Database Fuzzy

      Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data
tersebut dipandang oleh user.Dengan menggunakan basisdata standar, kita dapat mencari data-data dengan spesifikasi tertentu dengan menggunakan query

Fuzzy clustering

          Data clustering adalah proses membagi elemen data ke dalam kelas atau kelompok, sehingga item dalam kelas yang sama adalah sebagai mirip mungkin, dan item dalam kelas yang berbeda adalah sebagai berbeda mungkin. . Tergantung pada sifat data dan tujuan yang clustering yang digunakan, ukuran yang berbeda kesamaan dapat digunakan untuk menempatkan barang-barang ke dalam kelas, dimana ukuran kesamaan mengontrol bagaimana cluster terbentuk. 
           Beberapa contoh tindakan yang dapat digunakan sebagai dalam clustering termasuk jarak, konektivitas, dan intensitas. Dalam clustering keras , data dibagi ke dalam kelompok yang berbeda, di mana setiap elemen data milik tepat satu cluster. Dalam clustering fuzzy (juga disebut sebagai pengelompokan lunak), elemen data dapat menjadi milik lebih dari satu cluster, dan terkait dengan setiap elemen adalah satu set tingkat keanggotaan. Ini menunjukkan kekuatan hubungan antara elemen data dan cluster tertentu.
             Fuzzy clustering adalah proses untuk menempatkan tingkat keanggotaan, dan kemudian menggunakan mereka untuk menetapkan elemen data ke satu atau lebih cluster.
Salah satu algoritma yang paling banyak digunakan fuzzy clustering adalah Fuzzy C-Means (FCM) Algoritma (Bezdek 1981). Algoritma FCM mencoba untuk partisi sebuah koleksi terbatas n unsur X = {x ₁ ,..., x _n} menjadi koleksi cluster fuzzy c sehubungan dengan beberapa kriteria yang diberikan. Diketahui sebuah himpunan berhingga data, algoritma mengembalikan daftar dari c pusat cluster C = {c ₁ ,..., c _c} dan matriks partisi  
, 
        Di mana setiap elemen _ij u memberitahu sejauh mana elemen x _i milik cluster c _j. Seperti algoritma k-berarti, FCM ini bertujuan untuk meminimalkan fungsi tujuan. Fungsi standar:

      Yang berbeda dari k-berarti fungsi objektif dengan penambahan keanggotaan nilai u _ij dan m. fuzzifier. M fuzzifier menentukan tingkat ketidakjelasan cluster. Sebuah hasil m besar di kecil keanggotaan u _ij dan karenanya, cluster fuzzier. Dalam batas m = 1, keanggotaan u _ij konvergen ke 0 atau 1, yang menyiratkan partisi renyah.
      Dengan tidak adanya eksperimen atau pengetahuan domain, m adalah umumnya diatur ke 2.  Algoritma FCM dasar, diberikan n titik data (x1,..., Xn) untuk dikelompokkan, sejumlah cluster c dengan (c1,..., Cc) pusat cluster, dan m tingkat ketidakjelasan dengan cluster

Model Fuzzy Tsukamoto

         Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-
predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Model Fuzzy Sugeno

Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi- Sugeno Kang pada tahun 1985.
a. Model Fuzzy Sugeno Orde-Nol
    Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:
                          IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xN is AN) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.
b. Model Fuzzy Sugeno Orde-Satu
     Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:
                         IF (x1 is A1) • ...... • (xN is AN) THEN z = p1*x1 + … + pN*xN + q
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode SUGENO, maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya.

Model Fuzzy Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi (aturan)
3. Komposisi aturan
4. Penegasan (deffuzy)

1. Pembentukan himpunan fuzzy 
            Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi           Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
          Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor).

• Metode Max (Maximum)

          Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
                                        μsf[xi] ← max(μsf[xi], μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;-
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

• Metode Additive (Sum)

           Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:
                                      μsf[xi] ← min(1,μsf[xi]+ μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

• Metode Probabilistik OR (probor)

           Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan:
                                  μsf[xi] ← (μsf[xi]+ μkf[xi]) - (μsf[xi] * μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

4.Penegasan (defuzzy)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output

Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara lain:
a. Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan:

b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan separo dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan:

c. Metode Mean of Maximum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.

d. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.

e. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum.

Defuzzifikasi

Defuzzifikasi adalah langkah terakhir dalam suatu sistem logika fuzzy dimana tujuannya
adalah mengkonversi setiap hasil dari inference engine yang diekspresikan dalam bentuk fuzzy set ke suatu bilangan real.

Fungsi Keanggotaan

Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan.

• Representasi Linear

              Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu     garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang

jelas.

              Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi

• Representasi Kurva Segitiga

            Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada Gambar di bawah ini:

• Representasi Kurva Trapesium

             Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1

• Representasi Kurva Bentuk Bahu

           Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS). Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan temperatur akan tetap berada pada kondisi PANAS. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. Gambar di bawah ini menunjukkan variabel TEMPERATUR dengan daerah bahunya.

• Representasi Kurva-S

              Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva-S untuk PERTUMBUHAN akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi

Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan (nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti telihat pada gambar di bawah ini:

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar. gambar di bawah menunjukkan karakteristik kurva-S dalam bentuk skema.

• Representasi Kurva Bentuk Lonceng (Bell Curve)

             Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu: himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva ini terletak pada gradiennya.
 (i) Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ), dan lebar kurva (β). Nilai kurva untuk suatu nilai domain x diberikan sebagai:

 (ii) Kurva BETA
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β) . Nilai kurva untuk suatu nilai domain x, diberikan sebagai:

(iii) Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan (β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva. Nilai kurva untuk suatu nilai domain x diberikan sebagai:

• Koordinat Keanggotaan

             Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan kebenaran nilai keanggotaannya dalam bentuk:
                                              Skalar(i) / Derajat(i)
‘Skalar’ adalah suatu nilai yang digambar dari domain himpunan fuzzy, sedangkan ‘Derajat’ skalar merupakan derajat keanggotaan himpunan fuzzynya.

Fuzzyfication

Fuzzifikasi adalah proses pembuatan crips logika fuzzy.Representasi vektor dapat dilihat sebagai pendekatan diskrit atau kontinu dari set (menggunakan interpolasi linear]

Blok Diagram Fuzzy Logic Control

Dalam sistem kontrol logika fuzzy terdapat beberapa tahapan operasional yang meliputi :

1. Fuzzyfikasi
2. Penalaran (Inference Machine)
3. Aturan Dasar (Rule Based)
4. Defuzzyfikasi

Blok diagram control logika fuzzy ditunjukan pada gambar berikut:

Konsep Dasar Fuzzy Logic

Kelompok Fuzzy Logic

      
       Profesor Lotfi A. Zadeh adalah guru besar pada University of California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah. Karena itu Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership function) dari masing-masing variabelnya.

       Fungsi keanggotaan (membership function), Sudradjat [25] adalah suatu kurva yang menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

• Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.
• Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.
• Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.

• Masukan Crisp adalah masukan yang tegas dan tertentu.
• Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.
• Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.

       Pada teknik digital, Dubois dan Prade, dikenal dua macam logika yaitu 0 dan 1 serta tiga operasi dasar yaitu NOT, AND dan OR. Logika semacam ini disebut dengan crisp logic.

Perkembangan Sekarang

Robot humanoid memainkan terompet.

Robot adalah sebuah alat mekanik yang dapat melakukan tugas fisik, baik menggunakan pengawasan dan kontrol manusia, ataupun menggunakan program yang telah didefinisikan terlebih dulu (kecerdasan buatan). Robot biasanya digunakan untuk tugas yang berat, berbahaya, pekerjaan yang berulang dan kotor. Biasanya kebanyakan robot industri digunakan dalam bidang produksi. Penggunaan robot lainnya termasuk untuk pembersihan limbah beracun, penjelajahan bawah air dan luar angkasa, pertambangan, pekerjaan "cari dan tolong" (search and rescue), dan untuk pencarian tambang. Belakangan ini robot mulai memasuki pasaran konsumen di bidang hiburan, dan alat pembantu rumah tangga, seperti penyedot debu, dan pemotong rumput.

Ketika para pencipta robot pertama kali mencoba meniru manusia dan hewan, mereka menemukan bahwa hal tersebut sangatlah sulit; membutuhkan tenaga penghitungan yang jauh lebih banyak dari yang tersedia pada masa itu. Jadi, penekanan perkembangan diubah ke bidang riset lainnya. Robot sederhana beroda digunakan untuk melakukan eksperimen dalam tingkah laku, navigasi, dan perencanaan jalur. Teknik navigasi tersebut telah berkembang menjadi sistem kontrol robot otonom yang tersedia secara komersial; contoh paling mutakhir dari sistem kontrol navigasi otonom yang tersedia sekarang ini termasuk sistem navigasi berdasarkan-laser dan VSLAM (Visual Simultaneous Localization and Mapping) dari ActivMedia Robotics dan Evolution Robotics.

Ketika para teknisi siap untuk mencoba robot berjalan kembali, mereka mulai dengan heksapoda , platform berkaki banyak ada juga robot berjalan naik turun tangga . Robot-robot tersebut meniru serangga dan arthropoda dalam bentuk dan fungsi. Tren menuju jenis badan tersebut menawarkan fleksibilitas yang besar dan terbukti dapat beradaptasi dengan berbagai macam lingkungan, tetapi biaya dari penambahan kerumitan mekanikal telah mencegah pengadopsian oleh para konsumer. Dengan lebih dari empat kaki, robot-robot ini stabil secara statis yang membuat mereka bekerja lebih mudah. Tujuan dari riset robot berkaki dua adalah mencapai gerakan berjalan menggunakan gerakan pasif-dinamik yang meniru gerakan manusia. Namun hal ini masih dalam beberapa tahun mendatang.

