Metode Pencarian dan Pelacakan 1

Metode Pencarian dan Pelacakan 1 Perkuliahan Minggu ke-4




4.1 Metode Pencarian Buta (Blind Search)

4.1.1 Breadth First Search

Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya.
Breadth-first search adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya. Jika graf berbentuk pohon berakar, maka semua simpul pada aras d dikunjungi lebih dahulu sebelum simpul-simpul pada ras d+1.
Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul yang telah dikunjungi. Simpulsimpul ini diperlukan sebagai acuan untuk mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang telah dikunjungu masuk ke dalam antrian hanya satu kali. Algoritma ini juga membutuhkan table Boolean untuk menyimpan simpul yang te lah dikunjungi sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.

4.1.2 Depth First Search

Depth-first search (DFS) adalah proses searching sistematis buta yang melakukan ekpansi sebuah path (jalur) menuju penyelesaian masalah sebelum melakukan ekplorasi terhadap path yang lain. Proses searching mengikuti sebuah path tunggal sampai menemukan goal atau dead end. Apabila proses searching menemukan dead-end, DFS akan melakukan penelusuran balik ke node terakhir untuk melihat apakah node tersebut memiliki path cabang yang belum dieksplorasi. Apabila cabang ditemukan, DFS akan melakukan cabang tersebut. Apabila sudah tidak ada lagi cabang yang dapat dieksplorasi, DFS akan kembali ke node parent dan melakukan proses searching terhadap cabang yang belum dieksplorasi dari node parent sampai menemukan penyelesaian masalah.
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).

4.2 Metode Pencarian Heuristik

4.2.1 Generate And Test

   Strategi bangkitkan dan uji (generate and test) merupakan pendekatan yang paling sederhana
dari semua pendekatan yang akan dibicarakan.

 Pendekatan ini meliputi langkah–langkah sebagai berikut :

1. Buatlah/bangkitkan sebuah solusi yangmemungkinkan. Untuk sebuah problema hal ini dapat berarti pembuatan sebuah titikkhusus dalam ruang problema.
2.  Lakukan pengujian untuk melihat apakah solusi yang dibuat benar–benar merupakan sebuah solusi, dengan cara membandingkan titik khusus tersebut dengan goal-nya (solusi).
3. Jika telah diperoleh sebuah solusi, langkah– langkah tersebut dapat dihentikan. Jika belum, kembalilah ke langkah pertama.

Jika pembangkitan atau pembuatan solusi–solusi yang dimungkinkan dapat dilakukan secara sistematis, maka prosedur ini akan dapat segera menemukan solusinya, (bila ada). Namun, jika ruang problema sangat besar, maka proses ini akan membutuhkan waktu yang lama. Metode generate and test ini kurang efisien untuk masalah yang besar atau kompleks

4.2.2 Hill Climbing

  Hill climbing (mendaki bukit) merupakan salahsatu variasi metode buat dan uji (generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan untuk memutuskan arah gerak dalam ruang pencarian (search). Dalam prosedur buat dan uji yang murni, respon fungsi uji hanyalah ya atau tidak.  Dalam prosedur Hill Climbing, fungsi uji dikombinasikan dengan fungsi heuristik yang menyediakan pengukuran kedekatan suatu keadaan yang diberikan dengan tujuan (goal).
Prosedur Hill Climbing :

1. . Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya. Pengantar Inteligensia Buatan – Heuristic Searching 3/8
2. Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru. 
3. Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini :

•    Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi,
• berhentilah Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.
• Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.
• Kembalilah ke langkah 2. 

Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :

- Pengantar Inteligensia Buatan – Heuristic Searching 4/8
- Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.
- Daratan (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.
- Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada
daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.

Solusinya:

- Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak
ke arah yang lain.
- Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.
Pengantar Inteligensia Buatan – Heuristic Searching 5/8
- Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa arah sekaligus.

Sumber : http://solikhaton.blogspot.co.id/2014/08/makalah-membahas-tentang-algoritma.html

http://andikunc02.blogspot.co.id/2010/04/kecerdasan-buatan.html

Pengenalan Logical Agents

Pengenalan Logical Agents ( Perkuliahan minggu ke-3)

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

•  Representasi Pengetahuan yang bersifat general.
•  Kemampuan beradaptasi sesuai temuan fakta.
• 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.

