Tugas Denny Trias Weblog

Kerjakan dengan sungguh-sungguh, bagikan ilmu dengan ikhlas, nanti Allah akan menambahkan keberkahan

contoh aplikasi kecerdasan buatan di masyarakat

Ifal Khoirun Nisa’ NH                                 

NIM                            : E3110351

PRODI                       : MIF-4_B

MATA  KULIAH     : Artificial Intelegent (AI)

Lembar 1

Judul                   : Teknik Membongkar Pertahanan Virus Lokal Menggunakan Visual Basic

Bidang                : Teknik dan Rekayasa

 

Pesatnya perkembangan virus lokal belakangan ini yang terkadang menginfeksi komputer, menuntut harus mulai berfikir mengambil bagian tentang bagaimana cara pembuatan pencegahnya. Hal ini diperlukan, karena virus lokal terkadang sulit dideteksi oleh beberapa antivirus terkemuka, kecuali oleh beberapa antivirus buatan lokal yang kemudian dipublikasikan sebagai antivirus yang mampu menangani satu atau beberapa jenis virus lokal. Hal ini bisa terjadi mungkin saja disebabkan karena virus lokal bekerja tidak sebagaimana virus non lokal pada umumnya, sehingga keluar dari standar pencarian virus, contohnya saja jarang sekali virus lokal yang menginfeksi file exe atau file com atau yang lainnya, sehingga sangat sulit dideteksi sebagai virus atau bukan, kecuali ketika virus tersebut telah dilaporkan dan terdeteksi oleh pembuat antivirus, baru virus tersebut dapat diatasi, lagi-lagi tercipta asumsi bahwa virus selangkah lebih maju dari antivirus. Salah satu penyebab dari sulitnya mendeteksi virus lokal ini, karena hampir tidak ada bedanya dengan file biasa, apalagi virus ini juga menggunakan bahasa lokal. Satu sisi mungkin bisa berbangga, karena beberapa nama virus lokal merupakan bahasa Indonesia, dan telah menjadi nama yang berada di database daftar virus internasional.

Kini saatnya mencoba membongkar pertahanan virus lokal secara manual, yang mungkin suatu saat teknik ini akan mampu menciptakan antivirus secara sederhana. Teknik membongkar pertahanan virus lokal menggunakan bahsa visual basic script dan teks edior mengacu pada target pengamanan beberapa bagian vital yang diinfeksi oleh virus, seperti registry, msconfig, sysedit, cmd, folder windows, system32 dan masih banyak lagi. Hal ini dimaksudkan bahwa dengan memahami teknik membongkar pertahahanan virus tentunya diharapkan mampu mencegah virus menginfeksi komputer lebih dini, hal ini sejalan dengan asumsi bahwa mencegah lebih baik dari mengobati.

 

 

 

 

Sumber : Tugas milik Merry Aslendra dalam tugas Kecerdasan buatan pada alamat website http://ardias2011.net16.net/wordpress/?page_id=2

 

 

 

 

 

 

 

 

 

Lembar 2

Judul              : Sistem Pakar Diagnosa Penyakit Tanaman Padi Berbasis Web dengan Forward dan Backward Chaining

Bidang            : Agronomi dan Pertanian

 

Sistem ini dibangun dengan menggunakan analisa agar penerapan teori ke dalam praktik program dapat sejalan, sehingga jika dicek secara manual atau programnya menghasilkan diagnosa dan perhitungan prosentase kemungkinan jenis penyakit yang tidak jauh beda. Sistem pakar untuk mendiagnosa penyakit pada tanaman padi ini memberikan solusi berupa hasil diagnose dan prosentase kemungkinan jenis penyakit dengan metode forward chaining maupun info penyakit dengan metode backward chaining.

Adapun langkah-langkah yang diambil adalah sebagai berikut.

