Pada
minggu ini, kita akan membahas topik mengenai artificial intelligence atau
sering disingkat dengan AI atau dalam bahasa Indonesia disebut sebagai
kecerdasan buatan. Topik ini mirip dengan minggu-minggu sebelumnya, yaitu
membahas mengenai komputer tapi juga berhubungan erat dengan otak atau kognisi
kita dan ada sentuhan ilmu psikologinya. Yang saya bahas disini adalah sejarah
AI, hubungan AI dengan kognisi manusia, dan yang terakhir AI dengan sistem
pakar. Oke, kita mulai bahas topiknya… Selamat membaca!
SEJARAH
ARTIFICIAL INTELLIGENCE
Kata
“intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya
paham”. Berarti dasar dari intelligence
ialah kemampuan untuk memahami dan melakukan aksi. Sebenarnya, area Kecerdasan Buatan
(Artificial Intelligence) atau disingkat dengan AI, bermula dari kemunculan komputer sekitar th
1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno.
Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu
yang dapat dilakukan oleh manusia. Dalam
hal ini, komputer tersebut dapat meniru kemampuan kecerdasan dan perilaku
manusia.
McMulloh
dan Pitts pada tahun 1943 mengusulkan model matematis bernama perceptron dari
neuron di dalam otak. Mereka juga menunjukkan bagaimana neuron menjadi aktif seperti saklar
on-off dan neuron tersebut mampu untuk belajar dan memberikan aksi berbeda
terhadap waktu dari input yang diberikan.
Sumbangan terbesar di bidang AI diawali pada paper Alan Turing, pada
tahun 1950 yang mencoba menjawab
“Dapatkah Komputer berfikir” dengan menciptakan mesin Turing. Paper Alan Turing pada tahun 1950 berjudul “Computing
Machineri and Intelligence” mendiskusikan syarat sebuah mesin dianggap cerdas.
Dia beranggapan bahwa jika mesin dapat dengan sukses berprilaku seperti
manusia, kita dapat menganggapnya cerdas.
Pada
akhir 1955, Newell dan Simon mengembangkan
The Logic Theorist, program AI pertama. Program ini
merepresentasikan masalah sebagai model
pohon, lalu penyelesaiannya dengan
memilih cabang yang akan menghasilkan kesimpulan terbenar. Program ini
berdampak besar dan menjadi batu loncatan penting dalam mengembangkan bidang
AI. Pada tahun 1956 John McCarthy dari
Massacuhetts Institute of Technology dianggap sebagai bapak AI,
menyelenggarakan konferensi untuk menarik para ahli komputer bertemu,
dengan nama kegiatan “The Dartmouth
summer research project on artificial intelligence.” Konferensi Dartmouth itu mempertemukan para
pendiri dalam AI, dan bertugas untuk meletakkan dasar bagi masa depan pemgembangan dan penelitian AI. John McCarthy
di saat itu mengusulkan definisi AI adalah “AI merupakan cabang dari
ilmu komputer yang berfokus pada pengembangan komputer untuk dapat memiliki
kemampuan dan berprilaku seperti manusia”.
Pada tahun 1960 hingga 1970, muncul berbagai
dikusi bagaimana komputer dapat meniru sedetail mungkin pada kemampuan otak
manusia, dimana saat itu dapat dikategorikan sebagai “classical AI”. Pada tahun
1980, dimana computer yang semakin mudah diperoleh dengan harga yang lebih
murah menjadikan berbagai riset di bidang kecerdasan buatan berkembang sangat
pesat pada berbagai universitas. Tabel
1.1 merupakan rangkuman sejarah penting pengembagan bidang Kecerdasan Buatan.
Tabel
1.1 Sejarah penting pengembangan bidang Kecerdasan Buatan
No Tahun Deskripsi
1 1206 Robot
humanoid pertama karya Al-Jazari
2 1796 Boneka
penuang the dari jepang bernama Karakuri
3 1941 Komputer
elektronik pertama
4 1949 Komputer
dengan program tersimpan pertama
5 1956 Kelahiran
dari Artificial Intelligence pada Dartmouth conference
6 1958 Bahasa
LISP dibuat
7 1963 Penelitian
intensif departemen pertahanan Amerika
8 1970 Sisem
pakar pertama diperkenalkan secara luas
9 1972 Bahasa
Prolog diciptakan
10 1986 Perangkat
berbasis AI dijual luas mencapai $425 juta
11 1994 AC
berbasis Neuro fuzzy dijual
12 2010 Sistem
kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan
13 2011 Service
Robot untuk restoran berhasil dibuat di Indonesia
14 2012 Sistem
Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning
15 2012 Sistem
immune pada Deteksi spam diciptakan
Saat
ini, hampir semua perangkat komputer dan perangkat elektronika canggih
menerapkan kccerdasan buatan untuk membuat sistem lebih handal. Di masa yang
akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh
lebih cerdas karena telah ditanamkan
berbagai metode kecerdasan buatan.
