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).