  1. Analisa Hasil Konsultasi

Diambil contoh pada proses konsultasi, memilih gejala di antara gejala-gejala yang ditampilkan sebagai input:

  1. Gejala yang terpilih : anakan tumbuh tegak dan daun menguning sampai jingga dari pucuk ke pangkal.
  2. Langkah diagnosa :

1)      Mencari Jenis Penyakit yang memiliki gejala terpilih sesuai basis pengetahuan.

2)      Mencari jumlah gejala yang terpenuhi oleh gejala terpilih pada basis pengetahuan.

3)      Mencari jumlah gejala yang harus terpenuhi pada basis pengetahuan.

4)      Melakukan perhitugan prosen kemungkina hasil diagnosa.

5)      Melakukan perhitungan hasil prosentase kemungkinan hasil diagnosa terhadap keseluruhan kemungkina terdiagnosa.

  1. Penyelesaian:

1)      Mencari jenis penyakit yang memiliki gejala terpilih pada basis pengetahuan.

2)      Sistem menunjukkan diagnosa awal.

3)      Sistem menunjukkan hasil diagnosis.

  1. Analisa Hasil Info Penyakit

Diambil contoh pada proses info penyakit, memilih jenis penyakit sebagai input :

  1. Pilih penyakit
  2. Langkah diagnosa :

1)      Mencari gejala dari jenis penyakit terpilih dari gejala aturan yang ada.

2)      Mencari keterangan detail tentang penyakit terpilih.

 

Pada penelitian ini menerapkan 2 metode inferensi forward chaining dan backward chaining sehingga memudahkan proses diagnosa penyakit padi. Proses diagnose dapat berupa konsultasi yang dimulai dari menanyakan gejala-gejala pada tanaman padi, dan  yang kedua proses diagnosa dapat dengan memilih daftar penyakit sehingga akan memunculkan informasi tentang penyebab dan langkah-langkah penanganan penyakit tersebut.

 

 

 

Sumber :  Tugas milik Anton Setiawan Honggowibowo, Jurusan Teknik Informatika di Sekolah Tinggi Teknologi Adisutjipto.

 

Lembar 3

Judul              : Aplikasi Kecerdasan Buatan di Laboratorium Minyak Bumi

Bidang            : Ekonomi dan Bisnis

 

Ada banyak jenis kecerdasan buatan, setidaknya ada lima jenis kecerdasan buatan yang sering kita temui, yaitu : Jaringan Syaraf Buatan (Artificial Neural Networks), Dalam industri minyak bumi AI ini dapat digunakan untuk membuat pola waktu, misal produksi suatu sumur minyak pada waktu tertentu. Logika Fuzzy (Fuzzy Logics), Logika ini untuk menentukan nilai diantara dua keadaan biner (1 dan 0). Logika inilah yang bisa dipakai untuk identifikasi suatu minyak bumi sama (1) atau tidak (0) yang akan dibahas lebih lanjut. Algoritma Genetik (Genetic Algorithms), Algoritma Genetik biasanya digunakan dibidang kedokteran, misal untuk menganalisis DNA. Robotika (Robotics), AI ini banyak digunakan di pabrik. Biasanya dibuat untuk melakukan kegiatan otomatisasi, misal dalam PLC (Programmable Logic Control). Permainan Komputer (Games), AI jenis ini yang paling disukai oleh anak-anak bahkan remaja, misal untuk memainkan game Age of Mythology atau Counter Strike.

Dari contoh-contoh diatas, yang akan dibahas kali ini adalah Logika Fuzzy, yaitu untuk menentukan apakah suatu minyak bumi sama atau tidak berdasarkan hasil analisis spektrum minyak bumi menggunakan Spektrofotometer FTIR (Fourier Transform Infra Red) yang dilakukan di Laboratorium Molekuler LEMIGAS, Jakarta selama bulan Januari – Februari 2006 yang lalu.

