Sistem Cerdas dan Artificial Intelligence dalam Era Revolusi Industri 5.0

1. Pendahuluan

Perkembangan teknologi komputasi dalam beberapa dekade terakhir telah melahirkan sistem yang mampu meniru sebagian kemampuan kognitif manusia. Sistem tersebut dikenal sebagai Sistem Cerdas (Intelligent Systems) dan salah satu implementasi terpentingnya adalah Artificial Intelligence (AI).

Kemunculan teknologi ini setelah Revolusi Industri 4.0 yang menekankan otomatisasi berbasis data dan Internet of Things (IoT), Konsep ini diperkenalkan oleh European Commission sekitar tahun 2021 sebagai evolusi dari World Economic Forum. Dunia kini memasuki Revolusi Industri 5.0, yang menempatkan kolaborasi antara manusia dan mesin sebagai inti inovasi teknologi.

Dalam konteks ini, sistem cerdas dan AI tidak hanya bertujuan meningkatkan efisiensi produksi, tetapi juga mengoptimalkan kesejahteraan manusia, keberlanjutan lingkungan, serta pengambilan keputusan yang lebih adaptif dan kontekstual.

2. Konsep Sistem Cerdas

2.1 Definisi Sistem Cerdas

Sistem cerdas (Intelligent Systems) adalah sistem komputasi yang dirancang untuk meniru kemampuan kognitif manusia, seperti memahami informasi, belajar dari pengalaman, mengambil keputusan, dan beradaptasi terhadap perubahan lingkungan. Sistem ini memanfaatkan berbagai teknologi seperti Artificial Intelligence, machine learning, pemrosesan data, dan algoritma penalaran untuk memecahkan masalah secara otomatis dan efisien.

Menurut konsep Intelligent Agent yang dijelaskan oleh Stuart Russell dan Peter Norvig dalam buku Artificial Intelligence: A Modern Approach, sistem cerdas dapat dipandang sebagai agen yang mampu merasakan lingkungan (perception) dan bertindak (action) untuk mencapai tujuan tertentu secara rasional.

Dengan kata lain, sistem cerdas tidak hanya menjalankan perintah statis seperti program komputer tradisional, tetapi memiliki kemampuan untuk memproses informasi, belajar dari pengalaman, serta menyesuaikan perilakunya sesuai dengan kondisi lingkungan.

Gambar 1. Keterkaitan antara system cerdas dan AI pada Industrial 5.0 (Digambar oleh Copilot).

Sistem cerdas memiliki beberapa kemampuan utama yang membedakannya dari sistem komputasi konvensional. Kemampuan tersebut meliputi:

Memahami Lingkungan (Perception)

Sistem cerdas mampu mengamati dan memahami kondisi lingkungan di sekitarnya melalui berbagai sumber data, seperti sensor, kamera, mikrofon, atau database.

Contoh:

• mobil otonom mengenali jalan dan kendaraan lain.

• sistem keamanan mendeteksi wajah manusia.

• sensor IoT memonitor kondisi suhu atau kelembaban.

Melalui proses persepsi ini, sistem memperoleh data mentah dari lingkungan yang kemudian diproses menjadi informasi yang bermakna.

Belajar dari Data (Learning)

Salah satu ciri utama sistem cerdas adalah kemampuannya untuk belajar dari data atau pengalaman sebelumnya. Dengan menggunakan teknik machine learning, sistem dapat menemukan pola dalam data dan meningkatkan kinerjanya seiring waktu.

Sebagai contoh:

• sistem rekomendasi belajar dari riwayat pengguna.

• AI medis belajar dari ribuan citra radiologi.

• algoritma pengenalan wajah belajar dari dataset gambar manusia.

Kemampuan belajar ini membuat sistem cerdas tidak bergantung sepenuhnya pada aturan yang diprogram secara manual.

Mengambil Keputusan (Reasoning and Decision Making)

Sistem cerdas mampu menarik kesimpulan dan mengambil keputusan berdasarkan informasi yang tersedia. Proses ini melibatkan mekanisme penalaran seperti logika, probabilitas, atau model matematika.

