ARTIFICIAL INTELEGENCE - PENDAHULUAN II

PENDAHULUAN II

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.

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.

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

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.

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

Konklusi tidak benar !!!

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.

Teknik Pemecahan Masalah

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.

Komponen Soft Computing

Approximate reasoning:

Fuzzy System;

Probabilistic Reasoning;

Functional Approximation/ Randomized Search:

Neural Network (Jaringan Syaraf)

Evolutionary Algorithm (Algoritma evolusioner).

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.

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

Algoritma Evolusioner

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

Probabilistic Reasoning

Mengakomodasi adanya faktor ketidakpastian.

Teori-teori yang berkembang:

Teorema Bayes

Certainty Factor (statistic reasoning)

Teorema Dempster-Shafer (statistic reasoning)

Hybrid Systems

Setiap komponen dalam Soft computing tidak saling ‘berkompetisi’, melainkan justru saling ‘melengkapi’.

Hybrid system merupakan perpaduan antar komponen dalam soft computing.

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.

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.

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.