  • Spektrofotometer FTIR

Pengolahan data secara digital menggunakan komputer sudah dilakukan sejak tahun 1960. Dengan adanya revolusi teknologi komputer saat ini sudah mampu melakukan pengambilan keputusan seperti manusia (human-like decisions). Pada dasarnya mesin komputer hanya mengenal bahasa biner untuk mengambil keputusan, seperti “ada (1)” dan “tidak ada (0)”, hidup dan mati, betul dan salah, sama dan beda, dan lain-lain. Ketika dihadapkan pada kondisi yang memerlukan pertimbangan subjektif yang tidak pasti, seperti “agak mirip” atau “sedikit berbeda” mesin sudah tidak dapat melakukan pengambilan keputusan lagi. Untuk itu perlu dilakukan transformasi terlebih dahulu melalui suatu metoda khusus yang disebut kecerdasan buatan (artificial intellegence).

Cara kerja kecerdasan buatan pada dasarnya meniru cara kerja syaraf manusia dalam mengambil keputusan dimana didalamnya terdapat beberapa pertimbangan subjektif berdasarkan kriteria, seperti seberapa mirip suatu minyak bumi dengan minyak bumi lainnya atau berapa perbedaan yang diperbolehkan untuk menentukan bahwa suatu minyak bumi sama atau berbeda.

Perangkat lunak yang dapat digunakan untuk membuat suatu kecerdasan buatan dapat menggunakan bahasa pemrograman atau lembar kerja (spreadsheet) seperti Lotus, Microsoft Excel, C++, Basic, dBase, Microsoft Access, Microsoft Visual Basic, Delphi dan lain-lain. Pada percobaan yang dilakukan, metoda yang akan digunakan adalah menggunakan Logika Fuzzy pada Microsoft Visual Basic 6.

 

  • Statistika

Untuk membandingkan kemiripan identitas suatu minyak bumi secara digital perlu dilakukan perhitungan secara statistika. Dalam metoda yang dipakai untuk mengidentifikasi kemiripan suatu minyak bumi secara digital adalah dengan melihat presisi atau simpangan bakunya. Simpangan baku inilah yang menjadi variabel bebas untuk dijadikan kriteria kemiripan suatu minyak bumi.

Presisi adalah istilah yang digunakan untuk menyatakan kecocokan hasil dari pengujian / pengukuran dari suatu sampel yang diuji/diukur. Salah satu cara menentukan presisi adalah dengan jalan menghitung harga simpangan baku. Dalam analisis sidik jari minyak bumi, ukuran kesamaan suatu minyak bumi menggunakan simpangan baku relatif (Relative Standard Deviation, RSD).

Pada percobaan yang dilakukan saat identifikasi sidik jari minyak bumi, perhitungan presisi digunakan ketika menentukan batasan atau kriteria kemiripan rasio hasil normalisasi serapan spektrum infra merah minyak bumi contoh terhadap terhadap rasio hasil normalisasi serapan spektrum infra merah minyak bumi pembanding. Batasan presisi ini dijadikan kriteria pertama ( K1 ) berupa variabel bebas sehingga operator bisa memilih sendiri batasan kemiripan minyak bumi.

 

  • Metoda Identifikasi Spektrum Infra Merah

Bila diamati sekilas, spektrum minyak bumi tampak mirip antara satu dengan yang lainnya. Hal ini terjadi karena yang terukur oleh spektrofotometer infra merah adalah gugus-gugus CH3, CH2, dan gugus aromat yang memang selalu ada dalam setiap minyak bumi. Jika diamati lebih cermat akan tampak perbedaan, yaitu intensitas absorbsi gugus-gugus dari setiap minyak bumi akan berbeda. Perbedaan ini kemudian menjadi dasar untuk dipakai sebagai pembeda suatu spektrum dengan spektrum lainnya.

