1. Pengenalan intelegensi Buatan

1.1 Intelegensi Buatan

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. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan. AI biasanya dihubungkan dengan Ilmu Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi, Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan pengetahuan dari semua bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam upaya menciptakan suatu kecerdasan buatan.

Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar.

Keuntungan Kecerdasan Buatan :

1. Kecerdasan buatan lebih bersifat permanen. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya.

2. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke orang lain butuh proses dan waktu lama. Disamping itu suatu keahlian tidak akan pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan terletak pada suatu sistem komputer, pengetahuan tersebuat dapat ditransfer atau disalin dengan mudah dan cepat dari satu komputer ke komputer lain

3. Kecerdasan buatan lebih murah dibanding dengan kecerdasan alami. Menyediakan layanan komputer akan lebih mudah dan lebih murah dibanding dengan harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.

4. Kecerdasan buatan bersifat konsisten. Hal ini disebabkan karena kecerdasan busatan adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah.

5. Kecerdasan buatan dapat didokumentasikan. Keputusan yang dibuat komputer dapat didokumentasikan dengan mudah dengan melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.

6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibanding dengan kecerdasan alami

7. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan alami.

Keuntungan kecerdasan alami:

1. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun

2. Kecerdasan alami 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.

Beberapa program AI (1956 – 1966)

-Logic Theorist, diperkenalkan pada Dartmouth Conference, dapat membuktikan teorema-teorema matematika •Sad Sam (Robert K Lindsay – 1960), dapat mengetahui kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban berdasarkan fakta yang didengar dalam sebuah percakapan •

-ELIZA diprogram Joseph Weizenbaum (1967), mampu memberi terapi terhadap pasien dengan memberikan beberapa pertanyaan

1.2 intelegensi Buatan dan Intelegensi Alami

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

Kecerdasan Alami adalah sifat pikiran yang mencakup sejumlah kemampuan, seperti kemampuan menalar, merencanakan, memecahkan masalah, berpikir abstrak, memahami gagasan, menggunakan bahasa, dan belajar yang terbentuk secara alami atau biasa disebut bakat. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung.

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.

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.

Lingkup utama kecerdasan buatan:

1. Sustem pakar. Komputer digunakan sebagai saran untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki para pakar

2. Pengolahan bahasa alami. Dengan pengolahan bahasa alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.

3. Pengenalan ucapan. Melalui pengenalan ucapan diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan suara.

4. Robotika dan Sistem sensor

5. Computer vision, mencoba untuk dapat mengintrepetasikan gambar atau objek-objek tampak melalui komputer

6. Intelligent Computer aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar

Definisi Masalah dan Ruang Masalah

Masalah biasanya dianggap sebagai suatu keadaan yang harus diselesaikan.^[2] Umumnya masalah disadari "ada" saat seorang individu menyadari keadaan yang ia hadapi tidak sesuai dengan keadaan yang diinginkan. Dalam beberapa literatur riset, masalah seringkali didefinisikan sebagai sesuatu yang membutuhkan alternatif jawaban, artinya jawaban masalah atau pemecahan masalah bisa lebih dari satu. Selanjutnya dengan kriteria tertentu akan dipilih salah satu jawaban yang paling kecil risikonya. Biasanya, alternatif jawaban tersebut bisa diidentifikasi jika seseorang telah memiliki sejumlah data dan informasi yang berkaitan dengan masalah bersangkutan.

INTELEGEN AGENTS

Pengertian sebuah AGENT adalah segala sesuatu yang dapat dipandang sebagaimana mengamati lingkungannya melalui sensor dan bertindak atas lingkungan yang melalui efektor. Agen manusia memiliki mata, telinga, dan organ lain untuk sensor, dan tangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Sebuah pengganti agen robot kamera dan berbagai pencari inframerah untuk sensor dan berbagai motor untuk efektor. Dapat digambarkan secara sederhana sebagai berikut:

Dalam kecerdasan buatan, intelligent agent (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas lingkungan (yaitu membutuhkan agen) dan mengarahkan aktivitasnya untuk mencapai tujuan yaitu rasional

Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Russell & Norvig (2003) mengartikan Rational Agent yang mengerjakan segala sesuatu hal dengan benar. Agen Intelligent menurut Nikola Kasabov adalah bahwa Agent harus menunjukkan karakteristik berikut.:

· mengakomodasi pemecahan masalah baru aturan bertahap

· beradaptasi online dan real time

· mampu menganalisis sendiri dalam hal perilaku, kesalahan dan kesuksesan.

