Kecerdasan Buatan dan Game

Nama : Dimas Bayu Gumelar

NPM : 11115924

Kelas: 3KA10

Dosen : ESSY MALAYS SARI SAKTI

Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.

Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996, dan merupakan permainan yang sangat terkenal.

Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.

Sejarah Artificial Intelligence dalam Game

Mulai sekitar abad 18 sebagaimana mesin telah menjadi lebih kompleks, usaha yang keras telah dicoba untuk menciptakan manusia imitasi. Pada tahun 1736 seorang penemu dari perancis, Jacques de Vaucanson (1709-1782) membuat suatu mesin pemain seruling berukuran seperti seorang manusia yang dapat memainkan 12 melodi nada. Tidak hanya ini saja, mekanik tersebut dapat memindahkan bibir dan lidahnya secara nyata untuk mengontrol arus dari angin ke dalam seruling.

Pada tahun 1774 seorang penemu dari perancis, Pierre Jacques Drotz mencengangkan masyarakat Eropa dengan suatu automation berukuran sekitar seorang anak laki-laki yang dapat duduk dan menulis suatu buku catatan. Penemuan ini kemudian dilanjutkan dengan yang lainnya, yaitu automation yang berupa seorang gadis manis yang dapat memainkan harpsichord. Semuanya itu masih merupakan proses mekanik yang melakukan gerak dengan telah ditentukan terlebih dahulu.

Manusia masih berusaha untuk menciptakan mesin yang lainnya. Pada tahun 1769, dataran Eropa dikejutkan dengan suatu permainan catur yang dapat menjawab langkah-langkah permainan catur yang belum ditentukan terlebih dahulu. Mesin ini disebut dengan Maelzel Chess Automation dan dibuat oleh Wolfgang Von Kempelan (1734-1804) dari Hungaria. Akan tetapi mesin ini akhirnya terbakar pada tahun 1854 di Philadelphia Amerika Serikat.banyak orang tidak percaya akan kemampuan mesin tersebut. Dan seorang penulis dari Amerika Serikat, Edgar Allan Poe (1809-1849) menulis sanggahan terhadap mesin tersebut, dia dan kawan-kawannya ternyata benar, bahwa mesin tersebut adalah tipuan, dan kenyataannya bukanlah aoutomation, tetapi merupakan konstruksi yang sangat baik yang dikontrol oleh seorang pemain catur handal yang bersembunyi di dalamnya.

Usaha untuk membuat konstruksi mesin permainan terus dilanjutkan pada tahun 1914, dan mesin yang pertama kali didemonstrasikan adalah mesin permainan catur. Penemu mesin ini adalah Leonardo Torres Y Quevedo, direktur dari Laboratorio de Automatica di Madrid, Spanyol. Beberapa tahun kemudian, ide permainan catur dikembangkan dan diterapkan di komputer oleh Arthur L. Samuel dari IBM dan dikembangkan lebih lanjut oleh Claude Shannon.

Pada abad ke 20, Automation sudah banyak dikembangkan dan diterapkan terutama pada Angkatan bersenjata Amerika Serikat, berupa program-program simulasi peperangan. Sekarang ini, perkembangan AI sudah mencapai pada tahap yang dapat dikatakan fantastis, terutama di bidang-bidang berikut:

-          Game Playing

-          General Problem Solving

-          Natural Language Recognition

-          Speech Recognition

-          Visual Recognition

-          Robotics dan system pakar

Artificial Intelligence dalam Game

Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.

Game AI adalah aplikasi untuk memodelkan karakter yang terlibat dalam permainan baik sebagai lawan, ataupun karakter pendukung yang merupakan bagian dari permainan tetapi tidak ikut bermain (NPC = Non Playable Character). Peranan kecerdasan buatan dalam hal interaksi pemain dengan permainan adalah pada penggunaan interaksi yang bersifat alami yaitu yang biasa digunakan menusia untuk berinteraksi dengan sesama manusia.

