Pengantar Teknologi Sistem Cerdas
A. Sistem Cerdas
Sistem Cerdas adalah kecerdasan yang
diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan
pekerjaan seperti yang dapat dilakukan manusia. Jadi kesimpulannya membuat
suatu sistem yang berperasaan seperti halnya manusia pada umumnya. Adapun
bermacam-macam bidang yang menggunakan Sistem Cerdas antara lain Sistem Pakar,
Permainan Komputer (games), Logika Fuzzy, Jaringan Syaraf Tiruan (JST), dan
Robotika. Kelebihan Sistem Cerdas adalah sistem ini lebih cepat daripada proses
berpikir manusia.
Keunikan dari sistem cerdas ini
sama halnya dengan otak manusia. Hal ini dapat dicontohkan bagaimana manusia
dapat mengambil keputusan yang berbeda untuk memajukan perusahaan dengan
kondisi lingkungan dan faktor yang sama pada dua kesempatan yang berbeda. Oleh
karena itu, sistem cerdas tidak cocok disebut sebagai alat bantu dalam
pengambilan keputusan kehidupan manusia. Namun sistem cerdas cocok jika disebut
sebagai komputer yang menyerupai cara kerja otak manusia.
Sistem cerdas memiliki tiga
komponen utama yaitu Artificial Intellegence, Artificial Neural Network, dan
Fuzzy Logic. Ketiga komponen memiliki keahlian masing-masing dalam meniru cara
kerja otak manusia. Artificial Intellegence adalah bagaimana komputer meniru
manusia. Artificial Neural Network adalah bagaimana komputer meniru berlogika
syaraf oak manusia. Dan fuzzy logic adalah bagaimana komputer meniru manusia
dalam merasa. Semua metode yang ada setelahnya merupakan pengembangan dari tiga
komponen dasar tersebut.
Jika kita menggunakan if else, maka
setiap kita memajukan satu langkah pion di depan raja, maka respon/output yang
diberikan akan selalu sama. Jika permainan catur pada komputer selalu
memberikan output yang sama setiap kali kita melakukan yang sama berulang, maka
itu bukan permainan catur, melainkan program untuk meningkatkan daya ingat user
agar dapat mengalahkan komputer.
Soft
Computing merupakan pendekatan inovatif untuk konstruksi
komputasi dalam Sistem Cerdas. Soft
Computing adalah suatu pendekatan yang muncul untuk komputasi paralel yang
memiliki kemampuan seperti pemikiran manusia untuk memberi alasan, mempelajari ketidakpastian
dan ketidaktepatan lingkungan (Lotfi A. Zadeh, 1992).
A. Computational
Intelligence
Computational Intelligence
merupakan kumpulan dari teknik komputasi yang mampu mempelajari dan mengenali
data secara otomatis. Computational intelligence mengadopsi model komputasi
yang berasal dari kecerdasan yang ditemukan pada manusia, hewan, dan fenomena
alam lainnya. Menariknya, teknik-teknik
computational intelligence dapat mengolah data yang bersifat parsial, ambigu,
dan acak. Sejak diperkenalkan oleh Bezdek pada tahun 1994, computational
intelligence telah menerima popularitas sebagai metode dan alat bantu analytics
untuk menggali informasi yang tersembunyi di dalam data. Tujuan dari pemrosesan
data mencakup klasifikasi dan pengelompokan item di dalam data. Selain itu,
data juga dapat diolah dan dianalisis untuk membuat model prediksi dan
keputusan.
Computational intelligence
menggunakan gabungan dari tiga metode sebagai berikut:
1.
Fuzzy logic menggunakan
logika non-biner (logika yang memiliki banyak kemungkinan) untuk membuat
komputer mampu mengambil keputusan secara otomatis berdasarkan data yang
parsial dan ambigu. Walaupun demikian, fuzzy logic tidak memiliki kemampuan
untuk belajar dari data.
2. Lain
halnya dengan fuzzy logic, neural network (jaringan syaraf tiruan) mampu
mempelajari data melalui proses latihan. Kemampuan belajar ini membuat neural
network dapat digunakan untuk membuat sistem klasifikasi, segmentasi, dan
prediksi otomatis.
3.
Fuzzy logic dan neural
network memiliki parameter-parameter yang mempengaruhi performa mereka. Untuk
mencari nilai optimal dari parameter-parameter tersebut, metode optimisasi
tradisional seringkali memerlukan waktu yang lama. Teknik-teknik biology-inspired
optimization mampu mempercepat proses pencarian tersebut dengan menggunakan
variabel acak dan proses stokastik.
