Genre Game berbasis AI

Perancangan Game AI

Board Game

Teknik pembangunan game AI

Kecerdasan Buatan dan Permainan (AI and Games)

Pembelajaran dan Learning

Teori Ketidakpastian dan Penalaran Probabilitas

Logika Orde Pertama(First Order Logic)

First Order Logic

First order logic adalah sebuah bahasa formal yang digunakan di ilmu matematika, philosophy, bahasa dan ilmu computer. Disebut juga kalkulus predikat, merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi. Logika predikat dapat memberikan representasi fakat-fakta sebagai suatu pernyataan yang mapan (well form). Kalkulus predikat bisa menganalisakan kalimat-kalimat ke dalam subjek dan argumen dalam berbagai cara yang berbeda-beda, yang pada akhirnya kalkulus predikat bisa digunakan untuk memecahkan problem of multiple generality (masalah dalam berbagai keadaan umum) yang telah membingungkan sebagian besar ahli-ahli logika abad pertengahan. Dengan menggunakan logika predikat ini, untuk pertama kalinya, para ahli-ahli logika bisa memberikan quantifier yang cukup umum untuk merepresentasikan semua argumen yang terdapat pada natural language.

Pemisalan 1:
Semua gajah punya belalai. Bona seekor gajah. Dengan Demikian, Bona punyabelalai
Tanpa perlu dibuktikanvaliditasnya, argument tersebut valid karena Conclusi mengikutiPremis-premisnya.

Pemisalan 2:
Semua siswa pasti pandai. Adi seorang siswa. Dengan demikian, Adi pastipandai.
Secara nalar bisadilihat bahwa argument tersebut mempunyai validitas yang kuat. Tapi ketikadibuktikan dengan Logika Proposional, argument tersebut tidak bisadiselesaikan. Dibuktikan dengan logika proposional:
p : Semua mahasiswa pasti pandai.(Premis 1)
q : Kinoy seorang mahasiswa.(Premis 2)
r : Dengan demikian, Kinoy pastipandai. (Conclusion)

Dibuat dalam formuladengan operator AND menjadi . Formula tersebut tidak ada dalam hukum-hukum logikaproposisi yang dapat digunakan untuk mendukung validitas argument tersebut,karena tidak ada yang bisa digunakan untuk menghubungkan ketiga pernyataandiatas. Dan tidak mungkin juga suatu kesimpulan yang berbeda dihasilkan daripremis yang berbeda.

Pemisalan3:
Setiap manusia pasti mati. Karena Sayuti adalah manusia, maka dia pastimati.
Secara intuisi kalimattersebut bernilai Benar. Berdasarkan logika proposisi kalimat tersebut dapat disimbolkan sebagai:
p : Setiap manusia pasti mati
q : Sayuti adalah manusia
r : Sayuti pasti mati

Berdasarkan kerangka berfikir Logika Proposisi bukanlah konsekuensi Logis dari pdan q. Pernyataan ‘Setiap manusia pasti mati’ mengandungpernyataan Himpunan, yaitu Himpunan ‘manusia’, dimana individu yang merupakanbagian dari himpunan manusia jumlahnya tidak terhingga. Sedangkan pernyataan ‘Sayuti adalah manusia’ secara implisitmenyatakan anggota dari himpunan ‘manusia’/ universal of discourse.

Struktur seperti diatas tidak dikenali oleh Logika Proposisi, karena apabila ingin membuktikankebenaran dari pernyataan ‘Setiap manusiapasti masti’ maka harus dicari nilai kebenaran dari seluruh elemen himpunanmanusia yang jumlahnya tak terhingga. Ini tidak mungkin dilakukan.

Untuk mengatasi permasalahan diatas diperlukan kerangka berfikir lain selain Logika Proposisiyaitu Logika First-Order (Kalkulus Predikat). Maka dapat didefinisikan bahwa LogikaFirs-Order adalah perluasan dari konsep Logika Proposisi untuk mengatasipermasalahan yang tidak dapat dipecahkan melalui kerangka berfikir LogikaProposisi dengan penambahan 3 komponen logika yaitu: Term (suku), Predicate,dan Quantifier.

Dasar Logika First-Order
Logika First-Orderdigunakan untuk merepresentasikan hal-hal yang tidak dapat  direpresentasikan menggunakan LogikaProposisi. Operator-operator yang digunakan pada Logika First-Order adalah
SIMBOL
ARTI
BENTUK
Implies / Maka / Implikasi
jika … maka …
Not / Tidak / Negasi
tidak …
And / Dan / Konjungsi
… dan …
Or / Atau / Disjungsi
… atau …
Universal Quantifier
Untuk setiap / seluruh
Existensial Quantifier
Terdapat / ada
x
Term
-

Term / Suku
Term adalah parametersuatu fungsi bisa berupa konstanta, variabel, dan nilai suatu fungsi. Bentukterm adalah:
P (x).
Dimana P adalahPredikat (ditulis dengan huruf besar) dan x adalah variabel (ditulisdengan huruf kecil). P(x) dapat disebut sebagai nilai darifungsi proposisi P pada x. Ketika nilai variabel x telah ditetapkan maka barulah P(x)memiliki nilai kebenaran.

Universal Quantifier
Definisi: Jika Asuatu ekspresi logika dan x adalah variable, maka jika ingin menentukanbahwa A adalah bernilai benar untuk semua nilai yang dimungkinkan untuk x,maka akan ditulis. Disini  disebut kuantoruniversal, dengan A adalah scope dari kuantor tersebut. Variabel xdisebut terikat (bound) dengan kuantor.

Simbol Universal Quantifier menggantikan kata ‘untuksemua’, ‘untuk seluruh’.Dan digunakan pada pembentukan formula dengan bentuk:
                  (x)  P(x)
(x)  P(x) bernilai benar apabila predikat P(x)bernilai benar. Formula tersebut dapat dibaca sebagai ‘Seluruh x untuk P(x)’ atau ‘Setiap x untuk P(x)’

Contoh:
“Semua Gajah mempunyai belalai”Jika G adalah gajahdan B adalah belalai maka ditulis dalam kuantor universal menjadi , dibaca “Jika x adalah Gajah maka, x mempunyai belalai”.Belum bisa dibuktikan secara predikat karena jumlah gajah bisa banyak bisa sajacuma satu, maka diperluas menjadi , dibaca “Untuk semua x, jika x seekor gajah, maka xmempunyai belalai”.

“Semua mahasiswa harus rajin belajar”Langkah1: Cari lingkupatau scope dari kuantor universal, pada argument diatas menjadi “Jika x adalahmahasiswa, maka x harus rajin belajar” ditulis menjadi .
Langkah2: Beri kuantoruniversal didepannya, dari hasil yang didapat pada langkah pertama menjadi
Langkah3: Ubah menjadisuatu fungsi, menjadi

Existential Quantifier
Definisi: Jika Asuatu ekspresi logika dan x adalah variable, maka jika ingin menentukanbahwa A adalah bernilai benar untuk sekurang-kurangnya satu dari x,maka akan ditulis . Disini  disebut kuantoreksistensial, dengan A adalah scope dari kuantor tersebut. Variabel xdisebut terikat (bound) dengan kuantor.

