Teknik Pembangunan Game AI

Nama        : Safira Regia Tama Basmalah
Kelas        : 3KA10
Npm         : 16115327
Dosen       : Essy Malays Sari Sakti

Movement

Komputer sebagai alat untuk pemindahan data yaitu untuk  pemindahan data yang telah dibuat dan akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh, konsep usaha, konsep ruang, dan konsep keterhubungan.

Pathfinding

Pathfinding merupakan metode yang sangat dibutuhkan pada berbagai game, terutama game 3D. Path finding digunakan untuk menentukan arah pergerakan suatu objek berdasarkan keadaan lokasi dan object disekitarnya dari suatu titik ke titik lain. Pathfinding merupakan cara untuk mendapatkan rute antara dua buah point, beberapa agoritma yang dapat diterapkan antara lain brute force, BFS, DFS.

Pengambilan Keputusan

Pengambilan keputusan adalah suatu proses pemilihan dari berbagai alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).

Proses penurunan suatu keputusan mengandung empat unsur, yaitu :

Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.

Kriteria: Kriteria yang dirumuskan menunjukkan tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang diambil perlu kompromi).

Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.

Optimalisasi: Apabila masalah keputusan telah diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan (kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.

Proses Pengambilan Keputusan

Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.

Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.

Pemilihan: Memilih arah tindakan tertentu dari semua yang ada. Pilihan ditentukan dan dilaksanakan.

Jadi, proses keputusan dapat dianggap sebagai sebuah arus dari penyelidikan sampai perancangan dan kemudian pada pemilihan. Tetapi pada setiap tahap hasilnya mungkin dikembalikan ke tahap sebelumnya untuk dimulai lagi. Jadi tahapan tersebut merupakan unsur-unsur sebuah proses yang berkesinambungan.

Teori Pengambilan Keputusan

Teori pengambilan keputusan menekankan bahwa terdapat tujuh langkah yang harus ditempuh, yaitu:

1. Identifikasi permasalahan yang dihadapi

Ada ungkapan yang mengatakan bahwa suatu “permasalahan yang sudah dikenali hakikatnya dengan tepat sesungguhnya sudah separo terpecahkan.” Ungkapan ini mempunyai tiga implikasi, yaitu:

·  Bahwa mutlak perlu mengenali secara mendasar situasi problematik yang menimbulkan ketidakseimbangan dalam kehidupan organisasi atau perusahaan.

·  Pengenalan secara mendasar berarti “akar” penyebab timbulnya ketidakseimbangan harus digali sedalam-dalamnya.

·  Mengambil keputusan tidak boleh puas hanya dengan diagnosis gejala-gejala yang segera tampak. Jika hanya gejala yang diidentifikasikan, sangat mungkin “terapinya” pun hanya mampu menghilangkan gejala tersebut. Padahal yang harus dihilangkan adalah “sumber penyakitnya”.

2. Pengumpulan data

Berangkat dari pandangan bahwa pengambilan keputusan memerlukan dukungan informasi yang lengkap, mutakhir, dapat dipercaya, dan diolah dengan baik. Berarti bahwa dalam pengumpulan data ada tiga hal yang mutlak mendapat perhatian, yaitu:

·  Pentingnya menggali data dari semua sumber yang layak digali, baik secara internal maupun secara eksternal. Dari segi inilah harus dilihat pentingnya akses bagi para pengolah data terhadap semua sumber data.

·  Pentingnya untuk menjamin bahwa data yang dikumpulkan relevan dengan permasalahan yang hendak diatasi.

·  Bahwa mutu data yang dikumpulkan haruslah setinggi mungkin sehingga informasi yang dihasilkan akan bermutu tinggi pula.

3. Analisis data

Analisis data harus mampu menunjukkan berbagai alternatif yang mungkin ditempuh untuk memecahkan masalah. Oleh karena itu, analisis data diarahkan pada pembentukan persepsi yang sama diantara berbagai pihak tentang arti data yang dimiliki, dengan demikian memberikan interpretasi yang sama tentang data tersebut.

4. Analisis berbagai alternatif

Salah satu tantangan yang dihadapi dalam mengambil keputusan ialah menemukan jawaban yang paling tepat terhadap pertanyaan: Apakah dalam mengambil keputusan harus selalu terdapat berbagai alternatif? Pertanyaan ini penting karena jika seorang pengambil keputusan dihadapkan kepada hanya satu alternatif dan ia memutuskan untuk menggunakan alternatif tersebut, yang bersangkutan sudah mengambil keputusan. Bahkan teori pengambilan keputusan mengatakan bahwa jika seseorang memutuskan untuk tidak mengambil keputusan, tindakannya itu adalah pengambilan keputusan juga.

5. Pemilihan alternatif

Jika dilakukan dengan cermat, analisis berbagai alternatif akan “memberi petunjuk” tentang alternatif yang sebaiknya digunakan karena akan membuahkan solusi yang paling efektif. Alternatif di pilih dengan demikian, merupakan alternatif yang tampaknya paling baik. Pengalaman mengambil keputusan di masa lalu dan keyakinan bahwa keputusan yang diambil adalah keputusan yang terbaik.

6. Implementasi (pelaksanaan)

Apakah alternatif yang dipilih merupakan pilihan yang terbaik atau tidak diuji pada waktu digunakan dalam arti mampu tidaknya menghilangkan situasi permasalahan dan apakah permasalahan yang dihadapi tersebut dapat dipecahkan secara efektif atau tidak.

7. Evaluasi (penilaian)

Hasil pelaksanaan memerlukan penilaian yang objektif, rasional dan berdasarkan tolok ukur yang baku. Seperti dimaklumi, hasil penilaian dapat menunjukkan bahwa hasil yang di capai melampaui harapan, sekedar sesuia dengan sasaran atau kurang dari sasaran. Kesemuanya itu menjadi bahan penting dalam mengelola organisasi atau perusahaan di masa depan.

Taktik dan strategi AI

AI dalam game biasanya memiliki kecepatan dalam taktik bermain sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity, dan pola sisi/sudut.

Pembelajaran

Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia.

Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.

Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.

Sederhananya begini: suatu jaringan saraf terdiri dari beberapa lapisan neuron. Input masuk melalui lapisan pertama. Tiap neuronnya menerima input, sehingga setiap neuron memiliki muatan, dan menghasilkan output berdasarkan muatan mereka. Output dari lapisan pertama kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya hingga output akhir dapat dihasilkan.

