A. Definisi Teknologi Sistem Cerdas / Artificial Intelligence (AI)
Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”. Berarti dasar dari
intelligence ialah kemampuan untuk memahami dan melakukan aksi. Intelligence
merupakan istilah yang komplek yang dapat didefinisikan dengan ungkapan yang
berbeda seperti logika, pemahaman, self-awareness,
pembelajaran, perencanaan, dan problem solving. Sedangkan “Artificial” adalah sesuatu yang tidak nyata, seperti tipuan karena
merupakan hasil simulasi.
Jadi secara umum, AI adalah teknik
dan ilmu untuk membuat suatu mesin menjadi cerdas, terutama untuk program
komputer. Kecerdasan seperti yang dimiliki manusia, sehingga sebuah komputer
dapat mengambil tindakan untuk menyelesaikan masalah kompleks sekalipun dengan
pemikiran seperti seorang manusia. Supaya komputer dapat bertindak seperti atau
serupa dengan manusia, maka komputer harus diberi bekal pengetahuan melalui
proses pelatihan (training), dan mempunyai kemampuan untuk menalar.
B. Sejarah AI
dimulai sejak lebih dari 100 tahun
yang lalu, salah satu kisah yang terkenal adalah pementasan Rossum’s Universal Robots (R.U.R.). Pada tahun
1920, penulis Czeh Karel Čapek mempublikasikan fiksi sains dengan judul Rossumovi Univerzální Roboti (Rossum’s
Universal Robots). Cerita ini memperkenalkan istilah robot dan membuat
manusia-manusia buatan yang disebut robots.
Gambar 1. Pementasan R.U.R.
Sejarah penting lainnya adalah
usulan Alan Turing yang dikenal dengan nama Turing Test untuk
mendefinisikan mesin yang cerdas/intelligent.
Gambar 2. Turing test.
Komputer A dapat disebut
cerdas jika komputer A dan seseorang B berkomunikasi melalui
bahasa alami dan orang kedua C tidak dapat mendeteksi siapa yang
berkomunikasi (A atau B tersebut) adalah sebuah mesin. Pada tahun
1958, McCarthy di MIT AI Lab mendefinisikan bahasa pemrograman
tingkat tinggi yaitu Lisp, yang setelah dipublikasikan pada tahun 1960
mendominasi pembuatan program-program AI pada saat itu. Kemudian, McCarthy
membuat program yang dinamakan programs with common sense. Di
dalam program tersebut, dibuat rancangan untuk menggunakan pengetahuan dalam
mencari solusi. Pada tahun 1959, Program komputer General Problem Solver berhasil
dibuat oleh Herbert A. Simon, J.C. Shaw, dan Allen Newell. Program ini
dirancang untuk memulai penyelesaian masalah secara manusiawi. Pada tahun yang
sama Nathaniel Rochester dari IBM dan para mahasiswanya merilis program AI
yaitu Geometry theorem prover.
Gambar 3. John McCarthy, Bapak AI
dunia.
K C. Konsep
Dasar AI
konsep dasar dari AI yaitu pembelajaran
mesin (Machine Learning), pembelajaran mendalam (Deep Learning), dan jaringan
saraf tiruan (Neural Network).
- Pembelajaran Mesin (Machine Learning)
Pembelajaran mesin adalah cabang
dari AI yang bertujuan untuk memberikan mesin kemampuan dalam mempelajari tugas
tanpa kode yang sudah ada. Dalam istilah yang paling sederhana, mesin tersebut
akan diberikan contoh uji coba dalam jumlah yang besar untuk tugas tertentu.
Ketika mesin tadi menjalani uji coba, mesin itu akan belajar dan mengadaptasi
strategi yang sesuai untuk mencapai tujuan yang diinginkan. Misalnya, mesin
pengenal gambar dapat diberikan jutaan gambar untuk dianalisis. Setelah melalui
permutasian yang panjang, mesin akan memperoleh kemampuan untuk mengenali pola,
bentuk, wajah, dan masih banyak lagi.
- Pembelajaran Mendalam (Deep Learning)
Pembelajaran mendalam adalah teknik
pembelajaran mesin yang mengajarkan komputer untuk melakukan apa yang secara
alami terjadi pada manusia: belajar dengan cara mencontoh. Pembelajaran
mendalam adalah teknologi utama di balik mobil tanpa kemudi (driveless
car). Itu memungkinkan mereka untuk mengenali tanda berhenti, atau untuk
membedakan pejalan kaki dengan tiang lampu. Ini adalah kunci dari kontrol suara
di perangkat konsumen seperti ponsel, tablet, TV, dan speaker hands-free.