Simbol Existential Quantifier  menggantikan kata ‘ada’, ‘beberapa’, ‘tidaksemua’, ‘terdapat’.Dan digunakan pada pembentukan formula dengan bentuk:
                  (x)  P(x)
(x)  P(x) bernilai benar apabila ada x yang menyebabkan P(x)bernilai benar. Formula tersebut dapat dibaca sebagai ‘Ada x untuk P(x)’

Contoh:
“Ada bilangan prima yang genap”Jika P adalah bilangan‘prima’ dan G adalah ‘genap’, argumen tersebut dapat dibaca “Ada x, yang xadalah bilangan prima dan x adalah genap”, sehingga disimbolkan menjadi .

“Ada pelajar memperoleh beasiswa prestasi”Langkah1: Cari lingkupatau scope dari kuantor eksistensial, pada argument diatas menjadi “Ada x, yang x adalahpelajar, dan x memperoleh beasiswa prestasi”, sehingga ditulis menjadi
Langkah2: Berilahkuantor eksistensial  di dari hasil yangdidapat pada langkah pertama menjadi 
Langkah3: ubah menjadisuatu fungsi, menjadi

Transformasi Pernyataan Kedalam Formula First-Order
Langkah-langkahmen-transformasi penyataan kedalam formula First-Order adalah sebagai berikut:

• Buat penafsiran mengenaipernyataan tersebut
• Tentukan dan deklarasikanpredikat-predikat yang digunakan
• Tentukan quantifier yangdiperlukan

Hal yang perludiperhatikan adalah penafsiran atau cara pandang kita dalam menafsirkanpernyataan tersebut. Penafsiran yang berbeda akan menghasilkan  formula yang berbeda. Kadang dalammentransformasikan sebuah pernyataan kedalam formula first-order diperlukanquantifier lebih dari satu.

Contoh:
1.Tentukan nilai dari Plus(Plus(3,2), Plus (2,1)).
Jawab:
PLUS (PLUS (3,2), PLUS (2,1))      
= PLUS (5, PLUS (2,1))
                                    =PLUS (5,3)
                                    =8
2.Tuliskan pernyataan berikutkedalam bentuk formula

• Setiap bilangan Rasional adalahbilangan Real
• Ada bilangan yang merupakan bilangan prima
• Untuk setiap bilangan x, ada bilangan y dimana x < y

Jawab:
Langkah pertama definisikan dulu predikat-predikat
P(x)                  : x adalah bilangan prima
Q(x)                 : x adalah bilangan rasional
R(x)                 : x adalah bilangan real
KECIL(x)        :x lebih kecil dari y
a.       (x)  (Q(x)  R(x))
b.      (x)  P(x)
c.       (x) (y) KECIL (x,y)

3.Ubahlah pernyataan “Tidak ada orang tua menginginkan anaknyajadi penjahat” kedalam bentuk formula first-order.
Jawab:
Kalimattersebut ekuivalen dengan:
“Jika x adalah orang tua, maka x tidakingin anaknya jadi penjahat”
Predikatyang digunakan:
P(x) : xadalah orang tua
Q(x) :xingin anaknya jadi penjahat (gunakan operator Negasi)
FormulaFirst-Order:  (x) (P(x) Q(x))

4.Tuliskan dalam bentuk formulapernyataan berikut “x lebih besar dari y”
Jawab:
Interpretasi ke-1:Jika ditafsirkan bahwa “untuk setiap xada y yang lebih kecil” maka kita bisa menyatakan x > y, makaPredikatnya: BESAR(x,y) maka formulanya menjadi: (x) ((y) BESAR(x,y)
Interpretasi ke-2: Jikaditafsirkan “untuk sembarang x dan y,jika x lebih besar dari y, maka tidak benar pernyataan y lebih besar dari x”maka formulanya menjadi: (x) (y) (BESAR(x,y)  BESAR(y,x))

Pembuktian pada Logika First-Order
Pembuktian LogikaFirst-Order hampir sama dengan pembuktan pada Logika Proposisi. Hanya saja padaLogika First-Order pembuktian menggunakan Aturan Inferensi lebih mungkin untukdilakukan.

Contoh:
Buktikan bahwa “Setiap manusia pasti mati. Sayuti adalahmanusia, Karenanya Sayuti  pasti mati.”
Jawab:
Misal dideklarasikanpredikat berikut:
MAN(x)           :x adalah manusia
MORTAL(x)    :x pasti mati
Maka pernyataan padasoal menjadi:
P1                    :(x) (MAN(x) MORTAL(x))
P2                    :MAN(Sayuti)
Untuk membuktikanbahwa kesimpulan “Sayuti pasti mati”harus dibuktian bahwa MORTAL(Sayuti) adalah konsekuensi logis dari P1dan P2. Maka;
Dilakukan pembuktianlangsung:
P1P2            : (x) (MAN(x) MORTAL(x)) MAN(Sayuti)
Karena              (MAN(x)  MORTAL(x))bernilai Benar untuk semua x maka;
  (MAN(Sayuti)  MORTAL(Sayuti))juga Benar

    (x) (MAN(x)MORTAL(x))
     MAN(Sayuti)
(MAN(Sayuti)MORTAL(Sayuti))

MORTAL(Sayuti)
Premis P1
Premis P2
Langkah 1 dan 2
P1: x Sayuti

Persoalan Logika First-Order dalam AI
Logika First-Order digunakan dalam ilmu IntelejensiBuatan sebagai Representasi Pengetahuan. Persolan yang ada memiliki pernyataanlebih kompleks lagi tapi dapat diselesaikan dengan Pelacakan Terbalik(Backward)

Contoh:
      Diberikan pernyataan sebagai berikut:
1.     Andi adalah seorang mahasiswa
2.     Andi masuk jurusan Informatika
3.     Setiap mahasiswa Informatikapasti mahasiswa Teknik
4.     Kalkulus adalah matakuliah yangsulit
5.     Setiap mahasiswa teknik pastiakan suka kalkulus atau akan membencinya
6.     Setiap mahasiswa pasti akansuka terhadap suatu matakuliah
7.     Mahasiswa yang tidak pernahhadir pada kuliah matakuliah sulit, maka mereka pasti tidak suka terhadapmatakuliah tersebut
8.     Andi tidak pernah hadir kuliahmatakuliah kalkulus.

Buktikan Apakah Andi suka matakuliah kalkulus?

