Artificial Intelligence

uthie 1

Cabang-cabang AI

uthie 2

1. Logical AI

– Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN:

• Graph

• Tree

Cabang-cabang AI

2. Search

– Pencarian keadaan baru dari keadaan sekarang yang akan menentukan pergerakan:

• Blind Search

– Depth-First Search

– Breadth-Firsh Search

• Heuristic Search

– Generate & Test

– Hill Climbing

– Best-First search

– Simulated-Annealing

– Tabu Search

– Algoritma Genetika

Cabang-cabang AI

3. Representation

–Representasi fakta-fakta (pengetahuan) dalam ruang keadaan:

• Logika (proposisi & predikat)

• Tree

• Jaringan Semantik

• Frame

• Naskah

• Kaidah Produksi

Cabang-cabang AI

4. Pattern Recognition

–Pengenalan & pencocokan suatu pola terhadap sekumpulan pola.

• Pengolahan Bahasa Alami

• Jaringan Syaraf Tiruan

Cabang-cabang AI

5. Inference

–Kemampuan untuk menarik kesimpulan berdasarkan pengetahuan.

• Forward Reasoning

• Backward Reasoning

• Fuzzy Inference System (FIS)

Cabang-cabang AI

Learning from Experience

◦ Melakukan proses pembelajaran (pelatihan) dari pengetahuan atau pengalaman yang ada pada basis pengetahuan.

Jaringan Syaraf Tiruan

Bagaimana AI bekerja ?

Bagian terpenting AI:

◦ Knowledge base (basis pengetahuan), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.

◦ Inference engine, yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.

Bagaimana AI bekerja ?

Knowledge Base

InferenceEngine

Input:MASALAH

Output:SOLUSI

ARTIFICIAL INTELLIGENCE

Analogi dengan kecerdasan manusia

Basis Pengetahuan:

◦ Kumpulan pengetahuan & pengalaman yang dimiliki oleh manusia.

◦ Contoh:

Jika saya makan cabe > 5 buah, maka tidak lama kemudian perut saya akan terasa sakit.

Jika kuliah mulai jam 7, dan saya berangkat dari rumah jam 6.45, maka saya akan terlambat.

Jika x=3.75, maka y=100.

Analogi dengan kecerdasan manusia

Inferensi:◦ Kemampuan manusia untuk menalar berdasarkan

pengetahuan/pengalaman yang dimiliki, apabila muncul suatu fakta.

◦ Contoh:

Pengetahuan: Jika saya makan cabe > 5 buah, maka tidak lama kemudian perut

saya akan terasa sakit.

Fakta: Saya baru saja makan cabe 15 buah.

Kesimpulan: Tidak lama lagi perut saya akan sakit.

Bentuk penalaran

Penalaran Deduktif

◦ Penalaran dimulai dari premis yang bersifat umum, untuk mendapatkan konklusi yang khusus.

◦ Contoh:

Premis1: Jika hari hujan, maka saya tidak datang.

Premis2: Hari ini turun hujan.

Konklusi: Hari ini saya tidak datang.

Bentuk penalaran

Penalaran induktif:◦ Penalaran dimulai dari premis-premis yang bersifat

khusus, untuk mendapatkan konklusi yang bersifat umum.

◦ Contoh: Premis1: Ikan mujaer bernafas dengan insang.

Premis2: Ikan mas koki bernafas dengan insang.

Premis3: Ikan bawal bernafas dengan insang.

Premis4: Ikan kakap bernafas dengan insang.

Konklusi: Ikan adalah hewan yang bernafas dg insang

Premis5: Ikan paus bernafas dengan paru-paru.

Konklusi tidak benar!!!!!

Penalaran induktif sangat rentan terhadap ketidakpastian.

Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan disebut dengan “Penalaran Non Monotonis”.

Ciri-ciri dari Penalaran Non Monotonis adalah:◦ Mengandung ketidakpastian;◦ Adanya perubahan pada pengetahuan.◦ Adanya penambahan fakta baru dapat mengubah

konklusi yang sudah terbentuk.◦ Misalkan S adalah konklusi dari D, bisa jadi S tidak

dibutuhkan sebagai konklusi D + fakta-fakta baru.

Sedangkan Penalaran Monotonis memiliki ciri-ciri:◦ Konsisten;◦ Pengetahuannya lengkap.

Teknik Pemecahan Masalah AI

Conventional Hard Computing

Soft Computing

Precise Models

Logika penalaran berbentuk simbol

Pencarian & Pemodelan masalah dilakukan secara

numeris (tradisional)

Approximate Models

Penalaran melaluipendekatan

Pendekatan fungsional &Pencarian random

Soft Computing

Soft computing adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah.

Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun 1992.

Komponen Soft Computing

Approximate reasoning:

◦ Fuzzy System;

◦ Probabilistic Reasoning;

Functional Approximation/ Randomized Search:

◦Neural Network (Jaringan Syaraf)

◦ Evolutionary Algorithm (Algoritma evolusioner).

Sistem Fuzzy

• Konsepnya menggunakan teori himpunan.

