Penyelesaian Masalah Melalui Proses Pencarian/Searching 

Penyelesaian atau pemecahan masalah adalah bagian dari proses berpikir. Seiring dianggap merupakan proses paling kompleks diantara semua fungsi kecerdasan, pemecahan masalah telah didefinesikan sebagai proses kognitif tingkat tinggi yang memerlukan modulasi dan kontrol lebih dari keterampilan rutinn atau dasar.

 

2.1 Agen pemecah permasalahan

1. Searching

Teknik penyelesaian masalah yang mempresentasikan masalah kedalam ruang keadaan (state) dan secara sistematis melakukan pembangkitan dan pengujian state-state dari initial state sampai ditemukan suatu goal state.

2. Reasoning

Teknik penyelesaian masalah yang mempresentasikan masalah kedalam logic (Mathematical Tools yang digunakan untuk merepresentasikan dan memanipulasi fakta dan aturan).

3. Planning

Memecah masalah dalam sub-sub masalah yang lebih kecil, menyelesaikan sub-sub masalah satu demi satu, kemudian menggabungkan solusi-solusi dari sub masalah tersebut menjadi sebuah solusi lengkap. 

4.Learning Program komputer yang secara otomatis sanggup belajar dan meningkatkan performancenya  melalui pengalaman.

2.2 Pencarian sebagai solusi pemecahan masalah

Searching di dalam AI (Artificial Intelligence) adalah salah satu metode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi. Teknik searching terbagi menjadi dua, yaitu :

1.   Blind Searching

2.   Heuristic Searching

• Blind Searching 

Blind searching adalah model pencarian buta atau pencarian yang tidak memiliki informasi awal, model pencarian ini memiliki tiga ciri-ciri utama yaitu :

1.   Membangkitkan simpul berdasarkan urutan

2.   Jika ada solusi maka solusi akan ditemukan

3.   Hanya memiliki informasi tentang node yang telah dibuka, (node selanjutnya tidak ddiketahui)

Ada beberapa algoritma pencarian buta diantaranya BFS (Breadth First Search), DFS (Depth First Search), dan UCS (Uniform Cost Search).

• Heuristic Searching 

Heuristic searching merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan). Teknik pencarian heuristik merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, metode ini melakukan proses pencarian di sepanjang jalur yang memiliki kemungkinan sukses paling besar dan mengesampingkan usaha yang memiliki kemungkinan hasil minim dan memboroskan waktu. Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).

Heuristic search memperkirakan jarak menuju goal (yang disebut dengan fungsi heuristik). Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Jenis-jenis heuristic searching :

1.   Generate and Test

2.   Hill Climbing

3.   Best First Search

4.   Alpha Beta Prunning

5.   Means-End-Analysis

6.   Constraint Satisfaction 

2.3 Strategi Pencarian yang tidak berbentuk / uniformed search strategi  

    Algoritma ini tidak memberikan informasi apapun tentang permasalah yang ada, tetapi hanya berfokus memberikan informasi tentang algorima tersebut. Algoritma ini juga disebut Blind Search. Istilah Blind Search berpedoman bahwa, teknik pencarian ini tidak memiliki informasi tambahan lain selain dari yang disediakan.Yang dilakukan oleh algorima ini adalah melakukan generate dari successor dan membedakan goal state dari non-goal state. Pencarian ini dilakukan berdasarkan pada urutan mana saja node yang hendak di-expand.