Pengetahuan yang dimiliki agent tidak berguna jika ia tidak melakukan apapun Karenanya kita perlu menambahkan aturan agar dia dapat bergerak (complete the knowledge base).

Beberapa tahapan yang dilakukan dalam menyusun knowledge based agent:

ž Untuk dapat menyusun sebuah knowledge based agent maka kita harus terlebih dulu bisa menyusun knowledge basenya itu sendiri.

ž Untuk menyusun knowledge base kita perlu menentukan bagaimana cara kita merepresentasikan pengetahuan kita (knowledge representation)

ž Knowledge representation kita harus merupakan bentuk yang mudah disimpan dan digunakan pada komputer. Dalam perkuliahan ini kita menggunakan beberapa macam knowledge representation language



3.2 Wumpus world

Agent didalam dunia perangkat lunak, adalah suatu perangkat lunak/aplikasi yang mampu bekerja mandiri untuk menyelesaikan tugasnya.Salah satu contoh aplikasi agen yang terkenal dari dunia kecerdasan buatan adalah Wumpus World. Wumpus World atau 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 agent jika tertangkap. Untuk mengetahui apakah si agent mendekati sumur, Wumpus atau emas, maka agent bisa mendeteksi dari dunia kotak di sekitarnya.

3.3 Logic in general - models and entailment

Logic adalah bahasa formal untuk merepresentasikan fakta sedemikian . kesimpulan (fakta baru, jawaban) dapat ditarik. Ada banyak metode inference yang diketahui. Kita bisa membangun agent Wumpus World dengan logika: memanfaatkan perkembangan logika

Propositional logic adalah logic yang paling sederhana Sebuah sentence dinyatakan sebagai propositional symbol P1,P2, dst.

· Syntax Jika S adalah kalimat, ¬S adalah kalimat (negation)

· Jika S1 dan S2 adalah kalimat, S1 ∧ S2 adalah kalimat (conjunction)

· Jika S1 dan S2 adalah kalimat, S1 ∨ S2 adalah kalimat (disjunction) J

· ika S1 dan S2 adalah kalimat, S1 ⇒ S2 adalah kalimat (implication)

· Jika S1 dan S2 adalah kalimat, S1 ⇔ S2 adalah kalimat (biconditional)


Sumber : https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/


https://kangmasjuqi.files.wordpress.com/2008/10/iki303200809kuliah10slides.pdf

Pengenalan Intelligent Agents

Perkuliahan minggu ke - 2

Pengenalan Intelligent Agents

2.1 Agen dan Lingkungannya
Sistem AI terdiri dari agen dan lingkungannya. Para agen bertindak di lingkungan mereka. lingkungan mungkin mengandung agen lainnya.

Agen adalah segala sesuatu yang dapat merasakan lingkungannya melalui sensor dan bertindak atas lingkungan yang melalui efektor.

Seorang agen manusia memiliki organ sensorik seperti mata, telinga, hidung, lidah dan sejajar kulit ke sensor, dan organ lainnya seperti tangan, kaki, mulut, untuk efektor.

Seorang agen robot menggantikan kamera dan pejejak infra merah untuk sensor, dan berbagai motor dan aktuator untuk efektor.

Seorang agen perangkat lunak telah dikodekan string bit sebagai program dan tindakan.
Agen Terminologi

•  Mengukur Kinerja Agen - Ini adalah kriteria, yang menentukan seberapa sukses agen adalah.

•  Perilaku Agen - Ini adalah tindakan yang agen melakukan setelah setiap urutan tertentu persepsi.

•  Persepsi - Ini adalah input persepsi agen di sebuah contoh yang diberikan.

• Persepsi Urutan - Ini adalah sejarah semua yang agen telah dirasakan sampai tanggal.

•  Agen Fungsi - Ini adalah peta dari urutan ajaran untuk tindakan.

2.2 Rasionalitas
gen rasional yang ideal adalah satu, yang mampu melakukan tindakan yang diharapkan untuk memaksimalkan ukuran kinerjanya, atas dasar  urutan persepsi yang  built-in basis pengetahuan

Rasionalitas agen tergantung pada empat faktor berikut 

• Ukuran kinerja, yang menentukan tingkat keberhasilan. 
• Agen persepsi Urutan sampai sekarang. 
• Pengetahuan agen tentang lingkungan. 
• Tindakan bahwa agen dapat melaksanakan. 

