10/17/2016

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

10/16/2016

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