My Openselembar

download My Openselembar

of 3

  • date post

    29-Jan-2016
  • Category

    Documents

  • view

    218
  • download

    0

Embed Size (px)

description

open

Transcript of My Openselembar

Pert 1 AI Tidak selalu benar karena keterbatasan kemampuan dari pembuat AI tersebut. Dalam hal ini, AI sangat tergantung dari yang membuat. Oleh karena itu AI perlu diuji ulang secara teliti terlebih dahulu sebelum digunakan. Beda Fuzzy dg Konvensional : Pada logika biasa, yaitu logika tegas, kita hanya mengenal dua nilai, salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran yang nilainya antara 0 sampai 1. Perbedaan Fuzzy dgn Probabilitas : Sama-sama menangani ketidak pastian tetapi perbedaan terdapat pada masalah jenis ketidak pastian yang ditangani. - Probabilitas berkaitan dengan ketidakmenentuan dan kemungkinan sedangkan Logika Fuzzy berkaitan dengan ambiguitas dan ketidakjelasan. Contoh 1: Billy memiliki 10 jari kaki. Probabilitas Billy memiliki 9 jari kaki adalah 0. Keanggotaan Fuzzy Billy pad himpunan orang dengan 9 jari kaki tdksama dgn 0. Def lain : Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda. Dilain pihak, nilai probilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda (Kusuma Dewi, 2003). Contoh lain : ada dua kranjang jeruk @ kranjang = 30. Peringatan Kranjang 1, ada 1 buah pd kranjang tersbut yg berisi racun mematikan, anda akan segera mati jika memakannya (peluang = 1/50). Kranjang 2 : satu plastic cairan kimia mematikan telah disuntikkan ke dalam 30 jeruk ini secara tidak merata. Anda tidak akan mati jika memakan satu. Tp mati jika makan semua. (fuzzy). Domain pnlitian pd AI : 1.Formal tasks (matematika, games), 2.Mundane task (perception, robotics, natural language, common sense, reasoning), 3.Expert tasks (financial analysis, medical diagnostics, engineering, scientific analysis). 4.Game => Kebanyakan game mnggnkan skmpln aturan, Dlm game dig pencarian ruang. Teknik u/ menentukan alternatif dlm menyimak problema ruang adl sesuatu yang rumit => heuristic. 5.Natural language : tknlgi yg mmbrkn kmampuan kpd kom u/ mmhmi bhs manusia shg pnggna kom dpt brkmnksi dgn kom dgn meng bhs sehari2. 6.Robotk & sstem sensor spt sistem vision, tactile, pemrosesan sinyal jika dkmbnsikan dgn AI, dpt diktgriknn kedlm sistem yg luas: sistem robotik. 7.Expert system :program penasehat berbasis komp yg mcba meniru proses berpikir & pengetahuan dari seorang pakar dlm menyelesaikan masalah2 spesifik. Konsep &definisi AI. 1.Turng test :Metode Pengujian Kecerdasan (sebuah metode pengujian kecerdasan yg dibuat o/ Alan Turing, Proses uji ini melibatkan seorang penanya (manusia) & dua obyek yang ditanyai. Yang satu adalah seorang manusia dan satunya adl sebuah mesin yang akan diuji, Penanya tidak bisa melihat langsung kepada obyek yg ditanyai, Penanya diminta untuk membedakan mana jawaban komputer dan mana jawaban manusia berdasarkan jawaban kedua obyek tersebut, Jika penanya tidak dapat membedakan mana jawaban mesin dan mana, jawaban manusia maka Turing berpendapat bahwa mesin yg diuji tersebut dpt diasumsikan cerdas. 2.Pemrosesan smbolk (Kom semula didisain u/ memproses bil/angka2, Sementara manusia dlm berpikir & menyelesaikan mslh lebih bersifat simbolik, tidak didasarkan kpd sejumlah rumus / melakukan komputasi matematis, Sifat penting dari AI : AI bagian dari ilmu kom yg mllkn proses secara simbolik & non-algoritmik dlm penyelesaian masalah. 3.Heurstc adl suatu strategi u/ mlkkn proses pencarian. 4.Penarkan kesmpulan (nferencng) AI mecoba mbuat mesin memiliki kmmpuan berpikir /mpertimbangkan, Kemampuan berpikir : proses penarikan kesimpulan brdsrkn fakta2 & aturan dgn meng metode heuristik. 5.Pencocokan pola :AI bekerja dgn metode pencocokan pola yg berusaha u/ menjlsknn obyek, kejadian/proses, dlm hub logik /komputasional. Keuntungan K. Buatan dibanding k.Alamiah(lebih permanen, m'brikn kemudahan dlm duplikasi & pnybran, relatif lebih murah dari kecerdasan alamiah, konsisten & teliti, Dpt didokumentasi, Dpt mengerjakan bbrp task dgn lebih cepat & lebih baik dibanding manusia. Keuntungan K. Alamiah dibanding k. Buatan (Bersifat lebih kreatif , Dpt melakukan proses pembelajaran secara lsg, sementara AI harus mendapatkan masukan berupa simbol dan representasi2, Fokus yang luas sbg referensi u/ pengambilan keputusan sebaliknya AI meng fokus yg sempit. Metodologi soft computin :Sistem Fuzzy (mengakomodasi ketidaktepatan). Jaringan Syaraf (menggunakan pembelajaran). Probabilistic Reasoning (mengakomodasi ketidakpastian). Evolutionary Computing (optimasi) : algoritma genetika. Pert 2 (algoritma pencarian). Prmslhan dpt di selesaikan dg kcerdasan buatan hrus dtntukan ruang keadaan. Langkah2 : menentkan state awal, mnentkan tujuan yg akan dicapau, mnentrukan