ROBOT PABRIK PENJAMIN MUTU

AI merupakan kecerdasan yang diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (Games), Logika Fuzzy, jaringan syaraf tiruan dan robotika.

Kali ini kita akan membahas robot pabrik penjamin mutu
Robot dalam bidang industri pada umumnya ditujukan untuk menggantikan peran manusia dalam melaksanakan tugas-tugas yang membutuhkan tenaga yang lebih besar, yang memerlukan ketelitian yang tinggi dan yang  mengandung resiko tinggi terhadap keselamatan manusia sehingga robot dapat meminimalisir Human Error (Kesalahan Manusia) pada proses pengindustrian serta dapat meningkatkan produktivitas produksi secara efisien dan efektif.
Berikut ini adalah lingkungan masalah yang harus didefinisikan dalam membangun


Performance measure : apa saja komponen pengukur keberhasilan si agent?
Environment : kondisi apa saja yang ada disekitar si agent?
Actuators : apa saja yang bisa dilakukan si agent?
Sensors : apa saja yang menjadi input si agent?

Robot pabrik penjamin mutu merupakan sebuah robot yang melakukan pemisahan komponen yang bermutu tinggi pada ban berjalan ke dalam kotak berbeda

Lingkungan masalah

Performance measure: prosentase jumlah komponen yg diletakkan pada kotak yang benar
Environment: ban berjalan, komponen yang diuji, kotak
Actuators: gerak lengan dan tangan robot
Sensors: kamera, sensor fisik


Dengan meggunakan sistem komputer robot ini secara otomatis memilih barang produksi dengan kualitas atau mutu terbaik.

Cara kerja robot :

Robot menunggu barang yang lewat melalui ban berjalan. Kemudian robot menggunkan kamera dan sensor untuk melihat dan membaca data barang yang lewat, lalu robot mengambil dan memindahkan barang yang berkualitas buruk dari ban berjalan ke tempat yang sudah di tentukan.

Keuntungan :
Kualitas atau mutu barang yang diproduksi lebih terjamin, karena menggunakan sistem cerdas
Waktu yang dibutuhkan untuk melakukan pekerjaan lebih cepat

Kerugian :
Biaya pembuatan dan perawatan cukup mahal
Peran manusia mulai tergantikan, akibatnya pengangguran bertambah

Kesimpulan dan Saran :
Robot sangat membantu manusia dalam melakukan pekerjaan industri dan manufaktur. sebaiknya tidak semua peran manusia di gantikan oleh robot. 

REPRESENTASI PENGETAHUAN : LOGIKA PREDIKAT

Disebut juga kalkulus predikat, merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi.
Logika predikat dapat memberikan representasi fakat-fakta sebagai suatu pernyataan yang mapan (well form).
Syarat-syarat symbol dalam logika predikat :

• himpunan huruf, baik huruf kecil maupun huruf besar dalam abjad.
• Himpunan digit (angka) 0,1,2,…9
• Garis bawah “_”
• Symbol-simbol dalam logika predikat dimulai dengan sebuah huruf dan diikuti oleh sembarang rangkaian karakter-karakter yang diijinkan.
• Symbol-simbol logika predikat dapat merepresentasikan variable, konstanta, fungsi atau predikat

Konstanta: objek atau sifat dari semesta pembicaraan. Penulisannya diawali dengan huruf kecil, seperti : pohon, tinggi. Konstanta true(benar) dan false(salah) adalah symbol kebenaran (truth symbol).
Variable : digunakan untuk merancang kelas objek atau sifat-sifat secara umum dalam semesta pembicaraan. Penulisannya diawali dengan huruf besar, seperti : Bill, Kate.
Fungsi : pemetaan (mapping) dari satu atau lebih elemen dalam suatu himpunan yang disebut domainfungsi ke dalam sebuah elemen unik pada himpunan lain yang disebut rangefungsi. Penulisannya dimulai dengan huruf kecil. Suatu ekspresi fungsi merupakan symbol fungsi yang diikuti argument.
Argumentadalah elemen-elemen dari fungsi, ditulis diapit tanda kurung dan dipisahkan dengan tanda koma.
Predikat: menamai hubungan antara nol atau lebih objek dalam semesta pembicaraan. Penulisannya dimulai dengan huruf kecil, seperti : equals, sama dengan, likes, near.
Contoh kalimat dasar :
teman(george,allen)
teman(ayah_dari(david),ayah_dari(andrew))
dimana :
argument : ayah_dari(david) adalah george
argument : ayah_dari(andrew) adalah allen
predikat : teman

Quantifier Universal
Operator logika konektif : ∧,∨, ~, →, ≡.
Logika kalkulus orde pertama mencakup symbol universal quantifier ∀dan existensial quantifier ∃.
Menunjukkan semua kalimat adalah benar untuk semua nilai variabelnya.
Direpresentasikan dengan symbol ∀diikuti satu atau lebih argument untuk suatu domain variable.
Symbol∀diinterpretasikan “untuk setiap”atau “untuk semua”.
Contoh 1 :
(∀x) (x + x = 2x)
“untuk setiap x (dimana x adalah suatu bilangan),
kalimat x + x = 2x adalah benar.”
Contoh 2 :
(∀x) (p) (Jika x adalah seekor kucing → x adalah binatang)
Kebalikan kalimat “bukan kucing adalah binantang” ditulis :
(∀x) (p) (Jika x adalah seekor kucing → ~x adalah binatang)
dan dibaca : -“setiap kucing adalah bukan binantang”
-“semua kucing adalah bukan binantang”

Quantifier Existensial
Menunjukkan semua kalimat adalah benar untuk suatu nilai tertentu dalam sebuah domain.
Direpresentasikan dengan symbol ∃diikuti satu atau lebih argument.
Symbol ∃diinterpretasikan “terdapat”atau “ada”, “paling sedikit satu”,“terdapat satu”, “beberapa”.
Contoh 1 :
(∃x) (x . x = 1)
Dibaca : “terdapat x yang bila dikalikan dengan dirinya sendiri hasilnya sama dengan 1.”
Contoh 2 :
(∃x) (gajah(x) ∧nama(Clyde))
Dibaca : “beberapa gajah bernama Clyde”. 
Existensial quantifier dapat diekspresikan sebagai disjungsi dari urutan ai. P(a1) ∨P(a2) ∨P(a3) …∨P(aN)


Resolusi Logika Predikat

Resolusi pada logika predikat pada dasarnya sama dengan resolusi pada logika proposisi, hanya saja ditambah dengan unufikasi. Pada logika predikat, prosedur untuk membuktikan pernyataan P dengan beberapa pernyataan F yang telah diketahui, dengan menggunakan resolusi, dapat dilakukan melalui algoritma sebagai berikut:

1. Konversikan semua proposisi F ke bentuk klausa.
2. Negasikan P, dan konversikan hasil negasi tersebut ke bentuk klausa. Tambahkan ke himpunan klausa yang telah ada pada langkah 1.
3. Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan:
a. Seleksi 2 klausa sebagai klausa parent.
b. Bandingkan (resolve) secara bersama-sama. Klausa hasil resolve tersebut dinamakan resolvent. Jika ada pasangan literal T1 dan T2 sedemikian hingga keduanya dapat dilakukan unifikasi, maka salah satu T1 atau T2 tidak muncul lagi dalam resolvent. T1 dan T2 disebut sebagai complementary literal. Jika ada lebih dari 1 complementary literal, maka hanya sepasang yang dapat meninggalkan resolvent.
c. Jika resolvent berupa klausa kosong, maka ditemukan kontradiksi. Jika tidak, tambahkan ke himpunan klausa yang telah ada.

