Feeds:
Posts
Comments

Sistem Klasifikasi Dengan AG

Kuliah Jaringan saraf Tiruan

Classifier Systems Using GA

Ada beberapa metode pembelajaran antara lain (Winston,1992):

n    Pembelajaran dengan menganalisa perbedaan (learning by analyzing differences). Metode pembelajaran ini menggunakan heuristik-heuristik induksi seperti require-link dan drop-link untuk mempelajari deskripsi klas dari contoh-contoh positif dan negative. Perbedaan-perbedaan dianalisa berdasarkan urutan-urutan penampilan.

n    Pembelajaran dengan menjelaskan pengalaman (learning by explaining experience). Metode ini belajar dari pengalaman yang didapat dari latihan-latihan kerja (working exercises).

n    Pembelajaran dengan mengoreksi kesalahan. Metode ini menggunakan suatu prosedur perbaikan untuk menunjukkan kesalahan dan mengoreksi kesalahan yang terdapat dalam suatu model.

n    Pembelajaran dengan merekam kasus-kasus (learning by recording cases). Metode ini merekam kasus-kasus untuk penggunaan kemudian.

n    Pembelajaran dengan membangun pohon-pohon identifikasi (learning by building identification trees). Metode ini mempelajari deskripsi dari suatu konsep dengan membangun pohon keputusan.

n    Pembelajaran dengan melatih jaringan saraf tiruan. Metode ini mempelajari deskripsi suatu konsep dengan menghitung bobot dari suatu jaringan saraf tiruan.

n    Pembelajaran dengan evolusi simulasi. Metode ini mempelajari deskripsi suatu konsep dengan menggunakan simulasi evolusi genetika.

 

Pembelajaran konsep dengan membangun pohon-pohon identifikasi (learning by building identification trees) adalah metode pembelajaran yang menjadi tema pokok dalam buku ini. Metode yang digunakan dalam membangun pohon keputusan adalah dengan menggunakan Iteraitive Dichotomizer Three (ID3).

 

ID3 diperkenalkan pertama kali oleh Quinlan (1979). Kemampuan metode ini untuk menghasilkan aturan-aturan pengklasifikasi konsep secara automatis menarik perhatian beberapa peneliti untuk melakukan penelitian mengenai potensi aplikasi metode ini.   Namun sejauh ini aplikasi ID3 secara luas masih belum banyak dikenal baik dikalangan peneliti di luar negeri maupun di Indonesia. Hal ini disebabkan karena acuan-acuan mengenai ID3 sangat sulit ditemukan dan hanya terbatas pada jurnal-jurnal ilmiah tertentu. Tambahan lagi keterbatasan-keterbatasan metode ID3 yang asli yang dipekernalkan oleh Quinlan (1979), seperti keterbatasan dalam representasi ordered outcome, cukup menciutkan banyak peneliti untuk melakukan eksplorasi lebih lanjut dari metode ini pada bidang-bidang lain.

Seperti disebutkan di atas, suatu sistem yang berinteligensia harus selalu mampu meningkatkan pengetahuannya melalui proses belajar. Produk yang paling utama dalam setiap pembelajaran adalah pemahaman akan konsep yang terdapat dalam materi yang dipelajari. Suatu pembelajaran mesin dianggap sukses kalau mesin mampu menghasilkan deskripsi dari konsep yang dipelajari dengan benar. Sebagai contoh, deskripsi dari seekor kucing adalah seekor binatang berkaki empat dan mengeong, sedangkan deskripsi seekor anjing adalah binatang berkaki empat dan menggonggong. Deskripsi inii sudah tentu dapat diperinci tergantung  luasnya permasalahan yang dicakup.

 

Dalam hampir semua pembelajaran konsep, deskripsi mengenai suatu konsep pembelajaran dilakukan melalui contoh-contoh (learning by examples). Contoh-contoh dapat diberikan di bawah pengawasan, pembelajaran yang diawasi (supervised learning), atau tanpa pengawasan sama sekali, pembelajaran mandiri (unsupervised learning).

 

Dalam pembelajaran yang diawasi mesin, diberikan sekumpulan contoh positif maupun negatif mengenai suatu konsep yang ingin dipelajari. Hasil pembelajaran adalah pengetahuan mengenai deskripsi atau ciri-ciri dari konsep yang ada dalam contoh-contoh yang diberikan. Konsep ini biasanya disusun dalam bentuk aturan-aturan keputusan yang mampu membedakan antara contoh yang positif dan contoh yang negatif. Pembelajaran ini biasanya mempunyai dua kumpulan data yaitu kumpulan data untuk training (training data set) dan kumpulan data untuk testing yang masing-masing meliputi dua tahap belajar. Dalam tahap pertama mesin dilatih untuk membedakan antara contoh yang positif dari contoh yang negatif dalam kumpulan data contoh. Pelatihan ini dilakukan berulang-ulang sampai mesin mampu membedakan dengan benar semua contoh-contoh tersebut. Dalam tahap kedua mesin diminta untuk membedakan hal yang sama untuk data testing. Bila dalam tahap kedua ini mesin membuat suatu kesalahan dalam membedakan contoh yang positif dan negatif maka contoh penyebab kesalahan tersebut dimasukkan ke dalam data training dan proses tahap satu diulang kembali. Hal ini terjadi sampai mesin mampu membedakan seluruh contoh dalam kedua kumpulan data. Gbr 1.2 menunjukkan diagram alir proses pembelajaran mesin dengan pengawasan.

 

Dalam pembelajaran mandiri atau tanpa pengawasan, tidak ada contoh yang diberikan. Mesin harus mampu membentuk pengetahuan dari setiap informasi yang datang padanya secara tidak bersamaan. Tidak ada pemisahan antara pembelajaran dan testing, melainkan hanya ada proses testing. Bila contoh pertama tiba pada mesin, mesin akan mengevaluasi dan membentuk aturan-aturan untuk mengenal contoh tersebut. Contoh ini kemudian direkam dalam perbendaharaan mesin. Bila contoh kedua tiba, maka mula-mula sistem akan mencoba mengenal contoh itu   berdasarkan  aturan-aturan  yang  dibuat sebelumnya.

