Penyelesaian Masalah Melalui Proses Pencarian/ Searching

AGEN PEMECAHAN MASALAH
a. Graf Keadaan

b. Pohon Pelacakan

c. Pohon AND/OR

a. Graf Keadaan

Graf Keadaan

Pada graf keadaan dengan arah di atas:

>> Ada 4 lintasan yang mencapai tujuan, yakni :

1. M-A-B-C-E-T

2. M-A-B-C-E-H-T

3. M-D-C-E-T

4. M-D-C-E-H-T

>> Ada 5 lintasan yang tidak mencapai tujuan yakni :

1. M-A-B-C-E-F-G

2. M-A-B-C-E-I-J

3. M-D-C-E-F-G

4. M-D-C-E-I-J

5. M-D-I-J

•Graf Keadaan

Kelemahan graf berarah:

>> Memungkinkan terjadi siklus (perulangan) seandainya graf tidak memiliki arah.

>> Sulit mencapai tujuan

b. Pohon Pelacakan

Untuk menghindari kemungkinan adanya proses pelacakan suatu node secara berulang, maka digunakan struktur pohon

à Keuntungan pohon pelacakan:

>> Tujuan tercapai

>> Tidak terjadi siklus

à Kelemahan pohon pelacakan:

>> Proses pelacakan agak lama (perlu waktu

lama)

c. Pohon AND/OR

Kelemahan pada teknik pohon pelacakan dapat diselesaikan dengan teknik pelacakan menggunakan pohon AND/OR.

Metode Pencarian dan Pelacakan

Pencarian sebagai solusi masalah

Hal penting dalam menentukan keberhasilan sistem cerdasadalah kesuksesan dalam pencarian. Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state space). Ruang keadaan = merupakan suatu ruang yang berisi semua keadaan yang mungkin.

• Untuk mengukur perfomansi metode pencarian, terdapat empat kriteria yang dapat digunakan :

- Completeness : apakah metode tsb menjamin penemuan solusi jika solusinya memang ada?

- Time complexity : berapa lama waktu yang diperlukan?

- Space complexity : berapa banyak memori yg diperlukan

- Optimality : apakah metode tsb menjamin menemukan

solusi yg terbaik jika terdapat beberapa solusi berbeda?

. Best First Search

• Metode best first search merupakan kombinasi dari metode depth first search & breadth first search dengan mengambil kelebihan dari kedua metode tersebut. Hill climbing tidak diperbolehkan untuk kembali ke node yang lebih rendah meskipun node tersebut memiliki nilai heuristik lebih baik. Pada best first search, pencarian diperbolehkan mengunjungi node yang lebih rendah, jika ternyata node di level lebih tinggi memiliki nilai heuristik lebih buruk. Untuk mengimplementasikan metode ini, dibutuhkan 2 antrian yang berisi node-node, yaitu :

• OPEN : berisi node-node yang sudah dibangkitkan, sudah memiliki fungsi heuristik namun belum diuji. Umumnya berupa antrian berprioritas yang berisi elemen-elemen dengan nilai heuristik tertinggi.

• CLOSED : berisi node-node yang sudah diuji.

.UCS (Uniform Cost Search)
UCS (Uniform Sost Search) adalah perpaduan antara BFS dan DFS. Pada UCS, teknik pencariannya memperhatikan cost/jarak antara 1 node ke node lain.
Berikut ini adalah ilustrasinya :

Pada permasalahan diatas telah ditentukan jarak antara node. Maka pada model UCS, teknik yang akan dilakukan adalah membuka node yang memiliki nilai/cost antar node yang terendah.

pada gambar diatas jika kita buka :

c = 10

b = 20

a = 10

Karena nilai c dan a sama maka teserah mau membuka yang mana lebih dahulu.

