Peng. Teknologi Sistem Cerdas

Bab 5

Metode Pencarian dan Pelacakan 2 (Heuristik)

5.1 Best First Search

Metode ini merupakan kombinasi dari metode depth-first search dan breadth-first search. Proses dilakukan dengan melakukan penelusuran terhadap setiap node yang memiliki estimasi terpendek.  Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk. 

Pada proses searching ini dilakukan dengan cara memberikan estimasi berapa jauh node asal dari solusi yang diinginkan.  Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state.

5.2 Problem Reduction

Problem reduction atau yang biasa dikenal dengan constraint, intinya adalah berusaha mengurangi masalah dengan harapan masalah yang bersangkutan menjadi lebih mudah diselesaikan. Sekarang ini sudah diketahui teknik konsistensi ini sangat penting dalam penyelesaian constraint satisfaction problem yang sangat berat sehingga semua aplikasi komersial penyelesaian constraint satisfaction problem menggunakan teknik konsistensi ini sebagai langkah dasar. 

Sejarah konsistensi constraint dapat ditelusuri dari peningkatan efisiensi program pengenalan gambar oleh peneliti di intelejensi semu. Pegenalan gambar melibatkan pemberian label kepada semua garis pada gambar dengan cara yang konsisten. Jumlah kombinasi pemberian label pada garis yang memungkinkan dapat menjadi sangat besar, sementara hanya sedikit yang konsisten pada tahap awal. Dengan demikian memperpendek pencarian untuk pembeian nilai yang konsisten.

5.3 Constraint Satisfaction

Constraint Satisfaction Problems (CSP) CSP adalah permasalahan yang tujuannya adalah mendapatkan suatu kombinasi variabel-variabel tertentu yang memenuhi aturan-aturan (constraints) tertentu. State didefinisikan dengan variables X i yang mempunyai values dari domain D i Goal Test adalah sebuah himpunan constraints yang memberikan kombinasi yang diijinkan untuk mengisi variabel Batasan CSP dalam perkuliahan ini: diskrit (solusi deterministik), absolut (solusi pasti tersedia dalam domain), unair atau biner (satu atau dua variabel yang harus diisi).

5.4 Means End Analysis

Model MEA adalah suatu model pembelajaran yang mengoptimalkan kegiatan pemecahan masalah, dengan melalui pendekatan heuristik yaitu berupa rangkaian pertanyaan yang merupakan petunjuk untuk membantu siswa dalam memecahkan masalah yang dihadapi. Guru hanya berperan sebagai fasilitator yang memberi kemudahan bagi siswa. Proses pembelajaran dengan model MEA memotivasi siswa untuk aktif dalam kegiatan pemecahan masalah. Siswa mengelaborasi masalah menjadi sub-sub masalah yang lebih sederhana. 

Tentunya dalam tahap ini siswa dituntut untuk memahami soal atau masalah yang dihadapi. Kemudian mengidentifikasi perbedaan antara kenyataan yang dihadapi dengan tujuan yang ingin dicapai, setalah itu siswa menyusun sub-sub masalah tadi agar terjadi konektivitas atau hubungan antara sub masalah yang satu dengan sub masalah yang lain dan menjadikan sub masalah-sub masalah tersebut menjadi kesatuan, siswa mengajarkan berturut-turut pada masing-masing sub masalah tersebut. Pada tahap ini siswa memikirkan solusi (cara) yang paling tepat, efektif dan efisien untuk menyelesaikan masalah yang dihadapi. Setelah itu dilakukan pengecekan kembali untuk melihat hasil pengerjaan dan mengoreksi jika terdapat kesalahan perhitungan atau kesalahan dalam pemilihan strategi solusi.

Bab 6

Representasi Pengetahuan

6.1 Arti Pengetahuan

Pengetahuan ialah merupakan hasil “tahu” dan ini terjadi setelah orang melakukan penginderaan terhadap suatu obyek tertentu. Penginderaan terjadi melalui panca indera manusia yaitu : indera penglihatan, pendengaran, penciuman,  rasa dan raba. Sebagian besar pengetahuan manusia diperoleh melalui mata dan telinga (Soekidjo, Notoadmodjo 2003). 

