PEMBAHASAN MATERI SISTEM CERDAS 1,2,3 DAN 4

                      (1) 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 karakteristik dan analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. 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 Alami : kecerdasan yang dimiliki oleh manusia.)

Keuntungan kecerdasan buatan secara komersil :

1.Kecerdasan buatan lebih bersifat permanen.

2.Kecerdasan buatan lebih mudah diduplikasi & disebarkan

3.Kecerdasan buatan lebih murah dibanding dengan kecerdasan alami.

Keuntungan kecerdasan alami :

1.Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun.

2.Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.

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

1.3 Komputasi intelegensi buatan dan konvensional

Komputasi Konvensional	Komputasi Kecerdasan Buatan
Format keluaran berupa bit, byte, angka, dan fungsi	Hubungan simbol, konsep, dan aturan-aturan
Menggunakan algoritma prosedural yang menyelesaikan problem	Bahasa deskriptif (menguraikan fakta-fakta yang diketahui dan hubungan)
Menggunakan tahap-tahap urutan tertentu untuk penyelesaian (algoritma).	Penggunaan search untuk menemukan penyelesaian (heuristik).
Kesimpulan (conclusion)-nya bersifat determistik.	Tidak tahu apakah algoritma memusat (converge).
Tipe data : angka dan karakter	Tipe data : atom, obyek, list (program)
Perlu deklarasi awal dan tipe variabel	Tidak perlu deklarasi awal atau tipe data (variabel tipe-tipe tertentu dapat dapat dibuat apabila ia diperlukan selama proses penyelesaian)
Dimensi variabel yang tetap	Dimensi struktur data dapat tumbuh atau menyusut selama proses
Representasi informasi yang eksak	Representasi informasi yang tidak eksak
Jawaban yang eksak	Jawaban yang memuaskan

1.4 SEJARAH KECERDASAN BUATAN

Uji Turing (Turing Test) oleh Alan Turing tahun 1950-an : Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia).

Seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Dartmouth Conference yang dihadiri oleh para peneliti AI. Pada koferensi tersebut juga didefinisikan tujuan utama dari kecerdasan buatan, yaitu: mengetahui dan memodelkan proses-proses berfikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut.

Beberapa program AI yang mulai dibuat pada tahun 1956-1966, antara lain:

1.Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika.

2.Sad Sam, diprogram oleh Robert K. Lindsay (1960). Program ini dapat mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang didengar dalam sebuah percakapan.

3.ELIZA, diprogram oleh Joseph Weizenbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan

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 menyimpan 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.

(2) PENGENALAN INTELLIGENT 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 : Vacuumcleaner

world)

– Jumlah debu yang dapat dibersihkan pada waktu tertentu

– Seberapa bersih lantai

– Besarnya konsumsi listrik

– Besarnya noise yang dihasilkan

• Rasional tergantung pada 4 hal :

– Kemampuan yang terukur,

– Pengetahuan lingkungan sebelumnya/ terdahulu,

– Tindakan,

– 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 :

-          Simple reflex agents

-          model-based reflex agents

-          goal-based agents

-          utility-based agents

(3) PENGENALAN LOGICAL AGENTS

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  Efficiency
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.

(4)METODE PENCARIAN dan PELACAKAN 1

Pelacakan adalah teknik untuk pencarian. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan tidak menemukan. Sehingga pencarian merupakan teknik yang penting dalam AI. Hal penting dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah kesuksesan dalam pencarian dan pencocokan.

Pencarian adalah suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state place). Ruang keadaan merupakan suatu ruang yang berisi semua keadaan yang mungkin.

Dua teknik pencarian dan pelacakan

– Pencarian buta (blind search)

• Pencarian melebar pertama (Breadth – First Search)

• Pencarian mendalam pertama (Depth – First Search)

– Pencarian terbimbing (heuristic search)

• Pendakian Bukit (Hill Climbing)

• Pencarian Terbaik Pertama (Best First Search)

Pencarian Melebar Pertama (Breadth-First Search)

• Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1

• Mulai dari akar terus ke level 1 dari kiri ke kanan

• Kemudian ke level selanjutnya hingga solusi ditemukan

• Keuntungan

– Tidak akan menemui jalan buntu

– Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti

yang paling baik

– Jika ada satu solusi maka bread-first search akan menemukannya

• Kelemahannya

– Membutuhkan memori yang cukup banyak

– Membutuhkan waktu yang cukup lama

Pencarian mendalam pertama (Depth-First Search)

• Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel

• Keuntungan

– Memori yang relatif kecil

– Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi

Pencarian Heuristik

• Pencarian buta tidak selalu dapat diterapkan dengan baik

– Waktu aksesnya yang cukup lama

– Besarnya memori yang diperlukan

• Metode heuristic search diharapkan bisa menyelesaikan permasalahan yang lebih besar.

• Metode heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan (estimasi) dari suatu simpul tertentu menuju ke simpul tujuan disebut fungsi heuristic

Pembangkit & Pengujian (Generate and Test)

• Pada prinsipnya metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

Algoritma:

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

– Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.

– Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.

Kelemahan dari Pembangkit & Pengujian (Generate and Test) yaitu ;

– Perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian

– Membutuhkan waktu yang cukup lama dalam pencariannya

Pendakian Bukit (Hill Climbing)

• Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik.

• Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan.

• Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.

Simple Hill Climbing

Algoritma

– Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.

– Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang:

• Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

• Evaluasi keadaan baru tersebut.

• Jika keadaan baru merupakan tujuan, keluar.

• Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang.

• Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

https://ecoariel3.wordpress.com/2013/10/17/makalah-kecerdasan-buatan/

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/