Macam-macam Uninformed Search Algorithm:

a. Breadth First Search(BFS)

   Pencarian dengan metode ini menggunakan teknik dimana langkah pertama yang harus dilakukan adalah root node di-ekspansi, setelah itu dilanjutkan semua successor dari root node juga di-expand. Hal ini terus dilakukan berulang-ulang hingga leaf(node pada level paling bawah yang sudah tidak memiliki successor lagi).  

b. Uniform Cost Search(UCS) 

     Pencarian dengan BFS akan menjadi optimal ketika nilai pada semua path adalah sama. Dengan sedikit perluasan, dapat ditemukan sebuah algoritma yang optimal dengan melihat kepada nilai tiap path di antara node-node yang ada.Selain menjalankan fungsi algoritma BFS, Uniform Cost Search melakukan ekspansi node dengan nilai path yang paling kecil. Hal ini bisa dilakukan dengan membuat antrian pada successor yang ada berdasar kepada nilai path-nya (node disimpan dalam bentuk priority queue).

c. Depth First Search(DFS)

    Teknik pencarian dengan metode ini adalah dengan melakukan ekspansi menuju node yang paling dalam pada tree. Node paling dalam dicirikan dengan tidak adanya successor dari node itu. Setelah node selesai di ekspansi, maka node tersebut akan ditinggalkan dan dilakukan ke node paling dalam lainnya yang masih memiliki successor yang belum di ekspansi. 

d. Depth Limited Search 

    Pencarian menggunakan DFS akan berlanjut sampai kedalam paling terakhir dari sebuah tree. Misalkan yang muncul pada DFS adalah ketikda proses pencarian tersebut menemui infinite state space. Hal ini bisa diatasi dengan mengisiasikan batas depth pada level tertentu semenjak awal pencarian. Sehingga node pada level depth tersebut akan diperlakukan seolah-olah mereka sudah tidak memiliki successor.

e. Iterative Deepening Depth First Search

    Iterative deepening search merupakan sebuah strategi umum yang biasanya dikombinasikan dengan depth first tree search, yang akan menemukan berapa depth limit terbaik untuk digunakan. Hal ini dilakukan dengan secara menambah limit secara bertahap, mulai dari 0,1, 2, dan seterusnya sampai goal sudah ditemukan. 

f. Bidirectional Search

   Pencarian dengan metode bidirectional search adalah dengan menjalankan dua pencarian secara simultan, yang satu dikerjakan secara forward dari initial state menuju ke goal, sedangkan yang satu lagi dikerjakan secara backward mulai dari goal ke initial state. Yang kemudian diharapkan bahwa kedua pencarian itu akan bertemu di tengah-tengah.  

Sumber:

http://tiindonesia.blogspot.co.id/2013/02/teknik-pemecahan-masalah-dalam-ai.html

http://gagalskom.blogspot.co.id/2015/11/teknik-searching-dalam-artificial.html  

http://radenrakha.blogspot.co.id/2014/02/pengertian-informed-dan-uninformed.html 

TUGAS PENGETAHUAN TEKNOLOGI SISTEM CERDAS

MINGGU KE-2

HERI JULIYANTO

13115135

3KA12

UNIVERSITAS GUNADARMA

  

Pengenalan Kecerdasan Buatan/Articial Intelligence (AI)

1.1 Pengertian kecerdasan buatan (bertindak dan berpikir seperti manusia dan rasional).

  

Kecerdasan Buatan/Artificial Intelligence atau yang biasa disingkat "AI" adalah sebuah kecerdasan yang dibuat oleh manusia, tentu dalam kasus ini kecerdasan buatan merujuk pada suatu teknologi, yang dimana teknologi tersebut disetting untuk melakukan suatu pekerjaan atau aktivitas seperti manusia pada umumnya. Lebih jelasnya tentang apa itu Kecerdasan Buatan/Artificial Intelligence menurut para ahli adalah sebagai berikut:

• Menurut H.A. Simon, 'AI' merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan suatu hal dalam pandangan manusia yang cerdas.
• Menurut Rich and Knight, 'AI' merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik dari manusia. 

