METODE PENCARIAN

Pencarian adalah suatu proses mencari solusi suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan(state space). Sedangkan Metode Pencarian adalah bagian dari kesimpulan dimana setiap pendapat yang diberikan menggambarkan hipotesis dalam sebuah rangkaian deduktif.Metode pencarian dianggap penting dalam sebuah perencanaan karena dalam sebuah permainan akan menentukan apa yang harus dilakukan, dimana setiap pendapat menggambarkan kemungkinan posisi suatu saat. Selain itu metode pencarian juga dikatakan penting untuk menyelesaikan permasalahan karena setiap pendapat menggambarkan langkah - langkah untuk menyelesaikan suatu permasalahan.

A. Metode Pencarian Buta
1. Breadth First Search (BFS)
BFS merupakan pencarian yang dilakukan dengan mengunjungi setiap node secara sistematis pada tiap level hingga keadaan tujuan (goal state) ditemukan. Dengan kata lain semua node pada level n akan dikunjungu terlebih dahulu sebelum mengunjungi node - node pada level n+1. Pencarian dimulai node akar terus ke node level satu dari kiri ke kanan begitu juga ke node level selanjutnya. Untuk lebih jelasnya seperti pada gambar di bawah ini :

Contoh penerapan dari Breadth First Search pada simulasi rute terpendek lokasi pariwisata di nias. Dengan cara kerjanya adalah pengguna memasukkan tujuan awal dan akhir dari lokasi pariwisata yang ingin dikunjungi. Kemudian program akan menelusiri dari titik pangkal karena titik tersebut merupakan titik dengan level tertinggi. Maka selanjutnya program akan melanjutkan penelusuran dengan menjelajahi titik - titik pada level dibawahnya. Setelah semua titik dijelajahi oleh program maka akan ditemukan jalur terpendek dari rute perjalanan tersebut. 

2. Depth First Search (DFS)
DFS merupakan pencarian yang dilakukan dari node awal secara mendalam (deep) hingga akhir node yang paling akhir (dead-node). Dengan kata lain pencarian dimulai dari akar ke level yang lebih tinggi dan prosesnya diulangi sampai ditemukan solusinya.

Contoh penerapan dari Depth First Search pada pencarian rute bis kota berbasis web mobile. Cara kerja dari penerapan tersebut adalah Depth First Search akan mencari semua solusi yang dapat terjadi pada semua rute dimulai dari simpul yang paling kiri dengan level paling tinggi sampai ke simpul paling kanan dengan level terdalam. Lalu hasil pencarian dengan metode Depth First Search dapat menampilkan semua solusi yang dapat terjadi sesuai dengan keinginan si pemakai baik dari segi jarak atau biaya yang paling optimal.


B. Metode Pencarian Heuristik
1. Generate & Test (GT)
GT merupakan metode yang paling sederhana dalam pencarian heuristik. Algoritma yang diguanakan oleh GT menggunakan prosedur DFS karena suatu solusi harus dibangkitkan secara lengkap sebelum dilakukan test.
Terdapat 2 prosedur penting di dalam GT yaitu :

• Pembangkit (generate,) yang membangkitkan semua solusi yang memungkinkan.
• Test, yang menguji solusi yang di bangkitkan.

Contoh penerapan dengan menggunakan Generate & Test adalah Travelling Salesman Problem. Dimana seorang salesman ingin mengunjungi sejumlah n kota. Akan dicari rute terpendek di mana setiap kota hanya boleh dikunjungi tepat 1 kali. Jarak antara tiap- tiap kota sudah diketahui. Misalkan ada 4 kota dengan jarak antara tiap - tiap kota seperti terlihat pada gambar berikut

Lalu untuk membangkitkan solusi - solusi yang mungkin dengan menyusun kota kota tersebut dalam urutan abjad seperti :

• A-B-C-D
• A-B-D-C
• A-C-B-D
• A-C-D-B
• Dst

Untuk mengetahui jumlah seluruh kombinasi abjad  yang mungkin menjadi sebuah solusi dengan (n!). Lalu dipilih keadaan awal misalnya ABCD dengan panjang lintasan 19. Lakukan backtracking untuk mendapatkan lintasan ABDC misalkan panjang lintasannya 18. Bandingkan lintasan ABDC dengan sebelumnya, dan lintasan terpendek yang akan dilakukan backtracking lagi. Solusi terbaik adalah menemukan lintasan terpendek dari kota yang dilewati. Untuk lebih jelasnya dapat dilihat dalam bentuk table dibaawah ini.

