Artificial Intellegence

 

                                                     UNIVERSITAS PAMULANG 

                                    Program Strata-2 Magister Teknik Informatika 

                        Semester Genap Tahun Ajaran 2020/2021 UAS Kecerdasan Buatan


Dosen : Dr. Taswanda Taryo, M.Sc.

NIM : 201022000025 Nama : Samso Supriyatna

1. Judulkajianmakalah:

Penerapan Teknologi Artificial Intelligence pada Smart Shoes dengan Sistem Navigasi
Penjelasan :
Seiring dengan meningkatnya kekuatan komputasi dengan system robotic dan process automation, kecerdasan buatan semakin besar peranannya di berbagai sektor industri khususnya industri sepatu. Ada beberapa produk sepatu dengan penerapan kecerdasan buatan diantaranya sepatu running dengan brand Lechal yang mampu menunjukan arah tujuan, sepatu running dengan brand Under Armour Speed Form Gemini 2 Record Equipped atau Speed Form Gemini 3 yang terhubung dengan aplikasi ponsel Map MyRun. Aplikasi tersebut nantinya akan menganalisis aktivitas lari yang dilakukan pengguna dan juga memberikan laporan soal rute dan jarak lari yang telah dijalankan, semua itu terintegrasi pada smartphone dengan mengandalkan koneksi bluetooth atau internet. Manajemen sistem yang tertanam pada perangkat sepatu beragam. Adapun konsep yang digunakan memanfaatkan map untuk mengakurasi rute yang akan ditempuh dengan cara melakukan setting tempat tujuan pada aplikasi smartphone, selanjutnya pada perangkat sepatu tertanam controller Arduino yang sudah tertanam sebuah sistem kecerdasan buatan yang akan memberikan infomasi dengan memanfaatkan sinyal bit dan sensor untuk mengeksekusi kebenaran rute yang akan ditempuh. Tujuan penting kajian ilmiah ini adalah untuk mengetahui sistem dan penerapan teknologi Artificial Intellegence dalam Smart Shoes.

2. PEAS merupakan singkatan dari kata Performance measure, Environment, Actuators, Sensor.
a.
Performance measure, berisi komponen-komponen yang akan menjadi tolak ukur keberhasilan agent.

b. Environment,berisikondisiyangdapatmempengaruhidisekitaragent.

c. Actuators, berisi kemampuan yang dapat agent itu lakukan.
d.
Sensors,berisihal-halapasajayangdapatdiinputagent.


Sedangkan
agent itu merupakan sesuatu yang dapat memahami (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators.
Kaitannya PEAS dengan
Artificial Intellegence adalah sebuah kajian terkait dengan analisis komponen, kondisi lingkungan, kemampuan serta alat sensor yang

digunakan dalam penerapan Artificial Intellegence yang berfungsi sebagai acuan dalam pembuatan sebuah sistem dan sebagai kunci keberhasilan dalam pembuatan sistem.

Contoh 1

PEAS pada perancangan sopir taksi otomatis (Automatic Driver).

  1. Performance Measure : Aman, cepat, legal, perjalanan nyaman,

    memaksimalkan keuntungan

  2. Environment:Jalan,lalulintaslainnya,pejalankaki,pelanggan

  3. Aktuator : Setir, pedal gas, rem, sinyal, klakson.

  4. Sensor : Kamera, sonar, speedometer, GPS, odometer, sensor mesin,

    keyboard.

Contoh 2

Kajian analisys PEAS tentang penerapan kecerdasan buatan dalam Pesawat Terbang.

  1. Performance measure: Kemanan, kenyamanan, kecepatan, legalitas,

    keuntungan.

  2. Environment:BandarUdara(Airport),JalurPenerbangan(Airways),AirTraffic

    Controller, Cuaca dan Iklim, Transportasi Udara Lainnya.

  3. Actuators: Primary Flight Control, yaitu Elevator, Aileron, Rudder, Remote

    Controler, Secondary Flight Control, yaitu Spoiler, Trailing Edge Flap, Leading

    Edge Flap & Slat, dan Horizontal Stabilizer, Warning System.

  4. Sensors:Sonar,Camera,SpeedometerandOdometer,Navigation(GP,Radio Controller, Radio Controlle, Radio Controller, Air Traffic Control Automation

    (ATC Automation), Global Navigation Satellite System),Sensor mesin.

3. Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Berbeda dengan nilai kebenaran pada logika klasik yang bernilai 0(salah) atau 1(benar). Logika fuzzy mempunyai nilai kebenaran real dalam selang [0,1]. Pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy adalah Profesor Lotfi A. Zadeh guru besar pada University of California, Berkeley.

Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa bagian dalam managemen sains. Kelebihan dari logika fuzzy adalah mampu dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak perlu lagi persamaan matematik dari objek yang dikendalikan.