Kemudian hal menarik pun terjadi. Siapapun yang menjalankan jaringan dapat mendefinisikan seperti apa output akhir yang “benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut, hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah penyempurnaan akan dilakukan hingga tercipta outputakhir yang benar. Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.

Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya dalam mengidentifikasi benda tersebut.

Referensi:
http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

Kecerdasan Buatan dan Permainan (AI and Games)

Nama : Safira Regia Tama Basmalah
NPM : 16115327
Kelas : 3KA10
Dosen: Essy Malays Sari Sakti

Pengertian Kecerdasan Buatan

Kecerdasan buatan (bahasa Inggris: Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan 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.

Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game.

Pengertian Game

Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.

Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996, dan merupakan permainan yang sangat terkenal.

Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.

Artificial Intelligence dalam Game

Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.

Game AI adalah aplikasi untuk memodelkan karakter yang terlibat dalam permainan baik sebagai lawan, ataupun karakter pendukung yang merupakan bagian dari permainan tetapi tidak ikut bermain (NPC = Non Playable Character). Peranan kecerdasan buatan dalam hal interaksi pemain dengan permainan adalah pada penggunaan interaksi yang bersifat alami yaitu yang biasa digunakan menusia untuk berinteraksi dengan sesama manusia. Contoh media interaksi ialah:

·         Penglihatan (vision)

·         Suara (voice), ucapan (speech)

·         Gerakan anggota badan ( gesture)

Untuk pembentukan Artificial Intelligence pada game ternyata digunakan pula algoritma, yaitu jenis pohon n-ary untuk suatu struktur. Implementasi pohon (tree) ini biasa disebut game tree. Berdasarkan game tree inilah sebuah game disusun algoritma kecerdasan buatannya. Artificial intellegence yang disematkan dalam sebuah game yang membentuk analisis game tree biasanya merepresentasikan kondisi atau posisi permainan dari game sebagai suatu node, dan merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah yang menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi suatu pohon (tree).

Namun, biasanya representasi langsung tersebut mempunyai kelemahan, yaitu representasi data pohon akan menjadi sangat lebar dan banyak. Mungkin bagi sebuah mesin komputer mampu melakukan kalkulasi sebanyak apapun masalah, namun game tree yang lebar dan besar memberikan beberapa masalah, antara lain konsumsi proses memori, kapasitas penyimpanan yang cukup besar dan kinerja yang kurang pada konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa algoritma dan penyederhanaan bagi sebuah game tree.

Pada salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode ini berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan tidak hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk game-game yang lebih rumit seperti catur, tentunya dengan algoritma dan representasi berbeda.

Referensi :
https://setiyanugroho.wordpress.com/2011/04/12/kecerdasan-buatan-dalam-game/

Pembelajaran / Learning

NAMA  : Safira Regia Tama Basmalah
NPM     : 16115327
KELAS : 3KA10
DOSEN : Essy Malays Sari Sakti

A. Pembelajaran dari Pengamatan

Pendidikan adalah suatu kegiatan yang komplek dan menuntut penanganan untuk meningkatkan kualitasnya, baik yang berupa menyeluruh maupun pada beberapa komponen tertentu karena dalam kegiatan pembelajaran terdiri dari berbagai variable pokok yang saling berkaitan yaitu kurikulum, guru, pembelajaran, dan peserta. Dimana semua komponen ini bertujuan untuk kepentingan peserta didik. Berdasarkan hal tersebut pendidik harus mampu menggunakan model pembelajaran agar peserta didik dapat melakukan kegiatan belajar. Hal ini dilatar belakangi bahwa beberapa peserta didik bukan hanya sebagai objek tetapi juga merupakan subjek dalam pembelajaran. Peserta didik harus disiapkan sejak dini agar ia mampu untuk bersosialisasi dengan lingkungannya dan gerakan baru sehingga berbagai jenis pembelajaran dapat digunakan oleh pendidik untuk meningkatkan kualitas belajar dan mengajar, seperti cara guru mengajar dan cara peserta didik belajar.

Dosen merupakan suatu profesi yang sangat unik. Selain harus memiliki jiwa pengabdian yang tinggi ia juga memiliki tanggung jawab yang besar pada masa depan peserta didik. Oleh karena itu, dosen harus selalu belajar, baik untuk ilmu pengetahuan dan keterampilan pembelajaran, maupun belajar memahami aspek psikologis kemanusiaan. Seorang guru juga harus mampu memahami bagaimana cara peserta didiknya belajar. Jika seorang guru telah mampu menguasai teknik yang dapat meningkatan semangat keaktifan anak didiknya dalam belajar, maka dunia pendidikan akan semakin efektif dan professional.

Maksud penelitian ini adalah untuk memperoleh data dan informasi yang diperlukan untuk menyelesaikan tugas softskill.

Adapun tujuan dilakukannya penelitian ini adalah untuk :

1.  Mengetahui kesadaran mahasiswa akan lingkungannya.

2.  Mengetahui minat belajar mahasiwa terhadap beberapa kondisi kampus.

3.  Mengetahui seberapa besar peran kampus dalam memfasilitasi mahasiswanya.

B. Bentuk Pembelajaran

1. Metode Ceramah

Metode pembelajaran ceramah adalah penerangan secara lisan atas bahan pembelajaran kepada sekelompok pendengar untuk mencapai tujuan pembelajaran tertentu dalam jumlah yang relatif besar. Seperti ditunjukkan oleh Mc Leish (1976), melalui ceramah, dapat dicapai beberapa tujuan. Dengan metode ceramah, guru dapat mendorong timbulnya inspirasi bagi pendengarnya.

Gage dan Berliner (1981:457), menyatakan metode ceramah cocok untuk digunakan dalam pembelajaran dengan ciri-ciri tertentu. Ceramah cocok untuk penyampaian bahan belajar yang berupa informasi dan jika bahan belajar tersebut sukar didapatkan.

2. Metode Diskusi

Metode pembelajaran diskusi adalah proses pelibatan dua orang peserta atau lebih untuk berinteraksi saling bertukar pendapat, dan atau saling mempertahankan pendapat dalam pemecahan masalah sehingga didapatkan kesepakatan diantara mereka. Pembelajaran yang menggunakan metode diskusi merupakan pembelajaran yang bersifat interaktif (Gagne & Briggs. 1979: 251).

