Pada minggu ini, kita akan membahas topik mengenai artificial intelligence atau sering disingkat dengan AI atau dalam bahasa Indonesia disebut sebagai kecerdasan buatan. Topik ini mirip dengan minggu-minggu sebelumnya, yaitu membahas mengenai komputer tapi juga berhubungan erat dengan otak atau kognisi kita dan ada sentuhan ilmu psikologinya. Yang saya bahas disini adalah sejarah AI, hubungan AI dengan kognisi manusia, dan yang terakhir AI dengan sistem pakar. Oke, kita mulai bahas topiknya… Selamat membaca!
SEJARAH ARTIFICIAL INTELLIGENCE
Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”. Berarti dasar dari intelligence ialah kemampuan untuk memahami dan melakukan aksi. Sebenarnya, area Kecerdasan Buatan (Artificial Intelligence) atau disingkat dengan AI, bermula dari kemunculan komputer sekitar th 1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno. Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu yang dapat dilakukan oleh manusia. Dalam hal ini, komputer tersebut dapat meniru kemampuan kecerdasan dan perilaku manusia.
McMulloh dan Pitts pada tahun 1943 mengusulkan model matematis bernama perceptron dari neuron di dalam otak. Mereka juga menunjukkan bagaimana neuron menjadi aktif seperti saklar on-off dan neuron tersebut mampu untuk belajar dan memberikan aksi berbeda terhadap waktu dari input yang diberikan. Sumbangan terbesar di bidang AI diawali pada paper Alan Turing, pada tahun 1950 yang mencoba menjawab “Dapatkah Komputer berfikir” dengan menciptakan mesin Turing. Paper Alan Turing pada tahun 1950 berjudul “Computing Machineri and Intelligence” mendiskusikan syarat sebuah mesin dianggap cerdas. Dia beranggapan bahwa jika mesin dapat dengan sukses berprilaku seperti manusia, kita dapat menganggapnya cerdas.
Pada akhir 1955, Newell dan Simon mengembangkan The Logic Theorist, program AI pertama. Program ini merepresentasikan masalah sebagai model pohon, lalu penyelesaiannya dengan memilih cabang yang akan menghasilkan kesimpulan terbenar. Program ini berdampak besar dan menjadi batu loncatan penting dalam mengembangkan bidang AI. Pada tahun 1956 John McCarthy dari Massacuhetts Institute of Technology dianggap sebagai bapak AI, menyelenggarakan konferensi untuk menarik para ahli komputer bertemu, dengan nama kegiatan “The Dartmouth summer research project on artificial intelligence.” Konferensi Dartmouth itu mempertemukan para pendiri dalam AI, dan bertugas untuk meletakkan dasar bagi masa depan pemgembangan dan penelitian AI. John McCarthy di saat itu mengusulkan definisi AI adalah “AI merupakan cabang dari ilmu komputer yang berfokus pada pengembangan komputer untuk dapat memiliki kemampuan dan berprilaku seperti manusia”.
Pada tahun 1960 hingga 1970, muncul berbagai dikusi bagaimana komputer dapat meniru sedetail mungkin pada kemampuan otak manusia, dimana saat itu dapat dikategorikan sebagai “classical AI”. Pada tahun 1980, dimana computer yang semakin mudah diperoleh dengan harga yang lebih murah menjadikan berbagai riset di bidang kecerdasan buatan berkembang sangat pesat pada berbagai universitas. Tabel 1.1 merupakan rangkuman sejarah penting pengembagan bidang Kecerdasan Buatan.