Jawab:
Ubah pernyataan menjadi bentuk formula:
1.     Mahasiswa(Andi)
2.     Informatika(Andi)
3.     x: Informatika(x)Teknik(x)
4.     sulit(kalkulus)
5.     x: Teknik(x)suka(x, kalkulus)  benci(x, kalkulus)
6.     x: y: suka(x,y)
7.     x: y: mahasiswa(x)sulit(y)hadir(x,y) suka(x,y)
8.     hadir(Andi,kalkulus)

Pernyataan Apakah Andi suka matakuliah kalkulus = suka(Andi,kalkulus)




ARGUMEN PADA LOGIKA PREDIKAT
Validitas sebuah argumen dapat dibuktikan dengan contoh yang mirip dengan contoh 1. perhatikan contoh argumen berikut:
Contoh 2:
1. Semua mahasiswa pasti pandai
2. Badu seorang mahasiswa
3. Dengan demikian, Badu pandai

Secara nalar, kebanyakkan orang akan menilai bahwa argumen di atas mempunyai validitas yang kuat. Akan tetapi, saat validitas tersebut ingin dibuktikan dengan logika proposisional, ternyata tidak bisa diselesaikan. Pembuktiannya dapat dilakukan dengan mengikuti prosedur logika proposisional dengan menentukan terlebih dahulu proposisi-proposisinya :
A = Semua mahasiswa pasti pandai
B = Badu seorang mahasiswa
C = Badu pasti pandai
Selanjutnya akan menjadi seperti berikut :

A
B
_____
:. C

Dalam ekspresi logika : (A ˄ B)=>C

Dalam bentuk ekspresi logika diatas, tidak ada hukum-hukum logika proposisional yang dapat digunakan  untuk membuktikan validitas argumen tersebut karena tidak ada yang mampu menghubungkan antara ketiga proposisi yang digunakan diatas. Atau tidak mungkin suatu kesimpulan yang berbeda dapat  dihasilkan dari premis-premis yang berbeda. Dengan kata lain, tidak mungkin suatu kesimpulan berupa C dapat dihasilkan dari premis A dan premis B.
Jika argumen diatas masih ingin dibuktikan dengan logika proposisional, maka kalimatnya harus diperbaiki. Misal seperti berikut:

Contoh 3:
1.       Jika Badu seorang mahasiswa, maka ia pasti pandai
2.       Badu seorang mahasiswa
3.       Dengan demikian, ia pasti pandai

Jika diubah dalam bentuk ekspresi logika :
1.       B=>C     premis 1
2.       B             premis 2
3.       C             kesimpulan

Atau dapat juga ditulis : [(B=>C) ˄ B] => C

Dalam logika proposisional, ekspresi logika diatas sudah benar karena kesimpulan diambil dari premispremis. Persoalan yang terjadi adalah pernyataan tersebut tidak sepenuhnya mampu menangkap ide pada argumen yang pertama yaitu “Semua mahasiswa pandai”. Ide pada pernyataan tersebut tidak tertangkap pada argumen kedua karena hanya mampu menunjuk seorang mahasiswa yaitu Badu, bukan semua mahasiswa. Persoalan lain juga terjadi, yakni kesulitan menentukan objek. Misalnya orang yang dimaksudkan jika diganti dengan kata ganti orang. Perhatikan pernyataan-pernyataan pada contoh argumen berikut:

Contoh 4:
1.       Jika Badu seorang mahasiswa, maka ia pasti pandai
2.       Dewi seorang mahasiswa
3.       Dengan demikian, ia pasti pandai

Agen Logika

Agen logika merupakan agen yang memiliki kemampuan bernalar secara logika. Ketika beberapa solusi tidak secara eksplisit diketahui, maka diperlukan suatu agen berbasis logika. Logika sebagai Bahasa Representasi Pengetahuan memiliki kemampuan untuk merepresentasikan fakta sedemikian sehingga dapat menarik kesimpulan (fakta baru, jawaban). Sedangkan pengetahuan merupakan komponen yang penting, sehingga terdapat perbedaan jika diterapkan pada dua agent, yakni problem solving agent dan knowledge-based agent.


Perbedaan dua agent, problem solving agent dan knowledge-based agent. Problem solving agent memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution (initial state, successor function, goal test) tetapi jika Knowledge-based agent lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai Hal-hal yang tidak diketahui sebelumnya (imprefect/ partial information). Tindakan yang paling baik untuk diambil (best action).


KNOWLEDGE BASE AGENT

Agen Berbasis Pengetahuan, Knowledge Base (KB) menyatakan apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB. Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB. Maka sebuah agen berbasis pengetahuan harus bisa mereprentasikan world, state, action, dst. Menerima informasi baru (dan meng-update representasinya). Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property).  Menyimpulkan action apa yang perlu diambil.


Agen Berbasis Pengetahuan atau Knowledge Base (KB) merupakan Himpunan representasi fakta yang diketahui tentang lingkungannya. Tiap fakta disebut sebagai sentence. Fakta tersebut dinyatakan dalam bahasa formal sehingga bisa diolah, menambahkan sentence baru ke KB. Inference Engine merupakan menentukan fakta baru yang dapat diturunkan dari pengetahuan yang sudah ada dalam KB.

Agen Berbasis Pengetahuan dalam representasi, agent dapat dipandang dari knowledge level. Apa saja informasi yang diketahui? Misal sebuah robot “mengetahui” bahwa gedung B di antara gedung A dan gedung C. Agent dapat dipandang dari implementation level Bagaimana representasi informasi yang diketahuinya? Logical sentence di_antara(gdB, gdA, gdC). Natural language “Gedung B ada di antara gedung A dan gedung C”.

Agen Berbasis Pengetahuan, pilihan representasi berpengaruh terhadap apa yang bisa dilakukan inference engine. Pada pendekatan deklaratif programmer memberitahu agent informasi tentang environment. Kalau informasi kurang, agen bisa melengkapinya sendiri. Jika dibandingkan dengan pendekatan prosedural programmer secara eksplisit memrogram agen untuk bertindak. Sehingga bagaimana jika program tidak benar, maka akan besar kemungkinan menyebabkan kesalahan.

Agen Berbasis Pengetahuan, permasalahannya adalah bagaimana representasi yang tepat, sehingga ada dua hal yang harus diperhatikan expressive bisa menyatakan fakta tentang environment, Tractable bisa mengolah/ memproses inference engine (dengan cepat). Knowledge merupakan power atau kekuatan dari pemrograman secara deklaratif. Representasi dan penalaran membentuk suatu Intelligence.

Logika Proposisi

Definisi Logika
Ilmu logika lebihmengarah pada bentuk kalimat (sintaks) daripada arti kalimat itu sendiri(semantik). Ilmu logika selalu berhubungan dengan kalimat-kalimat (argument) dan hubungan yang ada diantarakalimat-kalimat tersebut. Argumentasi adalah kumpulan sebuah kesimpulanbeserta fakta-faktanya. Kesimpulan dikatakan benar apabila merupakanakibat dari fakta-fakta yang diajukan. Apabila semua fakta-fakta yang diajukanberikut kesimpulan adalah benar dan terdapat hubungan logis di antarakeduannya, maka argumentasi tersebut adalah benar atau valid. Akan tetapi,terkadang meskipun fakta-fakta yang diajukan tidak diragukan lagi kebenarannya,bisa saja kesimpulan yang diambil menjadi salah akibat dari cara berfikir yangtidak logis dan akhirnya menyebabkan suatu argumentasi menjadi tidak valid. Tujuanmempelajari logika adalah untuk mampu mengidentifikasi valid atau tidaknyasuatu argumentasi.

Dasar Logika Proposisi 

• Proposisi adalah ekspresi yangmengandung variabel (yaitu variableproposisional) berupa pernyataan danoperator (yaitu operator logika) sebagaikonektor.
• Pernyataan (Statement) adalah kalimatdeklaratif yang memiliki nilai kebenaran (True dan False).
• Syntactics Rule (AturanSintaktik) adalah aturan yang diperlukan untuk mengkombinasikan antarapropositions dan propositional connectives untuk menghasilkan sentences(kalimat logika). Dapat dibuat alurnya sebagai berikut Propositions + Propositional Connectives à Sentences Propositional connective yang digunakan: Not, And, Or, If-Then,If-Then-Else, dan If-And-Only-If.
• Interpretasi adalah pemberiannilai kebenaran (true atau false) pada setiap symbol proposisi dari suatukalimat logika.
• Semantic Rule (Aturan Semantik)adalah suatu aturan yang digunakan untuk menentukan “truth value” dari suatusentence.

