150 Artificial Intelligence 2. Operasi Irisan (AND / Intersection) Operasi irisan atau sering disebut operator AND, dari himpunan fuzzy A dan B dinyatakan sebagai A ∩ B. Dalam sistem logika fuzzy, operasi irisan disebut sebagai Min. Operasi Min ditulis dengan persamaan berikut. ⋃ () = .{ (), ()} Derajat keanggotaan setiap unsur himpunan fuzzy A∩B adalah derajat keanggotaannya pada himpunan fuzzy A dan B yang memiliki nilai terkecil. 3. Operator Komplemen (NOT / Complement) Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan μA(x) maka komplemen dari himpunan fuzzy A (sering disebut NOT) adalah himpunan fuzzy AC dengan fungsi keanggotaan untuk setiap x elemen X. () = 1 − () Misalkan nilai keanggotaan temperatur 45 C pada himpunan PANAS adalah 0,6 (PANAS[45]-0,6) dan nilai keanggotaan 50 pcs/hari pada himpunan produksi NAIK adalah 0,3 (NAIK[50] = 0,3) , maka α-predikat untuk temperatur PANAS AND produksi NAIK adalah: PANAS ∩ NAIK = min[PANAS[45], NAIK[50]] = min{0,6; 0,3} = 0,3 CONTOH : Misalkan nilai keanggotaan temperatur 45°C pada himpunan PANAS adalah 0,6 (PANAS[45]=0.6) maka α-predikat untuk temperatur TIDAK PANAS adalah: TIDAK_PANAS[45] = 1 - 0,6 = 0,4 CONTOH :
151 Artificial Intelligence 10.2.7 Penalaran Monoton Penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Penalaran ini sudah jarang sekali digunakan. Penalaran monoton digunakan untuk merelasikan himpunan fuzzy A pada variabel x dan himpunan fuzzy B pada variabel y dengan cara membuat implikasi berikut: IF x is A THEN y is B Diketahui dua himpunan fuzzy: TINGGI (tinggi badan orang Semarang) dan BERAT (berat badan ideal orang Semarang) seperti terlihat pada Gambar dibawah. Relasi antara kedua himpunan di atas diekspresikan dengan aturan tunggal berikut. IF TinggiBadan is TINGGI THEN BeratBadan is BERAT IDEAL Jika Toyes mempunyai tinggi badan 168 cm dengan berat badan 55 kg, apakah Toyes termasuk orang yang mempunyai berat badan ideal, kurus, atau gemuk?. Sebelumnya, kita hitung dulu bagian IF, yaitu menghitung derajat tinggi badan sebagai berikut. Derajat Tinggi [168] = (168-155)/(175-155) = 0.65 Gambar 10. 8 Himpunan Tinggi Badan Dan Berat Badan CONTOH :
152 Artificial Intelligence Derajat Tinggi ini digunakan untuk merelasikan antara himpunan TINGGI dan himpunan BERAT IDEAL dengan cara menghitung bagian THEN, yaitu menghitung berat badan ideal sebagai berikut. Nilai Berat[0.65] ←→ 1-2[(70-y)/(70 - 50)]² = 0.65 ←→ 1-2(70 - y)²/400 = 0.65 ←→ 2(70-y)²/400 = 0.35 ←→ (70 - y)² = 70 ←→ (70 - y) = 8.366 ←→ y = 61.634 kg Diperoleh berat badan ideal sebesar 61,634 kg. Artinya, Toyes yang mempunyai tinggi badan 168 cm seharusnya mempunyai berat badan 61.634 kg Akan tetapi, diketahui bahwa berat badan Toyes yang sebenarnya adalah 55 kg. Artinya Toyes termasuk orang kurus karena berat badannya lebih rendah dari berat badan idealnya. 10.2.8 Fungsi Implikasi buku Dalam basis pengetahuan fuzzy, tiap-tiap rule selalu berhubungan dengan relasi fuzzy. Dalam fungsi implikasi, biasanya digunakan bentuk berikut. IF x is A THEN y is B dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi setelah IF disebut sebagai anteseden, sedangkan proposisi setelah THEN disebut sebagai konsekuen. Dengan menggunakan operator fuzzy, proposisi ini dapat diperluas sebagai berikut. IF (x1 is A1) ⧫ (x2 is A2) ⧫ (x3 is A3) ⧫ ..... ⧫ (xN is AN) THEN y is B dengan ⧫ adalah operator OR atau AND,
153 Artificial Intelligence Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu: 1. Min (minimum). Fungsi ini digunakan untuk mendapatkan nilai a-predikat hasil implikasi dengan cara memotong output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil. Gambar dibawah menunjukkan salah satu contoh penggunaan fungsi min untuk mengatur sumber frekuensi putar kipas angin secara otomatis yang dipengaruhi oleh suhu ruangan dan kecepatan kipas berdasarkan rule berikut. IF suhu RENDAH AND kecepatan TINGGI THEN sumber frekuensi SEDANG 2. Dot (product) Fungsi ini digunakan untuk mendapatkan nilai a-predikat hasil implikasi dengan cara menskala output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil. Gambar dibawah menunjukkan salah satu contoh penggunaan fungsi dot untuk mengatur sumber frekuensi putar kipas angin secara Gambar 10. 9 Fungsi Implikasi MIN Gambar 10. 10 Fungsi implikasi DOT
154 Artificial Intelligence otomatis yang dipengaruhi oleh suhu ruangan dan kecepatan kipas berdasarkan rule berikut. IF suhu TINGGI AND kecepatan RENDAH THEN sumber frekuensi TINGGI 10.2.9 Proses Sistem Kontrol Logika Fuzzy Dalam sistem kontrol logika fuzzy terdapat beberapa tahapan operasional yang meliputi: c. Fuzzifikasi Fuzzifikasi adalah suatu proses pengubahan dari input (nilai tegas) yang ada menjadi nilai fungsi keanggotaan. d. Konstruksi Dasar Aturan Fuzzy (Fuzzy Rule Base) Dasar aturan fuzzy terdiri atas satu set aturan if-then fuzzy, di mana dasar aturan ini merupakan inti dari sistem fuzzy yang merupakan sensor terhadap semua komponen lain yang digunakan untuk menerapkan suatu aturan yang memiliki alasan mendasar dan efisien. Hal penting yang harus dipertimbangkan dalam membangun sebuah dasar aturan fuzzy untuk sistem fuzzy maupun kontrol fuzzy, yaitu: 1. Variabel input dan output, pemilihan variabel input dan output yang tepat sangat menentukan kinerja dari model sistem yang akan dibuat. 2. Jangkauan nilai linguistik, nilai linguistik berhubungan dengan fungsi keanggotaan dari data. Untuk menghasilkan nilai batas linguistik yang tepat, maka dibutuhkan proses pengaturan sehingga dapat dihasilkan kinerja model sistem yang baik.
155 Artificial Intelligence 3. Penurunan aturan fuzzy, beberapa faktor yang sangat membantu ketika menurunkan suatu dasar aturan fuzzy, yaitu: 1) Pengalaman atau pengetahuan 2) Model fuzzy 3) Model matematika Fungsi implikasi dalam sistem fuzzy merupakan mekanisme yang menggambarkan hubungan akibat dari penerapan aturan if-then. Dalam matematika, ini sering dilambangkan sebagai "jika p maka q," di mana "p" adalah kondisi atau premis, dan "q" adalah konsekuensi atau tindakan yang harus diambil. Metode untuk menentukan fungsi implikasi dalam sistem dan kontrol fuzzy adalah sebagai berikut: 1 Implikasi DienesRescher Menggambarkan hubungan antara kondisi dan tindakan dengan cara yang lebih eksplisit. Ini mempertimbangkan sejauh mana suatu kondisi mempengaruhi tindakan, dan penggunaannya dapat lebih kompleks. 2 Implikasi Lukasiewicz Pendekatan yang menggunakan logika t-norm Lukasiewicz dalam mengekspresikan hubungan antara kondisi dan tindakan. Ini menghasilkan hasil yang lebih tegas daripada beberapa metode lain. 3 Implikasi Zadeh Metode yang paling umum digunakan dan menggunakan logika tnorm minimum (minimum operator) dalam menghubungkan kondisi dan tindakan. Ini memberikan fleksibilitas dalam menangani ketidakpastian. 4 Implikasi Gödel Memanfaatkan logika t-norm Gödel dan memberikan penekanan pada kondisi yang kuat dalam aturan fuzzy. Hasilnya adalah bahwa kondisi harus sepenuhnya memenuhi sebelum tindakan diambil.
