1- INTRODUCTION TO ARTIFICIAL INTELLIGENCE. Shofwatul Uyun, S.T. MKom.

(1)

1 Kecerdasan Buatan

Program Studi Teknik Informatika

Universitas Islam Negeri Sunan Kalijaga

1-I

NTRODUCTION

T

O

A

RTIFICIAL

I

NTELLIGENCE

(2)

2 AGENDA



Artificial Intelligence?



Pengertian, Sejarah, Cabang AI.



Bagaimana AI bekerja?



Komponen AI: Knowledge Base & Inference Engine.



Hard Computing vs Soft Computing.



Teknik Pemecahan Masalah



Kapan menggunakan AI?



Analitis, Numeris, AI.

PENGERTIAN



Kecerdasan buatan atau

artificial intelligence

merupakan salah satu bagian

ilmu komputer yang membuat

agar mesin (komputer) dapat

melakukan pekerjaan seperti

dan sebaik yang dilakukan

oleh manusia.

Pengertian Sejarah Cabang AI Halaman Depan



(3)

3 SISTEM CERDAS



Sistem cerdas (intelligent

system) adalah sistem yang

dibangun dengan

menggunakan teknik-teknik

artificial intelligence.

Beberapa Definisi AI

The exciting new effort to

make computers thinks …

machine with minds,

in the full

and literal sense”

(Haugeland 1985)

“The art of creating machines

that perform functions that

require intelligence when

performed by people”

(Kurzweil, 1990)

“The study of mental faculties

through the use of computational

models” (Charniak et al. 1985)

A field of study that seeks to

explain and emulate intelligent

behavior in terms of

computational processes”

(Schalkol, 1990)

Systems that think like humans

Systems that think rationally

(4)

4 What is Artificial Intelligence

(John McCarthy

, Basic Questions)

 What is artificial intelligence?

It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.

 Yes, but what is intelligence?

Intelligence is the computational part of the ability to achieve goals in the world. Varying kinds and degrees of intelligence occur in people, many animals and some machines.

 Isn't there a solid definition of intelligence that doesn't depend on relating it to human intelligence?

Not yet. The problem is that we cannot yet characterize in general what kinds of computational procedures we want to call intelligent. We understand some of the mechanisms of intelligence and not others.

SEJARAH



Dimulai dengan uji mesin

Turing: AI lulus tes apabila

integrator tidak bisa

membedakan dialog yang

dilakukan oleh komputer –

mesin, dengan komputer –

manusia.

Pengertian Sejarah Cabang AI



Halaman Depan

(5)

5 

Tahun 1943-1956:



Program catur pertama oleh

Shanon & Turing (1950)



Deklarasi AI (1956) pada

Workshop Dartmouth oleh John

McCarthy



Halaman Depan



Tahun 1956-1966



Logic Theorist (mampu membuktikan

teorema-teorema matematika)



Sad Sam, diprogram oleh Robert K.

Lindsay (1960). Program ini dapat

mengetahui kalimat-kalimat sederhana

yang ditulis dalam bahasa Inggris dan

mampu memberikan jawaban dari

fakta-fakta yang didengar dalam

sebuah percakapan.



General Problem Solver

Pengertian

Sejarah Cabang AI



(6)

6 

Tahun 1966 – 1979



Program AI hanya bisa melakukan manipulasi

simbolik dan hanya bisa memuat sedikit sekali

pengetahuan.



Problem AI yang akan dipecahkan tidak

mudah ditangani



Sistem berbasis pengetahuan -> terutama

untuk sistem pakar:



MYCIN



DENDRAL



PROSPECTOR



XCON & XSEL



FOLIO



DELTA



Halaman Depan



Tahun 1980-sekarang:



AI telah menjadi komoditi industri:

• R1 Sistem Pakar komersial pertama yg

dibuat oleh Digital Equipment

Corporation (DEC), 1982.

