Pengertian Machine learning dan contohnya

Machine learning adalah aplikasi dari disiplin ilmu kecerdasan buatan (Artificial Intelligence) yang menggunakan teknik statistika untuk menghasilkan suatu model otomatis dari sekumpulan data, dengan tujuan memberikan komputer kemampuan untuk “belajar”. Pembelajaran mesin atau machine learning memungkinkan komputer mempelajari sejumlah data (learn from data) sehingga dapat menghasilkan suatu model untuk melakukan proses input-output tanpa menggunakan kode program yang dibuat secara eksplisit. Proses belajar tersebut menggunakan algoritma khusus yang disebut machine learning algorithms. Terdapat banyak algoritma machine learning dengan efesiensi dan spesifikasi kasus yang berbeda-beda. Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan Buatan) yang focus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus berulang kali di program oleh manusia.

Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training) sebelum mengeluarkan output. Aplikasi sejenis ini juga biasanya berada dalam domain spesifik alias tidak bisa diterapkan secara general untuk semua permasalahan. 

Sebagai contoh: Aplikasi Pengenalan Gambar, Aplikasi Asisten pribadi seperti Siri, Google dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik lainnya. 

B. Konsep Dasar dan Cara kerja Machine Learning

Secara fundamental cara kerja machine learning adalah belajar seperti manusia dengan menggunakan contoh-contoh dan setelah itu barulah dapat menjawab suatu pertanyaan terkait. Proses belajar ini menggunakan data yang disebut train dataset. Berbeda dengan program statis, machine learning diciptakan untuk membentuk program yang dapat belajar sendiri.

Secara (matematika) sederhana, rumus umum Machine learning :

Y = f(X) 

Dimana: 

Y = Output , 

X = Input, 

f = fungsi (function)

Dimana secara singkat bisa katakan bahwa Machine Learning itu memenuhi kaidah : 

Output = f(Input)

Atau dengan kata lain, Output (Y) dari machine learning adalah hasil dari pengolahan fungsi (f) terhadap Input (X)

Machine Learning meningkat karena faktor data mining dan analisis Bayesian lebih populer dari sebelumnya. Pengolahan komputasi yang lebih murah dan lebih bertenaga termasuk penyimpanan data yang terjangkau merupakan peningkatan. Semua hal ini secara cepat dan otomatis menghasilkan model yang dapat menganalisis data yang lebih besar dan lebih komplek memberikan hasil yang lebih cepat dan akurat dalam skala yang sangat besar.

Prediksi nilai tinggi bisa mengarah pada keputusan dan tindakan cerdas secara real-time tanpa campur tangan manusia. Salah satu kunci untuk menghasilkan gerakan cerdas secara real-time merupakan pembuatan model otomatis.

Bagian Machine Learning

Ketika Anda melihat situs web yang kompleks seperti Facebook, Amazon, atau Netflix, kemungkinan besar situs ini berisi beberapa model Machine Learning. Dari model yang didapatkan, kita dapat melakukan prediksi yang berbeda, tergantung pada tipenya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Sistem pembelajaran mesin terdiri dari tiga bagian utama, yaitu:

1. Model: sistem yang membentuk prediksi atau identifikasi.
2. Parameter: sinyal atau faktor yang digunakan oleh model untuk membentuk keputusannya.
3. Pemelajaran: sistem yang menyesuaikan parameter dan model dalam prediksi versus hasil aktual.

Bayangkan bahwa Anda adalah seorang guru. Anda ingin mengidentifikasi jumlah waktu belajar siswa untuk mencapai nilai terbaik dalam tes. Anda beralih lagi ke Machine learning untuk solusi tersebut. Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tidak akan bekerja tanpa data. Model itu sendiri bergantung pada parameter yang digunakan untuk mengatur perhitungannya. Dalam contoh ini, parameter adalah jam yang digunakan saat belajar untuk hasil nilai tes yang diterima.

Sistem pembelajaran mesin benar-benar akan menggunakan persamaan matematis untuk mengekspresikan semuanya, secara efektif ini akan membentuk garis tren dari apa yang diharapkan. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing.

Bagaimana Machine Learning Bekerja?

Machine learning memiliki dua jenis teknik: Supervised Learning, yang melatih model pada data input dan output yang diketahui sehingga dapat memprediksi keluaran masa depan dan Unsupervised Learning, yang menemukan pola tersembunyi atau struktur intrinsik pada data masukan.

Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari. Machine Learning bukanlah hal baru dalam lanskap ilmu komputer. Machine Learning mengaitkan proses struktural dimana setiap bagian menciptakan versi mesin yang lebih baik.