Konsep dasar dari pengenalan pola atau pattern recognition adalah membandingkan sifat-sifat spesifik suatu contoh terhadap sifat-sifat spesifik yang kemungkinan terdapat juga dalam pembanding. Ada dua metoda untuk membandingkan spektum infra merah senyawa hidrokarbon, yaitu :

  1. Metoda manual atau tumpang tindih (overlay method)

Identifikasi spektrum menggunakan metoda overlay. Metoda ini dilakukan dengan cara menumpukkan hasil cetak spektrum infra merah kemudian menumpukkan dua atau lebih hasil cetak tersebut diatas meja kaca yang diberi lampu. Dari tumpukan hasil cetak spektrum infra merah tersebut kemudian dicari kecocokan spektrum contoh terhadap spektrum minyak bumi pembanding. Metoda ini memiliki kelemahan yaitu pada cara pengamatan spektrum dan menentukan batasan kemiripannya, karena penentuan kesamaan suatu spektrum cara tersebut sangat subjektif, artinya pemahaman sama atau tidak dari tiap orang akan berbeda.

  1. Metoda perbandingan data analisis

Metoda ini relatif lebih teliti dibandingkan metoda tumpang tindih (overlay method), karena yang dibandingkan adalah data atau angka hasil pembacaan alat spektrofotometer.

Pada pengenalan pola minyak bumi, sifat spesifik yang dibandingkan adalah spektrum serapan infra merah pada bilangan gelombang tertentu dengan menggunakan Spektrofotometer FTIR. Metoda pengenalan pola cara tersebut digunakan karena gugus-gugus dalam hidrokarbon bila diberi energi dari sinar infra merah akan memberikan spektrum pada bilangan gelombang yang spesifik. Spektrum infra merah tersebut akan menggambarkan keberadaan gugus metil, metilena dan aromat yang selalu ada dalam minyak bumi.

Analisis menggunakan Spektrofotometer FTIR digunakan karena kecepatan analisisnya jauh lebih cepat dibandingkan metoda dispersi, yaitu lima detik. Sedangkan jika menggunakan spektrofotometer infra merah dispersi waktu yang dibutuhkan sekitar 10 – 15 menit. Selain itu kelebihan utamanya adalah karena ketelitian Spektrofotometer FTIR lebih tinggi dibandingkan dispersi.

Berbagai pita absorbsi dapat digunakan untuk tujuan identifikasi. Dari hasil pengamatan spektrum infra merah minyak bumi yang dianalisis dipilih sepuluh pita absorbsi kunci yang masih signifikan11), yaitu pada bilangan gelombang identifikasi 720, 747, 810, 874, 1034, 1168, 1309, 1375, 1456 dan 1600 cm-1. Spektrum infra merah dari bilangan gelombang tersebut diatas kemudian diukur.

Untuk membandingkan dua angka maka digunakan perhitungan selisih dari kedua angka tersebut. Pada dasarnya dua angka dikatakan mempunya nilai yang sama jika selisih kedua angka tersebut adalah nol. Tetapi karena angka-angka tersebut merupakan hasil dari pengukuran, maka walaupun kedua angka tersebut berasal dari contoh yang sama maka angka-angka hasil pengukuran tersebut tidak akan tepat sama. Ketidaksamaan ini berasal dari keterulangan (repeatability) dari setiap pengukuran serta karena adanya perubahan sifat-sifat contoh oleh pengaruh pelapukan (weathering).

Besarnya nilai keterulangan ini digunakan sebagai kriteria untuk menentukan apakah kedua deret angka tersebut mempunyai nilai yang sama, yaitu kriteria simpangan baku ( K1 ).

Hasil pembandingan angka-angka dalam satu deret angka identitas kemudian dijumlahkan. Bila nilai penjumlahan tersebut sama dengan banyaknya angka yang dibandingkan atau dengan kata lain banyaknya puncak absorbsi infra merah yang dibandingkan, maka dua deret angka tersebut mempunyai nilai yang sama. Dalam hal tertentu, terutama karena faktor pelapukan minyak bumi, satu atau dua puncak absorbsi infra merah akan mengalami pengurangan cukup banyak, sehingga yang mempunyai nilai yang sama dengan puncak-puncak serapan dari minyak bumi pembanding tidak lagi sebanyak jumlah puncak semula. Untuk itu maka nilai penjumlahan harga-harga NP dapat dipilih sebanyak 100% seluruhnya atau lebih kecil. Dengan memilih nilai penjumlahan NP ini dapat dilihat minyak-minyak pembanding yang sama (match) dengan contoh.

