1INTRODUCTION TO ARTIFICIAL INTELLIGENCE
Kecerdasan Buatan Program Studi Teknik Informatika Universitas Islam Negeri Sunan Kalijaga
Shofwatul ‘Uyun, S.T. MKom.
1
PENGERTIAN
AGENDA Artificial Intelligence? Pengertian, Sejarah, Cabang AI.
Pengertian Sejarah
Bagaimana AI bekerja? Komponen AI: Knowledge Base & Inference Engine.
Hard Computing vs Soft Computing. Teknik Pemecahan Masalah
Kapan menggunakan AI?
Cabang AI Halaman Depan
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.
Analitis, Numeris, AI.
2
SISTEM CERDAS
Pengertian Sejarah
Cabang AI Halaman Depan
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 study of mental faculties through the use of computational models” (Charniak et al. 1985)
“The art of creating machines that perform functions that require intelligence when performed by people” (Kurzweil, 1990)
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
Systems that act like humans
Systems that act rationally
3
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
Pengertian Sejarah Cabang AI
Dimulai dengan uji mesin Turing: AI lulus tes apabila integrator tidak bisa membedakan dialog yang dilakukan oleh komputer – mesin, dengan komputer – manusia.
Halaman Depan
4
Tahun 1956-1966
Tahun 1943-1956: Pengertian Sejarah
Cabang AI Halaman Depan
Pengertian
Program catur pertama oleh Shanon & Turing (1950) Deklarasi AI (1956) pada Workshop Dartmouth oleh John McCarthy
Sejarah Cabang AI Halaman Depan
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
5
Tahun 1966 – 1979
Pengertian Sejarah Cabang AI Halaman Depan
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
Tahun 1980-sekarang: AI telah menjadi komoditi industri: Pengertian Sejarah Cabang AI Halaman Depan
• 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).
6
Cabang-cabang AI Search
Pengertian Sejarah Cabang AI Halaman Depan
Logical AI
Pengertian
Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: • Graph • Tree
Sejarah Cabang AI Halaman Depan
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
7
Representation Pengertian Sejarah Cabang AI
Halaman Depan
Representasi fakta-fakta (pengetahuan) dalam ruang keadaan: • • • • • •
Pengertian
Logika (proposisi & predikat) Tree Jaringan Semantik Frame Naskah Kaidah Produksi
Sejarah Cabang AI Halaman Depan
Pattern Recognition Pengenalan & pencocokan suatu pola terhadap sekumpulan pola. • Pengolahan Bahasa Alami • Jaringan Syaraf Tiruan
8
Pengertian Sejarah Cabang AI Halaman Depan
Inference
Pengertian
Kemampuan untuk menarik kesimpulan berdasarkan pengetahuan. • Forward Reasoning • Backward Reasoning • Fuzzy Inference System (FIS)
Sejarah Cabang AI
Halaman Depan
Learning from Experience Melakukan proses pembelajaran (pelatihan) dari pengetahuan atau pengalaman yang ada pada basis pengetahuan. • Jaringan Syaraf Tiruan
9
Bagaimana AI bekerja? ARTIFICIAL INTELLIGENCE
Bagian terpenting AI: AI Bekerja Analogi Penalaran Halaman Depan
Knowledge base (basis pengetahuan), berisi faktafakta, teori, pemikiran dan hubungan antara satu dengan lainnya. Inference engine, yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.
Output: SOLUSI
Input: MASALAH
Knowledge Base
Inference Engine
AI Bekerja Analogi Penalaran
Halaman Depan
10
Analogi dengan kecerdasan manusia Inferensi:
Basis Pengetahuan:
AI Bekerja Analogi Penalaran Halaman Depan
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.
AI Bekerja Analogi Penalaran Halaman Depan
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.
11
Bentuk Penalaran
Penalaran induktif:
Penalaran Deduktif AI Bekerja Analogi Penalaran Halaman Depan
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.
AI Bekerja
Penalaran dimulai dari premispremis yang bersifat khusus, untuk mendapatkan konklusi yang bersifat umum. Contoh:
Analogi
• 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. Premis5: Ikan paus bernafas dengan paru-paru. • Konklusi: Ikan adalah hewan yang bernafas dg insang
Penalaran Halaman Depan
Konklusi tidak benar!!!!!
12
Teknik Pemecahan Masalah Penalaran induktif sangat rentan terhadap ketidakpastian.
