Logika Orde Pertama (First-Order Logic) Materi 5

 (First-Order Logic)

Logika Predikat Order Pertama 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). Logika orde pertama adalah sistem resmi yang digunakan dalam matematika , filsafat ,linguistik , dan ilmu komputer . Hal ini juga dikenal sebagai orde pertama predikat kalkulus, semakin rendah kalkulus predikat, teori kuantifikasi, dan logika predikat. Logika orde pertama dibedakan dari logika proposisional oleh penggunaan variabel terukur .

Sebuah teori tentang beberapa topik biasanya logika orde pertama bersama-sama dengan yang ditentukan domain wacana dimana variabel diukur berkisar, finitely banyak fungsi yang memetakan dari domain yang ke dalamnya, finitely banyak predikat didefinisikan pada domain tersebut, dan satu set rekursif dari aksioma yang diyakini terus untuk hal-hal. Kadang-kadang “teori” dipahami dalam arti yang lebih formal, yang hanya satu set kalimat dalam logika orde pertama.

Kata sifat “orde pertama” membedakan orde pertama logika darilogika tingkat tinggi di mana ada predikat yang memiliki predikat atau fungsi sebagai argumen, atau di mana salah satu atau kedua bilangan predikat atau fungsi bilangan diizinkan. Dalam first teori order, predikat sering dikaitkan dengan set. Dalam ditafsirkan tingkat tinggi teori, predikat dapat ditafsirkan sebagai set set.

Ada banyak sistem deduktif untuk orde pertama logika yang sehat(semua laporan dapat dibuktikan benar dalam semua model) danlengkap (semua pernyataan yang benar dalam semua model yang dapat dibuktikan). Meskipun konsekuensi logis hubungan hanyasemidecidable , banyak kemajuan telah dibuat dalam teorema otomatis dalam logika orde pertama. Logika orde pertama juga memenuhi beberapa metalogical teorema yang membuatnya setuju untuk analisis dalam teori bukti , seperti teorema Löwenheim-Skolem dan teorema kekompakan .

Sintak dan semantik logika orde pertama : quantifier.

Kalimat Atomic

Merupakan komponen yang dapat terbentuk dari Predicate(Term, ...) atau Term=Term. Atomic sentence merupakan kalimat paling sederhana dan belum memiliki komponen logika lainnya.

Kalimat Kompleks

Merupakan kalimat kompleks yang tersusun dari beberapa atomic sentence yang saling terhubung berdasarkan logika dengan menggunakan connective.

Bentuk  penulisan dari complex sentences adalah sebagai berikut:

Equality

Merupakan logika yang membandingkan kesamaan antara dua atau lebih kalimat yang memiliki kesamaan nilai logika. Equality disimbolkan dengan tanda =

Quantifiers

Terdapat dua quantifier secara umum yaitu Universal quantifier (∀) yang menyatakan sesuatu yang bersifat umumdan Existential quantifier (∃) yang menyatakan sesuatu yang berlaku sebagian saja.

Unifikasi dan Lifting

Unifikasi adalah usaha untuk mencoba membuat dua ekspresi menjadi identik (mempersatukan keduanya) dengan mencari substitusi-substitusi tertentu untuk mengikuti peubah-peubah dalam ekspresi mereka tersebut. Unifikasi merupakan suatu prosedur sistematik untuk memperoleh peubah-peubah instan dalam wffs. Ketika nilai kebenaran predikat adalah sebuah fungsi dari nilai-nilai yang diasumsikan dengan argumen mereka, keinstanan terkontrol dari nilai-nilai selanjutnya yang menyediakan cara memvalidasi nilai-nilai kebenaran pernyataan yang berisi predikat. Unifikasi merupakan dasar atas kebanyakan strategi inferensi dalam Kecerdasan Buatan. Sedangkan dasar dari unifikasi adalah substitusi.