Logika proposisi memiliki bentuk berupa kalimat deklaratif (atau pernyataan). Proposisididefinisikan sebagai kalimat deklaratif yang memiliki hanya satu nilaikebenaran yaitu benar saja, salah saja, tetapi tidak keduanya, benar sekaligus salah. Pada umumnyabentuk proposisi adalah kalimat berita yang bisa ditentukan nilai kebenarannya(benar/salah).

Kalkulus Proposisi

Kalkulus Proposisi adalah proses kalkulasi penentuan nilai kebenaran dari suatu formula.Pada contoh-contoh sebelumnya proses kalkulasi terjadi pada saat kitamenentukan nilai kebenaran dari suatu kalimat proposisi menjadi notasi denganformula. Nilai kebenaran dalam kalkulus proposisi dapat direpresentasikan/disajikan dalam bentuk-bentuk sebagai berikut:

• Benar (B) atau True (T) dinotasikan dengan Satu (1).
• Salah (S) atau False (F) dinotasikan dengan Nol (0).

Nilai kebenaran yang disebutkan diatas bisa digunakan dengan bentuk B/S, T/F, atau 1/0. Tapi untukkeseragaman, dengan alasan akan digunakan juga pada bahasan Aljabar Boolean dantelah terbiasa, maka nilai kebenaran yang digunakan adalah 1/0. Nilai-nilaikebenaran untuk masing-masing formula dapat dilihat pada tabel kebenaran (Truth Table) dibawah ini:

Negasi

Konjungsi, Disjungsi, Implikasi, Bi-Implikasi, Or Exclusive
Bahasan Khusus: Varian Implikasi
Pada (Implikasi), ketika p= 0  apapun nilai dari q akan selalu bernilai benar. Beberapavarian dari formula Implikasi adalah: Contrapositive,Converse, Inverse.

• Formula  disebut Contrapositive dari formula
• Formula  disebut Converse dari formula
• Formula  disebut Inverse dari formula

Implikasi

Implikasi ini memilikiperan sangat penting dalam penalaran. Implikasi  tidak hanya disebutkansebagai kalimat standar “Jika p Maka q” tetapi juga dapat diekspresikan dalamberbagai cara, antara lain:

• Jika p, maka q                         
• (if p, then q) Jika p, q                                   
• (if p,q)p mengakibatkan q                 
• (p implies q)q jika p                                   
• (q if p)p hanya jika q                          
• (p only if q)p syarat cukup agar q              
• (p is sufficient for q)q syarat perlu bagi p                
• (q is necessary for p)q bilamana p                            
• (q whenever p)

Tautologi, Kontradiksi, Ekuivalen

Suatu formula dikatakan Tautologi (Tautology)apabila interpretasi dari formula tersebut selalu benar, apapun nilaiatomnya. Formula dikatakan Kontradiksi (Contradiction) apabila interpretasinya selalu salah. Duaformula p dan q dikatakan Ekivalen secara logika (Logically Equivalent) apabila keduanya memiliki nilai kebenaranyang sama.

Validitas dan Inkonsistensi

Pada pembahasan kali ini kita ingin mengetahui kapan suatu formula dikatakan valid pada logika proposional? . Komposisi atau Kombinasi beberapa kalimat deklaratif yang valid akan menghasilkan formula yang valid juga. Suatu formula dikatakan Valid jika dan hanya jika formula tersebut Tautologi. Dan formula disebut Invalid jika dan hanya jika tidak valid. Suatu formula disebut Inkonsisten jika dan hanya jika formula tersebut kontradiksi. Dan formula disebut Konsistenjika dan hanya jika tidak Inkonsisten.

Pernyataan berikut ini adalah implikasi dari definisi diatas:

Formula adalah Valid jika dan hanya jika Negasinya InkonsistenFormula adalah Inkonsisten jika dan hanya jika Negasinya ValidFormula adalah Invalid jika dan hanya jika ada interpretasi yang menyebabkannya salah.Formula adalah Konsisten jika dan hanya jika ada interpretasi yang menyebabkannya benarJika formula adalah Valid, maka formula tersebut Konsisten tetapi tidak sebaliknyaJika formula adalah Inkonsisten, maka formula tersebut Invalid, tetapi tidak untuk sebaliknya.

Metode-Metode Inferensi

Metode Inferensiadalah teknik untuk menurunkan kesimpulan berdasarkan hipotesa yang ada, tanpaharus menggunakan tabel kebenaran. Konklusi disimbolkan sebagai ‘’ dibaca ‘jadi’ atau ‘karena itu’. Beberapa metode inferensiuntuk menentukan ke-Valid-an suatu kesimpulan adalah sebagai berikut: (LihatTabel aturan inferensi).

Modus Ponen

Bentuk(implikasi) diasumsikan bernilai benar. Apabila selanjutnya diketahui bahwa anteseden p (hipotesa) juga bernilai benar, agar konklusi bernilai benar, maka q (konklusi) juga harus bernilai benar.

Modus Tollen

Bentuk Modus Tollen mirip dengan Modus Ponen, hanya saja Hipotesa kedua dan Konklusi merupakan kontraposisi hipotesa pertama modus ponen, karena suatu implikasi selalu ekuivalen dengan kontraposisi.

Strategi Pencarian Berbentuk

Pencarian Heuristik

 
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

• Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.
• 
  
• Algoritma :
1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal).
2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang  dipilih dengan kumpulan tujuan yang diharapkan.
3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

• HillClimbing

• Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnyayang mungkin.
• 
  
• Algoritma:
1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
a) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang : Cari operator yang belum digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
b) 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.

• 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)
• f’ = Fungsi evaluasi
• g = cost dari initial state ke current state
• h’ = prakiraan cost dari current state ke goal state

• Alpha  Beta  Prunning,Means-End-Anlysis,Constraint Satisfaction, Simulated Anealing, dll

SMA * Search (Simplified Memory-Bounded) A*

Simplified Memory-Bounded A* atau biasa disebut SMA* merupakan algoritma pencarian yang dapat menggunakan semua memori yang tersedia untuk melakukan pencarian. Menggunakan lebih banyak memori hanya dapat meningkatkan efisiensi pencarian, salah satunya bisa selalu mengabaikan ruang tambahan, tetapi biasanya lebih baik untuk mengingat node daripada harus membuatnya kembali bila diperlukan.

SMA* memiliki gambaran berikut :

• Dia akan memanfaatkan memori apa pun yang tersedia untuk nya.
• Dia menghindari pernyataan berulang sejauh memori memungkinkan.
• Dia selesai jika memori yang tersedia cukup untuk menyimpan jalur solusi dangkal.
• Dia optimal jika tersedia cukup memori untuk menyimpan jalur solusi dangkal optimal. Jika tidak, dia mengembalikan solusi terbaik yang dapat dicapai, dengan memori yang tersedia.