Contoh :
Misalkan terdapat pernyataan-pernyataan sebagai berikut :
1. Andi adalah seorang mahasiswa.
2. Andi masuk Jurusan Elektro.
3. Setiap mahasiswa elektro pasti mahasiswa teknik.
4. Kalkulus adalah matakuliah yang sulit.
5. Setiap mahasiswa teknik pasti akan suka kalkulus atau akan membencinya.
6. Setiap mahasiswa pasti akan suka terhadap suatu matakuliah.
7. Mahasiswa yang tidak pernah hadir pada kuliah matakuliah sulit, maka mereka pasti tidak suka terhadap matakuliah tersebut.
8. Andi tidak pernah hadir kuliah matakuliah kalkulus.
Kedelapan pernyataan di atas dapat dibawa ke bentuk logika predikat, dengan menggunakan operator-operator logika predikat, sebagai berikut :
9. mahasiswa(Andi).
10. Elektro(Andi).
11. ∀x:Elektro(x)→Teknik(x).
12. sulit(Kalkulus).
13. ∀x:Teknik(x) → suka(x,Kalkulus) ∨ benci(x,Kalkulus).
14. ∀x:∃y:suka(x,y).
15. ∀x:∀y:mahasiswa(x)∧sulit(y) ∧ ￢hadir(x,y)→ ￢suka(x,y).
16. ￢hadir(Andi,Kalkulus).

Kita dapat membawa pernyataan-pernyataan yang ada menjadi bentuk klausa (CNF) sebagai berikut:
1. mahasiswa(Andi).
2. Elektro(Andi).
3. ￢Elektro(x1) ∨ Teknik(x1).
4. sulit(Kalkulus).
5. ￢Teknik(x2) ∨ suka(x2,Kalkulus) ∨ benci(x2,Kalkulus).
6. suka(x3,fl(x3)).
7. ￢mahasiswa(x4) ∨ ￢sulit(y1) ∨ hadir(x4,y1) ∨ ￢suka(x4,y1).
8. ￢hadir(Andi,Kalkulus).
Apabila ingin dibuktikan apakah Andi benci kalkulus, maka kita bisa lakukan dengan membuktikan: (dibuktikan dalam gambar paling atas)


sumber :
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&ved=0ahUKEwiXmuvjqq3QAhXKvY8KHeS_DkIQFgggMAE&url=http%3A%2F%2Fsupriyan.staff.gunadarma.ac.id%2FDownloads%2Ffiles%2F11876%2F5-Representasi-Pengetahuan-LOGIKA.pdf&usg=AFQjCNGz5Owl96L1dlKqejEc6y8TDVqwow&sig2=gRnlDxO13L9iVOCNTbmG3g&cad=rja
http://slametgo-blog.blogspot.co.id/2016/01/resolusi-logika-predikat.html

REPRESENTASI PENGETAHUAN : LOGIKA PROPOSISI

Logika dan Set

• Representasi pengetahuan dengan symbol logika merupakan bagian dari penalaran eksak.
• Bagian yang paling penting dalam penalaran adalah mengambil kesimpulan dari premis.
• Logika dikembangkan oleh filusuf Yunani, Aristoteles (abad ke 4 SM) didasarkan pada silogisme, dengan dua premisdan satu konklusi.
• Contoh :

1. Premis : Semua laki-laki adalah makhluk hidup
2. Premis : Socrates adalah laki-laki
3. Konklusi : Socrates adalah makhluk hidup

• Cara lain merepresentasikan pengetahuan adalah dengan Diagram Venn. 

• Diagram Venn merepresentasikan sebuah himpunan yang merupakan kumpulan objek.
• Objek dalam himpunan disebut elemen.

1. A ={1,3,5,7}
2. B = {….,-4,-2,0,2,4,…..}
3. C = {pesawat, balon}

• Symbol epsilon εmenunjukkan bahwa suatu elemen merupakan anggota dari suatu himpunan, contoh : 1 εA . Jika suatu elemen bukan anggota dari suatu himpunan maka symbol yang digunakan ∉, contoh : 2 ∉A.
• Jika suatu himpunan sembarang, misal X dan Y didefinisikan bahwa setiap elemen X merupakan elemen Y, maka X adalah subset dari Y, dituliskan : X ⊂ Y atau Y ⊃ X.

Operasi-operasi Dasar dalam Diagram Venn:

• Interseksi (Irisan)

C = A ∩B
C = {x ∈ U | (x ∈ A) ∧(x ∈ B)}
Dimana : ∩ menyatakan irisan himpunan| dibaca “sedemikian hingga”∧operator logika AND

• Union (Gabungan) 

C = A ∪ B
C = {x ∈ U | (x ∈ A) ∨(x ∈ B)}
Dimana : ∪ menyatakan gabungan himpunan∨operator logika OR

• Komplemen

A’ = {x ∈ U | ~ (x ∈ A) }
Dimana : ’ menyatakan komplemen himpunan
~ operator logika NOT


Operator Logika
Operator logika yang digunakan :

Kondisional merupakan operator yang analog dengan production rule.
Contoh 1 :
“ Jika hujan turun sekarang maka saya tidak pergi ke pasar”
Kalimat di atas dapat ditulis : p → q
Dimana : p = hujan turun
q = saya tidak pergi ke pasar

Contoh 2 :
p = “Anda berusia 21 atau sudah tua”
q = “Anda mempunyai hak pilih”

Kondisional p → q dapat ditulis/berarti :

Tautologi, Kontradiksi dan Contingent

• Tautologi : pernyataan gabungan yang selalu bernilai benar.
• Kontradiksi : pernyataan gabungan yang selalu bernilai salah.
• Contingent : pernyataan yang bukan tautology ataupun kontradiksi.