• Supervised Learning

Pembelajaran mesin yang diawasi menciptakan model yang melancarkan prediksi berdasarkan bukti adanya ketidakpastian. Algoritma pembelajaran yang diawasi memerlukan seperangkat data masukan dan tanggapan yang diketahui terhadap data (output) dan melatih model untuk menghasilkan prediksi yang masuk akal untuk respon terhadap data baru. Gunakan pembelajaran ini jika Anda ingin mengetahui data output yang ingin Anda prediksi. Pembelajaran ini diawasi menggunakan teknik klasifikasi dan regresi untuk mengembangkan model prediktif.

Teknik klasifikasi memprediksi respons diskrit – misalnya, apakah email itu asli atau spam, atau apakah tumor itu kanker atau tidak. Model klasifikasi mengklasifikasikan data masukan ke dalam kategori tersebut. Aplikasi yang umum termasuk pencitraan medis. Misalnya aplikasi untuk pengenalan tulisan, maka anda harus menggunakan klasifikasi untuk mengenali huruf dan angka.

Jika Anda bisa melakukannya, Anda memiliki landasan yang dapat Anda gunakan pada satu dataset ke dataset yang akan dicoba lagi selanjutnya. Anda bisa mengisi waktu seperti mempersiapkan data lebih lanjut dan memperbaiki hasilnya nanti, begitu Anda lebih percaya diri. Dalam pengolahan citra dan penglihatan komputer, teknik pengenalan pola tanpa pemeriksaan digunakan untuk deteksi objek dan segmentasi. Algoritma yang umum mengadakan klasifikasi yang meliputi dukungan mesin vektor (SVM).

• Unsupervised Learning

Ini menemukan pola tersembunyi atau struktur intrinsik dalam data. Ini digunakan untuk menarik kesimpulan dari kumpulan data yang terdiri dari data masukan tanpa respon berlabel. Clustering adalah teknik belajar tanpa pengamatan yang umum. Ini digunakan untuk analisis data eksplorasi dalam menemukan pola atau pengelompokan tertutup dalam data. Aplikasi untuk analisis cluster meliputi analisis urutan gen, riset pasar dan pengenalan objek.

Misalnya, jika sebuah perusahaan telepon seluler ingin mengoptimalkan lokasi di mana mereka membangun menara telepon seluler, mereka dapat menggunakan pembelajaran mesin untuk memperkirakan jumlah kelompok orang yang bergantung pada menara mereka. Telepon hanya bisa berbicara dengan satu menara sekaligus, sehingga tim menggunakan algoritma pengelompokan untuk merancang peletakan menara seluler terbaik dalam mengoptimalkan penerimaan sinyal bagi kelompok dan dari pelanggan mereka.

Algoritma yang umum mengadakan clustering meliputi k-means dan k-medoids, hirarki clustering, model campuran Gaussian, model Markov tersembunyi, peta pengorganisasian sendiri, clustering fuzzy c-means dan clustering subtraktif.

C. Metode Algoritma Machine Learning

1. Supervised machine learning algorithms

   Supervised machine learning adalah algoritma machine learning yang dapat menerapkan informasi yang telah ada pada data dengan memberikan label tertentu, misalnya data yang telah diklasifikasikan sebelumnya (terarah). Algoritma ini mampu memberikan target terhadap output yang dilakukan dengan membandingkan pengalaman belajar di masa lalu.

2. Unsupervised machine learning algorithms

   Unsupervised machine learning adalah algoritma machine learning yang digunakan pada data yang tidak mempunyai informasi yang dapat diterapkan secara langsung (tidak terarah). Algoritma ini diharapkan mampu menemukan struktur tersembunyi pada data yang tidak berlabel.

3. Semi-supervised machine learning algorithms

   Semi-supervised machine learning adalah algoritma yang digunakan untuk melakukan pembelajaran data berlabel dan tanpa label. Sistem yang menggunakan metode ini dapat meningkatkan efesiensi output yang dihasilkan.

4. Reinforcement machine learning algorithms

   Reinforcement machine learning adalah algoritma yang mempunyai kemampuan untuk berinteraksi dengan proses belajar yang dilakukan, algoritma ini akan memberikan poin (reward) saat model yang diberikan semakin baik atau mengurangi poin (error) saat model yang dihasilkan semakin buruk. Salah satu penerapannya adalah pada mesin pencari.