 

  • Pengamatan

Berikut adalah data hasil pemeriksaan yang dilakukan dan sudah dinormalisasikan. Sebuah Tabel terdiri dari hasil pembacaan spektrum infra merah minyak bumi pembanding dan minyak bumi “X” yang tidak diketahui. Luas area spektrum infra merah minyak bumi pembanding dan contoh Data hasil normalisasi contoh kemudian dibandingkan terhadap hasil normalisasi minyak bumi pembanding pada tabel diatas dengan kriteria ( K1 ) yaitu nilai simpangan baku relatif (RSD ; Relative Standard Deviation) = 5%. Semakin kecil kriteria K1 yang ditentukan maka pencocokan akan semakin akurat.

 

  • Interpretasi

Kriteria suatu rasio absorbsi serapan infra merah pada bilangan gelombang tertentu dinyatakan sama jika nilai RSD <= 5%. Jika nilai RSD 5% maka diberi notasi 0. Dengan demikian akan diperoleh data yang terdapat pada tabel nilai pembanding.

 

  • Tabel nilai pembanding (NP)

Sampai disini minyak bumi belum dapat disimpulkan kesamaan atau kemiripannya, karena masih harus memenuhi variabel K2, yaitu kriteria jumlah hasil normalisasi serapan pada bilangan gelombang kunci. Untuk dapat menentukan hal tersebut maka hasil pencocokan rasio serapan pada setiap bilangan gelombang kunci kemudian dijumlahkan. Jika jumlah nilai pembanding lebih besar atau sama dengan kriteria kecocokan nilai pembanding yang ditentukan pada K2 maka minyak bumi tersebut dinyatakan cocok atau sama. Kriteria besarnya simpangan baku relatif ( K1 ) dan jumlah kecocokan nilai pembanding ( K2 ) dapat dirubah, karena merupakan variabel bebas.

Perubahan fisik yang mungkin terjadi pada minyak bumi adalah karena pelapukan (weathering).

 

  • OilSniffer v1.00 (betha)

Meskipun dengan menggunakan metoda spektrofotometer infra merah (FTIR) ini sudah dapat diketahui jenis minyak bumi contoh, tetapi hasilnya belum merupakan kesimpulan mutlak, karena masih harus di counter dengan metoda lainnya, seperti kromatografi gas, spektrofometer massa, spektrofotometer serapan atom, spektroflorometer. Untuk itu agar hasilnya lebih akurat ada baiknya semua metoda tersebut dilakukan.

 

 

Sumber :

Tugas milik Mustofa dalam tugas Kecerdasan buatan pada alamat website http://ardias2011.net16.net/wordpress/?page_id=2  yang di copy-nya dari http://persembahanku.wordpress.com/2006/10/20/aplikasi-kecerdasan-buatan-di-laboratorium-minyak-bumi-3/

 

 

 

 

 

 

 

 

 

 

 

 

Lembar 4

Judul              : Kecerdasan buatan pada komputer

Bidang            : Pendidikan

 

 

Menciptakan manusia pintar memang hanya Tuhan yang mampu, tetapi manusia ternyata mampu menciptakan mesin pintar. Bahkan, mesin yang lebih pintar dari manusia. Seperti yang dapat dilihat dari artikel berikut ini.

 

Oleh : Joko Nurjadi

Tahun 1997 adalah tahun kelabu bagi Garry Kasparov sang juara dunia catur saat itu. Tepatnya pada 11 Mei 1997, Garry Kasparov harus mengakui keunggulan mesin catur buatan IBM yang dinamakan Deep Blue. Garry Kasparov dikalahkan dalam duel catur manusia melawan mesin, yang dimainkan sebanyak 6 pertandingan. Deep Blue memetik 2 kemenangan, Garry Kasparov memetik 1 ke menangan, sementara 3 pertandingan lainnya berakhir draw atau remis.