156 Artificial Intelligence 5 Implikasi Mamdani Salah satu metode yang paling terkenal dalam sistem kontrol fuzzy. Ini menggunakan nilai keanggotaan dari kondisi untuk menghitung nilai keanggotaan tindakan yang akan diambil. Hasilnya adalah tindakan yang lebih terukur berdasarkan kondisi yang diberikan. 10.2.10 Penalaran (Inference Machine/Engine) Fuzzy inference engine adalah prinsip logika fuzzy yang digunakan untuk mengkombinasikan aturan if-then fuzzy dalam suatu dasar aturan fuzzy pada suatu pemetaan fuzzy set pada himpunan input dengan fuzzy set pada himpunan output. Secara garis besar berdasarkan kombinasi yang digunakan, maka ada dua metode inference engine, yaitu: 1. Inference engine yang menggunakan kombinasi gabungan, berdasarkan dasar aturan individu inference dengan menggunakan kombinasi gabungan, maka terdapat dua metode inference engine yaitu: 1. Product Inference Engine 2. Minimum Inference Engine 2. Inference engine yang menggunakan kombinasi irisan. Berdasarkan dasar aturan individu dengan menggunakan kombinasi irisan maka terdapat tiga metode inference engine, yaitu: 1. Lukasiewicz Inference Engine 2. Zadeh Inference Engine 3. Dienes-Rescher Inference Engine 10.2.11 Defuzzifikasi Defuzzy adalah suatu mekanisme untuk mengkonversi atau mengubah hasil output fuzzy menjadi suatu output nonfuzzy yang tegas. Output dalam bentuk fuzzy belum dapat hasil yang dapat langsung digunakan. Dalam teori logika fuzzy, terdapat beberapa metode defuzzy yang digunakan, yaitu: 1. Center of Gravity 2. Center of Average
157 Artificial Intelligence 3. Bisector 4. MOM (Mean of Maximum) 5. LOM (Largest of Maximum) 6. SOM (Smallest of Maximum) 10.2.12 Fuzzy Inference System (FIS) Fuzzy Inference System (FIS) merupakan salah satu metode logika fuzzy yang dapat digunakan untuk pengambilan suatu keputusan. Metode ini banyak digunakan sebagai sistem kontrol karena kemampuan metode ini untuk menggantikan seorang operator dalam mengambil keputusan. a. Metode 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. Gambar 10. 11 Inferensi Menggunakan Metode Tsukamoto
158 Artificial Intelligence b. Metode 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 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 atas 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). 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 crisp tertentu sebagai output seperti terlihat pada Gambar dibawah.
159 Artificial Intelligence Gambar 10. 12 Representasi metode mamdani c. Metode 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. 1) Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah: dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden dan k adalah suatu konstanta (tegas) sebagai konsekuen.
160 Artificial Intelligence 2) Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: 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 rataratanya. 10.2.13 Aplikasi Fuzzy Logic Teori ini banyak digunakan di berbagai bidang seperti bidang teknologi, industri, manajemen, pertanian, transportasi, maupun medis. Berbagai contoh aplikasi fuzzy logic antara lain : Bidang Industri fuzzy logic digunakan untuk menghasilkan service robot untuk melayani manusia. Bidang Bisnis fuzzy logic digunakan untuk memperkirakan naik turunnya harga saham atau memperkirakan keuntungan penjualan selanjutnya. Bidang Manajemen Logika fuzzy digunakan dalam sistem penggajian karyawan. Ini memungkinkan penilaian yang lebih tepat terhadap kinerja dan kontribusi karyawan, yang dapat mempengaruhi gaji dan insentif Bidang Pertanian Fuzzy logic juga digunakan dalam pertanian, terutama untuk meramal cuaca sebelum para petani mulai menanam. Ini memungkinkan pengambilan keputusan yang lebih baik dalam perencanaan pertanian, seperti penentuan waktu tanam yang optimal berdasarkan kondisi cuaca yang tidak pasti. Lingkungan Sehari-hari teknologi logika fuzzy sering ditemukan dalam peralatan rumah tangga seperti mesin cuci dan pemanas ruangan. Ini memungkinkan
161 Artificial Intelligence peralatan tersebut untuk menyesuaikan operasinya dengan tingkat kekotoran pakaian atau suhu ruangan, sehingga lebih efisien dan hemat energi. Penerapan logika fuzzy memiliki dampak yang signifikan di berbagai bidang, karena kemampuannya untuk mengatasi ketidakpastian dan kompleksitas dalam pengambilan keputusan. Ini membantu meningkatkan efisiensi, produktivitas, dan akurasi dalam berbagai aspek kehidupan dan industri.
162 Artificial Intelligence KEGIATAN PEMBELAJARAN 11 Computer Vision 11.1 Tujuan Kegiatan Pembelajaran 11.2 Uraian Kegiatan Pembelajaran 11 11.2.1 Computer Vision Computer vision adalah bidang kecerdasan buatan (AI) yang memungkinkan komputer dan sistem untuk mendapatkan informasi berarti dari gambar digital, video, dan input visual lainnya, dan mengambil tindakan atau memberikan rekomendasi berdasarkan informasi tersebut. Jika AI memungkinkan komputer untuk berpikir, maka computer vision memungkinkan mereka untuk melihat, mengamati, dan memahami. Computer vision bekerja hampir sama dengan penglihatan manusia, kecuali manusia memiliki keunggulan awal. Penglihatan manusia memiliki keunggulan berkat konteks seumur hidup untuk melatih bagaimana membedakan objek, sejauh mana jaraknya, apakah mereka bergerak, dan apakah ada sesuatu yang salah dalam gambar. Adapun tujuan pembelajaran dalam kegiatan pembelajaran 11 ini adalah:. Mahasiswa mampu memahami konsep dasar Algoritma Genetika sebagai salah satu komputasi evolusioner
163 Artificial Intelligence Computer vision melatih mesin untuk melakukan fungsi-fungsi ini, tetapi harus melakukannya dalam waktu yang jauh lebih singkat dengan kamera, data, dan algoritma daripada retina, saraf optik, dan korteks visual. Karena sistem yang dilatih untuk memeriksa produk atau mengawasi aset produksi dapat menganalisis ribuan produk atau proses dalam satu menit, dan dengan cepat menemukan cacat atau masalah yang tidak terlihat, ia dapat melampaui kemampuan manusia dengan cepat. Computer vision digunakan dalam berbagai industri mulai dari energi dan utilitas hingga manufaktur dan otomotif - dan pasar ini terus berkembang. Diperkirakan akan mencapai USD 48,6 miliar pada tahun 2022. 11.2.2 Sejarah Computer Vision Ilmuwan dan insinyur telah berusaha untuk mengembangkan cara agar mesin dapat melihat dan memahami data visual selama sekitar 60 tahun. Eksperimen dimulai pada tahun 1959 ketika para neurofisiolog menunjukkan gambar-gambar kepada seekor kucing, mencoba untuk menghubungkan respons dalam otaknya. Mereka menemukan bahwa kucing pertama-tama merespons tepi-tepi keras atau garis-garis, dan secara ilmiah, ini berarti pemrosesan gambar dimulai dengan bentuk-bentuk sederhana seperti garis lurus. Pada saat yang hampir bersamaan, teknologi pemindaian gambar komputer pertama dikembangkan, yang memungkinkan komputer untuk mendigitalkan dan mengakuisisi gambar. Tonggak sejarah lain tercapai pada tahun 1963 ketika komputer mampu mengubah gambar dua dimensi menjadi bentuk tiga dimensi. Pada tahun 1960- an, kecerdasan buatan muncul sebagai bidang studi akademik, dan ini juga menandai awal pencarian kecerdasan buatan untuk menyelesaikan masalah penglihatan manusia. Pada tahun 1974, teknologi pengenalan karakter optik / optical character recognition (OCR) diperkenalkan, yang dapat mengenali teks yang dicetak dalam setiap jenis huruf atau jenis huruf. Demikian pula, pengenalan karakter cerdas / intelligent character recognition (ICR) dapat mendekripsi teks tulisan tangan menggunakan jaringan syaraf. Sejak itu, OCR dan ICR telah diterapkan dalam pemrosesan dokumen dan faktur, pengenalan plat kendaraan, pembayaran seluler, terjemahan mesin, dan aplikasi umum lainnya.