Seorang agen rasional selalu melakukan tindakan yang benar, di mana tindakan yang tepat berarti tindakan yang menyebabkan agen untuk menjadi yang paling sukses di urutan persepsi yang diberikan. Masalah agen memecahkan ditandai dengan Mengukur Kinerja, Lingkungan, Aktuator, dan Sensor (PEAS).

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

PEAS (Performance measure, Environment, Actuators, Sensors)

PEAS: Performance measure, Environment, Actuators, Sensors

Pertama-tama harus menentukan pengaturan untuk desain agen cerdas

Pertimbangkan, mis., tugas merancang supir taksi otomatis:

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

Environment: Jalan, trafik lain, pejalan kaki, pelangan

Actuators: Kemudi, gas, rem, lampu sign, horn

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

· Agen: Sistem pendiagnosa medis

· Performance measure: Pasien sehat, biaya minimal, sesuai aturan/hukum (lawsuits)

· Environment: Patient, hospital, staff

· Actuators: Screen display (questions, tests, diagnoses, treatments, referrals)

· Sensors: Keyboard (entry of symptoms, findings, patient's answers)

· Agent: Robot pengutip-sukucadang

· Performance measure: Persentase sukucadang dalam kotak yang benar

· Environment: ban berjalan dengan sukucadang, kotak

· Actuators: Pergelangan dan tangan tersambung

· Sensors: Kamera, joint angle sensors

Agent: Robot pengutip-sukucadang

Performance measure: Persentase sukucadang dalam kotak yang benar\

Environment: ban berjalan dengan sukucadang, kotak

Actuators: Pergelangan dan tangan tersambung

Sensors: Kamera, joint angle sensors

Agen: Tutor Bahasa Inggeris Interaktif

Performance measure: Memaksimalkan nilai mahasisa pada waktu ujian

Environment: Sekumpulan mahasiswa

Actuators: Layar display (exercises, suggestions, corrections)

Sensors: Keyboard

· Jenis-jenis Lingkungan

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

· Deterministic (vs. stochastic): Keadaan lingkungan berikutnya sepenuhnya ditentukan oleh keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu deterministik kecuali untuk tindakan agen-agen lain, maka lingkungannya adalah strategic)

· Episodic (vs. sequential): Pengalaman 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.

· Static (vs. dynamic): Lingkungan tidak berubah selagi agen direncanakan (deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)

· Discrete (vs. continuous): Sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik.

· Single agent (vs. multiagent): Sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan.

Jenis lingkungan sangat menentukan rancangan agen. Dunia nyata (tentu saja) partially observable, stochastic, sequential, dynamic, continuous, multi-agent

· Jenis-jenis Agen

· Perilaku agen: tindakan yang dilakukan setelah diberikan sembarang sekuen persepsi.

· Tugas AI adalah merancang program agen yang mengimplementasikan fungsi agen yang memetakan persepsi ke tindakan

· Diasumsikan program ini berjalan di beberapa alat komputasi yang dilengkapi sensors dan actuators (disebut arsitektur)



Agent = arsitektur + program



 Program yang dipilih harus sesuai dengan arsitektur tersebut.

Cth: Action: Walk à arsitekturnya hendaklah memiliki kaki.

Empat jenis dasar untuk menambah generalitas:

•  Simple reflex agents

•  Model-based reflex agents

•  Goal-based agents

•  Utility-based agents

2.4 Tipe-tipe Lingkungan Agen

•  Fully observable (vs. Partially observable): sensor-sensor sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.

•  Deterministic (vs. Stochastic): keadaan lingkungan berikutnya sepenuhnya ditentukan oleh keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu deterministik kecuali untuk tindakan agen-agen lain, maka lingkugannya adalah strategic)

•  Episodic (vs. Sequential): pengalaman agen dibagi ke dalam “episode-episode” atomik (setiapepisode terdiri dari si agen) memahami (perceiving) dan kemudian melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

•  Static (vs. Dynamic): lingkungan tidak berubah selagi agen direncanakan (deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)

• Discrete (vs. Continuous): sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik.

• Single agent (vs. Multiagent): sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan

• Jenis lingkungan sangat menentukan rancangan agen

•  Dunia nyata (tentu saja) partially observable, stochastic, sequentil, dynamic, continuous, multi-agent.

2.5 Tipe Tipe Agen



Tipe Program Agent

1. Simple Reflex Agent

Merupakan agent yang bekerja berdasarkan reflex. Contohnya, sebuah driver agent(supir taxi otomatis), harus memberikan reflex mengerem ketika terdapat mobil yang berhenti didepanya.