Tabel 1.1 Sejarah penting pengembangan bidang Kecerdasan Buatan
| No | Tahun | Deskripsi |
| 1 | 1206 | Robot humanoid pertama karya Al-Jazari |
| 2 | 1796 | Boneka penuang the dari jepang bernama Karakuri |
| 3 | 1941 | Komputer elektronik pertama |
| 4 | 1949 | Komputer dengan program tersimpan pertama |
| 5 | 1956 | Kelahiran dari Artificial Intelligence pada Dartmouth conference |
| 6 | 1958 | Bahasa LISP dibuat |
| 7 | 1963 | Penelitian intensif departemen pertahanan Amerika |
| 8 | 1970 | Sisem pakar pertama diperkenalkan secara luas |
| 9 | 1972 | Bahasa Prolog diciptakan |
| 10 | 1986 | Perangkat berbasis AI dijual luas mencapai $425 juta |
| 11 | 1994 | AC berbasis Neuro fuzzy dijual |
| 12 | 2010 | Sistem kecerdasan buatan untuk Pesawat komersial BOEING 900-ER ramai digunakan |
| 13 | 2011 | Service Robot untuk restoran berhasil dibuat di Indonesia |
| 14 | 2012 | Sistem Pakar Troubleshooting Komputer berbasis Fuzzy dan Self Learning |
| 15 | 2012 | Sistem immune pada Deteksi spam diciptakan |
Saat ini, hampir semua perangkat komputer dan perangkat elektronika canggih menerapkan kccerdasan buatan untuk membuat sistem lebih handal. Di masa yang akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh lebih cerdas karena telah ditanamkan berbagai metode kecerdasan buatan.
HUBUNGAN ARTIFICIAL INTELLIGENCE DENGAN KOGNISI MANUSIA
Hubungan Artificial Intelligence dan Kognisi manusia terlihat dari tujuan Artificial Intelligence, arah Artificial Intelligence dan karakteristik Artificial Intelligence
Tujuan Artificial Intelligence
Menurut Lenat dan Feigenbaum terdapat 9 tujuan Artificial Intelligence, yaitu :
- Memahami kognisi manusia, mencoba untuk mendapatkan pengetahuan ingatan manusia yang mendalam, kemampuan problem solving, belajar, membuat keputusan, dll.
- Otomatisasi biaya-efektif, menggantikan manusia dalam tugas tugas intelegensi manusia dalam tugas-tugas intelegensi, mempunyai program yang performa-nya sebaik manusia dalam mengerjakan pekerjaan
- Penguatan intelegensi biaya-efektif, membangun sistem untuk membantu manusia membangun sistem untuk membantu manusia berpikir lebih baik, lebih cepat, lebih dalam, dan lain-lain. Contoh : sistem untuk membantu diagnosa penyakit.
- Intelegensi manusia super, membangun program yang mempunyai kemampuan untuk melebihi intelegensi manusia
- Problem-solving umum, sistem penyelesaian berbagai masalah yang luas sistem iniberbagai masalah yang luas, sistem ini mempunyai kelebaran pikiran.
- Wacana koheren, Komunikasi dengan manusia menggunakan bahasa alami, contoh : dialog cerdas yang ada dalam Turing Test.
- Belajar (induksi), sistem sebaiknya dapat untuk memperoleh data sendiri dan tahu bagaimana memperolehnya, sistem dapat menyamaratakan, membuat hipotesis, penerapan atau pembelajaran secara heuristik, membuat alasan dengan analogi.
- Otonomi, mempunyai sistem intelegensi yang beraksi atas inisiatif sendiri Harus bereaksi beraksi atas inisiatif sendiri. Harus bereaksi dengan dunia nyata
- Informasi, simpan informasi dan mengetahui cara untuk mengambil informasi
Arah Artificial Intelligence
Mengembangkan metode & sistem untuk menyelesaikan masalah AI :
1. Tanpa mengikuti cara manusia menyelesaikannya (sistem pakar / expert systems)
2. Melalui pemodelan cara berpikirnya manusia, atau cara bekerjanya otak manusia (neural networks).
Karakteristik Artificial Intelligence
Karakteristik didasarkan pada pandangan bahwa AI ada 4 (empat) kategori yaitu :
- Sistem yang dapat berpikir seperti manusia (Thinking Humanly)
Thinking Humanly merupakan pendekatan model kognitif. Dikatakan bahwa program dapat berpikir seperti manusia, maka ada beberapa cara untuk menyatakannya, yaitu :
- Melalui introspeksi : mencoba menangkap pemikiran-pemikirannya sendiri pada saat berpikir
- Melalui eksperimen-eksperimen psikologi.
