Artificial Intelligence uthie 1
Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2
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? ARTIFICIAL INTELLIGENCE Input: MASALAH Knowledge Base Inference Engine Output: SOLUSI
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. Premis5: Ikan paus bernafas dengan paru-paru. Konklusi: Ikan adalah hewan yang bernafas dg insang 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 Precise Models Logika penalaran berbentuk simbol Pencarian & Pemodelan masalah dilakukan secara numeris (tradisional) Soft Computing Approximate Models Penalaran melalui pendekatan 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=x 2 +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.
120 f(x)=x 2 +2x-3 100 80 60 y 40 20 minimum 0-20 -10-8 -6-4 -2 0 2 4 6 8 10 x
Masalah: Carilah akar persamaan: f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x) / cos(x 3-2x), dekat dengan 3. Sangat sulit untuk diselesaikan secara analitis, gunakan pendekatan METODE NUMERIS: (Metode biseksi, regulafalsi, secant, Newton). Hasil=3,0846.
300 sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x) 200 100 y=0, x dekat dengan 3 0-100 y -200-300 -400-500 -600 1 1.5 2 2.5 3 3.5 4 4.5 5 x
Masalah: Carilah nilai minimum dari: f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x) /cos(x 3-2x), 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
300 sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x) 200 100 0-100 y -200-300 -400-500 minimum global -600 1 1.5 2 2.5 3 3.5 4 4.5 5 x
Bekal ilmu yang harus disiapkan untuk lebih memudahkan mempelajari Soft Computing: ALJABAR KALKULUS LOGIKA KOMPUTASI NUMERIS SOFT COMPUTING