2. Hill Climbing (HC)
Metode HC mirip dengan metode GT namun pembedanya adalah umpan balik (feedback) yang berasal dari prosedur pengujian digunakan untuk memutuskan arah gerak dari pencarian. Terdapat 2 macam metode HC yaitu : 

• Simple Hill Climbing, langsung memilih new state yang memiliki jalur lebih baik dari pada jalut - jalur sebelumnya tanpa memperhitungkan jalur - jalur lain yang lebih "curam".
• Steepest-Ascent Hill Climbing, akan mengevaluasi semua state yang berada di bawah current state dan memilih state dengan jalur yang paling "curam".

Contoh kasus pada Hill Climbing sama dengan Generate & Test yaitu menggunakan kasus Travelling Salesman Prolem. Disini operator yang digunakan adalah operator yang bisa menghasilkan kombinasi lintasan kota yang berbeda yaitu dengan menukar urutan posisis 2 kota dalam suatu lintasan. Bila ada kota n maka kombinasi lintasannya adalah : 

Dari perhitungan kombinasi diatas maka jika terdapat 4 kota maka kombinasinya ada 6 yaitu :

1. (1,2) tukar urutan posisi kota 1 dengan kota 2
2. (2,3) tukar urutan posisi kota 2 dengan kota 3
3. (3,4) tukar urutan posisi kota 3 dengan kota 4
4. (4,1) tukar urutan posisi kota 4 dengan kota 1
5. (2,4) tukar urutan posisi kota 2 dengan kota 4
6. (1,3) tukar urutan posisi kota 1 dengan kota 3

Pada pencarian ini, penggunaan urutan dari kombinasi harus konsisten. Setelah kombinasi ditentukan maka digunakan kombinasi Simple Hill Climbing dengan keadaan awal ABCD.

 

Keadaan awal, lintasan ABCD = 19. Level pertama, Hill Climbing mengunjungi BACD = 17. Karena BACD lebih kecil dari ABCD maka BACD yang dipilih selanjutnya dengan operator tukar 1,2.Untuk level kedua mengunjungi ABCD karena operator tukar 1,2 sudah dipakai BACD dan pilih node lain yaitu BCAD = 15 karena BCAD lebih kecil dari BACD. Untuk level ketiga mengunungi CBAD = 20 karena CBAD lebih besar dari BCAD maka kita pilih node lain yaitu BCDA = 18. Namun masih lebih besar jadi pilih DCAB = 17. Namun masih lebih besar kita pilih node BDAC = 14 karena nilai nodenya sudah lebih kecil dari BCAD.

Untuk level keempat mengunjungi DBAC - 15, karena DBAC lebih besar dari BDAC jadi kita pilih node lain yaitu BDCA = 13 dan nilai node BDCA sudah lebih kecil dari BDAC. Level kelima mengunjungi DBCA = 12. Karena nilai node DBCA sudah lebih kecil dari BDAC maka nodenya langsung dipilih. Untuk level keenam mengunjungi BDCA karena operator tukar 1,2 sudah dipakai DBCA maka pilih node lain yaitu DCBA, lalu pilih DBAC, lalu pilih ABCD, lalu pilih DACB dan pilih CBDA. Karena sudah tidak ada node yang memiliki nilai heuristik yang lebih kecil dibandingkan dengan nilai heuristik DBCA maka node DBCA adalah lintasan terpendek (solusi).

Sumber Referensi :

• Anonim. "Bab 4 Algoritma Pencarian (Searching Algorithm)". 
• Handoko Prio. "Bab 2 Teknik Dasar Pencarian". 
• Zamanhuri Irvanizam, Gani Taufiq A. "Heuristic Search".
• Herwanto Arif, Eka Purnama Bambang. 2013. "PENERAPAN METODE DEPTH FIRST SEARCH PADA PENCARIAN RUTE BUS KOTA BERBASIS WEB MOBILE DI SOLO".
• Zai Delima, Budiati Haeni, Sandino Berutu Sunneng. 2016. "SIMULASI RUTE TERPENDEK LOKASI PARIWISATA DI NIAS DENGAN METODE BREADTH FIRST SEARCH DAN TABU SERCH".

