BAB I
1.1 PENGERTIAN AI
Kecerdasan
Buatan adalah salah satu cabang Ilmu pengetahuan berhubungan dengan pemanfaatan
mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi.
Hal Ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi
berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai
algoritma yang dikenal oleh komputer.
1.2 Kecerdasan Buatan
1. Lebih bersifat permanen. Kecerdasan alami
bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah
selama sistem komputer & program tidak mengubahnya.
2. Lebih
mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1
orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak
akan pernah dapat diduplikasi dengan lengkap. Jadi jika pengetahuan terletak
pada suatu sistem komputer, maka pengetahuan tersebut dapat disalin dari
komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.
3. Lebih
murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan
mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu
yang sangat lama.
4. Bersifat
konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer
sedangkan kecerdasan alami senantiasa berubah-ubah.
5. Dapat
didokumentasi.Keputusan yang dibuat komputer dapat didokumentasi dengan mudah
dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami
sangat sulit untuk direproduksi.
6. Lebih
cepat.
7. lebih
baik
Kecerdasan
Alami :
1. Kreatif :
manusia memiliki kemampuan untuk menambah pengetahuan, sedangkan pada
kecerdasan buatan untuk menambah pengetahuan harus dilakukan melalui sistem
yang dibangun.
2.
Memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada
kecerdasan buatan harus bekerja dengan input-input simbolik.
3. Pemikiran
manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat
terbatas.
1.3 Sejarah Kecerdasan Buatan
Teori-teori
yang mengarah ke KB sudah muncul sejak tahun 1941. Berikut ini tahap-tahap
sejarah perkembangan KB :
A. Era
Komputer Elektronik (1941)
• Ditemukannya
pertama kali alat penyim-panan dan pemprosesan informasi yang disebut komputer
elektronik. Penemuan ini menjadi dasar pengembangan program yang mengarah ke
KB.
B. Masa
Persiapan KB (1943 – 1956)
• Tahun
1943, Warren McCulloch dan Walter Pitts
mengemukakan
tiga hal, yaitu :
a.
pengetahuan fisiologi dasar dan fungsi sel syaraf
dalam otak
b. analisis
formal tentang logika proposisi (propositional logic)
c.teori
komputasi Turing
• Tahun
1950, Norbert Wiener membuat penelitian mengenai prinsip-prinsip teori
feedback. Contoh yang terkenal adalah thermostat. Penemuan ini juga merupakan
awal dari perkembangan KB.
• Tahun
1956, John McCarthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester
untuk membantunya melakukan penelitian dalam bidang Automata, Jaringan Syaraf
dan pembelajaran intelijensia.
Mereka
kerjakan projek ini selama dua tahun di Dartmouth. Hasilnya adalah program yang
mampu berpikir non-numerik dan menyelesaikan masalah pemikiran yang dinamakan
Principia Mathematica. Hal ini menjadikan McCarthy disebut sebagai ”Bapak
Kecerdasan Buatan”.
C. Awal
Perkembangan Kecerdasan Buatan (1956 – 1969)
• diawali
dengan kesuksesan Newell dan Simon dengan sebuah program yang disebut ”General
Prbolem Solver”. Program ini dirancang untuk memulai penyelesaian masalah
secara manusiawi.
• tahun
1958, McCarthy mendefenisikan bahasa pemrograman tingkat tinggi, yaitu LISP,
yang sekarang mendominasi pembuatan program-program kecerdasan buatan.
• McCarthy
membuat program yang dinamakan programs with Common Sense. Di dalam program
tersebut, dibuat rancangan untuk menggunakan pengetahu-an dalam mencari solusi.
• Tahun
1959, Nathaniel Rochester dari IBM dan mahasiswa-mahasiswanya mengeluarkan
program, kecerdasan buatan, yaitu geometry Theorm Prover. Program ini dapat
membuktikan suatu teorema menggunakan axioma-axioma yang ada.
• Tahun
1963, program yang dibuat James Slagle mampu menyelesaikan masalah integral
untuk mata kuliah kalkulus.
• Tahun
1968, program analogi buatan Tom Evan menyelesaikan masalah analogi geometris
yang ada pada tes IQ.