Adapula pengertian pengetahuan sesuai Kamus Besar Bahasa Indonesia yakni : Pengetahuan adalah segala sesuatu yang diketahui, segala sesuatu yang diketahui berkenaan dengan hal (mata pelajaran)

Tingkat Pengetahuan 

Benjamin Bloom (1956), seorang ahli pendidikan, membuat klasifikasi (taxonomy) pertanyaan-pertanyaan yang dapat dipakai untuk merangsang proses berfikir pada manusia. Menurut Bloom kecakapan berfikir pada manusia dapat dibagi dalam 6 kategori yaitu : 

·         Pengetahuan (Knowledge)

Mencakup keterampilan mengingat kembali faktor-faktor yang pernah dipelajari.

·         Pemahaman (Comprehension)

Meliputi pemahaman terhadap informasi yang ada.

·         Penerapan (Application)

Mencakup keterampilan menerapkan informasi atau pengetahuan yang telah dipelajari ke dalam situasi yang baru.

·         Analisis (Analysis)

Meliputi pemilahan informasi menjadi bagian-bagian atau meneliti dan mencoba memahami struktur informasi.

·         Sintesis (Synthesis)

Mencakup menerapkan pengetahuan dan ketrampilan yang sudah ada untuk menggabungkan elemen-elemen menjadi suatu pola yang tidak ada sebelumnya.

·         Evaluasi (Evaluation)

Meliputi pengambilan keputusan atau menyimpulkan berdasarkan kriteria- kriteria yang ada biasanya pertanyaan memakai kata: pertimbangkanlah, bagaimana kesimpulannya.

6.2 Produksi

Pengertian Produksi adalah suatu kegiatan untuk menciptakan/menghasilkan atau menambah nilai guna terhadap suatu barang atau jasa untuk memenuhi kebutuhan oleh orang atau badan (produsen). Orang atau badan yang melakukan kegiatan produksi dikenal dengan sebutan produsen. Sedangkan barang atau jasa yang dihasilkan dari melakukan kegiatan produksi disebut dengan produk. Istilah Produksi berasal dari Bahasa Inggris 'to produce' yang berarti menghasilkan. Proses produksi juga didukung oleh perkembangan teknologi. Berikut merupakan kelebihan dan kekurangan teknologi dalam campur tangan proses produksi :

Kelebihan Teknologi

•       Pekerjaan lebih cepat.
•       Membantu manusia mengerjakan kegiatannya.
•       Semakin tinggi zaman, semakin ringan teknologi.

Kekurangan Teknologi

•       Beberapa teknologi membuat polusi.
•       Membuat manusia ketergantungan terhadap teknologi.
•       Terkadang harganya mahal.

6.3 Jaringan Semantik

Jaringan semantik merupakan salah satu yang dipelajari dalam materi Artificial Inteligence (Kecerdasan Buatan). Jaringan semantik merupakan pengetahuan secara grafis yang menunjukkan hubungan antar berbagai objek. Dalam jaringan semantik terdapat gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek, terdiri dari lingkaran-lingkaran yang dihubungkan dengan anak panah yang menunjukkan objek dan informasi tentang objek-objek tersebut. Sebagai contoh gambar berikut merupakan salah satu gambaran terhadap pengetahuan yang menggunakan jaringan semantik sebagai salah satu alat pengenalnya.

Konsep jaringan semantik diperkenalkan pada tahun 1968 oleh Ross Quillin. Jaringan semantic merupakan teknik representasi kecerdasan buatan klasik yang digunakan untuk informasi proposional (Giarrantano dan Riley, 1994). Yang dimaksud dengan informasi proporsional adalah pernyataan yang mempunyai nilai benar atau salah. Informasi proporsional merupakan bahasa deklaratif karena menyatakan fakta. Jaringan semantik merupakan penggambaran grafis dari pengetahuan yang melibatkan hubungan antara obyek-obyek :

Obyek direpesentasikan sebagai simpul (node) pada suatu grafik berbentuk lingkaran dan hubungan antara obyek-obyek dan factor deskriptif dinyatakan oleh garis penghubung (link) atau garis lengkung (arch) berlabel.