REPRESENTASI PENGETAHUAN

Pengertian Pengetahuan
Setiap manusia yang lahir ke dunia pasti memiliki yang namanya akal. Dengan akal tersebut manusia melakukan pemikiran. Selain itu manusia juga memiliki rasa ingin tahu terhadap sesuatu. Karena dua hal tersebut manusia selalu mencari tahu jawaban dari suatu hal yang sebelumnya tida diketahui ataupun jawaban dari sebuah permasalahan yang ada. Proses dari pencarian yang dilakukan manusia dapat juga di katakana sebagai pengetahuan. Selain itu pengetahuan juga dapat dikatakan sebagai fakta atau kondisi untuk mengetahui sesuatu dengan familiar, yang dapat di peroleh melalui pengalaman ataupun asosiasi. Dalam kamus besar bahasa Indonesia “Pengetahuan adalah segala sesuatu yang diketahui”. Selain itu menurut beberapa para ahli memberikan pengertian tentang pengetahuan tersendiri diantaranya :

• Pudjawidjana “Pengetahuan sebagai suatu reaksi yang ada pada manusia dengan segala rangsangan yang terjadipada alat indranya untuk melakukan pengindraan jauh pada objek tertentu”. 
• Notoatmodjo “Pengetahuan merupakan hasil dari daya tahunya setelah orang tersebut melakukan pengindraan jauh”. 
• Onny S. prijono “Pengetahuan merupakan sesuatu yang didapatkan dari hasil daya tahu yang nantinya dapat berbentuk sebuah inormasi. Pross dari daya tahu tersebut seperti melihat, mendengarkan, merasakan dan berfikir yang menjadi dasar manusia dan bersikap maupun bertindak”.

Macam - Macam Pengetahuan
Berdasarkan sumbernya pengetahuan dapat dibedakan menjadi 2 yaitu :

• Pengetahuan formal adalah pengetahuan yang terdapat dalam sebuah buku , jurnal, bulletin ilmiah dan yang lainnya. 
• Pengetahuan non formal adalah pengetahuan – pengetahuan praktis dalam suatu bidang tertentu yang diperoleh seorang pakar dari pengalam yang dia dapatkan dalam bidang tertentu dengan waktu yang cukup lama. 

Berdasarkan cara merepresentasikan pengetahuan dibedakan menjadi 3 yaitu :

• Pengetahuan heuristic adalah pengetahuan yang berbentuk hirarki yang biasanya di gambarkan dalam bentuk diagram pohon pengetahuan. 
• Pengetahuan procedural adalah pengetahuan yang dapat dipresentasikan sebagai suatu proses yang disimpan dalam bentuk kode. 
• Pengetahuan deklaratif adalah pengetahuan yang dapat disimpan bentuk berkas data sehingga dapat disimpan secara terpisah dari program.

Jenis - Jenis Pengetahuan 

• Procedural Knowledge adalah pengetahuan bagaimana seseorang melakukan sesuatu atau bagaimana performans seseorang dalam menjalankan langkah – langkah sebuah proses. Biasanya terdiri dari peraturan atau rules, starategi, agenda dan prosedur. 
• Declarative Knowledge adalah pengetahuan factual yang diketahui seseorang. Pengetahuan ini dapat berupa lisan maupun tulisan yang dapat diungkapkan dengan bail oleh seseorang. Biasanya terdiri dari konsep, objek dan fakta.
• Meta-Knowledge adalah pengetahuan tentang berbagai jenis pengetahuan dan bagaimana menggunakannya.
• Heuristic Knowledge 
• Structural Knowledge adalah pengetahuan yang berisi aturan, concept relationship dan concept to object relationship.

Pengertian Representasi Pengetahuan
Representasi pengetahuan adalah bagian dari kecerdasan buatan yang konsen kepada pemahaman, desain dan peimplementasikan bagaimana representasi informasi sebuah program dapat digunakan. Selain itu dalam sistem pakar representasi pengetahuan adalah metode yang digunakan dalam sebuah sistem pakar yang berbasis pengetahuan. Representasian yang di maksud adalah untuk menangkap sifat – sifat penting problema dan membuat informasi tersebut dapat di akses oleh produser pemecah problema. Suatu representasi dapat dikatakan baik jika : 

• Mengemukakan hal secara eksplisit 
• Membuat masalah menjadi transparan 
• Lengkap dan efisien 
• Menghilangkan detail – detail yang diperlukan.
• Dapat dilakukan komputasi (ada batasan)

Selain itu Mylopoulos dan Levesque mengklasifikasikan susunan atau pola representasi menjadi 4 katakeori yaitu :

• Representasi logika, menggunakan ekspresi - ekspresi dalam logika formal untuk mempresentasikan basis pengetahuan. 
• Representasi Prosedural, menggambarkan pengetahuan sebagai sekumpulan instruksi untuk memecahkan suatu masalah. 
• Representasi Network, menyatakan pengetahuan sebagai sebuah graf dimana simpul-simpulnya menggambarkan obyek atau konsep dalam masalah yang dihadapi, sedangkan lengkungannya menggambarkan hubungan antar mereka.
• Representasi Terstruktur, memperluas network dengan cara membuat setiap simpulnya menjadi sebuah struktur data kompleks yang berisi tempat-tempat bernama slot dengan nilai-nilai tertentu.