Contoh keputusan yang dilakukan sistem cerdas:

• menentukan diagnosis penyakit berdasarkan gejala.

• memilih jalur tercepat pada sistem navigasi.

• mengatur lampu lalu lintas berdasarkan kepadatan kendaraan.

Kemampuan penalaran memungkinkan sistem untuk memilih tindakan yang paling rasional untuk mencapai tujuan tertentu.

Beradaptasi terhadap Perubahan (Adaptation)

Lingkungan dunia nyata bersifat dinamis dan sering berubah. Oleh karena itu, sistem cerdas harus mampu beradaptasi dengan kondisi baru.

Contoh adaptasi dalam sistem cerdas:

• robot menyesuaikan gerakan ketika ada rintangan baru.

• sistem energi pintar menyesuaikan penggunaan listrik berdasarkan permintaan.

• algoritma perdagangan saham menyesuaikan strategi berdasarkan perubahan pasar.

Kemampuan adaptasi ini membuat sistem cerdas lebih fleksibel dan tangguh dalam menghadapi situasi yang tidak pasti.

Menurut (Russell & Norvig, 2021) dalam buku Artificial Intelligence: A Modern Approach, sistem cerdas adalah sistem yang:

"perceives its environment and takes actions that maximize its chances of achieving goals."

Dengan kata lain, sistem cerdas merupakan sistem yang mengintegrasikan persepsi, pembelajaran, penalaran, dan aksi.

2.2 Komponen Sistem Cerdas

Secara umum sistem cerdas terdiri dari beberapa komponen utama:

1. Persepsi (Perception)

Persepsi (Perception) merupakan salah satu komponen utama dalam sistem cerdas yang berfungsi untuk mengumpulkan dan memperoleh informasi dari lingkungan. Proses ini dilakukan melalui berbagai perangkat sensor yang memungkinkan sistem komputer memahami kondisi dunia nyata. Sensor dapat berupa kamera untuk menangkap gambar atau video, mikrofon untuk mendeteksi suara, sensor suhu untuk mengukur temperatur, serta sensor jarak seperti lidar atau radar untuk mendeteksi objek di sekitarnya. Data yang diperoleh dari sensor biasanya masih berupa data mentah, sehingga sistem perlu melakukan proses awal seperti penyaringan (filtering), pengurangan noise, dan pengolahan sinyal agar data tersebut dapat digunakan dalam proses analisis selanjutnya.

Dalam sistem cerdas modern, persepsi tidak hanya berfungsi sebagai alat pengumpulan data, tetapi juga sebagai tahap awal dalam memahami lingkungan secara kontekstual. Data yang diperoleh dari sensor akan diproses menggunakan teknik seperti pengolahan citra, pengenalan pola, atau analisis sinyal untuk menghasilkan informasi yang lebih bermakna. Informasi ini kemudian digunakan oleh komponen lain dalam sistem cerdas, seperti representasi pengetahuan dan penalaran, untuk membantu sistem mengambil keputusan yang tepat. Oleh karena itu, kualitas proses persepsi sangat menentukan kinerja keseluruhan sistem cerdas, karena kesalahan dalam tahap ini dapat mempengaruhi proses analisis dan keputusan yang dihasilkan oleh sistem.

Contoh:

• kamera (computer vision)

