Kecerdasan Buatan

MATERI 1 KECERDASAN BUATAN Materi ini membahas tentang apa itu kecerdasan buatan,sejarah kecerdasn buatan dan apa peranan kecerdasn buatan dalam kehidupan sehari-hari. KECERDASAN BUATAN A.DEFINISI Kecerdasan Buatan merupakan bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia bahkan bisa lebih baik daripada yang dilakukan manusia. Menurut John McCarthy, 1956, AI: * Untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia. 2 bagian utama yang dibutuhkan untuk aplikasi kecerdasan buatan: * Basis pengetahuan(knowledge base) * Monitor inferensi(inference engine) B.KECERDASAN BUATAN VS KECERDASAN ALAMI Kelebihan kecerdasan buatan: * Lebih bersifat permanen * Lebih mudah * Lebih murah * Dapat didokumentasikan Kelebihan kecerdasan alami: * Kreatif * Pengalaman secara langsung * Pemikiran luas

1

ARTIFICIAL INTELLIGENCE

C.SEJARAH KECERDASAN BUATAN Tahun 1950-an Alan Turing, seorang pionir AI dan ahli matematika Inggris melakukan percobaan Turing(turing test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. Turing beranggapan bahwa mesin bisa cerdas(selayaknya manusia). D.BIDANG AI(KECERDASAN BUATAN) 1. Sistem pakar 2. Pengolahan bahasa alami(natural language processing) 3. Pengenalan ucapan 4. Robotika dan sistem sensor 5. Computer vision 6. Intelligent computer-aided instruction 7. Game playing E.SOFT COMPUTING Soft computing merupakan inovasi baru dalam membangun sistem cerdas Metodologi-metodologi dalam soft computing adalah: * Logika Fuzzy * Jaringan syaraf tiruan * Probabilistic reasoning * Evolutionary computing

2

ARTIFICIAL INTELLIGENCE

MATERI 2 MASALAH,RUANG KEADAN dan PENCARIAN Materi ini membahas tentang bagaimana menganalisis suatu masalah,keadaan yang mungkin terjadi serta pencarian penyelesaian suatu masalah dalam membuat project yang berkaitan dengan kecerdasan buatan. MASALAH,RUANG KEADAAN dan PENCARIAN SISTEM AI Input->Computer->output Masalah->Computer->Jawaban Pertanyaan->computer->Solusi MASALAH untuk membangun sistem yang mampu untuk menyelesaikan suatu masalah perlu mempertimbangkan 4 hal yaitu : 1. Mendefinisikan masalah dengan tepat 2. Menganalisis masalah 3. Mencari beberapa teknik penyelesaian masalah yang sesuai 4. Mempresentasikan pengetahuan yang perlu untuk menyelesaikan maslah 5. Memilih teknik penyelesaian masalah yang terbaik RUANG KEADAAN (State Space) Suatu ruang yang berisi semua keadaan yang mungkin sehingga secara umum untuk mendeskripsikan masalah yang baik harus :

3

•

Mendefinisikan suatu ruang keadaan

•

Menetapkan satu atau lebih keadaan awal

•

Menetapkan satu atau lebih tujuan

•

Menetapkan kumpulan aturan

ARTIFICIAL INTELLIGENCE

Ada beberapa cara untuk mempresentasikan Ruang keadan : •

Graph Keadaan

•

Pohon Pelacakan

METODE PENCARIAN dan PELACAKAN Dua Teknik pencarian dan pelacakan : 1. Pencarian Buta(Blind Search) 2. Pencarian Terbimbing (Heuristic Search)

MATERI 3 4

ARTIFICIAL INTELLIGENCE

PENCARIAN Materi ini membahas tentang bagaimana sebuah pencarian data ataupun pelacakan suatu data dengan berbagai macam metode yang ada. PENCARIAN DAN PELACAKAN Hal yang terpenting dalam menentukan keberhasilan sistem cerdas adalah kesuksesannya dalam pencarian. pengertian pencarian : proses mencari solusi dari suatu permasalahan melalui sekumpilan kemungkinan ruang keadaan. Untuk mengukur performansi metode pencarian,terdapat empat kriteria yang dapat di gunakan : •

Completeness : apakah metode tersebut menjamin penemuan solusi jika solusi memang ada ?