 Algoritma SMA* ini merupakan sebuah algoritma yang dikembangkan dari algoritma A* (A Star). Algoritma A* sendiri adalah variasi dari algoritma Branch and Bound. Jadi secara tidak langsung, algoritma SMA* itu sendiri merupakan salah satu variasi pengembangan dari algoritma Branch and Bound. Menggunakan algoritma SMA* berarti kita memperhitungkan biaya sebenarnya ditambah dengan biaya perkiraan. Biaya sebenarnya dinotasikan dengan g(n). Sedangkan biaya perkiraan dinotasikan dengan h(n). Jadi kita memperhitungkan g(n) + h(n).

Algoritma A*

Algoritma A* adalah algoritma pencarian yang merupakan pengembangan dari kelas algoritma Greedy. Seperti halnya pada Greedy, untuk menemukan solusi, A* juga dilakukan oleh fungsi heuristik, yang menentukan urutan titik mana yang akan dikunjungi terlebih dahulu. Heuristik merupakan penilai yang memberi harga pada tiap verteks yang memandu A* mendapatkan solusi yang diinginkan. Algoritma A* menyelesaikan masalah yang menggunakan graph

untuk perluasan ruang statusnya. 

Dengan kata lain digunakan untuk menyelesaikan permasalah yang bisa direpresentasikan dengan graph. Algoritma A* adalah sebuah algoritma yang telah dikembangkan. Dengan menerapkan fungsi heuristik, algoritma ini membuang langkah-langkah yang tidak perlu dengan pertimbangan bahwa langkah-langkah yang dibuang sudah pasti merupakan langkah yang tidak akan mencapai solusi yang diinginkan. Secara informal, algoritma bekerja dalam banyak cara yang sama seperti pada algoritma Dijkstra. Daripada selalu mempertimbangkan verteks terbuka dengan nilai terendah, lebih baik memilih verteks yang paling mungkin untuk mengarahkan  pencarian ke arah tujuan dengan nilai terkecil. Semuanya dikendalikan oleh sebuah fungsi heuristik. Jika fungsi tersebut akurat, maka algoritma akan efisien dan rute terpendek akan segera ditemukan jika memang ada.

Fungsi Heuristik

Heuristic digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Simulated annealing

Simulated annealing (SA) adalah salah satu algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. Publikasi tentang pendekatan ini pertama kali dilakukan oleh S. Kirkpatrick, C. D. Gelatt dan M. P. Vecchi, diaplikasikan pada desain optimal hardware komputer, dan juga pada salah satu masalah klasik ilmu komputer yaitu Traveling Salesman Problem.

Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses annealing, memberikan kesempatan pada atom-atom dalam materi itu untuk bergerak secara bebas, mengingat tingkat energi dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana energi internal yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum.

Simulated Annealing berjalan berdasarkan analogi dengan proses annealing yang telah dijelaskan di atas. Pada awal proses SA, dipilih suatu solusi awal, yang merepresentasikan kondisi materi sebelum proses dimulai. Gerakan bebas dari atom-atom pada materi, direpresentasikan dalam bentuk modifikasi terhadap solusi awal/solusi sementara. Pada awal proses SA, saat parameter suhu (T) diatur tinggi, solusi sementara yang sudah ada diperbolehkan untuk mengalami modifikasi secara bebas.

Kebebasan ini secara relatif diukur berdasarkan nilai fungsi tertentu yang mengevaluasi seberapa optimal solusi sementara yang telah diperoleh. Bila nilai fungsi evaluasi hasil modifikasi ini membaik (dalam masalah optimisasi yang berusaha mencari minimum berarti nilainya lebih kecil/downhill) solusi hasil modifikasi ini akan digunakan sebagai solusi selanjutnya. Bila nilai fungsi evaluasi hasil modifikasi ini memburuk, pada saat temperatur annealing masih tinggi, solusi yang lebih buruk (uphill) ini masih mungkin diterima, sedangkan pada saat temperatur annealing sudah relatif rendah, solusi hasil modifikasi yang lebih buruk ini mungkin tidak dapat diterima. Dalam tahapan selanjutnya saat temperatur sedikit demi sedikit dikurangi, maka kemungkinan untuk menerima langkah modifikasi yang tidak memperbaiki nilai fungsi evaluasi semakin berkurang. Sehingga kebebasan untuk memodifikasi solusi semakin menyempit, sampai akhirnya diharapkan dapat diperoleh solusi yang mendekati solusi optimal. Pada temperatur rendah ini, SA biasanya menggunakan konsep Hill-Climbing.

Genetic Algorithm

Genetic Algorithm(atau GA) adalah teknik pencarian dalam bidang komputasi untuk menemukan solusi benar atau pendekatan untuk masalah optimasi dan pencarian. Teknik dalam GA didasarkan pada biologi evolusioner seperti pewarisan, mutasi, seleksi dan crossover.

GA diimplementasikan sebagai proses simulasi yang dijabarkan sebagai berikut: Populasi dari representasi abstrak (disebut kromosom, genotip, atau genom) dari candidate solution (disebut individual, atau fenotip) dari optimasi yang berevolusi ke solusi yang lebih baik. Biasanya solusi direpresentasikan ke dalam string biner. Evolusi dimulai dari populasi dari individu yang dihasulkan secara random dan terjadi dalam generasi. Di setiap generasi, fitness dari setiap individu dalam populasi dievaluasi, beberapa individu dipilih secara stokastik(berdasarkan fitness) dan dimodifikasi(crossover dan kemungkinan mutasi) untuk membentuk populasi baru. Populasi baru lalu dimanfaatkan untuk iterasi selanjutnya. Secara umum, algoritma selesai jika telah menghasilkan generasi maksimum atau hasil dalam populasi dirasa memuaskan (berdasarkan berbagai parameter).

Dalam GA biasanya ada 2 hal yang harus didefinisikan:

1. Representasi genetis dari domain solusi
2. Fungsi fitness untuk mengevaluasi solusi domain.

Representasi standar dari solusi adalah array of bits, karena memudahkan operasi crossover. Fungsi fitness didefinisikan dari representasi genetis dan kualitas dari representasi solusi. Setelah keduanya didefinisikan, GA berlanjut ke inisialisasi populasi dari solusi secara acak, lalu berkembang lewat perulangan aplikasi mutasi, crossover dan seleksi.

Inisialisasi

Awalnya, beberapa solusi individual dihasilkan secara acak untuk membentuk populasi awal yang ukurannya tergantung sifat dari masalah.

Seleksi

Dalam setiap generasi baru, proporsi dari populasi yang ada dipilih untuk menghasilkan generasi selanjutnya. Solusi individual dipilih lewat proses fitness, dimana solusi yang lebih baik (diukur dari fungsi fitness) lebih mungkin dipilih. Metode seleksi yang umum dipakai adalah roulette wheel dan tournament.

Reproduksi

Langkah selanjutnya adalah menghasilkan generasi selanjutnya dari populasi solusi dari hasil seleksi lewat operasi genetik crossover (atau rekombinasi) dan/atau mutasi

Terminasi

Proses ini diulang sampai tercapai kondisi akhir. Kondisi akhir yang umum antara lain:

• Solusi yang ditemukan memenuhi kriteria minimum
• Jumlah generasi tertentu telah tercapai
• Telah mencapai waktu komputasi tertentu
• Tidak dapat dihasilkan hasil yang lebih baik
• Inspeksi manual
• Kombinasi dari kondisi di atas.

