Kamis, 24 Maret 2016

PEMANFAATAN KECERDASAN BUATAN

     Di dalam ilmu komputer, banyak ahli yang berkonsentrasi pada pengembangan kecerdasan buatan atau Artificial Intelligence (AI).Banyak implementasi kecerdasan buatan dalam bidang komputer, antara lain adalah Decision Support System (Sistem Pendukung Keputusan), Robotic, Natural Language (Bahasa Alami), Neural Network (Jaringan Saraf) dan lain-lain.Pengertian kecerdasan buatan yaitu suatu studi khusus di mana tujuannya adalah membuat komputer berpikir dan bertindak seperti manusia.Contoh bidang lain pengembangan kecerdasan buatan adalah sistem pakar yang menggabungkan pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal memerlukan keahlian manusia. Tujuan dari pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.

       Manfaat kecerdasan buatan yang diimplementasikan dalam pengembangan sistem pakar adalah :
Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang.
Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar.

     Meningkatkan produktivitas kerja, yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.Penghematan waktu dalam menyelesaikan masalah yang kompleks.Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.Pengetahuan dari seorang pakar dapat didokumentasikan tanpa ada batas waktu.Demikianlah ulasan tentang pengertian dan manfaat kecerdasan buatan. Mudah-mudahan dapat bermanfaat

Pemanfaatan Kecerdasan Buatan Pada Robot otomatis Industri
        Tak ada manusia yang berharap dunia di masa depan akan dikuasai oleh komputer atau AI (artificial intelligence, kecerdasan buatan) seperti dalam The Matrix atau film-film fiksi sains lainnya. Tapi anehnya, para ilmuwan komputer dan mind philosopher berlomba membuat mesin yang mampu berpikir seperti manusia. Riset-riset mereka didanai dan didukung oleh pihak yang dalam film fiksi sains Hollywood akan menjadi musuh utama AI: angkatan bersenjata Amerika Serikat.
 

       Menurut Marvin Minsky, ilmuwan komputer dan matematika yang membuat Laboratorium AI di MIT, setidaknya ada dua alasan kenapa para ilmuwan ingin mewujudkan mimpi ini. Pertama, kita yakin mesin cerdas akan berguna. Hal ini didasarkan atas pengalaman kita pada mesin-mesin yang lebih dulu diciptakan untuk meringankan pekerjaan otot manusia. "Begitu otot manusia digantikan oleh mesin pada revolusi industri pertama, otak manusia akan digantikannya pada revolusi kedua," kata Clive Sinclair, penemu dari Inggris. Kedua, ada "alasan negatif" di baliknya, yaitu kenyataan bahwa konsep tradisional psikologi tidak lagi mampu memberi jawaban terhadap misteri cara kerja otak. Psikologi eksperimental tak pernah lagi memberi jawaban yang meyakinkan terhadap soal-soal, seperti bagaimana manusia mengenali sesuatu? Bagaimana otak kita membuat keputusan? Bagaimana kita menciptakan ide baru? Bagaimana kita belajar dari pengalaman? Semua pertanyaan lain yang terkait dengan cara berpikir, berkesadaran, dan berperasaan.

     Sejak beberapa dekade terakhir ini, peran robot dalam industri maupun kehidupan sehari-hari semakin meningkat. Hampir tidak ada cabang industri teknologi tinggi yang tidak dibantu robot. Dalam kehidupan sehari-hari, berbagai bentuk robot diciptakan untuk membantu atau memudahkan aktivitas manusia. Tapi robot-robot yang dimaksud jangan dibayangkan bentuknya seperti robot dalam film.

       Banyak robot industrial yang bentuknya hanya seperti lengan mekanis. Atau robot rumah tangga untuk membersihkan lantai, yang bentuknya hanya seperti cakram.
Semakin canggih dan berbahaya pekerjaan di sebuah industri, pemanfaatan alat bantu robot makin tidak dapat dihindarkan. Misalnya saja robot pengelas di industri mobil, robot untuk mencari dan memusnahkan ranjau, robot di perusahaan pertambangan bawah tanah atau pengeboran minyak, serta robot yang bekerja menangani bahan kimia beracun dan berbahaya. Para ilmuwan bidang teknologi robotik menyebutkan, berbagai robot cerdas diciptakan untuk membuat pekerjaan tertentu menjadi lebih manusiawi.