•

Time Complexity : berapa lama waktu yang diperluakan

•

Space Complexity : berapa banyak memori yang diperlukan

•

Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda

Dua Teknik Pencarian & Pelacakan 1. Pencarian Buta (Blind Search) •

Pencarian Melebar pertama (Breadth-First Search)

•

Pencarian mendalam pertama (Depth-First Search)

2. Pencarian Terbimbing (Heuristic Search) •

Pendakian Bukit (Hill Climbing)

•

Pencarian Terbaik Pertama (Best First Search)

PENCARIAN MELEBAR PERTAMA

5

ARTIFICIAL INTELLIGENCE

•

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

•

Mulai dari akar terus ke level 1 dari kiri ke kanan

•

Keuntungan : Tidak menemui jalan buntu,Menjamin di temukannya solusi yang paling baik,Jika ada satu solusi maka Bredth-First Search akan menemukannya

•

Kelemahan : Membutuhkan memori yang cukup banyak

PENCARIAN MENDALAM PERTAMA •

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

•

Keuntungan : Memori relatif kecil,Secara kebetulan akan menemukan solusi tanpa harus meguji lebih banyak lagi

PENCARIAN HEURISTIK •

Pencarian buta tidak selalu dapat diterapkan dengan baik

•

Metode Heuristic Search diharapkan bisa menyelesaikan permasalahan yang lebih besar

•

Mettode Heuristic Search menggunakan suatu fungsi yang menghitung biaya perkiraan dari suatu simpul tertentu menuju ke simpul tujuan

Ada 4 Metode Pencarian Heuristik •

Pembangkit & Pengujian (Generate & Test)

•

Pendakian bukit (Hill Climbing)

•

Pencarian terbaik pertama (Best First Search)

•

Simulated Annealing

Pembangkit & Pengujian (Generate & Test) •

Pada prinsipnya metode ini merupakan penggabungan antara Depth-First Search dengan pelacakan mundur,yaitu bergerak ke belakang menuju pada suatu keadaan awal

•

6

Algoritma : ARTIFICIAL INTELLIGENCE

1. Bangkitkan suatu kemungkinan solusi 2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara mebandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang di harapkan 3. Jika soulsi ditemukan ,keluar.Jika tidak ulangi langkah pertama •

Kelemahan : Perlu membangkitkan semua kemungkinan sebelum dilakuka pengujian,Membutuhkan Waktu yang 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

Simple Hill Climbing •

Algoritma :

1. Mulai dari keadaan awal, lakukan pengetesan,jika merupakan tujuan maka berhenti dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal. 2. Kerjakan Llangkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan di aplikasikan pada keadaan sekarang 3. Cari operator yang belum digunakan sebagai keadann awal 4. Evaluasi keadaan awal tersebut 5. Jika keadaan merupakan tujuan maka keluar 6. Jika bukan keadaan tujuan,namun nilainya lebih baik daripada keadaan sekarang,maka jadikan keadaan baru tersebut menjadi keadaan sekarang. 7. Jika keadaan baru tidak lebih baik daripada keadaan sekarang maka lanjutkan iterasi. Steepest Ascent Hill Climbing 7

ARTIFICIAL INTELLIGENCE

•

Steepest Ascent Hill Climbing sebenarnya hampir sama dengan simple hill climbing hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri

•

Algoritma :

1. Mulai dari keadaan awal lakukan pengujian,jiak merupakan tujuan maka berhenti dan jika tidak,lanjutkan dengan keadaan sekarang sebagai keadaan awal 2. Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan pada keadaan sekarang 3. Tentukan SUCC sebagai nilai heuristic terbaik dari success or successor 4. Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang 5. Gunakan operator tersebut dan bentuk keadaan baru 6. Evaluasi keadaan baru tersebut 7. Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang,ubah node SUCC menjadi keadaan sekarang

MATERI 4

8

ARTIFICIAL INTELLIGENCE

PENCARIAN Materi ini membahas lanjutan dari materi sebelumnya,di materi ini kita akan membahas lebih dalam tentang Pencarian Heuristik. PENCARIAN Ada empat metode pencarian heuristik : •

Pembangkit dan Pengujian (Generate & Test)

