Sharing With Passion

November 14, 2015

Posted by Sabar Santoso in | November 14, 2015 No comments
Agen adalah segala sesuatu yang dapat dilihat sebagai hal yang dapat memahami lingkungannya melalui sensor dan bertindak atas lingkungan itu sendiri melalui efektor. Seorang agen manusia memiliki mata, telinga, dan organ lain sebagai sensor, sedangkan tangan, kaki, mulut, dan bagian tubuh lainnya sebagai efektor. Agen robot dapat menggantikan kamera dan pencari jangkauan inframerah sebagai sensor sedangkan bagian motor pada robot berfungsi sebagai efektor. Agen rasional adalah agen yang melakukan sesuatu hal yang benar. Hal ini jelas lebih baik daripada melakukan sesuatu hal yang salah, tetapi apa artinya ini semua? Sebagai perkiraan pertama, kita katakan bahwa tindakan yang benar dapat menjadikan agen berfungsi dengan sukses. Dengan demikian maka ketika terdapat suatu masalah, agen tersebut dapat memutuskan bagaimana dan kapan mengevaluasi masalah tersebut agar keberhasilan agen dapat tercapai.


Agen yang berinteraksi dengan lingkungannya melalui sensor dan afektor.


Kita menggunakan istilah ukuran kinerja untuk menentukan bagaimana seberapa sukses suatu agen menyelesaikan tugasnya. Ini jelas, tidak ada satu ukuran tetap yang cocok untuk semua agen. Oleh karena itu, maka kita harus menentukan ukuran kinerja objektif yang diberlakukan oleh beberapa otoritas. Dengan kata lain, kita sebagai pengamat luar menetapkan standar arti menjadi sukses pada sebuah lingkungan dan menggunakannya untuk mengukur kinerja agen.

Sebagai contoh, perhatikan kasus agen yang seharusnya bertugas menyedot lantai yang kotor. Ukuran kinerja yang masuk akal adalah jumlah kotoran yang dibersihkan dalam berada pada satu shift kerja selama delapan jam. Ukuran kinerja yang lebih canggih akan mempertimbangkan jumlah listrik yang dikonsumsi dan jumlah kebisingan yang dihasilkan. Contoh ukuran kinerja lainnya adalah dengan memberikan nilai tertinggi bagi agen yang tidak hanya membersihkan lantai dengan efisien, tetapi juga dapat memangkas waktu lebih cepat.

Waktu untuk melakukan evaluasi kinerja juga sama pentingnya. Jika kita mengukur berapa banyak kotoran yang telah dibersihkan agen pada shift pertama dihari itu, maka kita harus memberikan penghargaan kepada agen-agen yang menyelesaikannya dengan lebih cepat, dan kita memberikan peringatan bagi agen yang bekerja dengan hasil yang tidak diharapkan. Oleh karena itu, maka diperlukan juga pengukuran kinerja dengan perhitungan jangka panjang, baik itu di shift pertama, shift kedua atau kedua-duanya.

Kita perlu berhati-hati dalam membedakan antara rasionalitas dan pengetahuan. Agen yang mengetahui dapat menyelesaikan tugasnya dengan hasil aktual dari tindakannya dapat bertindak sesuai langkah-langkah sesuai prosedur; namun hal tersebut tidak berlaku dalam dunia nyata. Pertimbangkan contoh berikut ini: Suatu hari saya sedang berjalan dibahu jalan sepanjang Jalan Jendral Sudirman kemudian saya melihat seorang teman di seberang jalan. Pada saat itu tidak ada lalu lintas kendaraan dijalan raya, maka secara rasional, saya mulai menyeberang jalan. Sementara itu, pada ketinggian 33.000 kaki, terdapat benda kargo yang jatuh dari sebuah pesawat yang melintas, maka sebelum saya tiba di seberang jalan, saya saya sudah tertimpa benda kargo tersebut. Dalam hal ini apakah saya tidak rasional dalam menyeberang jalan? Ini menunjukkan bahwa rasionalitas berkaitan dengan keberhasilan yang diharapkan mengingat apa yang telah dirasakan. Menyeberang jalan itu rasional karena sebagian besar waktu penyeberangan akan berhasil, namun tidak dapat mengetahui bahwa akan ada sebuah benda yang jatuh dari atas menimpa saya. Kemudian terdapat agen lain yang dilengkapi dengan radar untuk mendeteksi benda yang jatuh dari atas maka akan berusaha menghindar benda tersebut agar misi menyebrang jalan berhasil, namun ini tidak dianggap rasional bagi agen lainnya.