2. Agent That Keep Track the World

Merupakan agent yang tetap melakukan pengecekan terhadap keadaan lingkungan, sehingga dapat memberikan respon yang tepat.

3. Goal based agent(Agent berbesis pada tujuan/sasaran)

Merupakan sebuah agent yang mendasarkan setiap tindakannya untuk mencapai tujuan yang telah ditentukan. Setiap agent akan mempertimbangkan setiap kemungkinan yang akan terjadi pada mesa depan berdasarkan tindakan yang akan/telah dilakukanya.

4. Utility Based Agent

Merupakan sebuah fungsi yang memetakan suatu keadaan kedalam bilangan real, yang menggambarkan derajak kesenangan/kepuasan. Sedikit berbeda dengan Goal Based Agent, tipe ini tidak mengutamakan semua tujua, tetapi akan mengutamakan tujuan mana yang mungkin tercapai berdasarkan kondisi tertentu(tujuan kepuasan, kenyamanan, keefisienan).

5. Environment (Lingkungan)

Lingkungan sangat lah penting dalam proses perancangan sebuah agent. Hal ini dikarenakan setiap tindakan yang akan dilakukan oleh agent harus mempertimbangkan kondisi lingkungan. Terdapat beberapa kriteria pembegian lingkungan.

6. Accessible (dapat diakses)

Jika sensor agent dapat mendeteksi semua keadaan lingkungan, terutama yang berhubungan dengan pengambilan keputusan.

7. Deterministic

Merupakan suatu lingkungan dimana lingkungan yang akan dating ditentukan oleh keadaan saat ini dan setiap aksi yang dilakukan oleh agen saat ini.

8. Dynamic

Suatu lingkungan yang keadaanya selalu berubah-ubah.

9. Discrete (diskrit)

Keadaan dimana lingkungan saat ini dapat digambarkan dengan pasti, dengan tingkat kesalahan seminimal mungkin.

sumber :

http://www.w3ii.com/id/artificial_intelligence/artificial_intelligence_agents_and_environments.html

http://nisayuniza.blogspot.co.id/2015/04/kecerdasan-buatan-intelligent-agents.html

https://ibneaqiqi.wordpress.com/2010/12/10/agent-dalam-kecerdasan-buatan/

Pengenalan Intelegensi Buatan (KB)

PERKULIAHAN MINGGU KE-1

PENGENALAN INTELEGENSI BUATAN (KB)

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 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.

Kecerdasan Alami adalah sifat pikiran yang mencakup sejumlah kemampuan, seperti kemampuan menalar, merencanakan, memecahkan masalah, berpikir abstrak, memahami gagasan, menggunakan bahasa, dan belajar yang terbentuk secara alami atau biasa disebut bakat. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung

1.3 Komputasi Intelegensi Buatan dan Komputasi Konvensional

· KOMPUTASI KONVENSIONAL

Teknik pembuatan Program AI sangat berbeda dengan teknik pemrograman menggunakan bahasa konvensional. Dalam software konvensional,kita memerintah komputer bagaimana menyelesaikan suatu masalah. Sebaliknya, dalam AI kita tidak memerintah komputer untuk menyelesaikan masalah, tetapi memeberitahu komputer tentang adanya masalah. Dalam komputasi konvensional, kita memberikan data kepada komputer dan program yang telah kita susun terlebih dahulu dengan langkah demi langkah memspesifikasikan cara data digunakan sampai komputer bisa memberikan solusi. Dalam komputasi AI, komputer mendapatkan pengetahuan tentang suatu wilayah subyek masalah tertentu dengan ditambah kemampuan inferensi. kita tidak memerintahkan komputer untukmemecahkan masalah tetapi sebaliknya komputer dan software-nya yang menentukan metode untuk mencapai suatu solusi.
program komputer konvensional didasarkan pada suatu algoritma yang disusun dengan jelas, rinci, serta langkah sampai pada hasil yang sudah ditentukan sebelumnya. program bisa berupa rumus matematika atau prosedur berurutan yang tersusun dengan jelas yang mengarah ke suatu solusi. algoritma tersebut kemudian dipindahkan ke dalam program komputer. daftar instruksi disusun berurutan untuk mengarahkan komputer agar bisa sampai pada hasil yang didinginkan. selanjutnya, algoritma bisa digunakan untuk mengolah data bilangan, huruf, atau kata lainnya.