Tabel Kebenaran untuk logika konektif :

 Tabel kebenaran untuk negasi konektif :

Resolusi Logika Proposisi
Resolusi merupakan suatu teknik pembuktian yang lebih efisien, sebab fakta-fakta yang akan dioperasikan terlebih dahulu dibawa ke bentuk standar yang sering disebut dengan nama klausa. Pembuktian suatu pernyataan menggunakan resolusi ini dilakukan dengan cara menegasikan pernyataan tersebut, kemudian dicari kontradiksinya dari pernyataan-pernyataan yang sudah ada.
Resolusi adalah suatu aturan untuk melakukan inferensi yang dapat berjalan secara efisien dalam suatu bentuk khusus conjunctive normal form (CNF). Pada logika proposisi, prosedur untuk membuktikan proposisi P dengan beberapa aksioma F yang telah diketahui, dengan menggunakan resolusi.
Algoritma resolusi :
(1) Konversikan semua proposisi F ke bentuk CNF.
(2) Negasikan P, dan konversikan hasil negasi tersebut ke bentuk klausa. Tambahkan ke himpunan klausa yang telah ada pada langkah 1.
(3) Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan :
a. Seleksi 2 klausa sebagai klausa parent.
b. Bandingkan (resolve) secara bersama-sama. Klausa hasil resolve tersebut dinamakan resolvent. Jika ada pasangan literal L dan ￢L, eliminir dari resolvent.
c. Jika resolvent berupa klausa kosong, maka ditemukan kontradiksi. Jika tidak, tambahkan ke himpunan klausa yang telah ada.
Contoh :
Diketahui basis pengetahuan (fakta-fakta yang bernilai benar) sebagai berikut:
1. P
2. (P ∧ Q) → R
3. (S ∨ T) → Q
4. T
Buktikanlah kebenaran R!
Pertama-tama kita harus ubah dulu keempat fakta di atas menjadi bentuk CNF. Konversi ke CNF dapat dilakukan sebagai berikut:

Kemudian kita tambahkan kontradiksi pada tujuannya, R menjadi ￢R sehingga fakta-fakta (dalam bentuk CNF) dapat disusun menjadi:
1. P
2. ￢P ∨ ￢Q ∨ R
3. ￢S ∨ Q
4. ￢T ∨ Q
5. T
6. ￢R
Dengan demikian resolusi dapat dilakukan untuk membuktikan R sebagaimana terlihat pada Gambar berikut:

Contoh apabila diterapkan dalam kalimat:
P : Andi anak yang cerdas.
Q : Andi rajin belajar.
R : Andi akan menjadi juara kelas.
S : Andi makannya banyak.
T : Andi istirahatnya cukup.
Kalimat yang terbentuk (basis pengetahuan) menjadi :
1. P : Andi anak yang cerdas.
2. (P ∧ Q) → R : Jika Andi anak yang cerdas dan Andi rajin belajar, maka Andi akan menjadi juara kelas.
3. (S ∨ T) → Q : Jika Andi makannya banyak atau Andi istirahatnya cukup, maka Andi rajin belajar.
4. T : Andi istirahatnya cukup.
Setelah dilakukan konversi ke bentuk CNF, didapat:
1. P : Andi anak yang cerdas.
2. ￢P ∨ ￢Q ∨ R : Andi tidak cerdas atau Andi tidak rajin belajar atau Andi akan menjadi juara kelas.
3. ￢S ∨ Q : Andi tidak makan banyak atau Andi rajin belajar.
4. ￢T ∨ Q : Andi tidak cukup istirahat atau Andi rajin belajar.
5. T : Andi istirahatnya cukup.
6. ￢R : Andi tidak akan menjadi juara kelas.
Pohon aplikasi resolusi untuk kejadian di atas sebagai berikut :

sumber :
 https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&ved=0ahUKEwiXmuvjqq3QAhXKvY8KHeS_DkIQFgggMAE&url=http%3A%2F%2Fsupriyan.staff.gunadarma.ac.id%2FDownloads%2Ffiles%2F11876%2F5-Representasi-Pengetahuan-LOGIKA.pdf&usg=AFQjCNGz5Owl96L1dlKqejEc6y8TDVqwow&sig2=gRnlDxO13L9iVOCNTbmG3g&cad=rja
slametgo-blog.blogspot.com/2016/01/resolusi-logika-proposisi.html

REPRESENTASI PENGETAHUAN

Pengetahuan (Knowledge) :
Definisi umum : fakta atau kondisi sesuatu atau keadaan yang timbul karena suatu pengalaman.
Cabang ilmu filsafat, yaitu Epistemology, berkenaan dengan sifat, struktur dan keaslian dari knowledge.

Produksi
Kaidah nmenyediakan cara formal untuk mempresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskandalam bentuk jika-maka (if-then). Kaidah if-then menghubungkan anteseden (antecedent) dengan konskuensi yang diakibatkannya. Berbagai struktur kaidah if-then yang menghubungkan obyek atau atribut adalah sebagai berikut:

• JIKA premis MAKA konklusi
• JIKA masukan MAKA keluaran
• JIKA kondisi MAKA konsekuen
• JIKA data MAKA hasil
• JIKA tindakan MAKA tujuan

Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat diperoleh. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden mengacu pada situasi yang terjadi sebelum konsekuensi dapat diamati. Data mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan (Hanifah, 1998).
Kaidah dapat diklasifikasikan menjadi dua, yaitu kaidah derajat pertama (first order rule) dan kaidah meta (meta rule) (Giarrantano dan Riley, 1994). Kaidah derajat pertama adalah kaidah sederhana yang terdiri dari anteseden dan konsekuen. Misalnya :

• JIKA bersin-bersin dan pusing
• MAKA terserang penyakit flu

Kaidah meta adalah kaidah yang anteseden atau konsekuenya mengandung informasi tentang kaidah yang lain. Misalnya :

• JIKA mengalami kehilangan kesadaran yang berlangsung singkat, sehinnga aktivitas yang sedang berjalan terhenti
• DAN terkadang disertau dengan mata yangmenatap kosong dan gerakan mioklonik dari sekelompok otot mata atau wajah, otomatisme, kehilangan tanus otot (sehingga barang yang dipegang bisa terjatuh atau bila sedang berdiri bisa jatuh).
• DAN serangan berakhirdengan diikuti oleh pulihnya kesadaran
• DAN berlangsung beberapa detik sampai setengah menit, dan dapat berlangsung puluhan kali dalam sehari
• MAKA mengalami tipe sawan lena.

Aturan 2 :

• JIKA tipe sawan umum
• ATAU tipe sawan mioklonik
• ATAU tipe sawan lena
• ATAU tipe sawan tonik-klonik
• DAN EEG tidak menunjukan adanya kelainan fokal
• DAN penyebab tidak diketahui
• DAN awitan berhubungan dengan usia
• MAKA terkenan epilepsi idiopatik

Jaringan Semantik
Dibangun oleh M.R.Quillian, sebagai model memori manusia.