D. Sistem
Berbasis Pengetahuan (1969 – 1979)
Pengetahuan
adalah kekuatan pendukung KB. Hal ini dibuktikan dengan program yang dibuat
oleh Ed Feigenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program
untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari
spectometer massa.
Program ini
dinamakan Dendral Programs 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.
E. KB menjadi
sebuah industri (1980 – 1988)
• Industrialisasi
KB diawali dengan ditemukannya ”sistem pakar” (expert system) yang dinamakan R1
yang mampu mengonfigurasi sistem-sistem komputer baru. Program tersebut mulai
dioperasikan di Digital Equipment Corporation (DEC), McDermot tahun 1982.
• Tahun
1986, program tersebut mampu menghemat biaya US$ 40 juta /tahun.
• Tahun
1988, Kelompok KB di DEC menjalankan 40 sistem pakar.
• Booming KB
ini juga melibatkan perusahaan-perusahaan besar seperti Carnegie Group, Inference,
Intellicorp dan Technoledge yang menawarkan software tools untuk membangun
sistem pakar.
• Perusahaan
Hardware seperti LISP Machines Inc, Texas Instruments, Symbolics dan Xerox juga
turut berperan dalam membangun workstation yang dioptimasi untuk pembangunan
LISP.
F. Era
Kembalinya Jaringan Syaraf Tiruan (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.
• Pada tahun
1985-an, sedikitnya empat kelompok riset menemukan kembali algoritma belajar
propagasi balik (Back-Propagation learning). Algoritma ini berhasil
diimplementasikan ke dalam ilmu komputer dan psikologi.
1.4 Lingkup utama kecerdasan buatan
1. Pengolahan bahasa alami (natural language
processing) : Diman user dapat berkomunikasi dengan komputer menggunakan bahasa
sehari-hari, misal bahasa Inggris, bahasa Indonesia, bahasa Jawa, dan
lain-lain, contoh :
a. Pengguna
sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya, untuk
menghapus semua file, pengguna cukup memberikan perintah ”komputer, tolong
hapus semua file !” maka sistem akan mentranslasikan perintah bahasa alami
tersebut menjadi perintah bahasa formal yang dipahami oleh komputer,
yaitu”delete *.* <ENTER>”.
b. Translator
bahasa Inggris ke bahasa Indonesia begitu juga sebaliknya dan lain-lain, tetapi
sistem ini tidak hanya sekedar kamus yang menerjemahkan kata per kata, tetapi
juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuan
c. Text
summarization : Suatu sistem yang dapat membuat ringkasan hal-hal penting dari
suatu wacana yang diberikan.
2. Sistem
pakar (expert system) : Komputer sebagai sarana untuk menyimpan pengetahuan
para pakar sehingga komputer memiliki keahlian menyelesaikan permasalahan
dengan meniru keahlian yang dimiliki pakar.
3. Pengenalan ucapan (speech recognition):
Manusia dapat berkomunikasi dengankomputer menggunakan suara. Contoh:
a. Memberikan
instruksi ke komputer dengan suara.
b. Alat
bantu membaca untuk tunanetra, mempunyai
masukan berupa teks tercetak (misalnya
buku) dan mempunyai keluaran berupa ucapan dari teks tercetak yang diberikan.
c. Konversi
dari SMS (Short Message System) ke ucapan sehingga pesan SMS dapat didengar.
Dengan demikian memungkinkan untuk mendengar pesan SMS sambil melakukan
aktivitas yang menyulitkan untuk membacanya, seperti mengendarai mobil.
4. Robotika
& sistem sensor
a. Sistem
sensor pada mesin cuci yaitu menggunakan sensor optik, mengeluarkan cahaya ke
air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin
kotor, maka sinar yang sampai makin redup. Sistem juga mampu menentukan jenis
kotoran tersebut daki/minyak.Sistem juga bisa menentukan putaran yang tepat
secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan
dicuci.
b. Robotika
5. Computer vision : Menginterpretasikan gambar
atau objek-objek tampak melalui komputer.
6. Intelligent computer-aided instruction :
Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar. Contoh
: Learn to speak English.