Menurut Mc. Keachie-Kulik dari hasil penelitiannya, dibanding metode ceramah, metode diskusi dapat meningkatkan anak dalam pemahaman konsep dan keterampilan memecahkan masalah. Tetapi dalam transformasi pengetahuan, penggunaan metode diskusi hasilnya lambat dibanding penggunaan ceramah. Sehingga metode ceramah lebih efektif untuk meningkatkan kuantitas pengetahuan anak dari pada metode diskusi.

3. Metode DemonstrasiMetode pembelajaran demontrasi merupakan metode pembelajaran yang sangat efektif untuk menolong siswa mencari jawaban atas pertanyaan-pertanyaan seperti: Bagaimana cara mengaturnya? Bagaimana proses bekerjanya? Bagaimana proses mengerjakannya. Demonstrasi sebagai metode pembelajaran adalah bilamana seorang guru atau seorang demonstrator (orang luar yang sengaja diminta) atau seorang siswa memperlihatkan kepada  seluruh kelas sesuatau proses. Misalnya bekerjanya suatu alat pencuci otomatis, cara membuat kue, dan sebagainya.

Kelebihan Metode Demonstrasi :

a. Perhatian siswa dapat lebih dipusatkan.

b. Proses belajar siswa lebih terarah pada materi yang sedang dipelajari.

c. Pengalaman dan kesan sebagai hasil pembelajaran lebih melekat dalam diri siswa.

Kelemahan metode Demonstrasi :

a. Siswa kadang kala sukar melihat dengan jelas benda yang diperagakan.

b. Tidak semua benda dapat didemonstrasikan.

c. Sukar dimengerti jika didemonstrasikan oleh pengajar yang kurang menguasai apa yang didemonstrasikan.

4. Metode Ceramah Plus

Metode Pembelajaran Ceramah Plus adalah metode pengajaran yang menggunakan lebih dari satu metode, yakni metode ceramah yang dikombinasikan dengan metode lainnya. Ada tiga macam metode ceramah plus, diantaranya yaitu:

a. Metode ceramah plus tanya jawab dan tugas

b. Metode ceramah plus diskusi dan tugas

c. Metode ceramah plus demonstrasi dan latihan (CPDL)

5. Metode Resitasi

Metode Pembelajaran Resitasi adalah suatu metode pengajaran dengan mengharuskan siswa membuat resume dengan kalimat sendiri.

Kelebihan Metode Resitasi adalah :

a. Pengetahuan yang diperoleh peserta didik dari hasil belajar sendiri akan dapat diingat lebih lama.

b. Peserta didik memiliki peluang untuk meningkatkan keberanian, inisiatif, bertanggung jawab dan mandiri.

Kelemahan Metode Resitasi adalah :

a. Kadang kala peserta didik melakukan penipuan yakni peserta didik hanya meniru hasil pekerjaan orang lain tanpa mau bersusah payah mengerjakan sendiri.

b. Kadang kala tugas dikerjakan oleh orang lain tanpa pengawasan.

c. Sukar memberikan tugas yang memenuhi perbedaan individual.

6. Metode Eksperimental

Metode pembelajaran eksperimental adalah suatu cara pengelolaan pembelajaran di mana siswa melakukan aktivitas percobaan dengan mengalami dan membuktikan sendiri suatu yang dipelajarinya. Dalam metode ini siswa diberi kesempatan untuk mengalami sendiri atau melakukan sendiri dengan mengikuti suatu proses, mengamati suatu obyek, menganalisis, membuktikan dan menarik kesimpulan sendiri tentang obyek yang dipelajarinya.

7. Metode Study Tour (Karya wisata)

Metode study tour Study tour (karya wisata) adalah metode mengajar dengan mengajak peserta didik mengunjungi suatu objek guna memperluas pengetahuan dan selanjutnya peserta didik membuat laporan dan mendiskusikan serta membukukan hasil kunjungan tersebut dengan didampingi oleh pendidik.

8. Metode Latihan Keterampilan

Metode latihan keterampilan (drill method) adalah suatu metode mengajar dengan memberikan pelatihan keterampilan secara berulang kepada peserta didik, dan mengajaknya langsung ketempat latihan keterampilan untuk melihat proses tujuan, fungsi, kegunaan dan manfaat sesuatu (misal: membuat tas dari mute). Metode latihan keterampilan ini bertujuan membentuk kebiasaan atau pola yang otomatis pada peserta didik.

9. Metode Pengajaran Beregu

Metode pembelajaran beregu adalah suatu metode mengajar dimana pendidiknya lebih dari satu orang yang masing-masing mempunyai tugas.Biasanya salah seorang pendidik ditunjuk sebagai kordinator. Cara pengujiannya,setiap pendidik membuat soal, kemudian digabung. Jika ujian lisan maka setiapsiswa yang diuji harus langsung berhadapan dengan team pendidik tersebut

10. Peer Theaching Method

Metode Peer Theaching sama juga dengan mengajar sesama teman, yaitu suatu metode mengajar yang dibantu oleh temannya sendiri.

C. Pembelajaran Induktif

Pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Model pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, selanjutnya guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan. Model pembelajaran induktif dirancang berlandaskan teori konstruktivisme dalam belajar. Model ini membutuhkan guru yang terampil dalam bertanya (questioning) dalam penerapannya. Melalui pertanyaan-pertanyaan inilah guru akan membimbing siswa membangun pemahaman terhadap materi pelajaran dengan cara berpikir dan membangun ide. Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir.

Struktur sosial dalam pembelajaran menjadi ciri lingkungan kelas yang sangat dibutuhkan untuk belajar melalui model pembelajaran induktif. Model pembelajaran induktif mensyaratkan sebuah lingkungan belajar yang mana di dalamnya siswa merasa bebas dan terlepas dari resiko takut dan malu saat memberikan pendapat, bertanya, membuat konklusi dan jawaban. Mereka harus bebas dari kritik tajam yang dapat menjatuhkan semangat belajar.

D. Pohon Keputusan Pembelajaran

Pembelajaran pohon keputusan adalah suatu metode untuk memperkirakan fungsi target bernilai diskrit, yang mana fungsi pembelajaran direpresentasikan oleh sebuah pohon keputusan.

Secara umum, pohon keputusan merepresentasikan sebuah disjungsi dari beberapa konjungsi dari beberapa batasan pada nilai atribut dan instansi.