HUBUNGAN
ARTIFICIAL INTELLIGENCE DENGAN KOGNISI MANUSIA
Hubungan
Artificial Intelligence dan Kognisi manusia terlihat dari tujuan Artificial
Intelligence, arah Artificial Intelligence dan karakteristik Artificial
Intelligence
Tujuan Artificial Intelligence
Menurut
Lenat dan Feigenbaum terdapat 9 tujuan Artificial Intelligence, yaitu :
Memahami kognisi manusia, mencoba untuk mendapatkan pengetahuan ingatan
manusia yang mendalam, kemampuan problem solving, belajar, membuat keputusan,
dll.
Otomatisasi biaya-efektif, menggantikan
manusia dalam tugas tugas intelegensi manusia dalam tugas-tugas intelegensi,
mempunyai program yang performa-nya sebaik manusia dalam mengerjakan pekerjaan
Penguatan intelegensi biaya-efektif,
membangun sistem untuk membantu manusia membangun sistem untuk membantu manusia
berpikir lebih baik, lebih cepat, lebih dalam, dan lain-lain. Contoh : sistem
untuk membantu diagnosa penyakit.
Intelegensi manusia super, membangun
program yang mempunyai kemampuan untuk melebihi intelegensi manusia
Problem-solving umum, sistem penyelesaian
berbagai masalah yang luas sistem iniberbagai masalah yang luas, sistem ini
mempunyai kelebaran pikiran.
Wacana koheren, Komunikasi dengan manusia
menggunakan bahasa alami, contoh : dialog cerdas yang ada dalam Turing Test.
Belajar (induksi), sistem sebaiknya dapat
untuk memperoleh data sendiri dan tahu bagaimana memperolehnya, sistem dapat
menyamaratakan, membuat hipotesis, penerapan atau pembelajaran secara
heuristik, membuat alasan dengan analogi.
Otonomi, mempunyai sistem intelegensi yang
beraksi atas inisiatif sendiri Harus bereaksi beraksi atas inisiatif sendiri.
Harus bereaksi dengan dunia nyata
Informasi, simpan informasi dan mengetahui
cara untuk mengambil informasi
Arah Artificial Intelligence
Mengembangkan
metode & sistem untuk menyelesaikan masalah AI :
1.
Tanpa mengikuti cara manusia menyelesaikannya
(sistem pakar / expert systems)
2.
Melalui pemodelan cara berpikirnya manusia, atau cara bekerjanya otak manusia
(neural networks).
Karakteristik
Artificial Intelligence
Karakteristik
didasarkan pada pandangan bahwa AI ada 4 (empat) kategori yaitu :
Sistem yang dapat berpikir seperti manusia
(Thinking Humanly)
Thinking
Humanly merupakan pendekatan model kognitif.
Dikatakan bahwa program dapat berpikir seperti manusia, maka ada
beberapa cara untuk menyatakannya, yaitu :
Melalui introspeksi : mencoba menangkap
pemikiran-pemikirannya sendiri pada saat berpikir
Melalui eksperimen-eksperimen psikologi.
Sistem
ini menggunakan teori pemikiran presisi untuk diekspresikan sebagai program
komputer. Sistem Newell & Simon’s GPS (general problem solver) mencari
penyelesaian masalah “jalan yang dilakukan manusia” Sistem ini menggunakan
gabungan antara model komputer AI dan teknik psikologi
Sistem yang dapat beraksi seperti manusia
(Acting Humanly)
Acting
Humanly merupakan pendekatan Uji Turing. Turing mendefinisikan tingkah laku
yang cerdas sebagai suatu kemampuan untuk meniru manusia dalam semua tugas
kognitif, mencukupi untuk “fool interrogator”. Uji yang dilakukan Turing
merupakan komputer yang akan dijalankan oleh manusia melalui teletype. Jika
interrogator tidak dapat membedakan
apakah
yang diinterogasi manusia atau komputer, maka komputer berintelegensia tersebut
lolos dari uji Turing (Turing Test). Untuk lolos dari sistem uji Turing (Turing
Test) ini diperlukan : Natural Language Processing, Knowledge Representation,
Automated Reasoning, dan Machine Learning.