 

 

Gbr. 1.2 Diagram alir proses pembelajaran mesin dengan pengawasan.

 

Bila sistem mampu mengenal contoh ini, maka tidak ada persoalan, aturan yang lama tidak berubah dan contoh yang baru tidak  direkam ke dalam sistem. Tetapi bila sistem tak mampu membedakan contoh ini, maka maka sistem akan merevisi aturan yang ada agar dapat membedakan contoh yang lama dan yang baru. Contoh ini kemudian direkam ke dalam perbendaharaan sistem.  Proses ini berlangsung terus bagi setiap data yang masuk.

 

Kemampuan menginduksi suatu konsep dari contoh-contoh yang diberikan merupakan titik sentral dari pembelajaran mesin. Hampir semua pembelajaran mesin menganut pendekatan ini. Pembelajaran konsep sering disebut juga dengan nama klasifikasi karena metode ini menginduksi konsep yang mendeskripsi klas-klas dari contoh-contoh.

 

Dalam setiap pembelajaran konsep, deskripsi mengenai suatu konsep dihasilkan melalui induksi dari contoh-contoh yang diberikan. Deskripsi ini biasanya disusun dalam bentuk aturan-aturan keputusan (decision rules). Sistemnya kemudian disebut sistem induksi aturan (rule induction system).

 

Suatu aturan mempunyai bentuk sbb:

 

IF <kondisi> THEN <pernyataan mengenai klas dari suatu obyek>

 

di mana kondisi menyatakan keadaan logik tertentu yang harus dipenuhi untuk mengklasifikasi suatu obyek. Sebagai contoh,

 

    IF  Binatang itu mengeong THEN Binatang itu adalah Kucing.

    IF  Binatang itu menggonggong THEN Binatang itu adalah Anjing.

 

 

 

Pembelajaran Mesin

Salah satu kemampuan penting yang dibutuhkan oleh baik organisme hidup maupun organisme buatan agar disebut berintelegensia adalah kemampuan belajar dari hasil interaksinya dengan lingkungan. Salah satu ciri utama dalam kemapuan belajar itu adalah kemampuan menghasilkan (acquire) aturan-aturan pengklasifikasi konsep dari data yang tersedia dan atau dari interaksi dengan lingkungan.

 

Dalam intelegensia buatan, pembelajaran mesin merupakan salah satu area yang sangat aktif diteliti akhir-akhir ini. Disiplin ini berhubungan dengan pengembangan metode-metode, teknik-teknik serta peralatan-peralatan (tools) pembelajaran yang dapat mengakumulasi pengetahuan dan menghasilkannya dalam suatu bentuk yang dapat dimengerti oleh para pakar atau dapat digunakan dalam sistem cerdas.

 

Pembelajaran merupakan faktor penting dalam membangun suatu mesin berintelegensia sendiri. Suatu mesin tidak dapat dikatakan berintelegensia sendiri kalau mesin itu tidak mampu belajar mengerjakan hal-hal baru dan beradaptasi dengan situasi-situasi yang baru. Mesin-mesin yang hanya dapat mengerjakan pekerjaan yang itu-itu saja dari waktu ke waktu tidak bisa dikatakan berintelegensia sendiri. Mesin seperti itu adalah mesin yang diprogram (programmed machine) dan berkerja berdasarkan instruksi. Tanpa instruksi mesin itu tidak dapat mengambil keputusan sendiri. Meskipun mesin-mesin itu dapat diprogram berulang-ulang (programmable machines) namun pengetahuan mereka bersifat statis dan terbatas pada instruksi-instruksi yang dimasukkan. Untuk mesin-mesin seperti itu penalaran (reasoning) dilakukan oleh manusia sedangkan mesin hanya digunakan karena alasan kecepatan, kapasitas dan sifat monotonitas pemrosesannya. Suatu mesin yang berintelegensia sendiri harus mampu belajar meningkatkan pengetahuannya, dalam arti menemukan sendiri metode-metode mana yang tepat untuk digunakan menyelesaikan suatu persoalan.

 

Pembelajaran menurut Simon (1983) adalah perubahan dalam sistem yang secara adaptif memampukan sistem tersebut mengerjakan tugas-tugas yang sama atau tugas dalam jenis yang sama secara lebih efektif pada waktu berikutnya. Kemampuan belajar ini meliputi dua hal yaitu:

 

n    Kemampuan meningkatkan ketrampilan (skill refinement).

n    Kemampuan mengakuisisi pengetahuan (knowledge acquisition).

 

Kemampuan mengakusisi pengetahuan ini yang menjadi fokus perhatian utama dalam pembelajaran mesin dan pengembangan sistem cerdas (expert systems). Alasan utama timbul dari kenyataan bahwa akusisi pengetahuan dari seorang pakar adalah salah satu dari kesulitan utama  pengembangan sistem-sistem cerdas (Barr and Feigenbaum, 1982; Duda and Shortliffe, 1983). Secara tradisional, pengetahuan seorang pakar diperoleh menggunakan kuesioner, analisa protokol, dan kombinasi dari kedua hal tersebut. Pengetahuan yang didapat ini kemudian diterjemahkan menjadi aturan-aturan dari suatu sistem cerdas. Bila pengetahuan sistem cerdas ini ingin ditingkatkan, maka prosedur ini diulang kembali. 

 

Metode-metode akusisi pengetahuan secara tradisional ini sangat menghabiskan waktu dan tenaga dan sering tidak terlalu efektif (Michalski Chilauski, 1980). Alasannya adalah bahwa para pakar sering mengalami kesulitan menjelaskan keputusan-keputusan yang mereka ambil (Michalski and Chilauski, 1980; Bobrow, Mittal and Stefik, 1986). Para pakar biasanya lebih yakin menerapkan kepakarannya dari pada menjelaskannya. Selain itu, kalau akusisi pengetahuan itu dapat diautomatiskan maka waktu yang dibutuhkan untuk memperoleh pengetahuan para pakar menjadi lebih cepat (Michalski Chilauski, 1980; Quinlan, 1986; Biggs et al., 1987; Carter and Carlett, 1987; Greene, 1987).