• sensor suhu

• sensor lidar

• mikrofon

2. Representasi Pengetahuan (Knowledge Representation)

Representasi Pengetahuan (Knowledge Representation) merupakan komponen dalam sistem cerdas yang berfungsi untuk menyimpan dan mengorganisasi informasi dalam bentuk struktur yang dapat diproses oleh komputer. Pengetahuan yang berasal dari data atau pengalaman tidak disimpan secara bebas, tetapi disusun menggunakan model representasi tertentu agar dapat dipahami dan dimanipulasi oleh sistem(Kataikova & Novickis, 2018; Sarker, 2022). Salah satu metode yang digunakan adalah ontology, yaitu model konseptual yang mendefinisikan konsep, kategori, serta hubungan antar konsep dalam suatu domain pengetahuan. Ontology membantu sistem memahami struktur pengetahuan secara sistematis, misalnya hubungan antara entitas seperti manusia, mahasiswa, dan universitas(Gandon, 2002; Kim, 2012). Metode lain adalah semantic network, yaitu representasi pengetahuan dalam bentuk jaringan graf yang terdiri dari node (konsep atau objek) dan edge (hubungan antar konsep). Dengan struktur ini, sistem dapat menggambarkan hubungan logis antar objek, seperti hubungan “is-a” atau “part-of”(Chen et al., 2012; Tekli et al., 2016).

Selain itu, metode modern yang banyak digunakan dalam sistem cerdas adalah knowledge graph, yaitu representasi pengetahuan berbasis graf yang menghubungkan berbagai entitas dan relasi secara luas dalam suatu basis data pengetahuan. Knowledge graph memungkinkan sistem untuk mengintegrasikan berbagai sumber informasi dan menemukan hubungan baru antar data yang sebelumnya tidak terlihat(Hur et al., 2021; Kejriwal, 2019). Teknologi ini banyak digunakan dalam mesin pencari, sistem rekomendasi, serta analisis data skala besar(Rao et al., 2022; Sellami et al., 2024). Dengan menggunakan metode ontology, semantic network, dan knowledge graph, sistem cerdas dapat menyimpan pengetahuan secara terstruktur, menghubungkan informasi, serta mendukung proses penalaran dan pengambilan keputusan secara lebih efektif.

3. Penalaran (Reasoning)

Penalaran (Reasoning) merupakan kemampuan dalam sistem cerdas untuk menarik kesimpulan atau menghasilkan keputusan berdasarkan data dan pengetahuan yang tersedia. Proses ini memungkinkan sistem untuk menganalisis informasi yang telah disimpan dalam basis pengetahuan dan menggunakannya untuk memecahkan masalah atau menentukan tindakan yang tepat(Wicaksono & Nata, 2023; Zhao et al., 2023). Salah satu teknik yang sering digunakan adalah rule-based system, yaitu metode penalaran yang menggunakan aturan logika berbentuk IF–THEN. Dalam pendekatan ini, sistem mencocokkan fakta yang ada dengan aturan yang tersimpan dalam basis pengetahuan untuk menghasilkan kesimpulan(Mulyani et al., 2017; Rakhmawati et al., 2018). Teknik ini banyak digunakan dalam sistem pakar, misalnya dalam diagnosis medis atau sistem konsultasi teknis(Mulyani et al., 2017).

Selain itu, sistem cerdas juga dapat menggunakan probabilistic reasoning dan fuzzy logic untuk menangani situasi yang mengandung ketidakpastian atau informasi yang tidak lengkap. Probabilistic reasoning menggunakan konsep probabilitas untuk memperkirakan kemungkinan suatu kejadian berdasarkan bukti yang tersedia, sehingga sistem dapat mengambil keputusan yang paling mungkin benar. Sementara itu, fuzzy logic digunakan untuk memproses informasi yang bersifat tidak pasti atau tidak tegas, seperti konsep “panas”, “dingin”, atau “tinggi”, yang tidak dapat dijelaskan secara biner. Dengan menggabungkan teknik rule-based system, probabilistic reasoning, dan fuzzy logic, sistem cerdas dapat melakukan proses penalaran yang lebih fleksibel, adaptif, dan mendekati cara manusia dalam membuat keputusan(Liu et al., 2016; Maseleno et al., 2015).