Jadi kesimpulan dari 'AI' adalah suatu program yang dibuat oleh manusia, sehingga program tersebut bisa menjalankan suatu aktivitas layaknya manusia. Contohnya adalah Robot, sudah banyak diluar sana robot yang bisa berbicara, menyapu, bermain bola, menari, menulis dan masih banyak yang lainnya. Berikut ada sedikit gambar dari robot yang sudah diprogram dengan 'AI', cekiiidooottt:

 1.2 Bidang ilmu yang menjadi dasar kecerdasan buatan 

      1. Sistem Pakar 

Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.

Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

      2. Algoritma genetika 

Algoritma Genetika adalah suatu algoritma pencarian yang meniru mekanisme dari genetika alam. Algoritma Genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan.Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat untuk masalah optimal dari satu variabel atau multi variabel. Sebelum Algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsitujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Operasi yang dilakukan adalah reproduksi, crossover, dan mutasi untuk mendapatkan sebuah solusi menurut nilai fitnessnya.
Selanjutnya konstruksi dasar dari Algoritma Genetika adalah sebagai berikut:
• Pendefinisian Chromosome
• Pendefinisian Fungsi Fitness
• Membangkitkan Sebuah Populasi Awal
• Reproduksi
• Crossover
• Mutasi

Contoh: Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy. 

    3. Logika Fuzzy
Logika Fuzzy ( logika samar ) merupakan logika yang berhadapan langsung dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam binary 0 atau 1. logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Karena alasan diatas maka pada penelitian ini akan dibuat perancangan perangkat lunak dan perangkat keras robot avoider dengan mengunakan aplikasi Fuzzy Logic sebagai kendali system.
Perlu diketahui bahwa Teori Himpunan Samar dan Logika Samar sangat berkembang pesat pada saat ini. Banyak sekali masalah-masalah nyata yang lebih tepat diselesaikan menggunakan Teori Himpunan Samar dan Logika Samar. Banyak sekali muncul teori-teori baru pada saat ini misalnya: Topologi Fuzzy, Analisa Fuzzy, Aljabar Fuzzy (Fuzzy Semi Group, Fuzzy Ring, Fuzzy Group, dan sebagainya.
Logika fuzzy telah lama dikenal dan digunakan dalam berbagai bidang oleh para ahli dan insinyur. Penggunaan logika fuzzy pada awalnya digunakan untuk beberapa bidang, seperti sistem diagnosa penyakit (dalam bidang kedokteran); pemodelan sistem pemasaran, riset operasi (dalam bidang ekonomi); kendali kualitas air, prediksi adanya gempa bumi, klasifikasi dan pencocokan pola (dalam bidang teknik). Penggunaan logika fuzzy dalam bidang sistem daya (power system) juga sudah dilakukan, antara lain dalam analisis kemungkinan, prediksi dan pengaturan beban, identifikasi gangguan pada generator dan penjadwalan pemeliharaan generator

   4. Jaringan Syaraf  Tiruan

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. 

   5. Robotika
Robotika adalah salah satu wacana teknologi untuk menuju peradaban yang lebih maju. Kebanyakan orang selalu beranggapan bahwa robot adalah kemajuan teknologi yang mampu menggeser tingkah laku seseorang untuk melakukan suatu tindakan. Dengan kemajuan yang pesat, maka kebutuhan akan SDM akan merosot tajam. Layaknya revolusi pada bangsa Eropa.

Sangat disayangkan selali bila titik ikon kemajuan teknologi tersebut tidak seiring dengan cepat nya pemahaman masyarakat pada umumnya yang selalu meng-analogikan robot adalah biang kerok hilangnya tenaga buruh untuk memacu pertumbuhan perekonomian.

Hal ini layaknya dua sisi perbedaan yang tidak akan bisa menyatu sama lain. Tapi bisa dicermati kembali, bila orang pelukis ternama akan tergusur karena kemampuan sebuah robot pelukis yang bisa membuat lukisan yang sama. Sebuah robot yang mampu untuk memahat patung yang hampir mirip pula. Seluruh ilustrasi tersebut memang sepintas robot bisa menguasai semua, tapi sangat disayangkan hasil kerja robot adalah tak lebih dari sebuah alat cetak dan seonggok besi aluminium dan komponen elektronika yang dirakit pada papan PCB. Sebuah lukisan dari Afandi tentunya akan bernilai ratusan juta beda ukuran dengan lukisan robot yang paling-paing laku di jual 10 ribuan di pinggir jalan.

