM), juga dikenal sebagai jaringan vektor dukungan, adalah sekumpulan metode pembelajaran yan diawasi terkait yang digunakan untuk klasifikasi dan regresi. Dengan adanya sekumpulan contoh pelatihan, masing-masing ditandai sebagai milik salah satu dari dua kategori, algoritme pelatihan SVM membuat model yang memprediksi apakah contoh baru termasuk dalam satu kategori atau yang lain. Algoritma pelatihan Sebuah SVM adalah non probalistik , biner , classifier linier, meskipun metode seperti Platt skala yang ada untuk digunakan SVM dalam pengaturan klasifikasi probabilistik. Selain melakukan klasifikasi linier, SVM dapat secara efisien melakukan klasifikasi non-linier menggunakan apa yang disebut trik kernel , secara implisit memetakan input mereka ke dalam ruang fitur berdimensi tinggi.
Regression Analysis
Regression Analysis mencakup berbagai macam metode statistik untuk memperkirakan hubungan antara variabel input dan fitur terkaitnya. Bentuknya yang paling umum adalah regresi linier , di mana satu garis digambar agar paling sesuai dengan data yang diberikan menurut kriteria matematika seperti kuadrat terkecil biasa . Yang terakhir ini sering diperluas dengan metode regularisasi (matematika) untuk mengurangi overfitting dan bias, seperti dalam regresi ridge . Saat menangani masalah non-linier, model masuk menyertakan regresi polinomial(misalnya, digunakan untuk penyesuaian garis tren di Microsoft Excel), regresi logistik (sering digunakan dalam klasifikasi statistik ) atau bahkan regresi kernel , yang memperkenalkan non-linearitas dengan memanfaatkan trik kernel untuk secara implisit memetakan variabel masukan ke ruang berdimensi lebih tinggi.
Jaringan Bayesian
Sebuah jaringan Bayesian, jaringan keyakinan, atau diarahkan model grafis asiklik adalah probabilistik model grafis yang mewakili satu set variabel acak dan mereka kemerdekaan bersyarat dengan rgafik asiklin diarahkan {Directed Acyclic Graph (DAG)}. Misalnya, jaringan Bayesian dapat mewakili hubungan probabilistik antara penyakit dan gejala. Dengan gejala yang diberikan, jaringan dapat digunakan untuk menghitung kemungkinan adanya berbagai penyakit. Ada algoritma yang efisien yang melakukan inferensi dan pembelajaran. Jaringan Bayes yang memodelkan urutan variabel, seperti siyal ucapan atau urutan protein, disebut jaringan bayesian dinamis. Generalisasi jaringan Bayesian yang dapat mewakili dan memecahkan masalah keputusan di bawah ketidakpastian disebut diagram pengaruh.
Algoritma genetik
Algoritma genetika (GA) adalah algoritma pencarian dan teknik heuristik yang meniru proses seleksi alam, menggunakan metode seperti mutasi dan persilangan untuk menghasilkan genotipe baru dengan harapan menemukan solusi yang baik untuk masalah tertentu. Dalam pembelajaran mesin, algoritma genetika digunakan pada 1980-an dan 1990-an. Sebaliknya, teknik pembelajaran mesin telah digunakan untuk meningkatkan kinerja algoritma genetik dan evolusi.
Tingkatan Model
Usaha untuk membuat program yang menyajikan cara manusia menyelesaikan masalah dapat dibagi kedalam dua kelas, yaitu :
Program kelas pertama mencoba menyelesaikan masalah dengan cara yang tidak persis benar dengan definisi kita tentang AI. Program yang termasuk kelas ini menggunakan algoritma dan mekanisme yang mudah dan sederhana untuk dilakukan oleh komputer tetapi biasanya sulit dan tidak menarik untuk dilakuakan oleh manusia.
Contoh program dalam kelas ini adalah Elementary Perceiver and Memorizer (EPAM) [Feigenbaum, 1963] yang dapat mengingat pasangan terkait dari suku kata, dimana bila dimasukkan satu suku kata komputer tinggal mencarinya dalam memori kata mana yang mengandung suku kata yang dimaksud, yang pertama kali ditemukan maka itulah jawabannya, bagi manusia tidak semudah itu karena manusia selalu berfikir tentang arti dari kata yang dimaksud sesuai dengan konteks, sehingga masalah spt ini tidak menarik bagi manusia dan jarang dilakukan, namun hal semacam ini sering dilakukan dalam psychotest untuk mengetahui kemampuan mengingat seseorang.