· KOMPUTASI AI

Sebaliknya, software AI tidak didasarkan pada algoritma, tetapi didadasarkan pada representasi dan manipulasi simbol. Didalam AI, sebuah simbol bisa merupakan huruf, kata, atau bilangan yang digunakan untuk menggambarkan objek, proses, dan huungannya. sumber bisa merupakan cetakan atau elektronik. objek bisa berupa orang, benda, ide, pikiran, peristiwa, atau pernyataan suatu fakta. Dengan menggunakan simbol, komputer bisa menciptakan suatu basis pengetahuan yang menyatakan fakta, pikiran, dan hubungannya satu sama lain. berbagai proses digunakan unutk memanipulasi simbol agar mampu memecahkan masalah. Pengolahannya bersifat kuantitatif, bukan kulaitatif seperti halnya komputasi yang didasarkan pada algoritma.


1.4 Sejarah Intelegensi Buatan

Sejarah Kecerdasan Buatan

Teori-teori yang mengarah ke KB sudah muncul sejak tahun 1941. Berikut ini tahap-tahap sejarah perkembangan KB :

A. Era Komputer Elektronik (1941)
Ditemukannya pertama kali alat penyim-panan dan pemprosesan informasi yang disebut komputer elektronik. Penemuan ini menjadi dasar pengembangan program yang mengarah ke KB.

B. Masa Persiapan KB (1943 – 1956)
Tahun 1943, Warren McCulloch dan Walter Pitts

mengemukakan tiga hal, yaitu :

a. pengetahuan fisiologi dasar dan fungsi sel syaraf
dalam otak
b. analisis formal tentang logika proposisi (propositional logic)
c.teori komputasi Turing
Tahun 1950, Norbert Wiener membuat penelitian mengenai prinsip-prinsip teori feedback. Contoh yang terkenal adalah thermostat. Penemuan ini juga merupakan awal dari perkembangan KB.
Tahun 1956, John McCarthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk membantunya melakukan penelitian dalam bidang Automata, Jaringan Syaraf dan pembelajaran intelijensia.

Mereka kerjakan projek ini selama dua tahun di Dartmouth. Hasilnya adalah program yang mampu berpikir non-numerik dan menyelesaikan masalah pemikiran yang dinamakan Principia Mathematica. Hal ini menjadikan McCarthy disebut sebagai ”Bapak Kecerdasan Buatan”.

C. Awal Perkembangan Kecerdasan Buatan (1956 – 1969)
diawali dengan kesuksesan Newell dan Simon dengan sebuah program yang disebut ”General Prbolem Solver”. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.
tahun 1958, McCarthy mendefenisikan bahasa pemrograman tingkat tinggi, yaitu LISP, yang sekarang mendominasi pembuatan program-program kecerdasan buatan.
McCarthy membuat program yang dinamakan programs with Common Sense. Di dalam program tersebut, dibuat rancangan untuk menggunakan pengetahu-an dalam mencari solusi.
Tahun 1959, Nathaniel Rochester dari IBM dan mahasiswa-mahasiswanya mengeluarkan program, kecerdasan buatan, yaitu geometry Theorm Prover. Program ini dapat membuktikan suatu teorema menggunakan axioma-axioma yang ada.
Tahun 1963, program yang dibuat James Slagle mampu menyelesaikan masalah integral untuk mata kuliah kalkulus.
Tahun 1968, program analogi buatan Tom Evan menyelesaikan masalah analogi geometris yang ada pada tes IQ.

D. Sistem Berbasis Pengetahuan (1969 – 1979)

Pengetahuan adalah kekuatan pendukung KB. Hal ini dibuktikan dengan program yang dibuat oleh Ed Feigenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectometer massa.
Program ini dinamakan Dendral Programs yang berfokus pada segi pengetahuan kimia. Dari segi diagnosa medis juga sudah ada yang menemukannya, yaitu Saul Amarel dalam proyek Computer in Biomedicine. Proyek ini diawali dengan keinginan untuk mendapatkan diagnosa penyakit berdasarkan pengetahuan yang ada pada mekanisme penyebab proses penyakit.