Suatu substitusi (substitution) adalah suatu himpunan penetapan istilah-istilah kepada peubah, tanpa ada peubah yang ditetapkan lebih dari satu istilah. Sebagai pengetahuan jantung dari eksekusi Prolog, adalah mekanisme unifikasi.

Aturan-aturan unifikasi :

• Dua atom (konstanta atau peubah) adalah identik.
• Dua daftar identik, atau ekspresi dikonversi ke dalam satu buah daftar.
• Sebuah konstanta dan satu peubah terikat dipersatukan, sehingga peubah menjadi terikat kepada konstanta.
• Sebuah peubah tak terikat dipersatukan dengan sebuah peubah terikat.
• Sebuah peubah terikat dipersatukan dengan sebuah konstanta jika pengikatan pada peubah terikat dengan konstanta tidak ada konflik.
• Dua peubah tidak terikat disatukan. Jika peubah yang satu lainnya menjadi terikat dalam upa-urutan langkah unifikasi, yang lainnya juga menjadi terikat ke atom yang sama (peubah atau konstanta).
• Dua peubah terikat disatukan jika keduanya terikat (mungkin melalui pengikatan tengah) ke atom yang sama (peubah atau konstanta).

Forward dan Backward Chaining

Forward chaining :

1. Suatu rantai yang dicari atau dilewati/dilintasi dari suatu permasalahn untuk memperoleh solusi.
2. Penalaran dari fakta menuju konklusi yang terdapat dari fakta.

Backward chaining :

1. Suatu rantai yang dilintasi dari suatu hipotesa tersebut.
2. Tujuan yang dapat

Logika

Dipenuhi dengan pemenuhan sub tujuannya.

Contoh rantai inferensi :

gajah(x) -> mamalia (x)

mamalia(x) -> binatang(x)

Proposisi vs. Inferensi Logika Orde Pertama

Proposisi adalah pernyataan tentang hubungan yang terdapat di antara subjek dan predikat. Dengan kata lain, proposisi adalah pernyataan yang lengkap dalam bentuk subjek-predikat atau term-term yang membentuk kalimat. Kaliimat Tanya,kalimat perintah, kalimat harapan,dan kalimat inversi tidak dapa disebut proposisi. Hanya kalimat berita yang netral yang dapat disebut proposisi. Tetapi kalimat-kalimat itu dapat dijadikan proposisi apabila diubah bentuknya menjadi kalimat berita yang netral.

Jenis-Jenis Proposisi

Proposisi dapat dipandang dari 4 kriteria, yaitu berdasarkan :

• Berdasarkan bentuk

Berdasarkan bentuk dapat dibagi menjadi 2, yaitu :

 Tunggal adalah proposisi yang terdiri dari satu subjek dan satu predikat atau hanya mengandung satu pernyataan.

Contoh :

a. Semua petani harus bekerja keras.

b. Setiap pemuda adalah calon pemimpin

 Majemuk atau jamak adalah proposisi yang terdiri dari satu subjek dan lebih dari satu predikat.

contoh :

·         Semua petani harus bekerja keras dan hemat.

·         Paman bernyanyi dan menari.




Referensi : http://dinus.ac.id/repository/docs/ajar/slide_8_log_inf.pptx

                   http://otnaites.co.id/2015/10/logika-first-order.html

Pengetahuan dan Penalaran (Agen Logika) Materi 4

Pengetahuan Berbasis Agent Logika

Representasi pengetahuan adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya. Logika sebagai Bahasa Representasi Pengetahuan memliki pengertian Logika sebagai bhasa formal untuk memrepresentasikan fakta sedemikian sehinga kesimpulan (fakta baru,jawaban) dapat ditarik. Ada banyak metode inference yang diketahui sehingga kata bias mebangun  agent Wumpus Wold dengan logika. Memanfaatkan perkembangan logika oleh ahli metematika, filsafat selama ratusan tahun. 