       Kedengarannya ironis. Di satu sisi penggunaan robot akan mendesak lapangan kerja bagi manusia. Di sisi lainnya, ternyata pemanfaatan robot memang membuat pekerjaan menjadi lebih manusiawi. Misalnya saja di pabrik mobil. Sejak beberapa dekade terakhir, semakin banyak robot pengelas digunakan untuk menggantikan manusia. Seperti diungkapkan Hubert Grosser, kepala bagian Humas Institut Fraunhofer untuk teknik produksi dan otomatisasi di Stuttgart, pekerjaan mengelas body mobil tergolong pekerjaan tidak manusiawi. Teknisi hanya bekerja secara monoton dan rutin, mengelas bagian-bagian body, menjadi body mobil utuh. Begitu setiap hari, selama bertahun-tahun.Tentu saja sesuai perkembangan teknologi, semakin banyak robot yang cerdas dikembangkan. Dalam hal ini teknologi kecerdasan buatan memainkan peranan menentukan.

KECERDASAN BUATAN DALAM GAME UNTUK MERESPON EMOSI MENGGUNAKAN METODE FUZZY

  • Penelitian Emosi

            Jenis emosi seperti senang, sedih, marah, terkejut dan sebagainya telah dikenal sejak lama dan menjadi aspek yang penting dari perilaku manusia. Akan tetapi penerapan emosi belum banyak digunakan dalam interaksi manusia dan komputer, padahal emosi cenderung berperan dalam komunikasi antar manusia di kehidupan sehari-hari. Oleh karena itu sistem interaksi manusia dan komputer yang baik harus dapat mengenali, menginterpretasikan dan memproses emosi manusia.Penelitian di bidang emosi merupakan sebuah proses yang kompleks karena dapat berubah secara dinamis. Oleh karena itu, penelitian emosi yang berbasis teks banyak dilakukan dikarenakan bentuk teks relatif lebih sederhana dibandingkan bentuk lain seperti visual atau suara.

  • Emosi

         Emosi adalah bagian yang penting dalam aspek kecerdasan manusia, dan mempunyai peran yang penting dalam pengambilan keputusan yang dilakukan oleh seorang manusia. Penelitian tentang emosi telah banyak dilakukan, salah satunya oleh Parrot. Dalam penelitiannya, Eekman mendefinisikan jenis-jenis emosi dasar manusia sebanyak 6 (enam) jenis yaitu senang, sedih, marah, takut, terkejut, dan cinta.Dalam penelitian ini akan digunakan 4 jenis emosi yaitu senang, sedih, marah dan takut. Data diperoleh dari penelitian issear datablank. Data yang diperoleh berupa ungkapan-ungkapan dalam bahasa Inggris yang merepresentasikan suatu jenis emosi. Data tersebut kemudian diterjemahkan ke dalam Bahasa Indonesia. 

  • Atribut dalam Game

Pada penelitian ini akan dikembangkan metode untuk membangun elemen game yaitu NPC yang mampu merespon emosi dari teks berbahasa Indonesia. Respon yang dihasilkan dari NPC adalah perilaku yang sesuai dengan jenis emosi yang diberikan. Dalam sebuah game, perilaku NPC dipengaruhi oleh atribut fisik yang dimiliki oleh setiap karakter NPC. Mascharenhas dalam tulisannya menyebutkan atribut fisik pada karakter bermacam-macam sesuai dengan jenis game. Akan tetapi ada beberapa atribut standar yang selalu digunakan dalam game. Atribut tersebut adalah :

a.       Power yaitu kekuatan fisik karakter.
b.       Vitality yaitu jumlah nyawa karakter.
c.        Agility yaitu ketangkasan atau kelincahan karakter.
   