 

1.3 Sejarah kecerdasan buatan

 Perkembangan dan aplikasinya

Jaman "batu" (1943-1956)

• Awal kerja JST dan logika
• Teori logika (Alan Newell and Herbert Simon)
• Kelahiran AI: Dartmouth workshop - summer 1956
• John McCarthy’s memberi nama bidang: artificial intelligence 

Awal antusias, harapan besar (1952-1969)

• McCarthy (1958)
  - mendefinisikan Lisp
  - menemukan time-sharing
  - Advice Taker

• Pembelajaran tanpa pengetahuan 
• Pemodelan JST
• Pembelajaran Evolusioner
• Samuel’s checkers player: pembelajaran
• Metode resolusi Robinson.
• Minsky: the microworlds (e.g. the block’s world).
• Banyak demonstrasi kecil ttg perilaku “intelligent”
• Prediksi over-optimistic Simon 

Masa Gelap (1966-1973)

• AI tidak mengalami perkembangan: ledakan perkembangan combinatorial
• Fakta bahwa suatu program bisa mendapatkan suatu solusi secara prinsip tidak berarti bahwa program memuat beberapa mekanisme yang dibutuhkan untuk mendapatkannya secara praktis.
• Kegagalan dari pendekatan terjemahan bahasa alami berbasis pada grammars sederhana dan kamus kata.
• Penterjemahan kembali yang populer
• Penemuan untuk pemrosesan bahasa natural dihentikan.
• Kegagalan perceptron untuk belajar dari fungsi sederhana sebagaimana disjunctive/eksclusive OR.  
• Penelitian pada JST dihentikan.
• Realisasi dari kesukaran dalam proses learning dan keterbatasan dari metode yang dieksplorasi  
• Konsep pembelajaran simbolik (Winston’s influential thesis, 1972) 

Renaissance (1969-1979)

• Perubahan pada paradigma penyelesaian
• Dari penyelesaian masalah berbasis “search-based” menjadi  penyelesaian masalah berbasis pengetahuan. 
• Sistem pakar pertama 
• Dendral: menginferensi struktur molecular dari informasi yang disediakan oleh spektrometer massa.
• Mycin: diagnoses blood infections
• Prospector: merekomendasikan eksplorasi pengeboran pada lokasi geologi yang menyediakan suatu deposit mineral  molybdenum.

Era Industrial
(1980-sekarang)

• Sukses pertama Sistem Pakar secara komersial.
• Many AI companies.
• Eksplorasi dari strategi pembelajarqan yqang bermacam-macam (Explanation-based learning, Case-based Reasoning, Genetic algorithms, Neural networks, etc.) 

Kembalinya Neural Networks
(1986-sekarang)

• Penggalian kembali algoritma learning back propagation untuk neural networks yang pertama dikenalkan dalam tahun 1969 oleh Bryson and Ho.
• Banyak aplikasi sukses dari Neural Networks.
• Kehilangan respek terhadap sulitnya membangun sistem pakar (macetnya knowledge acquisition). 

Kematangan
(1987-sekarang)

• Perubahan dalam cakupan dan metodologi penelitian bidang Kecerdasan Buatan
• Membangun di atas teori yang ada, bukan cuma mengusulkan teori baru
• Berbasis klaim pada theorema dan eksperimen, bukan pada intuisi
• Menunjukkan relevansi ke aplikasi nyata, bukan pada contoh “mainan”. 