Sistem ini menggunakan teori pemikiran presisi untuk diekspresikan sebagai program komputer. Sistem Newell & Simon’s GPS (general problem solver) mencari penyelesaian masalah “jalan yang dilakukan manusia” Sistem ini menggunakan gabungan antara model komputer AI dan teknik psikologi
- Sistem yang dapat beraksi seperti manusia (Acting Humanly)
Acting Humanly merupakan pendekatan Uji Turing. Turing mendefinisikan tingkah laku yang cerdas sebagai suatu kemampuan untuk meniru manusia dalam semua tugas kognitif, mencukupi untuk “fool interrogator”. Uji yang dilakukan Turing merupakan komputer yang akan dijalankan oleh manusia melalui teletype. Jika interrogator tidak dapat membedakan
apakah yang diinterogasi manusia atau komputer, maka komputer berintelegensia tersebut lolos dari uji Turing (Turing Test). Untuk lolos dari sistem uji Turing (Turing Test) ini diperlukan : Natural Language Processing, Knowledge Representation, Automated Reasoning, dan Machine Learning.
- Sistem yang dapat berpikir secara rasional (Thinking Rationally)
Thinking Rationally : The Laws of Thought Approach
- Tidak mudah membuat pengetahuan informal dan menyatakan dalam formal term yang diperlukan oleh notasi logika khususnya jikadiperlukan oleh notasi logika, khususnya jika pengetahuan memiliki ketidakpastian < 100%
- Terdapat perbedaan besar antara dapat memcahkan masalah dalam “prinsip” dan memecahkannya dalam “praktek”
- Sistem yang dapat bertingkah laku secara rasional (Acting Rationally)
Acting Rationally : The Rational Agent Approach
Membuat inferensi yang benar, kadang-kadang merupakan bagian dari suatu rational agent, karena satu cara untuk rational agent, karena itu merupakan salah satu cara untuk melakukan aksi secara rasional. Aksi secara rasional adalah menalar secara logika untuk mendapatkan kesimpulan bahwa aksi yang diberikan akan mencapai tujuan, dan kemudian melakukan aksi atas kesimpulan tersebut.
ARTIFICIAL INTELLIGENCE DAN SISTEM PAKAR
Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat menyelesaikan masalah tertentu baik ‘sedikit’ rumit ataupun rumit sekalipun ‘tanpa’ bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman.
Sistem pakar merupakan cabang dari Artificial Intelligence (AI) yang cukup tua karena sistem ini telah mulai dikembangkan pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-purpose problem solver (GPS) yang dikembangkan oleh Newell dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti MYCIN, DENDRAL, XCON & XSEL, SOPHIE, Prospector, FOLIO, DELTA, dan sebagainya.
Perbandingan sistem konvensional dengan sistem pakar sebagai berikut:
a. Sistem Konvensional
- Informasi dan pemrosesan umumnya digabung dalam satu program sequential
- Program tidak pernah salah (kecuali pemrogramnya yang salah)
- Tidak menjelaskan mengapa input dibutuhkan atau bagaimana hasil diperoleh
- Data harus lengkap
- Perubahan pada program merepotkan
- Sistem bekerja jika sudah lengkap.
b. Sistem Pakar
- Knowledge base terpisah dari mekanisme pemrosesan (inference)
- Program bisa melakukan kesalahan
- Penjelasan (explanation) merupakan bagian dari ES
- Data tidak harus lengkap
- Perubahan pada rules dapat dilakukan dengan mudah
- Sistem bekerja secara heuristik dan logis
Suatu sistem dikatakan sistem pakar apabila memiliki ciri-ciri sebagai berikut :
- Terbatas pada domain keahlian tertentu
- Dapat memberikan penalaran untuk data-data yang tidak pasti
- Dapat mengemukakan rangkaian alasan-alasan yang diberikannya dengan cara yang dapat dipahami
- Berdasarkan pada kaidah atau rule tertentu
- Dirancang untuk dikembangkan sacara bertahap
- Keluarannya atau output bersifat anjuran.