4. Pembelajaran (Learning).

Pembelajaran (Learning) dalam sistem cerdas merupakan kemampuan sistem untuk meningkatkan performa atau kinerjanya berdasarkan pengalaman atau data yang diperoleh sebelumnya. Melalui proses pembelajaran, sistem tidak hanya menjalankan aturan yang telah diprogram secara statis, tetapi mampu menemukan pola dan hubungan dalam data sehingga dapat memperbaiki hasil prediksi atau keputusan secara bertahap(Munawar et al., 2023; Oladipupo, 2010). Salah satu pendekatan yang paling umum adalah machine learning, yaitu metode yang memungkinkan komputer mempelajari pola dari data menggunakan algoritma statistik dan matematika. Dengan teknik ini, sistem dapat melakukan berbagai tugas seperti klasifikasi, prediksi, atau pengenalan pola tanpa harus diprogram secara eksplisit untuk setiap kemungkinan kondisi(Black et al., 2022; Munawar et al., 2023).

Selain itu, terdapat metode pembelajaran yang lebih spesifik seperti reinforcement learning dan deep learning. Reinforcement learning merupakan teknik pembelajaran di mana sistem belajar melalui proses interaksi dengan lingkungan dengan menerima umpan balik berupa reward atau punishment dari setiap tindakan yang dilakukan. Metode ini banyak digunakan pada robotika, sistem navigasi, dan kecerdasan permainan. Sementara itu, deep learning merupakan pengembangan dari machine learning yang menggunakan jaringan saraf tiruan berlapis (deep neural networks) untuk mempelajari pola yang sangat kompleks dari data besar, seperti pengenalan wajah, pengolahan bahasa alami, dan analisis citra. Dengan memanfaatkan berbagai algoritma pembelajaran tersebut, sistem cerdas dapat terus berkembang, meningkatkan akurasi, serta beradaptasi dengan perubahan lingkungan atau data baru.

3. Artificial Intelligence sebagai Inti Sistem Cerdas

Artificial Intelligence (AI) merupakan inti dari sistem cerdas karena menyediakan metode, algoritma, dan model komputasi yang memungkinkan mesin melakukan fungsi yang biasanya memerlukan kecerdasan manusia. Melalui teknologi AI, sistem dapat melakukan proses seperti memahami data dari lingkungan, mengenali pola, melakukan penalaran, serta mengambil keputusan secara otomatis(Kurniawan et al., 2023). AI bekerja dengan memanfaatkan berbagai pendekatan seperti machine learning, pemrosesan bahasa alami (natural language processing), pengolahan citra (computer vision), dan sistem penalaran berbasis pengetahuan(Ahammed et al., 2022). Dengan kemampuan tersebut, AI menjadi pusat penggerak dalam sistem cerdas karena menghubungkan berbagai komponen seperti persepsi, representasi pengetahuan, penalaran, dan pembelajaran sehingga sistem dapat bekerja secara adaptif dan efisien.

Dalam perkembangannya, Artificial Intelligence diterapkan pada berbagai platform teknologi, mulai dari perangkat komputasi tradisional hingga sistem digital modern. AI digunakan pada platform seperti komputasi awan (cloud computing) untuk analisis data skala besar, perangkat mobile untuk asisten virtual dan pengenalan wajah, serta sistem Internet of Things (IoT) untuk mengolah data sensor secara otomatis. Selain itu, AI juga banyak digunakan dalam robotika, sistem kendaraan otonom, smart city, dan sistem industri cerdas yang merupakan bagian penting dari transformasi digital pada era Revolusi Industri modern. Dengan integrasi AI dalam berbagai platform tersebut, sistem cerdas dapat beroperasi secara lebih adaptif, responsif, dan mampu memberikan solusi yang lebih efektif terhadap berbagai permasalahan di dunia nyata.

Bidang AI meliputi:

Menurut MIT Artificial Intelligence Laboratory, AI merupakan:

“the science and engineering of making intelligent machines.”

Dengan demikian, dapat disimpulkan:

AI adalah teknologi utama yang memungkinkan sistem cerdas bekerja secara otonom dan adaptif.

