Bab 4 : Metode Pencarian dan Pelacakan 1

4.1 Metode Pencarian Buta ( Blind Search )

Yaitu tidak terdapatnya informasi awal yang digunakan dalam proses pencarian

4.1.1 Breadth First Search ( Pencarian Melebar Pertama )

Pada Breadth – First Search semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level 1 dari kiri ke kanan, kemudian berpindah ke level berikutnya dari kiri ke kanan hingga solusi ditemukan. Keuntungannya :

1. Tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti solusi yang paling baik.

2. Jika ada 1 solusi, maka breadth – first search akan menemukannya

3. Jika ada lebih dari 1 solusi, maka solusi minimum akan ditemukan

Kerugiannya :

1. Membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah dibangkitkan dan hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpul-simpul sampai di level bawah

2. Membutuhkan waktu yang cukup lama

Kesimpulan :

Teknik pencarian Breadth – First Search  ini :

1. Completeness : dimana teknik yang digunakan adanya solusi

2. Optimality : dimana teknik yang digunakan menemukan solusi yang terbaik saat adanya beberapa solusi berbeda Time complexity : waktu yang dibutuhkan cukup lama Space complexity : memori yang dibutuhkan juga banyak.

4.1.2 Depth First Search ( Pencarian Mendalam Pertama )

 Pada Breadth – First Search semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level 1 dari kiri ke kanan, kemudian berpindah ke level berikutnya dari kiri ke kanan hingga solusi ditemukan. Keuntungannya :

1. Tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti solusi yang paling baik

2. Jika ada 1 solusi, maka breadth – first search akan menemukannya

3. Jika ada lebih dari 1 solusi, maka solusi minimum akan ditemukan

Kerugiannya :

1. Membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah dibangkitkan dan hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpul-simpul sampai di level bawah

2. Membutuhkan waktu yang cukup lama

Kesimpulan :

Teknik pencarian Breadth – First Search  ini :

1. Completeness : dimana teknik yang digunakan adanya solusi

2. Optimality : dimana teknik yang digunakan menemukan solusi yang terbaik saat adanya beberapa solusi berbeda Time complexity : waktu yang dibutuhkan cukup lama Space complexity : memori yang dibutuhkan juga banyak.

4.2 Metode Pencarian Heuristik

Hampir sama dengan teknik Generate and Test dimana roses pengujian dilakukan dengan menggunakan fungsiheuristic. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap kesalahan-kesalahan lainnya yang mungkin

4.2.1 Generate and Test

Pada Breadth – First Search semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level 1 dari kiri ke kanan, kemudian berpindah ke level berikutnya dari kiri ke kanan hingga solusi ditemukan. Keuntungannya :

1. Tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti solusi yang paling baik

2. Jika ada 1 solusi, maka breadth – first search akan menemukanny

3. Jika ada lebih dari 1 solusi, maka solusi minimum akan ditemukan

Kerugiannya :

1. Membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah dibangkitkan dan hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpul-simpul sampai di level bawah

2. Membutuhkan waktu yang cukup lama

Kesimpulan :

Teknik pencarian Breadth – First Search  ini :

1. Completeness : dimana teknik yang digunakan adanya solusi

2. Optimality : dimana teknik yang digunakan menemukan solusi yang terbaik saat adanya beberapa solusi berbeda Time complexity : waktu yang dibutuhkan cukup lama Space complexity : memori yang dibutuhkan juga banyak.

4.2.2 Hill Climbing

Hampir sama dengan teknik Generate and Test dimana roses pengujian dilakukan dengan menggunakan fungsiheuristic. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap kesalahan-kesalahan lainnya yang mungkin. Teknik-teknik pada Hill Climbing :

1. Teknik simple hill climbing

Algoritma akan berhenti kalau mencapai nilai optimum lokal. Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi. Tidak diijinkan untuk melihat satupun langkah selanjutnya.

