digilib@itb.ac.id +62 812 2508 8800

DIALOG FLEKSIBEL ANTARA MANUSIA DAN ROBOT DENGAN REINFORCEMENT LEARNING

Penulis : Binashir Rofi'ah [23218113]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Carmadi Machbub
  • Hanif Fakhrurroja, S.Si., MT.
Jenis Koleksi : Tesis
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : Knowledge Growing, Interaksi Manusia-Robot, Manajemen Dialog, Reinforcement Learning, Robot Asisten
Sumber :
Staf Input/Edit : karya  
File : 4 file
Tanggal Input : 14 Sep 2020

Cover
PUBLIC karya
Abstrak dan Abstract
PUBLIC karya
Lembar Pengesahan
PUBLIC karya
Tesis
PUBLIC karya

Dialog telah banyak digunakan untuk komunikasi verbal antara manusia dengan robot. Salah satunya adalah robot asisten rumah sakit. Namun, seringkali robot ini dibatasi kendala dialog yang sudah terskenario sedemikian rupa, sehingga akan sulit memahami kata-kata baru untuk tujuan baru yang diinginkan. Dalam karya tulis ini dibahas percakapan tentang hiburan, motivasi, kedaruratan, dan permintaan bantuan dengan pengembangan pengetahuan. Metode pemrosesan bahasa alami digunakan untuk mencari kata unik serta memroses kata baru yang tidak diketahui robot. Kata tersebut disebut sebagai pengetahuan baru lalu ditambahkan ke dalam basis data/tabel-Q awal. Kemudian, dilakukan pembelajaran dengan Reinforcement Learning untuk mendapatkan hubungan antara basis data lama dan pengetahuan yang baru masuk, metode yang digunakan adalah Q-Learning dan SARSA. Untuk menghibur pasien, kami menyediakan pemutaran audio berekstensi mp3 dengan kategori musik, dongeng, komedi dan motivasi. Dari hasil permintaan pemutaran diketahui waktu eksekusi rata-rata adalah 3.74 ms. Dalam keadaan darurat, pasien dapat meminta robot untuk memanggilkan perawat, dan robot merekam serta mencatat keluhan pada basis data. Dari tujuh keluhan yang diberikan pada robot, kesemuanya dapat direkam dilengkapi dengan waktu yang sesuai pada saat keluhan diajukan. Pada percakapan permintaan bantuan, robot akan mengambil barang yang diinginkan pasien. Apabila permintaan tersebut tidak ada, robot akan bertanya hingga mendapat pengetahuan untuk mengeksekusi permintaan baru yang kemudian disimpan dan dieksekusi ketika permintaan tersebut diajukan kembali. Dari pengetahuan yang mulanya hanya 2 dapat berkembang menjadi 10 pengetahuan. Eksekusi pembelajaran berkisan antara 1500 ms hingga 3500 ms. QLearning membutuhkan waktu lebih lama daripada SARSA, namun keduanya mencapai objek yang diinginkan dalam 200 episode. Dapat disimpulkan bahwa metode mengatasi keterbatasan pengetahuan robot dalam mencapai tujuan dialog baru untuk robot asisten pasien telah dapat dirumuskan.

Artikel Terkait