 

 

Intelegensia buatan atau lebih dikenal dengan Artificial Intelligence adalah suatu disiplin ilmu yang pada awalnya hanya dikenal oleh para peneliti dalam  bidang-bidang seperti teknik, matematik dan ilmu komputer. Namun perkembangan selanjutnya dari disiplin ini, terutama mengenai aplikasinya, telah menarik banyak perhatian para peneliti dari berbagai disiplin ilmu lain seperti psikologi, manajemen, kedokteran, dsb.

 

Karena luasnya cakupan bidang aplikasi intelegensia buatan maka terdapat berbagai definisi mengenai apa sebenarnya intelegensia buatan tersebut. Definisi-definisi itu tergantung pada sudut pandang disiplin ilmu tiap-tiap peneliti. Sebagai contoh, Rich dan Knight (1991) mendefinisikan intelegensia buatan sebagai berikut:

 

          Artificial intelligence (AI) is the study of how to make computers do things which, at the moment, people do better.

 

Definisi ini sudah tentu sangat umum sekali dan menghindari terjebak dalam isu-isu yang bersifat filosofi seperti  arti dari intelegensia itu sendiri. Tambahan pula, definisi ini hanya bersifat mengekspresikan motivasi yang terdapat dalam bidang penelitian ilmu komputer.

 

Contoh definisi yang lain mengenai intelegensia buatan diberikan oleh Winston (1992) sbb:

          Artificial intelligence is the study of the computation that make it possible to perceive, reason, and act.

 

Definisi ini lebih menitikberatkan kemampuan intelegensia buatan dalam perhitungan (computation), persepsi, penalaran dan aksi.

 

Meskipun definisi-definisi mengenai arti dan ruang lingkup intelegensia buatan bisa berbeda-beda, namun ada beberapa unsur-unsur penting yang menjadi kesepakatan mereka. Sebagai contoh definisi-definisi di atas. Dilihat secara sepintas kedua definisi ini kelihatan berbeda, namum bila ditelaah lebih mendalam dapat dilihat ada beberapa unsur yang sama yang menjadi tujuan pokok dalam disiplin ini. Unsur-unsur yang sama itu adalah sbb:

n    Intelegensia buatan adalah suatu studi mengenai sifat intelegensia manusia.

n    Intelegensia buatan itu sendiri adalah suatu program komputer yang mengimitasi intelegensia manusia.

 

Karakteristik dari suatu program komputer yang berintelegensia buatan diberikan oleh Bonnet (1985) sbb:

n    Representasi simbolik (symbolic representation). Program-program intelegensia buatan lebih banya berhubungan dengan simbol-simbol yang bukan numerik. Ini berbeda dengan pemanfaatan komputer tradisional yang hanya bersifat numerik.

n    Heuristik. Persoalan yang dihadapi oleh intelegensia buatan adalah persoalan-persoalan yang tidak mempunyai algoritma yang jelas. Dengan perkataan lain, tidak ada langkah-langkah yang pasti untuk sampai pada suatu penyelesaian.

n    Representasi pengetahuan. Program-program intelegensia buatan berisi representasi pengetahuan. Pengetahuan ini dapat diteliti dan dianalisa.

n    Data yang tak lengkap. Suatu program berintelegensia buatan mampu memberikan beberapa solusi bahkan meskipun data yang diberikan mengenai persoalan itu tidak lengkap.

n    Data yang kontradiktif. Suatu program berintelegensia buatan mampu memberikan solusi meskipun ada sebagian data yang diberikan bersifat kontradiktif.

n    Kemampuan belajar. Suatu program komputer yang berintelegensia buatan mempunyai kemampuan belajar dari pengalaman untuk meningkatkan kemampuan/pengetahuannya 

 

Sama seperti disiplin ilmu yang lain, intelegensia buatan juga mempunyai gambaran mengenai sasaran/tujuan yang menjadi ruang lingkup kajiannya. Seperti dikatakan oleh Winston (1992) ada dua perspektif tujuan yang mau dikaji oleh intelegensia buatan:

 

n    Menggunakan intelegensia buatan untuk menyelesaikan persoalan dunia nyata (real-world problems). Tujuan ini disebut tujuan rekayasa dari intelegensia buatan (the engineering goal of artificial intelligence).

n    Menentukan ide-ide tentang perepresentasian pengetahuan, pemanfaatan pengetahuan dan perakitan (assembling) pengetahuan untuk menjelaskan berbagai jenis intelegensia. Tujuan ini disebut tujuan keilmuwan dari intelegensia buatan (the scientific goal of artificial intelligence).

 

Pada saat ini ada dua filosofi intelegensi buatan yang saling bersaing, hipotesa sistem simbol fisik (physical symbol system hypothesis) dan connectionism. Kedua filosofi inilah yang mengarahkan kelompok-kelompok penelitian intelegensia buatan yang berbeda-beda. Perbedaan antara kedua filosofi secara umum terletak pada perbedaan penekanan mereka. Filosofi sistem simbol fisik menekankan pada komputer sebagai suatu sistem pemanipulasian simbol-simbol mental (making a mind), sedangkan filosofi connectionism lebih menekankan pada komputer sebagai media untuk pemodelan otak manusia (making the human brain) (Dreyfus dan Dreyfus, 1988).

 

Filosofi hipotesa sistem simbol fisik diperkenalkan oleh Newell dan Simon (1976, p116). Mereka memperkenalkan hipotesa sbb:

 

      A physical symbol system has the necessary and sufficient means for general intelligent action. By “necessary” we mean that any system that exhibits general intelligence will prove on analysis to be a physical symbol system. By “sufficient” we mean that any physical symbol system of sufficient size can be organised further to exhibit general intelligence.

 

Sedangkan mengenai arti dari sistem simbol fisik Newell dan Simon (1976) mendefinisikan sebagai berikut:

          A physical symbol system consists of a set of entities, called symbols, which are physical patterns that can occur as components of another type of entity called an expression (or symbol structure). Thus, a symbol structure is composed of a number of instances (or tokens) of symbol related in some physical way (such as one token being next to another). At any instant of time the system will contain a collection of these symbol structures. Besides these structures, the system also contains a collection of processes that operate on expressions to produce other expressions: processes of creation, modification, reproduction and destruction. A physical symbol system is a machine that produces through time and evolving collection of symbol structures. Such a system exists in a world of objects wider than just these symbolic expression themselves.