Representasi grafis dari informasi Propositional.

Proposisi adalah pernyataan yang dapat bernilai benar atau salah.

Disajikan dalam bentuk graf berarah

Node merepresentasikan konsep, objek atau situasi :

•  Label ditunjukkan melalui penamaan
• Node dapat berupa objek tunggal atau kelas

Links merepresentasikan suatu hubungan :

•  Links adalah struktur dasar untuk pengorganisasian pengetahuan

Contoh jaringan semantic.

 Tipe link :

• IS-A (ISA) berarti “contoh dari” dan merupakan anggota tertentu dari kelas.
• A KIND OF (AKO) berarti “jenis dari” dan merelasikan antara suatu kelas dengan kelas lainnya. AKO merelasikan kelas individu ke kelas induk dari kelas-kelas dimana individu tersebut merupakan kelas anak.
• HAS-A berarti “mempunyai” yang merelasikan suatu kelas menjadi subkelas. HAS-A berlawanan dengan AKO dan sering digunakan untuk merelasikan suatu objek ke bagian dari objek.

Keterangan : AKO = jenis dari
ISA = adalah
Has shape = berbentuk

Perluasan Jaringan Semantik

Penambahan dapat dilakukan dalam 3 cara :

1. Objek yang sama
2. Objek yang lebih khusus
3. Objek yang lebih umum

Operasi pada Jaringan Semantik
Kasus-1:
Bertanya pada “Bird” : “How do you Travel ?”
Jawab : “Fly”
Untuk menjawab, node tersebut akan mengecek pada arc dengan label travel dan kemudian menggunakann informasi (value) yang ada pada arc tersebut sebagai jawabannya.

Kasus-2:
Bertanya pada “Tweety” : “How do you Travel ?”
Jawab : “Fly”
Jika node tidak menemukan jawaban pada local arc, maka akan mencari pada link dengan hubungan “IS A” yang dimiliki node tersebut.

Penanganan Pengecualian (Exception Handling)
Kasus-3:
Bertanya pada “Penguin” : “How do you Travel ?”
Jawab normal : “Fly”
Hal ini tidak sesuai dengan fakta sebenarnya bahwa “Penguin” travel dengan cara “WALK”.
Maka untuk mengatasi kasus tersebut bisa ditambahkan arc khusus pada node “Penguin” untuk meng-over-ride informasi yang telah diwariskan.

Pada proses over-ride, kita menambahkan arc atau sifat yang sama dengan objek induk pada node, tetapi dengan value atau karakteristik yang berbeda.

Ada 3 hal yaitu OBJECT, ATTRIBUTE, VALUE
(OAV) Triplet, yang sering digunakan untuk membangun jaringan semantic.
OBJECT : dapat berupa fisik atau konsepsi
ATTRIBUTE : karakteristik objek
VALUE : ukuran spesifik dari atribut dalam situasi tertentu

contoh :

Triplet OAV secara khusus digunakan untuk mrepresentasikan fakta dan pola guna menyesuaikan fakta dalam aturan yang antecedent. Jaringan semantic untuk beberapa sistem terdiri dari node untuk objek, atribut dan nilai yang dihubungakan dengan IS A dan HAS A.


Schemata : Frame dan Script

• Frame (Minsky, 1975) dipandang sebagai struktur data static yang digunakan untuk merepsentasi-kan situasi-situasi yang telah dipahami dan stereotype.
• Frame digunakan untuk merepresentasikan pengetahuan stereotype atau pengetahuan yang didasarkan kepada karakteristik yang sudah dikenal yang merupakan pengalaman masa lalu.
• Frame berupa kumpulan slot-slot (representasi entitas sebagai struktru objek) yang merupakan atribut untuk mendeskripsikan pengetahuan berupa kejadian, lokasi, situasi ataupun elemen-elemen lain. Frame digunakan untuk representasi pengetahuan deklaratif.

contoh :
Frame Pohon
Spesialisasi dari : Tumbuhan
Jumlah batang : integer (default 1)
Jenis kulit : halus
Model daun : jenis pohon jarum, berganti daun
Bentuk daun : sederhana, berlekuk, campuran

Frame Pohon Perdu
Spesialisasi dari : Pohon
Jumlah batang : 3
Jenis kulit : halus
Model daun : berganti daun
Bentuk daun : sederhana, berlekuk

Setiap frame individual dapat dipandang sebagai struktur data yang mirip record, berisi informasi yang relevan dengan entitas-entitas stereotype.
Slot-slot dalam frame dapat berisi :
· Informasi identifikasi frame
· Hubungan frame dengan frame lain
· Penggambaran persyaratan yang dibutuhkan frame
· Informasi procedural untuk menggunakan struktur yang digambarkan
· Informasi default frame
· Informasi terbaru.

Script (Schank & Abelson, Yale univ) merupakan representasi terstruktur yang menggambarkan urutan stereotip dari kejadian-kejadian dalam sebuah konteks khusus.

- Script mirip dengan frame, perbedaannya : Frame menggambarkan objek, sedangkan Script menggambarkan urutan peristiwa.
- Dalam menggambarkan urutan peristiwa, script menggunakan serangkaian slot yang berisi informasi tentang orang, objek dan tindakantindakan yang terjadi dalam suatu peristiwa.
- Elemen script yang tipikal :
¨ Kondisi masukan : menggambarkan situasi yang harus dipenuhi sebelum terjadi suatu peristiwa yang ada dalam script.
¨ Prop : mengacu kepada objek yang digunakan dalam urutan peristiwa yang terjadi.
¨ Role : mengacu kepada orang-orang yang terlibat dalam script.
¨ Hasil : kondisi yang ada sesudah peristiwa dalam script berlangsung.
¨ Track : mengacu kepada variasi yang mungkin terjadi dalam script tertentu.
¨ Scene : menggambarkan urutan peristiwa aktural yang terjadi.
- Contoh : Script pergi ke restoran
SCRIPT Restoran
Jalur (track) : fast food restoran
Peran (roles) : tamu, pelayan
Pendukung (prop): conter, baki, makanan, uang, serbet, garam, merica, kecap, sedotan, dll
Kondisi masukan : tamu lapar –tamu punya uang
Adegan (scene) 1 : Masuk
. Tamu parkir mobil
. Tamu masuk restoran
. Tamu antri
. Tamu baca menu di list menu dan mengambil keputusan tentang apa yang akan diminta.
Adegan (scene) 2 : Pesanan
. Tamu memberikan pesanan pada pelayan
. Pelayan mengambil pesanan dan meletakkan
makanan di atas baki
. Tamu membayar
Adegan (scene) 3 : Makan
. Tamu mengambil serbet, sedotan, garam, dll
. Tamu makan dengan cepat
Adegan (scene) 4 : Pulang
. Tamu membersihkan meja
. Tamu membuang sampah
. Tamu meninggalkan restoran
. Tamu naik mobil dan pulang Hasil
. Tamu merasa kenyang
. Tamu senang
. Tamu kecewa
. Tamu sakit perut
- Keistimewaan Script :