Obyek dapat berupa jenis fisik, seperti:  buku,mobil, meja, atau bahkan orang, erupakan pikiran, seperti: hukum Ohm; suatu peristiwa/ kejadian, seperti: piknik atau suatu pemilihan; atau tindakan, seperti: membuat rumah atau menulis buku. 

Atribut obyek, seperti: ukuran, warna, kelas, umur, asal-usul, atau karakteristik lainnya bisa digunakan sebagai node. Dalam hal ini, informasi rinci tentang sesuatu obyek bisa ditampilkan dengan baik.

     6.4 Triple Obyek-Atribut-Nilai

Bentuk object-attribute-value triple dapat digunakan untuk mempresentasikan semua karakteristik pengetahuan dalam semantic net dan digunakan pada sistem pakar MYCIN untuk mendiagnosa penykit infeksi. Object dapat berupa bentuk fisik atau konsep. Attribute adalah karakteristik atau sifat dari object tersebut. Value (nilai) – besaran/nilai/takaran spesifik dari attribute tersebut pada situasi tertentu, dapat berupa numerik, string dan boelan.

6.5 Schemata : Frame dan Script

Schemata

Schemata adalah struktur terorganisasi bagi pengetahuan yang digunakan untuk merepresentasikan pengetahuan generik (khusus), dan meskipun telah direpresentasikan dalam beberapa bentuk, skema dapat dikatakan sebagai struktur yang paling sering digunakan untuk merepresentasikan pengetahuan kompleks. Secara umum, sebuah skema merupakan grup terstruktur yang berupa konsep-konsep yang dapat merepresentasikan berbagai jenis pengetahuan, dari objek sederhana ke pengetahuan kompleks tentang berbagi topik.

Frame

Frame adalah struktur data yang digunakan untuk mempresentasikan pengetahuan yang didasarkan karakteristik dan kumpulan slot attribut yang berupa pengetahuan kejadian,lokasi, dan situasi.

Script

Script merupakan representasi yang menggambarkan kejadian dalam konteks khusus. Perbedaan nya frame dengan script, frame menggambarkan objek sedangkan script menggambarkan urutan peristiwa nya. Elemen Script ialah :

Kondisi masukkan: menggambarkan situasi harus di penuhi sebelum terjadinya peristiwa.
·      Prop: mengacu kepada objek yang digunakan pada urutan peristiwa. 
·      Role: mengacu kepada orang atau objek yang terlibat.
·      Track: mengacu kepada variasi yang mungkin terjadi. 
·      Scene: menggambarkan urutan peristiwa.

Bab 7

Representasi Pengetahuan : Logika Proposisi

7.1 Logika dan Set

Representasi pengetahuan dengan simbol logika merupakan bagian dari penalaran eksak. Bagian yang paling penting dalam penalaran adalah mengambil kesimpulan dari premis. Logika dikembangkan oleh filusuf Yunani, Aristoteles (abad ke 4 SM) didasarkan pada silogisme, dengan dua premis dan satu konklusi.

Contoh :
Premis : Semua laki-laki adalah makhluk hidup.
Premis : Harry adalah laki-laki.
Konklusi : Harry adalah makhluk hidup.

7.2 Operator Logika

   
Operator Logika adalah operator yang digunakan untuk membandingkan 2 kondisi logika, yaitu logika benar (TRUE) dan logika salah (FALSE). Operator logika sering digunakan untuk kodisi IF, atau untuk keluar dari proses perulangan (looping). Jenis operand dalam operator logika ini adalah variabel dengan tipe boolean.

7.3 Tautologi, Kontradiksi dan Contingent

      
Tautologi

Tautologi adalah suatu bentuk kalimat yang selalu bernilai benar (true) tidak peduli bagaimanapun nilai kebenaran masing-masing kalimat penyusunnya kontradiksi. Kontradiksi adalah suatu bentuk kali-mat yang selalu bernilai salah (false), tidak peduli bagaimanapun nilai kebenaran masing-masing kalimat penyusunnya.

       
Kontradiksi

Kontradiksi suatu bentuk kalimat yang selalu bernilai salah (false) tidak peduli dengan kalimat kalimat penyusunnya. Dalam table kebenaran, suatu tautology pada semua barisnya bernilai benar, begitupun kontradiksi pada semua barisnya bernilai salah.