  
         Untuk menentukan respon dari NPC maka digunakan aturan-aturan yang mengatur hubungan sebab akibat antara jenis emosi dengan atribut NPC. Hubungan antara jenis emosi dengan atribut NPC ditunjukkan pada tabel 1 berikut ini :

   Tabel 1. Pengaruh emosi terhadap atribut NPC
Emosi
Power
Vitality
Agility
Senang
+
+
+
Sedih
-
-
-
Marah
+
-
-
Takut
-
-
+
 
            Pada tabel di atas tanda “+” menunjukkan emosi tersebut berpengaruh positif terhadap atribut NPC. Dengan kata lain nilai atribut dari NPC akan bertambah jika mendapat input emosi yang bertanda “+”. Demikian pula sebaliknya. 

PERBANDINGAN AI DENGAN PROGRAM KOMPUTER KONVESIONAL

Program komputer konvensional prosesnya berbasis algoritma, yakni formula matematis atau prosedur sekuensial yang mengarah kepada suatu solusi. Algoritma tersebut dikonversi ke program komputer yang memberitahu komputer secara pasti instruksi apa yang harus dikerjakan. Algoritma yang dipakai kemudian menggunakan data seperti angka, huruf, atau kata untuk menyelesaikan masalah.
Perangkat lunak AI berbasis representasi serta manipulasi simbolik. Di sini simbol tersebut berupa huruf, kata, atau angka yang merepresentasikan obyek, proses dan hubungan keduanya. Sebuah obyek bisa jadi seorang manusia, benda, pikiran, konsep, kejadian, atau pernyataan suatu fakta. Menggunakan simbol, kita dapat menciptakan basis pengetahuan yang berisi fakta, konsep, dan hubungan di antara keduanya. Kemudian beberapa proses dapat digunakan untuk memanipulasi simbol tersebut untuk menghasilkan nasehat atau rekomendasi untuk penyelesaian suatu masalah. Perbedaan dasar antara AI dengan program komputer konvensional diberikan dalam Tabel I-1.

Tabel I-1.  Perbandingan antara AI dan Program Konvensional
Aspek
AI
Program konvensional
Pemrosesan
Sebagian besar simbolik
Algoritmik
Input
Tidak harus lengkap
Harus lengkap
Pendekatan pencarian
Sebagian besar heuristik
Algoritma
Penjelasan/eksplanasi
Tersedia
Biasanya tidak tersedia
Fokus
Pengetahuan
Data
Pemeliharaan & peningkatan
Relatif mudah
Biasanya sulit
Kemampuan berpikir secara logis
Ada
Tidak ada

