Tugas 4 - Rangkuman Pengantar Teknologi Sistem Cerdas

PENGANTAR TEKNOLOGI SISTEM CERDAS

RANGKUMAN TUGAS

Oleh : 

Fildzah Ruswina (14114232)

Kelas :

3KA26

FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI

UNIVERSITAS GUNADARMA

2016

A.    Artificial Intelligence

Cabang ilmu komputer yang memberikan kemampuan kepada komputer untuk memecahkan masalah dalam cakupan yang lebih luas, tidak hanya pada perhitungan dan penyimpanan data.

Referensi :

Suparman, 1991. Mengenal Artificial Intelligence. Yogyakarta: Penerbit Andi Offset.

B.     Kecerdasan Buatan vs Kecerdasan Alami

Kelebihan kecerdasan buatan :

1. Lebih permanen. 
2. Memberikan kemudahan dalam duplikasi dan penyebaran.
3.  Relatif lebih murah dari kecerdasan alamiah. 
4. Konsisten dan teliti.
5.  Dapat didokumentasi. 
6. Dapat mengerjakan beberapa task lebih cepat dan lebih baik dibanding manusia. 

      Kelebihan kecerdasan alami :

1. Bersifat lebih kreatif. 
2. Dapat melakukan proses pembelajaran secara langsung.
3. Fokus yang luas sebagai referensi untuk pengambilan keputusan.

Referensi :

Desiani, Anita & Arhami, Muhammad, 2006. Konsep Kecerdasan Buatan. Yogyakarta : Penerbit Andi Offset.

C.    Sejarah Kecerdasan Buatan

-          Cikal Bakal Kecerdasan Buatan (1943 – 1955)

-          Lahirnya Kecerdasan Buatan (1956)

-          Awal Perkembangan Kecerdasan Buatan (1952-1969)

-          Perkembangan Kecerdasan Buatan Mulai Melambat (1966-1974)

-          Sistem Berbasis Pengetahuan (1969-1979)

-          Kecerdasan Buatan Menjadi Sebuah Industri (1980-1988)

-          Kembalinya Jaringan Syaraf Tiruan (1986 – sekarang)

Referensi :

Russell, Stuart & Norvig, Peter, 2003. Artificial Intelligence, A Modern Approach, [online], (http://xgxy.cug.edu.cn/rjgcx/lzw/AI/AIMA-Second-Edition.pdf, diakses pada 9 Oktober 2016).

D.    Konsep Dasar Artificial Intelligence

Acting Humanly : Pendekatan Uji Turing

Thinking Humanly : Pendekatan Model Kognitif

Thinking Rationally : The Laws of Thought Approach

Acting Rationally : The Rational Agent Approach

Referensi :

Desiani, Anita & Arhami, Muhammad, 2006. Konsep Kecerdasan Buatan. Yogyakarta : Penerbit Andi Offset.

E.     Disiplin Ilmu Artificial Intelligence

Natural Languange Processing (NLP) : mengubah bahasa komputer menjadi bahasa manusia.

Expert System (ES) : mempelajari sistem yang dapat bekerja layaknya seorang pakar.

Pattern Recognition (PR) : mempelajari sistem yang dapat mengenali suatu pola tertentu.

Robotic : menggabungkan cabang-cabang AI yang lain untuk membentuk sistem robotik.

Referensi :

Abraham, David., Permana, Indra W., Nugraha, Rangga A., Alvian, Moch. & Hanif, 2015. Penyelesaian Masalah 8-Puzzle dengan Algoritma Steepest-Ascent Hill Climbing, [online], (http://jurnal.untirta.ac.id/index.php/jis/article/download/465/354, diakses pada 27 September 2016).

22   PEMROSESAN BAHASA ALAMI

22.1 MODEL BAHASA

Model bahasa kita adalah sebuah perkiraan. Kita mulai dengan perkiraan yang paling sesederhana mungkin dan naik dari sana.

22.1.1 Model karakter N-gram

Sebuah model distribusi probabilitas dari urutan n huruf demikian disebut model n-gram. Salah satu tugas model karakter n-gram adalah identifikasi bahasa.

22.1.2 Merapikan Model n-gram

Komplikasi utama dari model n-gram yaitu corpus pelatihan hanya menyediakan perkiraan distribusi probabilitas benar.

22.1.3 Evaluasi Model

Kita dapat mengevaluasi model dengan cross-validasi. Membagi korpus menjadi korpus pelatihan dan korpus validasi.