Seandainya kita membuka c maka kita teruskan pencariannya, lalu kita buka :

d = 10+5 =15

DFS (Depth-first Search)
DFS (Depth-first Search) sering disebut juga pencarian mendalam. Sesuai dengan namanya “pencarian mendalam”, DFS tidak mencari solusi per level, namun mencari pada kedalaman sebelah kiri terlebih dahulu, kemudian bila belum ditemuakn “goal”nya dilanjutkan ke sisi sebelah kanan dan seterusnya sampai ditemukan target/goal.
Dengan menggunakan permasalahan yang sama dengan penjelasan di awal tadi, maka pada model DFS akan di dapatkan solusi seperti gambar di bawah ini.
 Jadi, solusi node yang di lalui pada DFS adalah a,b,e,h.
DFS memiliki beberapa keuntungan,yaitu memori yang di gunakan tidak terlalu banyak karena tidak membuka semua node.

e = 10+40 = 50 (mencapai goal, namun nilai cost nya dirasa masih terlalu besar)

Maka kita buka node d, lalu akan diperoleh hasil :

e = 10+5+30 = 45 (nilai pada pencarian ini pun terasa masih terlau besar) maka dari itu kita buka node yang kecil di awal tadi yaitu node a.

Setelah kita buka node a, maka akan di dapat hasil :

e = 10 + 20 = 30 (di dapatkan goal dengan solusi terbaik)

Dari kasus diatas, dapat kita lihat bahwa ada banyak cara unuk mendapatkan solusi. Namun dari berbagai macam penyelesaian kasus, kita dapat mencari solusi yang paling optimal dan ini lah ke unggulan dari model UCS.

Algoritma DLS (Depth Limited Search) adalah salah satu algoritma yang digunakan untuk pencarian jalur. Contoh yang dibahas kali ini adalah mengenai pencarian jalur yang melalui semua titik.
Algoritma ini merupakan variasi dari Algoritma DFS (Depth First Search) yang sudah dijelaskan sebelumnya. Jika Algoritma DFS (Depth First Search) melakukan perhitungan (yang dimulai dengan titik terakhir) dengan cara menghabiskan semua tingkatan / kedalaman dari sebuah titik, maka algoritma ini memiliki batasan dimana perhitungan pada sebuah titik hanya dihitung sampai pada kedalaman tertentu. Setelah semua kemungkinan pada kedalaman itu sudah habis, kemudian akan dilanjutkan pada titik berikutnya.

Sumber :
http://xninexozar.blogspot.co.id/
http://aditya291296.blogspot.co.id/2017/09/pencarian-berbentuk-dan-eksplorasi.html

Read More

Pengenalan Kecerdasan Buatan/ Articial Intelligence (AI)

Pengertian 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. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namu bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula dengan kemampuan menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik.

Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar.

Lingkup utama kecerdasan buatan:

1.       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

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

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

4.       Robotika dan Sistem sensor

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

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

Dasar Kategori di Konsep dasar Ai(Kecerdasan Buatan)

1. Acting Humanly

Acting humanly ialah system yang melakukan pendekatan dengan menirukan tingkah laku seperti manusia yang dikenalkan pada tahun 1950 degan cara kerja pengujian melalui teletype yaitu jika penguji (integrator) tidak dapat membedakan yang mengintrogasai antara manusia dan computer maka computer tersebut dikatakan lolos(menjadi kecerdasan buatan).

2. Thinking Humanly

Yaitu system yang dilakukan dengan cara intropeksi yaitu penangkapan pemikiran psikologis
Manusia pada computer,hal ini sering diujikan dengan neuron ke neuron lainnya atau sel otak dengan sel otak lainnya cara pembelajarannya yaitu melalui experiment-experimen.

3. Thinking Rationaly

Ini merupakn system yang sangat sulit ,karena sering terjadi kesalah dala, prinsip dan prakteknya,system ini dikenal dengan penalaran komputasi.

4. Actng Rationaly

Yaitu system yang melakukan aksi dengan cara menciptakan suatu robotika cerdas yang menggantikan tugas manusia.

Sejarah Kecerdasan Buatan

Kecerdasan buatan merupakan bidang ilmu komputer yang sangat penting di era kini dan masa yang akan datang untuk mewujudkan sistem komputer yang cerdas.  Bidang ini telah berkembang sangat pesat di 20 tahun terakhir seiring dengan kebutuhan perangkat cerdas pada industry dan rumah tangga.