164 Artificial Intelligence Pada tahun 1982, ahli neurosains David Marr menetapkan bahwa penglihatan berfungsi secara hierarkis dan memperkenalkan algoritma untuk mesin mendeteksi tepi, sudut, kurva, dan bentuk dasar serupa. Pada saat yang bersamaan, ilmuwan komputer Kunihiko Fukushima mengembangkan jaringan sel-sel yang bisa mengenali pola. Jaringan tersebut disebut Neocognitron dan mencakup lapisan konvolusi dalam jaringan saraf. Pada tahun 2000, fokus studi adalah pada pengenalan objek, dan pada tahun 2001, aplikasi pengenalan wajah waktu nyata pertama muncul. Standarisasi tentang cara data visual di-tag dan dianotasi muncul selama tahun 2000-an. Pada tahun 2010, kumpulan data ImageNet menjadi tersedia. Ini berisi jutaan gambar yang di-tag di ribuan kelas objek dan menyediakan dasar bagi model CNN dan deep learning yang digunakan saat ini. Pada tahun 2012, tim dari Universitas Toronto memasukkan sebuah CNN ke dalam kontes pengenalan gambar. Model yang disebut AlexNet secara signifikan mengurangi tingkat kesalahan dalam pengenalan gambar. Setelah terobosan ini, tingkat kesalahan telah turun menjadi hanya beberapa persen. 11.2.3 Cara Kerja Computer Vision Computer vision memerlukan banyak data dan menjalankan analisis data berulang-ulang hingga dapat membedakan perbedaan dan akhirnya mengenali gambar. Sebagai contoh, untuk melatih komputer agar mengenali ban mobil, perlu memberikan jumlah gambar ban dan item terkait ban yang banyak agar dapat memahami perbedaan dan mengenali ban, terutama yang tidak memiliki cacat. Ada dua teknologi penting yang digunakan untuk Computer Vision: Jenis machine learning yang bernama deep learning dan convolutional neural network (CNN) Machine Learning menggunakan model algoritma yang memungkinkan komputer untuk belajar sendiri tentang konteks data visual. Jika data yang cukup diberikan melalui model, komputer akan "melihat" data tersebut dan mengajarinya sendiri untuk membedakan satu gambar dari yang lain. Algoritma memungkinkan mesin untuk belajar sendiri, daripada seseorang memrogramnya untuk mengenali gambar. Convolutional Neural Network (CNN) membantu model pembelajaran mesin atau deep learning "melihat" dengan memecah gambar menjadi piksel yang diberi tag atau label. Ini
165 Artificial Intelligence menggunakan label-label tersebut untuk melakukan konvolusi (operasi matematika pada dua fungsi untuk menghasilkan fungsi ketiga) dan membuat prediksi tentang apa yang sedang "dilihatnya". Jaringan saraf ini menjalankan konvolusi dan memeriksa akurasi prediksinya dalam serangkaian iterasi hingga prediksi tersebut mulai menjadi kenyataan. Saat itulah komputer mulai mengenali atau "melihat" gambar dengan cara yang mirip dengan manusia. Mirip dengan manusia yang melihat gambar dari jarak jauh, CNN pertama-tama membedakan tepi-tepi yang keras dan bentuk-bentuk sederhana, kemudian mengisi informasi saat menjalankan iterasi prediksinya. CNN digunakan untuk memahami gambar tunggal. Recurrent Neural Network (RNN) digunakan dengan cara yang mirip untuk aplikasi video agar membantu komputer memahami bagaimana gambar dalam serangkaian bingkai terkait satu sama lain. 11.2.4 Aplikasi yang menggunakan Computer Vision Ada banyak penelitian yang sedang dilakukan dalam bidang computer vision, tetapi bukan hanya penelitian. Aplikasi dunia nyata menunjukkan seberapa pentingnya computer vision dalam usaha bisnis, hiburan, transportasi, perawatan kesehatan, dan kehidupan sehari-hari. Salah satu penggerak utama pertumbuhan aplikasi ini adalah banjir informasi visual yang berasal dari ponsel cerdas, sistem keamanan, kamera lalu lintas, dan perangkat berinstrumen visual lainnya. Data ini dapat memainkan peran besar dalam operasi di berbagai industri, tetapi saat ini tidak dimanfaatkan. Informasi ini menciptakan dasar uji coba untuk melatih aplikasi computer vision dan menjadi peluncuran bagi mereka untuk menjadi bagian dari berbagai aktivitas manusia:
166 Artificial Intelligence IBM menggunakan computer vision untuk membuat My Moments untuk turnamen golf Masters 2018. IBM Watson menonton ratusan jam rekaman Masters dan bisa mengidentifikasi momen-momen penting. Itu mengurasi momen-momen kunci ini dan mengirimkannya kepada penggemar sebagai guliran sorotan yang dipersonalisasi. Google Translate memungkinkan pengguna mengarahkan kamera ponsel cerdas ke tanda dalam bahasa lain dan hampir seketika mendapatkan terjemahan dari tanda tersebut ke dalam bahasa pilihan mereka. Pengembangan kendaraan otonom mengandalkan computer vision untuk memahami masukan visual dari kamera kendaraan dan sensor lainnya. Hal ini penting untuk mengidentifikasi kendaraan lain, rambu lalu lintas, penanda jalur, pejalan kaki, sepeda, dan semua informasi visual lainnya yang ditemui di jalan.
167 Artificial Intelligence IBM sedang menerapkan teknologi computer vision dengan mitra seperti Verizon untuk membawa kecerdasan AI ke tepi, dan membantu produsen otomotif mengidentifikasi cacat kualitas sebelum kendaraan meninggalkan pabrik. 11.2.5 Contoh Computer Vision Klasifikasi Gambar Klasifikasi gambar melihat sebuah gambar dan dapat mengklasifikasikannya (sebuah anjing, sebuah apel, wajah seseorang). Lebih tepatnya, itu mampu memprediksi dengan akurat bahwa sebuah gambar tertentu termasuk dalam suatu kelas tertentu. Sebagai contoh, sebuah perusahaan media sosial mungkin ingin menggunakannya untuk secara otomatis mengidentifikasi dan memisahkan gambar-gambar yang tidak pantas yang diunggah oleh pengguna.
168 Artificial Intelligence Deteksi Objek Deteksi objek dapat menggunakan klasifikasi gambar untuk mengidentifikasi kelas tertentu dari gambar, dan kemudian mendeteksi dan mencatat penampilan mereka dalam gambar atau video. Contoh-contoh termasuk mendeteksi kerusakan pada lini perakitan atau mengidentifikasi mesin yang memerlukan perawatan. Pelacakan Objek Pelacakan objek mengikuti atau melacak objek setelah objek tersebut terdeteksi. Tugas ini sering dilakukan dengan gambar yang diambil secara berurutan atau aliran video real-time. Kendaraan otonom, misalnya, perlu tidak hanya mengklasifikasikan dan mendeteksi objek seperti pejalan kaki, kendaraan lain, dan infrastruktur jalan, tetapi juga melacaknya dalam gerakan untuk menghindari tabrakan dan mematuhi peraturan lalu lintas. Pencarian Berbasis Konten Gambar Pencarian berbasis konten gambar menggunakan computer vision untuk menjelajah, mencari, dan mengambil gambar dari penyimpanan data besar, berdasarkan konten gambar daripada tag metadata yang terkait dengan mereka. Tugas ini dapat mencakup
169 Artificial Intelligence penandaan gambar otomatis yang menggantikan penandaan gambar manual. Tugas-tugas ini dapat digunakan untuk sistem manajemen aset digital dan dapat meningkatkan akurasi pencarian dan pengambilan. 11.2.6 Mengklasifikasikan batu ruang angkasa dengan menggunakan Python dan kecerdasan buatan 1.Tentang batuan luar angkasa dan cara mengklasifikasikannya Dengan kemajuan teknologi yang pesat, banyak bidang di luar ilmu komputer telah mengadopsi teknologi canggih dalam pekerjaan mereka. Salah satu teknologi yang relatif baru dan sedang diaplikasikan dalam berbagai tugas adalah kecerdasan buatan (AI). Pembelajaran ini mencakup serangkaian jalur pembelajaran yang menyoroti bagaimana AI dapat mempengaruhi penelitian NASA dan eksplorasi ruang angkasa secara keseluruhan. Contohnya, AI digunakan untuk mengajari komputer mengenali jenis-jenis batuan yang harus dikumpulkan oleh astronaut, atau bahkan memprediksi apakah cuaca mendukung peluncuran roket pada hari tertentu. Dengan demikian, AI dapat menjadi alat yang sangat berharga untuk membantu para peneliti dalam pencapaian penemuanpenemuan inspiratif di bidang ilmu bumi. Berbagai layanan dan pustaka pemrograman yang melibatkan matematika dan algoritma kompleks dalam AI telah menjadi semakin tersedia. Sebagai contoh, terdapat pustaka dan paket Python seperti PyTorch yang digunakan untuk eksplorasi, visualisasi, dan analisis data. Selain itu, platform seperti Azure juga menyediakan layanan AI yang memungkinkan analisis gambar dengan mudah melalui API yang sederhana. Meskipun AI memiliki tingkat kompleksitas yang tinggi, modul pembelajaran ini memperkenalkan Anda pada beberapa alat dasar dan layanan AI. Pada modul selanjutnya, Anda akan menggunakan alat-alat dan layanan tersebut untuk membangun model AI.