1. Script menyediakan beberapa cara yang sangat alami untuk merepresentasikan “suatu inforamsi” yang lazim” dengan masalah yang bersumber dari sistem AI dari mula.
2. Script menyediakan struktur hirarki untuk merepresentasikan inforamsi melalui inklusi subscript dengan sript.

sumber :
https://aij1004.wordpress.com/2010/06/27/representasi-pengetahuan/
www.academia.edu/8665924/Representasi_Pengetahuan_M._Rizki_Maulidan
ibbi.ac.id/ibbiacid/bahan/sistem-pakar.pdf 

METODE PENCARIAN DAN PELACAKAN 2 (HEURISTIK)

Pencarian Heuristik(Heuristic Search)
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).
Fungsi heuristik digunakan untuk mengevaluasi keadaan - keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Best-First Search (Pencarian Terbaik Pertama)
Metode ini merupakan kombinasi dari metode depth-first search dan breadth-first search. Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk.

Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan:
                                  f’(n) = g(n) + h’(n)
dimana:

   f’= Fungsi evaluasi
   g = cost dari initial state ke current state
   h’ = prakiraan cost dari current state ke goal state

Misalkan kita memiliki ruang pencarian seperti pada gambar berikut. Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M dengan node A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h’ di node A merupakan hasil perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h’(n) bernilai ~ jika sudah jelas tidak ada hubungan antara node n dengan node tujuan(jalan buntu). Kita bisa merunut nilai untuk setiap node.

 

Tabel Status Tiap Node

 

Problem Reduction (Reduksi Masalah) 

Kebanyakan solusi menggunakan pohon OR, dimana lintasan dari awal sampai tujuan tidak terletak pada satu cabang.

Bila lintasan dari keadaan awal sampai tujuan dapat terletak pada satu cabang, maka kita akan dapat menemukan tujuan lebih cepat.

• Graf AND - OR
• Graf AO*

Graf AND - OR
Pada dasarnya samadengan algoritma Best First Search, dengan mempertimbangkan adanya arc AND.
Gambar berikut menunjukkan bahwa untuk mendapatkan TV orang bisa dengan cara singkat yaitu mencuri atau membeli asal mempunyai uang.
Untuk mendeskripsikan algoritma, digunakan nilai F_UTILITY untuk biaya solusi.

Algoritma AND - OR

1. Inisialisasi graf ke node awal.
2. Kerjakan langkah 2 berikut hingganode awal SOLVED atau sampaibiayanya lebih tinggi dari F_UTILITY :

a). Telusuri graf mulai dari node awal dani kuti jalur terbaik. Akumulasikan kumpulan node yang ada pada lintasan tsb. dan belum pernah diekspansi atau diberi label SOLVED.
b). Ambil satu node dan ekspansi node tsb. Jika tidak ada successor maka set F_UTILITY sebagai nilai dari node tsb. Bila tidak demikian, tambahkan successor dari node tsb ke graf dan hitung nilai setiap f’ (hanya gunakan h’ dan abaikan g). Jika f’ = 0 tandai node tsb dengan SOLVED.
c). Ubah f’ harapan dari node baru yang diekspansi. Kirimkan perubahan ini secara backward sepanjanggraf. Jika node berisi suatu arc successor yang semua descendant nya berlabel SOLVED maka tandai node itu dengan SOLVED.

Operasi Reduksi Masalah dengan Graf AND - OR

• Langkah-1 semula hanya ada satu node, A. Node A diekspansi menjadi node B, C dan D. Node D memiliki biaya yang lebih rendah(6) jika dibandingkan dengan B dan C (9).
• Langkah-2 mengekspansi node D menjadi E dan F dengan biaya estimasi sebesar 10. f’ dari D menjadi 10.
• Ternyata level sebelumnya, node B dan C memiliki biaya yang lebih rendah dari D (9 < 10).
• Pada langkah-3 telusuri arc dari A ke B dan C bersama 2. Jika B dieksplore dahulu maka akan menurunkan G dan H. Nilai f’ baru dari B adalah 6 (G = 6 lebih baik dari H = 8) sehingga biaya AND arc B - C menjadi 12 (6 + 4 + 2).
• Dengan demikian nilai node D kembali menjadi lebih baik (10 < 12). Sehingga ekspansi dilakukan kembali terhadap D. dst.

Algoritma AO*
Menggunakan struktur graf. Tiap node pada graf memiliki nilai h’ yang merupakan biaya estimasi jalur dari node itu sendiri sampai suatu solusi.
Algoritma
1. Diketahui graf yang berisi node awal (sebut saja INIT). Hitung h’ (INIT)
2. Kerjakan langkah berikut hingga INIT bertanda SOLVED atau sampai nilai h’ (INIT) > FUTILITY :
    a.) Ekspan INIT dan ambil salah satu node yang belum pernah diekspan (sebutNODE)
    b.) Bangkitkan successor 2 NODE. Jika tidak memiliki successor maka set FUTILITY dengan nilai h’ (NODE). Jika ada successor maka untuk setiap successor (sebut SUCC) yang bukan ancestor dari NODE kerjakan:
         i. Tambahkan SUCC ke graf
         ii. Jika SUCC adalah terminal node tandai dengan SOLVED dan set nilai h’ = 0
         iii.Jika SUCC bukan terminal node, hitung nilai h’.

    c.) Kirimkan informasi baru tsb ke graf dengan cara : tetapkan S adalah node yang ditandai dengan SOLVED atau node yang nilai h’-nya baru saja diperbaiki, dan sampaikan nilai ini ke parent-nya. Inisialisasi S = NODE. Kerjakan langkah berikut ini hingga S kosong:
         i. Jika mungkin, seleksi dari S node yang tidak memiliki descendant dalam gra fyang terjadi pada S. Jika tidak ada, seleksi sembarang node dari S (sebut CURRENT) dan hapus dari S.
         ii. Hitung biaya tiap tiap arc yang muncul dari CURRENT. Biaya ini samadengan jumlah h’ untuk tiap tiap node pada akhir arc ditambah dengan biaya arc itu sendiri. Set h’ (CURRENT) dengan biaya minimum yang baru saja dihitung dari setiap arc yang muncul tadi.
         iii. Tandaijalurterbaikyang keluardariCURRENT denganmenandaiarc yang memilikibiayaminimum.
         iv. Tandai CURRENT dengan SOLVED jika semua node yang dihubungkan dengannya hingga arc yang baru saja ditandai tadi telah ditandai dengan SOLVED.
         v. Jika CURRENT telah ditandai dengan SOLVED atau jika biaya CURRENT telah berubah maka status baru ini harus disampaikan ke graf. Kemudian tambahkan semua ancestor dari CURRENT ke S.