Sistem yang dapat berpikir secara rasional
(Thinking Rationally)
Thinking
Rationally : The Laws of Thought Approach
Tidak mudah membuat pengetahuan informal
dan menyatakan dalam formal term yang diperlukan oleh notasi logika khususnya
jikadiperlukan oleh notasi logika, khususnya jika pengetahuan memiliki
ketidakpastian < 100%
Terdapat perbedaan besar antara dapat
memcahkan masalah dalam “prinsip” dan memecahkannya dalam “praktek”
Sistem yang dapat bertingkah laku secara
rasional (Acting Rationally)
Acting
Rationally : The Rational Agent Approach
Membuat
inferensi yang benar, kadang-kadang merupakan bagian dari suatu rational agent,
karena satu cara untuk rational agent, karena itu merupakan salah satu cara
untuk melakukan aksi secara rasional. Aksi secara rasional adalah menalar
secara logika untuk mendapatkan kesimpulan bahwa aksi yang diberikan akan
mencapai tujuan, dan kemudian melakukan aksi atas kesimpulan tersebut.
ARTIFICIAL
INTELLIGENCE DAN SISTEM PAKAR
Sistem
pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi
pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah
seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar
adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa
pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan
oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat menyelesaikan
masalah tertentu baik ‘sedikit’ rumit ataupun rumit sekalipun ‘tanpa’ bantuan
para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat
digunakan sebagai asisten yang berpengalaman.
Sistem
pakar merupakan cabang dari Artificial Intelligence (AI) yang cukup tua karena
sistem ini telah mulai dikembangkan pada pertengahan tahun 1960. Sistem pakar
yang muncul pertama kali adalah General-purpose problem solver (GPS) yang
dikembangkan oleh Newell dan Simon. Sampai saat ini sudah banyak sistem pakar
yang dibuat, seperti MYCIN, DENDRAL, XCON & XSEL, SOPHIE, Prospector,
FOLIO, DELTA, dan sebagainya.
Perbandingan
sistem konvensional dengan sistem pakar sebagai berikut:
a. Sistem Konvensional
Informasi dan pemrosesan umumnya digabung
dalam satu program sequential
Program tidak pernah salah (kecuali
pemrogramnya yang salah)
Tidak menjelaskan mengapa input dibutuhkan
atau bagaimana hasil diperoleh
Data harus lengkap
Perubahan pada program merepotkan
Sistem bekerja jika sudah lengkap.
b.
Sistem Pakar
Knowledge base terpisah dari mekanisme
pemrosesan (inference)
Program bisa melakukan kesalahan
Penjelasan (explanation) merupakan bagian
dari ES
Data tidak harus lengkap
Perubahan pada rules dapat dilakukan dengan
mudah
Sistem bekerja secara heuristik dan logis
Suatu
sistem dikatakan sistem pakar apabila memiliki ciri-ciri sebagai berikut :
Terbatas pada domain keahlian tertentu
Dapat memberikan penalaran untuk data-data
yang tidak pasti
Dapat mengemukakan rangkaian alasan-alasan
yang diberikannya dengan cara yang dapat dipahami
Berdasarkan pada kaidah atau rule tertentu
Dirancang untuk dikembangkan sacara
bertahap
Keluarannya atau output bersifat anjuran.
Adapun
banyak manfaat yang dapat diperoleh dengan mengembangkan sistem pakar, antara
lain :
Masyarakat awam non-pakar dapat
memanfaatkan keahlian di dalam bidang tertentu tanpa kesadaran langsung seorang
pakar
Meningkatkan produktivitas kerja, yaitu
bertambahnya efisiensi pekerjaan tertentu serta hasil solusi kerja
Penghematan waktu dalam menyelesaikan
masalah yang kompleks
Memberikan penyederhanaan solusi untuk
kasus-kasus yang kompleks dan berulang-ulang
Pengetahuan dari seorang pakar dapat
dikombinasikan tanpa ada batas waktu
Memungkinkan penggabungan berbagai bidang
pengetahuan dari berbagai pakar untuk dikombinasikan.