170 Artificial Intelligence 1) Penelitian ilmiah batuan luar angkasa Penelitian ilmiah tentang batuan luar angkasa adalah fokus dari pembelajaran ini, dengan penekanan pada bagaimana kita menggunakan komputer dan kecerdasan buatan (AI) untuk mengklasifikasikan jenis batuan ini. Mengapa kita tertarik untuk mempelajari sesuatu yang tampak biasa seperti batubatuan? Jawabannya terletak pada potensi penemuan dan aplikasi yang menakjubkan yang dapat dihasilkan dari pemahaman mengenai batuan-batuan asal luar angkasa. a) Apa itu batu ruang angkasa? Sebelum kita membahas mengapa kita memilih untuk mempelajari batubatuan luar angkasa, mari kita terlebih dahulu mengklasifikasikan jenis-jenis batuan dan material yang dipelajari oleh para ilmuwan NASA. Batuan dan material ini berasal dari luar angkasa dan bervariasi dalam ukuran, mulai dari butiran pasir kecil yang ditemukan di Bulan hingga batu-batuan besar yang mengapung di ruang angkasa. Batuan-batuan besar ini dapat berupa meteoroid dan asteroid yang melayang di ruang angkasa atau bahkan ditemukan di permukaan Bulan, planet, dan bahkan Bumi sebagai meteorit. b) Mengapa batu tersebut penting? Batu ruang angkasa memiliki banyak kegunaan. Dalam pembelajaran ini, kita tidak akan mencakup semua cara untuk menggunakan batu ruang angkasa karena volumenya yang tipis. Tapi satu hal yang pasti, batu memberitahu kita tentang sejarah Tata Surya kita karena mereka merekam peristiwa geologis seperti letusan gunung berapi. Batu ruang angkasa telah berada di sini lebih lama dari manusia, dan mereka akan berada di sini lama setelah kita pergi. Contoh bagaimana kita belajar tentang Tata Surya dengan mempelajari batu ruang angkasa adalah jenis batuan, granit. Granit berlimpah di Bumi, tetapi penelitian kami memberi tahu kami bahwa granit jarang terjadi di tempat lain dalam Tata Surya. Kita tahu bahwa granit terbentuk di daerah tektonik tempat gunung terbentuk. Banyak planet lain dan bulan masing-masing tidak
171 Artificial Intelligence memiliki lempeng tektonik. Perbedaan antara Bumi dan bagian lain dari Tata Surya memberi kita informasi latar belakang tentang struktur planet lain saat ini dan bagaimana planet terbentuk. Seiring dengan pembelajaran tentang sejarah Tata Surya, batu ruang angkasa dapat membantu kita dalam pencarian kita untuk menemukan tanda-tanda kehidupan atau kemampuan untuk mempertahankan kehidupan selain di Bumi. Banyak batu di Alam Semesta mengandung air. Jika kita tahu banyak tentang batu-batu ini, kita dapat mencari planet yang memiliki batu-batu ini. Suatu hari, kita mungkin menemukan kehidupan atau lingkungan dengan air yang dapat mempertahankan kehidupan manusia. Contoh dari manfaat mempelajari batu ruang angkasa untuk kita adalah dapat membantu mempersiapkan masa depan. Meskipun mungkin tampaknya masih jauh, pada titik tertentu, kita mungkin panen batu ruang angkasa sebagai sumber daya seperti kita mengumpulkan kayu dari pohon sekarang. Banyak batu ruang angkasa memiliki gas dan senyawa kimia di dalamnya yang jarang atau berpotensi tidak ditemukan di Bumi. Di masa depan, kita mungkin menggunakan sumber daya ini untuk menciptakan teknologi baru yang berguna bagi orang-orang di Bumi. Kita mungkin menggunakan batu ruang angkasa untuk memajukan eksplorasi Tata Surya kita, mungkin dengan menggunakannya untuk mengembangkan bahan bakar roket. 2) Batuan luar angkasa di planet Bumi Seperti disebutkan sebelumnya, tempat yang paling baik untuk mengumpulkan batu luar angkasa sebenarnya terletak di Bumi. Astronaut yang bertugas di misi luar angkasa mencoba mengumpulkan jenis batuan luar angkasa tertentu, termasuk meteorit. Di Bumi, meteoroid bisa jatuh ke permukaan planet kapan saja. Setelah menanggung dampak jatuhnya meteoroid, kita akhirnya mendapatkan kesempatan untuk menjelajahi tempat jatuhnya benda langit tersebut sambil berharap agar berhasil menemukan meteorit kita sendiri. Dasar-dasar pengetahuan mengenai batuan luar angkasa
172 Artificial Intelligence 1. Meteoroid adalah proyektil berbatu atau logam yang terbang di luar angkasa. 2. Meteoroid akan menjadi meteor saat memasuki atmosfer Bumi. 3. Meteor akan menjadi meteorit saat menyentuh permukaan Bumi. Meteorit yang ditemukan di Bumi tertutup dengan kerak fusi yang terbakar yang terbentuk ketika meteor jatuh melalui atmosfer Bumi. Kerak fusi yang menyelimuti batuan meteorit dan luar angkasa menyulitkan proses identifikasi jenis batuan sampai batu tersebut akhirnya dibawa ke laboratorium untuk dibersihkan dan dianalisis. a) Di mana tempat untuk menemukan batu luar angkasa di Bumi? Meskipun meteorit dapat ditemukan di mana saja di planet kita, gurun panas dan dingin seperti yang ditemukan di Afrika Barat Laut dan Antartika adalah tempat utama untuk menemukan meteorit. Antartika adalah lokasi yang bagus untuk mencari meteorit, karena warna hitam kerak fusi terlihat menonjol jika dibandingkan dengan birunya es gletser. Di daerah lain, meteorit mungkin dikaburkan oleh vegetasi dan berbaur dengan tanah, atau terlihat seperti batu atau pecahan batu biasa di daerah tersebut. Gambar 12. 1 Meteorite di Antarctica
173 Artificial Intelligence Antartika juga mempunyai iklim yang unik, konstan, kering, dan dingin yang membantu mempertahankan kandungan bahan kimia organik dalam meteorit. Di daerah lain, pergantian suhu dan curah hujan, serta dampak tinggalnya manusia di daerah tersebut semakin membuat kemungkinan sampel batuan untuk bertahan lebih kecil. Dalam penelitian terkait meteorit, penyimpanan tingkat tinggi memberi kita pemahaman yang lebih jelas tentang komposisi asli batuan meteorit. 3) Tantangan mengumpulkan batuan ruang angkasa Jika Anda berpikir bahwa bagian paling sulit dari mengumpulkan batuan luar angkasa berakhir setelah berhasil mengirim roket sejauh 238.855 mil ke Bulan, maka Anda keliru. Bahkan setelah astronot atau rover mendarat di Bulan, menentukan batuan mana yang harus dikumpulkan untuk penelitian menjadi tugas yang sangat menantang. Dengan keterbatasan ruang di roket untuk membawa kembali sampel batuan, dan beragam jenis batuan luar angkasa yang ada, memutuskan batuan mana yang harus dikumpulkan dan batuan mana yang harus ditinggalkan adalah proses yang rumit. Mungkin kita berpikir tentang tantangan tersebut seperti ini: Jika Anda bisa memilih hanya satu tempat di Bumi untuk belajar untuk sepenuhnya memahami Bumi, ke mana Anda akan pergi? Namun, kenyataannya adalah bahwa tidak ada satu tempat tunggal di Bumi yang dapat mewakili keseluruhan planet ini. Jadi, tugas kita menjadi lebih sulit. Ketika kita memikirkan pergi ke suatu wilayah khusus di Bumi, seperti Grand Canyon, bahkan menentukan batuan mana yang harus dikumpulkan untuk memahami wilayah tersebut dengan lengkap tetap merupakan pekerjaan yang sangat menantang. Hal ini mirip dengan tantangan yang dihadapi oleh astronot ketika mereka harus memilih batuan yang akan dikumpulkan di permukaan Bulan. a) Bagaimana AI dapat membantu astronaut dengan batuan ruang angkasa? Astronout menyelesaikan berbagai persiapan sebelum mereka pergi ke ruang angkasa. Prioritas utama mereka adalah perjalanan yang aman dan sukses ke tujuan mereka. Tapi salah satu tujuan utama perjalanan ke Bulan adalah untuk
174 Artificial Intelligence mengumpulkan spesimen sehingga kita dapat lebih memahami Bulan dan Tata Surya kita. Permukaan Bulan sepenuhnya ditutupi dengan sampel potensial yang mungkin dikumpulkan astronaut kembali ke Bumi. Dan jenis batuan tersebut tidaklah mudah diidentifikasi hanya dengan sekilas mata. Di Bulan, jenis batuan yang umum ditemukan adalah Basalt dan Highland. Batu dataran tinggi adalah kerak asli Bulan. Regolit adalah lapisan batu dan tanah yang pecah oleh dampak benturan objek. Jenis batuan lain yang ditemukan di Bulan adalah breksi, yang merupakan kombinasi dari batu-batuan yang hancur. Jadi, komposisi kimia batubatuan ini mungkin mirip dengan jenis batuan aslinya, tetapi batuan ini mungkin bukan apa yang diminta untuk dikumpulkan oleh astronaut. Selain itu, foto-foto batuan yang akan Anda lihat pada pembelajaran ini telah dibersihkan. Foto-foto tersebut diambil di studio dengan pencahayaan yang baik dan benar-benar dekat. Mampu mengidentifikasi batu-batu ini di permukaan Bulan sambil mengenakan pakaian ruang angkasa, tanpa dapat menyentuh batu, dan dengan pencahayaan yang kurang ideal, membuat tantangan ini sangat berat. Gambar 12. 2 Batu Basalt