B. Cabang Kecerdasan Buatan
Pencarian. Program AI seringkali harus mengevaluasi kemungkinan yang jumlahnya banyak sekali, misalnya kemungkinan langkah dalam permainan catur atau penyimpulan dari program untuk membuktikan suatu teori.
Pengenalan Pola
Representasi, yakni bagaimana merepresentasikan/menuliskan fakta-fakta yang ada ke dalam simbul-simbul atau bahasa logika matematis.
Inferensi.
Pengetahuan dan penalaran yang masuk akal (common sense knowledge and reasoning).
Belajar dari pengalaman
Perencanaan. Program perencanaan bermula dari fakta-fakta umum (terutama fakta mengenai efek dari suatu aksi), fakta tentang situasi yang khusus, dan suatu pernyataan tentang tujuan. Dari sini kemudian dibuat sebuah strategi untuk mencapai tujuan tersebut. Secara umum, biasanya strategi tersebut berupa urut-urutan aksi.
Epistemologi, yakni studi tentang sumber, sifat, dan keterbatasan pengetahuan yang digunakan untuk pemecahan masalah.
Ontologi, ilmu tentang keberadaan dan realitas.
Heuristik, yaitu suatu cara atau teknik untuk mencoba menemukan suatu benda/ide.
C. Bidang Aplikasi Kecerdasan Buatan
Penerapan Kecerdasan Buatan meliputi berbagai bidang seperti ditunjukkan pada bagian akar pohon AI dalam Gambar I-1, antara lain: Bahasa/linguistik, Psikologi, Filsafat, Teknik Elektro, Ilmu Komputer, dan Ilmu Manajemen. Sedangkan sistem cerdas yang banyak dikembangkan saat ini adalah:
Sistem Pakar (Expert Systemi), yaitu program konsultasi (advisory) yang mencoba menirukan proses penalaran seorang pakar/ahli dalam memecahkan masalah yang rumit. Sistem Pakar merupakan aplikasi AI yang paling banyak. Lebih detil tentang Sistem Pakar akan diberikan dalam bab berikutnya.
 Pemrosesan Bahasa Alami (Natural Language Processing), yang memberi kemampuan pengguna komputer untuk berkomunikasi dengan komputer dalam bahasa mereka sendiri (bahasa manusia). Sehingga komunikasi dapat dilakukan dengan cara percakapan alih-alih menggunakan perintah yang biasa digunakan dalam bahasa komputer biasa. Bidang ini dibagi 2 lagi:
a.       Pemahaman bahasa alami, yang mempelajari metode yang memungkinkan komputer mengerti perintah yang diberikan dalam bahasa manusia biasa. Dengan  kata lain, komputer dapat memahami manusia.
b.      Pembangkitan bahasa alami, sering disebut juga sintesa suara, yang membuat komputer dapat membangkitkan bahasa manusia biasa sehingga manusia dapat memahami komputer secara mudah.

 Pemahaman Ucapan/Suara (Speech/Voice Understanding), adalah teknik agar komputer dapat mengenali dan memahami bahasa ucapan. Proses ini mengijinkan seseorang berkomunikasi dengan komputer dengan cara berbicara kepadanya. Istilah “pengenalan suara” mengandung arti bahwa tujuan utamanya adalah mengenai kata yang diucapkan tanpa harus tahu artinya, di mana bagian itu merupakan tugas “pemahaman suara”. Secara umum prosesnya adalah usaha untuk menerjemahkan apa yang diucapkan seorang manusia menjadi kata-kata atau kalimat yang dapat dimengerti oleh komputer.
 Sistem Sensor dan Robotika. Sistem sensor, seperti sistem visi dan pencitraan, serta sistem pengolahan sinyal, merupakan bagian dari robotika. Sebuah robot, yaitu perangkat elektromekanik yang diprogram untuk melakukan tugas manual, tidak semuanya merupakan bagian dari AI. Robot yang hanya melakukan aksi yang telah diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift. Robot yang cerdas biasanya mempunyai perangkat sensor, seperti kamera, yang mengumpulkan informasi mengenai operasi dan lingkungannya. Kemudian bagian AI robot tersebut menerjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi perubahan lingkungan.
 Komputer Visi, merupakan kombinasi dari pencitraan, pengolahan citra, pengenalan pola serta proses pengambilan keputusan. Tujuan utama dari komputer visi adalah untuk menerjemahkan suatu pemandangan. Komputer visi banyak dipakai dalam kendali kualitas produk industri.
 Intelligent Tutoring/Intelligent Computer-Aided Instruction, adalah komputer yang mengajari manusia. Belajar melalui komputer sudah lama digunakab, namun dengan menambahkan aspek kecerdasan di dalamnya, dapat tercipta komputer “guru” yang dapat mengatur teknik pengajarannya untuk menyesuaikan dengan kebutuhan “murid” secara individiual. Sistem ini juga mendukung pembelajaran bagi orang yang mempunyai kekurangan fisik atau kelemahan belajar.
 Mesin Belajar (Machine Learning), yang berhubungan dengan sekumpulan metode untuk mencoba mengajari/melatih komputer untuk memecahkan masalah atau mendukung usaha pemecahan masalah dengan menganalisa kasus-kasus yang telah terjadi. Dua metode mesin belajar yang paling populer adalah Komputasi Neural dan Logika Samar yang akan dipelajari lebih dalam di bab-bab berikutnya.

