Kamis, 29 Desember 2016

RANGKUMAN BAB 9 - 12 SISTEM CERDAS

(9)
INFERENSI DALAM LOGIKA ORDER PERTAMA

·       Mengubah inferensi order pertama menjadi inferensi proposisi

KETERBATASAN LOGIKA PROPOSISI
- Perhatikan contoh berikut :

All men are mortal
Socrates is a man
__________________________
Therefore, Socrates is mortal

Misal : p = All men are mortal
q = Socrates is a man
r = Socrates is mortal
Skema argumennya menjadi : p, q; r

p
q
_______
 r

Bila dibuat tabel kebenaran, hasilnya invalid.
- Argumen invalid sering diinterpretasikan sebagai konklusi yang salah (walaupun beberapa orang berpendapat argumen itu dapat saja bernilai benar).
- Argumen yang invalid berarti argumen tersebut tidak dapat dibuktikan dengan logika proposisi.
- Keterbatasan logika proposisi dapat diatasi melalui logika predikat sehingga argumen tersebut menjadi valid.
- Kenyataannya, semua logika silogistik adalah subset yang valid dari logika proposisi urutan pertama.
Contoh :
If Socrates is a man, then Socrates is mortal
Socrates is a man
Therefore, Socrates is mortal
Misal:
 p = Socrates is a man
q = Socrates is mortal
Argumennya menjadi :

p  →q
p
_______________
q

Argumen di atas adalah silogistik yang valid, yaitu bentuk
modus ponens.

·        Generalized Modus ponens
Banyak teknik AI didasarkan pada logika predikat, diperpanjang dengan cara tertentu, menggunakan modus umum ponens sebagai aturan inferensi. Hal ini sederhana untuk program dan cukup kuat. Bahasa pemrograman Prolog didasarkan pada semacam logika ini.

·         FORWARD CHAINING DAN BACKWARD CHAINING
Metode forward Chaining

Kadang disebut:data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
Metode backward Chaining

Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backward chaining inference engine sering disebut: ‘Object-Driven/Goal-Driven‘.

Catatan: inference engine adalah bagian dari sistem pakar yang mencoba menggunakan informasi yang diberikan untuk menemukan objek yang sesuai. Inference engine mempunayi 2 kategori yaitu deterministic dan probabilistik. Sedangkan dasar untuk membentuk inference engine diantaranya: forward chaining, backward chaining dan rule value (merupakan pendahulu dari forward dan backward chaining).

Backward Chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan
kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran
hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Contoh forward dan backward chaining dikutip dari Idhawati Hestiningsih

R1 : IF suku bunga turun THEN harga obligasi naik
R2 : IF suku bunga naik THEN harga obligasi turun
R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
R4 : IF dolar naik THEN suku bunga turun
R5 : IF dolar turun THEN suku bunga naik

R6 : IF harga obligasi turun THEN beli obligasi


(10)

PENALARAN

·        KETIDAKPASTIAN

PENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY) KETIDAKPASTIAN (Uncertainity)
- Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan.

- Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita membuat suatu keputusan yang terbaik.

- Teori-teori yang berhubungan dengan ketidakpastian :

= Probabilitas Klasik
= Probabilitas Bayes
= Teori Hartley yang berdasarkan pada himpunan klasik
= Teori Shanon yang didasarkan pada peluang
=Teori Dempster-Shafer
= Teori Fuzzy Zadeh

- Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian :
= MYCIN untuk diagnosa medis
= PROPECTOR untuk ekplorasi mineral

·        PROBABILITAS

TEORI PROBABILITAS
- Teori formal probabilitas dibuat dengan menggunakan 3 aksioma

- Teori aksiomatik disebut juga objective theory of probability diperkenalkan oleh Kolmogorov, sedangkan teori aksiomatik probabiliti kondisional dibuat oleh Renyi.

PROBABILITY KLASIK
- Probability merupakan cara kuantitas yang berhubungan dengan ketidakpastian
- Teori probability diperkenalkan pada abad 17 oleh penjudi Perancis dan pertama kali diajukan oleh Pascal dan Fermat (1654)
- Prob. Klasik disebut juga dengan a priori probability karena berhubungan dg game atau sistem.

- Formula fundamental prob. Klasik

P = W / N
dimana :
W = jumlah kemenangan
N = jumlah kemungkinan kejadian yang sama pada percobaan

TEOREMA BAYES

- 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.

 Dari contoh kerusakan disket merk X dan bukan merk X :

-  (6) 75% kemungkinan disket merk X akan rusak dlm 1
tahun adalah.
-          (7) probabilitas disket merk bukan X rusak dalam 1
tahun 50%.
-         Pertanyaannya adalah : kita punya disket dan tidak tahu merk apa, bagaimana probabilitas kerusakannya jika merk X ? Atau merk bukan X ?

- Bentuk umum Teorema Bayes : P(Hi|E) = P(EÇHi)
                                                               å j P(EÇHj)
= P(E|Hi) P(Hi)
å j P(E|Hj) P(Hj)

 = P(E|Hi) P(Hi)
P(E)
·       FAKTOR KEPASTIAN
Faktor Kepastian (Certainty Factor)

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 :

-         kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah dibahas sebelumnya.