2.     2. Teknik steepest – ascent hill climbing

Hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari paling kiri. Gerakan selanjutnya dicari berdasarkan nilaiheuristic terbaik.

 Sumber :

http://yoosinhay.blogspot.co.id/2011/03/teknik-pencarian-perancangan.html

Bab 3 : Pengenalan Logical Agents

3.1 Knowledge-based agents

Knowledge based agent

Komponen utama dari knowledge based agent adalah knowledge basenya. Knowledge base (KB) adalah kumpulan representasi fakta tentang lingkungan atau dunia yang berhubungan atau menjadi daerah bekerjanya agen. Setiap representasi dalam KB disebut sebagai sebuah sentence yang diekspresikan dalam sebuah bahasa yakni knowledge representation language

1  Representasi Pengetahuan yang bersifat general.

2  Kemampuan beradaptasi sesuai temuan fakta.

3  Kemampuan menyimpulkan sesuatu dari pengetahuan yang sudah ada.

Syarat Representasi KB:

1  Representational    Adequacy

kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya

2  Inferential        Adequacy

kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi

3  Inferential        Efficiency

kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam inferensi

4  Acquisitional  Efficiency

kemampuan untuk menambah informasi baru secara mudah.

3.2 Wumpus world

Salah satu contoh aplikasi agen yang terkenal dari dunia kecerdasan buatan adalah „dunia Wumpus“. Dunia Wumpus terdiri atas kotak-kotak mirip papan catur, di mana di situ terdapat sejumlah sumur, Wumpus, dan emas. Wumpus adalah seekor monster yang akan memakan si agen jika tertangkap. Untuk mengetahui apakah si agen mendekati sumur, Wumpus atau emas, dia bisa mendeteksi dari dunia kotak di sekitarnya. Jika ada angin semilir, berarti di sebelah kotak ada sumur. Jika ada bau menyengat, berarti agen mendekati Wumpus. Jika ada kemilau, berarti di kotak itu ada emas. Tujuan dari agen di sini adalah mengambil emas dan membunuh Wumpus. Beberapa tujuan tambahan bisa ditambahkan, misal kembali ke tempat asal dengan selamat.

Teknologi agen, menyerupai kemampuan manusia. Dia dikaruniai indra untuk bisa merasa/melihat/membau, bisa mendapatkan dan mengelola pengetahuan, dan bisa melakukan aksi. Jika agen melakukan tugasnya dengan baik, sesuai dengan spesifikasi tugasnya, maka ia akan mendapatkan tujuannya, meraih emas dan membunuh Wumpus. Demikian juga manusia, mempunyai spesifikasi tugas yang jelas dari penciptanya, yaitu untuk menyembah Sang Pencipta. Caranya bisa bermacam-macam sesuai dengan pengalaman yang didapatkan serta pengetahuan yang dicerap oleh manusia. Jika salah melaksanakan tugas tidak sesuai spesifikasi, agen bisa terjatuh dalam sumur yang dalam atau dimakan oleh Wumpus, manusia bisa masuk ke jurang kesesatan atau berakhir di neraka. Jika mengerjakan tugas dengan baik sesuai spesifikasi, agen akan mendapatkan emas, sementara manusia bisa masuk ke surga.

Banyak analogi menarik yang bisa didapatkan dari teknologi perangkat lunak yang memang merupakan metafora dari kehidupan manusia di dunia. Pada dasarnya manusia adalah „agen“ dari Tuhan, „Sang Progammer Agung“.

3.3 Logic in general - models and entailment

 konsekuensi logis (juga entailment) adalah salah satu konsep yang paling mendasar dalam logika. Ini adalah hubungan antara pernyataan yang berlaku ketika salah satu secara logis "berikut dari" satu atau lebih orang lain. Sebuah argumen yang logis yang valid adalah satu di mana kesimpulan mengikuti dari tempat yang, dan kesimpulannya merupakan konsekuensi dari bangunan.