Contoh Penerapan Machine Learning

1. Hasil Pencarian Search Engine

   Google dan mesin pencari lainnya seperti Bing dan Yandex sudah dari dulu menerapkan machine learning untuk melakukan perangkingan laman suatu website. Setiap mesin pencari mempunyai resep tersendiri pada algoritma pencarian yang digunakan. Dalam praktiknya ketika kita mengetik kata kunci, Google akan menampilkan hasil pencarian yang paling mendekati kata kunci tersebut. Apabila kita memilih suatu halaman dan menghabiskan banyak waktu pada halaman tersebut, Google akan mendeteksi bahwa halaman tersebut sesuai dengan kata kunci yang kita masukkan. Begitu pula, saat kita melihat halaman pencarian berikutnya misalnya halaman 2, 3, dan seterusnya. Google akan mendeteksi adanya ketidaksesuaian kata kunci dengan hasil pencarian yang dihasilkan. Begitulah data tersebut terkumpul dan dianalisis menggunakan machine learning oleh Google Search Engine, untuk menghasilkan hasil pencarian yang dinamis dan berkualitas.

2. Rekomendasi Produk Marketplace

   Perkembangan teknologi menyebabkan penggunaan marketplace semakin diminati baik dari sisi penjual dan pembeli. Hampir semua orang menggunakan marketplace, misalnya Tokopedia, Bukalapak, dan Shopee. Tiap detik bisa dipastikan terjadi transaksi antar pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun perlu menampilkan rekomendasi produk yang sesuai dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan real time, tentunya machine learning sangat menentukan keakuratan rekomendasi produk tiap pembeli di akunnya.

3. Pengalaman Pengguna Sosial Media

   Tidak bisa dipungkiri, walaupun tidak dapat mengalahkan mesin pencari sebagai situs terpopuler. Sosial media merupakan situs yang paling lama diakses oleh penggunanya berdasarkan data Alexa. Sosial media seperti Facebook dan Twitter menggunakan machine learning sehingga penggunanya betah untuk terus melihat layar gadget. Berikut beberapa peningkatan pengalaman pengguna yang merupakan aplikasi dari machine learning.

   • Orang yang Mungkin Anda kenal

     Facebook mengumpulkan informasi pengguna, baik dari informasi umum seperti tempat tinggal, alamat sekolah, alamat kerja, dan kesukaan hingga log aktivitas seperti data percakapan, posting, dan profil yang sering dilihat (stalking). Sehingga bisa dilakukan prediksi teman yang mungkin sama di dunia nyata.

   • Pengenalan Wajah

     Facebook dapat mengetahui bahwa suatu gambar yang diunggah memuat wajah orang-orang. Sehingga pengguna dapat memberikan tag wajah pada area wajah di gambar. Seiring berjalannya waktu dengan banyaknya foto yang diunggah, facebook akan mengenali wajah-wajah penggunanya. Ini memungkinkan facebook melakukan tag secara otomatis wajah orang-orang pada gambar baru yang diunggah.

   • Pos pada Beranda

     Facebook akan mengumpulkan aktivitas tiap penggunanya, orang yang sering diajak berkomunikasi, posting yang sering disukai, hingga grup yang sering dilihat. Hal ini digunakan untuk menampilkan prioritas postingan yang ditampilkan pada beranda akun penggunanya. Sehingga peluang terjadinya interaksi terhadap pos yang tampil semakin tinggi.

4. Konten yang Ditampilkan Periklanan Digital

   Google Adword adalah media periklanan digital terpopuler di dunia. Adword menampilkan iklan-iklan pada situs web yang menjadi publisher di Google Adsense. Iklan yang ditampilkan adalah iklan yang bersifat dinamis atau berubah-ubah. Google Adword mengumpulkan data situs berdasarkan topik, kemudian menampilkan iklan-iklan yang relevan dengan topik tersebut. Disamping itu Google Adword juga menggunakan cookies, sebagai referensi aktivitas pengunjung suatu website terkait situs-situs yang dikunjungi sebelumnya. Adword melakukan akumulasi terhadap 2 faktor tersebut, sehingga dapat ditampilkan iklan yang sesuai dengan pengunjung website.

   

   Penerapan machine learning pada industri periklanan Google

5. Asisten Pribadi Virtual

   Gadget telah dilengkapi dengan asisten pribadi virtual, baik laptop maupun smartphone, misalnya: Cortana di Microsoft Windows, Siri di Iphone, dan Google Now di Android. Asisten virtual ini dapat membantu penggunanya untuk melakukan pencarian di internet, menanyakan jalan, cuaca, melakukan panggilan telepon, hingga membuka aplikasi. Di Windows, cortana bahkan mempelajari penggunanya untuk memberikan rekomendasi perintah yang akan dilakukan.