E. KB menjadi sebuah industri (1980 – 1988)
Industrialisasi KB diawali dengan ditemukannya ”sistem pakar” (expert system) yang dinamakan R1 yang mampu mengonfigurasi sistem-sistem komputer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermot tahun 1982.
Tahun 1986, program tersebut mampu menghemat biaya US$ 40 juta /tahun.
Tahun 1988, Kelompok KB di DEC menjalankan 40 sistem pakar.
Booming KB ini juga melibatkan perusahaan-perusahaan besar seperti Carnegie Group, Inference, Intellicorp dan Technoledge yang menawarkan software tools untuk membangun sistem pakar.
Perusahaan Hardware seperti LISP Machines Inc, Texas Instruments, Symbolics dan Xerox juga turut berperan dalam membangun workstation yang dioptimasi untuk pembangunan LISP.

F. Era Kembalinya Jaringan Syaraf Tiruan (1986 – Sekarang)
Para ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat penyimpanan dan optimasi pada jaringan syaraf.
Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada memori.
Pada tahun 1985-an, sedikitnya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Back-Propagation learning). Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi.

1.5 Lingkup Intelegensi Buatan

Lingkup utama kecerdasan buatan :

1. Pengolahan bahasa alami (natural language processing) : Diman user dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari, misal bahasa Inggris, bahasa Indonesia, bahasa Jawa, dan lain-lain, contoh :

a. Pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya, untuk menghapus semua file, pengguna cukup memberikan perintah ”komputer, tolong hapus semua file !” maka sistem akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh komputer, yaitu”delete *.* <ENTER>”.

b. Translator bahasa Inggris ke bahasa Indonesia begitu juga sebaliknya dan lain-lain, tetapi sistem ini tidak hanya sekedar kamus yang menerjemahkan kata per kata, tetapi juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuan

c. Text summarization : Suatu sistem yang dapat membuat ringkasan hal-hal penting dari suatu wacana yang diberikan.

2. Sistem pakar (expert system) : Komputer sebagai sarana untuk menyimpan pengetahuan para pakar sehingga komputer memiliki keahlian menyelesaikan permasalahan dengan meniru keahlian yang dimiliki pakar.

3. Pengenalan ucapan (speech recognition): Manusia dapat berkomunikasi dengankomputer menggunakan suara. Contoh:

a. Memberikan instruksi ke komputer dengan suara.
b. Alat bantu membaca untuk tunanetra, mempunyai masukan berupa teks tercetak (misalnya buku) dan mempunyai keluaran berupa ucapan dari teks tercetak yang diberikan.
c. Konversi dari SMS (Short Message System) ke ucapan sehingga pesan SMS dapat didengar. Dengan demikian memungkinkan untuk mendengar pesan SMS sambil melakukan aktivitas yang menyulitkan untuk membacanya, seperti mengendarai mobil.

4. Robotika & sistem sensor

a. Sistem sensor pada mesin cuci yaitu menggunakan sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu menentukan jenis kotoran tersebut daki/minyak.Sistem juga bisa menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci.

b. Robotika

5. Computer vision : Menginterpretasikan gambar atau objek-objek tampak melalui komputer.


6. Intelligent computer-aided instruction : Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar. Contoh : Learn to speak English.

7. Game playing: Pada tahun 1997, Deep Blue mengalahkan Garry Kasparov, the World Chess Champion. Deep Blue chess machine menggunakan komputer IBM, dibuat tahun 1990-an oleh Hsu, Campbell, Tan, Hoane, Brody, Benjamin. Deep Blue mampu mengevaluasi 200 juta posisi bidak catur per detik.

1.6 Soft Computing

Soft Computing adalah kumpulan teknik – teknik perhitungan dalam ilmu komputer, inteligensia semu, machine learning dan beberapa disiplin ilmu teknik lainnya, yang berusaha untuk mempelajari, memodelkan, dan menganalisa fenomena yang sangat rumit : untuk metoda yang lebih konvensional yang tidak memberikan biaya rendah, analitis dan solusi lengkap. Soft computing berusaha untuk mengintegrasikan beberapa paradigma model perhitungan meliputi artificial neural network, fuzzy logic dan genetic algorithms.
Soft Computing adalah segolongan metoda yang mampu mengolah data dengan baik walaupun didalamnya terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial (Prof. Lotfi A Zadeh, 1992).
Soft Computing dicetus pertama kali pada tahun 1990 sehubungan dengan ide untuk mendirikan BISC (Berkeley Initiative in Soft Computer) oleh Prof. L.A.Zadeh dari BerkeleyUniversity. Soft computing, berbeda dengan conventional (hard) computing, memungkinkan toleransi terhadap input, proses dan output yang bersifat tidak akurat(imprecision), tidak pasti (uncertainty) dan setengah benar (partial truth).
Bagian-bagian dari Soft Computing sendiri adalah :