       
Contingent

Jika pada semua nilai kebenaran bernilai True dan False maka disebut dengan formula campuran/Countingent.

7.4 Resolusi Logika Proposisi

         

Resolusi merupakan suatu teknik pembuktian yang lebih efisien, sebab fakta-fakta yang akan dioperasikan terlebih dahulu dibawa ke bentuk standar yang sering disebut dengan nama klausa. Pembuktian suatu pernyataan menggunakan resolusi ini dilakukan dengan cara menegasikan pernyataan tersebut, kemudian dicari kontradiksinya dari pernyataan-pernyataan yang sudah ada. Resolusi adalah suatu aturan untuk melakukan inferensi yang dapat berjalan secara efisien dalam suatu bentuk khusus conjunctive normal form.

Bab 8

Representasi Pengetahuan : Logika Predikat

8.1 Fungsi-fungsi Logika Predikat

Logika predikat sebenarnya adalah logika proposional ditambah dengan hal-hal baru seperti kuantor, universe of discourse, term, predikat dan fungsi dengan masalah pengkuantoran dan menambah istilah-istilah baru. Istilah dalam Logika Predikat:

·         Term : kata benda atau subjek

·         Predikat : properti dari term

·         Fungsi proposisional=fungsi kuantor

·         Universal: yang selalu bernilai benar (∀).

·         Eksistensial: bisa bernilai benar atau salah(∃).         

8.2 Logika dan Set Order Pertama

Disebut juga kalkulus predikat, merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi. Logika predikat dapat memberikan representasi fakta-fakta sebagai suatu pernyataan yang mapan (well form). Syarat-syarat simbol dalam logika predikat :

Himpunan huruf, baik huruf kecil maupun huruf besar dalam abjad.
Himpunan digit (angka) 0,1,2,…9
Garis bawah “_”

Simbol-simbol dalam logika predikat dimulai dengan sebuah huruf dan diikuti oleh sembarang rangkaian karakter-karakter yang diijinkan. Simbol-simbol logika predikat dapat merepresentasikan variable, konstanta, fungsi atau predikat.

Konstanta
objek atau sifat dari semesta pembicaraan. Penulisannya diawali dengan  huruf kecil, seperti : pohon, tinggi. Konstanta true (benar) dan false (salah) adalah simbol kebenaran (truth simbol).

Variable
digunakan untuk merancang kelas objek atau sifat-sifat secara umum dalam semesta pembicaraan. Penulisannya diawali dengan huruf besar, seperti : Bill, Kate.

Fungsi
pemetaan (mapping) dari satu atau lebih elemen dalam suatu himpunan yang disebut domain fungsi ke dalam sebuah elemen unik pada himpunan lain yang disebut range fungsi. Penulisannya dimulai dengan huruf kecil. Suatu ekspresi fungsi merupakan symbol fungsi yang diikuti argument.

Argument
adalah elemen-elemen dari fungsi, ditulis diapit tanda kurung dan dipisahkan dengan tanda koma.

Predikat
menamai hubungan antara nol atau lebih objek dalam semesta pembicaraan. Penulisannya dimulai dengan huruf kecil, seperti : equals, sama dengan, likes, near.

8.3 Quantifier Universal

Dalam logika predikat , kuantifikasi universal merupakan jenis quantifier , sebuah konstanta logis yang ditafsirkan sebagai "diberi" atau "untuk semua". Ini mengungkapkan bahwa fungsi proposisi dapat dipenuhi oleh setiap anggota dari domain wacana. Dalam istilah lain, itu adalah predikasi dari properti atau hubungan dengan setiap anggota domain. Ini menegaskan bahwa predikat dalam lingkup dari quantifier universal benar dari setiap nilai dari variabel predikat.

8.4 Quantifier Existensial

Dalam logika predikat, suatu kuantifikasi eksistensial adalah jenis quantifier, sebuah konstanta logis yang ditafsirkan sebagai "ada ada," "ada setidaknya satu," atau "untuk beberapa." Ini mengungkapkan bahwa fungsi proposisi dapat dipenuhi oleh setidaknya satu anggota dari domain wacana . Dalam istilah lain, itu adalah predikasi dari properti atau hubungan dengan setidaknya satu anggota dari domain. Ini menegaskan bahwa predikat dalam lingkup dari quantifier eksistensial adalah benar dari setidaknya satu nilai dari variabel predikat.