175 Artificial Intelligence Gambar 12. 3 Batu highland Berikut adalah foto area yang mungkin disurvei oleh astronaut untuk mencari batuan: Gambar 12. 4 Area survei oleh astronaut untuk mencari batuan
176 Artificial Intelligence b) Apakah menjadi unik selalu hal yang baik? Aspek lain dari mengumpulkan batu ruang angkasa yang mungkin sulit dikonsepkan adalah prosedur untuk mengambil batu yang terlihat "berbeda." Jika Anda melihat batu putih yang dikelilingi oleh batu-batu hitam, naluri seseorang adalah untuk mengambil batu putih dan mengabaikan semua batu hitam. Namun, mengumpulkan hanya batu putih ini tidak akan memberi kita pemahaman tentang batuan "rata-rata" di daerah itu, hanya yang unik saja. Oleh karena itu, astronaut diminta untuk juga mengumpulkan sampel batu hitam untuk mendapatkan representasi area yang akurat. Trik umum adalah mengambil 10 batu rata-rata di daerah tersebut, dan kemudian mengumpulkan batuan yang terlihat lebih unik. c) Bagaimana dengan rover bulan? Menginstruksikan rover untuk mengambil sampel batuan di Bulan juga merupakan tugas yang sulit. Mengirim instruksi ke rover yang beroperasi jauh memakan waktu, sehingga instruksi harus sederhana, seperti maju atau belok kanan. Selain itu, seperti yang akan Anda pelajari dalam jalur pembelajaran ini, memiliki komputer yang dapat mengidentifikasi batuan secara akurat di tanah adalah tantangan tersendiri. Ketika batuan digunakan untuk melatih model AI, mereka dibersihkan dan difoto secara profesional. Batuan di permukaan Bulan mungkin terlihat berbeda dari batuan dalam foto di laboratorium, karena mereka mungkin tertutup debu dan kotoran, pencahayaan bisa buruk, bayangan yang banyak, dan lanskap sekitarnya mungkin diisi dengan materi yang mirip. Oleh karena itu, batuan di Bulan mungkin memiliki penampilan yang berbeda dari batuan dalam gambar di laboratorium, meskipun sebenarnya adalah jenis batuan yang sama. 4) Solusi AI untuk penelitian batuan ruang angkasa Jika kita mengintegrasikan AI ke dalam proses analisis batuan ruang angkasa, kita dapat meningkatkan proses pengumpulan untuk manusia dan penemu. Kita bisa mengirim astronot ke Bulan dengan berbekal komputer yang bisa mengambil foto bebatuan. Komputer dapat menunjukkan kepada astronot jenis batu. Astronot dapat menentukan apakah jenis batu itu diperlukan dalam
177 Artificial Intelligence koleksi dan memutuskan untuk mengambilnya atau meninggalkannya. Dalam misi masa depan, komputer dapat ditempatkan di sebuah penjelajah yang secara otonom melintasi permukaan Bulan dan memindai bebatuan yang kita perlukan untuk penelitian. Dengan mengintegrasikan AI, astronot dapat lebih cepat dan akurat menemukan dan mengidentifikasi batu yang harus mereka bawa kembali ke Bumi. Komputer dapat mengumpulkan metadata seperti lokasi, suhu, dan paparan cahaya. Dengan umpan balik akurasi dari astronot dan ilmuwan di Bumi, model AI yang digunakan untuk mengidentifikasi batuan berharga akan meningkat seiring waktu. a) AI dapat membantu penelitian di Bumi Seperti yang kami sebutkan sebelumnya, AI bekerja lebih baik ketika data sampel lebih bersih. Kami melihat peningkatan performa untuk beberapa skenario yang melibatkan batuan ruang angkasa: 1. Ketika bebatuan secara fisik bersih 2. Ketika foto bebatuan memiliki pencahayaan yang sama, maka pewarnaan visual batu tersebut konsisten 3. Ketika tepi antara batu dan latar belakang bersih dan konsisten 4. Ketika setiap foto batu memiliki indikasi skala yang jelas Model AI yang dapat membantu mengidentifikasi, mengklasifikasikan, dan melacak sampel batuan ini akan memberikan instruksi yang jelas tentang cara mengambil foto agar sesuai dengan model saat ini. Ketika kita memiliki model AI yang sesuai dengan kriteria ini, kurasi batuan bulan dan penelitian dapat bergerak menuju menjawab pertanyaan penelitian yang lebih bernuansa. Kami bahkan mungkin mempertimbangkan untuk menggunakan penjelajah dan AI di Bumi untuk mengumpulkan meteorit di Antartika. b) AI dapat membantu penelitian di ruang angkasa Meskipun AI dan kualitas gambar saat ini mungkin belum mencukupi untuk mengambil gambar satelit dari permukaan planet dan memberikan gambaran
178 Artificial Intelligence yang detail tentang jenis batuan yang ada di sana, kita dapat mulai memahami di mana AI bisa memberikan kontribusi yang berharga dan di mana keterbatasannya. c) Misi NASA: Mempelajari batuan ruang angkasa Banyak misi luar angkasa telah membawa astronaut dan rover ke luar angkasa untuk mencari batu ruang angkasa. Salah satunya adalah misi OSIRISREx NASA. Gambar 12. 5 Peluncuran osiris-rex Misi OSIRIS-REx termasuk meluncurkan pesawat ruang angkasa ke orbit dan mengumpulkan sampel dari asteroid bernama Bennu. Batu luar angkasa regolit dari asteroid mungkin merekam riwayat paling awal dari Tata Surya kita. Misi OSIRIS-Rex adalah mencari tahu lebih banyak tentang dari mana manusia berasal dan apa takdir kita.
179 Artificial Intelligence Gambar 12. 6 Osiris rex regolith Misi OSIRIS-REx unik dibandingkan dengan jenis misi lain yang telah kita bicarakan. OSIRIS-REx mengambil foto berkualitas tinggi saat berada di orbit dan juga mendarat untuk mengumpulkan sampel. Foto-foto kemudian dikirim ke para ahli batuan di Bumi, yang menganalisis fitur dari foto untuk mendapatkan informasi tentang Tata Surya kita. Kunjungi situs web OSIRIS-REx NASA untuk mempelajari lebih lanjut dan melihat fotofoto menakjubkan yang diambil dari pesawat luar angkasa.
180 Artificial Intelligence 2. Bersiaplah untuk meneliti batuan luar angkasa dengan menggunakan kecerdasan buatan Anda adalah seorang geolog yang bekerja di NASA dan bertanggung jawab untuk membantu astronot dalam pemilihan batuan di Bulan. Anda akan mengumpulkan batuan di Bulan, tetapi memiliki ketakutan akan ketinggian. Mengingat astronot memiliki banyak hal lain yang harus dipelajari, memberikan pelatihan detail tentang berbagai jenis batuan ke astronot tidak akan praktis. Oleh karena itu, Anda memutuskan untuk mengembangkan sebuah program kecerdasan buatan (AI) yang dapat membantu astronot dalam mengidentifikasi jenis batuan dengan mengambil foto batu tersebut. Ini akan memastikan bahwa Anda dapat mengumpulkan sampel yang cukup dari setiap jenis batuan yang Anda butuhkan. Dalam pembelajaran ini, Anda akan mempelajari apa itu AI, dan Anda akan menggunakan beberapa pustaka yang akan membantu Anda membuat program yang mengklasifikasikan batuan. Proyek akhir menggunakan Visual Studio Code, Python, dan Jupyter Notebook untuk membuat model AI yang dapat mengidentifikasi jenis batuan dalam gambar. Data disediakan oleh NASA. Jelajahi foto yang lebih menarik dalam koleksi sampel NASA di link dibawah ini. 1) Kecerdasan buatan dan penelitian batuan ruang angkasa AI adalah konsentrasi yang cukup baru tetapi menonjol di bidang ilmu komputer, dan lebih khusus lagi, ilmu data. Konsep utama AI adalah mengajarkan komputer cara mempelajari berbagai hal. Komputer kemudian membuat keputusan berdasarkan apa yang telah dipelajarinya. Meskipun mungkin ada kekhawatiran tentang kemungkinan komputer mengambil alih dunia dengan kecerdasan buatan, sebenarnya tidak perlu khawatir. Komputer AI bergantung pada pemrograman manusia, dan kita justru mendapatkan manfaat besar dari kemajuan ini. Berikut beberapa contoh cara AI telah meningkatkan kehidupan kita:
181 Artificial Intelligence Netflix Netflix menggunakan algoritma AI untuk merekomendasikan konten yang mungkin kita sukai untuk ditonton berikutnya. Siri Siri mengandalkan kecerdasan buatan untuk memproses data di ponsel kita, mengenali pola, dan membantu dalam tugas sehari-hari. Tesla Tesla mengimplementasikan AI untuk mengembangkan mobil otonom, menghadirkan mobil tanpa pengemudi yang akan memberikan kenyamanan kepada banyak orang. AI bekerja dengan memberikan banyak bagian data yang berbeda ke komputer, dan memberi tahu apa artinya data. Untuk latihan kami, kami akan memberikan komputer banyak gambar dari berbagai jenis batuan ruang angkasa dan mengajarkannya tentang jenis batuan. Kami akan mengunggah foto batuan basalt dan memberi tahu komputer bahwa gambar tersebut adalah contoh batuan basal. Proses ini merupakan langkah awal dalam membangun model AI. Dengan menggunakan model AI, kami dapat membuat prediksi. Setelah komputer diberi tahu melalui banyak gambar, kami membangun model berdasarkan data tersebut. Kemudian, komputer dapat menggunakan model ini untuk memprediksi jenis batuan dalam gambar saat kami memberikan gambar baru. Ketika menggunakan AI, Anda mungkin akan sering mendengar istilah "machine learning" dan "artificial intelligence" digunakan secara bergantian. Perlu dicatat bahwa pembelajaran mesin "machine learning" adalah bagian dari "artificial intelligence" AI, dan meskipun konsepnya serupa, dalam pelajaran ini, kami lebih fokus pada topik AI. 2) Bebatuan ruang angkasa Mari kita mulai dengan mempelajari berbagai jenis batu ruang angkasa yang akan kita pelajari. Anda akan mendapatkan kesempatan untuk melihat seberapa baik Anda dalam mengklasifikasikan bebatuan Bulan. Dalam pelajaran ini, kita akan menggunakan dua jenis untuk mengklasifikasikan bebatuan yaitu bebatuan basalt dan highland (juga dikenal sebagai kerak). Kedua jenis batuan ini
