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 : 


Kamis, 06 Oktober 2016

SISTEM CERDAS BAB 1 - 4

(1) PENGENALAN INTELEGENSI BUATAN

·        DEFINISI KECERDASAN BUATAN

Kecerdasan buatan atau artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia (Buku Sri Kusumadewi).

·        KECERDASAN BUATAN DENGAN KECERDASAN ALAMI

(Kecerdasan Alami : kecerdasan yang dimiliki oleh manusia.)

Keuntungan kecerdasan buatan secara komersil :
1.Kecerdasan buatan lebih bersifat permanen.
2.Kecerdasan buatan lebih mudah diduplikasi & disebarkan
3.Kecerdasan buatan lebih murah 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.

·        ·        Komputasi intelegensi buatan dan konvensional


Komputasi Konvensional
Komputasi Kecerdasan Buatan
Format keluaran berupa bit, byte, angka, dan fungsi
Hubungan simbol, konsep, dan aturan-aturan
Menggunakan algoritma prosedural yang menyelesaikan problem
Bahasa deskriptif (menguraikan fakta-fakta yang diketahui dan hubungan)
Menggunakan tahap-tahap urutan tertentu untuk penyelesaian (algoritma).
Penggunaan search untuk menemukan penyelesaian (heuristik).
Kesimpulan (conclusion)-nya bersifat determistik.
Tidak tahu apakah algoritma memusat (converge).
Tipe data : angka dan karakter
Tipe data : atom, obyek, list (program)
Perlu deklarasi awal dan tipe variabel
Tidak perlu deklarasi awal atau tipe data (variabel tipe-tipe tertentu dapat dapat dibuat apabila ia diperlukan selama proses penyelesaian)
Dimensi variabel yang tetap
Dimensi struktur data dapat tumbuh atau menyusut selama proses
Representasi informasi yang eksak
Representasi informasi yang tidak eksak
Jawaban yang eksak
Jawaban yang memuaskan






·        SEJARAH KECERDASAN BUATAN

Uji Turing (Turing Test) oleh Alan Turing tahun 1950-an : Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia).
Seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Dartmouth Conference yang dihadiri oleh para peneliti AI. Pada koferensi tersebut juga didefinisikan tujuan utama dari kecerdasan buatan, yaitu: mengetahui dan memodelkan proses-proses berfikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut.
Beberapa program AI yang mulai dibuat pada tahun 1956-1966, antara lain:
1.Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika.
2.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.
3.ELIZA, diprogram oleh Joseph Weizenbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan

·        LINGKUP KECERDASAN BUATAN PADA APLIKASI KOMERSIAL

Lingkup utama dalam kecerdasan buatan adalah:
1.Sistem Pakar (Expert System). Disini komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar.
2.Pengolahan Bahasa Alami (Natural Language Processing). Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.
3.Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.
4.Robotika & Sistem Sensor (Robotics & Sensory Systems).
5.Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau obyek-obyek tampak melalui komputer.
6.Intelligent Computer-aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.
7.Game Playing.

·        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.
Unsur Pokok dalam Soft Computing :
1.Sistem Fuzzy (mengakomodasi ketidaktepatan);
2.Jaringan Syaraf (menggunakan pembelajaran);
3.Probabilistic Reasoning (mengakomodasi ketidakpastian);
4.Evolutionary Computing (optimasi).
Keempat unsur tesebut bukan merupakan pesaing antara satu dengan lainnya, namun diantaranya bisa saling melengkapi. Sehingga, Zadeh juga mendefinisikan bahwa soft computing itu merupakan hubungan antara logika fuzzy, neuro-computing, probabilistic reasoning, dan algoritma genetik.