• Menggunakan derajat keanggotaan fuzzy untuk menunjukkan seberapa besar suatu nilai masuk dalam suatu himpunan fuzzy.

• Bidang kajian:– Fuzzy Inference System

– Fuzzy Clustering

– Fuzzy Database

– Fuzzy Mathematical Programming

– Dll.

Jaringan Syaraf Tiruan

• Menggunakan algoritma pembelajaran untuk mendapatkan bobot-bobot yang optimum.

• Jenis pembelajaran: supervised learning, dan unsupervised learning.

• Algoritma pembelajaran yang sudah dikembangkan, dan paling sering diaplikasikan:– Perceptron– Radial Basis– Backpropagation (sederhana & lanjut)– Self Organizing – Learning Vector Quantization– dll

Algoritma Evolusioner

• Menggunakan pendekatan teori evolusi.

• Dipelopori oleh algoritma genetika.

• Terutama digunakan untuk optimasi.

• Algoritma yang sudah dikembangkan:– Algoritma Genetika

– Ant System

– Fish Schooling

– Bird Flocking

– Particle Swarm

Probabilistic Reasoning

• Mengakomodasi adanya faktor ketidakpastian.

• Teori-teori yang berkembang:

– Teorema Bayes

– Certainty Factor (statistic reasoning)

– Teorema Dempster-Shafer (statistic reasoning)

Hybrid System

• Setiap komponen dalam Soft computing tidak saling ‘berkompetisi’, melainkan justru saling ‘melengkapi’.

• Hybrid system merupakan perpaduan antar komponen dalam soft computing.

Beberapa Hybrid Systems

• Neuro-fuzzy Systems– Jaringan syaraf digunakan untuk

membangkitkan fungsi keanggotaan suatu sistem fuzzy.

– Jaringan syaraf digunakan secara serial dengan sistem fuzzy. Jaringan syaraf berperan pada saat preprocessing dan postprocessing.

– ANFIS (Adaptive Network-based Fuzzy Inference System). Jaringan syaraf digunakan untuk mengimplementasikan Fuzzy inference System.

Beberapa Hybrid Systems• Neural Fuzzy Systems

– Digunakan untuk akuisisi pengetahuan dan pembelajaran.

– Jaringan syaraf diinisialisasi dengan pengetahuan pakar dalam bentuk simbol, kemudian dilatih berdasarkan input-output sistem nyata.

– Pengetahuan dalam bentuk simbol yang diperoleh dari pelatihan tersebut kemudian direpresentasikan dalam logika fuzzy.

• Fuzzy Neural Network

– Lapisan-lapisan pada jaringan syaraf, melakukan operasi-operasi: fuzzifikasi dan defuzzy, dari input dan output crisp.

Beberapa Hybrid Systems

• Fuzzy Genetic Algorithms

– Kemampuan optimasi dari GA digunakan untuk memilih aturan-aturan terbaik untuk fuzzy inference system.

• Neuro-genetic Systems

– GA digunakan sebagai sarana untuk mengukur performansi pembelajaran dari jaringan syaraf.

Menggunakan AI, KAPAN ????

Masalah:◦ Carilah nilai minimum dari: y=x2+2x-3;

pada kawasan [-10 10].

◦ Dengan mudah dapat diselesaikan secara analitis.

◦ Solusi eksak, Nilai Minimum = -4, terletak pada x=-1.

Untuk masalah sederhana yang bisa diselesaikan secara analitis, selesaikanlah secara ANALITIS.

-10 -8 -6 -4 -2 0 2 4 6 8 10-20

0

20

40

60

80

100

120f(x)=x2+2x-3

x

y

minimum

Masalah:

◦ Carilah akar persamaan:

f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x2-5x) / cos(x3-2x),

dekat dengan 3.

◦ Sangat sulit untuk diselesaikan secara analitis, gunakan pendekatan METODE NUMERIS: (Metode biseksi, regulafalsi, secant, Newton).

◦ Hasil=3,0846.

1 1.5 2 2.5 3 3.5 4 4.5 5-600

-500

-400

-300

-200

-100

0

100

200

300sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x2-5x)/cos(x3-2x)

x

yy=0, x dekat dengan 3

Masalah:

◦ Carilah nilai minimum dari:

f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x2-5x) /cos(x3-2x),

dekat pada kawasan [1 5].

◦ Sangat sulit untuk diselesaikan secara analitis. Secara numeris memungkinkan, namun kumungkinan diperoleh nilai minimum lokal sangat tinggi. Cara terbaik gunakan pendekatan ARTIFICIAL INTELLIGENCE (Simulated Annealing, Algoritma Genetika).

◦ Nilai minimum=-547.3730, pada x=133

1 1.5 2 2.5 3 3.5 4 4.5 5-600

-500

-400

-300

-200

-100

0

100

200

300sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x2-5x)/cos(x3-2x)

x

y

minimum global

Bekal ilmu yang harus ‘disiapkan’ untuk lebih memudahkan mempelajari Soft Computing:

ALJABAR KALKULUS LOGIKA

KOMPUTASI NUMERIS

SOFTCOMPUTING