materi 2

MATERI 2 Menyelesaikan masalah melalui proses pencarian 1.      Agen pemecah masalah : Masalah simulasi (atau menciptakan) intelijen telah dipecah menjadi beberapa sub-masalah tertentu. Ini terdiri dari ciri-ciri tertentu atau kemampuan yang peneliti ingin sistem yang cerdas untuk ditampilkan. Sifat-sifat yang diuraikan di bawah ini telah menerima perhatian paling besar. Pemotongan, penalaran, pemecahan masalah AI awal peneliti mengembangkan algoritma yang meniru langkah-demi-langkah penalaran yang digunakan manusia ketika mereka memecahkan teka-teki, bermain papan permainan atau membuat kesimpulan-kesimpulan logis. Pada akhir 1980-an dan 90-an, penelitian AI juga telah sangat sukses mengembangkan metode untuk berurusan dengan pasti atau informasi yang tidak lengkap, menggunakan konsep-konsep dari probabilitas dan ekonomi. Untuk masalah sulit, sebagian besar algoritma ini memerlukan sumber daya komputasi yang sangat besar – paling mengalami “ledakan kombinatorial”: jumlah memori atau komputer waktu yang diperlukan menjadi masalah astronomi ketika melampaui ukuran tertentu. Mencari pemecahan masalah yang lebih efisien algoritma adalah prioritas tinggi untuk penelitian Flu Burung. Manusia memecahkan kebanyakan masalah mereka dengan cepat, intuitif penilaian daripada sadar, langkah-demi-langkah deduksi bahwa awal penelitian AI bisa model. AI telah membuat beberapa kemajuan pada jenis ini meniru “sub-simbolis” pemecahan masalah: agen terwujud pendekatan yang menekankan pentingnya sensorimotor keterampilan penalaran yang lebih tinggi; jaringan saraf upaya penelitian untuk mensimulasikan struktur di dalam otak manusia dan hewan yang melahirkan keterampilan ini. AI awal peneliti mengembangkan algoritma yang meniru langkah-demi-langkah penalaran yang digunakan manusia ketika mereka memecahkan teka-teki, bermain papan permainan atau membuat kesimpulan-kesimpulan logis. Pada akhir 1980-an dan 90-an, penelitian AI juga telah sangat sukses mengembangkan metode untuk berurusan dengan pasti atau informasi yang tidak lengkap, menggunakan konsep-konsep dari probabilitas dan ekonomi. Untuk masalah sulit, sebagian besar algoritma ini memerlukan sumber daya komputasi yang sangat besar – paling mengalami “ledakan kombinatorial”: jumlah memori atau komputer waktu yang diperlukan menjadi masalah astronomi ketika melampaui ukuran tertentu. Mencari pemecahan masalah yang lebih efisien algoritma adalah prioritas tinggi untuk penelitian Flu Burung. Manusia memecahkan kebanyakan masalah mereka dengan cepat, intuitif penilaian daripada sadar, langkah-demi-langkah deduksi bahwa awal penelitian AI bisa model. AI telah membuat beberapa kemajuan pada jenis ini meniru “sub-simbolis” pemecahan masalah: agen terwujud pendekatan yang menekankan pentingnya sensorimotor keterampilan penalaran yang lebih tinggi; jaringan saraf upaya penelitian untuk mensimulasikan struktur di dalam otak manusia dan hewan yang melahirkan keterampilan ini. 2.      Pencarian sebagai solusi pemecah masalah:  Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. • Pada gambar 1 sistem AI, input yg diberikan adalah berupa masalah. • Sistem harus dilengkapi dengan sekumpulan pengetahuan yang ada pada basis pengetahuan. • Sistem harus memiliki motor inferensi agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan. • Output yang diberikan berupa solusi dari masalah sebagai hasil dari inferens 3.      Stragtegi pencarian yang tidak berbentuk Strategi Pencarian Terdapat empat kriteria dalam strategi pencarian, yaitu: ·         Completeness: Apakah strategi tersebut menjamin penemuan solusi jika solusinya memang ada? ·         Time complexity: Berapa lama waktu yang diperlukan? ·         Space complexity: Berapa banyak memori yang diperlukan? ·         Optimality: Apakah strategi tersebut menemukan solusi yang paling baik jika terdapat beberapa solusi berbeda pada permasalahan yang ada? a.       Depth-First Search (DFS) Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai Ditemukan solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking (penelusuran balik untuk  mendapatkan jalur yang dinginkan).