(2) PENGENALAN INTELLIGENT AGENTS

·        AGENT dan LINGKUNGANNYA
Agents adalah segala sesuatu yang dapat melihat/ mengartikan/ mengetahui (perceiving) linkungannya melalui alat sensor (sensors) dan bertindak (acting) melalui alat aktuator (actuators).
Manusia sebagai agent : mata, telinga dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators.
Robot sebagai agent : kamera dan pejejak infra merah sebagai sensors; berbagai motor pengerak sebagai actuators.
 Software sebagai agent : tekanan pada keyboard, isi file dan paket paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators.
Fungsi agent adalah pemetaan dari urutan persepsi (percept) menjadi tindakan (actions)
Program agent berjalan pada arsitektur fisik untuk menghasilkan fungsi agent (f) agent = architecture + program.

·        KONSEP RASIONALITAS

 #  Rational agent adalah agent yang melakukan sesuatu yang benar

Pengukur kemampuan haruslah objektif
 (contoh : Vacuumcleaner world)
– Jumlah debu yang dapat dibersihkan pada waktu tertentu
– Seberapa bersih lantai
– Besarnya konsumsi listrik
– Besarnya noise yang dihasilkan
ü  Rasional tergantung pada 4 hal :
– Kemampuan yang terukur,
– Pengetahuan lingkungan sebelumnya/ terdahulu,
– Tindakan,
– Urutan persepsi (sensors).

• Rasional tergantung pada 4 hal : 
– Kemampuan yang terukur, 
– Pengetahuan lingkungan sebelumnya/ terdahulu,
 – Tindakan,
 – Urutan persepsi (sensors). 

  DEF: Untuk setiap urutan persepsi yang mungkin, rational
agent harus memilih tindakan yang diharapkan dapat
memaksimalkan kemampuan dengan memberikan bukti yang
dihasilkan dari urutan persepsi dan pengetahuan yang dimiliki
oleh agent.

  Rationalitas ≠ kemahatahuan (omniscience)
– An omniscient agent adalah agent mengetahui akibat yang
terjadi dari suatu tindakan.
-  Agent dapat bertindak sesuai dengan yang diharapkan untuk
memodifikasi persepsi akan datang dengan mendapatkan
informasi yang berguna (pengumpulan informasi dan eksplorasi)
-  Agent dikatakan autonomous, jika perilakunya ditentukan oleh
pengalamannya sendiri (dengan kemampuan untuk belajar dan
beradaptasi)

•       PEAS

-          PEAS : Perfomance measure , Environment , Actuators , Sensors 
Pertama-tama harus menentukan pengaturan untuk desain agen cerdas

Contoh:  tugas merancang supir taksi otomatis  

-          perfomance measure : Aman , cepat , legal , perjalanan menyenangkan , maksimumkan keuntungan 
-          Environment : jalan , trafik lain , pejalan kaki , pelanggan
-          actuators : kemudi , gas , rem , lampu sign , horn 
-          Sensors : kamera , sonar , speedometer , GPS , odometer , engine sensors , keyboard

Jenis-Jenis Lingkungan 
-          Fully observable ( vs. partially obervable ): Sensor-Sensor Sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.
-          Determenistic( vs. stochastic ): Keadaan lingkungan berikutnya sepenuh di tentukan oleh keadaan sekarang dan tindakan yang di laksanakan oleh agen. ( jika lingkungan itu determenistik kecuali untuk tindakan agen-agen lain , maka lingkungannya adalah strategic )
-          Episodic( vs.sequential ): Pengalamn agen dibagi kedalam "episode-episode"atomik ( setiap episode terdiri dari si agen memahami ( perceiving ) dan kemudian melaksanakan satu tindakan dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

STRUKTUR AGEN 
-          Perilaku agen : tindakan yang di lakukan setelah di berikan sembarang sekuen persepsi
-          Tugas Al adalah merancang program agen yang mengimplementasikan , fungsi agen yang memetakan persepsi ke tindakan 
-          Diasumsikan program ini berjalan di beberapa alat komputasi yang di lengkapi sensors dan actuators ( di sebut arsitektur
-          Agent = arsitektur + program
-  Program yang di pilih harus sesuai dengan arsitektur tersebut.
           -  cth : action : Walk -> arsitekturnya hendaklah memliki kaki

 PROGRAM-PROGRAM AGEN
-          Empat jenis dasar untuk menambah generalitas :
-          Simple reflex agents
-          model-based reflex agents
-          goal-based agents
-          utility-based agents

(3) PENGENALAN LOGICAL AGENTS

LOGICAL AGENT
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.