Contoh media interaksi

Penglihatan (vision)

Suara (voice), ucapan (speech)

Gerakan anggota badan ( gesture)

Untuk pembentukan Artificial Intelligence pada game ternyata digunakan pula algoritma, yaitu jenis pohon n-ary untuk suatu struktur. Implementasi pohon (tree) ini biasa disebut game tree. Berdasarkan game tree inilah sebuah game disusun algoritma kecerdasan buatannya. Artificial intellegence yang disematkan dalam sebuah game yang membentuk analisis game tree biasanya merepresentasikan kondisi atau posisi permainan dari game sebagai suatu node, dan merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah yang menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi suatu pohon (tree).

Namun, biasanya representasi langsung tersebut mempunyai kelemahan, yaitu representasi data pohon akan menjadi sangat lebar dan banyak. Mungkin bagi sebuah mesin komputer mampu melakukan kalkulasi sebanyak apapun masalah, namun game tree yang lebar dan besar memberikan beberapa masalah, antara lain konsumsi proses memori, kapasitas penyimpanan yang cukup besar dan kinerja yang kurang pada konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa algoritma dan penyederhanaan bagi sebuah game tree.

Pada salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode ini berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan tidak hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk game-game yang lebih rumit seperti catur, tentunya dengan algoritma dan representasi berbeda.

Minimax yang merupakan salah satu metode penerapan (implementasi) pohon n-ary pada suatu game, menandakan bahwa implementasi struktur (pohon khusunya) sangatlah diperlukan pada pembuatan dan penerapan Artificial Intelligence, dan tidak menutup kemungkinan ilmu dan metode baru yang lebih canggih akan ditemukan di masa depan.

Dalam game berbasis kecerdasan buatan, ada banyak teknik yang diadaptasi dari bidang kecerdasan buatan untuk diterapkan pada game. beberapa diantaranya, yaitu:

1. Mengejar dan Menghindar

Mengejar dan menghindar merupakan teknik dasar yang diterapkan pada banyak game berbasis kecerdasan buatan dari yang sederhana sampai yang kompleks. apakah itu space shooters, RPG, atau game strategi. metode paling umum pada teknik mengejar dan menghindar ini adalah melakukan pemutakhiran (update) koordinat terhadap objek yang menjadi sasaran. Posisi relatif dan kecepatan dapat dijadikan sebagai parameter pada algoritma mengejar dan menghindar. Metode Line-of-sight yang membutuhkan dasar rumus persamaan garis juga serngkali dijadikan basis metode mengejear dan menghindar.

2. Pola Pergerakan

Pola pergerakan merupakan cara yang sederhana untuk memberikan ilusi kecerdasan pada sebuah game. Game Galaga adalah contoh klasik penerapan pola pergerakan ini, dimana pesawat musuh dapat bergerak secara melingkat atau mengikuti pola garis lurus yang ditentukan. Contoh lain penerapan pola pergerakan adalah pada game first-person shooter yang menampilkan monster yang sedang berpatroli pada jalur tertentu, pada game simulasi pertempuran pesawat dimana pesawat musuh dapat melakukan manuver-manuver di udara yang menyulitkan kita mengejar, atau karakter-karakter non-player (figuran) seperti kambing yang sedang berjalan membutuhkan teknik pola pergerakan ini. Metode standar untuk menerapkan pola pergerakan adalah dengan cara menyimpan pola tersebut dalam suatu array. Array tersebut terdiri dari serangkaian koordinat atau perintah pergerakan dengan pola tertentu untuk mengontrol koordinat dari objek. Dengan metode ini, bisa didapatkan pola-pola pergerakan seperti melingkar, garis lurus, zig-zag atau bahkan kurva tak beraturan.