Conventional Hard Computing Logika penalaran berbentuk simbol
Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan disebut dengan “Penalaran Non Monotonis”.
AI Bekerja Analogi Penalaran Halaman Depan
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.
Teknik Pemecahan Mslh
Precise Models
Pencarian & Pemodelan masalah dilakukan secara numeris (tradisional)
Soft Computing Soft Computing Hybrid Systems Halaman Depan
Penalaran melalui pendekatan
Approximate Models Pendekatan fungsional & Pencarian random
13
Komponen Soft Computing
Soft Computing
Approximate reasoning: Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
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
Fuzzy System; Probabilistic Reasoning;
Functional Approximation/ Randomized Search: Neural Network (Jaringan Syaraf) Evolutionary Algorithm (Algoritma evolusioner).
14
Jaringan Syaraf Tiruan
Sistem Fuzzy
Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
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.
Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
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
15
Probabilistic Reasoning
Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
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
Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
Mengakomodasi adanya faktor ketidakpastian. Teori-teori yang berkembang: Teorema Bayes Certainty Factor (statistic reasoning) Teorema Dempster-Shafer (statistic reasoning)
16
Hybrid Systems
Beberapa Hybrid Systems Neuro-fuzzy Systems
Teknik Pemecahan Mslh Soft Computing Hybrid Systems
Setiap komponen dalam Soft computing tidak saling „berkompetisi‟, melainkan justru saling „melengkapi‟. Hybrid system merupakan perpaduan antar komponen dalam soft computing.
Teknik Pemecahan Mslh Soft Computing Hybrid Systems Halaman Depan
Halaman Depan
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.
17
Neural Fuzzy Systems
Teknik Pemecahan Mslh Soft Computing Hybrid Systems
Fuzzy Genetic Algorithms
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.
Teknik Pemecahan Mslh Soft Computing Hybrid Systems
Fuzzy Neural Network Halaman Depan
Lapisan-lapisan pada jaringan syaraf, melakukan operasi-operasi: fuzzifikasi dan defuzzy, dari input dan output crisp.
Halaman Depan
Kemampuan optimasi dari GA digunakan untuk memilih aturanaturan terbaik untuk fuzzy inference system.
Neuro-genetic Systems GA digunakan sebagai sarana untuk mengukur performansi pembelajaran dari jaringan syaraf.
18
Menggunakan AI: kapan?
f(x)=x 2+2x-3
120
Masalah:
100
y=x2+2x-
Numeris AI Halaman Depan
80
Analitis 60
Numeris
y
Analitis
Carilah nilai minimum dari: 3; pada kawasan [-10 10]. Dengan mudah dapat diselesaikan secara analitis. Solusi eksak, Nilai Minimum = -4, terletak pada x=-1.
40
AI
Untuk masalah sederhana yang bisa diselesaikan secara analitis, selesaikanlah secara ANALITIS.
Halaman Depan
20
minimum
0
-20 -10
-8
-6
-4
-2
0 x
2
4
6
8
10
19
Masalah: Carilah akar persamaan: f(x)= sin(x)cos(x)-
Numeris AI Halaman Depan
200 y=0, x dekat dengan 3
2x+3sin(x)ln(x)+5sin(2x2-5x) / cos(x3-2x),
100
Analitis
0
dekat dengan 3. Sangat sulit untuk diselesaikan secara analitis, gunakan pendekatan METODE NUMERIS: (Metode biseksi, regulafalsi, secant, Newton). Hasil=3,0846.
Numeris
-100
y
Analitis
sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x)
300
-200
AI -300
Halaman Depan
-400 -500 -600
1
1.5
2
2.5
3 x
3.5
4
4.5
5
20
Masalah: Carilah nilai minimum dari: f(x)= sin(x)cos(x)-
Numeris AI Halaman Depan
200
2x+3sin(x)ln(x)+5sin(2x2-5x) /cos(x32x),
Analitis
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
Numeris
100 0 -100
y
Analitis
sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x)
300
AI
-200 -300
Halaman Depan
-400 -500 minimum global -600
1
1.5
2
2.5
3 x
3.5
4
4.5
5
21
Bekal ilmu yang harus ‘disiapkan’ untuk lebih memudahkan mempelajari Soft Computing: ALJABAR
KALKULUS
LOGIKA
Analitis Numeris
KOMPUTASI NUMERIS
AI Halaman Depan
SOFT COMPUTIN G
22