8.5 Resolusi Logika Predikat

Resolusi pada logika predikat pada dasarnya sama dengan resolusi pada logika proposisi, hanya saja ditambah dengan unifikasi.Pada logika predikat, prosedur untuk membuktikan pernyataan P dengan beberapa pernyataan F yang telah diketahui, dengan menggunakan resolusi, dapat dilakukan melalui algoritma sebagai berikut :

Konversikan semua proposisi F ke bentuk klausa.
Negasikan P, dan konversikan hasil negasi tersebut ke bentuk klausa.Tambahkan kehimpunan klausa yang telah ada pada langkah.
Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan.

Sumber : 

http://bagusnunu.blogspot.co.id/2014/09/representasi-pengetahuan.html

https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/

http://spukswkelasbkelompok3.blogspot.co.id/2009/02/pengetahuan-dibedakan-menjadi-3.html

https://aij1004.wordpress.com/2010/06/27/representasi-pengetahuan/

Peng. Teknologi Sistem Cerdas

BAB I

Pengenalan Intelegensi Buatan

1.1     Definisi Kecerdasan Buatan

            Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal Ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan.

            AI biasanya dihubungkan dengan Ilmu Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi, Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan pengetahuan dari semua  bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam upaya menciptakan suatu kecerdasan buatan. Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia.

1.2     Kecerdasan Buatan dengan Kecerdasan Alami

            Kecerdasan Buatan

            Lebih bersifat permanen. Kecerdasan alami bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah selama sistem komputer & program tidak mengubahnya.

            Lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1 orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak akan pernah dapat diduplikasi dengan lengkap. Jadi jika pengetahuan terletak pada suatu sistem komputer, maka pengetahuan tersebut dapat disalin dari komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.

            Lebih murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.

            Bersifat konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer sedangkan kecerdasan alami senantiasa berubah-ubah.

            Dapat didokumentasi.Keputusan yang dibuat komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.

            Lebih cepat dan lebih baik.

Sedangkan

            Kecerdasan Alami

            Kreatif : manusia memiliki kemampuan untuk menambah pengetahuan, sedangkan pada kecerdasan buatan untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun.

            Memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.

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

1.3     Komputasi Intelegensi Buatan dan Konvensional

            Komputasi intelegensi buatan memberitahu komputer tentang suatu masalah. Komputer diberi pengetahuan dan kemampuan inferensi dan juga bisa digunakan sebagai representasi dan manipulasi simbol. Sedangkan komputasi konvensional , yaitu memerintah komputer untuk menyelesaikan masalah, memberi data kepada komputer dan program dan juga menggunakan algoritma.

1.4     Sejarah Kecerdasan Buatan

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan pondasi untuk jaringan syaraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester(UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turingmemperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

     1.5     Lingkup Kecerdasan Buatan pada Aplikasi Komersial

                  Lingkup utama dalam kecerdasan buatan adalah:

1.      Sistem Pakar (Expert System). Disini komputer digunakan sebagai sarana untuk pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar.

2.      Pengolahan Bahasa Alami (Natural Language Processing). Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.

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

4.      Robotika & Sistem Sensor (Robotics & Sensory Systems).

5.      Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau obyek-obyek tampak melalui komputer.

6.      Intelligent Computer-aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.

7.      Game Playing.

 1.6     Soft Computing

            Soft computing adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah. Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun 1992.

            Unsur Pokok dalam Soft Computing :

1.Sistem Fuzzy (mengakomodasi ketidaktepatan);

2.Jaringan Syaraf (menggunakan pembelajaran);

3.Probabilistic Reasoning (mengakomodasi ketidakpastian);

4.Evolutionary Computing (optimasi).

Keempat unsur tesebut bukan merupakan pesaing antara satu dengan lainnya, namun diantaranya bisa saling melengkapi. Sehingga, Zadeh juga mendefinisikan bahwa soft computing itu merupakan hubungan antara logika fuzzy, neuro-computing, probabilistic reasoning, dan algoritma genetik.