-         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.


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 teori matematika untuk pembuktian berdasarkan belief functions(fungsi kepercayaan) dan plausible reasonin (penalaran yang masuk akal). Digunakan untuk mengkombinasikan potongan informasi (fakta) yang terpisah untuk mengkalkulasi kemungkinan dari suatu peristiwa.Teori Dempster-Shafer adalah suatu teori matematika untuk pembuktian (Kusumadewi, 2003) 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.

Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. Secara umum teori Dempster-Shafer ditulis dalam suatu interval:
           Belief,Plausibility
Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Dimana nilai bel yaitu (0-0.9).
Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan-s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.

Contoh :
 Diketahui nilai belief  adalah 0,5 dan nilai plausibility adalah 0,8 untuk proposisi “the cat in the box is dead”
 Bel = 0,5
 Fakta yang mendukung proposisi tersebut memiliki nilai kepercayaan sebesar 0,5
  Pl = 0,8
  Fakta yang melawan proposisi tersebut hanya memiliki nilai kepercayaan sebesar 0,2

(11)
BAHASA PEMROGRAMAN UNTUK APLIKASI INTELEGENSI BUATAN

·         DASAR-DASAR PROLOG

Fakta dan Relasi

      Fakta Adalah suatu unit yang selalu bernilai benar,fakta ini merupakan kumpulan data-data objek. Suatu fakta dibedakan dalam 2 jenis, yaitu fakta yang menunjukan relasi dan fakta yang menunjukan milik/sifat, penulisan suatu fakta selalu di akhir dengan (.)

Contoh :

Fakta
Prolog
Slamet adalah ayah Amin
ayah (slamet, amin).
Anita adalah seorang wanita
wanita (anita).
Angga suka renang dan tenis
suka(angga,renang).dan suka(angga,tenis).
Jeruk berwarna jingga
jngga(jeruk).

Aturan (“Rules”)

      Aturan adalah suatu pernyataan yang menunjukan bagaimana fakta-fakta berinteraksi satu dengan yang lain untuk membentuk suatu kesimpulan. Sebuah aturan dinyatakan sebagai suatu kalimat bersyarat. Kata “if” adalah kata yang dikenal Prolog untuk menyatakan kalimat bersyarat atau disimbolkan dengan “:-“.
Contoh :

Fakta dan Aturan
Prolog
F : Tino suka apel
A : Yuli suka sesuatu yang disukai Tino
suka(tino, apel).
suka(yuli,Sesuatu) :-  suka(tino,Sesuatu).

Pertanyaan (“Query”)
Setelah memberikan data-data berupa fakta dan aturan, selanjutnya kita dapat mengajukan pertanyaan berdasarkan fakta dan aturan yang ada. Penulisannya diawali simbol “?-“ dan diakhiri tanda “.”.

Contoh :

Pertanyaan
Prolog dan Jawaban Program
Apakah Tini suka boneka ?
?- suka(tini,boneka).
Yes ……. (jika faktanya Tini suka boneka)
No……..…(jika tidak sesuai fakta).
Apakah yang disukai Tini ?
?- suka(tini,Apa).
Apa=boneka
Siapakah yang suka boneka ?
?- suka(Siapa,boneka).
Siapa=tini
Dari contoh silsilah keluarga di atas :
Siapakah kakek Budi ?


Siapakah cucu Slamet ?


?- kakek(Siapa,budi).
Siapa=slamet

?- kakek(slamet,Cucu).
Cucu=budi ;
Cucu=badu

(jika kemungkinan ada lebih dari satu jawaban gunakan tanda “;” pada akhir setiap jawaban).


·        STRUKTUR PROGRAM PROLOG

Dalam struktur program prolog terdapat 4 macam di antara nya adalah Domain,Predicate,Variable, dan goal.

Domain

                        Domain berfungsi untuk menyatakan jenis suatu variabel seperti hal nya tipe data dalam bahasa prosedural (Pascal,C) . beberapa domain standar dalam prolog diantara nya char,integer,real,string,symbol. Contoh :
namaBunga = symbol
mataKuliah = string
nilai = integer

- Domains char dipakai pada predikat yang argumennya memiliki nilai berupa karakter tunggal,  yaitu abjad,  angka,  pungtuasi (?.!,<,...), dan operasi (+,‐,...). Penulisan argumen bertipe char dalam prolog diapit tanda ’...’. contoh : nilai (dita, ’A’).

- Domains string dipakai pada predikat yang argumennya memiliki nilai berupa karakter jamak yang dapat berupa kata maupun suatu tulisan (kumpulan kata‐kata termasuk di dalamnya pungtuasi dan tanda operasi yang dapat dipisahkan spasi). Penulisan argumen bertipe string dalam prolog diapit tanda ”...”. contoh: hobi(rina,”Memasak”).

