PERAN KECERDASAN BUATAN DALAM SISTEM ROBOTIK

Autor(s): Muh Riza Syaifulloh

Abstract

Kecerdasan Buatan (AI) telah menjadi otak yang menggerakkan evolusi sistem robotik dari mesin otomat yang kaku menjadi agen otonom yang cerdas dan adaptif. Artikel ini secara komprehensif mengkaji peran fundamental AI dalam mentransformasi kapabilitas robot. Pembahasan difokuskan pada beberapa domain kunci AI yang terintegrasi dalam robotika. Pertama, machine learning, khususnya deep learning, memungkinkan robot untuk belajar dari data dan pengalaman, seperti mengenali objek melalui visi komputer, memahami perintah suara melalui Natural Language Processing (NLP), dan menguasai tugas manipulasi kompleks melalui reinforcement learning. Kedua, algoritma perencanaan (planning) dan navigasi, seperti SLAM (Simultaneous Localization and Mapping), memungkinkan robot mobile untuk memetakan lingkungan yang tidak diketahui dan menavigasi secara otonom di dalamnya. Ketiga, sistem inferensi dan penalaran (reasoning) memungkinkan robot untuk membuat keputusan logis dalam situasi yang ambigu atau tidak terduga, melampaui sekadar eksekusi perintah terprogram. Analisis menunjukkan bahwa sinergi antara AI dan robotika tidak hanya meningkatkan otonomi dan efisiensi, tetapi juga melahirkan kemampuan baru seperti interaksi manusia-robot yang lebih alami, prediksi kegagalan, dan kolaborasi antar-robot yang canggih. Tantangan utama yang diidentifikasi meliputi kebutuhan akan data pelatihan dalam jumlah besar, kompleksitas komputasi (computational complexity), isu keamanan terhadap serangan adversarial, dan aspek "explainability" atau kemampuan untuk memahami proses pengambilan keputusan AI. Kajian ini menyimpulkan bahwa AI bukan lagi sekadar komponen tambahan, melainkan inti dari sistem robotik modern yang menentukan batas-batas kemampuannya.

 

Keywords

Kecerdasan Buatan, Robotika, Machine Learning, Deep Learning, Visi Komputer, Reinforcement Learning, SLAM, Otonomi Robot.

References

Arkin, R. C. (2023). Bridging the Gap Between AI Ethics and Robotics: A Review of Current Frameworks. AI and Ethics, 3(4), 847-860.

Bachtiar, Y., & Hartanto, R. (2023). Implementasi Convolutional Neural Network (CNN) untuk Deteksi Objek pada Robot Bergerak. Jurnal Ilmu Komputer dan Informasi, 16(2), 123-134.

Bohg, J., & Kragic, D. (2023). A Review of Robot Learning for Manipulation: From Imitation to Reinforcement. Annual Review of Control, Robotics, and Autonomous Systems, 6, 121-145.

Cadena, C., et al. (2023). Past, Present, and Future of SLAM: Towards the Robust-Perception Age. IEEE Transactions on Robotics, 39(6), 4859-4892.

Dharmawan, A., & Putra, K. G. (2023). Pengenalan Perintah Suara Bahasa Indonesia untuk Kontrol Lengan Robot Menggunakan Recurrent Neural Network. Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 12(3), 250-258.

Finn, C., & Levine, S. (2023). Generalization in Deep Reinforcement Learning. Foundations and Trends in Machine Learning, 16(1-2), 1-158.

Gao, Y., & Lee, D. (2023). Explainable AI (XAI) for Robotic Systems: A Survey. ACM Transactions on Human-Robot Interaction, 12(3), Article 25.

Gu, S., & Todorov, E. (2023). End-to-End Training of Deep Visuomotor Policies. Journal of Machine Learning Research, 24, 1-45.

Handoko, S. (2023). Arsitektur Komputasi Tepi (Edge Computing) untuk Pemrosesan AI Real-time pada Robot. Jurnal Jaringan Cerdas dan Terdistribusi, 5(1), 1-11.

Kober, J., & Peters, J. (2023). Reinforcement Learning in Robotics: A Survey. International Journal of Robotics Research, 42(8-10), 645-670.

Kurniadi, D. (2023). Sistem Penalaran Berbasis Logika Fuzzy untuk Navigasi Robot dalam Lingkungan Dinamis. Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), 9(2), 210-221.

LeCun, Y., & Bengio, Y. (2023). The Future of AI: Self-Supervised Learning and World Models. Communications of the ACM, 66(11), 78-80.

Liu, H., & Sun, F. (2023). Adversarial Attacks and Defenses in Robotic Perception Systems. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(7), 8945-8962.

Prabowo, H. (2023). Fusi Sensor Multi-modal (Kamera, LiDAR, IMU) untuk Peningkatan Akurasi Persepsi Robot. Jurnal Otomasi, Kontrol, dan Instrumentasi, 15(2), 101-112.

Schmidhuber, J. (2023). The 2010s: Our Decade of Deep Learning / Outlook on the 2020s. AI Magazine, 44(1), 55-75.

Sukkar, M., & El-Khoury, S. (2023). Natural Language Interaction with Robots: A Review of Methods and Challenges. Robotics and Autonomous Systems, 168, 104489.

Sutanto, G., & Schaal, S. (2023). Learning Robot Dynamics with Generative Adversarial Networks. IEEE Robotics and Automation Letters, 8(5), 2845-2852.

Thrun, S. (2023). The Role of Probabilistic Models in Robotics. KI - Künstliche Intelligenz, 37(2), 159-165.

Wibisono, A. (2023). Optimasi Trajektori Robot Manipulator Menggunakan Algoritma Genetika. Jurnal Rekayasa Mesin, 24(1), 95-104.

Zhang, T., & Liu, Y. (2023). Multi-Robot Collaboration and Task Allocation Using Deep Reinforcement Learning. Autonomous Robots, 47(6), 749-765.

Refbacks

  • There are currently no refbacks.