E. Pembelajaran Ensemble

Sebuah pengklasifikasi ensemble adalah himpunan beberapa pengklasifikasi, di mana keputusan dari tiap pengklasifikasi dikombinasikan dengan suatu cara (pada umumnya menggunakan voting dengan atau tanpa menggunakan bobot) untuk mengklasifikasikan data baru (Dietterich, 2001). Kerangka kerja dasar sebuah ensemble.  Pengklasifikasi ensemble tersebut dibuat dengan menggunakan data pelatihan untuk membangun beberapa pengklasifikasi dasar yang kemudian digabungkan untuk memperoleh hasil klasifikasi akhir. Sebuah pengklasifikasi ensemble akan menjadi pengklasifikasi yang efektif apabila memiliki tingkat akurasi klasifikasi yang tinggi di mana masing-masing hasil prediksinya tidak saling berkaitan (Bauer dan Kohavi, 1999). Beberapa metode untuk membuat ensemble, antara lain pelatihan pengklasifikasi dasar pada subset data pelatihan yang berbeda (misalnya bagging dan boosting), penggunaan algoritma pembelajaran yang berbeda, melakukan randomisasi, dan pelatihan pada feature subset yang berbeda (Dietterich, 2001).

Sumber :

https://sites.google.com/a/std.stei.itb.ac.id/sulhan/pembelajaran-mesin-lanjut/pembelajaran-pohon-keputusan-decision-tree

http://belajarpsikologi.com/macam-macam-metode-pembelajaran/

http://research-

Ketidakpastian dan Penalaran

NAMA  : Safira Regia Tama Basmalah
NPM     : 16115327
KELAS : 3KA10
DOSEN: Essy Malays Sari Sakti

Ketidakpastian dan Penalaran
Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita membuat suatu keputusan yang terbaik. Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Teori-teori yang berhubungan dengan ketidakpastian yaitu :
• Probabilitas Klasik
• Probabilitas Bayes
• Teori Hartley yang berdasarkan pada himpunan klasik
• Teori Shanon yang didasarkan pada peluang
• Teori Dempster-Shafer
• Teori Fuzzy Zadeh

Teorema Bayes
Dinamakan Teorema Bayes karena ditemukan oleh Thomas Bayes Teorema Bayes kebalikan dari probabilitas kondisional P(A|B) atau disebut posteriori probability, dimana dalam teorema Bayes : state probabilitas dari kejadian awal diberikan untuk melihat kejadian yang mungkin akan terjadi kemudian.

Bentuk umum Teorema Bayes :

P(Hi|E) = P(EÇHi)

P(EÇHj)

= P(E|Hi) P(Hi)

P(E|Hj) P(Hj)

= P(E|Hi) P(Hi)

P(E)

Faktor Kepastian

Faktor kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan (unbelief) dalam bilangan yang tunggal. Dalam certainty theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan (degree of belief).

Tahapan Representasi Data Kualitatif

Tahapan dalam merepresentasikan data-data kualitatif :
1. Kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah dibahas sebelumnya.
2. Kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut dalam sistem pakar.

Dalam mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut certainy factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data.
Formulasi Certainy Factor



Dimana :
• CF = Certainy Factor (faktor kepastian) dalam hipotesis H yang dipengaruhi oleh fakta E.
• MB=Measure of Belief (tingkat keyakinan), adalah ukuran kenaikan dari kepercayaan hipotesis H dipengaruhi oleh fakta E.
• MD=Measure of Disbelief (tingkat ketidakyakinan), adalah kenaikan dari ketidakpercayaan hipotesis H dipengaruhi fakta E.
• E = Evidence (peristiwa atau fakta).
• H = Hipotesis (Dugaan).
Teori Dempster-Shafer

Teori Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P. Dempster dan Glenn Shafer.

Secara umum Teori Dempster-Shafer ditulis dalam suatu interval:

[Belief,Plausibility]

Belief
Belief (Bel) adalah ukuran kekuatan evidence (gejala) dalam mendukung suatu himpunan bagian. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukan adanya kepastian.

Plausibility
Plausibility (Pl) dinotasikan sebagai:

Pl(s)= 1 – Bel(¬¬¬¬¬¬¬¬¬¬s)¬¬¬¬¬¬¬

Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan –s, maka dapat dikatakan bahwa Bel(¬s)=1, dan Pl(¬s)=0. Plausability akan mengurangi tingkat kepercayaan dari evidence. Pada teori Dempster-Shafer kita mengenal adanya frame of discernment yang dinotasikan dengan θ dan mass function yang dinotasikan dengan m. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga disebut dengan environtment.

Misalkan: θ = {A, B, C, D, E, F, G, H, I, J}
Dengan :
A = Gagal Ginjal Kronik
B = Kanker Ginjal
C = Pielonefritis
D = Sindroma Nefrotik
E = Hidronefrosis
F = Kanker Kandung Kemih
G = Ginjal Polikista
H = Nefritis Tubulointerstisialis
I = Sistitis
J = Infeksi Saluran Kemih
Mass Function

Sedangkan mass function (m) dalam teori Dempster-Shafer adalah tingkat kepercayaan dari suatu evidence measure sehingga dinotasikan dengan (m). Untuk mengatasi sejumlah evidence pada teori Dempster-Shafer menggunakan aturan yang lebih dikenal dengan Dempster’s Rule of Combination.

Dengan :
• m1 (X) adalah mass function dari evidence X
• m2 (Y) adalah mass function dari evidence Y
• m3(Z) adalah mass function dari evidence Z
• κ adalah jumlah conflict evidence

Sumber :
Pres6_Sistem Berbasis Pengetahuan (Irfan Humaini)
http://informatika.web.id/faktor-kepastian-certainty-factor.htm
http://informatika.web.id/teori-dempster-shafer.htm

Representasi Pengetahuan

Nama  : Safira Regia Tama Bamalah
NPM   : 16115327
Kelas  : 3KA10
Dosen : Essy Malays Sari Sakti

1. Ontology

Ontologi adalah konsep inti dalam representasi pengetahuan modern. Sebuah ontologi dari perspektif AI adalah model yang mewakili seperangkat konsep dalam domain tertentu serta hubungan antara konsep tersebut.

2. Kategori Dan Objek

Pengorganisasian objek ke dalam kategori merupakan bagian penting dari representasi pengetahuan. Meskipun Interaksi dengan dunia terjadi pada tingkat objek individual, banyak penalaran terjadi pada tingkat kategori. Kategori juga berfungsi untuk membuat prediksi tentang objek begitu mereka diklasifikasikan. Seseorang menyimpulkan adanya objek tertentu dari input perseptual, kategori kategori dari kategori yang dirasakan dari objek, dan kemudian menggunakan informasi kategori untuk membuat prediksi tentang objek.