4. Revolusi Industri 5.0.

4.1 Konsep Industri 5.0.

Konsep Industry 5.0 pertama kali dipopulerkan oleh (2021) melalui laporan:

Industry 5.0: Towards a Sustainable, Human-Centric and Resilient European Industry.

Konsep Industri 5.0 menekankan tiga prinsip utama yaitu human-centric, sustainability, dan resilience sebagai dasar dalam pengembangan sistem industri modern. Prinsip human-centric menempatkan manusia sebagai pusat dari penggunaan teknologi, sehingga teknologi seperti robotika, Artificial Intelligence, dan sistem otomatisasi dirancang untuk mendukung dan meningkatkan kemampuan manusia, bukan menggantikannya sepenuhnya. Dalam pendekatan ini, kolaborasi antara manusia dan mesin menjadi sangat penting, misalnya melalui penggunaan robot kolaboratif (cobots) yang membantu pekerja dalam proses produksi, meningkatkan keselamatan kerja, serta memperbaiki kualitas hasil produksi(Yitmen & Almusaed, 2024). Dengan demikian, teknologi digunakan untuk menciptakan lingkungan kerja yang lebih produktif, aman, dan berorientasi pada kesejahteraan manusia.

Selain itu, prinsip sustainability menekankan pentingnya sistem industri yang ramah lingkungan dan efisien dalam penggunaan sumber daya, seperti energi, bahan baku, dan air. Teknologi digital dan sistem cerdas digunakan untuk mengoptimalkan proses produksi sehingga dapat mengurangi limbah, emisi karbon, dan konsumsi energi. Sementara itu, prinsip resilience berkaitan dengan kemampuan sistem industri untuk bertahan, beradaptasi, dan pulih dengan cepat terhadap perubahan atau gangguan, seperti krisis ekonomi, gangguan rantai pasok, maupun bencana global. Dengan memanfaatkan teknologi seperti Artificial Intelligence, Internet of Things, dan analisis data, sistem industri dapat memonitor kondisi secara real-time, melakukan prediksi risiko, serta menyesuaikan proses operasional secara cepat sehingga industri menjadi lebih tangguh dan berkelanjutan(Ghobakhloo et al., 2024).

Dengan demikian, manusia tidak lagi digantikan mesin, tetapi bekerja bersama AI.

4.2 Peran AI dalam Industri 5.0.

Artificial Intelligence (AI) memiliki peran penting dalam Industri 5.0 karena berfungsi sebagai “otak digital” yang mengendalikan, menganalisis, dan mengoptimalkan berbagai proses dalam sistem industri modern. AI mampu mengolah data yang sangat besar yang berasal dari sensor, perangkat Internet of Things (IoT), dan sistem produksi digital untuk menghasilkan keputusan yang cepat dan akurat. Dalam konteks smart manufacturing, AI digunakan untuk berbagai fungsi penting seperti predictive maintenance, yaitu memprediksi kerusakan mesin sebelum terjadi sehingga dapat mengurangi downtime produksi; quality inspection, yaitu pemeriksaan kualitas produk secara otomatis menggunakan teknologi visi komputer; serta demand forecasting, yaitu memprediksi permintaan pasar berdasarkan analisis data historis dan tren ekonomi. Beberapa perusahaan global yang telah menerapkan teknologi ini antara lain Siemens, Bosch, dan Tesla, yang menggunakan AI untuk meningkatkan efisiensi produksi dan kualitas produk. Selain itu, Industri 5.0 juga menekankan human–robot collaboration, yaitu kolaborasi antara manusia dan robot kolaboratif (cobots). Robot jenis ini dapat bekerja berdampingan dengan manusia untuk melakukan tugas seperti robot perakitan di pabrik, robot medis dalam operasi bedah, dan robot logistik dalam gudang otomatis. Berdasarkan laporan industri tahun 2023, penggunaan cobot di sektor manufaktur meningkat lebih dari 20% per tahun, menunjukkan meningkatnya kebutuhan akan kolaborasi manusia dan mesin dalam sistem industri modern.