Tujuan utama dari computational
intelligence adalah untuk menciptakan sistem komputasi cerdas. Sistem ini
diharapkan mampu meniru kecerdasan manusia sehingga sistem tersebut menjadi
sulit dibedakan dengan manusia lainnya. Berasal dari ketiga metode di atas,
banyak metode lainnya yang tumbuh berkembang seperti adaptive neuro–fuzzy
inference system, neuroevolution, dan artificial immune system.
Terlepas dari perkembangan
teknologi informasi yang begitu fantastis dan spektakuler dalam kapasitasnya
untuk menyimpan aliran data yang sangat deras, teknik-teknik computational
intelligence terbukti sebagai metode dan alat analytics yang relevan hingga
saat kini. Teknik-teknik ini mampu menggali berbagai-jenis informasi yang
dibutuhkan oleh praktisi dan akademisi untuk mendisain dan merakit
sistem-sistem yang memiliki sesuatu yang kita sebut-sebut sebagai artificial
intelligence.
B. Face Recognition
Manusia sering menggunakan wajah
untuk mengenali seseorang dan perkembangan komputer dan program saat ini dapat
melakukan hal yang sama secara otomatis. Algoritma face recognition pada
awalnya menggunakan model geometrik sederhana, namun pada prosesnya kini telah
dikembangkan menjadi ilmu representasi matematika dan matching processes. Kini,
face recognition digunakan untuk verifikasi dan identifikasi seseorang
(open-set dan closed-set).
Sebuah metode untuk deteksi wajah
manusia dari video berwarna atau gambar adalah untuk menggabungkan berbagai
metode untuk mendeteksi warna, bentuk, dan tekstur. Pertama, menggunakan model
warna kulit untuk memisahkan benda-benda yang memiliki warna kulit. Selanjutnya, gunakan model wajah
untuk menghilangkan deteksi palsu dari model warna dan untuk mengekstrak fitur
wajah seperti mata, hidung, dan mulut. Algoritma yang cukup terkenal antara
lain Algoritma Viola-Jones.
Langkah-langkah dalam proses
pembuatan sistem pengenalan wajah berbeda satu dengan yang lain. Hal ini
disebabkan karena adanya faktor-faktor seperti ukuran database atau training
set dari citra wajah, jenis input yang digunakan (citra foto atau video), derau
(noise) pada citra dan lain-lain.
Pada dasarnya proses dalam
pengenalan wajah terbagi menjadi beberapa bagian seperti pada blok diagram
dibawah ini:
Setiap bagian dalam diagram di atas
dapat dilakukan melalui metode yang berbeda-beda. Sebagai contoh, untuk
mendeteksi wajah, kita dapat menggunakan metode berbasis fitur (feature-based
methods) untuk mendeteksi fitur pada wajah (mata, hidung, mulut), atau dapat
juga menggunakan deteksi warna kulit.
Banyak sekali metode pendekatan
yang dapat dilakukan pada tahap deteksi wajah pada kondisi yang berbeda-beda.
Metode pendekatan ini adalah metode berbasis fitur (feature-based methods),
template matching, metode berbasis tampilan (appearance-based methods).
Feature-based methods bertujuan untuk mendeteksi keberadaan dan lokasi fitur
seperti mata, hidung, bibir, alis, dan lain-lain. Metode template matching
adalah sebuah metode dengan menggunakan template yang disimpan untuk
mendeskripsikan sebuah wajah secara utuh atau fitur wajah secara terpisah.
Dalam metode template matching ini, keberadaan sebuah wajah dapat diketahui
melalui perhitungan nilai korelasi antara citra masukan dan template yang
disimpan. Metode appearance-based adalah metode yang menggunakan “template”
yang dihasilkan dari training pada dataset citra dan digunakan untuk
mendapatkan variabel yang mewakili keberadaan dari wajah itu sendiri.
Dibandingan feature-based dan template matching, metode appearance-based
memberikan hasil yang lebih baik ketika diterapkan pada sistem dengan sejumlah
besar sampel.
Berikut adalah pengkategorian dari
deteksi wajah.
C. Fingerprint
Biometrik dapat didefinisikan
sebagai metode yang digunakan dalam mengenali seseorang berdasarkan atribut
fisik unik yang dimilikinya. Karakteristik ini berupa pola wajah, suara, sidik
jari, dan iris mata. Sidik jari atau fingerprint adalah ciri khusus setiap
manusia berbeda antara satu dengan yang lainnya. Pembaca sidik jari adalah
bentuk perangkat biometrik yang paling umum digunakan. Sidik jari terdiri dari
alur-alur yang unik sehingga setiap orang memiliki pola sidik jari yang
berbeda. Bahkan saudara kembar akan memiliki pola sidik jari yang berbeda.
Pembaca sidik jari pada dasarnya memberikan identifikasi seseorang berdasarkan
pola-pola unik tersebut.
Jenis-Jenis Fingerprint Reader:
1.