Keuntungan Membuat Representasi Pengetahuan

• Dapat membuat objek dan relasi yang penting menjadi lebih jelas 
• Dapat menyingkap batasan dalam suatu permasalahan 
• Dapat menghilangkan semua komponen yang tidak berhubungan dengan permasalahan yang sedang di selesaikan. 
• Dapat membuat masalah menjadi lebih ringkas. 
• Dapat menjadikan permasalahan yang di selesaikan terkomputerisasi.

Teknik Representasi Pengetahuan
A. Jaringan semantik
Jaringan semantik adalah jaringan data dan informasi yang menunjukkan hubungan antar berbagi objek. Dalam matematika, jaringan semantik merupakan suatu label atau graph berarah. Struktur jaringan semantik terdiri dari node atau simpul dan busur atau arc yang menghubungkannya. Simpul menyatakan objek sedangkan busur menyatakan links. Links dari jaringan semantik digunakan untuk menunjukkan hubungan (relationship) antar simpul-simpul tersebut. Jaringan semantic dapat menunjukkan sebuah pewarisan, mepresentasikan hubungan visual dan dapat digabungkan dengan metode representasi yang lain. Jaringan semantik dapat diperluas dengan 3 cara yaitu :

• Menambahkan dengan objek yang sama 
• Menambahkan dengan objek yang lebih khusus 
• Menambahkan dengan objek yang lebih umum

Selain menambahkan sebuah jaringan semantic juga dapat mewariskan sifatnya ke jaringan semantic lainnya atau dapat disebut dengan inheritance. Jaringan semantic juga memiliki yang namanya penanganan pengecualian (exception handling) yaitu teknik sederhana untuk menangani sebuah masalah yang meruppakan suatu kelemahan pada jaringan semantic.

B. Frame
Frame adalah struktur data untuk mempresentasikan atau menyimpan pengetahuan dari suatu konsep atau objek yang berupa blok atau potongan. Frame ini pertama kali diusulkan oleh Minsky pada tahun 1981 dan menurut dia frame adalah sebuah oleksi dari pertanyaan tentang situasi hypothetical. Sebuah frame terdiri dari dua elememn dasar, yaitu slot dan facet. Sebuah slot adalah sebuah atribut yang mengambarkan objek. Misalnya frame mobil, memiliki slot berat, panjang, dan warna. Setiap slot memiliki satu atau lebih facet. Facet sendiri terdiri dari dua komponen,yaitu jenis facet dan nilai facet. Facet sendiri memiliki beberapa jenis yaitu :

• Value (val) adalah jenis facet yang mempresentasikan nilai tertentu dari sebuah atribut yang dituliskan di dalam slot 
• Default (def) adalah jenis facet yang digunakan untuk menentukan nilai dasar dari slot. Jika slotnya kosong dan tidak di isi dengan nilai baru maka yang berlaku adalah nilai dasar tersebut. 
• Range (range), adalah jenis facet yang digunakan hanya untuk slot yang bertipe numeric. 
• If added (add) adalah jenis facet yang mengandung pengetahuan procedural. Jika nilai slot yang bersngkutan ditambah atau diubah maka facet ini akanmengaktifkan sebuah prosedur yang disebut demons. 
• If needed (need) adalah jenis facet yang mengaktifkan prosedur ketika nilai dalam slot diperlukan. 
• Other adalah jenis facet yang berisi pointer yang digunakan untuk menunjuk ke frame yang lain.