3. Pathfinding

Metode pathfinding paling mudahditemui pada game-game bertipe strategi dimana kita menunjuk satu tokoh untuk digerakkan ke lokasi tertentu dengan mengklik lokasi yang hendak dituju. Si tokoh akan segera bergerak ke arah yang ditentukan, dan secara “cerdas” dapat menemukan jalur terpendek ataupun menghindari dari rintangan-rintangan yang ada. Salah satu algoritma pathfindin yang cukup umum dan yang paling banyak digunakan utnuk mencari jarak terpendek secara efisien adalah algoritma A* (baca: A star). Secara umum, algoritma A* adalah mendefinisikan area pencarian menjadi sekumpulan node-node (tiles). Titik awal dan titik akhir ditentukan terlebih dulu untuk mulai penelusuran pada tiap-tiap node yang memungkinkan untuk ditelusuri. Dari sini, akan diperoleh skor yang menunjukkan besarnya biaya untuk menempuh jalur yang ditemukan, ditambah dengan nilai heuristik yang merupakan nilai biaya estimasi dari node yang ada menuju tujuan akhir. Iterasi akan dilakukan hingga akhirnya mencapai target yang dituju.

4. Jaringan saraf tiruan (neural network)

Neural network cukup baik ketika diterapkan pada kasus-kasus yang sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan metode tradisional. Penerapannya seringkali pada game-game yang memerlukan kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang dihasilkan menjadi semakin akurat (semakin cerdas). 5. Algoritma Genetis (genetic algorithm) Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis, akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk merespons perubahan-perubahan tingkah laku user.   sebenarnya bukan hanya 5 teknik kecerdasan buatan di atas yang dapat digunakan dalam sebuah game berbasis kecerdasan buatan. Beberapa teknik lain yang umum digunakan antara lain: finite state machine, fuzzy logic, ruled-based AI, basic probability,  dan keputusan tak pasti (dengan menggunakan teknik Bayesian) Di masa-masa mendatang, dengan dukungan teknologi hardware yang semakin baik, teknik kecerdasan buatan pada game berbasis kecerdasan buatan akan semakin matang dengan ilusi kecerdasan yang semakin menyerupai manusia.   sumber : majalah pc mild 20/2009.

Contoh Game yang menerapkan AI

1. Game PacMan

Pemanfaatan AI dalam game ini digunakan untuk mencari jalur terpendek untuk menentukan targetnya. Pada game ini dapat kita lihat bahwa hantu-hantu (komputer) yang menjadi musuh Pacman dapat mempertimbangkan dan memilih jalan yang tercepat untuk menangkap dan mengepung sang Pacman (pemain). Bahkan ketika sang Pacman memakan bola yang bisa membuat si hantu menjadi lemah maka sang hantu akan langsung segera menghindari sang Pacman secepatnya. Tindakan seperti itu memang terlihat mudah namun pada kenyataannya pembuatan hal tersebut cukup sulit dilakukan. Pembuatan hal tersebut membutuhkan algoritma yang mungkin sedikit rumit terutama bagi orang awam.

 2.  Game Tic Tac Toe

Merupakan game yang bertujuan untuk melatih otak dan untuk hiburan semata. Game TicTacToe lebih dikenal di Indonesia sebagai Game Catur Jawa karena prinsip permainan game Tic Tac Toe sama dengan Game Catur Jawa. Cara memainkan game tersebut dengan memberikan Nilai X atau O pada tiap pemain. Pada game TicTacToe terdiri dari 9 kolom yang berfungsi untuk meletakan nilai tersebut. Yang mana untuk memenangkan game tersebut pemain harus dapat membentuk nilai X atau O berbentuk vertikal, horizontal atau diagonal pada kolom tersebut. Letak AI dalam game ini adalah kesulitan yang diberikan kepada pemain pertama, yaitu kita, dalam arti user untuk memenangkan game ini oleh komputer yang berperan sebagai pemain kedua, dimana pemain kedua ini diciptakan sebagai AI.

Jadi keberadaan AI dalam teknologi game sangat lah membantu. Yang pertama AI dapat menjadi lawan bermain yang cukup tangguh. Lalu yang kedua AI dapat melatih otak kita untuk berpikir keras lagi dalam menyelesaikan game yang kita mainkan. Dengan adanya AI kita juga tidak perlu repot untuk mencari lawan bermain jika memang kita sedang tidak ada lawan bermain. Sebagai contoh kita dapat bermain Counter Strike dimana yang menjadi musuh kita merupakan Bot (komputer) yang memiliki kecerdasan yang cukup tinggi. Dia dapat menemukan pemain lalu menyerangnya. Selain itu game-game lain seperti The Sims, dimana pemain (user) dapat berinteraksi dengan objek lain yang disediakan dalam permainan tersebut.