Event tersebut menandai kali pertama dalam sejarah, sebuah mesin komputer mampu mengalahkan seorang juara dunia catur.

Mengapa hal tersebut merupakan sesuatu yang menggemparkan? Bukankah sebuah kalkulator sederhana sejak dulu telah mampu menghitung angka-angka lebih cepat dari kebanyakan otak manusia? Ternyata tidak semudah itu mendefi nisikan kecerdasan buatan, atau dalam bahasa Inggris disebut dengan Artifi cial Intelligence..

Umumnya kecerdasan buatan diwujudkan dengan mesin komputer, Deep Blue, yang mengalahkan Garry Kasparov merupakan sebuah mesin yang mengandung 30-node (atau 30 processor) IBM RS/6000 SP Computer dengan masing-masing node memiliki kapasitas 1 GB RAM dan 4 GB disk, di samping ratusan chip search engine yang juga tertanam di dalam Deep Blue.

Deep Blue mampu mencari ratusan juta posisi catur setiap detiknya tergantung pada karakteristik posisi yang dicari, dan tentu saja Deep Blue juga dilengkapi dengan database raksasa. Memang cukup mengerikan lawan yang harus dihadapi Garry Kasparov dan itu terjadi pada tahun 1997, di saat spesifikasi komputer yang Anda miliki pada waktu itu tentu sudah ketinggalan zaman pada saat ini. Garry Kasparov sendiri sempat menyangsikan bahwa ia benar-benar melawan sebuah mesin komputer, karena Kasparov merasakan kreativitas otak manusia dalam langkah yang dilakukan Deep Blue. Tetapi, apa yang dilakukan Deep Blue memang apa yang di inginkan oleh pengembang kecerdasan buatan, di mana mesin meniru cara kerja otak manusia, dengan memprogram mesin melakukan apa yang dilakukan oleh manusia, misalnya saat otak manusia berpikir untuk memecahkan permainan seperti puzzle dan membuat kesimpulan logika.

Untuk sampai pada suatu keputusan, semakin banyak pengetahuan dan informasi yang ada akan semakin baik. Karena itu, kecerdasan buatan perlu merepresentasikan object, property, kategori, hubungan antar object, situasi, keadaan dan waktu, sebab akibat, dan masih banyak lagi.

Dengan kecerdasan buatan, tentunya diharapkan dapat menyelesaikan permasalahan-permasalahan yang timbul, kecerdasan buatan terbuka untuk diaplikasikan pada berbagai bidang.

 

Sumber :

Tugas milik Dimas Aditya Prayitno dalam tugas Kecerdasan buatan pada alamat website http://ardias2011.net16.net/wordpress/?page_id=2

Lembar 5

Judul              : Penerapan Computer Vision di dunia Militer

Budang           : Pertahanan dan Keamanan

 

Di dalam ilmu komputer, banyak ahli yang berkonsentrasi pada pengembangan kecerdasan buatan atau Artificial Intelligence (AI). Banyak implementasi kecerdasan buatan dalam bidang komputer, antara lain adalah Decision Support System (Sistem Pendukung Keputusan), Robotic, Natural Language (Bahasa Alami), Neural Network (Jaringan Saraf) dan lain-lain.

Pengertian kecerdasan buatan yaitu suatu studi khusus di mana tujuannya adalah membuat komputer berpikir dan bertindak seperti manusia.

Contoh bidang lain pengembangan kecerdasan buatan adalah Penerapan Computer Vision. Visi komputer adalah ilmu dan teknologi mesin yang melihat, di mana dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Visi komputer berkaitan dengan teoridi balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.