Pseudo-code

1. Pilih populasi awal

2. Evaluasi fitness dari tiap individu dalam populasi

3. Iterasi:

• Pilih individu terbaik untuk reproduksi
• Hasilkan generasi baru lewat crossover dan mutasi dan menghasilkan anak
• Evaluasi fitness dari setiap individu anak
• Ganti bagian populasi terburuk dengan anak

4. Sampai kondisi akhir tercapai

Macam- Macam Metode Searching

Metode Pencarian/Pelacakan

• Hal penting dalam menentukan keberhasilan sistem AI adalah kesuksesan dalam pencarian solusi.

• Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan/masalah (state space).

• Ruang keadaan/masalah = merupakan suatu ruang yang berisi semua keadaan yang mungkin.

Untuk mengukur kinerja metode pencarian, terdapat empat kriteria yang dapat digunakan :

• Completeness : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada?
• Time complexity : berapa lama waktu yang diperlukan?
• Space complexity : berapa banyak memori yang diperlukan?
• Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda?

Langkah-langkah dalam teknik searching : 

 

1. Mendefinisikan RUANG MASALAH/RUANG KEADAAN untuk suatu masalah yg dihadapi.
2. Mendefinisikan aturan produksi yang digunakan untuk mengubah suatu “state” ke “state” lainnya.
3. Memilih metode pencarian yg tepat sehingga dapat menemukan solusi terbaik dengan usaha yang minimal.

Pada dasarnya terdapat 2 teknik pelacakan yang biasa digunakan :

1. Pencarian buta ( blind search ) 
2. Pencarian Terbimbing ( heuristic search )

 

Pengertian Teknik Pencarian dalam AI

 

Pencarian adalah suatu proses mencari solusi dari suatu permasalahn melalui sekumpulan ruang keadaan. Ruang keadaan adalah suatu ruang yang didalamnya berisi semua keadaan yang mungkin.

 

 

Kondisi dalam suatu pencarian menggunakan AI :

• Kondisi sekarang / keadaan awal 

• Keadaan Tujuan yang merupakan solusi yang dijangkau apakah sudah mencapai sasaran . 

• Biaya atau nilai yang diperoleh dari solusi

Solusi merupakan suatu lintasan dari keadaan awal sampai keadaan tujuan. 

 

 

Uniform Cost Search

Uniform Cost Search adalah algoritma Seach Tree (graph) yang digunakan untuk menyelesaikan beberapa persoalan . Algoritma ini memulai pencarian dari root node, kemudian dilanjutkan ke node-node selanjutnya. Dimana node tersebut dipilih yang memilki harga (cost) terkecil dari root node. Algoritma ini merupakan modifikasi dari Bread First Search (BFS).

Dalam implementasi algoritma ini , melibatkan semua node yang berhubungan dengan root node, dan meletakannya dalam priority queue untuk mencapai node tujuan. Dimana node – node yang dipilih merupakan node yang berharga terkecil.

Depth First Search

Algoritma DFS (Depth First Search) adalah salah satu algoritma yang digunakan untuk pencarian jalur. Contoh yang dibahas kali ini adalah mengenai pencarian jalur yang melalui semua titik.

Algoritma ini mirip dengan Algoritma BFS (Breadth First Search) yang sudah dijelaskan sebelumnya. Jika Algoritma BFS (Breadth First Search) melakukan perhitungan secara terurut dari urutan pertama sampai urutan terakhir, maka algoritma ini melakukan kebalikannya, yaitu melakukan perhitungan secara terurut dari urutan terakhir. Setelah menghabiskan semua kemungkinan dari titik terakhir, barulah mundur ke titik-titik sebelumnya sampai pada titik pertama.

Depth Limited Search

Depth Limited Search Algoritma DLS (Depth Limited Search) adalah salah satu algoritma yang digunakan untuk pencarian jalur. Contoh yang dibahas kali ini adalah mengenai pencarian jalur yang melalui semua titik.

Algoritma ini merupakan variasi dari Algoritma DFS (Depth First Search) yang sudah dijelaskan sebelumnya. Jika Algoritma DFS (Depth First Search) melakukan perhitungan (yang dimulai dengan titik terakhir) dengan cara menghabiskan semua tingkatan / kedalaman dari sebuah titik, maka algoritma ini memiliki batasan dimana perhitungan pada sebuah titik hanya dihitung sampai pada kedalaman tertentu. Setelah semua kemungkinan pada kedalaman itu sudah habis, kemudian akan dilanjutkan pada titik berikutnya. 

  

Mengenai Pengenalan Teknologi Sistem Cerdas

Kecerdasan buatan

     Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Bidang Ilmu Yang Menjadi Dasar Kecerdasan Buatan 

• Bidang Sistem Komputer

        Di bidang komputer diperlukan sebuah kecerdasan buatan, karena AI (Artificial Intelligence) bisa mengoperasikan komputer (menjalankan maupun mengambil keputusan dengan kondisi tertentu) jauh lebih cepat ketimbang manusia hanya saja pilihan nya terbatas. Manusia tidak bisa menandingi atau melakukan pekerjaan seakurat dan secepat AI tetapi kelemahannya pada saat pengambilan keputusan, AI belum bisa mengambil keputusan sempurna seperti manusia tetapi AI bisa bekerja lebih keras dan akurat dari pada manusia. contohnya : otomatisasi kantor (OA Office Automation)

• Bidang Militer

        Di bidang militer AI sangatlah berguna karena pada saat terjadinya perang menggunakan AI tidak ada awak yang akan dikorbankan pada saat di kirim ke medan perang. dengan keakuratan AI di medan perang sangatlah mematikan bagi pihak lawannya dan juga bisa di "korbankan" tanpa harus kehilangan nyawa manusia. contohnya : Drone Militer

• Bidang Kesehatan

        Di bidang kesehatan AI digunakan untuk melakukan pengamatan pada manusia. dengan keakuratan AI yang di gunakan di bidang kesehatan sangatlah membantu dokter untuk melakukan tindakan selanjutnya terhadap pasien. contohnya :Rekam Medis Elektronik.

Sejarah Kecerdasan Buatan

         

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan pondasi untuk jaringan syaraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan syaraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritma pembelajaran propagansi balik (Back-Propagation learning). Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Pengetahuan mengenai ketidakpastian dan penalaran

Ketidakpastian dan penalaran probabilitas

7.1 aksi dibawah ketidakpastian,penanganan,pengetahuan yang tidak pasti,ketidakpastian dan keputusan rasional

7.2 notasi probabilitas dasar

Menurut David Hume apabila mempergunakan argument yang disusun atas dasar pengelaman kita dimasa lampau sebagai dasar pertimbangan untuk membuat ramalan dimasa mendatang maka argument ini hanya merupakan  kemungkinan (Probabilitas). Jadi probabilitas merupakan pernyataan yang berisi ramalan tentang tingkatan keyakinan tentang terjadinya sesuatu dimasa yang akan datang.

Tingkatan keyakinan ini bisa dinyatakan dengan angka atau tanpa dengan angka. Seperti contoh untuk mengukur kemungkinan keluarnya sisi mata uang ketika diputar, karena sisi mata uang ada dua maka kemungkinan keluarnya sebuah sisi mata uang bias ditulis dengan angka yaitu ½, yang artinya terdapat 1 kemungkinan dari 2 kemungkinan.