-Domains integer dipakai pada predikat yang argumennya memiliki nilai berupa bilangan bulat.
Contoh : nilai(tini,”Kalkulus”,75).

-Domains real dipakai pada predikat yang argumennya memiliki nilai berupa bilangan pecahan. Penulisan argumen bertipe real dalam prolog untuk nilai pecahan ditulis di belakang tanda titik (.). contoh: nilai(ivan, 8.75).

-Domains symbol dipakai pada predikat yang argumennya memiliki nilai berupa kumpulan karakter yang hanya terdiri dari huruf atau kata tanpa dipisahkan oleh spasi. Suatu kata  dapat disambungkan dengan kata lain dengan  tanda _ (underscore). contoh : lelaki(toni_setiawan).

Predicate

                        Dalam bahasa prolog kita perlu mendeklarasikan predikat yang ada pada bagian Predicates dan mendefinisikannya dalam bagian Clauses. Jika tidak, Prolog tidak akan mengenalnya. Namun untuk predikat standar seperti cursor, makewindow, readln, readchar dsb tidak perlu dideklarasikan.
Misalkan untuk domains seperti di atas dapat dibuat predicates
            Predicates
            menu(integer)
            data(NamaOrang, Alamat, Umur)
Deklarasi predicates dalam bagian predicates, harus disertai argumen jika memang berargumen. Nama predikat harus diawali dengan huruf, boleh besar atau kecil, selebihnya bisa huruf, angka, garis bawah, namun dianjurkan untuk dimulai dengan huruf kecil. Nama predikat tidak boleh mengandung spasi, tanda minus, asteris atau garis miring.

Variable
                        Variabel merupakan sebuah interpretasi yang digunakan untuk menemukan
nilai dari sebuah klausa. Variabel harus diawali dengan huruf besar. Contoh :

- suka(andi,X) .
            X = eskrim
- anakperempuan(lila, X).
            X = agus

Variabel yang memiliki beberapa value kamu dapat memunculkan nilai lain dengan
menekan tombol (;)

Deskripsi Rekrusif dari Sebuah Hubungan
Nah ini yang gak kalah penting, Rekursif ini digunakan untuk mencari seluruh dari
child dari sebuah tree. Intinya, misalkan terdapat sebuah keluarga terdapat kakek,
ayah, dan anak. Maka untuk mendapatkan seluruh keturunan dari kakek, yaitu kakek,
ayah, anak, anaknya anak dan seterusnya kita membutuhkan rekursif.




Representasinya seperti berkut
turunan(X,Y) :- antiturunan(Y,X).
turunan(X,Y) :- antiturunan(Y,Z), turunan(X,Z).

Goal

Goal dalam turbo Prolog ada 2 macam yakni :
a. Goal eksternal
b. Goal internal

            Goal eksternal diketikkan langsung pada bagian ‘goal’ : di jendela dialog pada kompiler terpadu Turbo Prolog. dengan cara ini kita hanya bisa menjalankan program dari lingkungan kompiler Turbo Prolog. Untuk dapat dijalankan di lingkungan DOS kita harus menggunakan goal internal yang di simpan pada bagian Goal. Sebenarnya goal inilah yang dicari dan dipanggil pada saat program dijalankan. Jika goal tercapai, program berhenti dengan berhasil, tapi jika sebaliknya, program berhenti dalam keadaan gagal.
Contoh :
            Predicates
                        tulis(string)
            Goal
                        tulis(X),
                        write(X).
            Clauses
                        tulis(“Bandung”).
                        tulis(“Yogya”).
                        tulis(“Jakarta”).
Program ini pertama akan memanggil goalnya, yang terdiri dari sub goal tulis dan write. Ini artinya, goal akan memanggil klausa tulis. Di bagian clauses, terdapat tulis yang berupa fakta. Prolog akan mencarinya dari paling atas, diperoleh tulis(“Bandung”). Ini berarti sub-goal tulis(X) berhasil dengan X terikat dengan nilai “Bandung”. Selanjutnya Prolog membuktikan sub-goal kedua yakni write(X). Ini pasti berhasil dan program berhenti. Jika goal diajukan dari luar (dari jendela Goal, goal internalnya dibuang), kemudian kita tuliskan : tulis(X) [enter], akan tertulis pada layar :
            X = Bandung
            X = Yogya
                 X = Jakarta

(12)
STUDI KASUS PROLOG

·       CONTOH PROGRAM SEDERHANA PROLOG



write(“Program Sederhana Prolog”),nl,nl,

write(“Masukkan nama : “), read(Nama),

write(Nama),nl,

write(“Masukkan kelas : “), read(_kelas),

write(_kelas),nl,nl,

write(“Menghitung Luas Persegi Panjang!”),nl,

write(“Masukkan panjang : “), read(P),

write(P),nl,

write(“Masukkan lebar : “), read(L),

write(L),nl,

LUAS is P*L,

write(“Luas Persegi Panjang = “),

write(LUAS).