Selain itu, teknologi penting lainnya dalam Industri 5.0 adalah digital twin, yaitu representasi digital dari sistem fisik yang diperbarui secara real-time menggunakan data sensor. Teknologi ini memungkinkan simulasi dan analisis sistem kompleks sebelum diterapkan di dunia nyata(Ardebili et al., 2024). Contoh penggunaan digital twin antara lain simulasi kota pintar, simulasi proses produksi pabrik, dan simulasi sistem pesawat terbang. Teknologi ini dikembangkan dan digunakan oleh organisasi seperti NASA, serta perusahaan industri seperti Siemens dan General Electric. Secara konseptual, hubungan antara data, AI, sistem cerdas, dan Industri 5.0 dapat digambarkan sebagai alur: Data → AI → Sistem Cerdas → Kolaborasi Manusia–Mesin → Industry 5.0. Data diperoleh dari sensor, IoT, dan sistem digital; kemudian AI memproses data menggunakan algoritma pembelajaran; selanjutnya sistem cerdas melakukan analisis dan pengambilan keputusan; dan akhirnya manusia serta mesin bekerja bersama dalam sistem industri yang lebih adaptif. Ke depan, perkembangan sistem cerdas diperkirakan akan mengarah pada teknologi seperti Artificial General Intelligence (AGI) yang memiliki kemampuan kognitif mendekati manusia, Explainable AI (XAI) yang membuat keputusan AI lebih transparan, Edge AI yang memproses data langsung pada perangkat seperti smartphone, drone, dan kendaraan otonom, serta Green AI yang lebih hemat energi untuk mendukung keberlanjutan. Selain itu, konsep collective intelligence akan mendorong kolaborasi antara manusia, AI, dan jaringan sistem digital dalam berbagai aplikasi seperti smart city, transportasi otonom, dan sistem pemantauan iklim global. Namun demikian, pengembangan sistem cerdas juga menghadapi berbagai tantangan, antara lain etika AI seperti bias algoritma dan privasi data, konsumsi energi tinggi pada pelatihan model AI besar yang dapat menghasilkan emisi karbon signifikan (Strubell et al., 2019), serta ancaman keamanan sistem seperti adversarial attack, manipulasi data, dan potensi penggunaan AI dalam konflik siber (cyber warfare).

8. Kesimpulan

Sistem cerdas merupakan integrasi teknologi komputasi yang memungkinkan mesin memahami lingkungan, belajar dari data, dan mengambil keputusan secara adaptif. Artificial Intelligence merupakan teknologi inti yang memungkinkan sistem cerdas berfungsi secara efektif.

Dalam konteks Revolusi Industri 5.0, AI dan sistem cerdas tidak hanya digunakan untuk otomatisasi, tetapi juga untuk menciptakan kolaborasi yang harmonis antara manusia dan mesin. Masa depan pengembangan sistem cerdas diperkirakan akan melibatkan teknologi seperti AGI, Explainable AI, Edge AI, dan Green AI.

Dengan perkembangan tersebut, sistem cerdas berpotensi menjadi fondasi utama dalam pembangunan industri, kota pintar, layanan kesehatan, dan sistem sosial yang lebih berkelanjutan.

Referensi Internasional

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.

(2021). Industry 5.0: Towards a Sustainable, Human-Centric and Resilient European Industry.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Gartner Research (2024). Edge AI Market Forecast.

International Federation of Robotics (2023). World Robotics Report.

Mitchell, T. (1997). Machine Learning. McGraw Hill.

Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. University of Massachusetts.

Pustaka

Ahammed, M., Mamun, Md. A., & Uddin, M. S. (2022). A machine learning approach for skin disease detection and classification using image segmentation. Healthcare Analytics, 2, 100122. https://doi.org/10.1016/j.health.2022.100122.

Ardebili, A. A., Zappatore, M., Ramadan, A., Longo, A., & Ficarella, A. (2024). Digital Twins of smart energy systems: a systematic literature review on enablers, design, management and computational challenges. Energy Informatics, 7(1). https://doi.org/10.1186/s42162-024-00385-5.