Dengan kata lain, kita tidak dapat menyalahkan agen karena gagal memperhitungkan sesuatu yang tidak dapat dirasakannya, atau karena gagal dalam mengambil tindakan. Tapi syarat keberhasilan agen bukan dilihat dari masalah yang sesuai untuk agen tersebut. Intinya adalah bahwa jika kita menetapkan bahwa agen cerdas harus selalu melakukan apa yang sebenarnya adalah hal yang benar, namun tidak mungkin merancang agen untuk memenuhi spesifikasi lengkap sempurna.

Singkatnya, rasional terhadap waktu tertentu tergantung pada empat hal:

  • Ukuran kinerja yang menentukan tingkat kesuksesan.
  • Segala sesuatu yang dirasakan agen sejauh ini. kita sebut sebagap pengalaman perseptual.
  • Apa yang agen ketahui tentang lingkungannya.
  • Tindakan yang dapat dilakukan oleh agen.

Kita perlu hati-hati dalam mendefinisikan hal ini. Untuk awal, mungkin terlihat memungkinkan bahwa agen dapat melakukan beberapa kegiatan yang jelas-jelas kurang cerdas. Sebagai contoh, jika seorang agen tidak melihat pada kedua arah jalan sebelum menyeberang pada jalan yang padat, maka urutan persepsinya tidak akan memberikan informasi bahwa terdapat sebuah truk besar yang mendekat dengan kecepatan tinggi. Definisi tadi tampaknya mengatakan bahwa akan baik-baik saja menyeberang jalan. Namun sebenarnya, penafsiran ini salah dalam dua hal. Pertama, tidak masuk akal untuk menyeberang jalan karena risiko tanpa melihat area jalan dikedua arah. Kedua, agen rasional yang ideal akan memilih tindakan "mencari" sebelum melangkah ke jalan, karena dengan melihat dan mengamati lingkungan membantu memaksimalkan kinerja yang diharapkan.

Gagasan tentang agen dimaksudkan untuk menjadi alat dalam menganalisis sistem, bukan karakterisasi absolut yang membagi domain menjadi agen dan non-agen. Contoh sebuah jam. benda ini dapat dianggap sebagai benda mati, atau dapat pula dianggap sebagai agen sederhana. Dikatakan sebagai agen, karena sebagian besar tindakan jam selalu melakukan tindakan yang benar: seperti menggerakkan jarum (atau menampilkan angka) dengan cara yang tepat. Tidak peduli apa yang terjadi di luar, maka tindakan jam tidak akan terpengaruh oleh dunia luar. Jika jam dan pemiliknya melakukan perjalanan dari kota A ke kota B yang memiliki perbedaan waktu dunia  maka hal tepat yang dapat dilakukan adalah dengan mengembalikan waktu tersebut menyesuaikan dengan lokasi saat ini. 

September 28, 2015

Posted by Sabar Santoso in , | September 28, 2015 No comments


Machine Learning merupakan sistem yang secara otomatis akan mempelajari dirinya sendiri melalui data yang telah diperoleh. Machine Learning dapat aplikasikan pada mesin pencari website, spam filter, recommender system, credit scoring, fraud detection, stock trading, drug design, dan banyak lagi aplikasi yang lainnya. Menurut penelitian yang dilakukan oleh the McKinsey Global Institute Asserts bahwa machine learning pada era yang akan datang akan menjadi sebuah teknologi inovatif yang berkembang pesat. Pada saat ini sudah banyak tersedia referensi mengenai machine learning baik berupa textbook atau paper yang telah di publish oleh sumber yang dapat dipercaya.
Misalkan, jika anda akan membuat sebuah aplikasi yang dapat menyelesaikan masalahnya sendiri, maka hal pertama yang harus dilakukan adalah bagaimana membuat algoritma yang akan di simpan pada aplikasi tersebut, sedangkan metode algoritma untuk machine learning itu banyak sekali, sehingga kita harus dapat menentukan algoritma mana yang paling efektif dan efisien? Tapi pada intinya algoritma manapun yang akan anda gunakan, harus memiliki beberapa sifat dasar dari ketiga komponen di bawah ini :

1.   Representation.
Pengelompokan harus dapat digambarkan oleh beberapa bahasa pemrograman yang sudah familiar. Pada bagian ini kita dapat menyebutnya sebagai pembelajaran hypothesis space. Jika pengelompokan yang kita lakukan tidak berdasarkan pada hypothesis space, maka sudah dapat dipastikan bahwa machine learning yang akan di bangun tidak sesuai dengan apa yang diharapkan.

