Professional Documents
Culture Documents
KECERDASAN BUATAN
Artificial Intelligence
Referensi Utama
` Russell, Stuart; dan Norvig, Peter. 2003. Artificial
Intelligence A Modern Approach. International Edition,
Edisi 2. New Jersey: Pearson Prentice-Hall Education
International.
` Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik &
Aplikasinya). Yogyakarta: Graha Ilmu.
2/10/2010 2
Materi
` Pengertian
` Bagaimana AI bekerja?
` Hard Computing vs Soft Computing
` Kapan menggunakan AI?
2/10/2010 3
Pengertian
2/10/2010 4
Pengertian
2/10/2010 5
Sejarah
2/10/2010 6
Sejarah
` Tahun 1943-1956:
◦ Program catur pertama oleh
Shanon & Turing (1950)
◦ Deklarasi AI (1956) pada
Workshop Dartmouth oleh John
McCarthy
John McCarthy
(Stanford University )
2/10/2010 7
Sejarah
` Tahun 1956-1966
◦ Logic Theorist (mampu membuktikan teorema-
teorema matematika)
◦ Sad Sam, diprogram oleh Robert K. Lindsay (1960).
Program ini dapat mengetahui kalimat-kalimat
sederhana yang ditulis dalam bahasa Inggris dan
mampu memberikan jawaban dari fakta-fakta yang
didengar dalam sebuah percakapan.
◦ General Problem Solver
2/10/2010 8
Sejarah
` Tahun 1966 – 1979
◦ Program AI hanya bisa melakukan
manipulasi simbolik dan hanya bisa
memuat sedikit sekali pengetahuan.
◦ Problem AI yang akan dipecahkan tidak
mudah ditangani
◦ Sistem berbasis pengetahuan ->
terutama untuk sistem pakar:
x MYCIN
x DENDRAL
x PROSPECTOR
x XCON & XSEL
x FOLIO
x DELTA
2/10/2010 9
Sejarah
` Tahun 1980-sekarang:
◦ AI telah menjadi komoditi industri:
x R1 Sistem Pakar komersial pertama yg
dibuat oleh Digital Equipment Corporation
(DEC), 1982.
x Proyek “Generasi Kelima” , pembuatan
komputer cerdas dengan Prolog (Jepang),
1981.
x Daya jual produk AI: beberapa juta dolar
(1980) – mencapai $2 miliar (1988).
2/10/2010 10
Cabang-cabang AI
` Logical AI
◦ Logika (matematis) yang
merepresentasikan sekumpulan
fakta dan tujuan ---> RUANG
KEADAAN:
x Graph
x Tree
2/10/2010 11
Cabang-cabang AI
` Search
◦ Pencarian keadaan baru dari keadaan
sekarang yang akan menentukan
pergerakan:
x Blind Search
x Depth-First Search
x Breadth-Firsh Search
x Heuristic Search
x Generate & Test
x Hill Climbing
x Best-First search
x Simulated-Annealing
x Tabu Search
x Algoritma Genetika
2/10/2010 12
Cabang-cabang AI
` Representation
◦ Representasi fakta-fakta
(pengetahuan) dalam ruang
keadaan:
x Logika (proposisi & predikat)
x Tree
x Jaringan Semantik
x Frame
x Naskah
x Kaidah Produksi
2/10/2010 13
Cabang-cabang AI
` Pattern Recognition
◦ Pengenalan & pencocokan suatu
pola terhadap sekumpulan pola.
x Pengolahan Bahasa Alami
x Jaringan Syaraf Tiruan
2/10/2010 14
Cabang-cabang AI
` Inference
◦ Kemampuan untuk menarik
kesimpulan berdasarkan
pengetahuan.
x Forward Reasoning
x Backward Reasoning
x Fuzzy Inference System (FIS)
2/10/2010 15
Cabang-cabang AI
` Learning from Experience
◦ Melakukan proses pembelajaran
(pelatihan) dari pengetahuan atau
pengalaman yang ada pada basis
pengetahuan.
x Jaringan Syaraf Tiruan
2/10/2010 16
Cabang-cabang AI
` Cabang-cabang lain:
◦ Pengolahan bahasa alami (Natural
Language Processing)
◦ Robotika (robotics)
◦ Game playing
◦ Persepsi (vision and speech)
2/10/2010 17
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.
2/10/2010 18
Bagaimana AI bekerja?
ARTIFICIAL
INTELLIGENCE
Input: Output:
MASALAH SOLUSI
Knowledge Inference
Base Engine
2/10/2010 19
Analogi AI dan Kecerdasan Manusia?
` Basis Pengetahuan:
◦ Kumpulan pengetahuan & pengalaman
yang dimiliki oleh manusia.