• Proyek “Generasi Kelima” , pembuatan

komputer cerdas dengan Prolog

(Jepang), 1981.

• Daya jual produk AI: beberapa juta dolar

(1980) – mencapai $2 miliar (1988).

(7)

7 Cabang-cabang AI



Logical AI



Logika (matematis) yang

merepresentasikan

sekumpulan fakta dan tujuan

---> RUANG KEADAAN:

• Graph

• Tree



Halaman Depan



Search



Pencarian keadaan baru dari keadaan

sekarang yang akan menentukan

pergerakan:

• Blind Search

– Depth-First Search – Breadth-Firsh Search

• Heuristic Search

– Generate & Test – Hill Climbing – Best-First search – Simulated-Annealing – Tabu Search – Algoritma Genetika Pengertian Sejarah Cabang AI



Halaman Depan

(8)

8 

Representation



Representasi fakta-fakta

(pengetahuan) dalam ruang

keadaan:

• Logika (proposisi & predikat)

• Tree

• Jaringan Semantik

• Frame

• Naskah

• Kaidah Produksi



Halaman Depan



Pattern Recognition



Pengenalan & pencocokan

suatu pola terhadap

sekumpulan pola.

• Pengolahan Bahasa Alami

• Jaringan Syaraf Tiruan

Pengertian

Sejarah Cabang AI



(9)

9 

Inference



Kemampuan untuk

menarik kesimpulan

berdasarkan pengetahuan.

• Forward Reasoning

• Backward Reasoning

• Fuzzy Inference System (FIS)

Pengertian

Sejarah Cabang AI



Halaman Depan



Learning from Experience



Melakukan proses

pembelajaran (pelatihan) dari

pengetahuan atau

pengalaman yang ada pada

basis pengetahuan.

• Jaringan Syaraf Tiruan

Pengertian

Sejarah Cabang AI Halaman Depan

(10)

10 Bagaimana AI bekerja?



Bagian terpenting AI:



Knowledge base (basis

pengetahuan), berisi

fakta-fakta, teori, pemikiran dan

hubungan antara satu

dengan lainnya.



Inference engine, yaitu

kemampuan menarik

kesimpulan berdasarkan

pengalaman.

AI Bekerja Analogi Penalaran



Halaman Depan

Knowledge

Base

Inference

Engine

Input: MASALAH Output: SOLUSI ARTIFICIAL INTELLIGENCE AI Bekerja Analogi Penalaran Halaman Depan

(11)

11 Analogi dengan kecerdasan manusia



Basis Pengetahuan:



Kumpulan pengetahuan &

pengalaman yang dimiliki oleh

manusia.



Contoh:

• Jika saya makan cabe > 5 buah,

maka tidak lama kemudian perut

saya akan terasa sakit.

• Jika kuliah mulai jam 7, dan saya

berangkat dari rumah jam 6.45,

maka saya akan terlambat.

• Jika x=3.75, maka y=100.



Halaman Depan



Inferensi:



Kemampuan manusia untuk menalar

berdasarkan

pengetahuan/pengalaman yang

dimiliki, apabila muncul suatu fakta.



Contoh:

• Pengetahuan:

– Jika saya makan cabe > 5 buah, maka tidak lama kemudian perut saya akan terasa sakit.

• Fakta:

– Saya baru saja makan cabe 15 buah.

• Kesimpulan:

– Tidak lama lagi perut saya akan sakit. AI Bekerja

Analogi Penalaran Halaman Depan

(12)

12 Bentuk Penalaran



Penalaran Deduktif



Penalaran dimulai dari premis

yang bersifat umum, untuk

mendapatkan konklusi yang

khusus.



Contoh:

• Premis1: Jika hari hujan, maka saya

tidak datang.

• Premis2: Hari ini turun hujan.

• Konklusi: Hari ini saya tidak datang.