Logika fuzzy saat ini banyak diterapkan dalam berbagai bidang diantaranya:

  • Fuzzy rule Based Systems

  • Fuzzy Nonliner Simulations

  • Fuzzy Decision Making

  • Fuzzy Classification

  • Fuzzy Pattern ecognition

  • Fuzzy Control Systems

    Contoh:

    Tentukan fungsi keanggotaan untuk himpunan normal pada variabel kecepatan kendaraan 43 Km/jam dari kurva trapesium dibawah ini :

Penyelesaian Contoh Soal : Apabila kita kurva trapesium, fungsi keanggotaan kecepatan kendaraan 43 Km/ jam terletak antara domain a dan b (a ≤ x ≤ b) sehingga : Fungsi Keanggotaan :

μNormal(43) = (x-a) / (b-a)
= (43 – 20) / (50-20)

= 23/ 30

= 0.76
Sehingga hasil kurva menjadi :

Penjelasan :
a. Nilaikeanggotaansuatulogikafuzzysangatberpengaruhpadakurvadan

fungsi keanggotan yang digunakan
b. Setiapjeniskurvamemilikifungsikeanggotaanyangberbeda-beda

c. Logika fuzzy mampu mengetahui fungsi keanggotaan dengan detail dan akurat, sehingga logika fuzzy sangat baik untuk menyelesaikan permasalahan yang membutuhkan hasil yang terukur.

4. Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan di pelajari oleh jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari.

Fungsi dari Neural Network diantaranya adalah:

  1. Pengklasifikasianpola

  2. Memetakanpolayangdidapatdariinputkedalampolabarupadaoutput

  3. Penyimpan pola yang akan dipanggil kembali

  4. Memetakanpola-polayangsejenis

  5. Pengoptimasipermasalahan

  6. Prediksi

Contoh:

Program Jaringan Sederhana AND, OR dan NOT yang dijelaskan sebagai berikut. Tabel 1 adalah tabel hasil operasi AND

Tabel 1 Operasi AND

Dari tabel diatas terlihat ada dua input (X1 dan X2) dan satu output (Y) dengan bobot yang sesuai untuk w1 adalah 1 dan w2 adalah 1 sehingga diperoleh nilai threshold yang sesuai dengan tabel adalah 2. Arsitektur jaringan sederhana untuk kasus AND seperti pada gambar 2.

X1 1
Y

X2

X1

X2

Y

1

1

1

1

0

0

0

1

0

0

0

0

1

Threshold(Y) = 2

Gambar 2 Arsitektur jaringan sederhana operasi AND Contoh program jaringan sederhana operasi AND adalah:

#include<iostream.h> main()
{

int w1,w2,x1,x2,O; w1=1;w2=1; cout<<"X1="; cin>>x1; cout<<"X2="; cin>>x2; O=x1*w1+x2*w2; if(O>=2)

cout<<"Output AND=1"<<endl; else

}

cout<<"Output AND=0"<<endl;

Tabel 2 adalah tabel hasil operasi OR.
Tabel 2 Operasi OR

X1

X2

Y

1

1

1

1

0

1

0

1

1

0

0

0

Dari table diatas terlihat ada dua input (X1 dan X2) dan satu output (Y) dengan bobot yang sesuai untuk w1 adalah 2 dan w2 adalah 2 sehingga diperolehnilai threshold yang sesuai dengan tabel adalah 2. Arsitektur jaringan sederhana untuk kasus OR seperti pada gambar 2

X1 2
Y

X2

Threshold(Y) = 2
Gambar 2 Arsitektur jaringan sederhana operasi OR

2

Contoh program jaringan sederhana operasi OR adalah:

#include<iostream.h> main()
{

}

int w1,w2,x1,x2,O; w1=2;w2=2; cout<<"X1="; cin>>x1; cout<<"X2="; cin>>x2; O=x1*w1+x2*w2; if(O>=2)

cout<<"Output OR=1"<<endl; else

cout<<"Output OR=0"<<endl;

Tabel 3 adalah tabel hasil operasi NOT.
Tabel 3 Operasi NOT

Dari table diatas terlihat ada satu input (X) dan satu output (Y) dengan bobot yang sesuai untuk w adalah -1 sehingga diperoleh nilai threshold yang sesuai dengan tabel adalah -0.5. Arsitektur jaringan sederhana untuk kasus OR seperti pada gambar 3

X -1 Y

Threshold(Y) = -0.5

Gambar 3 Arsitektur jaringan sederhana operasi NOTContoh program jaringan sederhana operasi OR adalah:

X

Y

0

1

1

0

#include<iostream.h> main()
{

int w1,x1,O; w1=-1; cout<<"X1="; cin>>x1; O=x1*w1; if(O>=-0.5)

cout<<"Output NOT=1"<<endl; else

cout<<"Output NOT=0"<<endl;

}

Dari Arsitektur jaringan sederhana operasi And diatas dapat disederhanakan lagi dengan membuat threshold = 0 sehingga diperoleh arsitektur jaringan denganbias = 1 seperti pada gambar 4.

W=- 2

W= 1

W= 1

Gambar 4 Arsitektur jaringan sederhana operasi AND dengan Bias

Komentar

Postingan populer dari blog ini

UAS Audit Teknologi Informasi Menggunakan ACL

Web Service

Cara menjalankan kode Python dari dalam Visual Studio Code