◦ Contoh:
x Jika saya makan cabe > 5 buah, maka tidak
lama kemudian perut saya akan terasa sakit.
x Jika kuliah mulai jam 7, dan saya berangkat
dari rumah jam 6.45, maka saya akan
terlambat.
x Jika x=3.75, maka y=100.
2/10/2010 20
Analogi AI dan Kecerdasan Manusia?
` Inferensi:
◦ Kemampuan manusia untuk menalar
berdasarkan pengetahuan/pengalaman
yang dimiliki, apabila muncul suatu
fakta.
◦ Contoh:
x Pengetahuan:
x Jika saya makan cabe > 5 buah, maka tidak
lama kemudian perut saya akan terasa
sakit.
x Fakta:
x Saya baru saja makan cabe 15 buah.
x Kesimpulan:
x Tidak lama lagi perut saya akan sakit.
2/10/2010 21
Bentuk Penalaran
` Penalaran Deduktif
◦ Penalaran dimulai dari premis
yang bersifat umum, untuk
mendapatkan konklusi yang
khusus.
◦ Contoh:
x Premis1: Jika hari hujan, maka saya tidak
datang.
x Premis2: Hari ini turun hujan.
x Konklusi: Hari ini saya tidak datang.
2/10/2010 22
Bentuk Penalaran
` Penalaran induktif:
◦ Penalaran dimulai dari premis-premis
yang bersifat khusus, untuk
mendapatkan konklusi yang bersifat
umum.
◦ Contoh:
x Premis1: Ikan mujaer bernafas dengan insang.
x Premis2: Ikan mas koki bernafas dengan insang.
x Premis3: Ikan bawal bernafas dengan insang.
x Premis4: Ikan kakap bernafas dengan insang.
Premis5: Ikan paus bernafas dengan paru-paru.
x Konklusi: Ikan adalah hewan yang bernafas dg
insang
Konklusi kurang tepat!!!!!
2/10/2010 23
Teknik Pemecahan Masalah
Conventional Hard Computing
Logika penalaran
berbentuk simbol
Precise
Precise
Models
Models Pencarian & Pemodelan masalah
dilakukan secara
numeris (tradisional)
Soft Computing
Penalaran melalui
pendekatan
Approximate
Approximate
Models
Models
Pendekatan fungsional &
Pencarian random
2/10/2010 24
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.
2/10/2010 25
Komponen Soft Computing
` Approximate reasoning:
◦ Fuzzy System;
◦ Probabilistic Reasoning;
` Functional Approximation/
Randomized Search:
◦ Neural Network (Jaringan Syaraf)
◦ Evolutionary Algorithm (Algoritma
evolusioner).
2/10/2010 26
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.
2/10/2010 27
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
2/10/2010 28
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
2/10/2010 29
Probabilistic Reasoning
` Mengakomodasi adanya faktor
ketidakpastian.
` Teori-teori yang berkembang:
◦ Teorema Bayes
◦ Certainty Factor (statistic reasoning)
◦ Teorema Dempster-Shafer (statistic
reasoning)
2/10/2010 30
Hybrid System
` Setiap komponen dalam Soft
computing tidak saling
‘berkompetisi’, melainkan justru
saling ‘melengkapi’.
` Hybrid system merupakan
perpaduan antar komponen dalam
soft computing.
2/10/2010 31
Hybrid System
` Neuro-fuzzy Systems
` Fuzzy Neural Network
` Fuzzy Genetic Algorithms
` Neuro-genetic Systems
2/10/2010 32
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.
2/10/2010 33
Menggunakan AI: kapan?
f(x )= x 2 + 2x -3
120
100
80
60
y
40
20
m inim um
-20
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
2/10/2010 34
Menggunakan AI: kapan?
` 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.
2/10/2010 35
Menggunakan AI: kapan?
s in(x )c os (x )-2x + 3s in(x )ln(x )+ 5s in(2x 2 -5x )/c os (x 3 -2x )
300
200
y = 0, x dek at dengan 3
100
-100
y
-200
-300
-400
-500
-600
1 1.5 2 2.5 3 3.5 4 4.5 5
x
2/10/2010 36
Menggunakan AI: kapan?
` 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
2/10/2010 37
Menggunakan AI: kapan?
s in(x )c os (x )-2x + 3s in(x )ln(x )+ 5s in(2x 2 -5x )/c os (x 3 -2x )
300
200
100
-100
y
-200
-300
-400
-500
m inim um global
-600
1 1.5 2 2.5 3 3.5 4 4.5 5
x
2/10/2010 38
Bekal ilmu yang harus ‘disiapkan’ untuk lebih
memudahkan mempelajari Soft Computing:
KOMPUTASI NUMERIS
SOFT
COMPUTING
2/10/2010 39