• JalurmelaluiC selalulebihbaikdariB. Tetapijikabiayanode E munculdanpengaruhperubahanyang diberikan ke node B tidak sebesar pengaruhnya terhadap node C maka jalur melalui B bisa lebih baik.
• Hasil ekspan E, misalkan 10, maka biaya node C menjadi 11 (10 + 1), dengan demikian biaya node A apabila melewati C adalah 12 (11 + 1). Tentu saja akan lebih baik memilih melalui node B (11).
• Tapi tidak demikian halnya jika kemudian node D diekspan. Bisa jadi jalur dengan melalui node B akan lebih buruk lagi ketimbang jalur yang melalui node C.

Constraint Satisfaction
Problem search standard :- state adalah "black box“ – setiap struktur data yang mendukung fungsi successor, fungsi heuristik dan tes goal.
CSP:
- state didefinisikan sebagai variabel Xi dengan nilai dari domain Di
- Tes goal adalah sekumpulan constraint yang menspesifikasikan kombinasi dari nilai subset variabel.
Contoh sederhana adalah bahasa representasi formal.
CSP ini merupakan algoritma general-purpose dengan kekuatan lebih daripada algoritma pencarian standar.

Contoh : Pewarnaan Peta

• Variabel WA, NT, Q, NSW, V, SA, T
• Domain Di = {red,green,blue}
• Constraints : daerah yang bertetangga dekat harus memiliki warna yang berbeda.
• Contoh WA ≠ NT, atau (WA,NT) {(red,green),(red,blue),(green,red), (green,blue),(blue,red),(blue,green)}
• Solusi lengkap dan konsisten, contoh : WA = red, NT = green,Q = red,NSW = green,V = red,SA = blue,T = green

Constraint Graf

• Binary CSP biner : setiap constraint merelasikan dua variabel
• Graf Constraint : node adalah variabel, arc adalah constraint

 

MEA (Means-Ends Analysis)

• MEA adalah strategi penyelesaian masalah yang diperkenalkan pertama kali dalam GPS (General Problem Solver) [Newell & Simon, 1963].
• Proses pencarian berdasarkan ruang masalah yang menggabungkan aspek penalaran forward dan backward.
• Perbedaan antara state current dan goal digunakan untuk mengusulkan operator yang mengurangi perbedaan itu.
• Keterhubungan antara operator dan perbedaan tsb disajikan sebagai pengetahuan dalam sistem (pada GPS dikenal dengan Table of Connections) atau mungkin ditentukan sampai beberapa pemeriksaan operator jika tindakan operator dapat dipenetrasi.
• Contoh OPERATOR first-order predicate calculus dan operator2 tertentu mengijinkan perbedaan korelasi task-independent terhadap operator yang menguranginya.
• Kapan pengetahuan ada tersedia mengenai pentingnya perbedaan, perbedaan yang paling utama terpilih pertama lebih lanjut meningkatkan rata-rata capaian dari MEA di atas strategi pencarian Brute-Force.
• Bagaimanapun, bahkan tanpa pemesanan dari perbedaan menurut arti penting, MEA meningkatkan metode pencarian heuristik lain (di rata-rata kasus) dengan pemusatan pemecahan masalah pada perbedaan yang nyata antara current state dengan goal-nya.

Contoh :

• http://www.rci.rutgers.edu/~cfs/ 472_html/Planning/GPS_472.h tml
• Giarratano – hal 261-262
• Luger – hal 430 - 433.

sumber :
https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/
slideplayer.info/slide/3764086/
www.slideshare.net/ahmadhaidaroh/modul-3-pencarian-heuristik 

METODE PENCARIAN DAN PELACAKAN

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).


1. Metode Pencarian Buta
 1.1 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.

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).

   1.2. 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.

2. Pecarian Heuristik  
Pencarian buta tidak selalu dapat diterapkan dengan baik

1. Waktu aksesnya yang cukup lama 
2. 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 
• Aplikasi yang menggunakan fungsi heuristic : Google, Deep Blue Chess Machine 

   2.1. 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:

1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal). 
2. 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. 
3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.

  2.2. 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 :
https://yanneevelynip.wordpress.com/2013/10/20/metode-pencarian-dan-pelacakan-kecerdasan-buatan/
http://buatugasai.blogspot.co.id/2013/04/metode-pencarian-dan-pelacakan_4.html

PENGENALAN LOGICAL AGENTS

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. Knowledge-based Agents 
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 Kecerdasan Buatan :

• Representational Adequacy : kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya 
• Inferential Adequacy : kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi 
• Inferential Efficiency : kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam inferensi 
• Acquisitional  Efficiency : kemampuan untuk menambah informasi baru secara mudah.

2. Wumpus World 

• (Fully) observable? Tidak, hanya bisa persepsi lokal 
• Deterministic? Ya, hasil tindakan jelas & pasti 
• Episodic? Tidak, tergantung action sequence 
• Static? Ya, gold, wumpus, pit tidak bergerak 
• Discrete? Ya 
• Single agent? Tidak 

3.Logic In General - models and Entailment
Knowledge representation language (KRL): bahasa yang digunakan untuk menyatakan fakta tentang “dunia”.
Syntax: aturan yang mendefinisikan sentence yang sah dalam bahasa.
Semantics: aturan yang mendefinisikan “arti” sebuah sentence, mis: kebenaran sentence di dalam dunia

Contoh KRL bahasa aritmatika :
Syntax:
   x + 2 > y adalah kalimat sah.
   x2 + y bukan kalimat sah.

Semantics: x + 2 > y benar jika bilangan x + 2 tidak lebih kecil dari bilangan y:
   x + 2 > y benar dalam “dunia” di mana x = 7, y = 1
   x + 2 > y salah dalam “dunia” di mana x = 0, y = 6

Contoh KRL bahasa Indonesia :
Syntax:
   “Jakarta adalah ibukota Indonesia” adalah kalimat sah.
   “Ibu Indonesia kota Jakarta adalah” bukan kalimat sah.

Semantics: “X adalah ibukota Y” benar jika X adalah pusat pemerintahan negara Y.
   Jakarta adalah ibukota Indonesia” benar dalam “dunia” kita sekarang.
   Jakarta adalah ibukota Indonesia” salah dalam “dunia” th. 1948 (Yogya? Bukittinggi?).

Logic sebagai KRL
Logics: bahasa formal untuk merepresentasikan fakta sedemikian shg. kesimpulan (fakta baru, jawaban) dapat ditarik. Ada banyak metode inference yang diketahui. Kita bisa membangun agent Wumpus World dengan logika: memanfaatkan perkembangan logika oleh ahli matematika, filsafat selama ratusan tahun!