b.       Breadth-First Search (BFS)

Pencarian dilakukan pada semua node dalam setiap level secara berurutan dari kiri ke kanan. Jika pada satu level belum ditemukan solusi, maka pencarian dilanjutkan pada level berikutnya. Demikian seterusnya sampai ditemukan solusi. Dengan strategi ini, maka dapat dijamin bahwa solusi yang ditemukan adalah yang paling baik (Optimal). Tetapi BFS harus menyimpan semua node yang pernah dibangkitkan. Hal ini harus dilakukan untuk penelusuran balik jika solusi sudah ditemukan. Gambar 2.4 mengilustrasikan pembangkitan pohon BFS untuk masalah Water Jug. Pembangkitan suksesor dari suatu node bergantung pada urutan dari Aturan Produksi yang dibuat (lihat gambar 2.3). Jika urutan dari aturan 4 ditukar dengan aturan 5, maka pohon BFS yang dibangkitkan juga akan berubah.

c.        Depth Limited search

                Algoritma ini merupakan salah satu dari jenis Uniformed search, Depth Limited search ini merupakan pengembangan dari Depth First Search namun dibatasi dengan batasan kedalaman yang dicari. Depth Limited Search ini sama seperti DFS dimana kedua algoritma ini tidak akan menemukan solusi ketika proses pencarian berlangsung menemui keadaan infinite, yaitu tidak berujung atau tak terhingga. Maka dari itu pencarian dengan Depth Limited Search ini akan menemukan solusi bila pencariannya berada dibawah batas kedalaman yang ditentukan

d.       Uniform Cost Search

Uniform Cost Search adalah algoritma Seach Tree (graph) yang digunakan untuk menyelesaikan beberapa persoalan . Algoritma ini memulai pencarian dari root node, kemudian dilanjutkan ke node-node selanjutnya. Dimana node tersebut dipilih yang memilki harga (cost) terkecil dari root node. Algoritma ini merupakan modifikasi dari Bread First Search (BFS).

materi 1

MATERI 1

Mengenal pengenalan teknologi system cerdas.

·        Pengertian kecerdasan buatan :

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

·        Bidang ilmu yang menjadi dasar buatan :

-             Beberapa Bidang dalam Kecerdasan Buatan antara lain :

1.      Sistem Pakar 2.      Algoritma Genetika

3.      Logika Fuzzy

4.      Jaringan Syaraf Tiruan 5.      Robotika

1.     Sistem Pakar

Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan. 2.     Algoritma genetika Algoritma Genetika adalah suatu algoritma pencarian yang meniru mekanisme dari genetika alam. Algoritma Genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan.Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat untuk masalah optimal dari satu variabel atau multi variabel. Sebelum Algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsitujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Operasi yang dilakukan adalah reproduksi, crossover, dan mutasi untuk mendapatkan sebuah solusi menurut nilai fitnessnya. Selanjutnya konstruksi dasar dari Algoritma Genetika adalah sebagai berikut: • Pendefinisian Chromosome • Pendefinisian Fungsi Fitness • Membangkitkan Sebuah Populasi Awal • Reproduksi • Crossover • Mutasi Contoh: Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy.

3.     Logika Fuzzy

Logika Fuzzy ( logika samar ) merupakan logika yang berhadapan langsung dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam binary 0 atau 1. logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Karena alasan diatas maka pada penelitian ini akan dibuat perancangan perangkat lunak dan perangkat keras robot avoider dengan mengunakan aplikasi Fuzzy Logic sebagai kendali system.

Perlu diketahui bahwa Teori Himpunan Samar dan Logika Samar sangat berkembang pesat pada saat ini. Banyak sekali masalah-masalah nyata yang lebih tepat diselesaikan menggunakan Teori Himpunan Samar dan Logika Samar. Banyak sekali muncul teori-teori baru pada saat ini misalnya: Topologi Fuzzy, Analisa Fuzzy, Aljabar Fuzzy (Fuzzy Semi Group, Fuzzy Ring, Fuzzy Group, dan sebagainya.