182 Artificial Intelligence juga dapat ditemukan di Bumi, namun, untuk tujuan studi ini, kita akan mengeksplorasi variasi batuan yang ada di Bulan. 1) Batuan Basalt, Terdapat di Dasar Kawah Bulan. Batuan basalt memiliki warna yang cenderung gelap. Para ilmuwan meyakini bahwa batuan basalt berasal dari letusan gunung berapi purba yang terjadi di permukaan Bulan. Ketika kita melihat Bulan dan menemukan area gelap atau bercak-bercak gelap, kemungkinan besar kita sedang melihat batuan basalt. Sekitar 17% dari sisi dekat Bulan terdiri dari batuan basalt, sedangkan hanya sekitar 2% di sisi yang lebih jauh. Batuan basalt utamanya ditemukan di dalam cekungan atau kawah besar di kedua sisi Bulan. 2) Batuan Highland, Terhubung dengan Lapisan Permukaan Bulan. Batuan highland memiliki berat yang lebih ringan dibandingkan dengan batuan basalt karena mereka terdiri dari unsur-unsur yang lebih ringan, seperti besi dan magnesium. Salah satu teori tentang pembentukan batuan highland adalah bahwa magma laut besar dahulu menutupi Bulan dan kemudian mengkristal. Batuan highland yang lebih ringan kemudian muncul ke permukaan dan membentuk lapisan permukaan Bulan. Gambar 12. 8 basalt-cristobalite Gambar 12. 7 basalt-cristobalite-2
183 Artificial Intelligence 3) Mengklasifikasikan batu ruang angkasa seperti manusia Untuk membangun model AI yang mampu mengidentifikasi jenis batuan, kita perlu memahami bagaimana manusia melakukan proses klasifikasi. Bagian ini akan menguraikan proses berpikir umum yang digunakan manusia dalam memeriksa dan mengklasifikasikan data, yang akan menjadi dasar bagi pembentukan model komputer untuk melakukan tugas serupa. Langkah 0: Mendapatkan data kita perlu mengumpulkan sebanyak mungkin gambar batuan. Memiliki beragam gambar membantu kita mengidentifikasi variasi yang luas dalam jenis batuan yang akan diklasifikasikan. Untungnya, dalam proyek ini, kita dapat mengakses berbagai gambar relevan secara online. Langkah 1: Mengekstrak fitur Pertama, otak kita mencoba mengekstrak pola dari setiap gambar. Polanya meliputi faktor berikut: 1. Kombinasi warna 2. Tepi yang tajam 3. Pola melingkar 4. Tekstur di permukaan batu 5. Ukuran batuan Gambar 12. 10 crustal-anorthosite Gambar 12. 9 crustal-anorthosite-2
184 Artificial Intelligence 6. Ukuran dan bentuk mineral di dalam batuan Otak manusia secara alami melakukan pencarian dan pengkategorian visual ini secara tidak sadar. Dalam konteks AI, kita menyebut elemen-elemen ini sebagai "fitur." Gambar berikut mencantumkan beberapa fitur yang dapat kita ekstrak dari foto sepeda motor: Langkah 2: Menemukan hubungan Selanjutnya, kita berusaha menemukan hubungan antara fitur-fitur yang diekstraksi dan jenis batuan yang terkait dengan gambar tersebut. Pada tahap ini, kita mencoba untuk memisahkan atau mengelompokkan karakteristik dan fitur-fitur yang berbeda untuk masing-masing jenis batuan. Melalui asosiasi yang kita buat, kita dapat menentukan beberapa aturan. Misalnya, kita mungkin menyimpulkan bahwa batuan yang lebih ringan cenderung menjadi batuan Highland, atau bahwa batuan Basalt memiliki tekstur yang lebih bergerigi. Asosiasi dan hubungan semacam ini ditunjukkan dalam gambar berikut. Gambar 12. 11 Links
185 Artificial Intelligence Langkah 3: Mengklasifikasikan jenis Terakhir, kita mencoba menggunakan hubungan antara item yang diketahui ini untuk menentukan cara mengklasifikasikan item yang baru. Misalnya ada sebuah gambar batu baru untuk dipertimbangkan, otak kita mengekstrak karakteristiknya. Kemudian, otak kita menggunakan asosiasi yang sudah kita buat untuk menentukan jenis batu itu. 4) Klasifikasikan batu ruang angkasa dengan menggunakan kecerdasan buatan Tugas ilmuwan dalam pengembangan model AI adalah mengajarkan komputer tentang cara mencapai tujuan yang diinginkan. Dalam konteks penelitian tentang benda luar angkasa, tujuan tersebut adalah mencapai tingkat akurasi 100% dalam sistem klasifikasi. Meskipun 100% tampaknya sulit dicapai oleh manusia, dengan mengintegrasikan teknologi komputer dan AI dalam proses penelitian, tujuan tersebut menjadi lebih mungkin dicapai. Model AI sering mengikuti langkah-langkah serupa dengan manusia dalam mencapai tujuan tertentu. Para ilmuwan mengajarkan komputer dengan cara membangun model yang mengikuti prosedur yang sama. Komputer belajar melalui iterasi berulang dari model tersebut. Setiap iterasi model menghasilkan lebih banyak data yang digunakan untuk pembelajaran. Semakin banyak data yang dikumpulkan dan dianalisis, semakin akurat komputer dalam melakukan prediksi. Dalam pengembangan model AI kami, kami akan memulai dengan mengikuti langkah-langkah yang biasa dilakukan manusia dalam memeriksa dan Gambar 12. 12 association-process
186 Artificial Intelligence mengklasifikasikan batuan. Kami akan mengajarkan komputer untuk mengikuti proses yang sama. Setelah komputer menjalankan model ini dan menghasilkan data analisis, komputer akan dapat memprediksi jenis batuan secara akurat berdasarkan data baru yang diberikan. Langkah 0: Dapatkan data Tahap awal adalah mengimpor data gambar yang akan digunakan. Selain itu, kita perlu mengakses perpustakaan perangkat lunak yang diperlukan untuk memproses data ini pada komputer yang akan digunakan untuk pelatihan. Komputer akan mengonversi gambar-gambar ini menjadi bentuk matriks angka, sehingga dapat diolah dalam format yang dapat dimengerti oleh komputer. Langkah 1: Ekstrak fitur Dari gambar-gambar batuan yang telah disediakan (data), komputer akan melakukan ekstraksi fitur seperti tekstur, ukuran, warna, dan tepi. Para ilmuwan menggunakan intuisi dan pengalaman mereka untuk menentukan fitur-fitur mana yang harus diekstrak dari gambar-gambar ini. Langkah 2: Temukan asosiasi Komputer akan menciptakan hubungan antara fitur-fitur yang diekstraksi dari gambar dan jenis batuan yang sesuai. Komputer memiliki keunggulan dalam tugas ini dibandingkan dengan manusia karena ia dapat menangani sejumlah besar asosiasi yang diperlukan. Komputer akan membangun jaringan yang mampu melacak jutaan asosiasi ini. Langkah 3: Prediksi jenis Ketika ada gambar batuan baru yang perlu diidentifikasi, komputer akan mengekstraksi fitur-fitur yang telah ditentukan dari gambar tersebut. Ini akan menggunakan asosiasi yang telah diperoleh antara data dan informasi yang ada dari gambar-gambar sebelumnya untuk memprediksi jenis batuan yang tepat. 5) Pustaka Python umum untuk proyek AI Nantinya di jalur pembelajaran ini, kita akan menggunakan tiga pustaka Python:
187 Artificial Intelligence Matplotlib adalah pustaka yang digunakan secara luas untuk memvisualisasikan data dalam bahasa pemrograman Python. Anda dapat memanfaatkan Matplotlib untuk membuat berbagai jenis visualisasi data, termasuk visualisasi statis, animasi, dan interaktif. Matplotlib sangat berguna dalam menyajikan data secara visual. NumPy, singkatan dari "Numerical Python," adalah pustaka yang sering digunakan untuk mengelola dan menyimpan data dalam bahasa Python. NumPy memungkinkan Anda membuat struktur data yang disebut "array" untuk menyimpan dan mengatur data. Seperti daftar (list), array NumPy dapat menyimpan berbagai jenis data. Pustaka ini menyediakan banyak fungsi yang berguna untuk memanipulasi data dalam array. PyTorch adalah pustaka yang terkait erat dengan pembelajaran mesin (machine learning). Pustaka ini dilengkapi dengan berbagai fungsi bawaan yang membantu mempercepat pengembangan proyek pembelajaran mesin. PyTorch terutama digunakan untuk memproses dan memodifikasi data dalam kerangka kerja pembelajaran mesin yang sedang digunakan. Pustaka-pustaka ini gratis dan sangat umum digunakan dalam proyek kecerdasan buatan yang melibatkan pemrosesan data, visualisasi, dan pembelajaran mesin.