SUMBER :







·       

Rabu, 16 November 2016

PRINT

PEMBUATAN APLIKASI TARI COKEK MENGGUNAKAN TEKNOLOGI  AUGMENTED REALITY BERBASIS ANDROID

LATAR BELAKANG
           
            Tari Cokek merupakan salah satu kesenian Indonesia yang berasal dari kabupaten Tangerang, Provinsi Banten. Tarian tradisional ini biasanya dilakukan  pada upacara adat, upacara ritual, maupun untuk hiburan. Tarian ini merupakan identitas seni budaya masyarakat Betawi yang harus dilestarikan.
            Seiring dengan perkembangan zaman, pengaruh era globalisasi menyebabkan masuknya nilai-nilai budaya asing yang berdampak pada  berkurangnya pengetahuan generasi muda. Hal ini mendorong penulis  yang juga merupakan salah satu generasi muda untuk membuat aplikasi tari Cokek, agar dapat ikut berperan dalam melestarikan salah satu warisan budaya nasional tersebut.
            Aplikasi tari Cokek ini dibuat dengan memanfaatkan sebuah teknologi yang dikenal sekarang ini, yaitu Augmented Reality. Teknologi ini merukapan salah satu bukti dari kemajuan IPTEK yang membuat masyarakat semakin mudah dalam mendapatkan informasi dengan lebih interaktif. Augment Reality(AR) merupakan teknologi yang dapat menggabungkan objek virtual/maya dalam bentuk tiga dimensi ataupun dua dimensi dengan lingkungan nyata secara real-time atau secara sederhana AR merupakan penggabungan antara objek virtual dan objek nyata secara real-time. Penyajian aplikasi dengan memanfaatkan teknologi ini dapat mengemas aplikasi lebih interaktif dan menarik bagi para penggunanya.





TUJUAN PENULISAN
            Tujuan penulisan ini adalah membuat aplikasi tari Cokek menggunakan teknologi Augmented Reality berbasis android dan menjadi alternative pilihan dalam memperkenalkan sekaligus dapat mempelajari tari Cokek dengan lebih interaktif. Aplikasi tari Cokek ini juga dibuat untuk melestarikan salah satu kebudayaan tarian tradisional Indonesia.
















Nah, apakah yang dimaksud dengan augmented reality?

Menurut Augmented Reality Indonesia, augmented reality (realitas bertambah) adalah teknologi yang menggabungkan benda maya (dua dimensi dan ataupun tiga dimensi) ke dalam sebuah lingkungan nyata tiga dimensi, lalu memproyeksikan benda-benda maya tersebut dalam waktu nyata. Tidak seperti realitas maya yang sepenuhnya menggantikan kenyataan, realitas tertambah sekedar menambahkan atau melengkapi kenyataan.

Sementara itu, Ronald T. Azuma dalam karya ilmiahnya yang berjudul A Survey of Augmented Reality (2007) menjelaskan bahwa augmented reality adalah teknologi yang menggabungkan obyek-obyek maya yang ada dan dihasilkan (generated) oleh komputer dengan benda-benda yang ada di dunia nyata sekitar kita, dan dalam waktu yang nyata. Pemahaman ini dikutip dari situs School of Computer Science Binus University.
Cara Kerja Augmented Reality
Pada umumnya, augmented reality dapat bekerja dengan baik melalui beberapa alat seperti:
1.      alat masukan (input device) dapat berupa kamera ponsel atau webcam;
2.      alat keluaran (output device) seperti monitor atau Head Mounted Display (HMD);
3.      alat pelacak (tracker) seperti GPS yang bertujuan agar benda maya tambahan berupa penanda (marker) yang dihasilkan berjalan secara real-time atau mungkin interaktif walaupun benda nyata yang menjadi induknya digeser-geser; dan
4.      komputer untuk menjalankan program augmented reality (AR) itu sendiri.
Augmented reality bekerja berdasarkan deteksi citra. Citra yang digunakan adalah marker. Prinsip kerjanya adalah kamera yang telah dikalibrasi akan mendeteksi marker yang diberikan, dalam arti mengenali dan menandai pola marker. Setelah itu, kamera akan melakukan perhitungan apakah marker sesuai dengan databaseyang dimiliki. Bila tidak, maka informasi marker tidak akan diolah. Sebaliknya, bila sesuai, informasi marker akan digunakan untuk me-render dan menampilkan obyek animasi 2D atau 3D yang telah dibuat sebelumnya.


Selasa, 15 November 2016

RANGKUMAN BAB 5 - 8 SISTEM CERDAS

Pencarian Heuristik (Heuristic Search)
• Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness).
• Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.
• Jenis-jenis Heuristic Searching:
– Generate and Test.
– Hill Climbing.
– Best First Search.
– Alpha Beta Prunning,Means-EndAnlysis,Constraint Satisfaction, Simulated Annealing, dll

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)
dimana f’ = Fungsi evaluasi
g = cost dari initial state ke current state
h’ = prakiraan cost dari current state ke goal state
Contoh : Misalkan kita memiliki ruang pencarian seperti pada gambar berikut. Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M dengannode A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h’ di node A merupakan hasil perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h’(n) bernilai ~ jika sudah jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita bisa merunut nilai untuk setiap node.