DAFTAR PUSTAKA

https://setiyanugroho.wordpress.com/2011/04/12/kecerdasan-buatan-dalam-game/

http://kecerdasanbuatan-gaming.blogspot.co.id/p/blog-page.html

http://nakbelog.com/knowledge/menerapkan-kecerdasan-buatan-dalam-game/

http://rafiqamalyah.blogspot.co.id/2013/05/kecerdasan-buatan-pada-teknologi-game.html

Pembelajaran / Learning

Nama : Dimas Bayu Gumelar

NPM : 11115924

Kelas: 3KA10

Dosen : ESSY MALAYS SARI SAKTI

1.1.  Pembelajaran dari Pengamatan

Metode Observasi ialah pengamatan langsung menggunakan alat indera atau alat bantu untuk penginderaan suatu subjek atau objek. Observasi juga merupakan basis sains yang dilakukan dengan menggunakan panca indera atau instrument sebagai alat bantu penginderaan ( Purnomo, 2008).

Tujuan pembelajaran dari pengamatan adalah untuk memperoleh data atau fakta, untuk melihat, mengamati dan menghayatinya secara langsung dan nyata mengenai objek tertentu dan untuk memperoleh kesimpulan dari hasil observasi yang dilakukan peneliti.

1.1.1 Bentuk/Metode Pembelajaran

Ada berbagai hal yang mendorong pentingnya mengetahui gaya belajar siswa, di antaranya adalah dengan mengetahui gaya belajar peserta didiknya, seorang guru dapat memilih metode pelajaran dan mengajar serta media pendidikan yang cocok bagi peserta didiknya.

Dalam hal ini, dituntut kreatifitas guru dalam menvariasikan metode mengajar dan dalam hal pemilihan media pendidikan. Dengan demikian, diharapkan perbedaan gaya belajar di antara peserta didik mamapu diakomodir dengan baik.

Menurut Gagne, Wagner dan  Brigsa, yang dimaksud pembelajaran adalah serangakaian kegiatan yang dirancang untuk memungkinkan terjadinya proses belajar pada siswa. Sedangkan menurut Undang-undang No. 20 tahun 2003 tentang Sisdiknas, pembelajaran adalah proses interaksi peserta didik dengan pendidik dan sumber belajar pada suatu lingkungan belajar.

Jadi dapat disimpulkan bahwa yang dimaksud metode pembelajaran adalah cara atau jalan yang ditempuh oleh guru untuk menyampaikan materi pembelajaran sehingga tujuan pembelajaran dapat dicapai. Bisa pula diambil kesimpulan bahwa metode pembelajaran merupakan strategi pembelajaran yang dipakai oleh guru sebagai media untuk mencapai tujuan pembelajaran yang telah ditetapkan.

Macam-macam metode pembelajaran

a. Metode Demonstrasi

Metode pembelajaran demonstrasi adalah metode yang efektif, karena membantu siswa dalam mencari tahu jawaban melalui usaha sendiri berdasarkan data dan fakta yang ada. Model pembelajaran dengan demonstrasi merupakan penyajian pelajaran lewat peragaan dan menunjukkan kepada siswa mengenai suatu hal, proses, atau benda tertentu, baik benda yang sebenarnya maupun hanya sekadar benda tiruan.

b. Metode Diskusi

Metode pembelajaran diskusi adalah interaksi sesama siswa dengan siswa atau siswa dengan guru dalam membahas materi pelajaran tertentu.

c. Metode Pembelajaran Simposium

Metode pembelajaran simposium merupakan cara mengajar dengan membahas suatu materi pelajaran atau masalah yang kemudian dilihat dari berbagai sudut pemikiran berdasarkan keahlian.