6. Penyaring Pesan Spam

   Machine learning memegang andil yang sangat besar untuk melakukan penyaringan (filter) spam baik di email, website, hingga media komunikasi berbasis software. Algoritma pohon keputusan (decision tree) merupakan cikal bakal dari algoritma spam filtering, untuk menentukan suatu pesan termasuk spam atau bukan.

7. Online Fraud Detection

   Online fraud detection adalah metode yang digunakan untuk mendeteksi suatu transaksi digital sah atau tidak. Online fraud detection digunakan oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online fraud detection menggunakan machine learning untuk melakukan perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian transaksi palsu, hingga deteksi pembobolan akun bank digital.

8. Videos Surveillance

   Videos surveillance atau pengawasan video merupakan teknologi baru yang merupakan penerapan dari machine learning yang disematkan pada CCTV untuk mendeteksi suatu tindak kejahatan atau kecelakaan. Di negara-negara maju, CCTV sudah digunakan untuk melakukan pencarian penjahat yang masih buron.

9. Diagnosa Medis

   Di negara Inggris, diagnosa medis menggunakan bantuan chatbot sudah marak dilakukan. Chatbot ini bernama Babylon Health. Ini dilengkapi dengan speech recognition untuk mempermudah berbicara dengan penggunanya. Dalam perkembangan selanjutnya, analisis diagnosa medis dengan kontak fisik mulai dikembangkan dengan deep learning.

10. Mobil Kendali Otomatis

    Mobil kendali otomatis merupakan penerapan serta pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis merupakan penerapan machine learning yang kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.

Referensi Sumber

https://www.advernesia.com/blog/data-science/machine-learning-adalah/

http://teknosains.com/others/pengertian-konsep-dasar-machine-learning

https://www.anakteknik.co.id/a/Affandi/Mengenal-Teknologi-Machine-Learning-di-Era-Industri-40

Ralf Herbrich & Thore Graepel. 2018. INTRODUCTION TO MACHINE LEARNING with APPLICATIONS in INFORMATION SECURITY. California: CRC Press

Baca Selanjutnya »

Makalah AI

BAB I

PENDAHULUAN

A.   Latar Belakang Masalah

Dalam dunia industri khususnya pada bagian perencanaan desain produk, pemilihan warna produk sangat menentukan ketertarikan konsumen untuk membeli.  Warna dalam kemasan produk harus disesuaikan dengan karakteristik produknya, konsumen yang akan menjadi sasaran penjualannya dan tema penjulan yang ingin disampaikan pada konsumen. Warna berfungsi untuk menunjukkan citra produk serta mengkomunikasikan segmentasi konsumennya, penggunaan warna yang salah akan menjadi kesalahan yang dibayar dengan tingkat penjualan yang rendah.

Untuk mendapatkan warna yang tepat untuk kemasan produk parfum dibutuhkan beberapa atribut yaitu jenis kelamin, citra warna, status sosial konsumen, tingkat penghasilan konsumen dan harga produk. Apabila atribut-atribut yang dibutuhkan telah ditentukan maka penting juga untuk menentukan komposisi warna yang dinginkan. kerena sedikit saja komposisi warna itu berubah warna yang dihasilkan pun juga berubah.

Biasanya suatu perusahaan akan melakukan sebuah survei untuk penentuan warna produk. Proses penentuan warna produk berdasarkan daftar pertanyaan kepada konsumen yang secara manual untuk memperoleh warna objektif suatu produk cenderung memakan waktu. Apalagi sangat membuang waktu dan finansial jika perusahaan akan membuat contoh produk dengan berbagai macam warna untuk menganalisa keinginan konsumen. Sehingga dalam perancangan produk ini diperlukan alat bantu agar tercapainya efisiensi dalam perencanaan produk. Oleh karena itu dalam kajian karya tulis ilmiah ini penulis akan mencoba membuat sistem yang dapat mengkontrol kompoisisi pencampuran warna dengan aplikasi kendali logika fuzzy. 

B.   Identifikasi masalah

Beberapa masalah yang berkaitan dengan perencanaan perancangan warna produk diantaranya :

1.    Bagaimana menghasilkan suatu rancangan produk sesuai dengan minat pasar.

2.    Bagaimana metode yang efisien untuk menentukan warna produk.

3.    Bagaimana bentuk akhir dari suatu rancangan produk dengan berbagai variasi warna tanpa harus direpotkan dengan pembuatan contoh produk yang tidak efisien secara finansial dan waktu.