Aplikasi lain dari AI misalnya untuk merangkum berita, pemrograman komputer secara otomatis, atau menerjemahkan dari suatu bahasa ke bahasa yang lain, serta aplikasi dalam permainan (Ingat pertandingan catur antara Grand Master Anatoly Karpov dengan komputer Deep Thought dari IBM). 

SEJARAH DAN DEFINISI KECERDASAN BUATAN


  • Sejarah Kecerdasan Buatan

Di awal abad 20, seorang penemu Spanyol, Torres y Quevedo, membuat sebuah mesin yang dapat men’skak-mat’ raja lawannya dengan sebuah ratu dan raja. Perkembangan secara sistematis kemudian dimulai segera setelah diketemukannya komputer digital. Artikel ilmiah pertama tentang Kecerdasan Buatan ditulis oleh Alan Turing pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie Mellon University oleh Allen Newell and Herbert Simon. Namun bidang Kecerdasan Buatan baru dianggap sebagai bidang tersendiri di konferensi Dartmouth tahun 1956, di mana 10 peneliti muda memimpikan mempergunakan komputer untuk memodelkan bagaimana cara berfikir manusia. Hipotesis mereka adalah: “Mekanisme berfikir manusia dapat secara tepat dimodelkan dan disimulasikan pada komputer digital”, dan ini yang menjadi landasan dasar Kecerdasan Buatan.
  • Definisi Kecerdasan Buatan

          Tidak ada kesepakatan mengenai definisi Kecerdasan Buatan, di antaranya adalah:
             Kebanyakan ahli setuju bahwa Kecerdasan Buatan berhubungan dengan 2 ide dasar. Pertama, menyangkut studi proses berfikir manusia, dan kedua, berhubungan dengan merepresentasikan proses tersebut melalui mesin (komputer, robot, dll).Kemampuan untuk problem solving adalah salah satu cara untuk mengukur kecerdasan dalam berbagai konteks. Terlihat di sini bahwa mesin cerdas akan diragukan untuk dapat melayani keperluan khusus jika tidak mampu menangani permasalahan remeh/kecil yang biasa dikerjakan orang secara rutin. Terdapat beberapa alasan untuk memodelkan performa manusia.

Minggu, 27 April 2014

CARA MENGHITUNG SUBNETING

Pada hakekatnya semua pertanyaan tentang subnetting akan berkisar di empat masalah: 

  • Jumlah Subnet
  • Jumlah Host per Subnet
  • Blok Subnet
  • Alamat Host- Broadcast.
Penulisan IP address umumnya adalah dengan 192.168.1.2. Namun ada kalanya ditulis dengan 192.168.1.2/24, apa ini artinya? Artinya bahwa IP address 192.168.1.2 dengan subnet mask 255.255.255.0. Lho kok bisa seperti itu? Ya, /24 diambil dari penghitungan bahwa 24 bit subnet mask diselubung dengan binari 1. Atau dengan kata lain, subnet masknya adalah: 11111111.11111111.11111111.00000000 (255.255.255.0). Konsep ini yang disebut dengan CIDR (Classless Inter-Domain Routing) yang diperkenalkan pertama kali tahun 1992 oleh IEFT.

Pertanyaan berikutnya adalah Subnet Mask berapa saja yang bisa digunakan untuk melakukan subnetting? Ini terjawab dengan tabel di bawah:
Subnet Mask
Nilai CIDR
255.128.0.0
/9
255.192.0.0
/10
255.224.0.0
/11
255.240.0.0
/12
255.248.0.0
/13
255.252.0.0
/14
255.254.0.0
/15
255.255.0.0
/16
255.255.128.0
/17
255.255.192.0
/18
255.255.224.0
/19
Subnet Mask
Nilai CIDR
255.255.240.0
/20
255.255.248.0
/21
255.255.252.0
/22
255.255.254.0
/23
255.255.255.0
/24
255.255.255.128
/25
255.255.255.192
/26
255.255.255.224
/27
255.255.255.240
/28
255.255.255.248
/29
255.255.255.252
/30

SUBNETTING PADA IP ADDRESS CLASS C
Subnetting seperti apa yang terjadi dengan sebuah NETWORK ADDRESS 192.168.1.0/26 ?
Analisa: 192.168.1.0 berarti kelas C dengan Subnet Mask /26 berarti 11111111.11111111.11111111.11000000 (255.255.255.192).