Adapun banyak manfaat yang dapat diperoleh dengan mengembangkan sistem pakar, antara lain :
- Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kesadaran langsung seorang pakar
- Meningkatkan produktivitas kerja, yaitu bertambahnya efisiensi pekerjaan tertentu serta hasil solusi kerja
- Penghematan waktu dalam menyelesaikan masalah yang kompleks
- Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang
- Pengetahuan dari seorang pakar dapat dikombinasikan tanpa ada batas waktu
- Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.
Selain banyak manfaat yang diperoleh, ada juga kelemahan pengembangan sistem pakar, yaitu :
- Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya dilakukan secara otomatis oleh sistem
- Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan dengan perangkat lunak konvensional.
Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.
Struktur Sistem Pakar
Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan sistem pakar digunakanuntuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar,sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakarguna memperoleh pengetahuan pakar. Komponen-komponen yang terdapat dalam sistem pakar yaitu User Interface (antarmuka pengguna), basis pengetahuan, akuisisi pengetahuan, mesin inference, workplace, fasilitas penjelasan, perbaikan pengetahuan.
Seorang pakar mempunyai pengetahuan tentang masalah yang khusus. Dalam hal ini disebut domain knowledge. Penggunaan kata “domain” untuk memberikan penekanan pengetahuan pada problem yang spesifik. Pakar menyimpan domain knowledge pada Long Term Memory (LTM) atau ingatan jangka panjangnya. Ketika pakar akan memberikan nasihat atau solusi kepada seseorang, pakar terlebih dahulu menentukan fakta-fakta dan menyimpannya ke dalam Short Term Memory (STM) atau ingatan jangka pendek. Kemudian pakar memberikan solusi tentang masalah tersebut dengan mengkombinasikan fakta-fakta pada STM dengan pengetahuan LTM. Dengan menggunakan proses ini pakar mendapatkan informasi baru dan sampai pada kesimpulan masalah.
Komponen Sistem pakar
Sebuah program yang difungsikan untuk menirukan seorang pakar manusia harus bisa melakukan hal-hal yang dapat dikerjakan seorang pakar. Untuk membangun sistem seperti itu maka komponen-komponen dasar yang harus dimilikinya paling sedikit adalah sebagai berikut:
1. Antar muka pemakai (User Interface)
2. Basis pengetahuan (Knowledge Base)
3. Mesin inferensi
Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dapat dilengkapi dengan fasilitas berikut:
1. Fasilitas penjelasan (Explanation)
2. Fasilitas Akuisisi pengetahuan (Knowledge acquisition facility)
3. Fasilitas swa-pelatihan (self-training)
Metode Inferensi
Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Metode inferensi adalah program komputer yang memberikan metedologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan. Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi yang dinamakan modus ponen. Berdasarkan strategi ini, jika terdapat aturan “IF A THEN B”, dan jika diketahui bahwa A benar, maka dapat disimpulkan bahwa B juga benar. Strategi inferensi modus ponen dinyatakan dalam bentuk: [A And (A→B)] →B (1) dengan A dan A→B adalah proposisi-proposisi dalam basis pengetahuan. Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu pelacakan ke belakang (Backward chaining) dan pelacakan ke depan (Forward chaining).
- Pelacakan ke belakang (Backward Chaining)
Pelacakan ke belakang adalah pendekatan yang dimotori oleh tujuan (goal-driven). Dalam pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.
- Pelacakan ke depan (Forward chaining)
Pelacakan kedepan adalah pendekatan yang dimotori data (data-driven). Dalam pendekatan ini pelacakan dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan, mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN.