aturan2. Scara umum, u/ mendeskripsikan suatu prmslhan dgn baik harus: mendefinisikan suatu ruang keadaan, menerapkan satu atau lebih keadaan awal, menetapkan satu/lebih tujuan., menetapkan kumpulan aturan. Graph dpt dig u/ menotasikan ruang keadaan. Graph hrus dgmbrkan dg tree (pohon pelacakan) u/ mnghndari pncarian berulang2. Algoritma pncarian ad 3 : 1. algritma buta: Breadth first search : semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pd level n+1. Pncrian dimulai dri node akar trus ke level1 dri kiri k kanan, & pndah k level brikutnya smpai di tmukan solusi. Algo: Buat sbuah antrian, inisialisasi node prtma dgn Root dari tree, bila node pertama, jika goal, diganti dg anaknya & diletakkan dibelakang per level, bila node pertama = goal, selesai. Keuntungan : tidak akan menemui jalan buntu, jika ada satu solusi, maka breadth first search akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan. Kelemahan : Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon, Kemungkinan ditemukan optimal lokal. Depth-First Search : proses pencarian dilksnkan pd semua anaknya sblum dilakukan pencarian ke node2 yg selevel. Pencarian dimulai dari node akar ke level yg lbh tinggi. Proses ini diulangi trs hingga ditemukaannya solusi. Algo : buat sebuah antrian, inisialisasi node pertama dg root dari tree, bila node pertama, jikagoal, node dihapus diganti dgn anak2nya dgn urutan Lchild, bila node pertama = goal, selesai. Keuntungan : membutuhkan memori yg relatif kecil, karena hanya node2 pd lintasan yg aktif saja yg disimpan, menemukan solusi tanpa harus menguji lbh banyak lagi dlm ruang keadaan.Kelemahan : kemungkinan terjebak pd optimal lokal. hanya akan mendapatkan 1 solusi pd setiap pencarian. Hill Climbing : Algo:buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree, bila node pertama, jika goal, node dihapus diganti dengan anak2nya, dengan urutan yang paling kecil jaraknya, bila node pertama = goal, selesai. Keuntungan : membutuhkan memori yg relatif kecil, karena hanya node2 pd lintasan yg aktif saja yg disimpan, metode hill climbing search akan menemukan solusi tanpa harus menguji lbh banyak lagi dlm ruang keadaan. Kelemahan : algoritma akan berhenti kalau mencapai nilai optimum local, perlu menentukan aturan yg tepat. Best First Search : algo : buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree, bila node pertama, jikaGOAL, node dihapus & diganti dg anak2nya, selanjutnya keseluruhan node yg ada di Queue di-sort Ascending, bila node pertama = GOAL, selesai. Keuntungan : membutuhkan memori yg relatif kecil, karena hanya node2 pd lintasan yg aktif saja yg disimpan., Secara kebetulan, metode best first search akan menemukan solusi tanpa hrs menguji lbh banyak lagi dlm ruang keadaan. Kelemahan: Algo akan berhenti kalau mencapai nilai optimum local, tidak diijinkan untuk melihat satupun langkah sebelumnya. 2. Algo optimal terdiri dari : branch & bound : algo : buat sebuah Antrian, inisialisasi node pertama dg Root dari tree, Bila lintasan parsial lintasan goal, maka lintasan parsial diganti dg lintasan parsial + node child, semuanya diatur berdasarkan harga yg diurut secara ascending. Bila node pertama = lintasan goal, selesai. Keuntungan : Algo berhenti pd nilai optimum sebenarnya. Kelemahan : membutuhkan memori yg cukup banyak, karena bisa jadi menyimpan semua lintasan parsial yg memungkinkan. Branch & Bound dg Dynamic Programming Algo : buat sebuah Antrian, inisialisasi node pertama dg Root dari tree, bila lintasan parsial lintasan goal, jika ada lintasan parsial dg node terakhir yg sama maka diambil yg harganya paling minimal, sedangkan yg lbh mahal dihapus dari queue, sehingga tree akan lbh kurus, bila node pertama = lintasan goal, selesai. Keuntungan : algo berhenti pd nilai optimum sebenarnya, lebih efisien dari metode Branch & Bound dlm penggunaan memori dan waktu eksekusi karena ada pemotongan. Kelemahan : harus mengingat node terakhir dari lintasan parsial yg sdh dicapai sebelumnya. 3. Pencarian untuk Game : alasan kenapa permainan (game) menjadi menarik, yaitu: kriteria menang atau kalah jelas, dpt mempelajari permasalahan, alasan histori, menyenangkan, biasanya mempunyai search space yang besar (misalnya game catur mempunyai 35100 nodes dalam search tree dan 1040 legal states). Pert.3procedural kwoledge : bgm mlkukan sesuatu, declarative knowledge: deklarasikan, mngthui sesuatu itu benar/slh. Task knowledge: tidak dpt diungkapkan. Logika : proses mmbntuk/mnrik ksimplan suatu infrensi brdsrkan fakta2 yg ada. Inputnya berupa fakta2 yg diakui kbenarannya. Ad 2 pnlran : deduktif : pnlran dimulai dari prinsip umum u/ mndptkan konklusi yg lbh khusus. Con: P.mayor = jika hujan turun sy tdk akn brngkt kuliah, P.minor : hari ini hjn turun. Konklusi : hri ini sy tdk akan brngkt