Pembelajaran mendalam mendapatkan banyak perhatian belakangan ini karena dapat
mencapai hasil yang sebelumnya tidak mungkin. Dalam deep learning, model
komputer belajar untuk melakukan tugas klasifikasi langsung dari gambar, teks,
atau suara. Model pembelajaran yang mendalam dapat mencapai akurasi yang
canggih, terkadang melebihi kinerja tingkat manusia. Model dilatih dengan
menggunakan set besar data berlabel dan arsitektur jaringan saraf yang berisi
banyak lapisan.
- Jaringan Saraf Tiruan (Neural Network)
Neural Network atau juga
disebut sebagai jaringan saraf tiruan adalah berbagai teknologi pembelajaran
yang mendalam, yang juga berada di bawah naungan kecerdasan buatan atau AI.
Neural Network adalah paradigma pemrosesan informasi yang terinspirasi dari
cara sistem saraf biologis, seperti otak yang memproses informasi. Kunci elemen
dari paradigma ini adalah struktur novel dari sistem pemrosesan
informasi. Neural Network dikonfigurasikan untuk aplikasi tertentu,
seperti pengenalan pola atau klasifikasi data melalui proses pembelajaran.
Jaringan ini terdiri dari sejumlah besar elemen pemrosesan yang sangat saling
berhubungan (neuron) yang bekerja bersama untuk memecahkan masalah tertentu.
Contoh aplikasi komersial yang signifikan sejak tahun 2000 meliputi pengenalan
tulisan tangan untuk pemrosesan cek, transkripsi ucapan menjadi sebuah teks,
analisis data, dan prediksi cuaca dan pengenalan wajah. Jaringan saraf tiruan
ini terinspirasi oleh hal-hal yang kita temukan dalam biologi kita sebagai
manusia. Cara Neural Network memahami sesuatu sama seperti manusia yaitu
belajar dengan cara mencontoh. Model jaringan saraf menggunakan prinsip
matematika dan ilmu komputer untuk meniru proses otak manusia. Jaringan saraf
tiruan mencoba mensimulasikan proses sel-sel otak yang saling berhubungan erat,
tetapi bukannya dibangun dari biologi, neuron-neuron ini dibangun dari kode
atau biasa disebut node.
D.D. Studi Kasus AI : Intelligent Agent
AGEN
CERDAS UNTUK PENENTUAN KELAYAKAN PEMBERIAN KREDIT KOPERASI SIMPAN PINJAM
Pertumbuhan
koperasi dalam tiga tahun terakhir mengalami peningkatan setiap tahunnya.
Berdasarkan laporan Kementerian Koperasi dan Usaha Kecil dan Menengah, Jumlah
koperasi pada tahun 2011 tercatat sebesar 188.181. Kondisi ini meningkat 21,44.
persen dibandingkan tahun 2008 yang tercatat sebanyak 154.964. Jumlah anggota
koperasi tahun ini pun menanjak 12,9 persen dari capaian 2008 menjadi 30,85
juta orang.
Koperasi
Indonesia didominasi oleh koperasi kredit yang menguasai antara55-60 persen dari
keseluruhan aset koperasi. Anggota koperasi dapat mengajukan kredit dan
kemudian memiliki kewajiban untuk membayar cicilan kredit sesuai dengan jangka
waktu yang telah ditentukan. Ketidakmampuan anggota koperasi untuk membayar
cicilan kredit dalam jangka waktu yang telah ditentukan dapat menyebabkan
kredit macet. Kondisi ini apabila dibiarkan terus-menerus dapat berpengaruh
langsung terhadap likuiditas koperasi. Untuk meminimalisir resiko kredit macet
maka koperasi harus melakukan analisis kelayakan sebelum memberikan kredit
karena akan berpengaruh pada resiko kelancaran pengembalian kredit. Proses
analisis kelayakan kredit merupakan hal yang sulit dan membutuhkan waktu yang
cukup lama. Oleh karena itu dibutuhkan alat bantu yang cepat dan akurat untuk
melakukan analisis kelayakan kredit untuk menilai debitur yang mempunyai resiko
gagal bayar dan yang tidak beresiko.
Pengembangan
sebuah perangkat lunak berbasis agen cerdas (Intelligent agent)
merupakan sebuah paradigma baru dalam bidang komputasi kecerdasan buatan
terdistribusi. Agen cerdas bekerja seperti sebuah kotak hitam (black-box)
yang menerima masukan (perception) dari lingkungan dengan menggunakan
sensor, kemudian bagian intelligent processing akan mengolah input
tersebut sehingga dapat menghasilkan ouput berupa action.
Fokus penelitian
ini adalah mengembangkan agen cerdas yang menerapkan CBR dan AlgoritmaNearest
Neighbor untuk penentuan kelayakan pemberian kredit koperasi dengan lebih
cepat dan akurat dalam melakukan perbandingan kasus. Dalam penelitian ini
digunakan metode eksperimen kualitatif, dengan pola one-group experiment.