 

Filosofi hipotesa sistem simbol fisik menekankan dua unsur utama  yaitu simbol dan pencarian (search). Suatu sistem berintelegensia harus dapat mengabstraksi suatu kenyataan dari suatu persoalan menjadi struktur-struktur yang simbolik, memanipulasi struktur-struktur simbolik  itu dan melakukan penyelesaian persoalan dengan menggunakan pencarian heuristik.

 

Pengadopsian filosofi hipotesa sistem simbol fisik menerima asumsi bahwa adalah mungkin membangun suatu program komputer yang mampu melakukan tugas-tugas berintelegensia atas dasar kerja  gabungan struktur-struktur yang simbolik dan  suatu metode pencarian heuristik.

 

Struktur-struktur simbolik berupa untaian-untaian bit (strings of bits) yang dimanipulasikan oleh komputer digital dapat merepresentasikan bukan saja bilangan tetapi kenyataan-kenyataan dunia nyata (features of the real world). Program-program dalam suatu digital komputer dapat digunakan untuk merepresentasikan hubungan antar simbol, sehingga sistem dapat menyimpulkan kenyataan-kenyataan baru tentang suatu obyek yang direpresentasikan serta hubungan antar kenyataan-kenyataan itu (atribut-atribut). Seperti dikatakan oleh Newell (1983): 

 

          The digital-computer field defined computers as machines that manipulated numbers. The great thing was, adherents said, that everything could be encoded into numbers, even instructions. In contrast, the scientists in AI saw computers as machines that manipulated symbols. The great thing was, they said, that everything could be encoded into symbols, even numbers.

 

Cara sebagian ilmuwan intelegensia buatan memandang komputer seperti di atas menjadi salah satu cara dalam memandang otak manusia. Cara memandang seperti ini mengatakan bahwa meskipun otak manusia dan komputer digital mempunyai struktur dan mekanisme yang berbeda, namun pada suatu aras abstraksi tertentu mempunyai deskripsi fungsional yang sama yaitu bahwa keduanya adalah suatu piranti yang menghasilkan sifat intelegensia dengan cara memanipulasikan simbol-simbol menggunakan aturan-aturan formal (formal rules) (Dreyfus and Dreyfus, 1988).  

 

Alternatif  terhadap  filosofi hipotesa sistem simbol fisik adalah hipotesa ‘de facto’ connectionism. Penelitian-penelitian dalam bidang ini mempunyai basis pada penelitian-penelitian dalam bidang pemrosesan paralel terdistribusi, jaringan saraf tiruan dan penelitian-penelitian dasar dalam perceptron. Hipotesa ini disebut ‘de facto’ sebab tidak mempunyai definisi yang formal dari suatu hipotesa. Hipotesa ini hanya mengacu pada otak manusia sebagai bukti nyata bahwa jaringan saraf tiruan dalam bentuk tertentu mampu menunjukkan tingkah laku berintelegensia (Rich dan Knight, 1991).

 

Connectionism  menciptakan intelegensia buatan dengan cara memodelkan otak manusia dari pada memodelkan representasi simbolik dari pikiran manusia. Riset dalam bidang ini diinspirasi oleh kerja Hebb (1949) yang menyimpulkan bahwa sekumpulan neuron dapat belajar bila neuron A dan neuron B dieksitasi secara serentak. Eksitasi ini meningkatkan kekuatan hubungan di antara mereka. Idea Hebb ini kemudian direalisasikan oleh Rosenblatt (1962) dengan alat yang disebut Perceptron. Namun Rosenblatt mengalami kesulitan dalam mengformulasikan sifat-sifat intelegensi berdasarkan representasi simbolik. Karena kesulitan ini Rosenblatt berpendapat bahwa intelegensia buatan seharusnya berusaha mengautomasikan prosedur-prosedur dengan mana suatu jaringan neuron belajar mendiskriminasikan pola-pola dan memberikan respon-respon yang tepat. Seperti dikatakan oleh Rosenblatt (1962, p386):

          The implicit assumption [of the symbol manipulating research program] is that it is relatively easy to specify the behavior that we want the system to perform, and that the challenge is then to design a device or mechanism which will effectively carry out this behavior….[It] is both easier and more profitable to axiomatize the physical system and then investigate this system analytically to determine its behavior, than to axiomatize the behavior and then design a physical system by techniques of logical synthesis.

 

Menurut Rosenblatt, dari  pada bertanya mengenai struktur logika dari suatu sistem yang harus dipunyai agar sistem tersebut mampu menghasilkan suatu sifat tertentu X, lebih baik bertanya mengenai tipe sistem yang mampu mengevolusi sifat X tersebut. Pertanyaan yang kedua  dapat diselesaikan tanpa harus terlebih dahulu menyelesaikan pertanyaan pertama.

 

 Penerapan intelegensia buatan dalam menyelesaikan persoalan dunia nyata dapat dibagi ke dalam dua kategori utama yaitu aplikasi intelegensia buatan dalam penyelesaian persoalan-persoalan yang bersifat optimasi (optimisation probelms) dan aplikasi intelegensia buatan sebagai pembelajaran mesin (machine learning).  Aplikasi intelegensia buatan dalam bidang optimasi ditujukan untuk mencari nilai optimal dari suatu fungsi yang kompleks yang tidak memungkin dilakukan menggunakan metode-metode yang biasa seperti metode penyelesaian gradient. Di lain pihak, aplikasi intelegensia buatan dalam bidang pembelajaran mesin ditujukan untuk mempelajari dan menghasilkan konsep yang terkandung dalam suatu kumpulan data.

 

Peningkatan kemampuan aplikasi intelegensia buatan didukung oleh kemajuan-kemajuan belakangan ini dalam metode-metode pencarian heuristik (heuristic search). Metode-metode pencarian heuristik, seperti algoritma genetik, jaringan saraf tiruan, simulated annealing dan taboo search, telah mendapatkan banyak perhatian karena dua alasan:

 

n    kesuksesan metode-metode itu dalam penyelesaian persoalan-persoalan kompleks tertentu yang telah lama membingungkan para peneliti; dan

n    kemudahan dan robusitas dalam mana metode-metode itu dapat diterapkan untuk menyelesaikan persoalan-persoalan.

 

Kata heuristik berasal dari bahasa Yunani yang berarti ‘penemuan’ (discovery). Suatu pencarian heuristik menggunakan pengetahuan yang didapat dari percobaan sebelumnya (apakah pencarian sebelum itu sukses atau gagal) untuk menentukan arah  pencarian berikutnya. Pencarian heuristik biasanya digunakan untuk mendapatkan solusi-solusi layak (feasible) yang ‘cukup baik’ (good enough) untuk persoalan-persoalan yang kompleks secara cepat dan tidak mahal. Seperti yang dikatakan oleh Turban (1990, p6) sbb:

 

    With the reduction in cost of using computers, there is an increased tendency to use heuristic searches as an alternative to optimisation methods.

 

Keuntungan dari pencarian heuristik adalah bahwa algoritma-algoritmanya relatif sederhana dan mudah diimplementasikan dengan biaya yang murah. Dalam penyelesaian suatu persoalan, metode-metode heuristik membutuhkan waktu yang lebih singkat untuk menformulasi persoalan tersebut serta dapat menghasilkan berbagai solusi layak secara cepat.

 

Keberhasilan penerapan suatu metode pencarian heuristik biasanya tergantung pada faktor-faktor sbb:

 

n    struktur yang dipilih untuk merepresentasikan persoalan tersebut;

n    fungsi evaluasi yang digunakan untuk mentes kelayakan suatu solusi pada setiap langkah pencarian; dan

n    metode seleksi yang digunakan agar  pencarian menjadi lebih  efektif dan efisien.

 

Keberhasilan pengembangan metode-metode dan teknik-teknik intelegensia buatan telah memperluas bidang-bidang aplikasi yang dapat dimasukinya. Tabel 1.1. menunjukkan contoh bidang-bidang aplikasi intelegensia buatan saat ini. Tambahan pula, dengan kemajuan teknologi dan kecanggihan sistem pengolah dan pendistribusian informasi terjadi kecenderungan bertumpuknya data yang tersedia. Di lain pihak keterbatasan kemampuan menganalisa dan mengekstrak pengetahuan  dari data yang tersedia menjadi  hambatan (bottleneck) dalam memahami informasi yang tersedia. Sebagai akibatnya,  hampir sebagian besar penelitian dalam pembelajaran mesin difokuskan pada usaha-usaha untuk mengatasi kendala tersebut melalui pencaharian metode-metode yang mampu secara cepat dan reliable mengakuisisi pengetahuan. Seperti ditunjukkan dengan contoh-contoh dalam Tabel 1.1., ada terjadi pergeseran fokus penggunaan komputer dari sekedar pemrosesan numerik atau yang dikenal dengan data processing ke pemrosesan kualitatif (knowledge processing).

 

     Tabel 1.1. Beberapa contoh bidang aplikasi intelegensia buatan (Rich and Knight, 1991).

Tugas-Tugas Biasa

Tugas-Tugas Formal

Tugas-Tugas Ahli

Persepsi: Visi dan percakapan berbicara

Games: catur, back-gammon,

Analisis ilmiah

 

Bahasa Ibu:: pemahaman, produksi, dan translasi.

 

Mathematics: geometri, logika, Kalkulus integral, dan  pembuktian sifat-sifat proogram-program

Rekayasa: perancangan, pencafrian kesalahan, dan perencanaan produksi manufactur

Akalsehat penalaran

 

Diagnosis medis

Kendali Robot

 

Analisis Finansial

 

1. Pengantar

 

Kita saat ini berada dalam era informasi. Informasi merupakan dasar dari seluruh sistem ekonomi dan penciptaan kemakmuran. Masyarakat informasi berbeda dari masyarakat industri yang mengandalkan modal sebagai sumber daya strategisnya. Sumber daya strategis dalam masyarakat informasi adalah informasi atau pengetahuan (Naisbitt, 1986). Kita sedang berada dalam era di mana titik berat bisnis berpindah dari sektor manufaktur (real) kearah sektor jasa yang lebih mengandalkan informasi. Lebih banyak orang bekerja dalam bidang jasa dari pada dalam bidang manufaktur.  Dalam masyarakat informasi, nilai atau simbol-simbol kemakmuran bergeser dari sesuatu yang bersifat real (tangible) atau “hard assets” menjadi sesuatu yang abstrak (intagible) (Toffler, 1991). Orang tidak menilai suatu perusahaan hanya berdasarkan assets fisik perusahaan tersebut, tetapi berdasarkan hal-hal seperti kemampuan perusahaan tersebut dalam menjangkau dan membina relasi, kemampuan staf pemasarannya dalam memasarkan produknya, dan kemampuan organisasi serta visi dari manajemennya. 

 

Dalam masyarakat informasi hal yang paling penting bukanlah modal uang tetapi modal dalam bentuk ide-ide atau visi yang inovatif. Modal uang dapat dicari melalui pinjaman atau joint venture. Dengan ide-ide yang inovatif mudah meyakinkan banyak institusi keuangan untuk memberi pinjaman, atau masyarakat yang ingin turut serta melalui lembaga-lembaga reksadana (mutual funds). Selain itu globalisasi menyediakan sumber-sumber pembiayaan dari berbagai pelosok dunia.

 

Di dalam setiap perubahan masyarakat kita menyaksikan bahwa selalu ada “motor penggerak” yang menjadi basis sistem penciptaan kemakmuran masyarakat tersebut. Sebagai contoh, perubahan dari masyarakat agraris menjadi masyarakat industri dipacu oleh penemuan mesin uap yang melahirkan revolusi industri. Penemuan dan efek berantainya melahirkan mekanisasi dalam setiap sektor kehidupan masyarakat. Di lain pihak perubahan dari masyarakat industri menjadi masyarakat informasi di pacu oleh penemuan teknologi pemrosesan dan pendistribusian informasi seperti sistem komputer dan telekomunikasi. Mesin-mesin biasa yang dioperasikan secara manual digantikan oleh mesin-mesin yang dikontrol komputer. Komputer dioperasikan untuk melakukan tugas-tugas rutin yang berulang-ulang.