Selain
banyak manfaat yang diperoleh, ada juga kelemahan pengembangan sistem pakar,
yaitu :
Daya kerja dan produktivitas manusia
menjadi berkurang karena semuanya
dilakukan secara otomatis oleh sistem
Pengembangan perangkat lunak sistem pakar
lebih sulit dibandingkan dengan perangkat lunak konvensional.
Tujuan
pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia,
tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem,
sehingga dapat digunakan oleh orang banyak.
Struktur
Sistem Pakar
Sistem
pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (development
environment) dan lingkungan konsultasi (consultation environment). Lingkungan
pengembangan sistem pakar digunakanuntuk memasukkan pengetahuan pakar ke dalam
lingkungan sistem pakar,sedangkan lingkungan konsultasi digunakan oleh pengguna
yang bukan pakarguna memperoleh pengetahuan pakar. Komponen-komponen yang
terdapat dalam sistem pakar yaitu User Interface (antarmuka pengguna), basis
pengetahuan, akuisisi pengetahuan, mesin inference, workplace, fasilitas
penjelasan, perbaikan pengetahuan.
Seorang
pakar mempunyai pengetahuan tentang masalah yang khusus. Dalam hal ini disebut
domain knowledge. Penggunaan kata “domain” untuk memberikan penekanan
pengetahuan pada problem yang spesifik. Pakar menyimpan domain knowledge pada
Long Term Memory (LTM) atau ingatan jangka panjangnya. Ketika pakar akan
memberikan nasihat atau solusi kepada seseorang, pakar terlebih dahulu
menentukan fakta-fakta dan menyimpannya ke dalam Short Term Memory (STM) atau
ingatan jangka pendek. Kemudian pakar memberikan solusi tentang masalah tersebut
dengan mengkombinasikan fakta-fakta pada STM dengan pengetahuan LTM. Dengan
menggunakan proses ini pakar mendapatkan informasi baru dan sampai pada
kesimpulan masalah.
Komponen Sistem pakar
Sebuah
program yang difungsikan untuk menirukan seorang pakar manusia harus bisa
melakukan hal-hal yang dapat dikerjakan seorang pakar. Untuk membangun sistem
seperti itu maka komponen-komponen dasar yang harus dimilikinya paling sedikit
adalah sebagai berikut:
1.
Antar muka pemakai (User Interface)
2.
Basis pengetahuan (Knowledge Base)
3.
Mesin inferensi
Sedangkan
untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang
berinteraksi dengan pemakai, maka dapat dilengkapi dengan fasilitas berikut:
1.
Fasilitas penjelasan (Explanation)
2.
Fasilitas Akuisisi pengetahuan (Knowledge acquisition facility)
3.
Fasilitas swa-pelatihan (self-training)
Metode Inferensi
Komponen
ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar
dalam menyelesaikan suatu masalah. Metode inferensi adalah program komputer
yang memberikan metedologi untuk penalaran tentang informasi yang ada dalam
basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan.
Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi yang
dinamakan modus ponen. Berdasarkan strategi ini, jika terdapat aturan “IF A
THEN B”, dan jika diketahui bahwa A benar, maka dapat disimpulkan bahwa B juga
benar. Strategi inferensi modus ponen dinyatakan dalam bentuk: [A And (A→B)] →B (1)
dengan A dan A→B adalah proposisi-proposisi dalam basis pengetahuan.
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis
aturan, yaitu pelacakan ke belakang (Backward chaining) dan pelacakan ke depan
(Forward chaining).
Pelacakan ke belakang (Backward Chaining)
Pelacakan
ke belakang adalah pendekatan yang dimotori oleh tujuan (goal-driven). Dalam
pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang
memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan
menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan
lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua
kemungkinan ditemukan.
Pelacakan ke depan (Forward chaining)
Pelacakan
kedepan adalah pendekatan yang dimotori data (data-driven). Dalam pendekatan ini pelacakan dimulai dari
informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan
ke depan, mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN.
Representasi
Pengetahuan
Setelah
menerima bidang kepakaran yang telah diaplikasikan pada sistem pakar, kemudian
mengumpulkan pengetahuan yang sesuai dengan domain keahlian tersebut.