Inferensi merupakan proses atau algoritma yang “merunkan” fakta baru dari fakta-fakta yang lama. Reasong bukan dilakukan pada fakta di dunia (berdasarkan semantic), melainkan representasi fakta dalam bahasa representasi pengetahuan si agent (secara sintaks). Otak manusia melakukan proses reasoning dalam suatu bentuk sintak dapat di ilustrasikan. Agen berbasis pengetahuan menggunakan inferensi dan knowledge base untuk menghasilkan informasi baru atau untuk mengambil keputusan. 

Logika

Logika didefinisikan sebagai ilmu untuk berpikir dan menalar dengan benar sehingga didapatkan kesimpulan yang absah.

Tujuan dari logika: memberikan aturan-aturan penalaran sehingga orang dapat menentukan apakah suatu kalimat bernilai benar atau salah.

Representasi Logika dibagi menjadi dua:

Propositional Logic (Logika Proposisi)

Suatu Proposisi merupakan suatu statemen atau pernyataan yang menyatakan benar (TRUE) atausalah (FALSE). Dalam Propositional Logic fakta dilambangkan dengan simbol misalnya P, Q dan R.Lambang-lambang tersebut dihubungkan dengan relasi-relasi logika

Dengan menggunakan operator logika:

Tabel Kebenaran Logika

Predicate Logic (Logika Predikat)

Pada logika predikat proposisi dibedakan menjadi argumen (obyek) dan predikat (keterangan). Secara umum penulisan proposisi dalam logika predikat dapat dinyatakan sebagai berikut:

Predikat (argumen-1, argumen-2,..., argumen-3)

Contoh: Proposisi: “Bu Atika mencintai Pak Agus Setiawan”

Dalam logika predikat disajikan dalam bentuk:

Mencintai (Bu Atika, Pak Agus Setiawan)

      P         Argumen-1            Argumen-2

1. Logika Proposisi

Proposisi adalah suatu pernyataan yang dapat bernilai Benar atau Salah. Simbol-simbol seperti P dan Q menunjukkan proposisi. Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator 

logika : 

a.Konjungsi : ∧ (and)        

b. Disjungsi : ∨ (or)           

c. Negasi : ¬ (not)             

d.Implikasi : Æ (if then)    

e. Ekuivalensi : ↔ (if and only if)

2. Logika Predikat

Representasi Fakta Sederhana

Misal diketahui fakta-fakta sebagai berikut :

Andi adalah seorang laki-laki : A

Ali adalah seorang laki-laki : B

Amir adalah seorang laki-laki : C

Anto adalah seorang laki-laki : D

Agus adalah seorang laki-laki : E

Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka akan terjadi pemborosan, dimana beberapa pernyataan dengan predikat yang sama akan dibuat dalam proposisi yang berbeda. Logika predikat digunakan untuk merepresentasikan hal-hal yang tidak dapat direpresentasikan dengan menggunakan logika proposisi. Pada logika predikat kita dapat merepresentasikan fakta-fakta sebagai suatu pernyataan yang disebut dengan wff (well –formed formula). Logika predikat merupakan dasar bagi bahasa AI seperti bahasa pemrograman PROLOG Pada contoh diatas, dapat dituliskan :

laki-laki(x) 

dimana x adalah variabel yang disubstitusikan dengan Andi, Ali, Amir, Anto, Agus, dan laki-laki yang lain. Dalamlogika predikat, suatu proposisi atau premis dibagi menjadi 2 bagian, yaitu argumen (objek) dan predikat (keterangan). Argumen adalah individu atau objek yang membuat keterangan. Predikat adalah keterangan yang membuat argumen dan predikat.

Misal terdapat 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

Logika Proposisi/Logika Sederhana

Sistem logis paling sederhana. Kita harus mendefinisikan sehimpunan simbol proposisi, misal: P, Q. Kemudian definisikan semantik dari simbol tersebut.

Contoh:

P berarti “Minggu adalah hari libur”.

Q berarti “Sekarang adalah hari minggu”.

Himpunan operator digunakan dalam proses penalaran terhadap nilai-nilai kebenaran.