Misalnya dari kulitnya yang hijau dan kuning berbintik-bintik, berdiameter satu kaki, berbentuk bulat telur, dagingnya berwarna merah, biji hitam, dan  termasuk jenis buah, seseorang dapat menyimpulkan bahwa benda tersebut adalah buah semangka Dari sini, seseorang juga dapat menyimpulkan bahwa itu dapat dijadikan salad buah atau rujak.

3. Mental Event Dan Mental Objek

Agen yang telah kita bangun sejauh ini memiliki keyakinan dan dapat menyimpulkan keyakinan baru. Namun tidak ada dari mereka memiliki pengetahuan tentang kepercayaan atau tentang deduksi. Proses pengetahuan dan penalaran berguna untuk mengendalikan kesimpulan. Misalnya,  Alice bertanya "apa akar kuadrat tahun 1764" dan Bob menjawab "Saya tidak tahu." Jika Alice bersikeras "Pikirkan lebih keras," Bob harus menyadari bahwa dengan beberapa pemikiran lagi, pertanyaan ini sebenarnya bisa terjadi dijawab. Di sisi lain, jika pertanyaannya adalah "Apakah ibumu duduk dengan benar sekarang? "maka Bob harus menyadari bahwa berpikir tidak mungkin bisa membantu. Pengetahuan tentang agen lain juga penting; Bob harus menyadari bahwa ibunya tahu apakah dia duduk atau tidak, dan yang memintanya akan menjadi cara untuk mengetahuinya. Yang kita butuhkan adalah model objek mental yang ada di kepala seseorang (atau ada sesuatu basis pengetahuan) dan proses mental yang memanipulasi objek mental tersebut. Modelnya tidak harus dirinci. Kita tidak harus bisa memprediksi berapa jumlahnya milidetik yang dibutuhkan agen tertentu untuk membuat pengurangan.karena yang dibutuhkan adalah kesimpulan. Dengan dapat menyimpulkan bahwa ibu mengetahui apakah dia duduk atau tidak. Dapat di mulai dengan sikap proposisional yang dimiliki agen terhadap objek mental: sikap seperti Percaya, Tahu, Ingin, Niat, dan Mengenal. Kesulitannya adalah bahwa sikap ini tidak berperilaku seperti predikat "normal".

4. Sistem Penalaran Pengkategorian

Kategori adalah blok bangunan utama dari skema representasi pengetahuan berskala besar. Bagian ini menjelaskan sistem yang dirancang khusus untuk pengorganisasian dan penalaran dengan kategori.

Ada dua keluarga sistem yang terkait erat: jaringan semantik menyediakan alat bantu grafis untuk memvisualisasikan basis pengetahuan dan algoritma yang efisien untuk menyimpulkan sifat Representasi objek berdasarkan kategori dan logika deskripsimemberikan formal bahasa untuk membangun dan menggabungkan definisi kategori dan algoritma yang efisien untuk menentukan hubungan subset dan superset antar kategori

a. Jaringan Semantik

Pada tahun 1909, Charles S. Peirce mengusulkan sebuah notasi grafis dari simpul dan ujung yang disebut eksistensial. Grafik yang dia sebut "logika masa depan." Demikianlah dimulai perdebatan panjang antara

pendukung "logika" dan pendukung "jaringan semantik." Sayangnya, debat tersebut dikaburkan fakta bahwa jaringan semantik (setidaknya yang memiliki semantik) adalah sebuah bentuk logika Notasi bahwa jaringan semantik menyediakan beberapa jenis kalimat tertentu. Seringkali lebih mudah, tapi jika kita menghilangkan masalah "human interface", yang mendasarinya konsep-objek, relasi, kuantifikasi, dan sebagainya-sama.

Ada banyak varian jaringan semantik, tapi semua mampu mewakili individu objek, kategori objek, dan relasi antar objek. Notasi grafis yang khas menampilkan nama objek atau kategori dalam bentuk oval atau kotak, dan menghubungkannya dengan label link.

b. Logika Deskripsi

Sintaks logika orde pertama dirancang untuk memudahkan untuk mengatakan sesuatu tentang objek. Logika deskripsi adalah notasi yang dirancang untuk mempermudah mendeskripsikan definisi dan sifat kategori Sistem logika deskripsi berevolusi dari jaringan semantik sebagai tanggapan untuk menekan untuk memformalkan apa arti jaringan sambil mempertahankan penekanannya struktur taksonomi sebagai prinsip pengorganisasian. Tugas inferensi utama untuk logika deskripsi adalah subsumption (memeriksa apakah satu kategori adalah subset dari yang lain dengan membandingkan definisinya) dan klasifikasi (pengecekan apakah suatu objek termasuk kategori). Beberapa sistem juga mencakup konsistensi sebuah kategori definisi-apakah kriteria keanggotaan secara logis memuaskan.

Referensi

Jones, M.Tim. 2008. Artificial Intelligent  A System Approach. Hingham, Massachusetts, New Delhi:INFINITY SCIENCE PRESS LLC.

Russel, Stuart & Norvig, Peter. Artificial Intelligent A Modern Approach. Vol.3. Pearson Education, Inc.

http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

http://entin.lecturer.pens.ac.id/Kecerdasan%20Buatan/Buku/Bab%202%20Representasi%20Pengetahuan.pdf

Logika Orde Pertama

Nama   : Safira Regia Tama Basmalah

NPM    : 16115327

Kelas   : 3KA10

Dosen  : Essy Malays Sari Sakti

LOGIKA ORDE PERTAMA (First Order Logic)

First Order Logic adalah formal yang digunakan di ilmu matematika, philosophy, bahasa ilmu computer. Bisa juga disebut dengan kalkulus predikat yaitu logika yang digunakan untuk mempresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi

UNIFIKASI & LIFTING

Unifikasi adalah usaha untuk membuat dua ekspresi menjadi identik dengan mencari subsitusi tertentu untuk mengikuti pengubah dalam ekspresi tersebut. Unifikasi dapat dikatakan sebagai dasar-dasar atas kebanyakan strategi inferensi dalam kecerdasan buatan. 

