Materi Minggu 1
PENGENALAN INTELEGENSI BUATAN
PENGERTIAN
INTELEGENSI BUATAN
Kecerdasan Buatan ( Artificial Intelligence ) 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.
Pengertian lain dari kecerdasan buatan adalah salah satu cabang ilmu computer yang mempelajari bagaimana cara membuat sebuah mesin cerdas, yaitu mesin yang mempunyai kemampuan untuk belajar dan beradaptasi terhadap sesuatu.
Pengertian lain dari kecerdasan buatan adalah salah satu cabang ilmu computer yang mempelajari bagaimana cara membuat sebuah mesin cerdas, yaitu mesin yang mempunyai kemampuan untuk belajar dan beradaptasi terhadap sesuatu.
SEJARAH INTELEGENSI 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”.
LINGKUP INTELEGENSI
BUATAN
Sistem 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.
Pengolahan bahasa alami : Dengan pengolahan bahasa
alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan
bahasa sehari-hari.
Pengenalan ucapan : Melalui pengenalan ucapan
diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan
suara.
Robotika dan Sistem sensor.
Computer vision, mencoba untuk dapat
mengintrepetasikan gambar atau objek-objek tampak melalui komputer.
Intelligent Computer aid Instruction : Komputer dapat
digunakan sebagai tutor yang dapat melatih dan mengajar.
Materi Minggu 2
PENGENALAN INTELEGENSI AGENTS
Kecerdasan buatan atau
dalam bahasa inggrisnya Artificial Intelligence sering disingkat dengan AI yang
merupakan cabang terpenting dalam dunia komputer. Akhir-akhir ini, teknologi AI
telah begitu banyak mempengaruhi kehidupan manusia. AI kini berada disekeliling
kita, di dalam kehidupan sehari-hari kita, boleh dikatakan tidak ada satu pun
peralatan yang tidak menggunakan teknologi AI. Di rumah, radio, mesin cuci,
kulkas, ponsel, dll dilengkapi dengan Integrated Circuit komputer yang
mempunyai AI. Dengan kata lain AI ialah ilmu dan rekayasa yang membuat mesin mempunyai
intelligensi tertentu khususnya program komputer yang ‘cerdas’ (John McCarthy,
1956).
Pengertian sebuah AGENT adalah segala
sesuatu yang dipandang sebagaimana mengamati lingkungannya melalui sensor dan
bertindak atas lingkungan yang melalui efektor. Agen manusia memiliki mata,
telinga, dan organ lain untuk sensor, dan tangan, kaki, mulut, dan bagian tubuh
lainnya untuk efektor. Sebuah pengganti agen robot kamera dan berbagai pencari
inframerah untuk sensor dan berbagai motor untuk efektor.
Agen dan Lingkungannya
Agen Intelligent
sering digambarkan secara skematis sebagai sistem fungsional abstrak mirip
dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut
agen cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata implementasinya
sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi
dari agen cerdas mereka menekankan otonomi , sehingga lebih memilih cerdas agen
otonom jangka s. Yang lain (terutama Russell & Norvig (2003) ) perilaku
goal-directed dianggap sebagai inti dari kecerdasan dan sebagainya lebih suka
istilah yang dipinjam dari ekonomi , ” agen rasional “.
Agen Cerdas dalam kecerdasan buatan
berhubungan erat dengan agen di ekonomi , dan versi dari paradigma agen cerdas
yang dipelajari dalam ilmu kognitif , etika , filsafat alasan praktis , serta
di banyak interdisiplinersosio-kognitif pemodelan dan sosial simulasi komputer.
Intelligent agen juga
berhubungan erat dengan agen perangkat lunak (program perangkat lunak otonom
yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen cerdas
istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang memiliki
kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig Definisi
Russell. Sebagai contoh, program otonom digunakan untuk bantuan operator atau
data mining (kadang-kadang disebut sebagai bot).