Penghitungan:
1.     Jumlah Subnet = 2x, dimana x adalah banyaknya binari 1 pada oktet terakhir subnet mask (2 oktet terakhir untuk kelas B, dan 3 oktet terakhir untuk kelas A). Jadi Jumlah Subnet adalah 22 = 4 subnet
2.     Jumlah Host per Subnet = 2y – 2, dimana y adalah adalah kebalikan dari x yaitu banyaknya binari 0 pada oktet terakhir subnet. Jadi jumlah host per subnet adalah 26 – 2 = 62 host
3.     Blok Subnet = 256 – 192 (nilai oktet terakhir subnet mask) = 64. Subnet berikutnya adalah 64 + 64 = 128, dan 128+64=192. Jadi subnet lengkapnya adalah 0, 64, 128, 192.
4.     Bagaimana dengan alamat host dan broadcast yang valid? Kita langsung buat tabelnya. Sebagai catatan, host pertama adalah 1 angka setelah subnet, dan broadcast adalah 1 angka sebelum subnet berikutnya.

Subnet
192.168.1.0
192.168.1.64
192.168.1.128
192.168.1.192
Host Pertama
192.168.1.1
192.168.1.65
192.168.1.129
192.168.1.193
Host Terakhir
192.168.1.62
192.168.1.126
192.168.1.190
192.168.1.254
Broadcast
192.168.1.63
192.168.1.127
192.168.1.191
192.168.1.255
Kita sudah selesaikan subnetting untuk IP address Class C. Dan kita bisa melanjutkan lagi untuk subnet mask yang lain, dengan konsep dan teknik yang sama. Subnet mask yang bisa digunakan untuk subnetting class C adalah seperti di bawah. Silakan anda coba menghitung seperti cara diatas untuk subnetmask lainnya.

Subnet Mask
Nilai CIDR
255.255.255.128
/25
255.255.255.192
/26
255.255.255.224
/27
255.255.255.240
/28
255.255.255.248
/29
255.255.255.252
/30

SUBNETTING PADA IP ADDRESS CLASS B
Berikutnya kita akan mencoba melakukan subnetting untuk IP address class B.
Pertama, subnet mask yang bisa digunakan untuk subnetting class B adalah seperti dibawah. Sengaja saya pisahkan jadi dua, blok sebelah kiri dan kanan karena masing-masing berbeda teknik terutama untuk oktet yang “dimainkan” berdasarkan blok subnetnya. CIDR /17 sampai /24 caranya sama persis dengan subnetting Class C, hanya blok subnetnya kita masukkan langsung ke oktet ketiga, bukan seperti Class C yang “dimainkan” di oktet keempat. Sedangkan CIDR /25 sampai /30 (kelipatan) blok subnet kita “mainkan” di oktet keempat, tapi setelah selesai oktet ketiga berjalan maju (coeunter) dari 0, 1, 2, 3, dst.
Subnet Mask
Nilai CIDR
255.255.128.0
/17
255.255.192.0
/18
255.255.224.0
/19
255.255.240.0
/20
255.255.248.0
/21
255.255.252.0
/22
255.255.254.0
/23
255.255.255.0
/24
Subnet Mask
Nilai CIDR
255.255.255.128
/25
255.255.255.192
/26
255.255.255.224
/27
255.255.255.240
/28
255.255.255.248
/29
255.255.255.252
/30
Ok, kita coba dua soal untuk kedua teknik subnetting untuk Class B. Kita mulai dari yang menggunakan subnetmask dengan CIDR /17 sampai /24. 
Contoh network address 172.16.0.0/18.
Analisa:
172.16.0.0 berarti kelas B, dengan Subnet Mask /18 berarti 11111111.11111111.11000000.00000000 (255.255.192.0).