C. Aturan produksi (Rules)
Aturan adalah sebuah pengetahuan prosedural yang menghubungkan informasi yang diberikan dengan tindakan (action). Ada beberapa jenis rules diantaranya sebagai berikut :

• Relationship / hubungan Rekomendasi 
• Strategi 
• Heuristic 
• Interpretasi 
• Diagnosa 
• Desain

Rules memiliki beberapa keunggulanya diantaranya :

• Modifikasi dan perawatannya yang relatif murah 
• Uncertainty dapat dikombinasikan dengan rules 
• Tiap rules biasanya independent dari yang lainnya 
• Namun rules juga memiliki beberapa kekurangan yaitu : 
• Pengetahuan yang kompleks  
• Memiliki keterbatasan dalam proses pencaharian

D. Logika
Logika adalah suatu pengkajian ilmiah tentang serangkaian penalaran yang merupakan bentuk dari representasi pengetahuan yang paling tua dan menjadi dasar teknik representasi high level. Penalaran sendiri dibagi menjadi 2, yaitu:

• Penalaran deduktif adalah penalaran yang bergerak dari umum ke khusus. Penalaran ini umumnya terdiri dari 3 bagian yaitu premis mayor, premis minor dan kesimpulan.  
• Penalaran induktif adalah penalaran yang bergerak dari khusus ke umum.  Penalaran ini terdiri dari beberapa fakta atau premis dan juga kesimpulan. 

Logika sendiri terdiri dari 2 jenis yaitu :

• Logika proposional adalah logika yang digunakan dalam penalaran dengan komputer. 
• Logika predikat adalah logika canggih yang menggunakan konsep dan kaidah proposional yang sama.

    

Daftar Pustaka
https://idtesis.com/definisi-pengetahuan/
http://pps.uny.ac.id/berita/metakognisi-dan-tiga-tipe-pengetahuan.html
http://martin.hol.es/wp-content/uploads/2014/10/jbptunikompp-gdl-antonrachd-15623-3-babii.pdf
http://ilearning.me/wp-content/uploads/2013/12/BAB-II-Representasi-Pengetahuan1.pdf

SISTEM PAKAR

Sistem Pakar atau Expert System adalah sistem komputer yang mengadopsi pengetahuan manusia agar komputer tersebut dapat menyelesaikan masalah seperti layaknya seorang ahli. Namun ada pandangan dari beberapa ahli mengenai apa itu sistem pakar diantaranya :

• D.V. Pigford dan Greg Baur,"Sistem Pakar adalah program komputer yang menstimulasi kebiasaan para ahli dimana mereka dapat menyelesaikan masalah dengan pengetahuan yang mereka miliki".
• John McCarthy, "Sistem Pakar adalah program komputer yang berguna untuk mewujudkan pengetahuan dan kemampuan seorang ahli".
• Giarratano dan Riley, "Sistem Pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar".

Kelebihan Sistem Pakar

• Dapat memecahkan masalah lebih cepat dari pada kemampuan manusia dengan catatan menggunakan data yang sama.
• Dapat menghemat waktu pengambilan keptusan.
• Dapat meningkatkan kualitas produktivitas.
• Dapat digandakan sesuai kebutuhan dengan waktu yang minimal dan sedikit biaya.
• Dapat beroperasi dalam lingkungan berbahaya.
• Dapat di bawa kemana mana dan dapat digunakan secara paralel.

Kekurangan Sistem Pakar

• Biaya yang diperlukan untuk membuat, memelihara dan mengembangkannya sangat mahal.
• Sulit di kembangkan, hal ini terkait dengen ketersediaan pakar dibidangnya.
• Sistem pakar tidak 100% benar karna orang yang terlibat dalam pembuatan sistem pakar tidak selalu benar.
• Sangat kompleks dalam proses knowledge acquisition.
•  hanya dapat diaplikasikan dalam masalah tertentu.

 

 Struktur Sistem Pakar

• Lingkungan Konsultasi (Consultation Environment) , digunakan untuk memasukkan pengetahuan seorang pakar / ahli ke dalam lingkungan sistem pakar.

• Lingkungan Pengembangan (Development Environment), digunakan oleh pengguna yang bukan seorang pakar / ahli untuk memperoleh pengetahuan seorang pakar.

 Komponen - komponennya :

1. Knowladge Base : terdiri dari aturan dan fakta yang dibutuhkan untuk memahami, memformulasi dan memecahkan suatu masalah.
2. Inference Engine : adalah otak dari sebuah sistem pakar, biasanya dikenal sebagai penerjemah aturan.
3. Workplace : adalah lokasi untuk bekerja dan menyimpan hasil sementara yang biasanya berupa basis data.
4. User Interface : adalah alat untuk berkomunikasi antar pengguna dan sistem pakar.
5. Explanation Facility : kemampuan untuk mengambil sebuah keputusan penting yang digunakan sebagai suatu solusi pemecahan masalah.
6. Knowledge Refining System : adalah mengibaratkan seorang pakar yang memiliki sistem penghalus pengetahuan yaitu mereka dapat menganalisa sendiri kemampuan mereka.