· belajar dan meningkatkan melalui interaksi dengan lingkungan (perwujudan)

· belajar dengan cepat dari sejumlah besar data

· memiliki penyimpanan memori berbasis contoh dan kapasitas pengambilan

· memiliki parameter untuk mewakili umur pendek dan jangka panjang memori,,

Logical Agents

Logic merupakan jantung dari program, para pemrogram mempunyai keyakinan bahwa sebuah computer dapat dibuat mengerti logika, maka computer dapat dibuat untuk berfikir, karena logika kelihatannya menjadi inti dari kecerdasan.

1 Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible

2 Kita membutuhkan agen yang dapat menambah pengetahuan dan menyimpulkan keadaan

3 Agent yang akan membantu seperti ini kita beri nama knowledge based agent

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:

ž Untuk dapat menyusun sebuah knowledge based agent maka kita harus terlebih dulu bisa menyusun knowledge basenya itu sendiri.

ž Untuk menyusun knowledge base kita perlu menentukan bagaimana cara kita merepresentasikan pengetahuan kita (knowledge representation)

ž 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)”

P	Q	P^Q	P	PvQ	P Q	P Q	( PvQ)=(P Q)
T	T	T	F	T	T	T	T
T	F	F	F	F	F	F	T
F	T	F	T	T	T	F	T
F	F	F	T	T	T	T	T

Penggunaan dari propositional logic sebagai langkah atau cara mempresentasikan dari pengetahuan dunia yang diperlukan dari sebuah sistem yang sudah terorganisir (AI). Ekspresi-ekspresi dibentuk menurut semua tata bahasa sederhana, dan ekspresi yang sesuai dengan tata bahasa ini disebut well formed formulae (wffs). Tanda kurung digunakan untuk membuat kelas urutan dari penempatan nilai kebenaran, jika tidak yang lain jelas. Suatu well formed formulae merupakan salah satu proposisi atau akan memiliki salah satu bentuk seperti yang terlihat pada tabel diatas, dengan pernyataan berikut ini:

Jika P adalah sebuah wff maka not P ( P) juga suatu wff.

ika P dan Q adalah dua wffs, maka (gambar 1,1) :

Wff

( P)

(P^Q)

(PvQ)

(P Q)

Gambar 1.1

Predicate Calculus

Predicate calculus kadang disebut predicate logic adalah penyederhanaan ektensi.

Perbedaan dasar antara predicate logic dan propositional logic adalah, pemisahan attribute dari objek yang kemungkinan mailik attribute, yaitu dalam predicate calculus dimungkinkan untuk membentuk sebuah fungsi yang menentukan kesulitan sebuah objek yang diberikan. Dalam propositional logic, kita harus membentuk kalimat baru untuk setiap kasus.

Walaupun bentuk dari propotional logic dasar untuk kecerdasan dan bahasa computer, tetapi kita tidak dapat menggunakan bentuk ini dengan sendirinya untuk menyatakan pengetahuan manusia di dunia, karena bentuk ini kurang mampu untuk menunjukan hubungan antar-objek, bentuk ini terbatas hanya untuk penentuan kebenaran atau kesalahan dari sebuah contoh yang diberikan dan tidak dapat digunakan pada klasifikasi tertentu. Satu hal yang penting bahwa pradicate dapat memiliki beberapa argument. Kesimpulan dikatakann mengikuti secara logika dari dasar pikiran dan tergantung dari proposisi merupakan karakter monotic dari propositional dan predicate calculus.

Sebuah jalan yang tepat untuk menggambarkan persamaan logika dari jenis ini adalah sekumpulan production rules (yang mengkombinasikan dalam sebuah rule; forward dan backward) untuk memecahkan persoalan dalam propositional calculus. Untuk membuktikan sebuah ekspresi Q dari pemberian sebuah wff tunggal. Persamaan adalah langkah-langkah dalam sebuah agrumen gabungan dan setiap langkah adalah valid (benar)

Predicate calculus mempunyai keunggulan dalam pendefinisian sematik (arti kata), dan memiliki pembuktian kebenaran peraturan-peraturan kesimpulan dengan baik (inference rule). Dan predicate calculus juga merupakan salah satu dari skema yang digunakan dalam presentasi pengetahuan.

Dua perbedaan dalam symbolic logic:

1. propotional logic, bertransaksi atau berhubungan dengan nilai kebenaran atau kesalahan dari sebuah peryataan atau fakta yang ada di sekitar sekeliling kita.

2. predicate calculus, memasukan hubungan antara objek-objek dan kelas-kelas dari objek.

Karena itu, sistem formal yang memanipulasi kalimat-kalimat standar menurut ketentuan (rule) yang dispesifikasikan dengan baik dan mengizinkan beberapa jenis dari kesimpulan yang dibuat. Sebuah system merupakan kombinasi dari proposional logic atau proposonal calculus.