Peluang atau kebolehjadian atau dikenal juga sebagai probabilitas adalah cara untuk mengungkapkan pengetahuan atau kepercayaan bahwa suatu kejadian akan berlaku atau telah terjadi. Konsep ini telah dirumuskan dengan lebih ketat dalam matematika, dan kemudian digunakan secara lebih luas dalam tidak hanya dalam matematika atau statistika, tapi juga keuangan, sains dan filsafat.

Probabilitas suatu kejadian adalah angka yang menunjukkan kemungkinan terjadinya suatu kejadian. Nilainya di antara 0 dan 1. Kejadian yang mempunyai nilai probabilitas 1 adalah kejadian yang pasti terjadi atau sesuatu yang telah terjadi. Misalnya matahari yang masih terbit di timur sampai sekarang. Sedangkan suatu kejadian yang mempunyai nilai probabilitas 0 adalah kejadian yang mustahil atau tidak mungkin terjadi. Misalnya seekor kambing melahirkan seekor sapi.

Probabilitas/Peluang suatu kejadian A terjadi dilambangkan dengan notasi P(A), p(A), atau Pr(A). Sebaliknya, probabilitas [bukan A] atau komplemen A, atau probabilitas suatu kejadian A tidak akan terjadi, adalah 1-P(A). Sebagai contoh, peluang untuk tidak munculnya mata dadu enam bila sebuah dadu bersisi enam digulirkan adalah .

Dalam mempelajari probabilitas, ada tiga kata kunci yang harus diketahui:

Eksperimen,

Hasil (outcome)

Kejadian atau peristiwa (event)

7.3 aksioma dan probabilitas

7.4 inferensi menggunakan “full joint distribution”

7.5 independensi

7.6 aturan bayes

7.7 representasi pengetahuan pada domain ketidakpastian

7.8 semantik pada jaringan bayesian

7.9 efisiensi representasi dari distribusai kondisional

7.10 inferensi eksak pada jaringan baysesian

7.11 inferensi aproksimasi pada jaringan bayesia

7.12 pendekatan lain penalaran ketidakpastian (Dempster-Shafer,Fuzzy logic)

Daftar Pustaka

https://fallawatekke.wordpress.com/2015/03/15/konsep-dasar-probabilitas/

Rekayasa Ontologi

Rekayasa ontologi

Dalam bidang Artificial Intelligence (AI) ontologi memiliki dua pengertian yang berkaitan:

·         Ontologi merupakan kosa kata represenstasi yang sering dikhususkan untuk domain atau subyek pembahasan tertentu.

·         Sebagai suatu body of knowledge untuk menjelaskan suatu bahasan tertentu, biasanya common sense knowledge domain dengan representation vocabulary.

Representasi dari suatu model metadata

·         Subject

·         Predicate

·         Object

·         Melakukan pendefinisian Vocabulary

Pengkategorian dan Objek

Komposisi fisik

Komposisi adalah tata susunan yang menyangkut keseimbangan, kesatuan, irama, dan keselarasan dalam suatu karya seni rupa.jadi komposisi fisik adalah susunan kesatuan dari suatu bentuk fisik / yg dapat dilihat.

Pengukuran

Pengukuran adalah penentuan besaran, dimensi, atau kapasitas, biasanya terhadap suatu standar atau satuan ukur. Pengukuran juga dapat diartikan sebagai pemberian angka tehadap suatu atribut atau karakteristik tertentu yang dimiliki oleh seseorang, hal, atau objek tertentu menurut aturan atau formulasi yang jelas dan disepakati. Pengukuran dapat dilakukan pada apapun yang dibayangkan, namun dengan tingkat kompleksitas yang berbeda. Misalnya untuk mengukur tinggi, maka seseorang dapat mengukur dengan mudah karena objek yang diukur merupakan objek kasat mata dengan satuan yang sudah disepakati secara internasional. Namun hal ini akan berbeda jika objek yang diukur lebih abstrak seperti kecerdasan, kematangan, kejujuran, kepribadian, dan lain sebagainya sehingga untuk melakukan pengukuran diperlukan keterampilan dan keahlian tertentu.

Substansi

Watak sebenarnya,inti dari sesuatu.

Objek

Sesuatu yang sedang dibicarakan/dijadikan pokok acuan/target.

Aksi,situasi dan kejadian/event

·         Aksi

Adalah tindakan yang dilakukan berdasarkan suatu kejadian.

·         Situasi

Keadaan sekitar yang sedang berlangsung.

Mental objek dan mental objek

·         Pengetahuan dan kepercayaan

              Pengetahuan adalah informasi yang diketahui atau disadari oleh manusia, atau pengetahuan adalah berbagai gejala yang ditemui dan diperoleh manusia melalui pengamatan indrawi. Pengetahuan akan muncul ketika orang menggunakan akal atau indranya untuk mengenali benda atau peristiwa tertentu yang belum pernah dilihat atau dirasakan. Misalnya, saat pertama kali orang makan cabai maka Dia akan tahu bagaimana rasa cabai itu, bentuknya, warnanya, atau bahkan akan bertanya-tanya apa zat-zat apa yang dikandungnya.

              Pengetahuan empiris menekankan pada pengamatan dan pengalaman indrawi, sedangkan pengetahuan rasional didapatkan melalui akal budi. Misalnya, orang mengetahui bahwa cabai rasanya pedas karena dia pernah memakannya. Tidak mungkin hanya dengan dipikir-pikir orang itu akan mengetahui bahwa rasa cabai adalah pedas. Nemun, pernyataan 1+1=2 adalah hasil dari pemikiran (akal) manusia, bukan merupakan suatu pengamatan empiris.

                Keyakinan adalah suatu sikap yang ditunjukkan manusia saat dia merasa cukup tahu dan menyimpulkan bahwa dirinya telah mencapai kebenaran. Maksudnya adalah orang akan merasa yakin kalau apa yang mereka ketahui adalah benar. Jadi, keyakinan terjadi setelah orang percaya adanya suatu kebenaran.

Menurut teori kebenaran sebagai kesesuaian, keyakinan adalah suatu pernyataan yang tidak disertai bukti yang nyata. Misalnya, petir disebabkan oleh amukan para dewa. Pernyataan ini tidak bisa dibuktikan, sehingga hanya bisa dikatakan sebagai suatu keyakinan. Sementara pernyataan petir disebabkan kerena adanya tabrakan antara awan yang bermuatan positif dan negative adalah suatu kebenaran, karena dapat dibuktikan. Sehingga pernyataan ini disebut sebagai pengetahuan.

·         Pengetahuan waktu dan aksi

Sistem penalaran untuk pengkatagorian

·         Jaringan semnatik

                Jaringan semantik adalah gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek, terdiri dari lingkaran-lingkaran yang dihubungkan dengan anak panah

Penalaran dengan informasi default

Manusia memecahkan masalah melalui kombinasi antara fakta dan pengetahuan (knowledge). Penalaran (reasoning) adalah proses yang berhubungan dengan pengetahuan, fakta, dan strategi pemecahan masalah (problem solving) untuk mendapatkan konklusi/penyelesaian. Berbagai metode penalaran yang lazim adalah deduksi, induksi, abduktip, analogi, dan akal sehat, berikut ini penjelasan singkatnya.