Pengetahuan yang dikumpulkan tersebut tidak bisa diaplikasikan begitu saja
dalam sistem. Pengetahuan harus direpresentasikan dalam format tertentu dan
dihimpun dalam suatu basis pengetahuan. Pengetahuan yang dilakukan pada sistem
pakar merupakan serangkaian informasi pada domain tertentu. Kedua hal tersebut
menurut ekspresi klasik oleh Wirth ditulis sebagai berikut:
Algoritma
+ Struktur Data = Program
Pengetahuan
+ Inferensi = Sistem Pakar
Noise
merupakan suatu item yang tidak mempunyai maksud (interest). Noise merupakan
data yang masih kabur atau tidak jelas. Data adalah item yang mempunyai makna
potensial. Data diolah menjadi pengetahuan. Meta knowledge adalah pengetahuan
tentang pengetahuan dan keahlian. Karakteristik pengetahuan yang diperoleh
tergantung pada sifat masalah yang akan
diselesaikan, tipe dan tingkat pengetahuan seorang pakar. Pengetahuan
harus diekstraksikan dan dikodekan dalam suatu bentuk tertentu untuk memecahkan
masalah. Ketika pengetahuan dalam suatu bidang kepakaran tersedia, maka dipilih
representasi pengetahuan yang tepat. Pengetahuan dapat digolongkan menjadi dua
kategori, yaitu: pengetahuan deklaratif dan pengetahuan prosedural. Pengetahuan
deklaratif mengacu pada fakta, sedangkan pengetahuan prosedural mengacu pada
serangkaian tindakan dan konsekuensinya. Pengetahuan deklaratif juga terlibat
dalam pemecahan masalah, sedangkan pengetahuan prosedural diasosiasikan dengan
bagaimana menerapkan strategi atau prosedur penggunaan pengetahuan yang tepat
untuk memecahkan masalah. Pengetahuan
deklaratif menggunakan basis logika dan pendekatan relasi. Representasi logika
menggunakan logika proporsional dan logika predikat. Model relasi menggunakan
jaringan semantik, graph dan pohon keputusan (decision tree). Pengetahuan
prosedural menggunakan algoritma sebagai prosedural pemecahan masalah.
Ketidakpastian
dengan Teori Certainty Factor (Teori Kepastian)
Dalam
menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki
kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau
kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti
disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna
yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini
sangat mudah dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat
mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan
pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan
ditemukan banyak kemungkinan diagnosis. Sistem pakar harus mampu bekerja dalam
ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan
ketidakpastian, termasuk diantaranya probabilitas klasik, probabilitas bayes,
teori hartley berdasarkan himpunan klasik, teori shannon berdasakan pada
probabilitas, teori Depmster-Shafer, teori fuzzy Zadeh, dan faktor kepastian
(certanity factor). Faktor kepastian (Certanity Factor) diperkenalkan oleh
Shortliffe Buchanan dalam pembuatan MYCIN. Certanity Factor (CF) merupakan
nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya
kepercayaan. Certanity Factor (CF) menunjukkan ukuran kepastian terhadap suatu
fakta atau aturan.
CONTOH
DARI APLIKASI SISTEM PAKAR
Ada
beberapa contoh dari aplikasi sistem pakar (yang berhubungan dengan psikologi),
antara lain :
1. ELIZA
Eliza
adalah salah satu Sistem Pakar yang paling awal dikembangkan. Ini adalah
program computer terapis yang dibuat oleh Joseph Weizenbaum (1967) di MIT.
Pengguna berkomunikasi dengannya sebagaimana sedang berkonsultasi dengan
seorang terapis. Berikut ini adalah contoh percakapan antara Eliza dengan
seorang klien:
Eliza:
Hello. I am ELIZA. How can I help you? (Halo. Saya ELIZA. Bagaimana saya dapat
membantu anda?)
Klien:
My name is Kuncoro. (Nama saya adalah Kuncoro.)
Eliza:
I have told you before, I do not care about names. (Saya sudah memberitahukan
pada anda sebelumnya, saya tidak peduli tentang nama.)
Klien:
I don’t have any money. That’s my problem. (Saya tidak mempunyai uang. Itu
adalah masalah saya.)
Eliza:
Why do you say your problem? (Mengapa anda mengatakan masalah anda?)
Klien:
Because you asked me. (Sebab kamu bertanya pada saya.)
Eliza:
Do any other reasons not come to mind? Adakah alasan lain di pikiran anda?)
Klien:
No.(Tidak ada.)
Eliza:
You are being a bit negative. (Kamu sedang sedikit kurang baik.)
Klien:
Why? (Mengapa?)
Eliza:
Please go on. (Silahkan lanjutkan.)
Klien:
OK. I am bankrupt. (OK. Saya sedang bangkrut.)
Eliza:
How long have you been bankrupt? (Berapa lama Anda telah bangkrut?)