Operator Logika

Operator Dasar

– And, Dan ∧

– Or, Atau ∨

– Not, Tidak￢

– Implies, Maka, Menyebabkan ⇒

– Iff(if and only if), Jika dan hanya jika ⇔

Contoh Logika Proposisi:

–        R: Sekarang Hujan

–        D: Sekarang Gelap

–        C: Sekarang Dingin

• Pola Penalaran (reasoning pattern) pada logika proposi

Resolusi

Diperkenalkan oleh Robinson (1965). Resolusi merupakan kaidah inferensi utama dalam bahasa PROLOG.PROLOG menggunakan notasi “quantifier-free”.•PROLOG didasarakan pada logika predikat urutan pertama. Sebelum resolusi diaplikasikan, wff harus berada dalam bentuk normal atau standard.

Tiga tipe utama bentuk normal : conjunctive normal form, clausal form dan subset Horn clause. Resolusi diaplikasikan ke dalam bentuk normal wff dengan menghubungkan seluruh elemen dan quantifier yang dieliminasi.

• Inferensi Proposisi Yang Efektif

Algoritma Runut-balik (Backtracking) 

Runut-balik (backtracking) adalah algoritma yang berbasis DFS (pencarian mendalam) untuk mecari solusi persoalan secara lebih mangkus. Backtracking yang merupakan perbaikan dari algoritma bruteforce secara sistematis mencari solusi persoalan di antara semua kemungkinan solusi yang ada. Dengan metode ini, kita tidak perlu memeriksa semua kemungkinan solusi yang ada, hanya pencarian yang mengarah pada solusi saja yang dipertimbangkan. Akibatnya, waktu pencarian dapat dihemat. Backtracking secara harfiah dinyatakan dalam algoritma rekursif, Kadang-kadang disebutkan pula bahwa runut-balik merupakan bentuk tipikal dari algoritma rekursif. Saat ini algoritma runut-balik banyakn diterapkan untuk program games(seperti permainan tic-tac-toe, menemukan jalan keluar dalams ebuah labirin, catur, dll.) dan masalah-masalah pada bidang kecerdasan buatan.

• Iterferensi Proporsi yang Efektif :

Algoritma Backtracking, Algoritma Pencarian Lokal.

Algoritma backtrack pertama kali diperkenalkan oleh D.H. Lehmer pada tahun 1950[10]. Dalam perkembangan algoritma ini, beberapa ahli seperti Rwalker, Golomb, dan Baumert menyajikan uraian umum tentang backtrack dan penerapannya dalam berbagai persoalan dan aplikasi. Algoritma backtracking adalah sebuah algoritma yang berbasis depth-first search (DFS) dalam pencarian solusi pada pohon ruang status yang dibangun secara dinamis. Algoritma ini membangun solusi parsial (partial solution) dari sebuah kandidat solusi dan mengevaluasi solusi parsial tersebut pada suatu waktu. Jika solusi parsial yang dibangun tidak memenuhi syarat, maka kandidat solusi tersebut tidak akan dibangun lebih lanjut dan dilakukan backtrack ke kandidat solusi lain yang memenuhi syarat. Algoritma backtracking dilakukan secara berulangulang hingga menemukan sebuah solusi yang sesuai dengan syarat.

Langkah-langkah pencarian solusi pada algoritma backtracking adalah sebagai berikut.

1. Solusi dicari dengan membentuk lintasan dari akar ke daun. Simpul yang telah dilahirkan dinamakan simpul hidup dan simpul hidup yang diperluas dinamakan simpul-E (Expand node).
2. Jika lintasan yang diperoleh dari perluasan simpul-E tidak mengarah ke solusi, maka simpul itu akan menjadi simpul mati yang tidak dapat diperluas lagi.
3. Jika posisi terakhir ada di simpul mati, maka pencarian dilakukan dengan membangkitkan simpul anak yang lainnya dan jika tidak ada simpul anak maka dilakukan backtracking ke simpul induk.
4. Pencarian dihentikan jika kita telah menemukan solusi atau tidak ada simpul hidup yang dapat ditemukan.