Reduksi Masalah
• Kebanyakan solusi menggunakan pohon OR, dimana lintasan dari awal sampai tujuan tidak terletak pada satu cabang.
• Bila lintasan dari keadaan awal sampai tujuan dapat terletak pada satu cabang, maka kita akan dapat menemukan tujuan lebih cepat.
• Graf AND-OR
• Graf AO*
Graf AND-OR
• Pada dasarnya sama dengan algoritma Best First Search, dengan mempertimbangkan adanya arc AND.
• Gambar berikut menunjukkan bahwa untuk mendapatkan TV orang bias dengan cara singkat yaitu mencuri atau membeli asal mempunyai uang.
• Untuk mendeskripsikan algoritma, digunakan nilai F_UTILITY untuk biaya solusi.
Goal :                                    Ingin Memiliki
Mencuri TV                       Punya Uang                     Membeli TV

Constraint Satisfaction
• Problem search standard :
– state adalah "black box“ – setiap struktur data yang mendukung fungsi successor, fungsi heuristik dan tes goal.
• CSP:
– state didefinisikan sebagai variabel Xi dengan nilai dari domain Di
– Tes goal adalah sekumpulan constraint yang menspesifikasikan kombinasi dari nilai subset variabel.
• Contoh sederhana adalah bahasa representasi formal.
• CSP ini merupakan algoritma general-purpose dengan kekuatan lebih daripada algoritma pencarian
standar.


Contoh : Pewarnaan Peta


• Variabel WA, NT, Q, NSW, V, SA, T
• Domain Di = {red,green,blue}
• Constraints : daerah yang bertetangga dekat harus memiliki warna yang
berbeda.
• Contoh WA ≠ NT, atau (WA,NT) {(red,green),(red,blue),(green,red), (green,blue),(blue,red),(blue,green)}
• Solusi lengkap dan konsisten, contoh : WA = red, NT = green,Q = red,NSW = green,V = red,SA = blue,T = green
MEA (Means-Ends Analysis)
• MEA adalah strategi penyelesaian masalah yang diperkenalkan pertama kali dalam GPS (General
Problem Solver) [Newell & Simon, 1963].
• Proses pencarian berdasarkan ruang masalah yang menggabungkan aspek penalaran forward dan
backward.
• Perbedaan antara state current dan goal digunakan untuk mengusulkan operator yang mengurangi
perbedaan itu.
• Keterhubungan antara operator dan perbedaan tsb disajikan sebagai pengetahuan dalam sistem (pada
GPS dikenal dengan Table of Connections) atau mungkin ditentukan sampai beberapa pemeriksaan
operator jika tindakan operator dapat dipenetrasi.
• Contoh OPERATOR first-order predicate calculus dan operator2 tertentu mengijinkan perbedaan korelasi
task-independent terhadap operator yang menguranginya.
• Kapan pengetahuan ada tersedia mengenai pentingnya perbedaan, perbedaan yang paling utama terpilih pertama lebih lanjut meningkatkan rata-rata capaian dari MEA di atas strategi pencarian Brute-Force.
• Bagaimanapun, bahkan tanpa pemesanan dari perbedaan menurut arti penting, MEA meningkatkan
metode pencarian heuristik lain (di rata-rata kasus) dengan pemusatan pemecahan masalah pada
perbedaan yang nyata antara current state dengan goal-nya. Teknik Pencarian Heuristik 25/25
Pengantar Kecerdasan Buatan (AK045218)

Pengetahuan (Knowledge) :
Definisi umum : fakta atau kondisi sesuatu atau keadaan yang timbul karena suatu pengalaman.
Cabang ilmu filsafat, yaitu
Epistemology, berkenaan dengan sifat, struktur dan keaslian dari knowledge.AA

A Priori Knowledge
•Berarti yang mendahului (pengetahuan datang sebelumnya dan bebas dari arti)
• Kebenaran yang universal dan tidak dapat disangkal tanpa kontradiksi
• Contoh : pernyataan logika, hukum matematika

A Posteriori Knowledge
• Knowledge yang diturunkan dari akal pikiran yang sehat.
• Kebenaran atau kesalahan dapat dibuktikan dengan menggunakan pengalaman akal sehat.
• Contoh : bola mata seseorang berwarna biru, tetapi ketika orang tersebut mengganti contactensnya, bisa jadi bola matanya menjadi berwarna hijau.
I.1 Kategori Knowledge

• Procedural Knowledge
Bagaimana melakukan sesuatu

• Declarative Knowledge
 Mengetahui sesuatu itu benar atau salah

Tacit Knowledge
 Tidak dapat diungkapkan dengan Knowledge pada Sistem Pakar Analogi dengan ekspresi klasik Wirth:
ALGORITMA + STRUKTUR DATA = PROGRAM
Knowledge pada Sistem Pakar :
KNOWLEDGE + INFERENSI = SP

I.2 Hirarki Knowledge

Aturan Produksi
Sering digunakan untuk merepresentasikan pengetahuan pada Sistem Pakar.