Masalah teknis lain yang menghalangi penerapan robot secara meluas adalah kompleksitas penanganan obyek fisik dalam lingkungan alam yang tetap kacau. Sensor taktil dan algoritma penglihatan yang lebih baik mungkin dapat menyelesaikan masalah ini. Robot Online UJI dari University Jaume I di Spanyol adalah contoh yang bagus dari perkembangan yang berlaku dalam bidang ini.

Belakangan ini, perkembangan hebat telah dibuat dalam robot medis, dengan dua perusahaan khusus, Computer Motion dan Intuitive Surgical, yang menerima pengesahan pengaturan di Amerika Utara, Eropa dan Asia atas robot-robotnya untuk digunakan dalam prosedur pembedahan minimal. Otomasi laboratorium juga merupakan area yang berkembang. Di sini, robot benchtopdigunakan untuk memindahkan sampel biologis atau kimiawi antar perangkat seperti inkubator, berupa pemegang dan pembaca cairan. Tempat lain dimana robot disukai untuk menggantikan pekerjaan manusia adalah dalam eksplorasi laut dalam dan eksplorasi antariksa. Untuk tugas-tugas ini, bentuk tubuh artropoda umumnya disukai. Mark W. Tilden dahulunya spesialis Laboratorium Nasional Los Alamos membuat robot murah dengan kaki bengkok tetapi tidak menyambung, sementara orang lain mencoba membuat kaki kepiting yang dapat bergerak dan tersambung penuh.

Robot bersayap eksperimental dan contoh lain mengeksploitasi biomimikri juga dalam tahap pengembangan dini. Yang disebut "nanomotor" dan "kawat cerdas" diperkirakan dapat menyederhanakan daya gerak secara drastis, sementara stabilisasi dalam penerbangan nampaknya cenderung diperbaiki melalui giroskop yang sangat kecil. Dukungan penting pekerjaan ini adalah untuk riset militer teknologi pemata-mataan tetapi hal ini tdak sesuai dengan 3 prinsip robot yaitu:1.robot tidak boleh mencelakakan manusia,2.robotharus menaati printah manusia asalkan tidak bertentangan dgn prinsip 1,3.jika diserang manusia ia harus melindungi diri sendiri jika hal itu bertentangan dgn prinsip 1dan2

Aplikasi Kecerdasan Buatan

Pada artikel yang berjudul Intelegensi Buatan (Kecerdasan Buatan) sebelumnya, telah dipaparkan tentang Sejarah, Definisi, beserta Cabang-cabang dari Bidang Ilmu Kecerdasan Buatan. Pada kesempatan kali ini, penulis ingin enyampaikan aplikasi-aplikasi kecerdasan buatan pada kehidupan nyata.
Menyangkut masalah aplikasi kecerdasan buatan sangat banyak bidang padadi kehidupan kita sehari-hari. Misalnya seperti berikut ini.


1. Bidang Komputer dan Sains
Para Peneliti kecerdasan buatan telah membuat banyak alat untuk memecahkan beberapa masalah yang dapat dikategorikan paling rumit pada bidang komputer dan sains. Kebanyakan dari penemuan mereka telah diambil alih oleh cabang ilmu komputer dan sains dan tidak lagi menjadi bagian dari bidang ilmu kecerdasan buatan. Beberapa daftar aplikasi yang sebelumnya dikembangkan oleh para peneliti kecerdasan buatan adalah GUI (Graphical User Interface), Kalkulasi koordinat mouse pada layar monitor, manajemen penyimpanan otomatis, pemrograman dinamis serta pemrograman orientasi objek.

2. Finansial
Pada bidang finansial, penggunaan kecerdasan buatan ditujukan pada pengorganisasian operasi, investasi saham, dan memanajemen properti. Sebuah sistem yang memiliki kecerdasan buatan dapat mengkalkulasi inflasi maupun deflasi yang akan terjadi di masa depan serta dapat mengkalkulasi probabilitas naik turunnya harga saham sehingga dapat digunakan untuk menentukan investasi secara detail.

3. Kesehatan
Pada bidang kesehatan, sistem kecerdasan buatan telah digunakan, slah satunya adalah algoritma genetika yang memungkinkan simulasi proses evolusi dan rekayasa genetika diuji coba tanpa memerlukan “korban” makhluk hidup. Algoritma ini juga dapat digunakan untuk pencocokan DNA yang sering digunakan dan saat ini mungkin populer untuk mengidentifikasi identitas seseorang.