• Algoritma Pencarian Lokal

Pencarian lokal terdiri dari:

Hill-Climbing Search

• Pemilihan state berdasarkan nilai objektifnya  

Genetic Algorithm

• Pemilihan state berdasarkan aturan seleksi alam yang diterapkan pada state collection (sering disebut sebagai populasi)

• Agen Berbasis Logika Proposisi

o   Merupakan logika yang paling sederhana. Sebuah sentence dinyatakan sebagai simbol proposional P1, P2, dst.

o   Sintaks dari logika proposisi

§  Jika S adalah kalimat, ⌐S adalah kalimat (negasi)

§  Jika  S1 dan S2 adalah kalimat, S1 Ʌ S2 adalah kalimat (conjunction)

§  Jika  S1 dan S2 adalah kalimat, S1 V S2 adalah kalimat (disjunction)

§  Jika Jika  S1 dan S2 adalah kalimat, S1 → S2 adalah kalimat (implication)

§  Jika  S1 dan S2 adalah kalimat, S1 ↔ S2 adalah kalimat (biconditional)

Heuristik Search dan Eksplorasi ( Perteuan ke 3 )

Pencarian Berbentuk Heuristik dan Eksplorasi

Pada strategi best-forst search, cost sebenarnya yaitu dari simpul awal ke simpul n, dinotasikan dengan g(n) dan fungsi heuristic yang digunakan yaitu perkiraan/etimasi nilai dari simpul n ke simpul tujuan dinotasikan dengan h(n). Algoritma yang menggunakan metode best-first search, yaitu  :

• Greedy Best-First Search
• Algoritma A*

Beberapa istilah yang sering digunakan pada metode best-first search :

1. Start node, adalah sebuah terminology untuk posisi awal sebuah pencarian.
2. Current node, adalah simpul yang sedang dijalankan (yang sekarang) dalam algoritma pencarian jalan terpendek.
3. Kandidat (successor), adalah simpul-simpul yang berjasen dengan current node, dengan kata lain simpul-simpul yang akan diperiksa berikutnya.
4. Simpul (node), merupakan representasi dari area pencarian.
5. Open list, adalah tempat menyimpan data simpul yang mungkin diakses dari starting node maupun simpul yang sedang dijalankan.
6. Closed list, adalah tempat menyimpan data simpul yang juga merupakan bagian dari jalur terpendek yang telah berhasil didapatkan.
7. Goal node, yaitusimpul tujuan.
8. Parent, adalah current node dari suksesor/kandidat.

Greedy Best First Search

Greedy Best First Search fungsi evaluasi tidak bergantung pada cost sebelumnya, tetapi hanya bergantung pada fungsi heuristic itu sendiri.jika pada algoritma pencarian yang dilakukan bergantung pada cost sebenarnya dari sebuah simpul yaitu g(n), pada Greedy Best First Search fungsi evaluasi hanya bergantung pada fungsi heuristic h(n) yang mengestimasikan arah yang benar, sehingga pencarian jalur dapat berlangsung dengan sangat secapt. Secara matematis fungsi evaluasi pada greedy search diberikan oleh :

f(n) = h(n)

Salah satu algoritma yang termasuk kedalam kategori informed search adalah Greedy Best First Search yang dikenal juga dengan Greedy Search. Secara harfiah greedy artinya rakus atau tamak, sifat yang berkonotasi negative. Sesuai dengan arti tersebut, prinsip greedy adalah mengambil keputusan yang dianggap terbaik hanya untuk saat itu saja yang diharapkan dapat memberikan solusi terbaik secara keseluruhan. Oleh karena itu, pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan. Keputusan yang telah diambil pada suatu langkah tidak dapat diubah lagi pada langkah selanjutnya.