Agent harus memiliki kemampuan:

1. mewakili suatu kondisi, tindakan dll.

2. menerima masukan presepsi-presepsi baru

3. update representasi yang mendunia

4. mengambil kesimpulan dari property dunia yang tersembunyi

5. mengambil keimpulan dari suatu tindakan-tindakan yang tepat

Beberapa Jenis Logical Agents

Agen teknologi Logika membedakan dirinya dengan kesederhanaan, fleksibilitas dan kemampuan memperingatkan terintegrasi. Dengan fasilitas layanan mandiri yang sederhana, Agen Logic “RulePoint” dirancang untuk pengguna bisnis untuk menentukan aturan untuk peristiwa dan tindakan terkait. Dengan sifatnya yang fleksibel, Agen Logic “RuleCast” memungkinkan pengembang untuk membuat acara aturan Pengolahan Streaming untuk satu set beragam sumber data seperti antrian pesan, database, feed telemetri dan sistem kontrol. Selain itu, dengan kemampuan memperingatkan terintegrasi, Agen Logic ”Real-Time” memberikan intelijen tepat waktu mengenai peluang dan ancaman yang diidentifikasi oleh RulePoint. Bersama-sama, dengan arsitektur-event, portofolio produk Logic Agen memungkinkan organisasi untuk meraih kelincahan yang lebih besar.

Kombinasi Agen Logika dan Informatika akan memajukan teknologi kepemimpinan Informatika dalam dua cara yang mendasar. Pertama, kombinasi Agen Logic Kompleks Event Pengolahan dan Platform Informatika memungkinkan jenis lain dari proyek integrasi data yang lebih luas. Kedua, kombinasi dari Agen Logic Kompleks Event Pengolahan dan Informatica Identitas Resolusi mendukung identitas sadar pengolahan acara. Integrasi data aktif dan identitas-sadar pengolahan acara akan memungkinkan berbagai aplikasi di bidang jasa keuangan, kesehatan dan, khususnya, sektor publik.

Symbolic Logic

Symbolic logic dimulai dengan G.W. Leibniz (1646-1717), tetapi setelah ia meninggal dunia, kemudian seluruh lapangan tersebut di kendalikan lagi oleh, George Logic (1815-1864) dan logikanya yang dikenal booelan logic. Symbolic logic berinteraksi dengan konsep abstraksi kedalam symbol-simbol dan interkoneksi symbol-simbol oleh operator tertentu.

Contoh penggunaan symbolic logic:

If ——— P is True

Then—– P or Q is True

P or Q is False

Dari symbolic logic diatas P adalah simbolik dari contoh kalimat kita punya uang, yang mana bisa bernilai benar tau malah bisa bernilai salah, dan Q adalah dari contoh kaliamat kita punya kendaraan, bila sebaliknya tidak menggunakan atau tidak memiliki kendaraan berarti salah. Sehimgga pernyataan dicontoh bila Ia punya uang di OR kan dengan ia tidak punya kendaraan maka hasilnya ia tetap dating dan bernilai benar (true/T), karena ia masih bisa tetap berpergian walaupun ia tidak punya kendaraan tetapi ia bisa menggunakan uangnya untuk membayar sopir/angkot/taksi dll.

Bila dikenal operator logika AND, bila P = ia punya unag dan Q = ia tidak mempunyai kendaraan maka hasilnya akan salah (false/f) karena syaratnya ia jadi traktir kita bila benar-benar ia punya uang dan iya punya kendaraan untuk mengantarkan kita pada restoran tersebut.

Didalam konsep kecerdasan buatan logical agent sangat diperlukan dalam menghadapi serta membuat suatu masalah akan berhasil di pecahkan.

Logika Formal

Logika formal adalah salah satu bahasa untuk merepresentasikan informasi sehingga kesimpulan dapat diambil,

Sintaks mendefinisikan kalimat dalam bahasa. Semantik mendefinisikan “arti” dari kalimat
(kebenaran dari kalimat tersebut di dunia nyata)

Inferensi

1 Inferensi adalah proses penalaran yang kesimpulannya dijamin benar dalam dunia/realitas di mana basis pengetahuan yang digunakan benar.

2 Jika KB benar di dunia nyata, maka setiap kalimat a yang diturunkan
dari KB dengan metode inferensi yang sound juga benar di dunia nyata.

3 Jadi proses inferensi berkorespondensi langsung dengan hubungan yang terjadi di dunia nyata.

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 untukmerepresentasikan 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)

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).

Metode Pencarian dan Pelacakan

Metode pencarian buta (blind search)

Pencarian buta merupakan sekumpulan prosedur yang digunakan dalam melacak ruang keadaan. Pencarian berlangsung sampai solusi terakhir ditemukan. Idenya adalah menguji seluruh kemungkinan yang ada untuk menemukan solusi.

