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

Agen

1. Pengetahuan Berbasis Agen

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). q 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.

2. Logika

Secara etimologis, logika adalah istilah yang dibentuk dari kata logikosyang berasal dari kata benda logos. Kata logos, berarti sesuatu yang diutarakan, suatu pertimbangan akal (pikiran), kata, percakapan, atau ungkapan lewat bahasa. Kata logikos, berarti mengenal kata, mengenai percakapan atau yang berkenaan dengan ungkapan lewat bahasa. Dengan demikian, dapatlah dikatan bahwa logika adalah suatu pertimbangan akal atau pikiran yang diutrakan lewat kata dan dinyatakan dalam bahasa.

3. Logika Proposi / Logika Sederhana

a.   Sintaks

·   Jika S adalah kalimat, ⌐S adalah kalimat (negasi)

·   Jika  S₁ dan S₂ adalah kalimat, S₁ Ʌ S₂ adalah kalimat (conjunction)

·   Jika  S₁ dan S₂ adalah kalimat, S₁ V S₂ adalah kalimat (disjunction)

·   Jika Jika  S₁ dan S₂ adalah kalimat, S₁ → S₂ adalah kalimat (implication)

·   Jika  S₁ dan S₂ adalah kalimat, S₁ ↔ S₂ adalah kalimat (biconditional)

2. Semantik

·   Sebuah model memberi nilai true/ false terhadap setiap proposisi, misal P_1,2 = true, P_2,2 = true, P_3.1 = false.

·   Sebuah proses rekursif bisa mengevaluasi kalimat sembarang: ⌐P_1,2 Ʌ (P_2,2 V P_3,1) = true Ʌ (false V true) = true Ʌ true = true.

c.   Inferensi

 bisa dilakukan menggunakan tabel kebenaran untuk membuktikan entailment dari suatu knowledge. Sehingga kita dapat membuktikan apakah KB |= α₁ menggunakan tabel kebenaran (sejenis model checking), di mana α₁ menyatakan kamar di [1, 2] aman.

d.  Ekuivalen

Berdasarkan kamus besar Bahasa Indonesia kata ekuivalen itu bermakna nilai yang sebanding. Jadi dalam formula logika proposisi. Terdapat formula-formula yang memiliki operator logika yang berbeda tetapi nilai kebenaran dari formula tersebut bernilai sama, entah itu bernilai TRUE atau FALSE.

e.   Validitas

Konklusi sebaiknya diturunkan dari premis-premis atau premis-premis selayaknya mengimplikasikan konklusi. Dalam argumentasi yang valid, konklusi akan bernilai benar jika setiap premis yang digunakan di dalam argumen juga bernilai benar. Jadi validitas argumen tergantung pada bentuk argumen itu dan dengan bantuan tabel kebenaran.Konklusi itu benar jika mengikuti hukum-hukum logika yang valid dari aksioma-aksioma sistem itu, dan negasinya adalah salah. Untuk menentukan validitas suatu argumen dengan selalu mengerjakan tabel kebenarannya tidaklah praktis. Cara yang lebih praktis banyak bertumpu pada tabel kebenaran dasar dan bentuk kondisional. Bentuk argumen yang paling sederhana dan klasik adalah Modus ponens dan Modus tolens.

4. Pola Penalaran pada Logika Proposisi

·         forward chaining :

aplikasi rule yang premise-nya diketahui benar dalam KB, kemudian tambahkan conclusionnya ke dalam KB, ulangi sampai query (Q) terbukti. Sehingga bisa dikatakan kinerja dari forward chaining merupakan metode bottom up dari fakta menuju konklusi.

·         backward chaining:

 digunakan untuk membuktikan query (Q), dengan cara memeriksa Q jika sudah diketahui, atau secara rekursif, dengan membuktikan semua premise rule yang conclusion-nya Q (dikenal sebagai metode top down).

Dalam backward chaining ada beberapa hal yang perlu diketahui :

·         Menghindari loop : dengan cara memeriksa apakah sub-goal yang baru sudah ada di goal stack.

·         Menghindari perulangan pekerjaan : periksa apakah sub-goal yang baru sudah dibuktikan benar atau sudah dibuktikan salah.

5. Inferensi Proposisi yang Efektif

1.       Algoritma Backtraking

Algoritma backtracking merupakan salah satu metode pemecahan masalah yang termasuk dalam strategi yang berbasis pencarian pada ruang status. Algoritma backtracking bekerja secara rekursif dan melakukan pencarian solusi persoalan secara sistematis pada semua kemungkinan solusi yang ada. Oleh karena algoritma ini berbasis pada algoritma Depth-First Search (DFS), maka pencarian solusi dilakukan dengan menelusuri struktur berbentuk pohon berakar secara preorder. Algoritma backtracking merupakan bentuk tipikal  dari algoritma rekursif.Saat ini algoritma backtracking banyak diterapkan untuk program games (seperti permainan tic-tac-toe, menemukan jalan keluar dalam sebuah labirin, catur, dll) dan masalah-masalah  pada bidang kecerdasan buatan (artificial intelligence).

6. Agen Berbasis Logika Proposisi

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). 