Desain yang digunakan yaitu one group pretest dan posttest design atau
dikenal sebagai pola “sebelum dan sesudah” dengan menggunakan satu kelompok.
Adapun tahapan dalam penelitian ini meliputi: studi literatur, pemodelan CBR
dan algoritma nearest neighbor, pengembangan sistem yang menerapkan CBR
dan algoritmanearest neighbor untuk penentuan kelayakan kredit koperasi
dan implementasi sistem. Untuk menentukan penilaian kelayakan kredit dengan
penerapan CBR dan algoritma nearest neighbor terlebih dahulu menganalisa
data kasus kemudian menentukan atribut yang menjadi dasar dalam penentuan
kelayakan kredit.Setelah itu atribut-atribut tersebut ditentukan mana yang
termasuk atribut solusi (atribut tujuan) dan atribut yang digunakan dalam
penentuan kelayakan kredit (atribut aktif). Atribut yang aktif tersebut
kemudian ditentukan bobot nilainya, antara 0 sampai dengan 1. Nilai 0 artinya
jika atribut tersebut tidak berpengaruh dalam penentuan sebuah kelayakan kredit
dan sebaliknya nilai 1 jika atribut sangat berpengaruh dalam menentukan sebuah
kelayakan kredit.
Sebelum kredit
diberikan, koperasi kredit terlebih dahulu menilai kelayakan kredit yang
diajukan oleh anggota. Kredit akan diberikan jika memenuhi ketentuan dan
persyaratan serta memenuhi TUKKEPAR (Tujuan Pinjaman, Kerajinan Menabung
Anggota, Kemampuan Membayar, Prestasi Pinjaman Sebelumnya dan Partisipasi
Terhadap Koperasi). Penentuan kelayakan pemberian kredit didasarkan pada
laporan pinjaman anggota koperasi kredit. Dalam penentuan kelayakan pemberian
kredit ini dibedakan menjadi dua ukuran, yaitu :
1. Layak diberikan kredit, jika
anggota dapat melakukan pembayaran tepat waktu.
2. Tidak layak diberikan kredit,
jika anggota tidak memiliki kemampuan untuk membayar angsuran pokok dan atau
bunga pinjaman.
3. Masing-masing atribut tersebut
memiliki nilai atribut yang dijadikan penentuan dalam pengukuran
Dalam menentukan kelayakan
pemberian kredit dilakukan pengukuran kedekatan kasus baru dengan data kasus
yang telah ada.Untuk pengukuran kedekatan menggunakan beberapa atribut dan
nilai atribut yang terkait.Yang menjadi atribut tujuan adalah kelayakan
kredit.Selain atribut tujuan diberikan bobot dengan nilai antara 0 sampai
dengan 1.Nilai 0 artinya jika atribut tersebut tidak berpengaruh dalam
penentuan kelayakan pemberian kredit dan sebaliknya nilai 1 jika atribut sangat
berpengaruh dalam menentukan kelayakan pemberian kredit. Masing-masing nilai
atribut yang terkait diperbandingkan dengan memberikan bobot nilai antara 0
sampai dengan 1 sesuai dengan kedekatan antar nilai atribut.Nilai 0 artinya
jika antar nilai atribut tidak memiliki kedekatan (hubungan) dan sebaliknya
nilai 1 jika antar nilai atribut sangat berdekatan (berhubungan).
Dari hasil
penelitian yang dilakukan dari tahap awal hingga pengujian penerapan CBR dan
algoritma nearest neighbor untuk proses penentuan kelayakan pemberian
kredit, didapatkan kesimpulan bahwa proses proses penentuan kelayakan pemberian
kredit menjadi lebih cepat dan akurat. Hal ini dibuktikan dengan analisis hasil
penelitian yang sebelumnya rata-rata waktu yang dibutuhkan adalah 18,2 menit
setiap kasus sedangkan dengan menggunakan sistem rata-rata waktu yang
dibutuhkan adalah 1,45 menit dan keakuratan hasil rata-rata sebelum menggunakan
sistem adalah 70% sedangkan dengan setelah menggunakan sistem meningkat tingkat
keakuratannya mencapai 90%. Pengembangan tahap CBR pada penelitian ini hanya
sampai tahap retrieval, untuk penelitian selanjutnya mungkin dapat
dilanjutkan dengan tahap CBR yang lainnya.
DAFTAR PUSTAKA :
Saputro, M.I. dan Mardiana, T. 2015.
Agen Cerdas Untuk Penentuan Kelayakan Pemberian Kredit Koperasi Simpan Pinjam. Jurnal Teknik Komputer AMIK BSI.
1(2)246-252.
Budiharto,W.2018.AI For Beginner. https://socs.binus.ac.id/files/2018/06/AI-for-Beginner-Prof.-Dr.-Widodo-Budiharto.pdf. Diakses pada tanggal
1 Desember 2020.
Komentar
Posting Komentar