Halaman Depan



Penalaran induktif:



Penalaran dimulai dari

premis-premis yang bersifat khusus, untuk

mendapatkan konklusi yang bersifat

umum.



Contoh:

• Premis1: Ikan mujaer bernafas dengan insang.

• Premis2: Ikan mas koki bernafas dengan insang.

• Premis3: Ikan bawal bernafas dengan insang. • Premis4: Ikan kakap bernafas dengan insang. • Konklusi: Ikan adalah hewan yang bernafas

dg insang AI Bekerja Analogi Penalaran



Halaman Depan

Premis5: Ikan paus bernafas dengan paru-paru.

(13)

13 

Penalaran induktif sangat rentan

terhadap ketidakpastian

.

Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan disebut dengan “Penalaran Non Monotonis”.



Ciri-ciri dari

Penalaran Non Monotonis

adalah:

 Mengandung ketidakpastian;

 Adanya perubahan pada pengetahuan.

 Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk.

 Misalkan S adalah konklusi dari D, bisa jadi S tidak dibutuhkan sebagai konklusi D + fakta-fakta baru.



Sedangkan

Penalaran Monotonis

memiliki ciri-ciri:

 Konsisten;  Pengetahuannya lengkap. AI Bekerja Analogi Penalaran Halaman Depan

Teknik Pemecahan Masalah

Conventional Hard Computing

Soft Computing Precise Models Precise Models Logika penalaran berbentuk simbol

Pencarian & Pemodelan masalah dilakukan secara numeris (tradisional) Approximate Models Approximate Models Penalaran melalui pendekatan

Pendekatan fungsional & Pencarian random Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan

(14)

14 Soft Computing



Soft computing adalah koleksi dari

beberapa metodologi yang bertujuan

untuk mengeksploitasi adanya

toleransi terhadap ketidaktepatan,

ketidakpastian, dan kebenaran

parsial untuk dapat diselesaikan

dengan mudah, robustness, dan

biaya penyelesaiannya murah.



Definisi ini pertama kali diungkapkan

oleh Prof. Lotfi A. Zadeh pada tahun

1992.

Teknik Pemecahan Mslh Soft Computing Hybrid Systems



Halaman Depan

Komponen Soft Computing



Approximate reasoning:



Fuzzy System;



Probabilistic Reasoning;



Functional Approximation/

Randomized Search:



Neural Network (Jaringan

Syaraf)



Evolutionary Algorithm

(Algoritma evolusioner).



Halaman Depan

(15)

15 Sistem Fuzzy



Konsepnya menggunakan teori

himpunan.



Menggunakan derajat keanggotaan

fuzzy untuk menunjukkan seberapa

besar suatu nilai masuk dalam suatu

himpunan fuzzy.



Bidang kajian:



Fuzzy Inference System



Fuzzy Clustering



Fuzzy Database



Fuzzy Mathematical Programming



Dll.



Halaman Depan

Jaringan Syaraf Tiruan



Menggunakan algoritma pembelajaran untuk

mendapatkan bobot-bobot yang optimum.



Jenis pembelajaran: supervised learning, dan

unsupervised learning.



Algoritma pembelajaran yang sudah

dikembangkan, dan paling sering

diaplikasikan:



Perceptron



Radial Basis



Backpropagation (sederhana & lanjut)



Self Organizing



Learning Vector Quantization



dll



Halaman Depan

(16)

16 

Menggunakan pendekatan teori

evolusi.



Dipelopori oleh algoritma genetika.



Terutama digunakan untuk optimasi.



Algoritma yang sudah dikembangkan:



Algoritma Genetika



Ant System



Fish Schooling



Bird Flocking



Particle Swarm



Halaman Depan

Probabilistic Reasoning



Mengakomodasi adanya faktor

ketidakpastian.



Teori-teori yang berkembang:



Teorema Bayes



Certainty Factor (statistic

reasoning)



Teorema Dempster-Shafer (statistic

reasoning)

Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan

(17)

17 Hybrid Systems



Setiap komponen dalam Soft computing

tidak saling „berkompetisi‟, melainkan

justru saling „melengkapi‟.