Logika fuzzy telah lama dikenal dan digunakan dalam berbagai bidang oleh para ahli dan insinyur. Penggunaan logika fuzzy pada awalnya digunakan untuk beberapa bidang, seperti sistem diagnosa penyakit (dalam bidang kedokteran); pemodelan sistem pemasaran, riset operasi (dalam bidang ekonomi); kendali kualitas air, prediksi adanya gempa bumi, klasifikasi dan pencocokan pola (dalam bidang teknik). Penggunaan logika fuzzy dalam bidang sistem daya (power system) juga sudah dilakukan, antara lain dalam analisis kemungkinan, prediksi dan pengaturan beban, identifikasi gangguan pada generator dan penjadwalan pemeliharaan generator. 4.     Jaringan Syaraf  Tiruan Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. 5.     Robotika Robotika adalah salah satu wacana teknologi untuk menuju peradaban yang lebih maju. Kebanyakan orang selalu beranggapan bahwa robot adalah kemajuan teknologi yang mampu menggeser tingkah laku seseorang untuk melakukan suatu tindakan. Dengan kemajuan yang pesat, maka kebutuhan akan SDM akan merosot tajam. Layaknya revolusi pada bangsa Eropa. Sangat disayangkan selali bila titik ikon kemajuan teknologi tersebut tidak seiring dengan cepat nya pemahaman masyarakat pada umumnya yang selalu meng-analogikan robot adalah biang kerok hilangnya tenaga buruh untuk memacu pertumbuhan perekonomian. ·         Sejarah kecerdasan buatan Sejarah Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer. -          Agent intelejen meliputi : a.                  Agen dan linkungannya b.                  Konsep rasionalitas c.                   Lingkungan alami d.                  Struktur  agent A.    Struktur agen Sebuah program agen yang sederhana dapat didefinisikan secara matematis sebagai fungsi agen yang memetakan setiap urutan persepsi mungkin untuk tindakan yang mungkin agen dapat melakukan atau untuk suatu elemen, umpan balik koefisien, fungsi atau konstanta yang mempengaruhi tindakan akhirnya. B.     Agent dan lingkungan nya Sistem Agen Cerdas o   Program yang dapat diberi tugas dan dapat menyelesaikan tugasnya secara mandiri, serta mempunyai inteligensi. Dengan bantuan sistem agen tersebut, maka pekerjaan yang membutuhkan waktu lama dapat diselesaikan dengan baik dan lebih cepat. o   Dengan adanya agen cerdas pada aplikasi diharapkan aplikasi tersebut dapat berpikir dan dapat menentukan pilihan langkah terbaik sehingga dapat mengalahkan manusia. Definisi Agen Cerdas o   Sebuah agen adalah segala sesuatu yang dapat merasakan lingkungannya melalui peralatan sensor-sensor, bertindak sesuai dengan lingkungannya dan dengan mengunakan peralatan penggeraknya /actuator (Russel dan Norvig). o   Sebuah agen adalah sebuah sistem komputer yang berada dalam suatu lingkungan dan memiliki kemampuan bertindak secara otonomos didalam situasi lingkungan tersebut sesuai dengan sasaran yang dirancang (Woold-ridge). C.     Konsep rasionalitas q  Rational Agent : o   Sebuah agen selalu mencoba untuk mengoptimasikan sebuah nilai ukuran kinerja yang disebut agen memiliki rasional (rational agent). o   Sebuah agen adalah rasional jika dapat memilih kemungkinan untuk bertindak yang terbaik setiap saat, menurut apa yang ia ketahui mengenai lingkungannya pada saat itu. o   Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran kemampuannya, dengan adanya bukti yang diberikan oleh deretan persepsi dan apapun pengetahuan terpasang yang dimiliki agen itu. Jadi, agen rasional diharapkan dapat melakukan atau memberi tindakan yang benar. Tindakan yang benar adalah tindakan yang menyebabkan agen mencapai tingkat yang paling berhasil. (Stuart Russel, Peter Norvig, 2003). Ukuran kinerja (dari rational agent) biasanya didefinisikan oleh perancang agen dan merefleksikan apa yang diharapkan mampu dilakukan dari agen tersebut. Sebuah agen berbasis rasional juga disebut sebuah agen cerdas.