  

C.   Batasan Masalah

Dari sekian permasalahan secara keseluruhan penulis memberikan batasan masalah untuk memperjelas permasalahan yang ingin dipecahkan dalam hal ini penulis mengkhususkan untuk membahas perancangan perencanaan warna produk baby walker. Berikut batasan masalah ini secara terperinci :

1)    Menganalisa kombinasi warna yang cocok untuk baby walker

2)    Menganalisa tingkat minat konsumen terhadap warna tertentu.

3)    Memberikan gambaran contoh akhir hasil produk dengan berbagai kombinasi warna .

D.   Tujuan Pembuatan

Tujuan dari pembuatan karya tulis ilmiah ini adalah dalam rangka mengikuti Lomba Karya Ilmiah STMIK Widya Utama Purwokerto.

BAB II

PENGENALAN KECERDASAN BUATAN

A.   Pengertian

Berikut beberapa pengertian kecerdasan buatan  dari beberapa ahli :

a)    H. A. Simon (1987) :

Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrogramankomputer untuk melakukan sesuatu hal yang   dalam pandangan manusia adalah- cerdas

b)    Rich and Knight (1991) :

Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia.

c)    John McCarthy (1956) :

Kecerdasan buatan AI : Untuk mengetahui dan memodelkan proses – proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.

d)    Encyclopedia Britannica:

Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan.

Dari pengertian-pengertian diatas kita bisa menyimpulkan bahwa kecerdasan buatan (Artificial Intelligence) adalah :

1. Suatu cara yang sederhana untuk membuat komputer dapat “berpikir” secara inteligent
2. Bagian dari ilmu komputer yang mempelajari perancangan sistem komputer yang inteligent, yaitu suatu sistem yang meperlihatkan karakteristik yang ada pada tingkah laku manusia, seperti mengerti suatu bahasa, mempelajari,mempertimbangkan dan memecahkan suatu masalah.
3. Suatu studi bagaimana membuat komputer dapat mengerjakan sesuatu, yang pada saat ini, orang dapat mengerjakan lebih baik
4. Bidang ilmu komputer yang memungkinkannya untuk memahami, bernalar dan bertindak.

B.   Tujuan dan Arah Kecerdasan Buatan :

a)    Tujuan dari kecerdasan buatan ialah :

1.    Untuk mengembangkan metode dan sistem untuk menyelesaikan masalah,masalah yang biasa diselesaikan melalui aktifivitas intelektual manusia, misalnya pengolahan citra,perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.

2.    Untuk meningkatkan pengertian/pemahaman kita pada bagaimana otak manusia bekerja

b)    Arah kecerdasan buatan adalah :

1.    Mengembangkan metode dan sistem untuk menyelesaikan masalah AI tanpa mengikuti cara manusia menyelesaikannya (sistem pakar / expert systems)

2.    Mengembangkan metode dan sistem untuk menyelesaikan masalah AI melalui pemodelan cara berpikirnya manusia, atau cara bekerjanya otak manusia (neural networks). 

C.   Cabang-cabang ilmu Kecerdasan Buatan

1.     Sistem pakar (Expert System)

Sistem pakar (Expert system) adalah suatu program komputer yang memperlihatkan derajat keahlian dalam pemecahan masalah di bidang tertentu sebanding dengan seorang pakar (Ignizio, 1991). Keahlian sistem pakar dalam memecahkan suatu masalah diperoleh dengan cara merepresentasikan pengetahuan seorang atau beberapa orang pakar dalam format tertentu dan menyimpannya dalam basis pengetahuan. Sistem pakar berbasis kaidah (rule-based expert system) adalah sistem pakar yang menggunakan kaidah (rules) untuk merepresentasikan pengetahuan di dalam basis pengetahuannya.

2.     Jaringan syaraf tiruan (Artificial Neural Network)

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 merubah 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.

3.     Logika Fuzzy (Fuzzy Logic)

Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (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”. Dia berhubungan dengan set fuzzy dan teori kemungkinan. Dia diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.

4.     Algoritma genetic

Algoritma Genetika pada dasarnya adalah program komputer yang mensimulasikan proses evolusi. Dalam hal ini populasi dari kromosom dihasilkan secara random dan memungkinkan untuk berkembang biak sesuai dengan hukum-hukum evolusi dengan harapan akan menghasilkan individu kromosom yang prima. Kromosom ini pada kenyataannya adalah kandidat penyelesaian dari masalah, sehingga bila kromosom yang baik berkembang, solusi yang baik terhadap masalah diharapkan akan dihasilkan. 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. Walaupun pada awalnya semua nilai fitness kemungkinan sangat kecil (karena algoritma ini menghasilkannya secara random), sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah fitness yang meningkat.