Hybrid system merupakan perpaduan

antar komponen dalam soft computing.



Halaman Depan

Beberapa Hybrid Systems



Neuro-fuzzy Systems



Jaringan syaraf digunakan untuk

membangkitkan fungsi keanggotaan

suatu sistem fuzzy.



Jaringan syaraf digunakan secara

serial dengan sistem fuzzy. Jaringan

syaraf berperan pada saat

preprocessing dan postprocessing.



ANFIS (Adaptive Network-based

Fussy Inference System). Jaringan

syaraf digunakan untuk

mengimplementasikan Fuzzy

inference System.



Halaman Depan

(18)

18 

Neural Fuzzy Systems



Digunakan untuk akuisisi pengetahuan

dan pembelajaran.



Jaringan syaraf diinisialisasi dengan

pengetahuan pakar dalam bentuk

simbol, kemudian dilatih berdasarkan

input-output sistem nyata.



Pengetahuan dalam bentuk simbol

yang diperoleh dari pelatihan tersebut

kemudian direpresentasikan dalam

logika fuzzy.



Fuzzy Neural Network



Lapisan-lapisan pada jaringan syaraf,

melakukan operasi-operasi: fuzzifikasi

dan defuzzy, dari input dan output crisp.



Halaman Depan



Fuzzy Genetic Algorithms



Kemampuan optimasi dari GA

digunakan untuk memilih

aturan-aturan terbaik untuk fuzzy inference

system.



Neuro-genetic Systems



GA digunakan sebagai sarana

untuk mengukur performansi

pembelajaran dari jaringan syaraf.

Teknik Pemecahan Mslh

Soft Computing Hybrid Systems Halaman Depan

(19)

19 Menggunakan AI: kapan?



Masalah:



Carilah nilai minimum dari: y=x

2

+2x-3; pada kawasan [-10 10].



Dengan mudah dapat diselesaikan

secara analitis.



Solusi eksak, Nilai Minimum = -4,

terletak pada x=-1.



Untuk masalah sederhana yang

bisa diselesaikan secara

analitis, selesaikanlah secara

ANALITIS.

Analitis Numeris A I



Halaman Depan -10 -8 -6 -4 -2 0 2 4 6 8 10 -20 0 20 40 60 80 100 120 f(x)=x 2_+2x-3 x y minimum Analitis Numeris A I



Halaman Depan

(20)

20 

Masalah:



Carilah akar persamaan:

f(x)=

sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x

2

_{-5x) /}

cos(x

3

_-2x),

dekat dengan 3.



Sangat sulit untuk diselesaikan secara

analitis, gunakan pendekatan

METODE NUMERIS: (Metode biseksi,

regulafalsi, secant, Newton).



Hasil=3,0846.



Halaman Depan 1 1.5 2 2.5 3 3.5 4 4.5 5 -600 -500 -400 -300 -200 -100 0 100 200 300 sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2_-5x)/cos(x3_-2x) x y

y=0, x dekat dengan 3



(21)

21 

Masalah:



Carilah nilai minimum dari:

f(x)=

sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x

2

_{-5x) /cos(x}

3

-2x),

dekat pada kawasan [1 5].



Sangat sulit untuk diselesaikan secara

analitis. Secara numeris memungkinkan,

namun kumungkinan diperoleh nilai minimum

lokal sangat tinggi. Cara terbaik gunakan

pendekatan ARTIFICIAL INTELLIGENCE

(Simulated Annealing, Algoritma Genetika).



Nilai minimum=-547.3730, pada x=133



Halaman Depan 1 1.5 2 2.5 3 3.5 4 4.5 5 -600 -500 -400 -300 -200 -100 0 100 200 300 sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2_-5x)/cos(x3_-2x) x y minimum global Analitis Numeris A I