 

Namun, meskipun teknologi informasi yang ada sekarang mampu memroses dan mendistribusikan informasi dengan cepat, sistem ini masih mempunyai banyak kelemahan. Salah satu kelemahan utama dari teknologi informasi yang ada saat ini adalah ketidakmampuan untuk secara mandiri menyaring informasi yang relevan bagi pemakainya. Era informasi yang ditandai dengan revolusi dalam sistem pemrosesan dan pendistribusian informasi telah menghasilkan polusi informasi bagi kita baik di rumah maupun di tempat kerja. Kalau kita mendengar radio atau menonton tv, kita disajikan dengan berbagai ragam informasi yang sering tidak relevan dengan apa yang kita butuhkan. Hal yang sama terjadi dalam media cetak di mana kita terpaksa harus memilih sendiri informasi yang kita butuhkan dengan cara scanning dan skimming. Hal-hal seperti ini memboroskan waktu yang semestinya dapat kita gunakan untuk keperluan lain yang lebih produktif. Kita membutuhkan suatu sistem informasi yang lebih inteligen dari yang ada sekarang. Suatu sistem yang tidak hanya berfungsi sebagai mediator dalam menghubungkan kita dengan sumber-sumber berita seperti tv, radio, surat kabar, atau internet, tetapi juga berfungsi sebagai editor yang dapat menyaring informasi yang sesuai dengan kebutuhan kita. Tambahan pula sistem tersebut harus bersifat interaktif sehingga kebutuhan pemakai dapat dengan mudah dikomunikasikan.

 

2. Intelegensia Buatan dan Potensinya

 

Kemenangan komputer “Deep Blue” terhadap Super Grandmaster catur Garry Kasparov telah mengejutkan sekaligus membuka mata banyak orang di seluruh dunia terhadap potensi yang terdapat dalam komputer. Intelegensia komputer yang dapat berpikir sekian juta instruksi perdetik pada awalnya memang belum mampu mengalahkan manusia. Namun komputer dapat diprogram untuk belajar dari kelemahan masa lalunya. Tambahan pula kemampuan belajar komputer jauh lebih cepat dari kemampuan belajar manusia. Kemampuan dan kecepatan belajar yang tinggi, kapasitas memori yang dapat dengan mudah ditingkatkan kapan saja serta stamina fisik dan daya ingat yang stabil merupakan potensi intelegensia komputer yang tak tertandingi oleh manusia.

 

Intelegensia buatan merupakan bidang yang berkembang pesat saat ini. Riset-riset dalam bidang intelegensia buatan dikelompokkan ke dalam empat bidang utama yaitu:

·      Basis pengetahuan dan sistem pakar. Riset-riset dalam bidang ini bertujuan mengembangkan metoda-metoda atau sistem-sistem yang mampu mencari alternatif  pemecahan masalah untuk pengambilan keputusan. Basis pengetahuan dan sistem pakar mempunyai aplikasi yang luas seperti dalam pembuatan rangcang-bangun, diagnosa kedokteran, maupun perbankan. Metoda-metoda seperti jaringan saraf tiruan, algoritma genetik, atau teori chaos, banyak diminati kalangan bisnis saat ini baik dalam mencari solusi optimal dari persoalan-persoalan yang rumit maupun untuk forescasting.

·      Bahasa natural. Riset dalam bidang ini bertujuan untuk mengembangkan suatu sistem yang memungkinkan komputer dapat berbicara bahasa manusia. Tanda-tanda kemajuan riset dalam bidang ini, seperti dalam pengenalan pola dan sintesizer suara, menunjukkan bahwa komputer mampu mengenal percakapan atau instruksi dengan suara.

·      Simulasi kemampuan indera manusia. Riset dalam bidang ini bertujuan untuk melengkapi komputer dengan kemampuan indera manusia seperti melihat, mendengar, merasa, mencium dan berbicara. Kemampuan seperti ini memungkinkan komputer menerima data dari berbagai sumber seperti yang terjadi pada manusia dan membuka kemungkinan antarmuka (interface) dengan lingkungannya. Kemampuan seperti ini juga membuka peluang aplikasi yang luas seperti, sistem perespon suara (voice response system), system pengenalan percakapan (speech recognition system), atau sistem pengenalan pola (pattern recognition system).

·      Robotika. Riset dalam bidang ini bertujuan mengintegrasi komputer dan robot sehingga dapat melakukan tugas-tugas yang bersifat rutin atau yang berbahaya bagi manusia. Penggunaan robot dalam industri manufaktur bukanlah sesuatu yang baru saat ini. Namun penggunaan robot dalam industri jasa masih agak langka.

 

3. Menuju Masyarakat Informasi Berbasis Intelegensia Buatan

 

Era kita saat ini sedang bergeser dari sekedar era informasi menuju era informasi yang berbasis intelegensia buatan, atau era AI. Mesin-mesin elektronik yang tadinya hanya bersifat melakukan pekerjaan rutin yang diprogram sekarang mampu melakukan pekerjaan yang berubah-ubah tanpa intervensi manusia. Dalam bidang pemrosesan dan pendistribusian informasi, segala sistem yang tadinya hanya bersifat pasif mulai digantikan oleh sistem-sistem informasi berintelegensia yang aktif membuat keputusan sendiri.