5.     Penalaran komputer berbasis kasus (Case Based Reasoning)

Penalaran Komputer Berbasis Kasus (Case Based Reasoning – CBR). Jadi komputer memberi solusi pemecahan berdasarkan pengalaman-pengalaman yang ada. Ide dasarnya adalah bahwa manusia seringkali merujuk kepada pengalaman sebelumnya jika ada suatu masalah. Ada empat tahapan/proses dalam penalaran komputer berbasis kasus, yaitu : retrieve, reuse, revise, retain.

  

D.   Beda Kecerdasan Buatan dan Kecerdasan Alami

1.            Perbandingan kelebihan

1.            Kelebihan kecerdasan buatan :

1. Lebih bersifat permanen. Kecerdasan alami bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah selama sistem komputer & program tidak mengubahnya.

2. Lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1 orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak akan pernah dapat diduplikasi dengan lengkap.Jadi jika pengetahuan terletak pada suatu sistem komputer, pengetahuan tersebut dapat disalin dari komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.

3. Lebih murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.

4. Bersifat konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer sedangkan kecerdasan alami senantiasa berubah-ubah

5. Dapat didokumentasi.Keputusan yang dibuat komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.

6. Lebih cepat

7. Lebih baik

2.            Kelebihan kecerdasan alami :

1. Kreatif : manusia memiliki kemampuan untuk menambah pengetahuan, sedangkan pada kecerdasan buatan untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun.

2. Memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.

3. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas.

Tabel Perbedaan Antara Kecerdasan Buatan dan program Konvensional

AI	Komputasi Konvensional
Representasi dan Manipulasi simbol	Algoritama
Memberitahu komputer tentang suatu masalah	Memerintah komputer untuk menyelesaikan masalah
Komputer diberi pengetahuan dan kemampuan inferensi	Memberi data kepada komputer dan program

  

BAB III

Proses Perencanaan Warna Produk Dengan Sistem Computer Aided

A.   Perencanaan Warna Produk

Umumnya produk pengembangan dari computer aided hanya mengutakan aspek fisik dari suatu desain produk. Bagaimanapun masing masing elemen harus dipertimbangkan untuk menentukan sebuah desain produk, elemen-elemen tersebut ialah elemen emosional dan respon estetika dari para calon konsumen. Sejauh pengamatan penulis penentuan warna suatu produk masih banyak menggunakan sistem survey manual seperti survey warna favorit konsumen atau berdasar tingkat penjualan produk sejenis yang diklasifikasikan berdasarkan warna produk. Kita membutuhkan suatu sistem yang bisa membantu perencanaan warna produk yang tentunya lebih efisien dan tepat sasaran sehingga tercipta suatu produk yang diminati oleh konsumen.

Dalam evaluasi penelitian warna produk digunakan sebuah metode fuzzy sistematik yang merancang perencanaan warna dari suatu produk. Contoh model disajikan dengan perpaduan warna dari warna dasar dengan parameter RGB.

RGB adalah singkatan dari Red-Green-Blue. Tiga warna yang dijadikan Patokan warna secara universal (primary Colors). Dengan basis RGB, seorang desainer grafis bisa mengubah warna ke dalam kode-kode angka sehingga warna tersebut akan tampil universal. Contohnya seorang desainer grafis tidak bisa mengatakan sebuah warna berdasarkan pertimbangan subyektif, misalnya: biru muda menurut orang awam adalah biru nya langit disiang yang cerah, hal ini bisa jadi berbeda bagi orang lain dengan pertimbangan yang lain pula. Untuk menyamakan persepsi dalam definisi warna, perlu adanya standar internasional dalam konteks Kerja professional. Dengan standar RGB, seorang desainer dapat mengatakan warna dengan komposisi angka yang jelas. Warna biru mempunyai komposisi perpaduan antara unsur Red, Green, Blue, dengan derajat angka untuk R: 115-G: 221-B: 240.

Dalam kajian karya tulis ilmiah ini penulis mengusulkan sebuah sistem yang secara otomatis mengkombinasikan skema warna dari sebuah produk dalam hal ini penulis mengambil contoh produk baby walker.  Sebuah program dibuat dengan kombinasi sistem fuzzy dan algoritma genetik. Seorang desainer produk bisa membuat beberapa contoh gambaran produk dengan kombinasi warna yang bisa disesuaikan dengan keinginan.

Ada tiga bagian utama yang perlu pewarnaan  dalam sebuah baby walker yaitu

top tray atau cincin atas (color 1), cincin dasar atau cross tube (color 2), cross tube atau penyangga (color 3),

Dalam hal ini penulis menerapkan algoritma genetika untuk mencari warna-warna yang ideal untuk sebuah produk yang bisa memenuhi standar estetika.