Langkah - Langkah Pembuatan / Pengembangan Sistem Pakar

1. Mengidentifikasikan masalah  dan kebutuhan.
2. Menentukan masalah yang cocok.
3. Mempertimbangkan alternatif.
4. Menghitung pengembalian investasi.
5. Memilih alat pengembangan.
6. Merekayasa pengetahuan.
7. Merancang sistem.
8. Melengkapi pengembangan.
9. Menguji dan mencari kesalahan sistem
10. Memelihara sistem.

Daftar Pustaka
Balza Achmad, "Diktat Mata Kuliah Kecerdasan Buatan", 2006.
Sri Kusumadewi, "Artificial Intelligence (Teknik dan Aplikasinya)", Graha Ilmu, 2003.
Arief Hermawan, "Jaringan Syaraf Tiruan (Teori dan Aplikasi)", Penerbit Andi, 2006.

Membuat Garis Vertikal, Horizontal dan Diagonal

Dalam membuat program garis kita perlu yang namanya library OpenGL. OpenGL sendiri adalah suatu spefikasi grafik yang low-level yang menyediakan fungsi untuk pembuatan grafik primitif termasuk titik, garis, dan lingkaran. OpenGL digunakan untuk keperluan-keperluan pemrograman grfis.OpenGL bersifat Open-Source, multi-platform dan multi-language serta digunakan mendefinisikan suatu objek, baik objek 2 dimensi maupun objek 3 dimensi. OpenGL pada awalnya didesain untuk digunakan pada bahasa pemrograman C/C++, namun dalam perkembangannya OpenGL dapat juga digunakan dalam bahasa pemrograman yang lain seperti Java, Tcl, Ada, Visual Basic, Delphi, maupun Fortran. Namun dalam membuat program ini saya menggunakan program Netbeans dengan bahasa pemrograman Java. Untuk mengetahui lebih lanjutnya silahkan klik disini.

PEAS

Definisi PEAS
PEAS (Performance measure, Environment, Actuators, Sensors). Ketika merancang sebuah agent, harus mendefinisikan lingkungan masalah (task environment), yaitu :

• Performance measure : apa saja komponen pengukur keberhasilan si agent?
• Environment : kondisi apa saja yang ada disekitar si agent?
• Actuators : apa saja yang bisa dilakukan si agent?
• Sensors : apa saja yang menjadi input si agent?

PEAS sendiri dapat membantu untuk meminimalisir kegagalan dalam pembuatan agent karna sebuah agent dituntut untuk mengerjakan suatu tindakan sampai berhasil. Atau PEAS juga dikatakan sebagai kerangka kerja dalam pembuatan sebuah agent.  

Contoh PEAS
Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan :

• Performance measure : sampai tujuan, tidak melanggar aturan lalu lintas, perjalanan nyaman, hemat bensin
• Environment : jalan, lalu lintas, pejalan kaki, pelanggan
• Actuators : arah stir, gas, rem, klakson, sinyal kiri atau kanan
• Sensors: video, speedometer, GPS, keyboard

Sumber Referensi :
Anonim. Diambil dari  http://share.its.ac.id/pluginfile.php/1358/mod_resource/content/1/2._Agent_Cerdas.pdf

AGENT

A. Definisi Agent
Agent adalah segala sesuatu yang dapat dipandang sebagaimana mengamati lingkungannya melalui sensor dan bertindak atas lingkungan yang melalui efektor. Agen manusia memiliki mata, telinga, dan organ lain untuk sensor, dan tangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Menurut Russel dan Norvig, pengertian agent adalah segala sesuatu yang dapat dipandang menangkap/mengetahui/menangapi lingkunganya melalui sensor dan bertindak terhadap lingkunganya melalui efektor. Sensor merupakan bagian yang merangsang akan merangsang agent (kamera & infra red pada robot) sedangkan efektor merupakan bagian yang digunakan oleh agent untuk menangapi rangsangan yang telah diterimanya sebelumnya(motor pada robot).