Kata “intelligence” berasal dari bahasa Latin “intelligo” yang berarti “saya paham”.  Berarti dasar dari intelligence ialah kemampuan untuk memahami dan melakukan aksi.  Sebenarnya, area Kecerdasan Buatan (Artificial Intelligence) atau disingkat dengan AI,  bermula dari kemunculan komputer sekitar th 1940-an, meskipun sejarah perkembangannya dapat dilacak sejak zaman Mesir kuno. Pada masa ini, perhatian difokuskan pada kemampuan komputer mengerjakan sesuatu yang dapat dilakukan oleh manusia.  Dalam hal ini, komputer tersebut dapat meniru kemampuan kecerdasan  dan perilaku  manusia.

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 Turing memperkenalkan "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 Shortliffemendemonstrasikan 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 Kasparovdalam 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 di mana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Saat ini, hampir semua perangkat komputer dan perangkat elektronika canggih menerapkan kecerdasan buatan untuk membuat sistem lebih handal. Di masa yang akan datang, diperkirakan semua perangkat elektronika dan komputer menjadi jauh lebih cerdas karena  telah ditanamkan berbagai metode kecerdasan buatan.

INTELLIGENT AGENTS

Di mana kita membahas sifat agen, sempurna atau sebaliknya, Keragaman dari lingkungan dan manajerial yang dihasilkan dari jenis agen.

 AGEN DAN LINGKUNGAN

Agen adalah segala sesuatu yang dapat dilihat sebagai mempersepsi lingkungan melalui sensor  dan bekerja atas lingkungan yang melaui penggerak.ide sederhanaini diilustrasikan pada gambar 2.1.Seorang adgen manusia meemiliki mata,telinga,dan organ lainnya untuk senor dan tangan ,kaki,saluran vokal,dan seterusnya untuk penggerak.Seorang agen robot mungkin memiliki kamera dan infra merah untuk sensor penggerak.Seorang agen software menerima keystrokes,isi file dan paket jaringan sebagai masukan sensorik dan bertindak sebagai lingkungan dengan menampilkannya pada layar,menuliskan file dan mengirim paket jaringan

Untuk mengtakan ada tentang agen.berbicara matematis,kita katakan bahwa perilaku agen digambarkan oleh fungsi agen yang memetakan setiap urutn diberikan persepsi kepada suatu tindakan.Kita bisa membayangkan tabulasi fungsi agen yang menggambarkan pemberian agen;untuk sebagian besar agen,ini akan menjadi sangat besar daftar-tak terbatas,pada kenyataanya,kecuali kita menempatkan terikat pada panjang urutan persepsi kita ingin mempertimbangkan.,karakterisasi eksternal dari agen.Internal,fungsi agen agen buatan akan dilaksankan oleh agen program.Hal ini penting untuk mejaga kedua ide yang berbeda.Fungsi agen adalah deksripsi matematis abstrak;program agen adalah implementasi konkret,berjalan dalam beberapa system fisik.

PERILAKU BAIK: KONSEP RASIONAL

Seorang agen rasional adalah salah satu yang melakukan hal yang benar-konseptual berbicara, setiap entri dalam tabel untuk fungsi agen diisi dengan benar.

Kita menjawab pertanyaan kuno ini dengan cara yang kuno dengan mempertimbangkan konsekuensi dari perilaku agen.Ketika agen mengempaskan bahwa dalam lingkungan itu menghasilkan urutan tindakan yang menurut persepsi yang diterima.Urutan ini menyebabkan lingkungan untuk pergi melalui urutan serikat. Jika urutan diinginkan, maka agen telah melakukan dengan baik.Gagasan tentang keinginan ditangkap oleh kinerja yang mengevaluasi setiap urutan yang diberikan oleh lingkungan negara).
Rasionalitas

Apakah rasional pada waktu tertentu tergantung pada 4 hal

·                     Ukuran kinerja yang mendefinisikan kriteria keberhasilan

·                     Agen sebelumnya dari pengetahuan lingkungan.