Aturan Unifikasi yaitu:

A. 2 atom (Konstanta atau pengubah) adalah identik.

B. 2 daftar identik atau ekspresi dikonversi dalam satu buah daftar.

C. Sebuah konsatanta dan satu pengubah terikat dipersatukan, sehingga pegnubah menjadi terikat kepada konstanta.

D. Sebuah pengubah tak terikat dipersatukan dengan pengubah terikat.

E. Sebuah pengubah terikat dipersatukan dengan sebuah konstanta jika pengikatan pada pengubah terikat dengan konstanta tidak ada konflik

FORWARD & BACKWARD CHAINING

Foward chaining adalah suatu rantai yang dicari atau dilewati dari suatu permasalah untuk memperoleh solusi dan penalaran dari fakta menuju konklusi berasal dari fakta. Sedangkan backwarad chaining adalah suatu relasi yang dilintasi dari suatu hipotesa dengan tujuan yang dapat dipenuhi degna pemenuhan sub tujuannya.

Contohnya :

Kambing -> Herbivora
Herbivota -> Binatang

Referensi

http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

http://imamcs.lecture.ub.ac.id/tag/logika-order-pertama-first-order-logic/

AGEN LOGIKA

Nama   :Safira Regia Tama Basmalah
NPM    : 16115327
Kelas   : 3KA10
Dosen  : Essy Malays Sari Sakti

PENGENALAN LOGICAL AGENTS

Agen logika merupakan agen yang memiliki kemampuan bernalar secara logika. Ketika beberapa solusi tidak secara eksplisit diketahui, maka diperlukan suatu agen berbasis logika. Logika sebagai Bahasa Representasi Pengetahuan memiliki kemampuan untuk merepresentasikan fakta sedemikian sehingga dapat menarik kesimpulan (fakta baru, jawaban). Sedangkan pengetahuan merupakan komponen yang penting, sehingga terdapat perbedaan jika diterapkan pada dua agent, yakni problem solving agent dan knowledge-based agent. 

Perbedaan dua agent, problem solving agent dan knowledge-based agent. Problem solving agent memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution (initial state, successor function, goal test) tetapi jika Knowledge-based agent lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai Hal-hal yang tidak diketahui sebelumnya (imprefect/ partial information). Tindakan yang paling baik untuk diambil (best action). 

1. KNOWLADGE BASE AGENT

Agen Berbasis Pengetahuan, Knowledge Base (KB) menyatakan apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB. Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB. Maka sebuah agen berbasis pengetahuan harus bisa mereprentasikan world, state, action, dst. Menerima informasi baru (dan meng-update representasinya). Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property).  Menyimpulkan action apa yang perlu diambil. 

Agen Berbasis Pengetahuan atau Knowledge Base (KB) merupakan Himpunan representasi fakta yang diketahui tentang lingkungannya. Tiap fakta disebut sebagai sentence. Fakta tersebut dinyatakan dalam bahasa formal sehingga bisa diolah, menambahkan sentence baru ke KB. Inference Engine merupakan menentukan fakta baru yang dapat diturunkan dari pengetahuan yang sudah ada dalam KB. 

Agen Berbasis Pengetahuan dalam representasi, agent dapat dipandang dari knowledge level. Apa saja informasi yang diketahui? Misal sebuah robot “mengetahui” bahwa gedung B di antara gedung A dan gedung C. Agent dapat dipandang dari implementation level Bagaimana representasi informasi yang diketahuinya? Logical sentence di_antara(gdB, gdA, gdC). Natural language “Gedung B ada di antara gedung A dan gedung C”. 

Agen Berbasis Pengetahuan, pilihan representasi berpengaruh terhadap apa yang bisa dilakukan inference engine. Pada pendekatan deklaratif programmer memberitahu agent informasi tentang environment. Kalau informasi kurang, agen bisa melengkapinya sendiri. Jika dibandingkan dengan pendekatan prosedural programmer secara eksplisit memrogram agen untuk bertindak. Sehingga bagaimana jika program tidak benar, maka akan besar kemungkinan menyebabkan kesalahan. 

Agen Berbasis Pengetahuan, permasalahannya adalah bagaimana representasi yang tepat, sehingga ada dua hal yang harus diperhatikan expressive bisa menyatakan fakta tentang environment, Tractable bisa mengolah/ memproses inference engine (dengan cepat). Knowledge merupakan power atau kekuatan dari pemrograman secara deklaratif. Representasi dan penalaran membentuk suatu Intelligence.

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. 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

Referensi
https://www.scribd.com/doc/195203215/Agen-Logika

Pencarian Berbentuk /heuristik search dan Eksplorasi

Nama          : Safira Regia Tama Basmalah

Kelas          : 3KA10

NPM           : 16115327

Dosen         : Essy Malays Sari Sakti

Strategi pencarian berbentuk

A* Search

Pencarian A*, seperti best-first search, mengevaluasi ruang pencarian menggunakan fungsi heuristik. Tapi A * menggunakan kedua biaya untuk mendapatkan dari keadaan awal ke keadaan saat ini (g (n)), serta perkiraan biaya (heuristik) dari jalur dari simpul saat ini ke tujuan (h (n)). Ini dijumlahkan ke fungsi biaya f (n). Pencarian A *, tidak seperti yang terbaik-pertama, optimal dan lengkap. Daftar OPEN dan CLOSED digunakan lagi untuk mengidentifikasi perbatasan untuk pencarian (daftar OPEN) dan nodul yang dievaluasi sejauh ini (TERTUTUP). Daftar OPEN diimplementasikan sebagai antrian prioritas yang dipesan dengan urutan f terendah (n). Apa yang membuat A * menarik adalah bahwa ia terus mengevaluasi ulang fungsi biaya untuk node saat ia menemukannya kembali. Hal ini memungkinkan A * untuk secara efisien menemukan jalur minimal dari keadaan awal ke keadaan sasaran. Sekarang mari kita lihat A * pada tingkat tinggi dan kemudian kita akan menggali lebih jauh dan menerapkannya pada masalah yang terkenal.