Algoritma genetika banyak diterapkan dalam pemecahan masalah. Dalam studi terbaru algoritma genetik menerapkan teknik skotastik untuk mencari pendekatan kombinasi warna dan untuk menjalankan ini warna produk dikodekan dengan batasan parameter. Batasan parameter dihubungkan dengan jangakuan fitness, 

kromosom (warna desain) yang dihasilkan selama proses pencarian berbasis populasi akan berkembang menuju suatu solusi desain warna yang optimal, baby walker dengan kombinasi 3 warna diambil sebagai ilustrasi untuk menunjukkan kelayakan metode yang diusulkan.

B.   Metode Implementasi

Perancangan warna baby walker disajikan dengan sebuah program. Melalui program ini user akan dihadapkan dengan sebuah program yang menyajikan image 3D baby walker dan range warna untuk color 1, color 2, color 3 dengan konsep warna  Red, Green, Blue.

C.      Evaluasi Warna Produk Menggunakan Pendekatan Emosional dan Skala Estetika

Pada gambar yang ditunjukan, biasanya sebuah baby walker terdiri dari top tray, a base ring (cincin dasar) dan sepasang penyangga (cross tube). Dalam program ini seorang user bisa mengubah warna dari ketiga bagian tersebut dengan mengkombinasikan sesuai keinginan dengan konsep RGB. Berikut komponen dan warna yang bisa diubah dan atributnya :

• Color 1 (R1, G1, B1), top tray,

• Color 2 (R2, G2, B2), base ring,

• Color 3 (R3, G3, B3), cross tubes.

Konsumen biasanya cenderung memilih warna baby walker yang sesuai dengan jenis kelamin bayi mereka.  Orang tua yang memiliki bayi perempuan tentu memilihkan warna yang berbeda dengan orang tua yang memiliki bayi laki-laki. Kita memberikan sebuah atribut warna dengan 0 sebagai warna yang disukai oleh  orang tua yang memilik bayi perempuan dan 0,5 oleh pemilih netral dan 1 oleh orang tua yang memiliki bayi laki-laki.

Setiap warna perangkat baby walker diberi nilai dengan jangkauan dalam RGB yaitu 0-255. Kemudian dalam program ini akan menghasilkan 125 contoh warna dalam 3D model baby walker.

Sebuah 3-D model baby walker dengan 3 kombinasi warna dari 3 bagian

Dengan  mengadopsi operasi gray clustering sebagai evaluasi image untuk produk dengan multi warna. Maka dihasilkan persamaan objektif dari perencanaan warna produk ini.  Persamaan objektif dari perencanaan warna produk ini adalah :

Dimana a ij    mewakili keanggotaan dengan atribut jth (warna) dari sample jth (kombinasi warna). Fungsi factor f jk menunjukkan arti dari jth color ke kth cluster (koding warna) dan η jk   adalah Factor koefisien dari koresponden f jk , σ ik menunjukan nilai evaluasi dari kelompok kth ke sampel jth.

Selanjutnya, intensitas gambar (σ ik)  dapat di-fuzzikan menjadi nilai keanggotaan (E EI )untuk semua evaluasi emosional.

D.   Pencarian kombinasi warna menggunakan algoritma genetik

Algoritma Genetika pada dasarnya adalah program komputer yang mensimulasikan proses evolusi. Dalam hal ini populasi dari kromosom dihasilkan secara random dan memungkinkan untuk berkembang biak sesuai dengan hukum-hukum evolusi dengan harapan akan menghasilkan individu kromosom yang prima. Kromosom ini pada kenyataannya adalah kandidat penyelesaian dari masalah, sehingga bila kromosom yang baik berkembang, solusi yang baik terhadap masalah diharapkan akan dihasilkan.

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. Walaupun pada awalnya semua nilai fitness kemungkinan sangat kecil (karena algoritma ini menghasilkannya secara random), sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah fitness yang meningkat.

Algoritma genetika sangat tepat digunakan untuk penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan menggunakan metode yang konvensional. Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika yang sederhana umumnya terdiri dari tiga operator yaitu:  operator reproduksi, operator crossover (persilangan) dan operator mutasi. Struktur umum dari suatu algoritma genetika dapat didefinisikan dengan langkah-langkah sebagai berikut:

1. Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
2. Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah disebut di atas yaitu operator reproduksi/seleksi, crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
3. Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering digunakan antara lain:

• Berhenti pada generasi tertentu.
• Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah.
• Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.