7. Game playing: Pada tahun 1997, Deep Blue
mengalahkan Garry Kasparov, the World Chess Champion. Deep Blue chess machine
menggunakan komputer IBM, dibuat tahun 1990-an oleh Hsu, Campbell, Tan, Hoane,
Brody, Benjamin. Deep Blue mampu mengevaluasi 200 juta posisi bidak catur per
detik.
1.5 Soft Computing
Soft computing adalah koleksi dari
beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi
terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat
diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah.
Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun
1992.
Unsur Pokok
dalam Soft Computing :
1. Sistem
Fuzzy (mengakomodasi ketidaktepatan);
2. Jaringan
Syaraf (menggunakan pembelajaran);
3. Probabilistic
Reasoning (mengakomodasi ketidakpastian);
4. Evolutionary
Computing (optimasi).
Keempat
unsur tesebut bukan merupakan pesaing antara satu dengan lainnya, namun
diantaranya bisa saling melengkapi. Sehingga, Zadeh juga mendefinisikan bahwa
soft computing itu merupakan hubungan antara logika fuzzy, neuro-computing,
probabilistic reasoning, dan algoritma genetik.
BAB II
2.1 AGENT DAN LINGKUNGANNYA
Agen
Intelligent sering digambarkan secara skematis sebagai sistem fungsional
abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang
disebut agen cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata
implementasinya sebagai sistem komputer, sistem biologis, atau organisasi.
Beberapa definisi dari agen cerdas mereka menekankan otonomi , sehingga lebih
memilih cerdas agen otonom jangka s. Yang lain (terutama Russell & Norvig
(2003) ) perilaku goal-directed dianggap sebagai inti dari kecerdasan dan
sebagainya lebih suka istilah yang dipinjam dari ekonomi , ” agen rasional “.
Agen Cerdas
dalam kecerdasan buatan berhubungan erat dengan agen di ekonomi , dan versi
dari paradigma agen cerdas yang dipelajari dalam ilmu kognitif , etika ,
filsafat alasan praktis , serta di banyak interdisiplinersosio-kognitif
pemodelan dan sosial simulasi komputer.
Intelligent
agen juga berhubungan erat dengan agen perangkat lunak (program perangkat lunak
otonom yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen
cerdas istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang
memiliki kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig
Definisi Russell. Sebagai contoh, program otonom digunakan untuk bantuan
operator atau data mining (kadang-kadang disebut sebagai bot).
2.2 RASIONALITAS
Rational
Agent merupakan suatu agent yang selalu bertindak memaksimalkan ukuran kinerja,
mengingat apa yang ia amati tentang lingkungan dan pengetahuan lain yang
dimilikinya. Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk
membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas
bahwa agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional.
Sedangkan omniscience adalah sebuah kemustahilan dari kenyataan yang sebenarnya
telah terjadi. Faktor yang mempengaruhi rasionalitas :
• Pengukuran kinarja (Performance Measure)
• Percept Sequence (persepsi urutan)
• Knowledge from Environment
• Possible Actions
2.3 PERFORMANCE MEASURE, ENVIRONMENT,
ACTUATORS, SENSORS (PEAS)
Ketika
merancang sebuah agen, harus mendefinisikan lingkungan masalah (task
environment), yakni:
• Performance measure: apa saja komponen
pengukur keberhasilan si agent?
• Environment: kondisi apa saja yang ada
disekitar agent?
• Actuators: apa saja yang bisa
dilakukan si agent?
• Sensors: apa saja yang mnejadi inout
si agent?
1. Contoh: Taksi Otomatis
Sebuah agent
taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan
-
Performance measure: sampai tujuan, tidak melanggar lalu lintas, perjalanan
nyaman, hemat bensin.
-
Environment: jalan, lalu lintas, pejalan kaki, pelanggan.
- Actoators:
arah stir, gas, rem, klakson, sinyal kiri atau kanan.
- Sensors:
video, speedometer, GPS, keyboard.
2. Contoh: Medical Diagnosis System
Sebuah agent
Medical Diagnosis System yang mendiagnosa pasien secara otoatis:
-
Performance measure: pasien sembuh, biaya murah, tidak menyalahi hukum.