Sumber :
http://denyidung.blogspot.co.id/
https://wikandanar.wordpress.com/2010/04/27/teknologi-agen-perangkat-lunak/

BAB 2 : Pengenalan Intellegent Agents

2.1 Agen dan Lingkungannya 

Agent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators.

Agen manusia :

l  Sensor : mata, telinga, dan organ tubuh lain;

l  Actuator : tangan, kaki, mulut, dan bagian tubuh lain.

Agen robotik :

Sensor : kamera dan infrared range finders

Actuator : berbagai macam motor

2.2 Rasionalitas

Sebuah agen haruslah mengarah kepada “lakukan hal yang benar", berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut paling berhasil.

Pengukuran Performance : Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen.

Mis., ukuran performance dari sebuah agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.

Agen rasional : Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran performance-nya, dengan adanya bukti yang diberikan oleh deretan presepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.

Rasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga)

Agen dapat melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga dapat memperoleh informasi yang berguna (pengumpulan informasi, eksplorasi)

Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi).

      2.3 PEAS ( Performance measure, Environment, Actuators, Sensors )

Pertama-tama harus menentukan pengaturan untuk desain agen cerdas

Pertimbangkan Mis., tugas merancang supir taksi otomatis  

perfomance measure : Aman , cepat , legal , perjalanan menyenangkan , maksimumkan keuntungan 

Environment : jalan , trafik lain , pejalan kaki , pelanggan

actuators : kemudi , gas , rem , lampu sign , horn 

Sensors : kamera , sonar , speedometer , GPS , odometer , engine sensors , keyboard

2.4 Tipe – tipe lingkungan agen

Fully observable ( vs. partially obervable ): Sensor-Sensor Sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.

Determenistic( vs. stochastic ): Keadaan lingkungan berikutnya sepenuh di tentukan oleh keadaan sekarang dan tindakan yang di laksanakan oleh agen. ( jika lingkungan itu determenistik kecuali untuk tindakan agen-agen lain , maka lingkungannya adalah strategic

Episodic( vs.sequential ): Pengalamn agen dibagi kedalam "episode-episode"atomik ( setiap episode terdiri dari si agen memahami ( perceiving ) dan kemudian melaksanakan satu tindakan dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

2.5 Tipe – tipe agen

Simple reflex agents

model-based reflex agents

goal-based agents

utility-based agents

BAB 1 : Pengertian Intelegensi Buatan

1. PENGENALAN INTELTEGENSI BUATAN

1.1 Pengertian Intelegensi Buatan

Kecerdasan buatan atau Artificial Intelligence (AI) istilah yang mungkin akan mengingatkan kita akan kehebatan optimus prime dalam film The Transformers. Kecerdasan buatan memang kerap diidentikkan dengan kemampuan robot yang dapat berperilaku seperti manusia. Definisi Kecerdasan Buatan, Berbagai definisi diungkapkan oleh para ahli untuk dapat memberi gambaran mengenai kecerdasan buatan beberapa diantaranya :

Kecerdasan Buatan (Artificial Intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas (H. A. Simon [1987]).

Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia (Rich and Knight [1991]).

Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan (Encyclopedia Britannica).

1.2 Intelegensi Buatan dan Intelegensi Alami

Kecerdasan Buatan :

·         Lebih bersifat permanen

·         Lebih mudah diduplikasi & disebarkan

·         Lebih murah

·         Bersifat konsisten

·          Dapat didokumentasi

·         Lebih cepat

·         Lebih baik

Kecerdasan Alami :

·         Kreatif

·         Memungkinkan orang untuk menggunakan pengalaman secara langsung

·         Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas.