d. Diskusi Panel

Metode pembelajaran diskusi panel merupakan suatu pembahasan masalah yang dilakukan oleh beberapa siswa yang bertindak sebagai panelis, biasanya terdiri atas 4 – 5 orang di hadapan audiens. Berbeda dengan model diskusi lainnya, pada diskusi panel, audiens tidak terlibat dengan langsung, tetapi betugas meninjau panelis-panelis yang sedang melaksanakan diskusi.

e. Metode Simulasi

Sebagai metode pembelajaran, simulasi bisa diartikan sebagai cara menyajikan pengalaman belajar melalui penggunaan suasana dalam bentuk tiruan atau bukan sungguhan dengan tujuan memberi pemahaman mengenai teori, prinsip, atau keahlian tertentu.

f. Metode Tugas dan Resitasi

Metode pembelajaran dengan resitasi atau tugas biasanya dipakai bertujuan supaya siswa lebih mantap pada hasil belajar, disebabkan siswa mengerjakan latihan-latihan,

g. Metode Tanya Jawab

Metode tanya jawab adalah cara penyajian pelajaran dalam bentuk pertanyaan yang harus dijawab, terutama dari guru kepada sisiwa, namun dapat pula dari sisiwa kepada guru.

h. Metode Kerja Kelompok

Metode ini dilakuakan dengan cara membagi kelas menjadi beberapa kelompok, kemudian siswa diberi tugas untuk mencapai tujauan pelajaran.

1.1.2. Pembelajaran Induktif

metode pembelajaran  induktif merupakan metode pembelajaran yang digunakan untuk sampai pada pernyataan yang universal dari hal-hal yang bersifat individual. Tidak seperti penalaran deduktif, dalam penalaran induktif, kerja akal atau fikiran beranjak dari pengetahuan sebelumnya mengenai sejumlah kasus sejenis yang bersifat spesifik, khusus, individual, dan nyata yang ditemukan oleh pengalaman inderawi kita.Pada induktif ditunjukkan untuk membangun mental kognitif karenanya sangat sesuai untuk mengembangkan kemampuan berfikir,dan juga strategi ini sangat membutuhkan banyak informasi yang harus digali  oleh siswa.kelebihan dari pembelajaran induktif walaupun sangat sesuai untuk “social study” tetapi juga dapat digunakan untuk semua mata pelajaran  seperti sain,bahasa dan lain – lain ,pembelajaran induktif  juga dapat mengembangkan kemampuan berfikir kreatif.

Logika induktif adalah sebuah proses penalaran yang sesungguhnya telah dilakukan manusia semenjak dahulu, bersama-sama dengan penalaran deduksi. Keduanya memiliki perbedaan logika penalaran, namun sesungguhnya saling melengkapi. Dalam pengembangan keilmuan, kedua proses dijalankan secara bergantian. Secara tidak langsung prinsip berfikir deduktif menyumbang kepada kerja logika induktif, demikian pula sebaliknya.

1.1.3. Pohon Keputusan Pembelajaran

Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan rule. Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diinterpretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan.

Konsep Pohon Keputusan

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree.

Konsep Data dalam Pohon Keputusan

Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk membreak down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

Pohon keputusan merupakan himpunan aturan IF...THEN. Setiap path dalam tree dihubungkan dengan sebuah aturan, di mana premis terdiri atas sekumpulan node-node yang ditemui, dan kesimpulan dari aturam terdiri atas kelas yang terhubung dengan leaf dari path.

Konsep Dasar Pohon Keputusan

Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang dari pohon keputusan merupakan pembagian berdasarkan hasil uji, dan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan.

Pohon keputusan mempunyai 3 tipe simpul yaitu:

1. Simpul akar, dimana tidak memiliki cabang yang masuk dan memiliki cabang lebih dari satu, terkadang tidak memiliki cabang sama sekali. Simpul ini biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.

2. Simpul internal, dimana hanya memiliki 1 cabang yang masuk, dan memiliki lebih dari 1 cabang yang keluar.

3. Simpul daun, atau simpul akhir dimana hanya memiliki 1 cabang yang masuk, dan tidak memiliki cabang sama sekali dan menandai bahwa simpul tersebut merupakan label kelas.