Agent Cerdas (1995-sekarang)

• Realisasi yang pada mulanya dipisahkan dalam sub dari Kecerdasan Buatan (speech recognition, problem solving and planning, robotics, computer vision, machine learning, knowledge representation, etc.) perlu direorganisasi bilamana hasil-hasilnya diikat bersama-sama kedalam suatu desain agent tunggal.
• Suatu proses reintegrasi dari sub-area yang berbeda dari KB untuk membentuk whole agent    
• Agent architectures (e.g. SOAR, Disciple)
• Multi-agent systems
• Agent untuk aplikasi tipe-tipe yang berbeda, web agents.  

1.4 Agen Intelejen 

 Dalam kecerdasan buatan, intelligent agent (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas lingkungan (yaitu membutuhkan agen) dan mengarahkan aktivitasnya untuk mencapai tujuan  yaitu rasional. Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Russell & Norvig (2003) mengartikan Rational Agent  yang mengerjakan segala sesuatu hal dengan benar.

• 1.4.1 Agen dan Lingkungannya
  Agent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators
  Agen manusia:
  l  Sensor: mata, telinga, dan organ tubuh lain;
  l  Actuator: tangan, kaki, mulut, dan bagian tubuh lain.
  Agen robotik:
          Sensor: kamera dan infrared range finders;
         Actuator: berbagai macam motor
  Fungsi agen memetakan dari sejarah persepsi ke dalam tindakan (actions):
  [f: P* à A]
  Program agen berjalan pada arsitektur fisik untuk menghasilkan f
  agen = arsitektur + program 
  Vacuum-cleaner world
        Percepts: location and contents, e.g., [A,Dirty]
       Actions: Left, Right, Suck, NoOp
• 1.4.2 Konsep Rasionalitas
  Sebuah agen haruslah mengarah kepada “lakukan hal yang benar", berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut paling berhasil.
  Pengukuran Performance: Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen.
  Mis., ukuran performance dari sebuah agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.
  Agen rasional : Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran performance-nya, dengan adanya bukti yang diberikan oleh deretan presepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.
  Rasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga).
  Agen dapat melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga dapat memperoleh informasi yang berguna (pengumpulan informasi, eksplorasi)
  Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi).  

• 1.4.3 Lingkungan Alami
  Kita akan melihat bagaimana pasangan agen untuk lingkungan. Dalam semua kasus, sifat hubungan antara mereka adalah sama: tindakan yang dilakukan oleh agen pada lingkungan, yang pada gilirannya memberikan persepsi kepada agen. Pertama, kita akan menjelaskan berbagai jenis lingkungan dan bagaimana mereka mempengaruhi desain agen. Kemudian kita akan menjelaskan program-program lingkungan yang dapat digunakan sebagai testbeds untuk program agen.
  Sifat-sifat environments :
  ·         Accessible vs. inaccessible.
  ·         Deterministic vs. nondeterministic.
  ·         Episodic vs. nonepisodic.
  ·         Static vs. dynamic.
  ·         Discrete vs. continuous.

• 1.4.4 Struktur agen
  Tugas AI adalah untuk merancang sebuah agent yaitu sebuah fungsi yang mengimplementasikan pemetaan agen dari persepsi terhadap tindakan. Program ini akan berjalan pada beberapa jenis perangkat komputasi, yang disebut arsitektur. Secara umum, arsitektur membuat persepsi dari sensor yang tersedia untuk program, menjalankan program, dan umpan pilihan program aksi terhadap efektor seperti yang dihasilkan.

Sumber:
https://id.wikipedia.org/wiki/Kecerdasan_buatan 
http://ai-b-r3di.blogspot.co.id/2011/02/bidang-bidang-kecerdasan-buatan.html 
http://iswanticha.blogspot.co.id/2013/04/pengertian-dan-sejarah-kecerdasan.html 
http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html 
 

TUGAS PENGETAHUAN TEKNOLOGI SISTEM CERDAS

MINGGU KE-1

HERI JULIYANTO

13115135

3KA12

UNIVERSITAS GUNADARMA