22.1.4 Model kata N-gram

Model   kata   n-gram   perlu   berurusan   dengan   kosa   kata.   Dengan   mod-karakter KOSAKATA Els, kita tidak perlu khawatir tantang seseorang menciptakan huruf alphabet baru.

 

22.2 KLASIFIKASI TEKS

Klasifikasi teks juga dikenal sebagai kategorisasi. Identifikasi bahasa dan klasifikasi genre adalah contoh dari klasifikasi teks.

22.2.1 Klasifikasi oleh kompresi data

Untuk melakukan klasifikasi dengan kompresi, pertama kita mengumpulkan bersama-sama semua pesan pelatihan spam dan kompres mereka sebagai satu unit.

22.3 PENGAMBILAN INFORMASI

Pencarian informasi berupa dokumen-dokumen yang relevan dengan kebutuhan pengguna informasi sehingga dapat memenuhi keinginan user.

22.3.1 Fungsi Penilaian IR

Fungsi penilaian atau Scroing Function mengambil dokumen dan query yang mengembalikan nilai numeric dalam arti dokumen yang paling relevan memiliki nilai tertinggi.

22.3.2 Sistem Evaluasi IR 

Didalam evaluasi IR ini terdapat 3 level pengukuran, diantaranya pemrosesan, pencarian, dan kepuasan pemakai.

22.3.3 Penyempurnaan IR

Sebagai  penyempurnaan  akhir,  IR  dapat  ditingkatkan  dengan  mempertimbangkan metadata-data  di  luar  teks  dokumen.

22.3.4 Algoritma PageRank

PageRank adalah salah satu ide-ide asli dua yang mengatur pencarian google dari mesin telusuri Web lain ketika diperkenalkan pada tahun 1997.

22.3.5 The HITS algorithm ( Algoritma HITS )

Algoritma HITS berbeda dengan PageRank dalam beberapa cara. Pertama HITS bergantung pada ukuran query: HITS mengukur halaman berdasarkan query.

22.3.6 Question answering

Sistem Question answering NLP telah ada sejak 1960-an, namun barulah sejak 2001 sistem tersebut menggunakan pencarian informasi Web untuk meningkatkan cangkupan mereka secara radikal.

22.4 INFORMATION EXTRACTION

Information extraction adalah proses memperoleh pengetahuan dengan membaca sekilas teks dan mencari kejadian dari kelas objek dan hubungan antara objek – objek.

22.4.1 Finite-state automata untuk ekstraksi informasi

Tipe paling sederhana dari sistem ekstraksi informasi adalah sistem ekstraksi berbasis atribut yang mengasumsikan keseluruhan teks mengacu pada objek tunggal dan tugasnya adalah mengekstrak atribut-atribut objek tersebut.

22.4.2 Model Probabilistik untuk Ekstraksi Informasi (Informasi Turunan)

Model probabilistik sederhana untuk urutan dengan keadaan tersembunyi adalah model Markov yang tersembunyi, atau HMM.

22.4.3 Bidang acak bersyarat untuk ekstraksi informasi

HMM adalah model generative, mode itu gabungan penuh probabilitas dari pengamatan dan negara tersembunyi, dan dapat digunakan untuk menghasilkan sampel.

22.4.4 Ekstraksi ontologi dari korporasi besar

Sebuah aplikasi yang berbeda dari teknologi ekstraksi adalah membangun basis pengetahuan besar atau ontologi fakta dari korpus.

22.4.5 Konstruksi template otomatis

Bahasa template ini dirancang agar dekat pemetaan untuk pencocokan sendiri, harus setuju untuk otomatis belajar, dan untuk menekankan presisi tinggi (mungkin pada risiko lebih rendah ingat).

22.4.6 Pembacaan mesin

Sistem ini bekerja pada semua hubungan secara paralel. Mereka berperilaku lebih seperti seorang pembaca manusia yang belajar dari teks itu sendiri.

Kesimpulan :

Artificial Intelligence (AI) atau kecerdasan buatan merupakan cabang ilmu komputer yang memberikan kemampuan kepada komputer untuk memecahkan masalah dalam cakupan yang lebih luas, tidak hanya pada perhitungan dan penyimpanan data. AI lebih banyak memiliki keunggulan dibandingkan dengan kecerdasan alami. Beberapa ilmu penerapan dari AI, diantaranya Natural Language Processing (NLP), Expert System (ES), Pattern Recognition (PR), dan Robotic. Natural Language Processing (NLP) merupakan ilmu yang mempelajari sistem mengubah bahasa komputer menjadi bahasa manusia. Proses dalam NLP terdiri dari perkiraan model bahasa, klasifikasi teks, dan pengekstrasian informasi.