Algoritma A* (A Star)

Algoritma A* adalah algoritma yang menggabungkan Dijkstra dan algoritma Greedy Best First Search. Selain menghitung biaya yang diperlukan untuk berjalan dari simpul satu ke simpul lainnya, algoritma A* juga menggunakan fungsi heuristicuntuk memprioritaskan pemeriksaan simpul-simpul pada arah yang benar, sehingga algoritma A* mempunyai efisiensi waktu yang baik dengan tidak mengorbankan perhitungan biaya sebenarnya.

 Algoritma Pencarian Lokal dan Masalah Optimisasi

• Metode Hill Climbing Search

Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristik ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin (Sri Kusumadewi 2003, h. 34).

• Simulated Annealing Search

Suatu algoritma optimasi yang mensimulasikan proses annealing pada pembuatan materi yang terdiri dari butir keristal/logam. Algoritma unt untuk optimalisasi yang bersifat generic.

Secara umum ada 3 hal pokok pada simulated annealing, yaitu:

1. Nilai awal Unt temperature (T0). Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati 0), karena jika T mendekati 0 maka gerakan simulated annealing akan sama dengan hill climbing. Biasanya temperature awal ini ditetapkan sebesar 2 kali panjang suatu jalur yang dipilih secara acak.
2. Kriteria Yang dipakai unt memutuskan apakah temperature sistem seharusnya dikurangi.
3. Berapa besarnya pengurangan temperature dalam setiap waktu.

• Local Beam Search

Algoritma pencarian heuristik yangmerupakan optimasi dari pencarian best-first search yang mengurangikebutuhan memorinya. Dalam Beam Search, hanya jumlah solusiparsial terbaik yang telah ditetapkan yang disimpan sebagai kandidat. Beam Search memiliki keuntungan yang berpotensi mengurangi perhitungan dan waktu pencarian. Selain itu, pemakaian memori daripencarian ini jauh lebih sedikit daripada metode yang mendasari mtode pencarian ini.  Kelemahan utama Beam Search adalah metode pencarian ini mungkin  tidak dapat mencapai tujuan/hasil yang optimaldan bahkan mungkin tidak mencapai tujuan sama sekali. Padakenyataannya, algoritma beam search berakhir untuk dua kasus:  nodetujuan yang diperlukan tercapai, atau node tujuan tidak tercapai dantidak ada node tersisa untuk dieksplorasi.

Beam Search membutuhkan tiga komponen sebagai inputnya, yaitu :

1. Masalah yang akan di selesaikan Biasanya di tampilkan dalam bentuk grafik dan berisi kumpulan node yang tiap satu atau lebih node mengarah ke goal/hasil.
2. Kumpulan aturan-aturan heuristik untuk pemangkasan Adalah aturan-aturan spesifik yang mengarah ke ruang masalah dan memangkas node yang tidak menguntungkan dari memori yang berhubungan dengan ruang masalah.
3. Memori dengan kapasitas yang terbatas Adalah memori tempat menyimpan beam, dimana ketika memori dalam keadaan penuh dan node akan di tambahkan ke beam, maka node yang nilainya paling besar yang dihapus, jadi  tidak  akan melebihi memori yang tersedia.

• Genetic Algorithm

Genetic Algorithm (GA) adalah teknik pencarian dalam bidang komputasi untuk menemukan solusi benar atau pendekatan untuk masalah optimasi dan pencarian. Teknik dalam GA didasarkan pada biologi evolusioner seperti pewarisan, mutasi, seleksi dan crossover.

Hal-hal yang harus dilakukan untuk menggunakan algoritma genetika:

1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan.
3. Menentukan proses pembangkitan solusi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses perkawinan silang (cross over) dan mutasi gen yang akan digunakan.