Mesin Absensi
Fingerprint (Time & Attendance Fingerprint Reader)
2.
Standalone Fingerprint
Reader
Jenis
pembaca sidik jari ini sangat ideal untuk daerah yang hanya membutuhkan akses
kontrol tanpa memerlukan software manajemen. Sensor sidik jari dilengkapi
dengan tutup pelindung. Selain itu juga terintegrasi proximity card reader
(EM). Jenis fingerprint reader ini memiliki keunggulan mudah digunakan, dan
memiliki 3 tombol untuk registrasi, menghapus data dan juga sebagai bel pintu.
3.
USB Fingerprint Reader
Pembaca
Sidik Jari USB ini adalah perangkat yang dapat menangkap gambar sidik jari dan
menguploadnya ke komputer melalui antarmuka USB. Pengguna juga dapat
mengintegrasikan perangkat ini dengan sistem mereka sendiri. Jenis pembaca
sidik jari ini banyak digunakan dalam asuransi, keamanan publik, absensi
kehadiran, dan bidang lainnya.
4.
Facial and Fingerprint
Reader
Tipe
fingerprint reader ini adalah perangkat multi-biometrik yang dapat digunakan
sebagai absensi juga terminal akses kontrol. Dengan Jenis fingerprint ini dapat
menggunakan wajah, sidik jari, RFID dan PIN untuk mengidentifikasi pengguna.
Dengan algoritma identifikasi wajah terbaru, ia dapat mengenali wajah seseorang
berdasarkan ukuran dan bentuk mata, hidung, tulang pipi dan rahang. Ideal untuk
absensi dan akses kontrol yang membutuhkan waktu cepat, tipe ini dapat
beroperasi pada mode standalone dan menyediakan sistem yang lengkap yang mudah
digunakan untuk perusahaan kecil hingga menengah.
Sidik jari terbentuk dari
reproduksi tapak jari, baik disengaja maupun tidak disengaja. Sidik jari
tersusun dari garis-garis sidik jari berwarna hitam (gelap) yang disebut dengan
bukit jari (ridges). Sidik jari yang satu dengan sidik jari yang lain dapat
dibandingkan dan diidentifikasi berdasarkan ciri-ciri (features) yang melekat
pada sidik jari. Ciri tersebut didapat dari pengamatan terhadap garis-garis
sidik jari, dimulai dengan menentukan pola sidik.
Dua tujuan utama perekaman sidik
jari meliputi:
1.
Pengidentifikasian
penjahat yang sering menggunakan alias untuk menyembunyikan identitas mereka
yang sebenarnya, dan
2.
Untuk melakukan
pemeriksaan latar belakang pekerjaan atau perizinan.
Di bidang hukum sidik jari
digunakan untuk menentukan identitas tersangka berdasarkan sidik jari parsial
yang ditinggalkan di tempat kejadian. Automated Fingerprint Identification
Systems (AFIS) dikembangkan pada tahun 1970 untuk meningkatkan efisiensi dan
akurasi pencocokan sidik jari. saat ini,
hampir setiap lembaga penegak hukum di seluruh dunia
bergantung pada AFIS untuk mencocokkan sidik jari.
Pengenalan sidik jari, baik yang
dilakukan secara manual oleh ahli manusia atau secara otomatis oleh mesin,
umumnya adalah fitur berbasis (sebagai lawan berbasis gambar) dan fitur yang
digunakan memiliki interpretasi fisik. Sidik jari dapat dicirikan pada tiga
tingkat yang berbeda mulai dari kasar ke halus:
1.
Fitur orientasi
lapangan atau aliran punggungan dan titik singular
2. Fitur
punggung kerangka, dan
3.
Fitur punggungan
kontur, pori, dan dot.
Dalam kondisi ideal, fitur tingkat
kasar dapat diturunkan dari tingkat halus representasi sidik jari. Ada tiga tingkat
yang berbeda dalam sidik jari. (a) Grayscale gambar (NIST SD30, A067 11), (b)
Level 1 fitur (orientasi lapangan atau aliran punggungan dan titik singular),
(c) Tingkat 2 fitur (punggung kerangka), dan (d) Level 3 fitur (punggungan
kontur, pori, dan dot).
D. Voice Recognition
Voice recognition adalah suatu
sistem untuk mengidentifikasikan seseorang dengan mengenali suara dari orang
tersebut. Voice Recognition atau pengenalan ucapan atau suara (speech
recognition) adalah suatu teknik yang memungkinkan sistem komputer untuk
menerima input berupa kata yang diucapkan. Kata-kata tersebut diubah bentuknya
menjadi sinyal digital dengan cara mengubah gelombang suara menjadi sekumpulan
angka lalu disesuaikan dengan kode-kode tertentu dan dicocokkan dengan suatu pola
yang tersimpan dalam suatu perangkat. Hasil dari identifikasi kata yang
diucapkan dapat ditampilkan dalam bentuk tulisan atau dapat dibaca oleh
perangkat teknologi.