Representasi Pengetahuan
Setelah menerima bidang kepakaran yang telah diaplikasikan pada sistem pakar, kemudian mengumpulkan pengetahuan yang sesuai dengan domain keahlian tersebut. Pengetahuan yang dikumpulkan tersebut tidak bisa diaplikasikan begitu saja dalam sistem. Pengetahuan harus direpresentasikan dalam format tertentu dan dihimpun dalam suatu basis pengetahuan. Pengetahuan yang dilakukan pada sistem pakar merupakan serangkaian informasi pada domain tertentu. Kedua hal tersebut menurut ekspresi klasik oleh Wirth ditulis sebagai berikut:
Algoritma + Struktur Data = Program
Pengetahuan + Inferensi = Sistem Pakar
Noise merupakan suatu item yang tidak mempunyai maksud (interest). Noise merupakan data yang masih kabur atau tidak jelas. Data adalah item yang mempunyai makna potensial. Data diolah menjadi pengetahuan. Meta knowledge adalah pengetahuan tentang pengetahuan dan keahlian. Karakteristik pengetahuan yang diperoleh tergantung pada sifat masalah yang akan diselesaikan, tipe dan tingkat pengetahuan seorang pakar. Pengetahuan harus diekstraksikan dan dikodekan dalam suatu bentuk tertentu untuk memecahkan masalah. Ketika pengetahuan dalam suatu bidang kepakaran tersedia, maka dipilih representasi pengetahuan yang tepat. Pengetahuan dapat digolongkan menjadi dua kategori, yaitu: pengetahuan deklaratif dan pengetahuan prosedural. Pengetahuan deklaratif mengacu pada fakta, sedangkan pengetahuan prosedural mengacu pada serangkaian tindakan dan konsekuensinya. Pengetahuan deklaratif juga terlibat dalam pemecahan masalah, sedangkan pengetahuan prosedural diasosiasikan dengan bagaimana menerapkan strategi atau prosedur penggunaan pengetahuan yang tepat untuk memecahkan masalah. Pengetahuan deklaratif menggunakan basis logika dan pendekatan relasi. Representasi logika menggunakan logika proporsional dan logika predikat. Model relasi menggunakan jaringan semantik, graph dan pohon keputusan (decision tree). Pengetahuan prosedural menggunakan algoritma sebagai prosedural pemecahan masalah.
Ketidakpastian dengan Teori Certainty Factor (Teori Kepastian)
Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, termasuk diantaranya probabilitas klasik, probabilitas bayes, teori hartley berdasarkan himpunan klasik, teori shannon berdasakan pada probabilitas, teori Depmster-Shafer, teori fuzzy Zadeh, dan faktor kepastian (certanity factor). Faktor kepastian (Certanity Factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certanity Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certanity Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
CONTOH DARI APLIKASI SISTEM PAKAR
Ada beberapa contoh dari aplikasi sistem pakar (yang berhubungan dengan psikologi), antara lain :
1. ELIZA
Eliza adalah salah satu Sistem Pakar yang paling awal dikembangkan. Ini adalah program computer terapis yang dibuat oleh Joseph Weizenbaum (1967) di MIT. Pengguna berkomunikasi dengannya sebagaimana sedang berkonsultasi dengan seorang terapis. Berikut ini adalah contoh percakapan antara Eliza dengan seorang klien:
Eliza: Hello. I am ELIZA. How can I help you? (Halo. Saya ELIZA. Bagaimana saya dapat membantu anda?)
Klien: My name is Kuncoro. (Nama saya adalah Kuncoro.)
Eliza: I have told you before, I do not care about names. (Saya sudah memberitahukan pada anda sebelumnya, saya tidak peduli tentang nama.)
Klien: I don’t have any money. That’s my problem. (Saya tidak mempunyai uang. Itu adalah masalah saya.)
Eliza: Why do you say your problem? (Mengapa anda mengatakan masalah anda?)
Klien: Because you asked me. (Sebab kamu bertanya pada saya.)
Eliza: Do any other reasons not come to mind? Adakah alasan lain di pikiran anda?)
Klien: No.(Tidak ada.)
Eliza: You are being a bit negative. (Kamu sedang sedikit kurang baik.)
Klien: Why? (Mengapa?)
Eliza: Please go on. (Silahkan lanjutkan.)
Klien: OK. I am bankrupt. (OK. Saya sedang bangkrut.)
Eliza: How long have you been bankrupt? (Berapa lama Anda telah bangkrut?)
Klien: A year. (Satu tahun.)