Penghitungan:
1.     Jumlah Subnet = 2x, dimana x adalah banyaknya binari 1 pada 2 oktet terakhir. Jadi Jumlah Subnet adalah 22 = 4 subnet
2.     Jumlah Host per Subnet = 2y – 2, dimana y adalah adalah kebalikan dari x yaitu banyaknya binari 0 pada 2 oktet terakhir. Jadi jumlah host per subnet adalah 214 – 2 = 16.382 host
3.     Blok Subnet = 256 – 192 = 64. Subnet berikutnya adalah 64 + 64 = 128, dan 128+64=192. Jadi subnet lengkapnya adalah 0, 64, 128, 192.
4.     Alamat host dan broadcast yang valid?
Subnet
172.16.0.0
172.16.64.0
172.16.128.0
172.16.192.0
Host Pertama
172.16.0.1
172.16.64.1
172.16.128.1
172.16.192.1
Host Terakhir
172.16.63.254
172.16.127.254
172.16.191.254
172.16.255.254
Broadcast
172.16.63.255
172.16.127.255
172.16.191.255
172.16..255.255

Berikutnya kita coba satu lagi untuk Class B khususnya untuk yang menggunakan subnetmask CIDR /25 sampai /30. Contoh network address 172.16.0.0/25.

Analisa:
172.16.0.0 berarti kelas B, dengan Subnet Mask /25 berarti 11111111.11111111.11111111.10000000 (255.255.255.128).

Penghitungan:
1.     Jumlah Subnet = 29 = 512 subnet
2.     Jumlah Host per Subnet = 27 – 2 = 126 host
3.     Blok Subnet = 256 – 128 = 128. Jadi lengkapnya adalah (0, 128)
4.     Alamat host dan broadcast yang valid?
Subnet
172.16.0.0
172.16.0.128
172.16.1.0
172.16.255.128
Host Pertama
172.16.0.1
172.16.0.129
172.16.1.1
172.16.255.129
Host Terakhir
172.16.0.126
172.16.0.254
172.16.1.126
172.16.255.254
Broadcast
172.16.0.127
172.16.0.255
172.16.1.127
172.16.255.255

SUBNETTING PADA IP ADDRESS CLASS A
Kalau sudah mantab dan paham, kita lanjut ke Class A. Konsepnya semua sama saja. Perbedaannya adalah di OKTET mana kita mainkan blok subnet. Kalau Class C di oktet ke 4 (terakhir), kelas B di Oktet 3 dan 4 (2 oktet terakhir), kalau Class A di oktet 2, 3 dan 4 (3 oktet terakhir). Kemudian subnet mask yang bisa digunakan untuk subnetting class A adalah semua subnet mask dari CIDR /8 sampai /30.
Kita coba latihan untuk network address 10.0.0.0/16.

Analisa:
10.0.0.0 berarti kelas A, dengan Subnet Mask /16 berarti 11111111.11111111.00000000.00000000 (255.255.0.0).

Penghitungan:
1.     Jumlah Subnet = 28 = 256 subnet
2.     Jumlah Host per Subnet = 216 – 2 = 65534 host
3.     Blok Subnet = 256 – 255 = 1. Jadi subnet lengkapnya: 0,1,2,3,4, etc.
4.     Alamat host dan broadcast yang valid?
Subnet
10.0.0.0
10.1.0.0
10.254.0.0
10.255.0.0
Host Pertama
10.0.0.1
10.1.0.1
10.254.0.1
10.255.0.1
Host Terakhir
10.0.255.254
10.1.255.254
10.254.255.254
10.255.255.254
Broadcast
10.0.255.255
10.1.255.255
10.254.255.255
10.255.255.255