-
Environment: pasien, rumah sakit, suster, dokter.
- Actoators:
layar monitor (pertanyaan, test, diagnosa, treatment, petunjuk).
- Sensors:
keyboard (masukkan gejala penyakit, jawaban pasien).
3. Contoh: Robot Pabrik Penjamin Mutu
Sebuah robot
yang melakukan pemisahan komponen yang bermutu tinggi pada ban berjalan ke dalam kotak berbeda
-
Performance measure: presentase jumlah komponen yang diletakkan pada kotak yang
benar.
-
Environment: ban berjalan, komponen yang diuji, kotak.
- Actuators:
gerak lengan dan tangan robot.
- Sensors:
kamera, sensor fisik.
4. Contoh: Interactiv English TutorSebuah
agent tutor yang memberikan latihan english secara interaktif
-
Performance measure: nilai skor maksimal.
-
Environment: para siswa.
- Actuators:
laya monitor (latihan, saran koreksi).
- Sensors:
keyboard.
2.4 TIPE-TIPE LINGKUNGAN AGEN
• Fully
observable (vs. Partially observable): sensor-sensor sebuah agen memberinya
akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.
• Deterministic
(vs. Stochastic): keadaan lingkungan berikutnya sepenuhnya ditentukan oleh
keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu
deterministik kecuali untuk tindakan agen-agen lain, maka lingkugannya adalah
strategic)
• Episodic
(vs. Sequential): pengalaman agen dibagi ke dalam “episode-episode” atomik
(setiapepisode terdiri dari si agen) memahami (perceiving) dan kemudian
melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya
tergantung pada episode itu sendiri.
• Static
(vs. Dynamic): lingkungan tidak berubah selagi agen direncanakan
(deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri
tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)
• Discrete
(vs. Continuous): sejumlah terbatas persepsi dan tindakan yang khas dan
terdefinisi baik.
• Single
agent (vs. Multiagent): sebuah agen yang mengoperasikan dirinya sendiri dalam
sebuah lingkungan.
2.5 TIPE-TIPE AGEN
• Autonomy:
Agent dapat melakukan tugas secara mandiri dan tidak dipengaruhi secara
langsung oleh user, agent lain ataupun oleh lingkungan (environment). Untuk
mencapai tujuan dalam melakukan tugasnya secara mandiri, agent harus memiliki
kemampuan kontrol terhadap setiap aksi yang mereka perbuat, baik aksi keluar
maupun kedalam [Woolridge et. al.,1995].
• Intelligence,
Reasoning, dan Learning: Setiap agent harus mempunyai standar minimum untuk
bisa disebut agent, yaitu intelegensi (intelligence). Dalam konsep
intelligence, ada tiga komponen yang harus dimiliki: internal knowledge base,
kemampuan reasoning berdasar pada knowledge base yang dimiliki, dan kemampuan
learning untuk beradaptasi dalam perubahan lingkungan.
• Mobility
dan Stationary: Khusus untuk mobile agent, dia harus memiliki kemampuan yang
merupakan karakteristik tertinggi yang dia miliki yaitu mobilitas. Berkebalikan
dari hal tersebut adalah stationary agent. Bagaimanapun juga keduanya tetap
harus memiliki kemampuan untuk mengirim pesan dan berkomunikasi dengan agent
lain.
• Delegation:
Sesuai dengan namanya dan seperti yang sudah kita bahas pada bagian definisi,
agent bergerak dalam kerangka menjalankan tugas yang diperintahkan oleh user.
Fenomena pendelegasian (delegation) ini adalah karakteristik utama suatu
program disebut agent.
• Reactivity:
Karakteristik agent yang lain adalah kemampuan untuk bisa cepat beradaptasi
dengan adanya perubahan informasi yang ada dalam suatu lingkungan
(enviornment). Lingkungan itu bisa mencakup: agent lain, user, adanya informasi
dari luar, dsb [Brenner et. al., 1998].