LOGIC MODEL
Logic Models merupakan cara logis untuk membuat perencanaan yang mudah dievaluasi dan logis. Logic Models memberikan gambaran atas suatu program, yang berbentuk grafik dan tulisan yang menunjukan hubungan antara berbagai aktivitas dalam suatu program dengan hasil dan outcome yang akan dicapai. Logic Models dapat didefinisikan sebagai alat atau rerangka konsep yang membantu mengidentifikasi suatu program melalui perencanaan dengan analisis atas sumber daya (resources), proses dan aktivitas yang akan dilakukan (activities), Outputs yang ingin dicapai, orang yang menjadi sasaran program (Customers), dan Outcomes.
Logic Models dapat digunakan untuk mengevaluasi hasil dari suatu program. Tahap pertama dalam mengimplementasi Logic Models terhadap suatu program adalah analisis mengenai How to do the Program. Suatu program akan menggunakan sumber daya tersentu, untuk melakukan suatu proses, yang menghasilkanoutput tertentu, sehingga customer dapat melakukan perubahan sesuai outcome yang ingin dituju. Dengan demikian, hasil dari suatu progam sesuai target.

(4)METODE PENCARIAN dan PELACAKAN 1
Pelacakan adalah teknik untuk pencarian. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan tidak menemukan. Sehingga pencarian merupakan teknik yang penting dalam AI. Hal penting dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah kesuksesan dalam pencarian dan pencocokan.
Pencarian adalah suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state place). Ruang keadaan merupakan suatu ruang yang berisi semua keadaan yang mungkin.
Dua teknik pencarian dan pelacakan
– Pencarian buta (blind search)
• Pencarian melebar pertama (Breadth – First Search)
• Pencarian mendalam pertama (Depth – First Search)
– Pencarian terbimbing (heuristic search)
• Pendakian Bukit (Hill Climbing)
• Pencarian Terbaik Pertama (Best First Search)

Pencarian Melebar Pertama (Breadth-First Search)
• Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1
• Mulai dari akar terus ke level 1 dari kiri ke kanan
• Kemudian ke level selanjutnya hingga solusi ditemukan



• Keuntungan
– Tidak akan menemui jalan buntu
– Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan 
yang paling baik
– Jika ada satu solusi maka bread-first search akan menemukannya

• Kelemahannya
– Membutuhkan memori yang cukup banyak
– Membutuhkan waktu yang cukup lama

Pencarian mendalam pertama (Depth-First Search)
• Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel

• Keuntungan
– Memori yang relatif kecil
– Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi


Pencarian Heuristik
• Pencarian buta tidak selalu dapat diterapkan dengan baik
– Waktu aksesnya yang cukup lama
– Besarnya memori yang diperlukan
• Metode heuristic search diharapkan bisa menyelesaikan permasalahan yang lebih besar.
• Metode heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan (estimasi) dari suatu simpul tertentu menuju ke simpul tujuan disebut fungsi heuristic

Pembangkit & Pengujian (Generate and Test)
• Pada prinsipnya metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.
Algoritma:
– Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal).
– Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.
– Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.
Kelemahan dari Pembangkit & Pengujian (Generate and Test) yaitu ;
– Perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian
– Membutuhkan waktu yang cukup lama dalam pencariannya

Pendakian Bukit (Hill Climbing)
• Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik.
• Pembangkitan keadaan berikutnya sangat 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.

Simple Hill Climbing
Algoritma
– Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
– Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang:
• Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
• 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.




SUMBER :