Black, J., Kueper, J. K., & Williamson, T. (2022). An introduction to machine learning for classification and prediction. Family Practice, 40(1), 200. https://doi.org/10.1093/fampra/cmac104.

Chen, P., Ding, W., & García, W. B. (2012). Adaptive Study Design Through Semantic Association Rule Analysis. In IGI Global eBooks (p. 132). IGI Global. https://doi.org/10.4018/978-1-4666-2651-5.ch010.

European Commission. (2021). Industry 5.0: Towards a Sustainable, Human-Centric and Resilient European Industry.

Gandon, F. (2002). Distributed Artificial Intelligence And Knowledge Management: Ontologies And Multi-Agent Systems For A Corporate Semantic Web. HAL (Le Centre Pour La Communication Scientifique Directe). https://theses.hal.science/tel-00378201.

Ghobakhloo, M., Iranmanesh, M., Fathi, M., Rejeb, A., Foroughi, B., & Nikbin, D. (2024). Beyond Industry 4.0: a systematic review of Industry 5.0 technologies and implications for social, environmental and economic sustainability [Review of Beyond Industry 4.0: a systematic review of Industry 5.0 technologies and implications for social, environmental and economic sustainability]. Asia-Pacific Journal of Business Administration. Emerald Publishing Limited. https://doi.org/10.1108/apjba-08-2023-0384.

Hur, A., Janjua, N. K., & Ahmed, M. (2021). A Survey on State-of-the-art Techniques for Knowledge Graphs Construction and Challenges ahead. 99. https://doi.org/10.1109/aike52691.2021.00021.

Kataikova, S., & Novickis, L. (2018). Choice of Knowledge Representation Model for Development of Knowledge Base: Possible Solutions. International Journal of Advanced Computer Science and Applications, 9(2). https://doi.org/10.14569/ijacsa.2018.090249.

Kejriwal, M. (2019). What Is a Knowledge Graph? In SpringerBriefs in computer science (p. 1). Springer Nature. https://doi.org/10.1007/978-3-030-12375-8_1.

Kim, J.-A. (2012). Understanding Knowledge Representation in the Knowledge Management Environment: Evaluation of Ontology Visualization Methods. KNOWLEDGE ORGANIZATION, 39(3), 193. https://doi.org/10.5771/0943-7444-2012-3-193.

Kurniawan, M. H., Handiyani, H., Nuraini, T., & Hariyati, Rr. T. S. (2023). Artificial Intelligence (AI) in Nursing Services: A Literature Review [Review of Artificial Intelligence (AI) in Nursing Services: A Literature Review]. Faletehan Health Journal, 10(1), 77. https://doi.org/10.33746/fhj.v10i01.556.

Liu, H., Gegov, A., & Cocea, M. (2016). Rule-based systems: a granular computing perspective. Granular Computing, 1(4), 259. https://doi.org/10.1007/s41066-016-0021-6.

Maseleno, A., Hasan, Md. M., & Tuah, N. (2015). Combining Fuzzy Logic and Dempster-Shafer Theory. TELKOMNIKA Indonesian Journal of Electrical Engineering, 16(3), 583. https://doi.org/10.11591/tijee.v16i3.1651.

Mulyani, E. D. S., Uryani, N. S., & Putri, F. V. (2017). Aplikasi Pakar Diagnosa Anak Berkebutuhan Khusus Dengan Metode Backward Chaining. Techno Com,16(3), 300. https://doi.org/10.33633/tc.v16i3.1406.

Munawar, Z., Soerjono, H., Putri, N. I., Hernawati, H., & Dwijayanti, A. (2023). Manfaat Kecerdasan Buatan ChatGPT Untuk Membantu Penulisan Ilmiah. TEMATIK, 10(1), 54. https://doi.org/10.38204/tematik.v10i1.1291.

Oladipupo, T. (2010). Machine Learning Overview. In InTech eBooks. https://doi.org/10.5772/9374.