Pencarian Terbaik Pertama(Best First Search)

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 ini tial state ke current state

h’ = prakiraan cost dari current state ke goal state

Fungsi Heuristik

Fungsi heuristik digunakan untuk mengevaluasi keadaankeadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Algoritma pencarian lokal dan masalah optimisasi

Hill Climbing Search

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

Simulated Annealing Search

Simulated Annealing (SA) adalah algoritma
peningkatan iteratif lainnya dimana keacakan digabungkan untuk memperluas ruang
pencarian dan menghindari terjebak dalam minimum lokal. Sesuai dengan namanya,
algoritma mensimulasikan proses anil. Annealing adalah teknik dalam pengecoran
logam dimana logam cair dipanaskan dan kemudian didinginkan secara bertahap
untuk mendistribusikan molekul secara merata ke dalam struktur kristal. Jika
logam didinginkan terlalu cepat, struktur kristal tidak berakibat, dan padatan logam
lemah dan rapuh (telah dipenuhi dengan gelembung dan retakan). Jika didinginkan
secara bertahap dan terkendali, struktur kristal terbentuk pada tingkat
molekuler sehingga menghasilkan integritas struktural yang hebat. Algoritma
dasar untuk simulasi anil ditunjukkan pada. Kita mulai dengan kandidat solusi
awal dan loop sementara suhunya lebih besar dari nol. Dalam lingkaran ini, kita
menciptakan solusi kandidat yang berdekatan dengan mempertimbang solusi kita
saat ini. Ini mengubah solusi untuk solusi tetangga, tapi secara acak. Kami
kemudian menghitung energi delta antara solusi baru (berdekatan), dan solusi
kami saat ini. Jika energi delta ini kurang dari nol, solusi baru kita lebih
baik daripada yang lama, dan kita menerimanya (kita memindahkan solusi baru
yang berdekatan ke solusi kita saat ini).

Referensi

http://www.mediafire.com/file/sq6k4qs4tsz6sx2/buku12.pdf

Penyelesaian Masalah melalui Proses Pencarian / Searching

Nama : Safira Regia Tama Basmalah

Kelas  : 3KA10

NPM  : 16115327

Dosen: Essy Malays Sari Sakti

Metode Pencarian Terdapat banyak metode yang telah diusulkan. Semua metode yang ada dapat dibedakan ke dalam 2 jenis:

1.    Pencarian buta / tanpa informasi (blind / un-informed search)

2.    Pencarian heuristik / dengan informasi (heuristic atau informed search)

Setiap metode mempunyai karakteristik yang berbeda-beda dengan kelebihan dan kekurangan masing-masing.

1.    UNINFORMED SEARCH

Metode pencarian yang kurang informasi menawarkan berbagai teknik untuk grafik cari, masing-masing dengan kelebihan dan kekurangan tersendiri. Metode ini adalah dieksplorasi di sini dengan diskusi tentang karakteristik dan kompleksitasnya. Notasi Big-O akan digunakan untuk membandingkan algoritma. Notasi ini mendefinisikan batas atas asimtotik dari algoritma yang diberikan kedalaman (d) dari pohon dan faktor percabangan, atau rata-rata jumlah cabang (b) dari tiap simpul. Ada sejumlah kompleksitas umum yang ada algoritma pencarian Ini ditunjukkan pada Tabel 2.1. Tabel 2.1: Perintah umum fungsi pencarian.

Perintah O-Notasi

O (1) Konstan (terlepas dari jumlah nodus)

O (n) Linear (konsisten dengan jumlah node)

O (log n) Logaritma

O (n2) Kuadrat

O (cn) Geometrik

O (n!) Kombinatorial

Notasi Big-O menyediakan ukuran terburuk dari kompleksitas pencarian algoritma dan merupakan alat pembanding yang umum untuk algoritma. Kita akan membandingkan Algoritma pencarian menggunakan kompleksitas ruang (ukuran memori diperlukan selama pencarian) dan kompleksitas waktu (waktu terburuk yang dibutuhkan untuk mencari solusinya). Kami juga akan meninjau algoritma untuk kelengkapan (bisa Algoritma menemukan jalur ke simpul tujuan jika ada dalam grafik) dan optimalitasnya (temukan solusi biaya terendah yang tersedia).

A.  Kedalaman-Pertama Cari (DFS)

Algoritma Depth-First Search (DFS) adalah teknik untuk mencari a grafik
yang dimulai di root node, dan secara mendalam mencari setiap cabang ke
kedalaman terbesar sebelum mundur ke cabang yang sebelumnya belum dijelajahi.
Node ditemukan tapi belum ditinjau disimpan dalam antrian LIFO (juga dikenal
sebagai stack).

B.  Kedalaman-Terbatas Pencarian (DLS)

Depth-Limited Search (DLS) adalah modifikasi dari pencarian mendalampertama itu meminimalkan kedalaman algoritma pencarian. Selain mulai Denganakar dan simpul tujuan, kedalaman disediakan agar algoritma tidak turun di
bawah (lihat daftar 2.3). Setiap simpul di bawah kedalaman tersebut dihilangkandari pencarian. Modifikasi ini menjaga algoritma dari bersepeda tanpa batas
waktu dengan menghentikan pencarian setelah kedalaman yang telah ditentukan
sebelumnya.

C.  Iterative Deepening Search (IDS)

Iterative Deepening Search (IDS) adalah turunan dari DLS dan
menggabungkan fitur pencarian mendalam pertama dengan penelusuran luas pertama.
IDS beroperasi dengan melakukan pencarian DLS dengan kedalaman yang meningkat
sampai tujuan ditemukan.

D.  Breadth-First Search (BFS)

Dalam Breadth-First Search (BFS), kita mencari grafik dari root node di urutan jarak dari akar. Karena pencarian order paling dekat root, BFS dijamin untuk menemukan solusi terbaik (dangkal) dalam grafik non-tertimbang, dan karena itu juga lengkap. Alih-alih menggali jauh ke dalam grafik, maju lebih jauh dan lebih jauh dari akar (seperti halnya dengan DFS), BFS memeriksa setiap node yang terdekat dengan root sebelumnya turun ke tingkat berikutnya (lihat Gambar 2.14). Implementasi BFS menggunakan antrian FIFO (first-in-first-out) Berbeda dengan implementasi stack (LIFO) untuk DFS. Sebagai node baru ditemukan untuk dicari, node ini diperiksa terhadap tujuan, dan jika Tujuannya tidak ditemukan, node baru ditambahkan ke antrian. Untuk melanjutkan pencarian, simpul tertua adalah dequeued (urutan FIFO). Menggunakan perintah FIFO Untuk pencarian simpul baru, kami selalu memeriksa node tertua terlebih dahulu, sehingga menghasilkan
ulasan pertama.