Konsep dasar dari mekanisme algoritma genetika disajikan dengan dimulainya parameter warna secara acak yang setiap bagiannya dianggap sebuah kromosom dan mewakili kombinasi warna . fungsi tujuan atau fungsi fitness –nya didefinisikan sebagai berikut :

Dimana E EI    adalah nilai dari gambar evaluasi emosional.

T EI   adalah nilai gambar dari evaluasi estetika

w EI adalah nilai emosional yang diperlukan dari suatu target.

w AI dan w EI  adalah bobot  masing-masing normalisasi emosional dan estetika

w AI + w EI = 1.

E.   Studi Kasus

Sebagai obyek dari studi kasus ini diambil contoh sebuah baby walker berdasarkan input warna yang diberikan.

Pada contoh diatas  Color 1 (251, 210,97), Color 2 (129, 237, 61) dan Color 3 (53, 177, 230), ketika semua parameter warna sudah diberikan, setelah Button 3-D Color Simulation  untuk  mengeksport  VRML file dari sistem I-DEAS CAD ke Cosmo Player. Setelah semua desain sudah dilihat dan user sudah  mendapatkan perpaduan warna yang diinginkan klik Image Evaluation untuk memberikan gambar baby walker ke dalam jendela evaluasi.

Contoh image 3D model baby walker yang diperlihatkan dalam Cosmo Player.

Contoh Top Tray dalam beberapa warna

Contoh Base Ring dalam beberapa warna

Contoh Cross Tube dalam beberapa warna

F.    Kesimpulan Proses

Masing-masing produk meliputi beberapa komponen yang terdiri dari warna berbeda, karenanya dibuatlah program untuk memberikan warna pada masing-masing komponen produk.

Dalam kajian ini dibangun algoritma dalam ukuran kuantitatif dalam model fuzzy, untuk membantu keterkaitan produk multiwarna dan gambar yang dihasilkan. Tidak seperti metode statistik yang membutuhkan banyak  contoh, Dengan kombinasi metode fuzzy dan algoritma genetika memberikan sebuah proses yang sederhana untuk mempelajari sistem pembelajaran yang kompleks dan memberikan hasil analitik yang terpercaya. Khususnya, untuk sistem dengan informasi yang kurang komplit yang kurang akan variable dan relasi.

Program ini tidak sepenuhnya menjamin kepuasan para desainer produk karena para desainer produk mempunyai ciri dalam model dan pengalaman para desainer sebelumnya. Namun demikian program ini bisa menjadi acuan sebuah program yang bisa mengefisiensi pemilihan warna produk. Selanjutnya program ini bisa disesuaikan dengan produk lain tergantung kebutuhan suatu perusahaan.

BAB IV

PENUTUP

A.   Kesimpulan

Berikut kesimpulan yang didapat :

1.    Kecerdasan buatan adalah Suatu cara yang sederhana untuk membuat komputer dapat “berpikir” secara inteligent.

2.    Cabang-cabang ilmu Kecerdasan Buatan

a)    Sistem pakar (Expert System)

b)    Jaringan syaraf tiruan (Artificial Neural Network)

c)    Logika Fuzzy (Fuzzy Logic)

d)    Algoritma genetic

e)    Penalaran komputer berbasis kasus (Case Based Reasoning)

3.    Pemilihan warna suatu produk dapat secara mudah dilakukan dengan bantuan komputer (computer aided).

4.    Dengan gabungan antara sistem fuzzy dan metode algoritma genetika memberikan sebuah proses yang sederhana untuk mempelajari sistem pembelajaran yang kompleks dan memberikan hasil analitik yang terpercaya hal ini tentunya lebih efisien dibandingkan dengan metode statistik yang masih manual.

B.   Saran dan Kritik

Penulis menyarankan agar lomba karya ilmiah ini diadakan setiap tahun untuk meningkatkan minat mahasiswa terhadap hal yang baru khususnya perkembangan dalam dunia teknik informatika. Penulis mengharapkan kritik yang membangun untuk kemajuan bersama.

DAFTAR PUSTAKA

• http://ilmukomputer.org/2007/03/27/algoritma-backward-chaining-pada-rule-based-expert-system/
• http://www.bimacipta.com/ga.htm
• http://id.wikipedia.org/wiki/Logika_fuzzy
• http://74.125.153.132/search?q=cache:efLCCIEhqgQJ:dosen.amikom.ac.id/downloads/artikel/full_paper_sriti_kusrini.pdf+penalaran+komputer+berbasis+kasus&cd=1&hl=id&ct=clnk&gl=id

     

Baca Selanjutnya »