Rakhmawati, N. A., Budi, A. S., Altetiko, F. J., Ramadhani, F., Wardati, N. K., & Hindrayani, K. M. (2018). Penentuan Prioritas Pengambilan Pesanan Barang Oleh Angkutan Kota dengan Metode Rule-Based System. JURNAL SISTEM INFORMASI BISNIS, 8(2), 195. https://doi.org/10.21456/vol8iss2pp195-202.

Rao, D. J., Mane, S. S., & Paliwal, M. A. (2022). Biomedical Multi-hop Question Answering Using Knowledge Graph Embeddings and Language Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2211.05351..

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.

Sarker, I. H. (2022). AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems [Review of AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems]. SN Computer Science, 3(2), 158. Springer Nature. https://doi.org/10.1007/s42979-022-01043-x.

Sellami, D., Inoubli, W., Farah, I. R., & Aridhi, S. (2024). Knowledge graph representation learning: A comprehensive and experimental overview. Computer Science Review, 56, 100716. https://doi.org/10.1016/j.cosrev.2024.100716.

Tekli, J., Charbel, N., & Chbeir, R. (2016). Building Semantic Trees from XML Documents. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3199221.

Wicaksono, D., & Nata, I. A. (2023). Application of Expert System Identification of Horticultural Plant Diseases with Certainty Factor and Forward Chaining for Smart Village Concept Development. Telematika, 20(1), 63. https://doi.org/10.31315/telematika.v20i1.9358.

Yitmen, ., & Almusaed, A. (2024). Synopsis of Industry 5.0 Paradigm for Human-Robot Collaboration. In Artificial intelligence. IntechOpen. https://doi.org/10.5772/intechopen.1005583.

Zhao, J., Yong-qing, C., Peng-da, Z., & Junhua, K. (2023). Application of the improved Probabilistic Fuzzy Logic Inference Engine Model to evaluate Mineralization Prospectivity - Taking the Gejiu region of Yunnan, China as an example. Research Square (Research Square). https://doi.org/10.21203/rs.3.rs-3603112/v1.

Biodata penulis :

Oscar Hadikaryana adalah Dosen Teknik Informatika di Universitas Kebangsaan Republik Indonesia Bandung, memiliki kemampuan dalam beberapa bidang teknis seperti pemrograman komputer (misalnya Python, C++, Java, Assembler dan bahasa pemrograman lain), pengembangan sistem berbasis data, analisis algoritma, serta penerapan machine learning dan sistem cerdas. Selain itu, ia juga memiliki kemampuan dalam perancangan arsitektur sistem digital, pengolahan citra, Internet of Things (IoT), Robotik serta pengembangan aplikasi berbasis embedded systems, web atau sistem informasi. Kombinasi antara kemampuan teknis dan pengalaman akademik tersebut mendukung perannya dalam mengembangkan inovasi teknologi, meningkatkan kualitas pendidikan informatika, serta mendorong pemanfaatan teknologi cerdas dalam berbagai sektor.

Pengalaman diluar pekerjaan sebagai dosen Informatika.

1. TECHNICAL 1, SINOCA/AT&T CONSUMER PRODUCT INDONESIA, BATAM, 1995

2. COOPERATING TEACHER, 2-ND BATCH SEA-TVET STUDENT INTERNSHIP EXCHANGE PROGRAMME, SEAMEO, BANDUNG, 2018

3. FIELD ENGINEERING & ESTIMATION, EA SHOWA PLANT, PT. PROMITS, CILEGON-JAKARTA, 1997 -2000

4. PIPING ENGINEERING, GERSIK OCTANOL PLANT, PT. PROMITS, GRESIK, 1997

5. SUPPORT SUPERVISOR, SENTRA MEKANINDO, DEPOK, 2000- 2002

6. TENAGA AHLI, PENYUSUNAN INFORMATION TECHNOLOGY MASTER PLAN PT. BIO-FARMA, BANDUNG, 2017

(Red)