• Bentuk formalnya Backus

-Naus Form (BNF),
1. untuk mendefinisikan sintaks bahasa
2. suatu grammar haruslah lengkap dan unambiguous set dari aturan produksi untuk bahasayang spesifik
3. parse tree adalah representasi grafis dari kalimat pada suatu bahasa
4. deskripsi sintaks tersedia dalam bahasa
5. tidak semua kalimat adalah benar

• Keuntungan Aturan Produksi :
 – sederhana dan mudah dipahami
 – implementasi secara straightforward sangat dimungkinkan dalam computer
 –dasar bagi berbagai variant

• Kelemahan Aturan Produksi :
 –implementasi yang sederhana sering menyebabkan inefisien
 –beberapa tipe pengetahuan sulit direpresentasikan dalam aturan produksi.

Jaringan Semantik

• Dibangun oleh M.R.Quillian, sebagaimodel memori manusia.
• Representasi grafis dari informasi Propositional.
• Proposisi adalah pernyataan yang dapat bernilai benar atau salah.
• Disajikan dalam bentuk graf berarah
• Node merepresentasikan konsep, objek atau situasi :
 – Label ditunjukkan melalui penamaan
 – Node dapat berupa objek tunggal atau kelas
• Links merepresentasikan suatu
 hubungan :
 – Links adalah struktur dasar untuk pengorganisasian pengetahuan
 – Contoh jaringan semantic

• Tipe link : 

 –IS-A (ISA) berarti “contoh dari” dan merupakan anggota tertentu dari kelas.

 –A KIND OF (AKO) berarti “jenis dari” dan
 merelasikan antara suatu kelas dengan kelas lainnya. AKOmerelasikan kelas individu ke kelas induk dari kelas-kelas dimana individu tersebut merupakan kelasanak.

 – HAS-A berarti “mempunyai” yang merelasikan  suatu kelas menjadi subkelas. HAS-A berlawanandengan AKO dan sering digunakan untuk merelasikan suatu objek ke bagian dari objek.

Triple Obyek-Atribut-Nilai

Ada 3 hal yaitu OBJECT, ATTRIBUTE, VALUE (OAV) Triplet, yang sering digunakan untuk membangun jaringan semantic.
OBJECT : dapat berupa fisik atau konsepsi

ATTRIBUTE : karakteristik objek

VALUE : ukuran spesifik dari atribut dalam situasi tertentu.
Contoh :

Frame
Frame (Minsky, 1975) dipandang sebagai struktur data static yang digunakan untukmerepsentasi-kan situasi-situasi yang telah dipahami dan stereotype.Frame digunakan untuk merepresentasikan pengetahuan stereotype atau pengetahuan yangdidasarkan kepada karakteristik yang sudah dikenal yang merupakan pengalaman masa lalu.Frame berupa kumpulan slot-slot (representasi entitas sebagai struktrur objek) yangmerupakan atribut untuk mendeskripsikan pengetahuan berupa kejadian, lokasi, situasi ataupunelemen-elemen lain. Frame digunakan untuk representasi pengetahuan deklaratif.

Contoh 1 :

III.1 Frame Pohon
Spesialisasi dari : Tumbuhan
Jumlah batang : integer (default 1)
Jenis kulit : halus
Model daun : jenis pohon jarum, berganti daun
Bentuk daun : sederhana, berlekuk, campuran

III.2 Frame Pohon Perdu
Spesialisasi dari : Pohon
Jumlah batang : 3
Jenis kulit : halus
Model daun : berganti daun
Bentuk daun : sederhana, berlekuk Representas

Script
• Script (Schank & Abelson, Yale univ) merupakan representasi terstruktur yang menggambarkan urutan stereotip dari kejadian-kejadian dalam sebuah konteks khusus.
• Script mirip dengan frame, perbedaannya : Frame menggambarkan objek, sedangkan Script menggambarkan urutan peristiwa.
• Dalam menggambarkan urutan peristiwa, script menggunakan serangkaian slot yang berisi informasi tentang orang, objek dan tindakan-tindakan yang terjadi dalam suatu peristiwa.
• Elemen script yang tipikal :

 – Kondisi masukan : menggambarkan situasi yang harus dipenuhi sebelum terjadi suatu peristiwayang ada dalam script.
 – Prop : mengacu kepada objek yang digunakandalam urutan peristiwa yang terjadi.
 – Role : mengacu kepada orang-orang yang terlibat dalam script.
 – Hasil : kondisi yang ada sesudah peristiwa dalam script berlangsung.
 – Track : mengacu kepada variasi yang mungkin terjadi dalam script tertentu.
 – Scene : menggambarkan urutan peristiwa aktural yang terjadi.Contoh : Script pergi ke restoranSCRIPT RestoranJalur (track) : fast food restoranPeran (roles) : tamu, pelayanPendukung (prop) : conter, baki, makanan, uang, serbet, garam, merica, kecap, sedotan, dllKondisi masukan : tamu lapar
 –tamu punya uang