Sumber:

http://definisimu.blogspot.co.id/2012/10/definisi-logika.html

http://yogipratama97.blogspot.co.id/2016/10/pengenalan-logical-agents.html

http://kadekdimas.blogspot.co.id/2015/12/algoritma-backtraking.html

PENCARIAN BERBENTUK /HEURISTIK SEARCH DAN EKSPLORASI

PENCARIAN BERBENTUK /HEURISTIK SEARCH DAN EKSPLORASI

Strategi pencarian berbentuk/heuristic search stragegy Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu. Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness). Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik). Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. Jenis-jenis Heuristic Searching : 1. Greedy Best-First search Greedy Best-First adalah algoritma best-first yang paling sederhana dengan hanya memperhitungkan biaya perkiraan (estimated cost) saja, yakni f(n) = h(n). Biaya yang sebenarnya (actual cost) tidak diperhitungkan. Dengan hanya memperhitungkan biaya perkiraan yang belum tentu kebenarannya, maka algoritma ini menjadi tidak optimal. 2. A* search A* adalah algoritma best-first search yang menggabungkan Uniform Cost Search dan Greedy Best-First Search. Biaya yang diperhitungkan didapat dari biaya sebenarnya ditambah dengan biaya perkiraan. Dalam notasi matematika dituliskan sebagai f(n)= g(n) + h(n). Dengan perhitungan biaya seperti ini, algoritma A* adalah complete dan optimal. 3. SMA (Simplified Memory-Bounded A*) SMA* adalah contoh dari sebuah mekanisme pencarian “lossy“. Dalam rangka untuk mengurangi konsumsi memori, hal ini membuang informasi, dengan asumsi bahwa informasi yang dibuang itu tidak penting. Bagaimanapun, tidak ada jaminan bahwa hal itu tidak penting. Dalam semua kasus dengan SMA*, jalur yang ditemukan tidak memiliki jaminan menjadi jalur yang optimal. Pada awal pencarian, node yang tidak menjanjikan bisa saja dibuang. Menetapkan limit yang besar pada ukuran open list dapat membantu meringankan masalah ini, namun fungsi untuk mengurangi penggunaan memori menjadi terbuang. Pada kasus ekstrem yang lain, dengan memberi limit 1 simpul pada open list, ini bisa mempercepat sekaligus mengurangi penggunaan memori dalam pencarian, namun jalur yang ditemukan bisa tidak optimal . Fungsi heuristic Heuristic digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. Algoritma pencarian lokal dan masalah optimisasi 1. Hill Climbing Search 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. 2. Simulated Annealing Search Simulated annealing 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. 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. 3. Local Beam Search Local Beam Search adalah algoritma pencarian heuristik yang mengeksplorasi grafik dengan memperluas simpul yang paling menjanjikan dalam rangkaian terbatas. Penelusuran beam adalah optimalisasi pencarian terbaik pertama yang mengurangi kebutuhan memori. Pencarian terbaik pertama adalah penelusuran grafik yang memerintahkan semua solusi parsial (negara bagian) menurut beberapa heuristik yang mencoba memprediksi seberapa dekat solusi parsial dengan solusi lengkap (goal state). Tapi dalam pencarian balok, hanya sejumlah solusi parsial terbaik yang telah ditentukan dijaga sebagai kandidat. 4. Genetic Algorithm Genetic Algorithm (GA) adalah metaheuristik yang terinspirasi oleh proses seleksi alam yang termasuk dalam kelas yang lebih besar dari algoritma evolusioner (EA). Algoritma genetika biasanya digunakan untuk menghasilkan solusi berkualitas tinggi untuk optimasi dan masalah pencarian dengan mengandalkan operator terinspirasi bio seperti mutasi, crossover dan seleksi. Agen pencarian online dan lingkungan yang tidak diketahui. Agen cerdas adalah (intelligent agent) kian populer seiring dengan perkembangan internet. Berbagai nama lain yang juga menyatakan agen cerdas yaitu software agent, wizard, knowbot, dan softbot. Russel dan norving (1995, hal 31) mendefinisikan agent sebagai “segala sesuatu yang dapat dipandang menangkap lingkungan melalui efektor.” Sensor adalah bagian yang merangsang tindakan agen, sedangkan efektor adalah bagian yang di gunakan oleh agen untuk melakukan tindakan. Agen yang berupa perangkat lunak, atau bisa disebut agen cerdas, adalah perangkat lunak yang dapat bertindak seperti orang yang mampu berinteraksi dengan lingkungan. Contoh: · Agen sistem operasi · Agen spreadsheet · Agen perdagangan elektronis Agen sistem operasi digunakan untuk membantu penggunaan sistem operasi digunakan untuk membantu penggunaan sistem operasi. Contoh, microsoft memiliki sejumlah agen yang dinamakan wizard pada sistem operasi yang di buatnya; misalnya Windows NT. Agen ini digunakan antara lain untuk menambah nama pemakai, mengelola grup pemakai, dan manajemen berkas. Agen spreadsheet digunakan untuk membuat program spreadsheet menjadi lebih mudah digunakan oleh pemakai. Contoh, Office Assistant pada excel dapat “mengamati” pemakaidan jika terjadi sesuatu yang perlu untuk dibantu, agen cerdas akan memberikan saran. Agen untuk perdagangan elektronis digunakan untuk membantu pemakai yang akan melakukan belanja secara online.

 Daftar Pustaka: https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=10&cad=rja&uact=8&ved=0ahUKEwizyc-R9tHWAhWCqo8KHUwOC6IQFghhMAk&url=https%3A%2F%2Fdeisyamalia.files.wordpress.com%2F2012%2F03%2Fmakalah-ai.docx&usg=AOvVaw05Vt1vhNqP8qnlEu1qlv1t http://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.html https://duniait2016.wordpress.com/2016/02/26/metode-search-dalam-kecerdasan-buatan/ https://rinnooberta.wordpress.com/2013/10/29/pencarian-heuristik/ https://en.wikipedia.org/wiki/Beam_search http://tekomp13unpad.blogspot.co.id/2013/09/kecerdasan-buatan.html