Deduksi (deduction)

                Manusia menggunakan deduksi untuk mendapatkan informasi baru dari informasi yang sudah diketahui (pengetahuan) yang ada relasinya. Penalaran deduksi menggunakan fakta-fakta dari masalah yang ada dan pengetahuan umum yang sesuai yang pada umumnya berbentuk aturan (rules) atau implikasi (implications), jadi dari hal yang umum, dikenakan pada hal yang khusus, model deduksi adalah:

Fakta + Rule -> Efek dengan rule dalam bentuk:

If <cause/premise> then <effect/conclusion>

Jika <sebab/premis> Maka <akibat/konklusi>

Sebagai contoh:

Aturan/implikasi: Jika saya berdiri di hujan, maka saya akan basah.

Fakta/premis : saya berdiri di hujan

Konklusi : saya akan basah

                Penalaran deduksi sangat menarik secara logika dan merupakan teknik solusi masalah yang paling umum digunakan oleh manusia. Aturan inferensi (penyimpulan) yang disebut modus ponens adalah bentuk dasar dari penalaran deduksi dengan formula sbb.:

Jika A adalah benar, dan Jika A maka B adalah benar, maka B adalah benar

Induksi (Induction)

Manusia menggunakan induksi untuk mendapatkan kesimpulan umum (general conclusion) dari sekumpulan/himpunan fakta melalui proses generalisasi. Ini bagaikan transisi dari jumlah sedikit ke semua. Model induksi adalah:

Cause + Effect -> Rule

Proses induksi dijelaskan oleh Firebaugh (1988) sbb.

Untuk suatu himpunan objek X = {a,b,c,d, …}, jika sifat P adalah benar untuk a, dan jika sifat P adalah benar untuk b, dan jika sifat P adalah benar untuk c, …, maka sifat P adalah benar untuk semua X.

Sebagai contoh:

Fakta/premis : aluminium dipanaskan memuai

Fakta/premis : besi dipanaskan memuai

Fakta/premis : tembaga dipanaskan memuai

Konklusi : secara umum, semua besi bila dipanaskan akan memuai

Abduktip (Abductive)

Abduktip adalah bentuk deduksi yang memungkinkan menarik kesimpulan yang bersifat “plausible”. Plausible (masuk akal) adalah konklusi yang ditarik dari informasi yang tersedia, namun ada kemungkinan konklusi itu salah, jadi model abduktip adalah:

Jika B adalah benar, dan Jika A maka B adalah benar, maka A adalah benar?

Atau effect + rule -> cause

Sebagai contoh:

Aturan : Tanah basah jika hari hujan.

Fakta : Tanah basah.

Konklusi : Hari hujan?

                Jadi, diberikan fakta satu-satunya bahwa tanah basah, penyimpulan plausible menghasilkan konklusi hari hujan. Padahal, konklusi ini bisa salah, karena ada banyak hal yang menyebabkan tanah basah, misalnya seseorang siram-siram tanaman. Abduktip, sebagai salah satu metode penalaran, sering dipakai oleh dokter dalam mendiagnose pasien, maka diagnose dapat saja salah.

Analogi

                Manusia membentuk model mental tentang konsep melalui pengalaman. Manusia menggunakan model ini melalui penalaran analogi untuk membantu memahami suatu masalah/situasi. Mereka lalu menarik analogi diantara masalah dan model, mencari kesamaan dan perbedaan untuk dapat menyimpulkan.

Sebagai contoh:

                Misalkan seorang dokter yang sudah puluhan tahun praktek, maka pengalamannya dalam bentuk kasus-kasus sudah sedemikian banyaknya. Bila kasus-kasus tersebut dapat disimpan secara cerdik dalam database kasus, maka dapat dipergunakan untuk menyelesaikan masalah baru bagi pasien baru tanpa dokter itu hadir (otomasi). Pasien baru memasukan karakter berikut data-data (keluhan) dari sakitnya, kemudian sistem mencari kasus pasien lama yang serupa keluhannya untuk ditampilkan solusinya, yaitu obat beserta dosisnya. Pengalaman adalah guru terbaik, maka pengalaman perlu disimpan secara cerdik untuk memecahkan persoalan baru yang mirip!

Akal Sehat (Common-sense)

Lewat pengalaman, manusia belajar memecahkan persoalan secara effisien. Mereka menggunakan akal sehat untuk dengan cepat menarik kesimpulan. Akal sehat lebih cenderung berdasar pada kebijakan-kebijakan (judgments) yang baik daripada logika yang eksak. Contoh akal sehat adalah: Di suatu bengkel ditemukan suara klik-klik-klik dalam mesin sepeda motor, seorang montir yang berpengalaman, tanpa membongkar mesinnya, langsung dapat menyimpulkan bahwa ring piston pada silinder mesin itu perlu diganti. Pengetahuan akal sehat ini diperoleh dari pengalamannya mengerjakan banyak sepeda motor selama bertahun-tahun. Jenis pengetahuan seperti ini disebut sebagai heuristik (heuristic) atau rule-of-thumb. Akal sehat tidak menjamin ditemukannya solusi, namun ia menjamin kecepatan menemukan solusi.

Penalaran Tidak Monoton (non-monotonic)

Penalaran pada suatu masalah pada umumnya menggunakan informasi yang statis, artinya selama melakukan penyelesaian masalah, keadaan (nilai benar atau salah) bermacam fakta dianggap tetap konstan. Penalaran semacam ini disebut sebagai penalaran monoton (monotonic reasoning). Dalam beberapa masalah, ditemukan bahwa keadaan beberapa fakta (variabel) bersifat dinamis, sebagai ilustrasi adalah aturan sbb.:

IF Angin berhembus

THEN Kursi goyang akan berayun

Kemudian coba amati kejadian berikut, lalu apa yang terjadi dengan aturan diatas:

Hei, ada angin topan! -> ada Angin berhembus -> Kursi berayun

Seiring berlalunya angin topan, kita berharap kursi berayun. Namun, saat angin topan telah berlalu, kita berharap bahwa kursi sudah berhenti berayun. Namun sistem yang menggunakan penalaran monoton akan tetap menganggap bahwa kursi tetap berayun!

Manusia dengan ke enam inderanya tidak merasa sulit untuk mengikuti perubahan status informasi variabel yang dinamis. Bila terjadi perubahan yang dinamis, mereka dengan mudah menyesuaikan diri. Gaya penalaran semacam ini disebut penalaran yang tidak monoton. Untuk bidang AI, seperti expert system, dibutuhkan suatu sistem untuk memelihara kebenaran yang dinamis bila ingin melakukan penalaran yang tidak monoton. 

Referensi : 
http://studyres.com/doc/8559253/ontologi-dalam-penyebaran-knowledge-dan-rekayasa-b2b-net
https://id.wikipedia.org/wiki/Pengukuran
http://handikap60.blogspot.co.id/2013/10/pengertian-proporsi-komposisi.html
http://gadung-gadung.blogspot.co.id/2010/01/pengetahuan-dan-keyakinan-beda-dan.html
https://ariesre.wordpress.com/2010/10/25/jaringan-sematik-dan-script/
http://pbsabn.lecture.ub.ac.id/2012/05/penalaran-manusia/
http://anggaradelta.blogspot.co.id/2017/10/pengetahuan-dan-penalaran-representasi.html#comment-form