 

Salah satu sebab utama timbulnya kebutuhan akan mesin-mesin berintegensia buatan adalah karena era informasi dengan kecepatan pemrosesan dan pendistribusian informasi yang tinggi telah menimbulkan polusi informasi. Pada awalnya masyarakat merasa gembira dan terpesona dengan kemampuan sistem tersebut. Namun sejalan dengan berkembangnya waktu, sistem yang kita ciptakan ini dirasakan malah lebih banyak mendatangkan persoalan dari pada keuntungannya. Ada begitu banyak informasi yang diproduksi setiap hari sehingga kita kebingungan mengelolanya. Pekerjaan klipping informasi yang awalnya merupakan hal yang ringan dan menyenangkan sekarang ini merupakan suatu hal yang sulit, membutuhkan biaya dan ketrampilan profesional. Dalam bidang penelitian, banyak ilmuwan mengeluh bahwa dibutuhkan lebih sedikit waktu mengerjakan suatu penelitian dari pada waktu yang dibutuhkan untuk mengecek apakah penelitian itu sudah pernah dilakukan atau tidak. Seperti yang dikatakan oleh Naisbitt (1986), “We are drawning in information but starved for knowledge. …..The emphasis of the whole information society shifts, then, from supply to selection.”

 

Kebutuhan akan sistem informasi berbasis intelegensia buatan yang mampu berfungsi sebagai mediator maupun editor memang sudah lama dinantikan. Di negara-negara maju, ada kecenderungan untuk menciptakan suatu sistem informasi yang mampu menghentikan anak-anak di bawah umur mengakses informasi tertentu seperti pornografi di media cetak dan media elektronik (tv, film dan komputer).  Kecenderungan ini disambut positif baik oleh para orangtua, media elektronik dan perusahaan manufaktur. Idenya adalah dengan memasang suatu chip dalam tv, sehingga orangtua dapat mengontrol jenis program apa saja yang dapat ditonton oleh anak-anak. Hal yang hampir mirip juga terjadi dalam usaha orangtua mengontrol apa yang dijajan anaknya di sekolah atau di luar rumah. Melalui uang jajan dalam bentuk “smart card” yang sudah diprogram, orangtua dapat membatasi hal-hal apa saja yang dapat dibeli oleh anaknya. Bentuk-bentuk penggunaan “smart card” makin “merakyat” melalui kartu penduduk, kartu jaminan sosisal,  atau ID Card lainnya. Penggunaan kartu penduduk dengan “smart card” banyak ditentang karena berpotensi untuk  disalahgunakan bagi kepentingan politik, golongan atau bisnis.

 

Di dalam dunia bisnis saat ini, kecenderungan penggunaan sistem informasi berbasis intelegensia buatan makin menjadi tuntutan yang wajar. British Telecom menggunakan komputer sebagai pengganti operator untuk menjawab panggilan telepon atau pemberian informasi kepada langganan. Selain itu, fokus investasi teknologi informasi dalam bisnis makin beralih dari sekedar pemrosesan data (data processing) kearah suatu sistem informasi berinteligensia sendiri yang mampu menghasilkan berbagai alternatif  keputusan strategis menggunakan metoda-metoda dan model-model analitik.  Ada berbagai nama untuk sistem seperti ini seperti intelligent decision support system, expert support system atau knowledge-based decision support system (Courtney et al., 1987; Dalal dan Yadaf, 1992; Goul dan Tonge, 1987; Klein dan Methlie, 1990; Luconi et al., 1986; Moore, 1992).

 

4. Kebebasan atau Penjajahan Baru?

 

Pemberian intelegensia dalam suatu mesin membuat mesin tersebut berubah dari suatu mesin yang “bodoh” dan pasif menunggu perintah menjadi “ a thinking machine” yang  aktif membuat keputusan sendiri sehingga dapat beroperasi tanpa intervensi manusia. Dalam hal apapun, tujuan dari pemberian intelegensia adalah agar supaya  suatu mesin mampu beroperasi sendiri bila diperlukan. Pemberian intelegensia dapat dilihat juga sebagai penyerahan sebagian atau sepenuhnya hak kontrol manusia kepada mesin. Sebagai contoh, dengan menggunakan autopilot seorang kapten pesawat menyerahkan kontrol dan tanggung jawab penerbangan yang ada padanya kepada mesin.

 

Di masa depan penggunaan mesin-mesin berintelegensia buatan yang dapat berpikir dan mengambil keputusan sendiri akan makin meningkat dan menggeser peranan manusia. Penggunaan mesin-mesin seperti itu di satu pihak menolong manusia dari melakukan pekerjaan-pekerjaan yang selama ini hanya dapat dilakukan oleh para pakar seperti diagnosa penyakit, perancangan model bangunan, atau analisa peluang bisnis. Namun di lain pihak penggunaan mesin-mesin berintelegensia juga akan berdampak pada peningkatan  pengangguran yang meluas, dari aras “blue collars” ke aras “white collars”. Pekerjaan-pekerjaan di masa depan akan semakin tinggi tuntutan ketrampilan dari pada yang ada saat ini. Penggunaan teknologi EDI (Electronic Data Interchange) sudah mulai masuk pada bidang-bidang seperti akunting dan bea cukai. Tambahan lagi, kemampuan mesin-mesin berintelegensia buatan untuk menggabungkan proses analisa data dengan penulisan laporan secara otomatis, akan mengurangi secara drastis kebutuhan akan tenaga ahli seperti analis pasar, akuntan/finansial, pengacara, dsb. Hasil pemrosesan data akan secara automatis diteruskan ke bagian program yang menginterpretasi data tersebut dan sekaligus menulis laporan sendiri berdasarkan format tertentu. Perangkat lunak yang dapat menulis analisa laporan keuangan perusahaan secara otomatis sudah mulai banyak tersedia (Merten, 1989).  Sejalan dengan makin canggihnya teknologi intelegensia buatan, akan makin banyak fungsi pakar-pakar profesional seperti pengacara dapat digantikan oleh mesin (Brown, 1997). Hal senada juga dikatakan oleh salah seorang pakar perangkat lunak sbb (Dunkerley, 1996):

       It may not be too far into the future before law books are computerized and [voice] recognition systems are capable of digesting and assimilating the arguments in a court of law, weighing them against each other, using case history as a point of reference.

 

Di satu pihak penggunaan mesin-mesin berintelegensia buatan ini akan cenderung mendekatkan kepakaran manusia yang tadinya bersifat langka menjadi tersedia bagi semua orang. Setiap orang mampu mengakses pengetahuan tertentu yang tadinya hanya dimiliki oleh para pakar. Teknologi menyediakan potensi untuk “share” pengetahuan yang sama. Namun di lain pihak, penggunaan mesin-mesin berintelegensia juga memungkinkan sejumlah kecil manusia untuk mengontrol manusia lain melalui mesin-mesin atau produk-produk berintelegensia sendiri (contoh “smart card”, atau tv).  