Sistem perangkat lunak yang
digunakan adalah Google Voice dan Speech API. Voice command dari pengguna
ditangkap oleh mikrofon. Kemudian dikonversi ke teks menggunakan Google voice
API. Teks tersebut kemudian dibandingkan dengan perintah yang ditetapkan
sebelumnya yang ada di dalam file konfigurasi perintah. Jika cocok dengan salah
satu dari perintah tersebut, maka perintah bash yang terkait akan di eksekusi.
Dapat menggunakan sistem ini sebagai sistem respon suara interaktif dengan
membuat Raspberry Pi menanggapi perintah anda melalui via speech. Hal ini
dicapai dengan menggunakan Google speech API yang mengubah teks ke dalam
speech.
E. Text Analysis
OCR (Optical Character Recognition)
adalah aplikasi yang berfungsi untuk men scan gambar pada image dan dijadikan
text, dan aplikasi ini juga bisa menjadi support /aplikasi tambahan untuk
scanner. Dengan adanya OCR, Image yang bertulisan tangan, tulisan mesin ketik
atau computer text, dapat dimanipulasi. Text yang discan dengan OCR dapat
dicari kata per kata atau per kalimat. Dan setiap text dapat dimanipulasi,
diganti, atau diberikan barcode.
Contoh pengunaan : Riwayat kerja
Pegawai Negeri. Setiap Pegawai Negeri mempunya arsip sendiri 2x, dokument
kenaikan pangkat, dokumen kenaikan gaji, dokumen pindah alamat kerja dan lain
sebagainya. Dengan mengunakan scanner dan OCR semua ini dapat disimpan dengan
mudah di komputer, lalu atasan dapat dengan mudah melihat arsip pegawainya
hanya dengan mencari dokumen tersebut melalui nama depan atau belakang.
Optical Mark Reader (OMR) adalah
perangkat “membaca” tanda pensil bulatan yang discan dalam bentuk kompatibel
NCS bentuk seperti survey atau jawaban test. Bisa juga dijelaskan dalam bentuk
pilihan ganda komputer. Dalam dokumen ini The Optical Mark Reader akan disebut
sebagai pemindai atau OMR. Bentuk tes computer yang dirancang untuk OMR NCS
dikenal sebagai bentuk scan yang kompatibel. Tes dan survey selesai pada bentuk
ini dibaca oleh pemindai, diperiksa dan hasilnya disimpan ke sebuah file. Data
ini dapat di konversi menjadi ouput file dari beberapa format yang berbeda,
tergantung pada jenis output yang anda inginkan.
OMR biasanya digunakan untuk survey
dan ujian (test). Berbeda dengan OCR tingkat kebenaran OMR mencapai 100%. Beberapa perangkat OMR mengunakan
bentuk-bentuk yang dicetak ke “transoptic” kertas dan mengukur jumlah cahaya
yang melewati kertas, dengan demikian suatu tanda di kedua sisi kertas akan
mengurangi jumlah sinar yang
melewati kertas. Berbeda dengan
perangkat OMR khusus, perangkat lunak Desktop OMR memperbolehkan user untuk
membuat bentuk-bentuk mereka sendiri dalam pengolahan kata dan mencetaknya pada
printer laser. OMR lunak yang kemudian bekerja dengan common pemindai gambar
desktop dengan document feeder untuk
memperoses formulir yang diisi sekali.
Contohnya : Compatible NCS.
Source :
- https://www.academia.edu/34651266/Sistem_Cerdas
- http://amadeanastiti-fst09.web.unair.ac.id/artikel_detail-44465-Sistem%20Cerdas-Face%20Recognition.html
- http://informatika.web.id/teori-pengenalan-wajah-face-recognition.htm
- http://mursyidin.blog.unigha.ac.id/2013/10/06/fingerprint-recognition-part-1/
- http://cctvman.co.id/mesin-fingerprint-absensi-akses-kontrol/
- http://eprints.polsri.ac.id/2964/3/File%20III.pdf
- http://www.skill.co.id/front/index.php/jakarta-tech-update/296-pengertian-ocr-dan-omr-2
- http://dinus.ac.id/repository/docs/ajar/2_Soft_Computing.pdf
- http://nurul-i--fst08.web.unair.ac.id/artikel_detail-43282-Umum-Apa%20Itu%20Sistem%20Cerdas.html
- http://web.unair.ac.id/admin/file/f_68473_Sistem_Cerdas_2016-05-02.pdf
- http://mti.binus.ac.id/2017/06/08/pendahuluan-singkat-mengenai-bidang-computational-intelligence/
Komentar
Posting Komentar