Catatan:
Semua penghitungan subnet diatas berasumsikan bahwa IP Subnet-Zeroes (dan IP Subnet-Ones) dihitung secara default. Buku versi terbaru Todd Lamle dan juga CCNA setelah 2005 sudah mengakomodasi masalah IP Subnet-Zeroes (dan IP Subnet-Ones) ini. CCNA pre-2005 tidak memasukkannya secara default (meskipun di kenyataan kita bisa mengaktifkannya dengan command ip subnet-zeroes), sehingga mungkin dalam beberapa buku tentang CCNA serta soal-soal test CNAP, anda masih menemukan rumus penghitungan Jumlah Subnet = 2x – 2


Berikut soal latihan, tentukan :

a) Alamat Subnet Mask,
b) Alamat Subnet,
c) Alamat Broadcast,
d) Jumlah Host yang dapat digunakan,
e) serta Alamat Subnet ke-3

dari alamat sebagai berikut:

1. 198.53.67.0/30
2. 202.151.37.0/26
3. 191.22.24.0/22 


1. 198.53.67.0/30 –> IP class C:

Subnet Mask: /30 = 11111111.11111111.11111111.11111100 = 255.255.255.252
Menghitung Subnet:
Jumlah Subnet: 26 = 64 Subnet
Jumlah Host per Subnet: 2– 2 = 2 host
Blok Subnet: 256 – 252 = 4, blok berikutnya: 4+4 = 8, 8+4 = 12, dst…
jadi blok Subnet: 0, 4, 8, 12, dst…
Host dan broadcast yang valid:


Maka dari perhitungan diperoleh: 
§  Alamat Subnet Mask: 255.255.255.252
§  Alamat Subnet: 198.53.67.0, 198.53.67.4, 198.53.67.8, 198.53.67.12, … , 198.53.67.252
§  Alamat Broadcast: 198.53.67.3, 198.53.67.7, 198.53.67.11, 198.53.67.15 … 198.53.67.255
§  Jumlah host yang dapat digunakan: 64×2 = 128
§  Alamat Subnet ke-3: 198.53.67.8

2.202.151.37.0/26 -> IP class C

Subnet Mask: /26 = 11111111.11111111.11111111.11000000 = 255.255.255.192
Menghitung Subnet:
Jumlah Subnet: 22 = 4 Subnet
Jumlah Host per Subnet: 26 – 2 = 62 host
Blok Subnet: 256 – 192 = 64, blok berikutnya: 64+64 = 128, 128+64 = 192
Jadi blok Alamat Subnet: 0, 64, 128, 192
Host dan broadcast yang valid:

Maka dari perhitungan diperoleh:
§  Alamat Subnet Mask: 255.255.255.192
§  Alamat Subnet: 202.151.37.0, 202.151.37.64, 202.151.37.128, 202.151.37.192
§  Alamat Broadcast: 202.151.37.63, 202.151.37.127, 202.151.37.191, 202.151.37.255
§  Jumlah host yang dapat digunakan: 4×62 = 248
§  Alamat Subnet ke-3: 202.151.37.128

3.191.22.24.0/22 –> IP class B
Subnet Mask: /22 = 11111111.11111111.11111100.00000000 = 255.255.252.0
Menghitung Subnet:
Jumlah Subnet: 26 = 64 Subnet
Jumlah Host per Subnet: 22– 2 = 2 host
Jumlah Blok Subnet: 256 – 252 = 4, blok berikutnya: 4+4 = 8, 8+4 = 12, dst…
Jadi blok Alamat Subnet: 0, 4, 8, 12, 16, dst…
Alamat host yang valid:

§  Alamat Subnet Mask: 255.255.252.0
§  Alamat Subnet: 191.22.24.0, 191.22.24.4, 191.22.24.8, …, 191.22.24.252
§  Alamat Broadcast: 191.22.24.3, 191.22.24.7, 191.22.24.11, …, 191.22.24.255
§  Jumlah host yang dapat digunakan: 2×64 = 128

§  Alamat Subnet ke-3: 191.22.24.8