Referensi : https://bellavira.blogspot.com

Penyelesaian Masalah Melalu Proses Pencarian Searching (Materi 2 )

Agent Penyelesaian Masalah 

• 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.
• Reasoning Teknik penyelesaian masalah yang mempresentasikan masalah kedalam logic (Mathematical Tools yang digunakan untuk merepresentasikan dan memanipulasi fakta dan aturan)
• 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.
• Learning Program komputer yang secara otomatis sanggup belajar dan meningkatkan performancenya  melalui pengalaman

Strategi Pencarian yang tidak berbentuk :

1. Uninformed Search Algorithm Algoritma yang tidak memberikan informasi tentang permasalahan yang ada, hanya sebatas definisi dari algoritma tersebut.
2. Informed Search Algorithm Walaupun dengan menggunakan Uninformed Search Algorithm, banyak permasalahan dapat dipecahkan, namun tidak semuanya dari algoritma tersebut dapat menyelesaikan masalah dengan efisien
3. Breadth First Search (BFS) Pencarian dengan Breadth First Search menggunakan teknik dimana langkah pertamanya adalah root node diekspansi, 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 mempunyai successor lagi)
4. Uniform Cost Search (UCS) Pencarian dengan Breadth First Search 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. 
5. Depth First Search (DFS) Teknik pencarian dengan Depth First Search adalah dengan melakukan ekspansi menuju node yang paling dalam pada tree. Node paling dalam dicirikan dengan tidak adanya successor dari node itu. Setelah node itu selesai diekspansi, maka node tersebut akan ditinggalkan, dan dilakukan ke node paling dalam lainnya yang masih memiliki successor yang belum diekspansi.
6. Depth Limited Search Pencarian menggunakan DFS akan berlanjut terus sampai kedalaman paling terakhir dari tree. Permasalahan yang muncul pada DFS adalah ketika proses pencarian tersebut menemui infinite state space. Hal ini bisa diatasi dengan menginisiasikan batas depth pada level tertentu semenjak awal pencarian. Sehingga node pada level depth tersebut akan diperlakukan seolah-olah mereka tidak memiliki successor
7. 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.
8. 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.

Referensi : http://socs.binus.ac.id/2013/04/23/uninformed-search-dan-informed-search/
Link Download : https://drive.google.com/open?id=1wcaSjAIsuEkjyt5yTm-GJssIVCBm6O2Z

Pengenalan Kecerdasan Buatan (Materi 1)

Artificial Intelligence

Merupakan mesin yang belajar dari pengalaman, menyesuaikan diri dengan inputan baru dan melakukan tugas seperti manusia. Jadi kecerdasan buatan ini dimasukkan ke dalam computer agar dapat menjalankan pekerjaan yang dikerjakan manusia.

Beberapa Bidang dalam Kecerdasan Buatan antara lain :

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.
2. 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.
3. 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.
4. 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.

Sejarah

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Agen Intelejen

Jenis Jenis Agen Pada Kecerdasan Buatan – Jenis Jenis Agen Cerdas terdiri dari beberapa agen, berikut ini penjelasannya dari setiap agen.

• Agen refleks sederhana: Agen memilih tindakan berdasarkan persepsi saat ini, mengabaikan sisa sejarah persepsi.
• Agen reflex berbasis model: Agen mempertahankan state internal yang bergantung pada sejarah persepsi, mencerminkan beberapa aspek teramati dari kondisi saat ini.
• Agen berbasis tujuan: Agen memiliki informasi tentang tujuan dan memilih tindakan untuk mencapai tujuan
• Agen berbasis utilitas: Agen menyatakan/menetapkan pengukuran kuantitatif terhadap lingkungan (ranking).
• Pemilihan tindakan yang rankingnya paling tinggi (paling dekat mencapai tujuan).
• Agen berbasis pembelajaran: Agen belajar dari pengalaman, dapat beradaptasi untuk meningkatkan kinerja.

Link : https://drive.google.com/open?id=1XHvVQMh6soy7QqkLR9dGI-kPCrI3GWzA
Rev  : http://artikel-teknologi-informasi.blogspot.com/2012/11/pengertian-agent-pada-ai-artificial.html