Program kelas kedua berupaya memodelkan kemampuan manusia dalam melakukan sesuatu, yang berarti program pada kelas ini lebih mendekati kepada definisi tentang AI, yang berarti menjadi tidak mudah bagi komputer.
Beberapa alasan dibuatnya model seperti ini al:
1. Untuk membuktikan teori psychology tentang kemampuan manusia. Contohnya adalah program PARRY yang ditulis Colby, 1975, yang mengekploitasi perilaku paranoid manusia berdasarkan percakapan yang dilakukan, sehingga dengan menganalisa hasil percakapan, seorang psycholog dapat menyimpulkan apakan sesorang termasuk paranoid atau tidak.
2. Untuk membuat komputer mengerti alasan manusia. Contohnya, membuat komputer dapat membaca/ mengerti berita di koran dan menjawab pertanyaan spt “mengapa buruh mogok kerja ?”, program semacam ini harus dapat mensimulasi proses pengambilan alasan yang dilakukan manusia.
3. Untuk membuat manusia mengerti alasan komputer. Dalam banyak keadaan manusia enggan percaya pada output komputer kecuali dapat dimengerti bagaimana mesin mendapatkan hasil spt itu. Jika proses pengambilan alasan yg digunakan komputer sesuai dgn cara manusia maka akan lebih mudah untuk mendapatkan penjelasan yang dapat diterima.
4. Untuk mengekploitasi pengetahuan apa yang dapat kita kumpulkan dari manusia.
Selama disepakati bahwa manusia mamiliki kemampuan terbaik dalam menyelesaikan masalah, hal ini membuat banyak keinginan untuk melihat manusia sebagai petunjuk untuk menemukan cara untuk menyelesaikan masalah atau memproses suatu pekerjaan. Hal ini juga akan memotivasi para pengembang AI untuk terus memproduksi mesin yang bertingkah laku cerdas dengan meniru manusia.
Kriteria Sukses
Tahun 1950, Alan Turing memperkenalkan metode untuk menentukan apakah sebuah mesin dapat berpikir, yang kemudian dikenal dengan sebutan Turing Test. Untuk melakukan test ini diperlukan 2 orang dan 1 mesin. Satu orang bertindak sebagai penanya yang berada pada tempat terpisah dengan orang kedua dan mesin. Penanya
dapat bertanya kepada orang kedua atau mesin dengan mengetikkan pertanyaannya dan menerima jawaban dalam bentuk ketikkan juga. Penanya tidak tahu yang mana orang yang mana mesin hanya si A dan si B, yang dilakukan oleh penanya dengan pertanyaan adalah menentukan mana yang orang, mana yang mesin. Tujuan dari test ini adalah mengelabui sipenanya sehingga menganggap mesin sebagai orang, caranya adalah membuat mesin tidak selalu menjawab benar dan menunda waktu menjawab.
Jika sang penanya akhirnya menyatakan mesin sebagai orang, maka dapat dikatakan mesin berhasil melewati test, dan dapat dinyakan bahwa mesin dapat berpikir.
Perlu waktu cukup lama dan perlu beberapa kali test dan perbaikan sampai akhirnya mesin ini dapat melewati test ini, namun hal yg menarik dari Turing Test ini adalah bahwa yang diperlukan oleh mesin untuk lulus test ini bukan jawaban yang benar atau tepat untuk tiap pertanyan sehingga mesin tidak harus menjadi lebih cepat dan lebih benar dalam menjawab setiap pertanyaan untuk dinyatakan sebagai orang (cerdas) atau dapat berpikir.
Potensi Manusia
1. Potensi kecerdasan
Kecerdasan Spiritual
Kecerdasan Logika - Matematika Kecerdasan Intrapersonal
Kecerdasan Musikal
Kecerdasan Natural
Kecerdasan Badan (Body) -Kinestetik
Kecerdasan Interpersonal
Kecerdasan Linguistik – Auditorial
Kecerdasan Spasial - Visual
2. Potensi Diri
Terdiri dari empat elemen, yakni
- Menerima diri
- Merumuskan cita-cita
- Berinteraksi dengan lingkungan
- Mencari dan menciptakan pengalaman baru
3. Membangun Potensi Diri