E.   Bidirectional pencarian

Algoritma Search bidirectional adalah turunan dari BFS yang beroperasi
oleh melakukan dua pencarian pertama secara bersamaan, yang dimulai dari awal simpul
akar dan yang lainnya dari simpul tujuan. Saat keduanya mencari Bertemu di
tengah, jalan bisa direkonstruksi dari akar ke gawang. Pertemuan pencarian
ditentukan saat simpul umum ditemukan (sebuah simpul dikunjungi oleh kedua
pencarian, lihat Gambar 2.15). Hal ini dilakukan dengan menjaga daftar tertutup
dari node yang dikunjungi Pencarian dua arah merupakan ide yang menarik, namun
membutuhkan kita untuk mengetahui tujuan yang kami cari dalam grafik Hal ini
tidak selalu praktis, yang membatasi penerapan algoritma. Bila bisa ditentukan,
algoritma memiliki karakteristik yang bermanfaat. Kompleksitas waktu dan ruang
bidirectional Pencarian adalah O (bd / 2), karena kita hanya diminta untuk mencari
setengah dari kedalaman pohon. Karena didasarkan pada BFS, pencarian dua arah
keduanya lengkap dan optimal.

2.    INFORMED SEARCH

A.  BEST-FIRST SEARCH (BEST-FS)

Dalam pencarian Best-First, ruang pencarian dievaluasi menurut heuristik fungsi. Node yang belum dievaluasi disimpan dalam daftar OPEN dan yang itu yang telah dievaluasi disimpan dalam daftar CLOSED. Daftar OPEN adalah Diwakili sebagai antrian prioritas, sehingga nodus yang tidak dikunjungi dapat diwariskan dalam rangka fungsi evaluasi mereka (ingat antrian prioritas dari Bab 2 untuk Pencarian Biaya Seragam). Fungsi evaluasi f (n) terdiri dari dua bagian. Ini adalah fungsi heuristik (h (n)) dan taksiran biaya (g (n)), di mana

f (n) = g (n) + h (n)

Referensi
        http://www.mediafire.com/file/sq6k4qs4tsz6sx2/buku12.pdf

Pengenalan Kecerdasan Buatan/ Articial Intelligence (AI)

Nama : Safira Regia Tama Basmalah

Kelas : 3KA10

NPM : 16115327

Dosen: Essy Malays Sari Sakti

Untuk membangun perangkat lunak yang dianggap cerdas, ada baiknya memulai dengan definisi kecerdasan Kecerdasan bisa didefinisikan secara sederhana sebagai satu set sifat pikiran. Properti ini mencakup kemampuan untuk merencanakan, menyelesaikan masalah, dan secara umum, akal. Definisi yang lebih sederhana dari kecerdasaan yaitu, Kecerdasan adalah kemampuan untuk membuat keputusan yang tepat mengingat satu set input danberbagai kemungkinan tindakan.

Dengan menggunakan definisi kecerdasan sederhana ini (membuat keputusan yang tepat), Kita bisa menerapkan ini tidak hanya pada manusia, tapi juga hewan yang berprinsip rasional tingkah laku. Tapi kecerdasan yang dipamerkan oleh manusia itu banyak lebih kompleks dari pada binatang. Misalnya, manusia memiliki kemampuan untuk berkomunikasi dengan bahasa, tapi begitu juga beberapa binatang. Manusia juga bisa memecahkan masalah, tapi sama saja bisa dikatakan beberapa binatang. Satu perbedaan adalah bahwa manusia mewujudkan banyak aspek kecerdasan (kemampuan untuk berkomunikasi, memecahkan masalah, belajar dan beradaptasi) dimana hewan biasanya mewujudkan sejumlah kecil karakteristik cerdas, dan biasanya pada banyak hal tingkat lebih rendah dari manusia.

AI mempelajari bagaimana membuat komputer melakukan sesuatu pada suatu kejadian atau peristiwa yang mana orang melakukannya dengan baik.

1.    Pengertian AI

   Definisi AI   : merupakan proses dimana peralatan mekanik dapat melaksanakan kejadian-kejadian dengan menggunakan penikiran atau kecerdasan seperti manuisa.

2.      Pengertian AI ditinjau dari 2 pendekatan :

a.    Pendekatan Ilmiah

Pendekatan dasar ilmiah timbul sebelum invansi ke komputer, ini tidak sama dengan kasus mesin uap. pendekatan ilmiah melihat batas sementara dari komputer, dan dapat diatasi dengan perkembangan teknologi lanjutan. mereka tidak mengakibatkan tingkatan pada konsep.

b.    Pendekatan Teknik (An Engineering Approach)

Usaha untuk menghindari definisi AI, tetapi ingin mengatasi atau usaha untuk persoalan-persoalan dunia nyata.

3.    Mengapa kita mempelajari AI?

·      AI merepresentasikan namgiam tengah atau inti dari ilmu komunputer

·      AI mewujudkan suatu bentuk ketidaktepatan dari komputasi.

·      AI mempunyai suatu kekuatan alami antar cabang ilmu, AI adalah bagian ilmu teknik dari cognitive science, cognitive science adalah suatu perpaduan ilmu filsafat, ilmu liguistik, dan ilmu fisikologi.

·      Pengetahuan adalah pusat dari semua ilmu teknik dan AI adalah pusat dari semua ilmu teknik.

·      Alasan penting lainnya adalah penelitian AI diharapkan menemukan atau membongkar bentuk kritis besar dalam waktunya. kritis dibuat oleh onteraksi dari teknologi, ilmmiah, dan filsafat.

4.    Sejarah dari AI

Awal pekerajaan dipusatkan seperti geme plyaing, pembuktian teorema pada tugas-tugas formal. Samual(19963) menulis sebuah program yang diberi nama cheeck-er-playing program, yang tidak hanya untuk bermain game, tetapi digunakan juga pengalamannya pada permainan untuk medukung kemampuan sebelumnya.

Catur juga diterima, karen abanyak sekali perhatian terhadap permainan catur yang merupakan permainan yang lengkap atau kompleks, program catur disini situasinya harus jelas dan rule atau ketentuannya harus seperti didunia nyata. kandidat AI harus mampu menangani masalah-masalah yang sulit.

Logic theorist diawal percobaan untuk membuktikan teorema matematika. ia mampu membutikan beberapa teorema dari BAB 1 Prinsip Matematika Whiteheat dan Russell.

Theorema Gelerrnter (1963) membuktikan pencarian area yang lain dari matematika yaitu geometri. Pada tahun 1963, pemecahan masalah umum menggunakan object, pembuktian dengan atraksi(eksternal).

Referesnsi

http://www.mediafire.com/file/357y16504airong/buku1.pdf

http://umardanny.com/download/buku_AI.pdf