BAB II

Pengenalan Intellegent Agents

2.1     Agent dan Lingkungannya

            Agents adalah segala sesuatu yang dapat melihat/ mengartikan/ mengetahui (perceiving) linkungannya melalui alat sensor (sensors) dan bertindak (acting) melalui alat aktuator (actuators).

            Manusia sebagai agent : mata, telinga dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators.

            Robot sebagai agent : kamera dan pejejak infra merah sebagai sensors; berbagai motor pengerak sebagai actuators.

             Software sebagai agent : tekanan pada keyboard, isi file dan paket paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators.

            Fungsi agent adalah pemetaan dari urutan persepsi (percept) menjadi tindakan (actions)

            Program agent berjalan pada arsitektur fisik untuk menghasilkan fungsi agent (f) agent = architecture + program.

2.2     Konsep Rasionalitas

            Rational agent adalah agent yang melakukan sesuatu yang benar

            Setiap kolom pada tabel (Vacuum-cleaner world) diselesaikan/dikerjakan dengan   benar

            Apakah sesuatu yang benar ?

            Agent yang paling sukses/ berhasil

            Mengukur kesuksesan/ keberhasilan ?

            Pengukur kemampuan haruslah objektif (contoh : Vacuum cleaner world)

            Jumlah debu yang dapat dibersihkan pada waktu tertentu

            Seberapa bersih lantai

            Besarnya konsumsi listrik

            Besarnya noise yang dihasilkan

            Rasional tergantung pada 4 hal :

1.      Kemampuan yang terukur,

2.      Pengetahuan lingkungan sebelumnya/ terdahulu,

3.      Tindakan,

4.      Urutan persepsi (sensors).

            DEF: Untuk setiap urutan persepsi yang mungkin, rational agent harus memilih tindakan yang diharapkan dapat memaksimalkan kemampuan dengan memberikan bukti yang dihasilkan dari urutan persepsi dan pengetahuan yang dimiliki oleh agent.

            Rationalitas ≠ kemahatahuan (omniscience) An omniscient agent adalah agent mengetahui akibat yang terjadi dari suatu tindakan.

            Agent dapat bertindak sesuai dengan yang diharapkan untuk memodifikasi persepsi akan datang dengan mendapatkan informasi yang berguna (pengumpulan informasi dan eksplorasi) Agent dikatakan autonomous, jika perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan untuk belajar dan beradaptasi)

2.3     PEAS

            PEAS : Perfomance measure , Environment , Actuators , Sensors 

Pertama-tama harus menentukan pengaturan untuk desain agen cerdas

Contoh:  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     Jenis-Jenis Lingkungan 

            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     Struktur Agen

            Perilaku agen : tindakan yang di lakukan setelah di berikan sembarang sekuen        persepsi.

            Tugas Al adalah merancang program agen yang mengimplementasikan , fungsi agen yang memetakan persepsi ke tindakan .

            Diasumsikan program ini berjalan di beberapa alat komputasi yang di lengkapi sensors dan actuators (di sebut arsitektur).

            Agent = arsitektur + program.

            Program yang di pilih harus sesuai dengan arsitektur tersebut.

            Cth : action : Walk  ->  arsitekturnya hendaklah memliki kaki.

2.6     Program-Program Agen

            Empat jenis dasar untuk menambah generalitas :

1.      Simple reflex agents

2.      model-based reflex agents

3.      goal-based agents

4.      utility-based agents

BAB III

Pengenalan Logical Agent

3.1     Logical Agent

          Logic merupakan jantung dari program, para pemrogram mempunyai keyakinan bahwa sebuah computer dapat dibuat mengerti logika, maka computer dapat dibuat untuk berfikir, karena logika kelihatannya menjadi inti dari kecerdasan.

1        Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible

2        Kita membutuhkan agen yang dapat menambah pengetahuan dan menyimpulkan keadaan

3        Agent yang akan membantu seperti ini kita beri nama knowledge based agent

3.2     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 Eficiency
kemampuan untuk menambah informasi baru secara mudah.