Entailment
Entailment berarti sesuatu fakta bisa disimpulkan dari (kumpulan) fakta lain.
KB |= : KB entails sentence jhj true dalam semua “dunia” di mana KB true.
Contoh:
   - KB mengandung sentence “Anto ganteng” dan “Ani cantik”.
   - KB |= 1: “Anto ganteng dan Ani cantik”
   - KB 2 2: “Anto pintar”
   - x + y = 4 |= 4 = x + y

sumber :
http://alfiyani18.blogspot.co.id/2016/10/pengenalan-logical-agents.html
https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/

PENGENALAN INTELEGENSI AGENTS

PENGENALAN INTELEGENSI AGENTS

1. Agen dan Lingkungannya
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.

2.Rasionalitas
Rasionalitas hanyalah status menjadi wajar, masuk akal, dan memiliki rasa yang baik penghakiman. Rasionalitas berkaitan dengan tindakan yang diharapkan dan hasil tergantung pada apa agen telah dirasakan. Melakukan tindakan dengan tujuan memperoleh informasi yang berguna adalah bagian penting dari rasionalitas. Memperbaiki wawasan kedepan untuk memperoleh informasi penting ( information gathering, exploration ). Agent disebut autonomous jika perilaku ditentukan oleh pengalaman sendiri (kemampuan untuk belajar dan beradaptasi).

3. PEAS (Performance measure, Environment, Actuators, Sensors)
Ketika merancang sebuah agent, harus mendefinisikan lingkungan masalah ( task environment ), yakni:

• Performance measure : apa saja komponen pengukur keberhasilan si agent?

• Environment : kondisi apa saja yang ada disekitar si agent?

• Actuators : apa saja yang bisa dilakukan si agent?

• Sensors : apa saja yang menjadi input si agent?

Contoh: Taksi Otomatis
Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan :

• Performance measure : sampai tujuan, tidak melanggar aturan lalu lintas, perjalanan nyaman, hemat bensin 

• Environment: jalan, lalu lintas, pejalan kaki, pelanggan 

• Actuators : arah stir, gas, rem, klakson, sinyal kiri atau kanan

• Sensors : video, speedometer, GPS, keyboard

4. Tipe - tipe Lingkungan Agen 

• Fully observable (vs. partially observable) : apakah semua informasi diketahui? 
• Deterministic (vs. stochastic) : apakah next stateditentukan dari current state dan action ? 
• Episodic (vs. sequential) : apakah tergantung pada pengalaman
• Static (vs. dynamic) : apakah environment berubah ketika agent tidak bertindak? 
• Discrete(vs. continuous): 
• Single agent (vs. multiagent) : apakah agent bertindak sendiri atau ada lawan? 

5. Tipe - tipe Agen

• Simple reflex agents : berdasarkan persepsi yg terakhir 
• Model - based reflex agents : memiliki representasi internal tentang keadaan sekitar 
• Goal - based agents : memiliki informasi tentang tujuan, memilih tindakan yang mencapai tujuan 
• Utility - based agents : melakukan penilaian kuantitatif  terhadap suatu keadaan lingkungan utility function 
• Learning agents : belajar dari pengalaman, meningkatkan kinerja 

sumber :
http://aima.cs.berkeley.edu/
http://www.cs.ui.ac.id/WebKuliah/IKI30320/
http://www.w3ii.com/id/artificial_intelligence/artificial_intelligence_agents_and_environments.html

PENGENALAN INTELEGENSI BUATAN

PENGENALAN INTELEGENSI BUATAN

1. Pengertian Intelegensi Buatan
Intelegensi buatan atau yang sering disebut Kecerdasan Buatan adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan suatu masalah dengan cara yang lebih manusiawi. Hal ini dilakukan dengan mengikuti karakteristik dan analogi berfikir dari kecerdasan manusia, dan menerapkannya dalam bentuk algoritma yang dapat dikenal oleh komputer.


2. Intelegensi Buatan dan Intelegensi Alami
Adapun perbedaan kecerdasan buatan dan kecerdasan alami adalah kecerdasan buatan lebih bersifat permanen,sedangkan kecerdasan alami dapat berubah (hal ini karena manusia memiliki sifat pelupa). Kecerdasan buatan lebih mudah disalin dan pindah daripada kecerdasan alami. Kecerdasan buatan dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut.Menyediakan layanan komputer lebih mudah daripada mendatangkan seseorang untuk mengerjakan suatu pekerjaan. Kecerdasan buatan kreatif karena harus melalui sistem yang dibangun, sedangkan kecerdasan alami lebih kreatif sebab manusia memiliki kemampuan untuk menambah pengetahuan.
Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung, sedangkan kecerdasan buatan harus bekerja melalui input input simbolik. pemikiran manusia lebih luas daripada kecerdasan buatan yang terbatas.

3. Komputasi Intelegensi Buatan dan Komputasi Konvensional
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 memberi solusi.Komputasi konvensional didasarkan pada suatu algoritma yang disusun dengan jelas dan terinci, serta langkah sampai pada hasil yang di tentukan sebelumnya. contoh program nya bisa berupa penyelesaian matematika atau pekerjaan yang menggunkan prosedur terurut yang disusun dengan jelas, dan mengarah pada suatu solusi. Algoritma tersebut dipindahkan kedalam komputer disusun berurutan untuk mengarahkan komputer kepada hasil yang diinginkan, selanjutnya algoritma bisa digunakan untuk mengolah data huruf, bilangan, dan kata lainnya.
Komputasi intelegensi buatan didasarkan dari representasi dan manipulasi simbol. Sebuah simbool bisa berupa huruf, kata, atau bilangan yang digunakan untuk menggambarkan objek, proses, dan hubungannya. Sumber bisa merupakan cetakan atau elektronik. Objek bisa berupa benda, orang, pikiran, ide, peristiwa, ataupun suatu fakta. Dengan menggunakan simbol, komputer bisa menciptakan suatu basis pengetahuan yang menyatakan fakta, pikiran, dan hubungannya satu sama lain. Pengolahannnya bersifat kuantitatif bukan kualitatif seperti hal yang komputasi yang didasarkan pada algoritma.