4. Industri
Pada bidang Industri penggunaan mesin sudah merupakan hal yang umum. Mesin biasanya digunakan dalam industri untuk pekerjaan yang membahayakan manusia dan yang sulit untuk dilakukan manusia. sebagai contoh memindahkan barang yang mempunyai berat ber ton-ton, pemotongan besi dan baja. bahkan dalam industri manufaktur, pekerjaan yang membutuhkan tingkat ketelitian tinggi dan konsistensi sudah diambil alih oleh mesin.

5. Telekomunikasi
Pada Bidang telekomunikasi, sistem kecerdasan buatan juga banyak digunakan antara lain untuk pencarian heuristik tentang tenaga kerja mereka, mengatur penjadwalan puluhan ribu pekerjanya, serta menentukan jumlah gaji sesuai dengan kualitas kerja mereka. Semuanya dilakukan secara otomatis dengan kecerdasan buatan yang telah diimplementasikan ke dalam sistemnya.

6. Pengembangan Game
Perkembangan Game yang pesat pada masa ini juga membutuhkan sesuatu yang berbeda pada rule permainannya. Sebuah sistem game, jika sudah dimainkan sampai tuntas oleh seorang player, maka ketika player yang sama memulai lagi permainan dari awal, maka rule permainannya akan sama. namun berbeda untuk game-game yang telah ada saat ini. sistem dalam game, dapat belajar mengenali pola permainan dari player dan ketika player tersebut memulai permainan kembali, maka sistem ini akan menggunakan rule yang berbeda untuk pemain yang sama ini. sehingga game menjadi lebih menarik dan menantang untuk dimainkan.
Contoh aplikasi kecerdasan buatan dalam bentuk game sangat banyak sekali, ada yang berbentuk game PC, dan ada pula yang berbentuk game jaringan.

sumber : http://taminteckom.wordpress.com/2010/12/08/aplikasi-kecerdasan-buatan-ai/

Bidang- Bidang yang Termasuk Kecerdasan Buatan

Ada beberapa bidang yang termasuk Kecerdasan Buatan, diantaranya adalah:

1. Sistem Pakar (Expert System). Disini komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar.
2. Pengolahan Bahasa Alami (Natural Language Processing). Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.
3. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara.
4. Robotika dan Sistem Sensor (Robotics and Sensory Systems).
5. Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau obyek-obyek tampak melalui komputer.
6. Intelligent Computer-Aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.
7. Machine Learning (Jaringan Syaraf Tiruan, Fuzzy Logic, Algoritma Genetika.
8. Game Playing.

Kecerdasan Buatan

 
Definisi Kecerdasan Buatan
     Definisi kecerdasan buatan ada bermacam-macam, diantaranya:

1.  Suatu studi yang mengupayakan bagaimana agar komputer berlaku cerdas.
2. Studi yang membuat komputer dapat menyelesaikan persoalan yang sulit.
3. Teknologi yang mensimulasikan kecerdasan manusia, yaitu bagaimana mendefinisikan dan mencoba menyelesaikan persoalan menggunakan komputer dengan meniru bagaimana manusia menyelesaikan dengan cepat.

     Dengan beberapa definisi diatas, Kecerdasan Buatan menawarkan baik media maupun uji teori kecerdasan. Teori-teori ini dapat dinyatakan dalam bahasa program komputer dan dibuktikan eksekusinya pada komputer nyata.

Sejarah Kecerdasan Buatan

    Pada tahun1950-an para ilmuwan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia.Alan Turing, seorang matematikawanI nggris, pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil tes tersebut kemudian dikenal dengan Turing Test, dimana si mesin tersebut menyamar seolah-olah sebagai seseorang didalam suatu permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia). Kecerdasan Buatan sendiri dimunculkan oleh seorang profesor dari Massachusetts Institute of Technology (MIT) yang bernamaJohn McCarthy pada tahun1956 pada saat Dartmouth Conference yang dihadiri oleh para peneliti AI .

PersoalanYang Ditangani Artificial Intelligence

Beberapa persoalan yang dapat ditangani oleh Kecerdasan Buatan, antara lain:

• Perseps i(Vision danPercakapan) Bahasa Alamiah(Pemahaman, Penurunan, Translasi)
• Kontrol Robot
• Permainan (Game)
• Persoalan Matematis(Geometri, Logic, KalkulusIntegral) 
• Engineering (Desain, Penemuan Kesalahan, Perencanaan Pabrik)
• Analisa Ilmiah
• Diagnosa Bidang Kedokteran
• Analisa Financial

sumber: Entin Martiana,SekilasTentang Kecerdasan Buatan