•

Pendakian Bukit (Hill Climbing)

•

Pencarian terbaik pertama (Best First Search)

•

Simulated Annealing

Pencarian terbaik pertama (Best First Search) Pengertian : Metode best-first search ini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut. 1. Penentuan node berikutnya adalah node yang terbaik yang pernah di bangkitkan 2. Menggunakan informasi •

Biaya perkiraan Biaya sebenarnya

3. Terdapat dua jenis •

Greedy Best First Search = biaya perkiraan f(n)=h(n)

•

A* = f(n)=g(n) + h(n)

Keuntungan : •

Memperbolehkan kembali ke node pada level lebih rendah meskipun node pada level terendah tersebut memiliki nilai heuristik lebih rendah

Untuk mengimplementasikan metode ini menggunakan graph keadaan,dibutuhkan 2 antrian yang berisi node-node yaitu : 9

ARTIFICIAL INTELLIGENCE

•

OPEN,Merupakan node yang telah dibangkitkan namun belum di uji

•

CLOSED,Merupkan node yang telah di bangkitkan dan telah di uji

ALGORITMA •

Tempatkan node awal A pada antrian OPEN

•

Kerjakan langkah-langkah berikut hingga tujuan ditemukan atau antrian OPEN sudah kosong :

•

Ambil node terbaik dari OPEN

•

Bangkitkan semua successornya

•

Untuk tiap-tiap successor kerjakan :

•

Jika node tersebut belum pernah dibangkitkan sebelumnya,evaluasi node tersebut dan masukkan ke OPEN;

•

Jika node tersebut sudah pernah dibangkitkansebelumnya,ubah parent jika lintasan baru lebih menjanjikan.Hapus node tersebut dari antrian OPEN.

MATERI 5

10

ARTIFICIAL INTELLIGENCE

SISTEM PAKAR Materi ini membahas tentang seputar Sistem Pakar yaitu dimana sistem yang digunakan untuk menyelesaikan masalah. SISTEM PAKAR Sistem Pakar digunakan untuk mendukung pemecahan masalah antara lain : 1. Pembuatan Keputusan (Decision Making) 2. Pemaduan Pengetahuan (Knowledge Fusing) 3. Pembuatan Design (Designing) 4. Perencanaan (Planning) 5. Perkiraan/Prakiraan (Forecasting) 6. Pengaturan (Regulating) 7. Pengendalian (Controling) 8. Diagnosis (Diagnosing) 9. Perumusan (Prescribing) 10.Penjelasan (Explanning) 11.Pemberian Nasihat (Advising) 12.Pelatihan (Tutoring) Contoh Sistem Pakar : 1. MYCIN : Diagnosa penyakit miningitis & infeksi 2. FOLIO : Membantu memberikan keputusan bagi seorang manager dalam hal stok broker & investasi 3. XCON & XSEL : Membantu konfigurasi sistem komputer besar 4. DELTA : Pemeliharaan lokomotif listrik diesel 5. DENDRAL : Mengidentifikasi struktur molekular

Ciri - ciri Sistem Pakar :

11

ARTIFICIAL INTELLIGENCE

•

Terbatas pada bidang yang spesifik

•

Berdasarkan pada rule atau kaidah tertentu

•

Outputnya bersifat nasihat & anjuran

•

Outputnya tergantung dari dialog dengan user

Keuntungan Sistem Pakar : •

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli

•

Menyimpan pengetahuan & keahlian para pakar

•

Meningkatkan Output & produktifitas

•

Menghemat waktu & Pengambilan keputusan

•

Meningkatkan kualitas

Kelemahan Sistem Pakar : •

Biaya yang diperlukan untuk membuat & memeliharanya sangat mahal

•

Sulit dikembangkan

•

Ketersediaan pakar di bidangnya

•

Tidak 100% bernilai benar

Konsep Dasar : •

Keahlian

•

Ahli

•

Pengalihan keahlian

•

Aturan

•

Inferensi

Struktur Sistem Pakar :

12

•

Basis pengetahuan

o

Interface pengguna

•

Blackboard

o

Subsistem penjelasan

•

Mesin Inferensi

o

Sistem penyaring pengetahuan

ARTIFICIAL INTELLIGENCE