Lingkungan Tugas Agen, merupakan
definisi dari pemasalahan yang akan diselesaikan oleh agen.antara lain :
1. Performance Measure
karakteristik apa yang menjadi tujuan
dari agen ?
contoh : motor - tiba ditujuan dengan
cepat dan hemat bahan bakar
2. Environment
bagaimana karakterisitik lingkungan yang
akan dihadapi ?
contoh : motor - tipe jalan, tingkat
kemacetan
3. Actuators
perangkat apa yang dibutuhkan agen untuk
mencapai tujuan ?
contoh : motor - steering, klakson
dll
4. Sensors
perangkat apa yang dibutuhkan agen untuk
mengetahui kondisi lingkungan ?
contoh : motor – speedometer
RASIONALITAS
Rational Agent
merupakan suatu agent yang selalu bertindak memaksimalkan ukuran kinerja,
mengingat apa yang ia amati tentang lingkungan dan pengetahuan lain yang
dimilikinya. Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk
membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa
agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional. Sedangkan
omniscience adalah sebuah kemustahilan dari kenyataan yang sebenarnya telah
terjadi. Faktor yang mempengaruhi rasionalitas :
- Pengukuran
kinarja (Performance Measure)
- Percept
Sequence (persepsi urutan)
- Knowledge
from Environment
- Possible
Actions
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.
Tipe-tipe Agen
·
Autonomy: Agent dapat melakukan tugas secara mandiri dan tidak dipengaruhi
secara langsung oleh user, agent lain ataupun oleh lingkungan (environment).
Untuk mencapai tujuan dalam melakukan tugasnya secara mandiri, agent harus
memiliki kemampuan kontrol terhadap setiap aksi yang mereka perbuat, baik aksi
keluar maupun kedalam [Woolridge et. al.,1995].
·
Intelligence, Reasoning, dan Learning: Setiap agent harus mempunyai standar
minimum untuk bisa disebut agent, yaitu intelegensi (intelligence). Dalam
konsep intelligence, ada tiga komponen yang harus dimiliki: internal knowledge
base, kemampuan reasoning berdasar pada knowledge base yang dimiliki, dan
kemampuan learning untuk beradaptasi dalam perubahan lingkungan.
·
Mobility dan Stationary: Khusus untuk mobile agent, dia harus memiliki
kemampuan yang merupakan karakteristik tertinggi yang dia miliki yaitu
mobilitas. Berkebalikan dari hal tersebut adalah stationary agent. Bagaimanapun
juga keduanya tetap harus memiliki kemampuan untuk mengirim pesan dan
berkomunikasi dengan agent lain.
·
Delegation: Sesuai dengan namanya dan seperti yang sudah kita bahas pada
bagian definisi, agent bergerak dalam kerangka menjalankan tugas yang
diperintahkan oleh user. Fenomena pendelegasian (delegation) ini adalah
karakteristik utama suatu program disebut agent.
·
Reactivity: Karakteristik agent yang lain adalah kemampuan untuk bisa cepat
beradaptasi dengan adanya perubahan informasi yang ada dalam suatu lingkungan
(enviornment). Lingkungan itu bisa mencakup: agent lain, user, adanya informasi
dari luar, dsb [Brenner et. al., 1998].
·
Proactivity dan Goal-Oriented: Sifat proactivity boleh dikata adalah
kelanjutan dari sifat reactivity. Agent tidak hanya dituntut bisa beradaptasi
terhadap perubahan lingkungan, tetapi juga harus mengambil inisiatif langkah
penyelesaian apa yang harus diambil [Brenner et. al., 1998]. Untuk itu agent
harus didesain memiliki tujuan (goal) yang jelas, dan selalu berorientasi
kepada tujuan yang diembannya (goal-oriented).