Eliza: Please go on. (Silahkan lanjutkan.)
Klien: So, what should I do? (Maka, apa yang seharusnya saya lakukan?)
Eliza: Does that question interest you? (Apakah pertanyaan itu menarik perhatian bagi anda?)
Klien: Yes, how can I make big money? (Ya, bagaimana saya dapat memperoleh uang banyak?)
Eliza: You are sure? (Anda yakin?)
Klien: Of course I’m sure. (Tentu saja Saya yakin.)
2. PARRY
Parry adalah Sistem Pakar yang juga paling awal dikembangkan di Stanford University oleh seorang psikiater, Kenneth Colby, yang mensimulasikan seorang paranoid. Berikut ini contoh respon Parry terhadap pertanyaan seorang psikiater yang menginterviunya.
Psikiater: Why are you in the hospital? ( Mengapa anda berada di rumah sakit ini?)
Parry: I shouldn’t be here. (Saya tidak seharusnya berada disini)
Psikiater: Who brought you here? (Siapa yang membawa anda kemari?)
Parry: The police. (Polisi)
Psikiater: What trouble did you have with the police? (Masalah apa yang membuat anda berurusan dengan polisi?)
Parry: Cops don’t do their job. ( Polisi tidak melaksanakan tugas mereka)
Psikiater: What do they do instead? (Lantas, apa yang mereka lakukan?)
Parry: Cops arrest the wrong people. ( Polisi menangkap orang yang salah)
Psikiater: They arrest the right ones sometimes ( Terkadang mereka menangkap orang yang benar)
Parry: The law should get those Italian crooks. (Hukum harus menangkap penjahat Italia)
Psikiater: Are you Italian? ( Apakah anda orang Italia?)
Parry: My background is British but I was born in this country. ( Saya orang Inggris tapi saya lahir di Negara ini)
Psikiater: Do you know any Italian crooks? (Apakah anda mengenal penjahat Italia?)
Parry: I try to avoid the underworld. (Saya berusaha menghindari dunia penjahat.)
3.NETTalk
NETTalk merupakan suatu sistem yang dikembangkan oleh Terrence Sejnowski dan Charles Rosenberg (1987) yang melakukan konversi teks bahasa Inggris menjadi suara bicara manusia. Pembuatan NETTalk dimaksudkan untuk membangun model sederhana yang dapat menjelaskan kompleksitas tugas dari tingkat kognisi manusia.
Sistem ini bisa belajar membaca dengan bunyi keras. Stimulinya berupa rangkaian huruf tercetak, yang tersusun 26 abjad ditambah spasi. Responnya berupa bunyi yang menyerupai penuturan, terbentuk dari 55 fonem (bunyi ucapan) yang ada pada Abjad Fonetik Internasional. Pembuatan NETTalk dimaksudkan untuk membangun model sederhana yang dapat menjelaskan kompleksitas tugas dari tingkat kognisi manusia.
Sumber :
http://www.ummi.ac.id/ti/konvert_pdf.php?kode=VG5jOVBRPT0=
http://journal.uii.ac.id/index.php/media-informatika/article/viewFile/106/66
http://repository.usu.ac.id/bitstream/123456789/27784/3/Chapter%20II.pdf
http://elista.akprind.ac.id/upload/files/9957_BAB_satu.pdf
http://deden08m.files.wordpress.com/2011/09/bab13_sispakar.pdf
http://dosen.narotama.ac.id/wp-content/uploads/2012/01/Artificial-Intelligence.doc
http://elista.akprind.ac.id/upload/files/7912_02-pertemuan2.pdf
http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/
http://bahankuliah2010.files.wordpress.com/2010/11/psikologi-kognitif-3.ppt
http://www.scribd.com/doc/94515252/Modul-Keseluruhan-Updated
http://en.wikipedia.org/wiki/NETtalk_(artificial_neural_network)
http://edukasi.kompasiana.com/2010/11/06/koneksionisme-model-baru-nettalk/
Hartono, J. (2005). Pengenalan Komputer. Jogjakarta : Penerbit Andi
psikologioke 