Referensi

Budiningsih, Asri.1997. Belajar dan pembelajaran. Rineka Cipta.Jakarta

Prof. Dr. Hamalik, Oemar 2001. Proses Belajar Mengajar. Bumi Aksara.Jakarta

Ketidakpastian (Uncertainity) dan Penalaran Probabilitas

Nama : Dimas Bayu Gumelar

NPM : 11115924

Kelas: 3KA10

Dosen : ESSY MALAYS SARI SAKTI

PENALARAN DENGAN KETIDAKPASTIAN
(UNCERTAINITY)

KETIDAKPASTIAN (Uncertainity)

- Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan.

- Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita membuat suatu keputusan yang terbaik.

- Teori-teori yang berhubungan dengan ketidakpastian :

 Probabilitas Klasik

 Probabilitas Bayes

 Teori Hartley yang berdasarkan pada himpunan klasik

 Teori Shanon yang didasarkan pada peluang

 Teori Dempster-Shafer

 Teori Fuzzy Zadeh

- Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian :

 MYCIN untuk diagnosa medis

 PROPECTOR untuk ekplorasi mineral

TIPE-TIPE KESALAHAN / ERRORS

Keterangan :
- Ambiguous : kesalahan yg diinpretasikan lebih dari 1 cara
- Incomplete : ada informasi hilang
- Incorrect : informasi salah yang disebabkan manusia
(kesalahan membaca data, peletakan informasi & peralatan)
- Hipotesa adalah sebuah asumsi yang akan di-test.
o False Negative : penolakan hipotesa jika benar
o False Positive : penerimaan hipotesa jika tidak benar
- Measurement : kesalahan pengukuran
o Precision : dalam milimeter, 10 X lebih teliti daripada centimeter, berhubungan dg bagaimana kebenaran itu diketahui/baik (how well the truth is known)
o Accuracy : dalam centimeter, berhubungan dengan kebenaran (the truth)
- Unreliability : jika peralatan pengukuran mensuplay fakta yg tidak dipercaya.
- Random : fluktuasi nilai
- Systematic : tidak acak tetapi karena bias mis pembacaan kalibrasi.

Contoh :

Representasi Pengetahuan

Nama : Dimas Bayu Gumelar

NPM : 11115924

Kelas: 3KA10

Dosen : ESSY MALAYS SARI SAKTI

Representasi pengetahuan adalah hal penting dalam intelijensia buatan. Di sini kita akan
membahas dua mathematical tools untuk merepresentasikan pengetahuan, yaitu
propositional logic (logika proposisi) dan first order logic (kalkulus predikat).

Gambar 4.1 A generic knowledge-based agents

Gambar 4.2 Hubungan antara sentence dan fatcs yang disediakan oleh semantik bahasa.

Tabel 4.1 Pembagian formal language

4.1 Propositional Logic (Propositional Calculus) 

Gambar 4.3 A BNF (Backus-Naur Form) Grammar of sentences in

propositional logic.

Gambar 4.4  Aturan inferensi dalam Logika Proposisi. 

Studi Kasus: The Wumpus World Environment

1. Percept 

• Percept : [stench, breeze, glitter, bump, scream]

• [stench, breeze, None, None, None] = ada stench dan breeze, tetapi tidak ada 

glitter, bump, maupun scream.

2. Action 

• Move: Turn Left 900, Turn Right 900, Straight. 

• Grab: mengambil / merebut objek yang berada di kotak yang sama dimana agent 

berada.

• Shoot: memanah dengan arah lurus sesuai dengan arah agent menghadap. 

• Climb: memanjat keluar dari gua.

• Agent akan mati jika memasuki kotak yang terdapat Wumpus atau Pit. Tetapi 

akan aman jika memasuki kotak yang di dalamnya terdapat Wumpus yang telah 

mati. 