·
Communication and Coordination Capability: Agent harus memiliki kemampuan
berkomunikasi dengan user dan juga agent lain. Masalah komunikasi dengan user
adalah masuk ke masalah user interface dan perangkatnya,sedangkan masalah
komunikasi, koordinasi, dan kolaborasi dengan agent lain adalah masalah sentral
penelitian Multi Agent System (MAS). Bagaimanapun juga untuk bisa berkoordinasi
dengan agent lain dalam menjalankan tugas,perlu bahasa standard untuk
berkomunikasi. Tim Finin [Finin et al., 1993] [Finin et al., 1994] [Finin et
al., 1995] [Finin et al., 1997]dan Yannis Labrou [Labrou et al., 1994] [Labrou
et al., 1997] adalah peneliti software agent yang banyak berkecimpung dalam
riset mengenai bahasa dan protokol komunikasi antar agent. Salah satu produk
mereka adalah Knowledge Query and Manipulation Language (KQML). Kemudian masih
berhubungan dengan ini komunikasi antar agent adalah Knowledge Interchange
Format (KIF).
Materi
Minggu 3
PENGENALAN
LOGICAL AGENTS
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
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
Propositional Logic.
Proposional
logic berupa
kalimat-kalimat lengkap dari fakta atau kenyataan, atau bisa dikatakan sebuah propositional
logic bisa merupakan
sebuah proposisi adalah kalimat yang berbentuk dengan sendirinya, apakah
kalimat itu bernar atau kalimat itu salah. Propositional logic merupakan operator-operator untuk
menghubungkan proposisi-proposisi dalam bentuk, ungkapan dan ekspresi, sebagai kata
penyambung logika.
Beberapa Jenis Logical Agents
Agen teknologi Logika membedakan dirinya
dengan kesederhanaan, fleksibilitas dan kemampuan memperingatkan terintegrasi.
Dengan fasilitas layanan mandiri yang sederhana, Agen Logic “RulePoint”
dirancang untuk pengguna bisnis untuk menentukan aturan untuk peristiwa dan
tindakan terkait. Dengan sifatnya yang fleksibel, Agen Logic “RuleCast”
memungkinkan pengembang untuk membuat acara aturan Pengolahan Streaming untuk
satu set beragam sumber data seperti antrian pesan, database, feed telemetri
dan sistem kontrol. Selain itu, dengan kemampuan memperingatkan terintegrasi,
Agen Logic ”Real-Time” memberikan intelijen tepat waktu mengenai peluang dan
ancaman yang diidentifikasi oleh RulePoint.
Bersama-sama, dengan arsitektur-event,
portofolio produk Logic Agen memungkinkan organisasi untuk meraih kelincahan
yang lebih besar.
Kombinasi Agen Logika dan Informatika
akan memajukan teknologi kepemimpinan Informatika dalam dua cara yang mendasar.
Pertama, kombinasi Agen Logic Kompleks Event Pengolahan dan Platform
Informatika memungkinkan jenis lain dari proyek integrasi data yang lebih luas.
Kedua, kombinasi dari Agen Logic
Kompleks Event Pengolahan dan Informatica Identitas Resolusi mendukung
identitas sadar pengolahan acara. Integrasi data aktif dan identitas-sadar
pengolahan acara akan memungkinkan berbagai aplikasi di bidang jasa keuangan,
kesehatan dan, khususnya, sektor publik.
Materi
Minggu 4
Metode
Pencarian dan Pelacakan
Pencarian dan pelacakan
merupakan suatu hal penting dalam suatu sistem. Karena pencarian dan pelacakan
ini adalah hal yang menentukan keberhasilan sistem tersebut. Pada dasarnya,
metode pencarian dan pelacakan dibagi dua, yaitu pencarian buta (blind search)
dan pencarian tersusun (heuristic search).
Pencarian
Melebar Pertama (breadth-search first)
Pencarian melebar pertama
dilakukan dengan melakukan pencarian dengan cara mencari yang dilakukan dengan
cara melebar dari node pertama hingga berlanjut kepada node di level
selanjutnya. Dimulai pada node n, dan dilanjutkan n+1. Pencarian akan terus
dilakukan dari akar kiri ke kanan hingga hasil ditemukan.