• Proactivity
dan Goal-Oriented: Sifat proactivity boleh dikata adalah kelanjutan dari sifat
reactivity. Agent tidak hanya dituntut bisa beradaptasi terhadap perubahan
lingkungan, tetapi juga harus mengambil inisiatif langkah penyelesaian apa yang
harus diambil [Brenner et. al., 1998]. Untuk itu agent harus didesain memiliki
tujuan (goal) yang jelas, dan selalu berorientasi kepada tujuan yang diembannya
(goal-oriented).
• Communication
and Coordination Capability: Agent harus memiliki kemampuan berkomunikasi
dengan user dan juga agent lain. Masalah komunikasi dengan user adalah masuk ke
masalah user interface dan perangkatnya,sedangkan masalah komunikasi,
koordinasi, dan kolaborasi dengan agent lain adalah masalah sentral penelitian
Multi Agent System (MAS). Bagaimanapun juga untuk bisa berkoordinasi dengan
agent lain dalam menjalankan tugas,perlu bahasa standard untuk berkomunikasi.
Tim Finin [Finin et al., 1993] [Finin et al., 1994] [Finin et al., 1995] [Finin
et al., 1997]dan Yannis Labrou [Labrou et al., 1994] [Labrou et al., 1997]
adalah peneliti software agent yang banyak berkecimpung dalam riset mengenai
bahasa dan protokol komunikasi antar agent. Salah satu produk mereka adalah
Knowledge Query and Manipulation Language (KQML). Kemudian masih berhubungan
dengan ini komunikasi antar agent adalah Knowledge Interchange Format (KIF).
BAB III
3.1 Knowledge based agent
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 KB:
1. Representational Adequacy
kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam
domainnya
2. Inferential Adequacy
kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru
dalam menampung pengetahuan baru hasil inferensi
3. Inferential Efficiency
kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam
inferensi
4. Acquisitional Efficiency
kemampuan untuk menambah informasi baru secara mudah.
Pengetahuan
yang dimiliki agent tidak berguna jika ia tidak melakukan apapun Karenanya kita
perlu menambahkan aturan agar dia dapat bergerak (complete the knowledge base).
Beberapa
tahapan yang dilakukan dalam menyusun knowledge based agent:
·
Untuk
dapat menyusun sebuah knowledge based agent maka kita harus terlebih dulu bisa
menyusun knowledge basenya itu sendiri.
·
Untuk
menyusun knowledge base kita perlu menentukan bagaimana cara kita merepresentasikan
pengetahuan kita (knowledge representation)
·
Knowledge
representation kita harus merupakan bentuk yang mudah disimpan dan digunakan
pada komputer. Dalam perkuliahan ini kita menggunakan beberapa macam knowledge
representation language
Propositional
Logic.
Proposional
logic berupa kalimat-kalimat lengkap dari fakta atau kenyataan, atau bisa
dikatakan sebuah propositional logic bisa merupakan sebuah proposisi adalah
kalimat yang berbentuk dengan sendirinya, apakah kalimat itu bernar atau
kalimat itu salah. Propositional logic merupakan operator-operator untuk
menghubungkan proposisi-proposisi dalam bentuk, ungkapan dan ekspresi, sebagai
kata penyambung logika.
Contoh: 1
Tanda “^” artinya “AND”
2 Tanda “v”
artinya “OR”
3. Tanda
“ “ artinya “IF THEN”
4. Tanda
“ “ artinya “IF and only IF then”
5. Tanda “=”
artinya “assignment”
6. Tanda
“ “ artinya “NOT (negation)”
3.2
Wumpus World
Aturan main
Wumpus :
·
Performance
measure: emas +1000, mati -1000, gerak -1, panah -10
·
Environment:
Matriks 4x4 kamar. Initial state [1,1]. Ada gold, wumpus dan pit yang lokasinya
dipilih secara acak.