1. Fuzzy Logic
2. Neural Networks
3. Probabilistic Reasoning

Fuzzy Logic

Fuzzy Logic merupakan suatu representasi dari pengetahuan yang direkonstruksi dengan if-then rules. Sederhananya, Fuzzy Logic adalah suatu metode untuk mengontrol sesuatu. Misalnya rekonstruksi if-then, "Jika cuaca panas, Maka turunkan suhu AC". Disinilah Fuzzy Logic berperan dalam Teknologi Komputer nantinya.


Neural Networks

Kompleksnya pikiran manusia juga merupakan masa depan dari komputer yang menggunakan Soft Computing. Neural Networks adalah tiruan dari jaringan saraf-saraf manusia yang terhubung dan membentuk sistem. Jadi metode ini ditujukan untuk meniru saraf manusia yang kompleks dan dapat menyimpan memori.

Probabilistic Reasoning

Probabilistic Reasoning adalah metode Soft Computing juga untuk membuat komputer atau suatu device mengambil keputusan layaknya makhluk hidup. Jadi, dari semua data-data yang sudah dimiliki, metode ini memberikan pola-pola tertentu untuk mengambil keputusan.
Soft Computing menjadi satu diantara solusi daripada permasalahan di dunia. Kenapa? Dengan adanya unsur-unsur pokok dalam metode ini diharapkan akan menciptakan suatu sistem yang cerdas, mudah diproses serta membutuhkan biaya yang tidak banyak.
Banyak contoh-contoh riset yang sekarang mulai mengimplementasikan Soft Computing, seperti AC yang hanya hidup ketika AC tersebut merasakan adanya panas dari sensornya, dan TV yang menggunakan "Eye Recognition" dimana TV tersebut akan Shut Down otomatis ketika yang menonton TV sudah memejamkan mata dan tertangkap sensor TV.

1.7 Definisi Masalah dan Ruang Masalah

Masalah adalah untuk membangun system yang mampu menyelesaikan masalah, perlu dipertimbangkan 4 hal :

1. Mendefinisikan masalah dengan tepat

•  Spesifikasi yang tepat mengenai keadaan awal

• Solusi yang diharapkan

2. Menganalisis masalah serta mencari beberapa teknik penyelesaian masalah yang sesuai
3. Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah
4. Memilih teknik penyelesaian masalah yang terbaik

Posisi Awal : Selalu sama
Aturan Legal :
Aturan – aturan sangat berguna untuk menentukan gerak suatu bidak
Untuk mempermudah,
Horisontal = Huruf (a,b,c,d,e,f,g,h)
Vertical = Angka (1,2,3,4,5,6,7,8)

Sebagai contoh :
bidak (e,2) ke (e,4)
–IF Bidak putih pada Kotak(e,2),
•AND Kotak(e,3) Kosong,
•AND Kotak(e,4) Kosong
–Then Gerakkan bidak dari (e,2) ke (e,4)

Tujuan/Goal :
Posisi pada papan catur yang menunjukkan kemenangan seseorang terhadap lawannya.
Ditandai posisi Raja yang sudah tidak bisa bergerak lagi.

Ruang Keadaan(State Space)
Definisi : Suatu ruang yang berisi semua keadaan yang mungkin
Untuk mendeskripsikan masalah dengan baik, kita harus :
Mendefinisikan suatu ruang keadaan
Menetapkan satu atau lebih keadaan awal
Menetapkan satu atau lebih tujuan
Menetapkan kumpulan aturan


sumber : http://web.if.unila.ac.id/purmanailuswp/2015/09/13/pengertian-artificial-intelligence-kecerdasan-buatan/


http://sonya-ali.blogspot.co.id/2010/03/perbedaan-ai-dengan-komputasi.html


http://sigitprabowoo.blogspot.co.id/2013/01/kecerdasan-buatan-sejarah-kecerdasan.html


http://www.hujanhitam.web.id/2010/12/ruang-lingkup-kecerdasan-buatan.html


http://syahrulzzadie.blogspot.co.id/2014/10/pengertian-soft-computing.html