Deskripsi
Umum AI
Kecerdasan
Buatan atau Artificial
Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer)
dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal
diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun
seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi
kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat
hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk
mengerjakan sesuatu yang bisa dikerjakan oleh manusia.
1
Manusia
bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena
manusia mempunyai pengetahuan dan pengalaman. Pengetahuan diperoleh dari cara
mempelajarinya. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang
tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namun
bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan
penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang
mereka miliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia
dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan
masalah dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik,
namun tanpa dibekali pengetahuan dan pengalaman yang memadai, manusia juga
tidak akan bisa menyelesaikan masalah dengan baik (Sri Kusumadewi, 2003).
Dengan
adanya kecerdasan buatan, diharapkan tidak menutup kemungkinan hanya dengan
data pengetahuan yang terbatas, sebuah komputer dapat berpikir seperti manusia dalam menghadapi masalah.
Tujuan Dari Kecerdasan Buatan “Artificial Intelegence (AI)”
Tujuan penggunaan sistem pengambil keputusan menggunakan kecerdasan buatan atau
AI adalah : Untuk mengembangkan metode dan sistem untuk menyelesaikan masalah,
masalah yang biasa diselesaikan melalui aktifivitas intelektual manusia,
misalnya pengolahan citra, perencanaan, peramalan dan lain-lain, meningkatkan
kinerja sistem informasi yang berbasis komputer. Untuk meningkatkan
pengertian/pemahaman kita pada bagaimana otak manusia bekerja Arah pengembangan
dari kecerdasan buatan atau Artificial Intelegence (AI) pada suatu sistem
pengambil keputusan memiliki 2 metode sebaga berikut : Mengembangkan metode dan
sistem untuk menyelesaikan masalah pada sistem kecerdasan buatan (AI) tanpa
mengikuti cara manusia menyelesaikannya. Arah pengembangan kecerdasan buatan
(AI) dengan metode ini adalah sistem pakar / expert systems. Mengembangkan
metode dan sistem untuk menyelesaikan masalah pada sistem kecerdasan buatan
(AI) melalui pemodelan yang mengikuti cara berpikirnya manusia, atau cara
bekerjanya otak manusia. Arah pengembangan kecerdasan buatan menggunakan metode
seperti ini adalah sistem jaringan syaraf tiruan (neural networks).
Konsep AI, yaitu:
Konsep AI, yaitu:
- Basis
pengetahuan (knowledge base): Berisi fakta-fakta, teori, pemikiran dan
hubungan antara satu dengan lainnya.
- Motor
inferensi (inference engine) : Kemampuan menarik kesimpulan berdasarkan
pengetahuan.
Bahasa
pemrograman AI :
- LISP,dikembangkan
awal tahun 1950-an, bahasa pemrograman pertama yang diasosiasikan dengan AI.
- PROLOG,
dikembangkan pada tahun 1970-an.
- Bahasa
pemrograman berorientasi obyek (Object Oriented Programming (Objective
C, C++, Smalltalk, dan Java)
Decision
Making
Keputusan (decision) adalah membuat pilihan di antara
beberapa kemungkinan.
pengambilan keputusan (decision
making). Menurut
George R. Terry pengambilan keputusan adalah pemilihan alternatif perilaku
(kelakuan) tertentu dari dua atau lebih alternatif yang ada. Kemudian, menurut
Sondang P. Siagian pengambilan keputusan adalah suatu pendekatan yang sistematis
terhadap hakikat alternatif yang dihadapi dan mengambil tindakan yang menurut
perhitungan merupakan tindakan yang paling cepat. Selanjutnya, menurut James A. F.
Stoner pengambilan keputusan adalah proses yang digunakan untuk memilih
suatu tindakan sebagai cara pemecahan masalah.
Berdasarkan
pengertian di atas dapat disimpulkan bahwa pengambilan keputusan merupakan suatu proses pemilihan alternatif
terbaik dari beberapa alternatif secara sistematis untuk ditindaklanjuti
(digunakan) sebagai suatu cara pemecahan masalah.
Secara
konsep Decision tree adalah salah satu dari teknik decision analysis.Tries
sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau
digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan
fungsinya. Secara etimologi kata ini diucapkan sebagai ‘tree’. Meskipun mirip
dengan penggunaan kata ‘try’ tetapi hal ini bertujuan untuk membedakannya dari
general tree. Dalam ilmu komputer, trie, atau prefix tree adalah sebuah
struktur data dengan representasi ordered tree yang digunakan untuk menyimpan
associative array yang berupa string. Berbeda dengan binary search tree (BST)
yang tidak ada node di tree yang menyimpan elemen yang berhubungan dengan node
sebelumnya dan, posisi setiap elemen di tree sangat menentukan. Semua keturunan
dari suatu node mempunyai prefix string yang mengandung elemen dari node itu,
dengan root merupakan string kosong. Values biasanya tidak terkandung di setiap
node, hanya di daun dan beberapa node di tengah yang cocok dengan elemen
tertentu.
Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001).
Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.
Decision Tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Quinlan yang merupakan singkatan dari Iterative Dichotomiser 3 atau Induction of Decision “3″ (baca: Tree).
Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001).
Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.
Decision Tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Quinlan yang merupakan singkatan dari Iterative Dichotomiser 3 atau Induction of Decision “3″ (baca: Tree).
Algoritma ID3 membentuk pohon keputusan dengan metode divide-and-conquer data secara rekursif dari atas ke bawah. Strategi pembentukan Decision Tree dengan algoritma ID3 adalah:
• Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data..
• Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
• Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.
• Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai information gain.
• Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini terpenuhi:
1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
2. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak untuk menjadi label kelas pada node daun.
3. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.
Beberapa contoh pemakaian Decision Tree,yaitu :
• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain
• Pemilihan pegawai teladan sesuai dengan kriteria tertentu
• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi Entrusi, deteksi virus (Trojan dan varians),dan lain-lain
Finite State Machine (FSM)
Finite state machines (FSM) merupakan teknik pemodelan khusus
untuk logika rangkaiansekuensial. Pemodelan ini sangat membantu dalam
perancangan sistem terutama jenis tertentuyang tugasnya membentuk urutan yang
jelas (misalnya pengendali digital). Kita memulai bab inidengan meninjau
konsep-konsep fundamental yang berkaitan dengan FSM. Pada materi inidijelaskan
teknik pengkodean yang sesuai VHDL, diikuti oleh contoh desain lengkap
Rules Based System
sistem berbasis aturan adalah model yang relatif sederhana
yang dapat disesuaikan dengan sejumlah masalah . Seperti halnya AI , sistem
berbasis aturan memiliki kekuatan serta keterbatasan yang harus diperhatikan
sebelum memutuskan apakah itu teknik yang tepat digunakan untuk masalah yang
diberikan . Secara keseluruhan , sistem berbasis aturan yang benar-benar hanya
layak untuk masalah yang setiap dan semua pengetahuan di bidang masalah dapat
ditulis dalam bentuk jika-maka aturan dan untuk daerah mana masalah ini tidak
besar . Jika ada terlalu banyak aturan , sistem dapat menjadi sulit untuk
mempertahankan dan dapat mengalami kerusakan .
Path Finding
Path finding
Pathfinding dalam konteks games adalah cara
menggerakkan pemain melalui suatu jalan terpendek tanpa menabrak rintangan.
Penggunaan metode pathfinding paling sering adalah pada game real-time
(berorientasi waktu nyata) dimana seorang pemain pada titik awal menentukan
titik akhir/tujuan.
Waypoint
Waypoint
adalah titik acuan / kumpulan koordinat yang digunakan untuk keperluan navigasi
untuk mengidentifikasi sebuah titik di peta. Koordinat-koordinat itu biasanya
menyertakan longitude, latitude, dan kadang altitude untuk keperluan navigasi
di udara. Waypoint digunakan di berbagai navigasi yang tidak memiliki jalur
yang tampak seperti navigasi di udara dan navigasi di laut, juga navigasi di
darat yang tidak memiliki jalur yang jelas. Khusus navigasi di darat yang tidak
menggunakan manusia sebagai penentu arah melainkan robot, waypoint digunakan
meski terdapat jalur yang jelas. Hal ini penting agar robot tetap memiliki
rute.
Waypoint
dibagi menjadi dua jenis, yaitu waypoint fly by dan waypoint fly over. Waypoint
fly by tidak melewati lokasi di atas way point namun tetap menuju ke arah
tujuan, sedangkan waypoint fly over melewati lokasi di atas way point. Setelah
satu waypoint terlewati, maka pilot harus menetapkan waypoint berikutnya yang
disebut dengan waypoint aktif.
Tactic & Strategic
AI
Strategic Deciders adalah
komponen yang secara konseptual di tingkat tertinggi abstraksi. Komponen ini
harus memutuskan strategi untuk karakter yang didasarkan pada kondisi saat ini
dan memori. Pada tingkat berikutnya, Tactic Deciders merencanakan
bagaimana membuat strategi yang dipakai sekarang dapat berjalan dengan baik.
Executors atau pelaksana kemudian menerjemahkan keputusan dari tactical
deciders untuk perintah tingkat rendah (low-level commands) sesuai
dengan batasan yang digunakan oleh permainan atau simulasi. Komponen
coordinators memahami hubungan antar aktuator dan mungkin kembali memberikan
perintah tingkat rendah lebih lanjut. Akhirnya, aktuator melakukan tindakan
yang diinginkan.
Sumber :
informatika.stei.itb.ac.id/~rinaldi.../Makalah-IF3051-2012-029.pdf
Tidak ada komentar:
Posting Komentar