1.3 Komputasi Intelegensi Buatan dan Komputasi Konvesional

Intelegensi Buatan :

·         Processing simbolik

·         Input tidak harus lengkap

·         Search heuristic

·         Explanation tersedia

·         Interest knowledge data

·         Struktur terpisah antara kontrol dan knowledge

·         Output tidak harus lengkap

·         Maintance dan update mudah karna menggunakan modul-modul

·         Hardwere workstation

Komputasi konvesional :

·         Algoritmik

·         Input harus lengkap

·         Search algoritmik

·         Explanation tidak tersedia major

·         Interest informasi

·         Struktur kontrol terintegrasi dengan data

·         Output harus tepat

·         Maintance dan update umumnya susah dilakukan

·         Hardware PC semua tipe

·         Kemampuan tidak ada

1.4 Sejarah Intelegensi Buatan

1950-an, Alan Turing mengusulkan tes untuk melihat bisa/tidaknya mesin memberikan respon terhadap serangkaian pertanyaan (agar mesin dapat dikatakan cerdas). Istilah “Artificial Intelligence”dimunculkan oleh John McCarthy (MIT), tahun1956 pada Dartmouth Conference. Dalam konferensi itu juga didefinisikan tujuan AI, yaitu mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut. Beberapa program AI periode 1956-1966    :

·         Logic Theorist, untuk pembuktian teorema matematik

·         Sad Sam (oleh Robert K.Lindsay, 1960), program yang dapat mengetahui kalimat sederhana dalam bahasa Inggris dan memberikan jawaban dari fakta yang didengar dalam sebuah percakapan

·         ELIZA (Joseph Weizenbaum, 1967), program untuk terapi pasien dengan memberikan jawaban.

1.5 Lingkup Kecerdasan Buatan

Ruang lingkup kecerdasan buatan bermacam-macam misalnya :

·         Sistem Pakar (Expert System)
Komputer memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki oleh pakar.

·         Pengolahan Bahasa Alami (Natural Language Processing)
Diharapkan user dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari

·         Pengenalan Ucapan (Speech Recognition)
Melalui pengenalan ucapan, diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara.

·         Robotika dan Sistem Sensor (Robotics & Sensory Systems)

·         Computer Vision
Menginterpretasikan gambar atau obyek-obyek tampak melalui komputer

·         Intelligence Computer – aided Instruction
Komputer digunakan sebagai tutor yang dapat melatih dan mengajar.

·         Game Playing. Perkembangan selanjutnya adalah kemunculan Fuzzy Logic (1965) dan Terminologi Genetika (John Halland, 1975).

1.5 Lingkup Intelegensi Buatan

Lingkup utama kecerdasan buatan:

·         Sustem pakar. Komputer digunakan sebagai saran untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki para pakar

·         Pengolahan bahasa alami. Dengan pengolahan bahasa alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.

·         Pengenalan ucapan. Melalui pengenalan ucapan diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan suara.

·         Robotika dan Sistem sensor

·         Computer vision, mencoba untuk dapat mengintrepetasikan gambar atau objek-objek tampak melalui komputer

·         Intelligent Computer aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar

1.6 Soft Computing

Soft computing (Lotfi A.Zadeh, 1992) adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian dan kebenaran pasial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaian yang murah. Soft computing merupakan inovasi baru dalam membangun IB yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.
Unsur-unsur pokok Soft Computing :

·         Sistem Fuzzy (mengakomodasi ketidaktepatan).

·         Jaringan Syaraf (menggunakan pembelajaran).

·         Probabilistic Reasoning (mengakomodasi ketidakpastian).

·         Evolutionary Computing (optimasi).

1.7 Definisi Masalah dan Ruang Masalah

Untuk membangun sistem yang mampu menyelesaikan masalah, perlu dipertimbangkan hal :

·         Mendefinisikan masalah dengan tepat

·         Spesifikasi yang tepat mengenai keadaan awal

·         Solusi yang diharapkan

·         Menganalisis masalah serta mencari beberapa teknik penyelesaian masalah yang sesuai

·         Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah

·         Memilih teknik penyelesaian masalah yang terbaik

Masalah Sebagai Ruang

Misalkan permasalahan yang dihadapi adalah Permainan Catur, maka harus ditentukan :

·         Posisi awal pada papan catur

·         Aturan-aturan untuk melakukan gerakan secara legal

·         Tujuan (goal)