B. Konsep Agent

Gambar di atas merupakan konsep dari agent dimana si agent (robot) mendapatkan "percepts" yang ditangkap oleh sensor si agent dan dia melakukan tindakan atas apa yang diterima oleh sensor terhadap lingkungannya. Seperti halnya manusia jika tangan terkena benda panas maka sensor yang dirasakan oleh kulit kita akan membuat tangan kita secara otomatis menjahui benda tersebut. Agent juga dituntut untuk mengerjakan suatu tindakan sampai berhasil. Untuk mengukur seberapa kesuksesan sebuah agent, tidak ada satu ukuran yang tetap dan sama untuk semua agent. Kita dapat menanyakan kepada agen secara subyektif tentang kenyamanan dengan kinerja agen itu sendiri. Sehingga harus ada pengukuran kinerja obyektif yang diberlakukan dengan standart otoritas tentang apa artinya sukses dalam lingkungan dan menggunakannya untuk mengukur kinerja sebuah agen.Namun ada beberapa cara untuk mengevaluasi kerja dari agent yaitu :

• Pengukuran kinarja (Performance Measure)
• Percept Sequence (persepsi urutan)
• Knowledge from Environment
• Possible Actions

Lalu kapan agent dapat di katakan sukses ? Untuk setiap urutan persepsi yang memungkinkan, agen rasional yang ideal harus melakukan tindakan apapun yang diharapkan dapat memaksimalkan pengukuran kinerjanya, berdasarkan bukti yang diberikan oleh urutan persepsi dan apa pun yang yang merupakan pengetahuan built-in yang dimiliki agen.

C. Contoh Agent
Vacuum cleaner
Ketika vacuum cleaner tersambung dengan aliran listrik maka arus listrik akan mengoperasikan motor listrik  sehingga kipas yang berada satu poros dengan motor listrik juga akan ikut berputar .Kipas yang berputar ini akan memaksa udara dan partikel debu terhisap ke exhaust port melalui intake port karena baling-baling pada kipas ini di desain untuk menghisap, hal ini cukup berbeda dengan baling baling pada kipas angin yang biasa Anda gunakan untuk mendinginkan Anda yang di desain untuk menghembuskan udara.Ketika udara dan partikel debu tersebut terhisap maka kepadatan partikel akan meningkat di depan kipas dan menurun di belakang kipas karena tekanan udara. Penurunan tekanan pada bagian belakang kipas pada exhaust port akan menyebabkan perbedaan tekanan antara tekanan udara luar dengan exhaust port sehingga udara dan debu tersebut terhisap karena tekanan pada vacuum cleaner lebih rendah daripada tekanan udara luar. Dan sekarang pertanyaan nya adalah bagaimana caranya untuk menangkap debu-debu tersebut? Aliran Udara dan debu-debu yang terhisap melalui intake port ke exhaust port akan melewati kantong debu (dust bag) terlebih dahulu. Kantong debu ini terbuat dari bahan berpori anyaman (biasanya kain atau kertas) yang bertindak sebagai filter udara . Lubang-lubang kecil di kantong tersebut cukup besar untuk membiarkan partikel udara lewat, tetapi terlalu kecil untuk sebagian besar partikel debu agar tertangkap pada kantong debu. 



Sumber Referensi:

1. Anonim. 2012. Diambil dari http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html?m=1
2. Anonim. Diambil dari http://share.its.ac.id/pluginfile.php/1358/mod_resource/content/1/2._Agent_Cerdas.pdf
3. http://www.insinyoer.com/prinsip-kerja-vacuum-cleaner/  

ARTIFICIAL INTELLIGENCE

Artificial Intelligence adalah salah satu hal baru dalam bidang science dan engineering. Hal tersebut dimulai setelah perang dunia kedua dan nama AI sudah ada sejak tehun 1956. Pada saat ini AI dapat mencakup banyak hal, mulai dari hal yag umum sam[ai hal yang spesifik.

Definisi Artificial Intelligence 
Definisi Artificial Intelligence menurut beberapa ahli di antaranya :

• Sebuah studi tentang bagaimana membuat komputer mengerjakan sesuatu yang dapat dikerjakan manusia (Rich, 1991) 
• Cabang ilmu komputer yang mempelajari otomatisasi tingkah laku cerdas (Setiawan, 1993) 
• Suatu perilaku sebuah mesin yang jika dikerjakan oleh manusia akan disebut cerdas (Turing, et. al, 1996)

Selain itu pengertian Artificial Intelligence, dapat ditinjau dari dua pendekatan, yaitu pendekatan ilmiah (a scientific approach) dan pendekatan teknik (an engineering approach). Dimana menurut pendekatan Ilmiah yaitu pendekatan dasar ilmiah timbul sebelum invansi ke komputer, hal ini tidk sama dengan kasus mesin uap. Pendekatan ilmiah ini melihat batas sementara dari komputer dan dapat diatasi  dengan perkembangan teknologi lanjutan. Sedangkan menurut pendekatan teknik, yaitu usaha untuk menghindari definisi AI, tetapi ingin mengatasi atau memecahkan persoalan-persoalan dunia nyata. 
Artificial Intelligence dapat pula diartikan sebagai rekayasa kecerdasan yang didasarkan pada kecerdasan manusia. Sesuai dengan kecerdasan manusia, kecerdasan buatan dicirikan dengan adanya kemampuan untuk bernalar (reasoning) dan kemampuan untuk belajar dari pengalaman di lingkungan (learning).