·
Percept:
Breeze: kamar di samping lubang jebakan ada hembusan angin
Glitter: kamar di mana ada emas ada kilauan/sinar
Smell: kamar di samping Wumpus berbau busuk
Action:
maju, belok kiri 90◦ , kanan 90◦ , tembak panah (hanya 1!), ambil benda
Sifat Wumpus
:
• (Fully) observable? Tidak, hanya bisa
persepsi local
• Deterministic? Ya, hasil tindakan
jelas & pasti
• Episodic? Tidak, tergantung action
sequence
• Static? Ya, gold, wumpus, pit tidak
bergerak
• Discrete? Ya
• Single agent? Tidak
3.3
Logic in general-Models and entailment
Logic adalah
bahasa formal untuk merepresentasikan informasi sedemikian hingga kesimpulan
dapat dibuat dalam pembuatan kesimpulan
pasti harus menggunakan bahasa yg benar dalam pembuatan bahasa yang tepat
Syntax mendefinisikan kalimat-kalimat pada bahasa kemudian Semantics mendefinisikan arti
kalimat; misal, mendefinisikan kebenaran sebuah kalimat
Entailment
berarti sesuatu fakta bisa disimpulkan dari (kumpulan) fakta lain Entailment
dapat juga berarti sebuah hubungan antar kalimat ( syntax) yang didasarkan pada
semantics kemudian Model adalah sebuah “dunia” di mana kebenaran suatu sentence
bisa diuji.
Contoh:
Entailment :
KB mengandung sentence “Anto ganteng” dan “Ani
cantik”.
KB |= α1:
“Anto ganteng dan Ani cantik”
KB 2 α2: “Anto pintar”
x + y = 4 |=
4 = x + y
Contoh :
Model :
M(α) adalah
himpunan semua model dari α
KB= Anto
ganteng dan Ani cantik.
α = Anto ganteng
BAB IV
Metode
Pencarian dan Pelacakan
Hal penting
dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah dalam
pencarian dan pencocokan. Pada dasarnya ada 2 teknik pencarian dan pelacakan
yang digunakan, yaitu pencarian buta (blind search) dan pencarian terbimbing
(heuristic search).
Exhaustive
search – adalah proses pencarian terhadap seluruh ruang keadaan serangakaian
langkah yang paling dimungkinkan untuk menghasilkan kemenangan. Walaupun metode
ini dapat diterapkan pada setiap ruang keadaan, namum ukuran ruang keadaan yang
sangat besar membuat pendekatan ini secara praktis tidak dimungkinkan (dalam
permainan catur terdapat 10120 keadaan ). Bila kasus ini diimplementasikan ke
dalam sisten komputermaka akan membutuhkan memori yang sangat besar, dan waktu
pencarian yang sangat lama.
1. Pencarian
Parsial (Blind Search)
-
Pencarian melebar pertama (Breadth – First Search)
-
Pencarian mendalam pertama (Depth – First Search)
>Algoritma
Buat suatu variabel Node_List dan
tetapkan sebagai keadaan awal. Kerjakan langkah-langkah berikut ini sampai
tujuan tercapai atau Node_List dalam keadaan kosong. Hapus elemen pertama dari
Node_List, sebut dengan nama C, jika Node_List kosong, maka keluar.
Pada setiap langkah yang aturannya cocok
dengan C maka kerjakan. Aaplikasi aturan tersebut untuk membentuk suatu keadaan
baru. Jika keadaan awal adalah tujuan yang diharapkan, sukses dan keluar. Jika
tidak demikian, tambahkan keadaan awal yang baru tersebut pada akhir Node_List.
>Keuntungan
Tidak akan menemui jalan buntu, menjamin
ditemkannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti
yang paling baik. Jika ada satu solusi maka bread first search akan
menemukannya.
>Kelemahannya
Membutuhkan memori yang sangat banyak. Membutuhkan waktu yang
cukup lama karna akan menguji dan level untuk mendapatkan solusi pada level
yang ke-(n+1).
2. Pencarian
Heuristik (Heuristic Search)
-
Generate and Test
-
Hill Climbing
-
Best First Search
Keuntungan
– Memori
yang relatif kecil
– Secara
kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi
Pencarian
Heuristik
• Pencarian buta tidak selalu dapat diterapkan
dengan baik
– Waktu
aksesnya yang cukup lama
– 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
SUMBER:
http://larasdewilaras.blogspot.co.id/2016/10/bab-3-pengenalan-logical-agents.html
Tidak ada komentar:
Posting Komentar