Metode ini memiliki keuntungan dan kekurangan, yaitu :
Keuntungan
Tidak akan menemui jalan buntu
Jika ada satu solusi, maka breadth first akan
menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan
ditemukan.
Kekurangan
Membutuhkan memori yang cukup banyak, karena menyimpan
semua node dalam satu pohon.
Membutuhkan waktu yang cukup lama karena akan menguji
n level untuk mendapatkan solusi pada level yang ke-(n+1)
Pencarian
Mendalam Pertama (depth-search first)
Pencarian metode ini
melakukan pencarian pada semua node "anaknya" sebelum dilakukan
pencarian ke node-node lain yang selevel. Pencarian dimulai dari node akar ke
level yang lebih tinggi, dan proses terus diulang hingga solusi ditemukan.
Keuntungan dari metode
ini adalah menggunakan memori yang relatif kecil, dan jika pencarian tepat,
akan menemukan solusi tanpa harus menguji lebih banyak node. Namun, metode ini
tetap memiliki kelemahan, yaitu memungkinkan hasil tidak ditemukan, dan setiap
1 kali pencarian hanya akan menghasilkan satu solusi.
Pencarian
Tersusun (Heuristik)
Pencarian tersusun atau
pencarian heuristik merupakan suatu teknik yang digunakan untuk meningkatkan
efisiensi dalam proses pencarian. Metode heuristik menggunakan suatu fungsi
yang menghitung biaya perkiraan dari suatu simpul tertentu menuju ke simpul
tujuan.
Dalam pencarian state
space, heuristik adalah aturan untuk memilih cabang-cabang yang paling mungkin
menyebabkan penyelesaian permasalahan dapat diterima.
Generate
and test
Ini adalah gabungan dari
pencarian depth first dengan pelacakan mundur. Nilai dari pengujian ini berupa
"ya" atau "tidak". Pencarian ini memiliki beberapa
algoritma, yaitu :
Bangkitkan suatu kemungkinan solusi (membangkitkan
suatu titik tertentu atau lintasan tertendu dari keadaan awal).
Uji untuk melihat apakah node tersebut benar-benar
merupakan solusinya dengancara membandingkan node tersebut atau node akhir dari
suatu lintasan yang dipilih merupakan tujuan yang diharapkan.
Kelemahan dari generate and test adalah perlunya
membangkitkan semua kemungkinan sebelum dilakukan pengujian, serta membutuhkan
waktu yang cukup lama dalam pencarian.
Hill
climbing
Metode ini hampir sama
dengan generate and test, perbedaannya ada pada feedback dari prosedur test
untuk pembangkitan keadaan berikutnya. Tes yang dilakukan berupa fungsi
heuristik akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap
keadaan lain yang memungkinkan. Algoritma dari pencarian ini adalah :
Mulai dari keadaan awal,
jika merupakan tujuan, maka berhenti; tapi jika tidak, lanjutkan dengan keadaan
sekarang sebagai keadaan awal.
Kerjakan langkah-langkah
berikut hingga solusinya ditemukan, atau hingga tidak ada lagi operator baru
yang diaplikasikan pada keadaan sekarang :
Cari operator yang belum pernah digunakan sebagai
operator untuk keadaan baru
evaluasi keadaan baru tersebut
jika keadaan baru adalah tujuan, keluar.
jika bukan tujuan namun nilai lebih baik, keadaan baru
akan digunakan sebagai keadaan sekarang.
jika keadaan baru tidak lebih baik, maka
lanjutkan interasi.
Kelemahan
pada sistem ini adalah algoritma akan berhenti ketika mencapai optimum local,
urutan penggunaan operator akan sangat berpengaruh, dan tidak diijinkan untuk
melihat langkah sebelumnya.
Sumber :
http://citrarhmdn.blogspot.co.id/2016/10/pengenalan-intelegensi-buatan-kb-minggu.html
https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/
http://citrarhmdn.blogspot.co.id/2016/10/metode-pencarian-dan-pelacakan-1-minggu.html