Sejarah Artificial Intelligence 
Pada tahun 1943 Warren McCulloch dan Wlater Pitts memanfaatkan 3 sumber pengetahuan tentang:

1. Fisiologi dasar dan fungsi neuron di otak
2. Analisis formal logika proposional oleh Russell dan Whitehead
3. Teori erhitungan Turing

Pada tahun 1949 Donald Hebb mendemonstrasikan aturan pembaharuan sederhana yang digunakan untuk memodifikasi kekuatan koneksi antar neuron. Aturan tersebut dinamakan teori hebbian yang dapat berpengaruh sampai saat ini. 
Pada tahun 1950 Marvin Minsky dan Dean Edmonds neural network yang pertama.
Pada tahun 1958 McCarthy mempublikasikan tulisannya yang berjudul "Programs witth Common Sense" yang menggambarkan tentang Advice Taker atau sebuah program hipotesis yang dapat dilihat sebagai sebuah sistem AI yang lengkap. Advice Taker mewujudkan prinsip - prinsip utama tentang representasi pengetahuan dan penalaran. 
Pada tahun 1969 Backpropagation pertama kali di temukan oleh Bryson dan Ho.

Penerapan Artificial Intelligence

• Sistem Pakar (Expert Systemi), yaitu program konsultasi (advisory) yang mencoba menirukan proses penalaran seorang pakar / ahli dalam memecahkan masalah yang rumit. Sistem Pakar merupakan aplikasi AI yang paling banyak. Lebih detil tentang Sistem Pakar akan diberikan dalam bab berikutnya.
• Sistem Sensor dan Robotika. Sistem sensor, seperti sistem visi dan pencitraan, serta sistem pengolahan sinyal, merupakan bagian dari robotika. Sebuah robot, yaitu perangkat elektromekanik yang diprogram untuk melakukan tugas manual, tidak semuanya merupakan bagian dari AI. Robot yang hanya melakukan aksi yang telah diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift. Robot yang cerdas biasanya mempunyai perangkat sensor, seperti kamera, yang mengumpulkan informasi mengenai operasi dan lingkungannya. Kemudian bagian AI robot tersebut menerjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi perubahan lingkungan.
• Komputer Visi, merupakan kombinasi dari pencitraan, pengolahan citra, pengenalan pola serta proses pengambilan keputusan. Tujuan utama dari komputer visi adalah untuk menerjemahkan suatu pemandangan. Komputer visi banyak dipakai dalam kendali kualitas produk industri.
• Intelligent Tutoring/Intelligent Computer-Aided Instruction, adalah komputer yang mengajari manusia. Belajar melalui komputer sudah lama digunakab, namun dengan menambahkan aspek kecerdasan di dalamnya, dapat tercipta komputer “guru” yang dapat mengatur teknik pengajarannya untuk menyesuaikan dengan kebutuhan “murid” secara individiual. Sistem ini juga mendukung pembelajaran bagi orang yang mempunyai kekurangan fisik atau kelemahan belajar.
• Mesin Belajar (Machine Learning), yang berhubungan dengan sekumpulan metode untuk mencoba mengajari/melatih komputer untuk memecahkan masalah atau mendukung usaha pemecahan masalah dengan menganalisa kasus-kasus yang telah terjadi. Dua metode mesin belajar yang paling populer adalah Komputasi Neural dan Logika Samar yang akan dipelajari lebih dalam di bab-bab berikutnya. 

Sumber Referensi 

1. Anonim. Diambil dari http://elib.unikom.ac.id/files/disk1/438/jbptunikompp-gdl-bambangmuk-21855-10-unikom_b-i.pdf  
2. Balza Achmad. 2006. Kecerdasan Buatan. Diambil dari http://web.unair.ac.id/admin/file/f_12451_23ssd.pdf 
3. Stuart J. Russell , Peter Norvig. 2010. Artificial Intelligence A Modern Approach. Diambil dari http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20%283rd%20Edition%29.pdf