188 Artificial Intelligence Pustaka lainnya Ada banyak pustaka lainnya yang dapat Anda gunakan untuk membuat model AI. Untuk mempelajari tentang pustaka AI umum lainnya dan apa yang mereka lakukan, lihat 8 pustaka Python teratas untuk pembelajaran mesin dan kecerdasan buatan. 6) Mengunduh pustaka AI Python Di bagian ini, kita akan menginstal pustaka yang Anda perlukan untuk membangun model AI. Kita akan menggunakan Anaconda, Anaconda adalah distribusi bahasa pemrograman Python dan R. Ini termasuk pustaka untuk pengembangan dalam komputasi ilmiah seperti ilmu data, pembelajaran mesin, analisis prediktif, dan banyak lagi. a) Mengunduh Anaconda Ikuti langkah-langkah ini untuk mengunduh dan menginstal Anaconda. 1. Buka halaman pengunduhan Anaconda untuk menginstal Anaconda. https://www.anaconda.com/download 2. Pilih Unduh. 3. Dalam daftar tautan unduhan, pilih tautan yang sesuai dengan sistem operasi komputer Anda. Tunggu hingga pengunduhan selesai. 4. Untuk memulai penginstalan, pilih file yang dapat dieksekusi di sudut kiri bawah browser Anda. (Anda juga dapat membuka folder unduhan dan menjalankan executable dari lokasi tersebut.)
189 Artificial Intelligence 5. Selesaikan langkah-langkah untuk menginstal Anaconda di komputer Anda. b) Membuat environment / lingkungan: 1. Pada prompt Anaconda, jalankan perintah conda create untuk memulai environment / lingkungan Anaconda: Console conda create -n myenv python=3.7 pandas jupyter seaborn scikit-learn keras pytorch pillow Perintah ini menggunakan Anaconda untuk menginstal semua pustaka yang kita butuhkan untuk model kita. Dalam perintah ini, kita juga mengunduh beberapa pustaka lainnya yang cocok untuk ilmu data. Anda mungkin merasa pustaka ini berguna untuk pengembangan di masa mendatang. 2. Saat Anda diminta untuk menginstal paket, masukkan Y, kemudian tekan Enter. 3. Untuk mengaktifkan environment / lingkungan baru Anda, jalankan perintah conda activate: Console
190 Artificial Intelligence conda activate myenv Lingkungan baru siap digunakan, tetapi kita perlu menambahkan satu pustaka lagi melalui perintah penginstalan terpisah. c) Menginstal paket torchvision Ikuti langkah-langkah ini untuk menginstal paket torchvision. 1. Pada prompt Anaconda, jalankan perintah conda install: Console conda install -c pytorch torchvision 2. Saat Anda diminta untuk menginstal paket, masukkan Y, kemudian tekan Enter. d) Membuat folder proyek dan file Jupyter Notebook Sekarang Anda memiliki lingkungan yang dapat Anda gunakan untuk jalur pembelajaran lainnya. Langkah terakhir adalah membuat folder proyek untuk file kode sumber Anda. 1. Pilih lokasi yang mudah diakses di komputer Anda, dan buat folder bernama ClassifySpaceRocks. 2. Buka Visual Studio Code, kemudian buka folder yang Anda buat. 3. Buat file Jupyter Notebook bernama ClassifySpaceRockProgram. a. Masukkan Ctrl + Shift + P untuk membuka menu dropdown Perintah di bagian atas Visual Studio. b. Pilih Jupyter: Buat buku catatan kosong baru. File buku catatan baru terbuka. Sistem menampilkan pesan tentang menyambungkan ke kernel Python di sudut kanan bawah. c. Tambahkan komentar berikut di sel pertama buku catatan baru: Python # AI model to classify space rocks d. Pilih panah hijau di bagian atas sel untuk menjalankannya. e. Tekan Ctrl + S untuk menyimpan file.
191 Artificial Intelligence f. Dalam dialog Simpan Sebagai, telusuri ke folder Anda. g. Masukkan nama untuk file buku catatan baru. Dalam contoh kami, kita akan menggunakan nama ClassifySpaceRockProgram. Pastikan Jupyter dipilih sebagai jenis file. h. Pilih Simpan. File Jupyter Notebook yang disimpan harus memiliki ekstensi file .ipynb. Anda akan melihat file dalam tampilan Penjelajah di Visual Studio. 4. Di sudut kanan atas dan kiri bawah Visual Studio, ubah environment / lingkungan menjadi environment / lingkungan Anaconda baru yang Anda buat. Selamat! Anda telah menginstal semua pustaka yang Anda butuhkan untuk membuat program AI, dan mengonfigurasi Visual Studio Code untuk menemukannya. 3. Menganalisis gambar batuan menggunakan kecerdasan buatan Mengidentifikasi data yang akan ditambahkan dalam model kecerdasan buatan yang bertujuan untuk mengklasifikasikan batuan luar angkasa dalam gambar-gambar acak. Langkah pertama yang sangat berguna dalam membuat program untuk mengklasifikasikan batuan adalah mengimpor pustaka Python yang diperlukan untuk tugas ini. Pustaka-pustaka ini akan memberi Anda alat dasar yang
192 Artificial Intelligence sangat berguna dalam membangun dan melatih model AI untuk mengenali dan mengklasifikasikan berbagai jenis batuan. Dalam pembelajaran ini, kita akan menggunakan perangkat lunak Visual Studio Code sebagai lingkungan pengembangan, bahasa pemrograman Python sebagai bahasa utama, dan Jupyter Notebook sebagai alat bantu untuk eksplorasi data dan pengujian model. Ini adalah alat-alat yang umumnya digunakan dalam pengembangan proyek AI. 1) Impor pustaka Python ke Jupyter Notebook Setelah Anda mengunduh pustaka Python yang dibutuhkan, langkah selanjutnya adalah mengimpor pustaka-pustaka tersebut ke dalam file Jupyter Notebook. Ini akan memungkinkan Anda menggunakan fungsi-fungsi dan alat yang disediakan oleh pustaka-pustaka tersebut dalam notebook Anda. a) Tambahkan pernyataan impor untuk pustaka Ikuti langkah-langkah ini untuk menambahkan kode untuk mengimpor pustaka AI. Sisipkan setiap bagian kode baru ke dalam sel kosong di file Jupyter Notebook Anda. Pilih panah hijau di bagian atas sel untuk menjalankan kode baru. 1. Buka Visual Studio Code, lalu buka file Jupyter Notebook yang Anda buat di modul sebelumnya. Dalam modul sebelumnya, kami menamai file Jupyter Notebook kami ClassifySpaceRockProgram.ipynb. 2. Pastikan Anda menjalankan kernel Jupyter yang benar. Di sudut kanan atas dan kiri bawah Visual Studio, ubah ke lingkungan Anaconda ('myenv') yang Anda buat di modul terakhir. 3. Pustaka pertama yang diimpor adalah Matplotlib. Anda menggunakan pustaka ini untuk memplot data Anda. Tambahkan kode berikut di sel baru di file Jupyter Notebook Anda, lalu jalankan kode. import matplotlib.pyplot as plt Pastikan pernyataan tidak dimulai dengan simbol hash (#). Jika tidak, Python akan menafsirkan pernyataan sebagai komentar. 4. Selanjutnya, tambahkan kode berikut untuk mengimpor pustaka NumPy untuk memproses matriks numerik besar (gambar), dan jalankan sel baru.
193 Artificial Intelligence import numpy as np 5. Sekarang tambahkan kode dalam sel baru untuk mengimpor pustaka PyTorch untuk melatih dan memproses pembelajaran mendalam dan model AI. Setelah Anda menambahkan kode baru, jalankan sel. import torch from torch import nn, optim from torch.autograd import Variable import torch.nn.functional as F 6. Pustaka berikutnya yang akan diimpor adalah torchvision, yang merupakan bagian dari PyTorch. Anda menggunakan pustaka ini untuk memproses gambar dan melakukan manipulasi seperti memangkas dan mengubah ukuran. Tambahkan kode ini di sel baru untuk mengimpor pustaka, lalu jalankan sel. import torchvision from torchvision import datasets, transforms, models 7. Sekarang tambahkan kode dalam sel baru untuk mengimpor Pustaka Pencitraan Python (PIL) sehingga Anda dapat memvisualisasikan gambar. Setelah Anda menambahkan kode baru, jalankan sel. from PIL import Image 8. Terakhir, tambahkan kode berikut dalam sel baru untuk mengimpor dua pustaka yang memastikan plot diperlihatkan sebaris dan dengan resolusi tinggi. Setelah Anda menambahkan kode baru, jalankan sel. %matplotlib inline %config InlineBackend.figure_format = 'retina' Anda telah menambahkan kode untuk mengimpor semua pustaka yang Anda butuhkan untuk program AI Anda.