Adegan (scene) 1 : Masuk
 – Tamu parkir mobil
 – Tamu masuk restoran
 – Tamu antri
 – Tamu baca menu di list menu dan mengambil keputusan tentang apa yang akan diminta

Adegan (scene) 2 : Pesanan
 – Tamu memberikan pesanan pada pelayan
 – Pelayan mengambil pesanan dan meletakkan makanan di atas baki
 –Tamu membayar

Adegan (scene) 3 : Makan
 – Tamu mengambil serbet, sedotan, garam, dll
 –Tamu makan dengan cepat

Adegan (scene) 4 : Pulang
 – Tamu membersihkan meja
 – Tamu membuang sampah
 – Tamu meninggalkan restoran
 – Tamu naik mobil dan pulang

Hasil
 – Tamu merasa kenyang
 –Tamu senang
 – Tamu kecewa
 – Tamu sakit perutRepresentasi

Keistimewaan Script :
• Script menyediakan beberapa cara yang sangat alami untuk merepresentasikan “suatu informasi”yang lazim” dengan masalah yang bersumber dari sistem AI dari mula.
• Script menyediakan struktur hirarki untuk merepresentasikan inforamsi melalui inklusi subscriptdengan sript.

Logika dan Set Jaringan

Representasi pengetahuan dengan symbol logika merupakan bagian dari penalaran eksak. Bagian yang paling penting dalam penalaran adalah mengambil kesimpulan dari premis. Logika dikembangkan oleh filusuf Yunani, Aristoteles (abad ke 4 SM) didasarkan pada silogisme, dengan dua premis dan satu konklusi.
Contoh :
– Premis : Semua laki-laki adalah makhluk hidup
– Premis : Socrates adalah laki-laki
– Konklusi : Socrates adalah makhluk hidup
Cara lain merepresentasikan pengetahuan adalah dengan Diagram Venn.
Diagram Venn merepresentasikan sebuah himpunan yang merupakan kumpulan objek. Objek dalam himpunan disebut elemen.

A ={1,3,5,7} ,  B = {….,-4,-2,0,2,4,…..} ,  C = {pesawat, balon}
Symbol epsilon ε menunjukkan bahwa suatu elemen merupakan anggota dari suatu himpunan, contoh : 1 ε A . Jika suatu elemen bukan anggota dari suatu himpunan maka symbol yang digunakan ∉, contoh : 2 ∉ A. Jika suatu himpunan sembarang, misal X dan Y didefinisikan bahwa setiap elemen X merupakan elemen Y, maka X adalah subset dari Y, dituliskan : X ⊂ Y atau Y ⊃ X.

Logika Proposisi
- Disebut juga kalkulus proposisi yang merupakanlogika simbolik untuk memanipulasi proposisi.
- Proposisi merupakan pernytaan yang dapat bernilaibenar atau salah.
- Operator logika yang digunakan :
(  ˄  )      Konjungsi (AND/DAN)
( ˅ )        Disjungsi (OR/ATAU)
(    ̴ )       Negasi (NOT/TIDAK)
(  →)       Implikasi/Kondisional (IF…THEN…./ JIKA… MAKA ….)
(  ↔  )   Equivalensi/Bikondisional
- Tautologi : pernyataan gabungan yang selalubernilai benar.
- Kontradiksi : pernyataan gabungan yang selalubernilai salah.
- Contingent : pernyataan yang bukan tautologyataupun kontradiksi.

Logika Proposisi
Logika Proposisi disebut juga kalkulus proposisi yang merupakan logika simbolik untuk memanipulasi proposisi. Proposisi merupakan pernytaan yang dapat bernilai benar atau salah
.
 SEJARAH RESOLUSI
Teknik resolusi diperkenalkan oleh J.A.Robinson pada tahun 1965.Teknik ini sebenarnya tidak dapat digunakan dengan mudah karena harus melalui beberapa tahap  dan setiap tahap tersebut memerlukan pengertian-pengertian dasar dari logika matemati Sebelum resolusi diterapkan, wff harus berada dalam keadaan normal (bentuk standar) yaitu hanya menggunakan V.

PENGERTIAN RESOLUSI
Resolusi merupakan kaidah inferensi utama dalam bahasa PROLOG.PROLOG menggunakan notasi “quantifier-free”.PROLOG didasarakan pada logika predikat urutan pertama.Sebelum resolusi diaplikasikan, wff harus berada dalam bentuk normal atau standard.
Tiga tipe utama bentuk normal :
1.         conjunctive normal form
2.         clausal form
3.         subset Horn clause.