Pencarian Melebar Pertama (Breadth-First Search)

Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan sampai ditemukannya solusi.

Algoritma :

– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, diganti dengan anak-anaknya dan diletakkan di belakang 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 local

Pencarian Mendalam Pertama (Depth-First Search)

Pada Depth First Search, proses pencarian akan dilaksanakan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi.

Algoritma :

– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, node dihapus diganti dengan anak-anaknya dengan urutan LChild

– Bila node pertama = GOAL, selesai

Keuntungan :

– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan

– Menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

Kelemahan :

– Kemungkinan terjebak pada optimal lokal

– Hanya akan mendapatkan 1 solusi pada setiap pencarian

Pencarian dengan Mendaki Bukit (Hill Climbing Search)

Algoritma :

– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, node dihapus diganti dengan anak-anaknya dengan urutan yang paling kecil jaraknya

– Bila node pertama = GOAL, selesai

Keuntungan :

– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan

– Metode hill climbing search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

Kerugian :

– Algoritma akan berhenti kalau mencapai nilai optimum lokal

– Perlu menentukan aturan yang tepat

Pencarian dengan Best-First Search

Algoritma :

– Bila sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, node dhapus dan diganti dengan anak-anaknya. Selanjutnya keseluruhan node yang ada di Queu di-sort Ascending

– Bila node pertama = GOAL, selesai

Keuntungan :

– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan aktif saja yang dismpan

– Secara kebetulan, metode best first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

Kerugian :

– Algoritma akan berhenti kalau mencapai nilai optimum lokal

– Tidak diijinkan untuk melihat satupun langkah sebelumnya

PENCARIAN HEURISTIK

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian (pencarian yang lebih simple). Namun kemungkinan juga dapat mengngorbankan kelengkapan (complateness).
Fungsi Heuristik
Heuristic digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.
Jenis-jenis Pencarian Heuristik

– Generate and Test.
– Hill Climbing.
– Best First Search.
– Alpha Beta Prunning
– Simulated Annealing
Pembangkitan dan Pengujian (Generate and Test)

Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak kebelakang menuju pada suatu keadaan awal.
Algoritma:
1.Bangkitkan suatu kemungkinan solusi(membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal).
2.Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.
3.Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.
PENDAKIAN BUKIT (Hill Climbing)
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 lainnyayang mungkin.
Algoritma:
1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
a) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang : Cari operator yang belum digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
b) Evaluasi keadaan baru tersebut :
– Jika keadaan baru merupakan tujuan, keluar
– Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang,
maka jadikan keadaan baru tersebut menjadi keadaan sekarang.
– Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka
lanjutkan iterasi.
Pencarian Terbaik Pertama (Best-First Search)
Metode ini merupakan kombinasi dari metode depthfirst 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)
f’ = Fungsi evaluasi
g = cost dari initial state ke current state
h’ = prakiraan cost dari current state ke goal state
Simulated Annealing
Simulated annealing adalah salah satu algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses annealing, memberikan kesempatan pada atom-atom dalam materi itu untuk bergerak secara bebas, mengingat tingkat energi dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana energi internal yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum.
Alpha-Beta Pruning
Alpha beta pruning adalah prosedur untuk mengurangi jumlah perhitungan dan mencari selama minimax. Minimax adalah pencarian dua-pass, satu lulus digunakan untuk menetapkan nilai-nilai heuristik ke node pada kedalaman ply dan yang kedua digunakan untuk menyebarkan nilai-nilai sampai pohon.
Alpha-beta hasil pencarian secara mendalam-pertama. Sebuah nilai alpha adalah nilai awal atau sementara terkait dengan node MAX. Karena MAX node diberi nilai maksimum antara anak-anak mereka, nilai alpha tidak dapat menurunkan, hanya bisa naik.
Sebuah nilai beta adalah nilai awal atau sementara terkait dengan node MIN. Karena node MIN diberi nilai minimum antara anak-anak mereka, nilai beta tidak pernah dapat meningkatkan, hanya bisa turun.

Daftar pustaka

http://tioramadhani.blogspot.co.id/2015/04/algoritma-metode-pencarian-buta.html

https://rinnooberta.wordpress.com/2013/10/29/pencarian-heuristik/

Daftar pustaka

https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/

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

Daftar pustaka

http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html

Daftar pustaka
https://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan
http://nine-pro.blogspot.co.id/2015/01/kecerdasan-buatan-dan-kecerdasan-alami.html
http://sigitprabowoo.blogspot.co.id/2013/01/kecerdasan-buatan-sejarah-kecerdasan.html