2.   Evaluation.
Pada bagian ini lebih menitik beratkan pada kualitas salah satu isi dari pengelompokan itu sendiri, kita dapat menamakannya sebagai objective function atau scoring  function. Fungsi evaluation dilakukan secara internal yang memungkinkan sebuah algoritma dapat melakukan hal yang berbeda dari kelompok itu sendiri untuk hasil yang lebih optimal.

3.   Optimization.
Untuk membangun sebuah machine learning yang baik, kita memerlukan suatu metode tertentu untuk mencari salah satu metode yang paling unggul dalam suatu kelompok. Teknik Optimization merupakan bagian yang paling penting dalam efisiensi pembelajaran, dan ini dapat menentukan kelompok yang dihasilkan jika objective function pada Evaluation  memiliki lebih dari satu metode yang optimum. Dengan Optimization maka akan menghasilkan suatu keadaan pembelajaran baru dan akan mengganti salah satu metode pembelajaran yang sekiranya sudah tidak dapat digunakan.

September 13, 2015

Posted by Sabar Santoso in | September 13, 2015 No comments
Dalam bidang ilmiah cara terbaik untuk mendefinisikan suatu hal adalah dengan cara memberikan satu pertanyaan inti. Bidang Machine Learning berusaha untuk menjawab pertanyaan tersebut.

"Bagaimana kita dapat membangun sebuah sistem komputer yang secara otomatis akan meningkatkan kemampuannya melalui beberapa tahapan pembelajaran yang telah dilalui, dan apa hukum dasar yang dapat mengatur semua proses pembelajaran itu?"

Pertanyaan ini mencakup berbagai berbagai teori pembelajaran, seperti bagaimana merancang sebuah robot mobile yang dapat melakukan navigasi melalui serangkaian proses pembelajaran yang telah dilalui? bagaimana sebuah data medis akan mempelajari histori pasien pada masa yang akan datang melalui beberapa perawatan yang sedang berjalan? dan bagaimana membangun sebuah mesin pencari yang secara otomatis akan menyesuaikan dengan apa yang diinginkan oleh pengguna?
















Machine Learning adalah hasil alami irisan antara Computer Science dan Statistik. Kita dapat mendefinisikan Computer Science melalui sebuah pertanyaan : "Bagaimana kita dapat membangun sebuah mesin yang dapat menyelesaikan masalahnya sendiri, dan mana saja masalah-masalah yang dapat diselesaikan?".  Sedangkan untuk Statistik itu sendiri kita dapat buat sebuah pertanyaan "Apa yang dapat disimpulkan dari sebuah data dengan asumsi menggunakan pemodelan? 

Pendefinisian Machine Learning dapat diperoleh atas kedua unsur diatas, walaupun keduanya memiliki pengertian yang berbeda. Computer Science lebih difokuskan pada cara kerja secara manual dari program komputer, sedangkan Machine Learning lebih focus pada pertanyaan bagaimana komputer dapat bekerja dan menyelesaikan masalah dengan programnya sendiri? Pada bidang statistik lebih difokuskan terutama pada apa yang dapat disimpulkan dari sebuah data, sedangkan pada Machine Learning dapat ditambahkan melalui pertanyaan tentang arsitektur komputasi dan algoritma apa yang dapat digunakan sehingga dapat bekerja secara efektif dalam menyimpan, mengindeks, mengambil serta menggabungkan data-data tersebut?

Pertanyaan yang mendefinisikan Machine Learning akan berkaitan erat dengan Human Learning. Walau bagaimanapun untuk saat ini wawasan mengenai Machine Learning diperoleh dari study Human Learning yang isinya jauh lebih rendah dari Statistik dan Computer Science, terutama karena lemahnya pemahaman kita tentang Human Learning. Namun demikian, sinergi antara Machine Learning dan Human Learning terus berkembang, contoh penggunaan algoritma Machine Learning seperti untuk membedakan sinyal syaraf yang ada pada manusia dengan hewan. 

Pada bidang lain, Machine Learning, digunakan pula untuk menyelesaikan masalah-masalah perekonomian hingga teori kontrol. Dalam hal bidang ekonomi, Machine Learning  dapat memprediksi suatu harga yang ada di pasaran sehingga didapatkan harga yang paling optimal bagi masyarakat umum. Dalam penggunaan teori kontrol, Machine Learning dapat meningkatkan strategi kontrol melalui beberapa pembelajaran. 

Beberapa contoh aplikasi yang didalamnya menggunakan teknologi Machine Learning adalah sebagai berikut :
  • Speech recognition.
  • Computer vision
  • Bio-surveillance.
  • Robot control.
  • Accelerating empirical sciences. 

Search

Bookmark Us

Delicious Digg Facebook Favorites More Stumbleupon Twitter