·                     Tindakan yang dapat dilakukan oleh agen

·                     Agen persepsi urutan to-date.

Ini mengarah ke sebuah definisi dari agen rasional;

Untuk setiap urutan mungkin persepsi, agen rasional harus memilih tindakan yang dilakukan telah melakukan tindakan untuk memaksimalkan yang mengukur kinerja, memberikan bukti yang diberikan oleh urutan persepsi dan apapun pengetahuan built-in yang dimiliki agen.

Kemahatahuan , belajar dan otonomi

Kita harus berhati-hati untuk membedakan antara rasionalitas dan kemahatahuan. Seorang agen mahatahu tahu hasil yang sebenarnya dari tindakan dan dapat bertindak sesuai; tapi kemahatahuan tidak mungkin dalam kenyataan. Perhatikan contoh berikut: Saya berjalan di sepanjang Champs Elys'ees satu hari dan saya melihat seorang teman lama di seberang jalan. Tidak ada lalu lintas di dekatnya dan aku tidak dinyatakan terlibat, sehingga, menjadi rasional, saya mulai menyeberang jalan. Sementara itu, di 33.000 kaki, pintu kargo jatuh sebuah pesawat yang lewat, 2 dan sebelum saya membuat ke sisi lain dari jalan saya diratakan. Apakah aku tidak rasional untuk menyeberang jalan? Hal ini tidak mungkin bahwa obituari saya akan membaca "upaya Idiot menyeberang jalan."

 Contoh ini menunjukkan bahwa rasionalitas adalah tidak sama dengan kesempurnaan. Rasionalitas max-imizes diharapkan kinerja, sedangkan kesempurnaan memaksimalkan kinerja aktual. Mundur dari persyaratan kesempurnaan bukan hanya masalah adil untuk agen. Intinya adalah bahwa jika kita mengharapkan agen untuk melakukan apa yang ternyata menjadi aksi terbaik setelah fakta, akan mustahil untuk merancang agen untuk memenuhi ini spesifikasi-kecuali kita meningkatkan kinerja bola kristal atau mesin waktu.

definisi kita membutuhkan agen yang rasional tidak hanya untuk mengumpulkan informasi tetapi juga untuk belajar sebanyak mungkin dari apa yang memandang. konfigurasi awal agen bisa mencerminkan beberapa pengetahuan tentang lingkungan, tetapi sebagai pengalaman keuntungan agen ini dapat dimodifikasi dan ditambah.

STRUKTUR AGEN

Tugas AI adalah untuk merancang sebuah program agen yang mengimplementasikan agen fungsi-pemetaan dari persepsi tindakan. Kami menganggap program ini akan berjalan pada beberapa jenis komputasi perangkat dengan sensor fisik dan aktuator-kami menyebutnya arsitektur: agen = arsitektur + program

 Program Agen

Program agen yang kami desain dalam buku ini semua memiliki kerangka yang sama: mereka mengambil persepsi saat ini sebagai masukan dari sensor dan kembali tindakan Notice actuators.perbedaan antara program agen, yang mengambil persepsi saat ini sebagai masukan, dan fungsi agent, yang mengambil seluruh sejarah persepsi. Program agen mengambil hanya persepsi saat ini sebagai masukan karena tidak lebih tersedia dari lingkungan; jika tindakan agen perlu bergantung pada seluruh urutan persepsi, agen harus mengingat persepsi.

kami menguraikan empat jenis dasar program agen yang mewujudkan prinsip-prinsip yang mendasari sistem hampir semua cerdas:

-          Agen refleks sederhana;

-          Agen refleks model berbasis;

-          Agen berbasis tujuan; 

-          dan Agen berbasis utilitas.

Sumber:

https://dekabopass2.blogspot.co.id/2015/06/makalah-dasar-dasar-kecerdasan-buatan.html

https://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan/

http://irpantips4u.blogspot.co.id/2012/12/konsep-dasar-artificial-intelligence-ai.html

http://purwanto4s.blogspot.co.id/2017/01/artificial-intelegence-kecerdasan-buatan.html

Read More