3. Goal

Menemukan emas dan membawanya kembali ke kotak start (1,1) secepat mungkin

dengan jumlah action yang seminimum mungkin, tanpa terbunuh. Sebagai hadiah, 1.000

point diberikan kepada agent jika berhasil keluar gua dengan membawa emas. Tetapi poit

–1 untuk setiap action yang dilakukan. Dan -10.000 jika agent terbunuh.

Daftar Pustaka

• Suyanto, ST.2008.Intelijensia Buatan.Bandung

Pengetahuan dan Penalaran : Logika Orde Pertama (First-Order Logic)

Dosen : ESSY MALAYS SARI SAKTI

First-Order Logic (Predicat Logic / Predicat Calculus)

• Objects: sesuatu dengan identitas individual (people, houses, colors, …)

• Properties: sifat yang membedakannya dari object yang lain (red, circle, …)

• Relations: hubungan antar object (brother of, bigger than, part of, ...)

• Functions: relation yang mempunyai satu nilai (father of, best friend, …)

Contoh: One plus two equals three.

Gambar 4.5  The Syntax of First-Order Logic (with equality) in BNF (BackusNaur

Form)

Inferensi Dalam Kalkulus Predikat

1.  Inference Rules Involving Quantifiers

SUBST(θ, a): untuk menotasikan hasil dari pengaplikasian operasi subsitusi è

terhadap sentence a. 

SUBST({x/Sam, y/Pam}, Likes(x,y)) = Likes(Sam, Pam).

2.  Universal Elimination: untuk setiap sentence

a, variabel v, dan ground term (term

yang tidak berisi variabel) g :

Dari "x Likes(x, IceCream) dapat digunakan substitusi {x/Ben} dan melakukan

inferensi bahwa Likes(Ben, IceCream) 

3.  Existential Elimination: untuk setiap sentence a, variabel v, dan simbol konstanta k

yang tidak tampak dimanapun di dalam basis pengetahuan:

Dari $x Kill(x, Victim), kita dapat menyimpulkan Kill{Murderer, Victim}, selama

Murderer tidak tidak tampak dimanapun di dalam basis pengetahuan.

4.  Existential Introduction: untuk setiap sentence a, variabel v  yang tidak terjadi pada

a, dan ground term g yang terjadi pada a:

Dari Likes(Jerry, IceCream) kita dapat menyimpulkan $x Likes(x, IceCream).

Contoh bagaimana menggunakan aturan inferensi dalam pembuktian.

The law says that it is a crime for an American to sell weapons to hostile nations.

The country Nono, an enemy of America, has some missiles, and all of its missiles

were sold to it by Colonel West, who is American. 

Buktikan bahwa West adalah seorang penjahat atau criminal. Pertama representasikan

fakta dalam kalkulus predikat, kemudian tunjukan bukti sebagai urutan aplikasi inference

rules.

Proses pembuktian dengan pengaplikasian aturan inferensi kalkulus predikat

Proses pembuktian di atas dapat dilakukan menggunakan teknik searching dimana:

Initial State : Knowledge Base (sentences 1-9)

Operators : Applicable inference rules

Goal test : Knowledge Base yang berisi Criminal(West)

Tetapi diperlukan program yang sangat pintar untuk menemukan bukti tanpa menelusuri

jalur yang salah.

4.2.2  Generalized Modus Ponens

Generalisasi Modus Ponens memerlukan: 

• And-Introduction

• Universal Elimination

• Modus Ponens

Contoh: 

Missile(M1)

Owns(Nono,M1)

" x Missile(x)^Owns(Nono, x) =>Selles(west, Nono, x)

dan meng-infer dalam satu langkah suatu sentence baru, yaitu:

Sells(West,Nono,M1)

dari tiga sentence di atas, anggaplah selain Nono, setiap negara mempunyai M1:

"y  Owns(y,M1)

Untuk atomic sentences pi, pi’, dan q, dimana terdapat substitution θ sedemikian hingga

SUBST(θ,pi’) = SUBST(θ,pi), untuk semua i :

Terdapat n+1 premise untuk aturan ini: n atomic sentences pi’ dan satu implikasi. Terdapat satu conclusion (kesimpulan): hasil pengaplikasian substitusi terhadap consequent q. Sebagai contoh dengan West dan missile:

Unification (Unifikasi)

Secara formal unification dituliskan:

UNIFY(p,q) =  θ  dimana  SUBST(θ,p) = SUBST(θ,q)

θ disebut unifer dari dua sentences tersebut. Kita akan mengilustrasikan unification dalam konteks dari suatu contoh. Misalkan kita punya aturan 

Knows(John,x) => Hates(John,x)  : yang berarti (“John hates everyone he knows”)

Misalkan knowledge base kita berisi sentences sebagai berikut :

Knows(John,Jane)

Knows(y,Leonid)

Knows(y,mother(y))

Knows(x,Elizabeth)

Pelaksanaan unifikasi premise atau antecedent dari aturan terhadap setiap sentence dalam

knowledge base akan memberikan : 

UNIFY(Knows(John,x), Knows(John,Jane)) = {x/Jane}

UNIFY(Knows(John,x), Knows(y,Leonid)) = {x/Lenoid,y/John}

UNIFY(Knows(John,x), Knows(y,mother(y))) = { y/John,x/Mother(John)}

UNIFY(Knows(John,x), Knows(x,Elizabeth)) = fail

Unifikasi terakhir fail (gagal) karena x tidak dapat bernilai John dan bernilai Elizabeth

pada waktu yang sama. Tetapi secara intuitif, dari fakta-fakta bahwa John membenci

setiap orang yang dia kenal dan setiap orang mengenal Elizabeth, kita akan dapat menginferensi

bahwa John membenci Elizabeth. Tidak masalah jika sentence yang terdapat dalam knowledge

base tersebut adalah Knows(x,Elizabeth) atau Knows(y,Elizabeth).  

UNIFY(Knows(John,x1), Knows(x2,Elizabeth)) = {x1/Elizabeth, x/John}

Tetapi jika terdapat suatu substitusi seperti di atas, maka terdapat tak berhingga substitusi

yang lain, seperti:

UNIFY(Knows(John,x), Knows(y,z))  =   {y/John, x/z}

      or  {y/John, x/z, w/Freda}

      or  {y/John, x/John, z/John} …

Kita tegaskan bahwa UNIFY mengembalikan Most General Unifer (MGU), yang

merupakan substitusi yang membuat komitmen paling sedikit memuat variable.

Daftar Pustaka

• Suyanto, ST.2008.Intelijensia Buatan.Bandung

Pengenalan Logical Agents

Nama : Dimas Bayu Gumelar

NPM : 11115924

Kelas: 3KA10

Dosen : ESSY MALAYS SARI SAKTI

Basis Pengetahuan

• Basis Pengetahuan (Knowledge base) = Sekumpulan kalimat

dalam bahasa formal (formal language)

• Pendekatan dengan menerangkan/ menjelaskan (Declarative)

untuk membangun suatu agent (atau sistem lain) :

– Katakan apa yang dibutuhkan untuk bisa mengerti

• Kemudian dapat bertanya pada diri sendiri apa yang akan

dikerjakan --- jawaban harus merujuk pada Basis Pengetahuan

• Agents dapat dilihat dari sisi tingkat pengetahuan

– Apa yang diketahui, terlepas dari bagaimana penerapannya

• Atau dari sisi tingkat implementasi

– Struktur data pada Basis Pengetahuan dan algoritma yang

memanipulasinya

• Contoh :

• Agent harus memiliki kemampuan :

– Mewakili suatu kondisi, tindakan dll Represent states, actions,

etc.

– Menerima masukan persepsi-persepsi baru

– Update representasi internal dunia

– Mengambil kesimpulan dari properti dunia yang tersembunyi

– Mengambil kesimpulan tindakan-tindakan yang tepat

Daftar Pustaka

J. HENNOCH AND H. ULRICH: AGENT-BASED MANAGEMENT SYSTEMS IN LOGISTICS,  page 11

H. BRECKLE: A MULTI-AGENT FRAMEWORK FOR PLANNING AND MANAGING MOBILITY SERVICES, page 17