Klien:
A year. (Satu tahun.)
Eliza:
Please go on. (Silahkan lanjutkan.)
Klien:
So, what should I do? (Maka, apa yang seharusnya saya lakukan?)
Eliza:
Does that question interest you? (Apakah pertanyaan itu menarik perhatian bagi
anda?)
Klien:
Yes, how can I make big money? (Ya, bagaimana saya dapat memperoleh uang banyak?)
Eliza:
You are sure? (Anda yakin?)
Klien:
Of course I’m sure. (Tentu saja Saya yakin.)
2.
PARRY
Parry
adalah Sistem Pakar yang juga paling awal dikembangkan di Stanford University
oleh seorang psikiater, Kenneth Colby, yang mensimulasikan seorang paranoid.
Berikut ini contoh respon Parry terhadap pertanyaan seorang psikiater yang
menginterviunya.
Psikiater:
Why are you in the hospital? ( Mengapa anda berada di rumah sakit ini?)
Parry:
I shouldn’t be here. (Saya tidak seharusnya berada disini)
Psikiater:
Who brought you here? (Siapa yang membawa anda kemari?)
Parry:
The police. (Polisi)
Psikiater:
What trouble did you have with the police? (Masalah apa yang membuat anda
berurusan dengan polisi?)
Parry:
Cops don’t do their job. ( Polisi tidak melaksanakan tugas mereka)
Psikiater:
What do they do instead? (Lantas, apa yang mereka lakukan?)
Parry: Cops
arrest the wrong people. ( Polisi menangkap orang yang salah)
Psikiater:
They arrest the right ones sometimes ( Terkadang mereka menangkap orang yang
benar)
Parry:
The law should get those Italian crooks. (Hukum harus menangkap penjahat
Italia)
Psikiater:
Are you Italian? ( Apakah anda orang Italia?)
Parry:
My background is British but I was born in this country. ( Saya orang Inggris
tapi saya lahir di Negara ini)
Psikiater:
Do you know any Italian crooks? (Apakah anda mengenal penjahat Italia?)
Parry:
I try to avoid the underworld. (Saya berusaha menghindari dunia penjahat.)
3.NETTalk
NETTalk
merupakan suatu sistem yang dikembangkan oleh Terrence Sejnowski dan Charles
Rosenberg (1987) yang melakukan konversi teks bahasa Inggris menjadi suara
bicara manusia. Pembuatan NETTalk dimaksudkan untuk membangun model sederhana
yang dapat menjelaskan kompleksitas tugas dari tingkat kognisi manusia.
Sistem
ini bisa belajar membaca dengan bunyi keras. Stimulinya berupa rangkaian huruf
tercetak, yang tersusun 26 abjad ditambah spasi. Responnya berupa bunyi yang
menyerupai penuturan, terbentuk dari 55 fonem (bunyi ucapan) yang ada pada
Abjad Fonetik Internasional. Pembuatan NETTalk dimaksudkan untuk membangun
model sederhana yang dapat menjelaskan kompleksitas tugas dari tingkat kognisi
manusia.
Sumber
:
http://www.ummi.ac.id/ti/konvert_pdf.php?kode=VG5jOVBRPT0=
http://journal.uii.ac.id/index.php/media-informatika/article/viewFile/106/66
http://repository.usu.ac.id/bitstream/123456789/27784/3/Chapter%20II.pdf
http://lecturer.eepis-its.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%201%20Pengenalan%20Kecerdasan%20Buatan.pdf
http://elista.akprind.ac.id/upload/files/9957_BAB_satu.pdf
http://deden08m.files.wordpress.com/2011/09/bab13_sispakar.pdf
http://dosen.narotama.ac.id/wp-content/uploads/2012/01/Artificial-Intelligence.doc
http://elista.akprind.ac.id/upload/files/7912_02-pertemuan2.pdf
http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/
http://bahankuliah2010.files.wordpress.com/2010/11/psikologi-kognitif-3.ppt
http://lecturer.eepis-its.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%201%20Pengenalan%20Kecerdasan%20Buatan.pdf
http://www.scribd.com/doc/94515252/Modul-Keseluruhan-Updated
http://en.wikipedia.org/wiki/NETtalk_(artificial_neural_network)
http://edukasi.kompasiana.com/2010/11/06/koneksionisme-model-baru-nettalk/
Hartono,
J. (2005). Pengenalan Komputer. Jogjakarta : Penerbit Andi
0 komentar:
Posting Komentar