194 Artificial Intelligence 2) Cara membersihkan dan memisahkan data untuk proyek AI Langkah selanjutnya adalah mengimpor data gambar batuan yang ada yang akan kita gunakan untuk mengajari komputer kita untuk mengenali berbagai jenis batuan. Sebelum mengimpor gambar, kita perlu meninjau dua langkah penting dalam proses AI: membersihkan dan memisahkan data. Penting untuk menyelesaikan langkah-langkah ini untuk memastikan komputer dapat mengklasifikasikan gambar batuan secara akurat. a) Bersihkan data Untuk membersihkan data, kita perlu memastikan datanya lengkap dan seragam. Dalam contoh batuan kami, banyak file gambar memiliki ukuran yang berbeda. Untuk set yang bersih, kita perlu mengubah ukuran setiap file gambar sehingga semuanya berukuran sama. Kita mungkin harus mengisi sel di mana data hilang, dan menghapus baris dengan data yang salah. b) Pisahkan data Untuk memprogram AI, pertama-tama kita memberikan komputer banyak data dan memberi tahu apa yang diwakili data. Proses ini disebut pelatihan. Setelah melatih komputer, kami menguji komputer untuk melihat apakah komputer dapat mengklasifikasikan data baru yang kami masukkan. NASA menyediakan sejumlah besar data tentang berbagai jenis rock. Kita perlu memberi tahu komputer data mana yang akan digunakan untuk pelatihan dan mana yang akan digunakan untuk pengujian. Untuk melakukan pemisahan, kami mendistribusikan data secara acak ke dalam dua grup ini. Rasio berapa banyak data yang masuk ke setiap grup dapat bervariasi. Dalam contoh kami, kami akan berlatih dengan 80% data dan menguji dengan 20% data. 3) Impor dan bersihkan data dari foto Sekarang setelah kita tahu tentang membersihkan dan memisahkan data, kita dapat menerapkan prinsip-prinsip ini ke proyek klasifikasi batuan kita. a) Menyiapkan data Kita perlu membuat dua himpunan data dari foto NASA untuk proyek klasifikasi kita. Satu himpunan data adalah untuk pelatihan dan yang lainnya adalah untuk pengujian. Gambar perlu dibersihkan dan dipisahkan sebelum kami
195 Artificial Intelligence memuatnya ke dalam himpunan data untuk diproses. Data harus diproses secara acak, dan tidak dalam urutan yang tepat yang disediakan oleh NASA. Kami akan menggunakan kode untuk menyelesaikan empat langkah ini untuk menyiapkan data kami: Langkah 1 Dapatkan data: Beritahu komputer tempat mendapatkan data gambar. Langkah 2 Bersihkan data: Potong gambar ke ukuran yang sama. Langkah 3 Pisahkan data: Pisahkan data dengan mengacak dan memilih acak. Langkah 4 Muat himpunan data acak: Siapkan sampel acak untuk pelatihan dan pengujian himpunan data. Langkah 1: Dapatkan data Kita perlu memberi tahu komputer di mana ia dapat menemukan data. Dalam contoh kami, kami menggunakan gambar batuan yang disediakan oleh NASA. Kami sudah mengunduh dan menyimpan foto ke dalam folder Data yang berada di folder proyek yang sama dengan file Jupyter Notebook kami. Kami akan memberi tahu komputer untuk memuat data gambar dari folder Data. Langkah 2: Bersihkan data Foto batuan dari NASA datang dalam ukuran yang berbeda: kecil, sedang, dan besar. Kami akan memangkas gambar sehingga ukurannya sama (224 × 224 piksel). Kami mengubah ukuran gambar karena komputer mengharapkan gambar berukuran sama. Jika gambar bervariasi dalam ukuran, gambar tidak mudah diproses oleh komputer. Kami menggunakan kelas torchvision transforms.Compose untuk mengubah ukuran gambar ke dimensi pilihan kami dan menyimpan gambar yang dimodifikasi dalam variabel lokal. Langkah 3: Pisahkan data 20% dari gambar yang dibersihkan adalah untuk pelatihan dan 80% lainnya adalah untuk pengujian. Komputer harus memilih gambar secara acak, dan tidak menggunakannya
196 Artificial Intelligence dalam urutan yang tepat yang disediakan oleh NASA. Kami menggunakan dua teknik untuk melakukan pemisahan: mengacak dan pemilihan acak. Kami membuat daftar indeks yang sesuai dengan jumlah gambar. Kami menggunakan daftar ini untuk menemukan indeks gambar yang mewakili 20% data. Kami menyimpan lokasi ini dalam variabel bernama split. Kami mengacak daftar indeks, dan dengan menggunakan lokasi gambar di split, kami membuat dua himpunan data kami untuk pelatihan dan pengujian. Tataan yang dihasilkan terdiri dari gambar yang dibersihkan dan dipilih secara acak. Kami menggunakan fungsi untuk load_split_train_test mendapatkan data yang diacak untuk pelatihan dan pengujian. Langkah 4: Memuat himpunan data acak Untuk memuat gambar acak dari dua himpunan data kami, kami memanggil SubsetRandomSampler fungsi dari pustaka torch.utils.data.sampler. Kita akan memuat sampel acak masing-masing 16 gambar. b) Tambahkan kode untuk membersihkan dan memisahkan data Kami siap menambahkan kode untuk membersihkan dan memisahkan data. 1. Kembali ke Visual Studio Code, dan buka file Jupyter Notebook Anda. 2. Tambahkan kode berikut dalam sel baru untuk mengimpor Pustaka Pencitraan Python (PIL). Kami akan menggunakan pustaka ini untuk memvisualisasikan gambar. Setelah Anda menambahkan kode baru, jalankan sel. # Tell the machine what folder contains the image data data_dir = './Data' # Read the data, crop and resize the images, split data into two groups: test and train def load_split_train_test(data_dir, valid_size = .2):
197 Artificial Intelligence # Transform the images to train the model train_transforms = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.Resize(224), transforms.ToTensor(), ]) # Transform the images to test the model test_transforms = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.Resize(224), transforms.ToTensor(), ]) # Create two variables for the folders with the training and testing images train_data = datasets.ImageFolder(data_dir, transform=train_transforms) test_data = datasets.ImageFolder(data_dir, transform=test_transforms) # Get the number of images in the training folder num_train = len(train_data) # Create a list of numbers from 0 to the number of training images - 1 # Example: For 10 images, the variable is the list [0,1,2,3,4,5,6,7,8,9] indices = list(range(num_train)) # If valid_size is .2, find the index of the image that represents 20% of the data
198 Artificial Intelligence # If there are 10 images, a split would result in 2 # split = int(np.floor(.2 * 10)) -> int(np.floor(2)) -> int(2) -> 2 split = int(np.floor(valid_size * num_train)) # Randomly shuffle the indices # For 10 images, an example would be that indices is now the list [2,5,4,6,7,1,3,0,9,8] np.random.shuffle(indices) from torch.utils.data.sampler import SubsetRandomSampler # With the indices randomly shuffled, # grab the first 20% of the shuffled indices, and store them in the training index list # grab the remainder of the shuffled indices, and store them in the testing index list # Given our example so far, this would result is: # train_idx is the list [1,5] # test_idx is the list [4,6,7,1,3,0,9,8] train_idx, test_idx = indices[split:], indices[:split] # Create samplers to randomly grab items from the training and testing indices lists train_sampler = SubsetRandomSampler(train_idx) test_sampler = SubsetRandomSampler(test_idx) # Create loaders to load 16 images from the train and test data folders
199 Artificial Intelligence # Images are chosen based on the shuffled index lists and by using the samplers trainloader = torch.utils.data.DataLoader(train_data, sampler=train_sampler, batch_size=16) testloader = torch.utils.data.DataLoader(test_data, sampler=test_sampler, batch_size=16) # Return the loaders so you can grab images randomly from the training and testing data folders return trainloader, testloader # Using the function that shuffles images, # create a trainloader to load 20% of the images # create a testloader to load 80% of the images trainloader, testloader = load_split_train_test(data_dir, .2) # Print the type of rocks that are included in the trainloader print(trainloader.dataset.classes) Setelah menjalankan sel, Anda akan melihat dua jenis klasifikasi batuan dalam output: ['Basalt', 'Highland']. Data batuan ruang angkasa sekarang diimpor, dibersihkan, dan dipisahkan. Kami siap untuk melatih model kami dengan 80% data dan menjalankan pengujian dengan 20% sisanya. 4) Bagaimana komputer membaca foto sebagai file gambar Komputer tidak dapat membaca gambar dengan cara yang sama seperti yang dilakukan manusia. Sekarang setelah data kami dibersihkan dan dipisahkan, Anda mungkin bertanya-tanya bagaimana komputer membaca gambar-gambar ini.