3.4     Logic Model

            Logic Models merupakan cara logis untuk membuat perencanaan yang mudah dievaluasi dan logis. Logic Models memberikan gambaran atas suatu program, yang berbentuk grafik dan tulisan yang menunjukan hubungan antara berbagai aktivitas dalam suatu program dengan hasil dan outcome yang akan dicapai. Logic Models dapat didefinisikan sebagai alat atau rerangka konsep yang membantu mengidentifikasi suatu program melalui perencanaan dengan analisis atas sumber daya (resources), proses dan aktivitas yang akan dilakukan (activities), Outputs yang ingin dicapai, orang yang menjadi sasaran program (Customers), dan Outcomes. Logic Models dapat digunakan untuk mengevaluasi hasil dari suatu program. Tahap pertama dalam mengimplementasi Logic Models terhadap suatu program adalah analisis mengenai How to do the Program. Suatu program akan menggunakan sumber daya tersentu, untuk melakukan suatu proses, yang menghasilkanoutput tertentu, sehingga customer dapat melakukan perubahan sesuai outcome yang ingin dituju. Dengan demikian, hasil dari suatu progam sesuai target.

BAB IV

Metode Pencarian dan Pelacakan

            Pencarian dan pelacakan merupakan suatu hal penting dalam suatu sistem. Karena pencarian dan pelacakan ini adalah hal yang menentukan keberhasilan sistem tersebut. Pada dasarnya, metode pencarian dan pelacakan dibagi dua, yaitu Pencarian Buta (blind search) dan Pencarian Tersusun (heuristic search).

            Pertama saya akan membahas tentang Pencarian Buta (Blind Search). Pencarian Buta tidak mempunyai informasi awal dan di simpulkan berdasarkan urutan tertentu dan dibagi menjadi 2, yaitu :

- Pencarian Melebar Pertama (Breadth-Search First)

Pencarian melebar pertama dilakukan dengan melakukan pencarian dengan cara mencari yang dilakukan dengan cara melebar dari node pertama hingga berlanjut kepada node di level selanjutnya. Dimulai pada node n, dan dilanjutkan n+1. Pencarian akan terus dilakukan dari akar kiri ke kanan hingga hasil ditemukan.

-Pencarian Mendalam Pertama (Depth-Search First)

Pencarian metode ini melakukan pencarian pada semua node "anaknya" sebelum dilakukan pencarian ke node-node lain yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi, dan proses terus diulang hingga solusi ditemukan. Keuntungan dari metode ini adalah menggunakan memori yang relatif kecil, dan jika pencarian tepat, akan menemukan solusi tanpa harus menguji lebih banyak node. Namun, metode ini tetap memiliki kelemahan, yaitu memungkinkan hasil tidak ditemukan, dan setiap 1 kali pencarian hanya akan menghasilkan satu solusi.

             Kedua saya akan membahas tentang Pencarian Tersusun (heuristic search). Pencarian tersusun mempunyai informasi awal yang digunakan dalam proses pencarian. Heuristic search juga disimpulkan menjadi 2, yaitu :

Generate and test adalah gabungan dari pencarian depth first dengan pelacakan mundur. Nilai dari pengujian ini berupa "ya" atau "tidak". Pencarian ini memiliki beberapa algoritma, yaitu :

1.      Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertendu dari keadaan awal).

2.      Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengancara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih merupakan tujuan yang diharapkan.

Hill climbing , metode ini hampir sama dengan generate and test, perbedaannya ada pada feedback dari prosedur test untuk pembangkitan keadaan berikutnya. Tes yang dilakukan berupa fungsi heuristik akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap keadaan lain yang memungkinkan.

Sumber :
https://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan/
http://elektro-unimal.blogspot.co.id/2013/05/perbedaan-kecerdasan-buatan-dan.html
https://ocurahmad.wordpress.com/2010/03/09/perbedaan-kecerdasan-buatan-ai-dengan-konvensional/
https://id.wikipedia.org/wiki/Kecerdasan_buatan
https://syahrulzzadie.blogspot.com/2014/10/pengertian-soft-computing.html
http://hadieswd.blogspot.co.id/2015/03/kecerdasan-buatan-intelligent-agents.html
http://kuliah-ai-ubibwi.blogspot.co.id/2012/10/arsitektur-dan-lingkungan-sistem.html
https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/
https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/