            Dari pengertian dasar logika matematika tersebut,teknik resolusi tersusun secara bertahap sampai dengan proses resolve, yakni menghapus literal berpasangan yang asa pada setiap klausa untuk menghasilkan resolvent atau klausa hasil proses resolve. Dan dilakukan secara terus menerus sampai menghasilkan falsum.
Resolusi diaplikasikan ke dalam bentuk normal wff dengan menghubungkan seluruh elemen dan quantifier yang dieliminasi.
.Resolusi pada Logika Proposisi
Menggunakan resolusi yaitu suatu teknik pembuktian yang lebih efisien, sebab fakta-fakta yang akan dioperasikan terlebih dahulu dibawa ke bentuk standar yang sering disebut dengan nama klausa.Pembuktian suatu pernyataan menggunakan resolusi ini dilakukan dengan cara menegasikan pernyataan tersebut, kemudian dicari kontradiksinya dari pernyataan-pernyataan yang sudah ada.

Representasi Pengetahuan : LOGIKA

Logika Predikat Order Pertama
• Disebut juga kalkulus predikat, merupakan logikayang digunakan untuk merepresentasikanmasalah yang tidak dapat direpresentasikandengan menggunakan proposisi.

• Logika predikat dapat memberikan representasifakat-fakta sebagai suatu pernyataan yang mapan(well form).

• Syarat-syarat symbol dalam logika predikat :
– himpunan huruf, baik huruf kecil maupun hurufbesar dalam abjad.
– Himpunan digit (angka) 0,1,2,…9
– Garis bawah “_”
– Symbol-simbol dalam logika predikat dimulaidengan sebuah huruf dan diikuti oleh sembarangrangkaian karakter-karakter yang diijinkan.
– Symbol-simbol logika predikat dapatmerepresentasikan variable, konstanta, fungsi atau predikat.
·        Konstanta : objek atau sifat dari semesta pembicaraan. Penulisannya diawali dengan huruf kecil, seperti : pohon,tinggi. Konstanta true (benar) dan false (salah) adalah symbol kebenaran (truth symbol).

• Variable : digunakan untuk merancang kelas objek atau sifat-sifat secara umum dalam semesta pembicaraan. Penulisannya diawali dengan huruf besar, seperti : Bill,Kate.

• Fungsi : pemetaan (mapping) dari satu atau lebih elemen dalam suatu himpunan yang disebut domain fungsi ke dalam sebuah elemen unik pada himpunan lain yang disebut range fungsi. Penulisannya dimulai dengan huruf kecil. Suatu ekspresi fungsi merupakan symbol fungsi yang diikuti argument.

• Argument adalah elemen-elemen dari fungsi, ditulis diapit tanda kurung dan dipisahkan dengan tanda koma.

• Predikat : menamai hubungan antara nol atau lebih objek dalam semesta pembicaraan. Penulisannya dimulai dengan huruf kecil, seperti : equals, sama dengan, likes, near.

• Contoh kalimat dasar : teman(george,allen) teman(ayah_dari(david),ayah_dari(andrew)) dimana :
argument : ayah_dari(david) adalah george
argument : ayah_dari(andrew) adalah allen
predikat : teman

Universal Quantifier

• Menunjukkan semua kalimat adalah benar untuk semua nilai variabelnya.

• Direpresentasikan dengan symbol ∀ diikuti satu atau lebih argument untuk suatu domain variable.

• Symbol ∀ diinterpretasikan “untuk setiap” atau “untuk semua”.

Existensial Quantifier

• Menunjukkan semua kalimat adalah benar untuk suatu nilai tertentu dalam sebuah domain.

• Direpresentasikan dengan symbol ∃ diikuti satu atau lebih argument.

• Symbol ∃ diinterpretasikan “terdapat” atau “ada”, “paling sedikit satu”, “terdapat satu”, “beberapa”.

RESOLUSI LOGIKA PREDIKAT

Resolusi pada logika predikat pada dasarnya sama dengan resolusi pada logika proposisi, hanya saja ditambah dengan unufikasi. Pada logika predikat, prosedur untuk membuktikan pernyataan P dengan beberapa pernyataan F yang telah diketahui, dengan menggunakan resolusi, dapat dilakukan melalui algoritma sebagai berikut:

1. Konversikan semua proposisi F ke bentuk klausa.
2. Negasikan P, dan konversikan hasil negasi tersebut ke bentuk klausa. Tambahkan ke himpunan klausa yang telah ada pada langkah 1.
3. Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan:
a. Seleksi 2 klausa sebagai klausa parent.
b. Bandingkan (resolve) secara bersama-sama. Klausa hasil resolve tersebut dinamakan resolvent. Jika ada pasangan literal T1 dan T2 sedemikian hingga keduanya dapat dilakukan unifikasi, maka salah satu T1 atau T2 tidak muncul lagi dalam resolvent. T1 dan T2 disebut sebagai complementary literal. Jika ada lebih dari 1 complementary literal, maka hanya sepasang yang dapat meninggalkan resolvent.
c. Jika resolvent berupa klausa kosong, maka ditemukan kontradiksi. Jika tidak, tambahkan ke himpunan klausa yang telah ada.

Contoh :
Misalkan terdapat pernyataan-pernyataan sebagai berikut :
1. Andi adalah seorang mahasiswa.
2. Andi masuk Jurusan Elektro.
3. Setiap mahasiswa elektro pasti mahasiswa teknik.
4. Kalkulus adalah matakuliah yang sulit.


SUMBER :