 

Hal yang menjadi pertanyaan adalah apakah teknologi informasi berbasis intelegensia buatan itu bersifat membebaskan manusia dari belenggu keharusan bekerja ataukah suatu bentuk penjajahan modern (new feudalism atau new colonialism)? Penggunaan mesin-mesin berintelegensia serta robot-robot dalam pabrik-pabrik apakah suatu bentuk pembebasan manusia ataukah suatu bentuk pemiskinan manusia secara tidak langsung? Karena melalui bekerja seseorang mendapatkan nafkahnya. Jika penerapan robot atau mesin-mesin berintelegensia kemudian membuat semakin banyak orang kehilangan pekerjaan, maka suatu tragedi besar akan terjadi. Kalau hal ini terjadi maka teknologi bukan lagi suatu berkat tetapi sudah menjadi suatu ancaman bagi kelangsungan manusia.

 

5. Menuju Masyarakat Artifisial?

 

Kita saat ini sedang menuju kearah suatu bentuk dan sistem masyarakat di mana landasan yang menopang sendi-sendi masyarakat kita adalah intelegensia mesin. Suatu sikap dan kebiasaan baru akan terbentuk sebagai konsekuensi dari teknologi yang kita gunakan. Sikap dan kebiasaan itu tidaklah terbatas pada unsur-unsur rasional seperti penalaran yang merupakan ciri masyarakat modern, tetapi meluas pada unsur seni sebagai akibat penggunaan alat (tool) di dalam menciptakan seni tersebut. Sebagai akibat tuntutan rasional yang makin tinggi dalam masyarakat modern, maka orang semakin dituntut untuk mampu mengendalikan luapan emosionalnya. Ukuran-ukuran rasional berakibat pada bentuk-bentuk hiburan serta kemasannya yang semakin canggih mengikuti teknologinya. Luapan emosional kita semakin tidak terpuaskan dengan teknik-teknik penyajian hiburan sederhana. Film-film saat ini membutuhkan teknologi komputer untuk membuat animasi meninggalkan cara-cara lama. Musik-musik saat ini membutuhkan teknologi komputer untuk menciptakan animasi suara. Hal yang sama terjadi juga dalam bidang melukis dan senirupa seperti keramik, patung, dsb.

 

Saat ini makin banyak anak-anak terutama di kota-kota besar lebih tertarik bermain computer games dari pada permainan-permainan tradisional. Computer games bersifat interaktif sehingga mampu dengan mudah memacu luapan emosional seperti ketegangan, kegembiraan ataupun kekecewaan yang mendalam. Memang permainan tradisional seperti mobil-mobilan juga mampu memacu luapan emosional namun computer games mempunyai variasi yang lebih banyak dan memberikan efek suara dan gambar yang sangat menarik dan hidup. Selain itu permainan-permainan tradisional seperti lego saat ini sudah dibuatkan dalam bentuk CDROM yang memungkinkan variasi dan aras kompleksitas yang berbeda-beda dapat disediakan dengan mudah.

 

Kita juga saat ini mengamati kecenderungan baru di kalangan anak-anak dan orang dewasa untuk bermain Tamagochi, memelihara hewan atau tumbuhan artifisial. Apapun yang anda pelihara harus diberi makan atau minum persis seperti anda memelihara hewan atau tumbuhan-tumbuhan biasa. Tidak jauh berbeda dengan permainan ini dan sedikit lebih kompleks adalah apa yang dikenal dalam bidang komputer sebagai realitas virtual (virtual reality). Teknik realitas virtual memanfaatkan segala kecanggihan teknologi komputer dalam bidang multimedia untuk menciptakan realitas imajiner. Dalam tahap sekarang teknologi ini masih terbatas penggunaannya dalam bidang pembuatan film fiksi dan simulasi perancangan seperti bangunan, atau kota.  Namun diperkirakan di masa depan akan berkembang menjadi dunia fantasi bila teknologi hologram telah mampu diciptakan dengan baik.

 

 

 

6. Acuan

 

Brown, D. (1997). Cybertrends: Chaos, Power, and Accountability in The Information Age. Penguin Group.

 

Courtney, J.F., Paradise, D.B, and Mohammed, A. (1987). A Knowledge-Based DSS for Managerial Problem Diagnosis. Dec. Sci. 18 (3) : 373-399.

 

Dalal, N.P, and Yadav, S.B. (1992). The Design of A Knowledge-Based DSS to Support the Information Analysis in Determining Requirements. Dec. Sci. 6 : 1373-1388.

 

Dunkerley, M. (1996). Computer Tchnology and The Jobless Economy? Computer Technology and The World of Work. Polity Press, London.

 

Goul, M., Henderson, J.C., and Tonge, F.M. (1992). The Emergence of AI as a Reference Discipline  for DSS Research. Dec. Sci. 6 : 1263-1276.

 

Klein, M., and Methlie, L.B. (1990). Expert Systems a Decision Support Approach with Applications in Management and Finance. Addison-Wesley, Wokingham, England.

 

Luconi, F.L., Malone, T.W, and Scott-Morton, M.S. (1986). Expert Systems: The Next Challenge for Managers. Sloan Man. Rev. 27 (4) : 3-14.

 

Merten, Peter (1989). Derivation of Verbal Expertises from Accounting Data. In Pau, L.F., Motiwalla, J, Pao, Y.H., and The, H.H. (eds). Expert Systems in Economics, Banking and Management, North-Holland, Amsterdam, pp 341-350.

 

Moore, J.S.(1992). A Prototype Expert DSS for Market Appraisal of the Single Family Residence. Dec. Sci. 6 : 1406-1422.

 

Naisbitt, J. (1986). Megatrends. Warner Books, New York.

 

Toffler, A. (1970). Future Shock. Pan Books, London.

 

Toffler, A. (1991). Powershift. Bantam Books, New York.