4. Sejarah Intelegensi Buatan
Teori teori yang mengarah kepada Kecerdasan Buata sudah muncul sejak 1941.
Era Komputer Elektronik Tahun 1941, ditemukan pertamakali alat penyimpanan dan pemrosesan informasi yang disebut komputer elektronik. Penemuan ini yang menjadi dasar pengembangan program yang mengarah kepada Kecerdasan Buatan.
Masa persiapan kecerdasan buatan tahun 1943 - 1956. Tahun 1943 Warren McCulloch dan Walter Pitts mengemukakan tiga hal, yaitu :

• Pengetahuan Fisiologi Dasar dan Fungsi Sel Syaraf
• Analisis Formal Tentang Logika Proposisi (Propositional Logic)
• Teori Komputasi Turing

Tahun 1950, Norbert Weiner membuat penelitian mengenai prinsip-prisip teori feedback. Contoh yang dikenal adalah Thermostat.
Tahun 1956, John Mc Carthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk membantunya melakukan penelitiannya dalam bidang Automata, Jaringan Syaraf, dan Pembelajaran Intelegensia. Mereka mengerjakan proyek ini selama dua tahun di Dartmouth, dan hasilnya adaah program yang mampu berpikir non-numeric dan menyelesaikan masalah pemikiran yang dinamakan Principia Mathematica, sehingga McCharthy disebut sebagai "Bapak Kecerdasan Buatan".
Awal Kecerdasan Buatan tahun 1956 - 1969, diawali kesuksesan Newell dan Simon dengan sebuah program "General Problem Solver" yang dirancang untuk memulai penyelesaian masalah secara manusiawi.
Tahun 1958, McCharty mendefinisikan bahasa pemrograman tingkat tinggi, yaitu LISP, yang sekarang mendominasi pembuatan program-program kecerdasan buatan. McCharthy membuat program yang diberi nama Program with Common Sense, di dalam program ini dibuat rancangan untuk menggunakan pengetahuan untuk mencari solusi.
Tahun 1959, Nathaniel Rochester dari IMB dan mahasiswa-mahasiswanya, mengeluarkan program kecerdasan buatan yaitu Geometry Theorm Prover, yang dapat membuktikan suatu teorema menggunakan axioma axioma yang ada.
Tahun 1963, James Slage membuat program yang mampu menyelesaikan masalah integral untu mata kuliah kalkulus.
Tahun 1968, Tom Evan membuat program analogi buatan yang menyelesaikan masalah analogi geometris yang ada pada tes IQ.
Sistem Berbasis Pengetahuan tahun 1969 - 1979, Pengetahuan adalah kekuatan pendukung kecerdasan bautan. Hal ini dibuktikan dengan program yang dibuat oleh Ed Fiegenbaum, Buchanan dan Joshua Lederberg yang membuat program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectometer massa. Program ini dinamakan Dedral Program 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.
Kecerdasan Buatan Menjadi Sebuah Industri tahun 1980 - 1988, diawali dengan ditemukannya sistem pakar yang dinamakan R1 yang mampu mengkonfigurasi sistem-sistem komputer baru.
Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermot tahun 1982.
Tahun 1988, Kelompok KB dan DEC menjalankan 40 sistem pakar.
Era Kemabalinya Jaringan Syaraf Tiruan tahun 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. Tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Back Propagation Learning).Algoritma ini berhasil di implementasikan kedalam ilmu komputer dan psikologi.

5. Lingkup Intelegensi Buatan

•  Sistem Pakar. Komputer digunakan sebagai saran untuk menimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian para pakar.
• Pengolahan Bahasa Alami. User mampu berkomunikasi dengan komputer dengan bahasa sehari-hari.
• Pengenalan Ucapan. User mampu berkomunikasi dengan komputer menggunakan suara.
• Robotika dan Sistem Sensor.
• Computer Vision. menginterpretasikan gambar atau objek kedalam komputer.
• Intellegent Computer aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.

 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.
Bagian-bagian dari Soft Computing sendiri adalah :

• Fuzzy Logic, suatu metode untuk mengontrol sesuatu. Misalnya rekontruksi If-Then.
• Neural Network, tiruan dari jaringan syraf-syraf manusia yang terhubung menjadi sistem.
• Probabilistic Reasoning, metode untuk membuat komputer atau sutau device mengambil keputusan layaknya makhluk hidup.

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.

sumber :
http://syahrulzzadie.blogspot.co.id/2014/10/pengertian-soft-computing.html
sigitprabowoo.blogspot.com › Kecerdasan Buatan
https://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan

LAPORAN AKHIR LABSI MINGGU 1 (DREAMWEAVER)

Listing HTML :
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>Untitled Document</title>

</head>

<body>
<p><h1><marquee><center>BIODATA</center></marquee></h1></p>
<p>NAMA :<b>VAN BERTON</b></p>
<p>KELAS : <i>3KA10</i></p>
<p>FAKULTAS : <u>ILMU KOMPUTER</u></p>
<p>JURUSAN : <b><i>SISTEM INFORMASI</i></b></p>
<p>MATERI : <b><i><u>INTERAKSI MANUSIA KOMPUTER</u></i></b></p>
</body>
</html>


Preview...

Logika :

Berikut ini adalah penjelasan tag tag kodingan tersebut

·         <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

<html xmlns="http://www.w3.org/1999/xhtml">  merupakan tag pembuka yang menyatakan pada browser bahwa dokumen web yang digunakan adalah HTML

·         <head> merupakan kepala dari dokumen HTML yang ditutup dengan </head>

·         <title>Untitled Document</title> menyatakan judul dari dokumen HTML  yang akan di tmapilkan di title bar pada browser

·         <body> isi dari dokumen HTML yang ditutup dengan </body>

·         <p> sebuah paragraf yang diakhiri dengan </p>

·         <h1> judul dari isi web dan diakhiri dengan </h1>

·         <marquee> membuat teks berjalan, diakhiri dengan </marquee>

·         <center> membuat teks rata tengah, diakhiri dengan </center>

·         <b> membuat tulisan menjadi cetak tebal, diakhiri dengan </b>

·         <i> membuat tulisan cetak miring, diakhiri dengan </i>

·         <u> membuat tulisan bergaris bawah, diakhiri dengan </u>

<p><h1><marquee><center>BIODATA</center></marquee></h1></p> membuat paragraf baru dan menjadikannya judul dari isi HTML, dan membuat teksnya berjalan pada posisi rata tengah yang bertuliskan BIODATA.

<p>NAMA : <b>VAN BERTON</b></p> membuat paragraf baru dengan cetak tbal pada teks VAN BERTON

<p>KELAS : <i>3KA10</i></p> membuat paragraf baru dengan cetak miring pada teks 3KA10

<p>FAKULTAS : <u>ILMU KOMPUTER</u></p> membuat paragraf baru dengan teks bergaris bawah pada teks ILMU KOMPUTER

<p>JURUSAN : <b><i>SISTEM INFORMASI</i></b></p> membuat paragraf baru dengan cetak tebal miring pada teks SISTEM INFORMASI

<p>MATERI : <b><i><u>INTERAKSI MANUSIA KOMPUTER</u></i></b></p> membuat paragraf baru dengan cetak tebal miring dan garis bawa pada teks INTERAKSI MANJSIA KOMPUTER