Contoh aplikasi dari visi komputer mencakup sistem untuk :

  • Pengendalian proses (misalnya, sebuah robot industri atau kendaraan otonom).
  • Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang menghitung).
  • Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan).
  • Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra medis atau model topografi).
  • Interaksi (misalnya, sebagai input ke perangkat untuk interaksi komputer-manusia).

 

Begitu banyak hasil kajian Computer Vision yang ada selama ini. Hal itu mendatangkan banyak manfaat untuk kepentingan manusia. Diantaranya terletak pada bidang militer. Contohnya  implementasi penguncian objek musuh pada pesawat jet dan teknologi radar pada rudal, pengenalan kondisi tentara musuh. Teknologi kecerdasan buatan dapat diimplementasikan pada sistem yang mensimulasikan kondisi-kondisi perang yang mungkin akan terjadi di lapangan, mengatur strategi serta mengkalkulasi kemungkinan beberapa strategi terhadap kondisi medan perang secara simultan dan menampilkan hasilnya.

Sebut saja deteksi tentara musuh atau kendaraan dan bimbingan rudal. Hal ini membutuhkan sistem canggih untuk panduan mengirim rudal-rudal ke daerah target yang spesifik dan pemilihan target yang dibuat ketika rudal mencapai daerah berdasarkan data citra yang diperoleh secara lokal. Konsep modern militer, seperti “kesadaran medan perang”, menunjukkan bahwa berbagai sensor, termasuk sensor gambar, menyediakan kaya setinformasi tentang adegan tempur yang dapat digunakan untuk mendukung keputusan strategis. Dalam hal ini, pengolahan otomatis data yang digunakan untuk mengurangi kompleksitas dan informasi sekering dari sensor ganda untuk meningkatkan keandalan.

 

 

 

Sumber : http://wartawarga.gunadarma.ac.id/2011/11/beberapa-contoh-penerapan-teknologi-komputer-vision/

Lembar 6

Judul              : KECERDASAN BUATAN DENGAN MENGGUNAKAN METODE            FORWARD CHAINING (Studi Kasus Mendiagnosa Keadaan Bayi Dalam Kandungan)

Bidang            : Kesehatan

 

 

Kecerdasan buatan adalah kemampuan komputer untuk berpikir dengan intelegensia. Ini tercapai dengan mempelajari bagaimana manusia mengingat dan berpikir ketika sedang mengambil keputusan dan memecahkan masalah. Kecerdasan buatan yang dibangun mempunyai beberapa komponen yang saling berhubungan untuk membangun sistem yaitu basis pengetahuan, mesin inferensi, antarmuka pemakai. Persoalan yang dipecahkan dalam sistem ini adalah bagaimana cara menyusun aturan yang terdiri atas beberapa premis dan konklusi dari fakta-fakta yang tersedia, sehingga dihasilkan suatu solusi, dengan menggunakan mesin inferensi yaitu forward chaining, selain itu sistem ini juga menggunakan suatu penalaran knowledge base yaitu penalaran rule-based reasoning. Penelitian ini membahas tentang pendiagnosaan keadaaan bayi dalam kandungan yang menggunakan teknik inferensi forward chaining, yang memulai penalarannya mulai dari sekumpulan fakta-fakta menuju sebuah hipotesa (solusi). Sistem yang dikembangkan memberikan keleluasaan pada perekayasa pengetahuan untuk memasukkan himpunan aturan pada basis pengetahuan dan diperolehnya suatu solusi berdasarkan basis pengetahuan yang ada.

 

 

 

Artikel ini kami ambil dari Tugas milik Mustofa dalam tugas Kecerdasan buatan pada alamat website http://ardias2011.net16.net/wordpress/?page_id=2

About these ads

Single Post Navigation

Satu gagasan untuk “contoh aplikasi kecerdasan buatan di masyarakat

Tinggalkan Balasan

Please log in using one of these methods to post your comment:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

Ikuti

Get every new post delivered to your Inbox.

%d bloggers like this: