Senin, 25 November 2013

Artificial Intelligence

By : Faiz Rafdhi, M. Kom - Nop'13 s/d Jan'14
Tujuan Materi I : Mmahami konsep Artificial Intelligence (AI), Area Aplikasi AI, & dpt membedakan AI dg Kcrdasn Alami srta AI dg pmrosesan konvensional
Sub Materi  : Ilmu & Pnlitian Ilmiah
  • Pngrtian Artificial Intelligence (AI)
  • Area Aplikasi Artificial Intelligence
  • Sjarah Artificial Intelligence (AI)
  • Pbandingan AI (Kcrdasn Buatan) dg Natural Intelligence/ NI (Kcrdsn Alami)
  • Pbandingan Komputasi AI (Kcrdasn Buatan) dg Proses Konvensional
  • Soft Computing

P’ertian Artificial Intelligence
Kdudukan Ilmu Kcrdsn Buatan
Landasan Filosofis
  • Bisakah mesin bpikir?
  • Jika bisa, bgmnn caranya?
  • & jika tdk bisa, knp tdk?
  • & apa yg dktkn sbg pikiran (mind)?
Arti Kcrdsn : kmampuan utk  …
  • bilajar atau m’erti dari p’alaman,
  • mmahami pesan yg kontradiktif & ambigu,
  • menanggapi dg cepat & baik atas  situasi yg baru,
  • mgunakn pnalaran dlm mmcahkan masalah srta mselesaiknya dg efektif
(Winston & Pendergast, 1994) Kcrdsn?
  • Mampu Bilajar / m’erti dr p’alaman
  • Mampu breaksi thd pesan yg mmiliki makna ganda / bilawanan
  • Respon cpat thd situasi baru
  • Mgunakan ptahuan utk mmanipulasi lingkungan
  • Mampu bfikir & mberi alasan
Kcrdsn?
  • Kcrdasan b’asal dr kt dsr “crdas”
  • Crdas:
    • mmiliki konotasi makna lbh baik, cepat, capable, adapted dg kondisi umumnya/normal.
    • kmampuan utk mengerti/mmahami
    • Kcrdsn (intelligence):
      • ssorg pandai m’aplikasikan ptahuan yg dimiliki.
      • kmampuan msia utk mproleh ptahuan & pandai mlaksanaknya dlm praktek
Review: Kcrdsn (Intelegensia)
  • Bgmnn ssorg/ssuatu bilajar & mlaksanakn ptahuan yg dimiliknya.
    • Walaupun punya ptahuan tp jk tdk dpt mlaksanakn ptahuan tsb = tdk inteligen
    • Daya reaksi / psesuaian yg cpt & tepat, baik scr fisik maupun mental, thd p’alaman2 baru, mbuat p’laman & ptahuan yg dmiliki siap utk dpakai apbila dhdpkn pd fakta2 atau kondisi2 baru (Kamus Besar Bahasa Indonesia Balai Pustaka)
    • Ptahuan dproleh dari bljar & mnalar utk mgunakanya dlm mselesaikn masalah
Stuart Russel & Peter Norvig:
  • AI, are:
    • Systems that think like humans
    • Systems that think rationally
    • Systems that act like humans
    • System that act rationally
Sistem yg bpikir spt Msia (thinking Humanly)
Sistem yg bpikir scr Rasional (thinking Rasionally)
Sistem yg btindak spt Msia (Acting Humanly)
Sistem yg btindak scr Rasional (Acting Rasionally)
Bfikir Spt Msia (Thinking Humanly)
  • Dprlukn suatu cara utk mtahui bgmnn msia bpikir
  • Dprlukn pemahaman tentang bgmnn pikiran msia bekerja
  • Bgmnn caranya?
    • Mlalui introspeksi atau mawas diri; mcoba mnangkap bgmnn pikiran kita bjln
    • How do you know that you understand?
      • Mlalui pcobaan psikologis
      • Bidang Ilmu:
        • Cognitive Science
        • Vision & natural language
Bpikir Rasional (thinking rationally)
  • Cara bpikirnya mmnuhi aturan logika yg dbangun oleh Aristotles
    • Pola struktur argumentasi yg sll mbri konklusi yg bnar bila premis bnar
    • Mjadi dsr bidang logika
    • Tradisi logicist dlm AI adl mbangun prog-ram yg mhasilkn solusi bdsrkn logika
    • Problem:
      • Ptahuan informal sukar diuraikan & dinyatakan dlm bntuk notasi logika formal
      • Tdp pbedaan besar antara mmecahkn masalah “scr prinsip” & “di dunia nyata”
Btindak Rasional (acting rationally)
  • Btindak scr rasional artinya btindak di dlm upaya mcapai goal
  • Di dlm lingkungan yg rumit tdklah mgkn mdptkn rasionalisasi smpurna yg sll mlakukn ssuatu dg bnar
    • Rasionalisasi terbatas
    • Sehingga:
      • Thinking & acting hmanly tll luas, thinking rationally msh tll sempit
      • Pdktn yg diikuti adl Acting Rationally
Uji Turing: AI Btindak Spt Msia (actg hmnly)
Pohon Kcrdsn Buatan & Aplikasinya
Pengertian Artificial Intelligence (AI)
  • AI = prlaku mesin yg mnampilkn prilaku msia yg dsb dg kcrdsn.
  • Ilmu AI = studi bgmn mbuat komputer mlakukn ssuatu hal pd suatu waktu utk msia scr lbh baik.
  • AI didefinisikan sbg kcrdsn yg ditunjukkan o/ suatu entitas buatan. Sistem spt ini umumnya dgunakn pd komputer utk mgantikn msia yg mmiliki kmampuan khusus. (ex: dokter spesialis, hakim)
  • AI = bid. ilmu komputer yg meneliti & mplajari bgmn agar komputer dpt btindak & mkerjakn pkrjaan spt yg dilakukan oleh msia.
  • Awalnya komputer hanya mesin hitung
Definisi Artificial Intelligence (AI)
  • H. A. Simon [1987]: “AI mrpk kawasan pnlitian, aplikasi & instruksi yg tkait dg pemrograman komputer utk mlakukn ssuatu hal yg – dlm pandangan msia adl – crdas”
  • Rich and Knight [1991]: “AI mrpk sbuah studi ttg bgmn mbuat komputer mela-kukan hal-2 yg pd saat ini dpt dilakukan lbh baik oleh msia”
  • John McCarthy [1956]: “mtahui & memodelkan proses-2 bpikir msia & mdesain mesin agar dpt mnirukn prlaku msia.”
Definisi Artificial Intelligence (AI)
  • Encyclopedia Britannica: “AI mrpk cab. dr ilmu komputer yg dlm mrepresentasi ptahuan lbh banyak mgunakn bntuk simbol-2 drpd bilangan, & mproses informasi bdsrkn mtode heuristic atau dg bdsrkn sjumlah aturan”
    • AI b’usaha utk mbangun entitas yg crdas serta mmahaminya. Alasan lain utk bljar AI adl bhwa entitas crdas yg dbangun ini mnarik & bguna.
    • Crdas = mmiliki Ptahuan + p’alaman, penalaran (bgmnn mbuat kputusn & m’ambil tindakan), moral yg baik
Review: Artificial Intelligence (AI)
  • AI mrupakn:
    • sub bidang ilmu komputer (computer science)
    • ditujukan utk mbuat s/w & h/w
    • spnuhnya bisa mnirukn bbrp fungsi otak msia
    • Cabang ilmu komputer yg mplajari otomatisasi tingkah laku crdas (intelligent).
    • AI harus didsrkan pd prinsip-2 teoretikal & terapan meliput:
      • struktur data yg dgunakn dlm representasi Ptahuan (knowledge representation),
      • algoritma yg dprlukn dlm pnrapan Ptahuan
      • Teknik-2 bahasa & pemrograman yg dipakai dlm implementasinya
Sejarah Kcrdsn Buatan
  • Zaman “Batu” (1943-1956)
    • Awal kerja JST & logika
    • Teori Logika (Alan Newell and Herbert Simon)
    • Kelahiran AI: Dartmouth workshop - summer 1956
    • John McCarthy’s mbri nama bidang: artificial intelligence
  • Masa Awal, Harapan besar (1952-1969)
    • McCarthy (1958)
- mdefinisikn Lisp
- mnmukn time-sharing
- Advice Taker
  • Pbljaran tanpa Ptahuan
  • Pemodelan JST
  • Pbljaran Evolusioner
  • Samuel’s checkers player: pbljaran
  • Metode resolusi Robinson.
  • Minsky: the microworlds (e.g. the block’s world).
  • Banyak demonstrasi kecil ttg prlaku “intelligent”
  • Prediksi over-optimistic Simon
  • Masa Gelap (1966-1973)
    • AI tdk m’alami pkembangan: ledakan pkembangan combinatorial
    • Fakta bhwa suatu program bisa mdptkn suatu solusi scr prinsip tdk b’arti bhwa program mmuat bbrp mekanisme yg dibutuhkan utk mdptknnya scr praktis.
    • Kegagalan dari pdktn tjemahan bahasa alami bbasis pd grammars sederhana & kamus kata.
    • Ptermahn kmbali yg populer        English->Russian->English
    • Pnmuan utk pmrosesan bhs natural dihentikan.
    • Kegagalan perceptron utk bljar dari fungsi sederhana sbgmn disjunctive/eksclusive OR.
    • Pnlitian pd JST dihentikan.
    • Realisasi dari ksukaran dlm proses learning & ktrbatasan dari metode yg dieksplorasi
    • Konsep pbljaran simbolik (Winston’s influential thesis, 1972)
    • Era Renaissance (1969-1979)
      • P’ubahan pd paradigma pselesaian:
        • Dari pselesaian masalah bbasis “search-based” mjadi  pselesaian masalah bbasis Ptahuan.
        • Sistem pakar ptama
        • Dendral: m’inferensi struktur molecular dari informasi yg disediakan oleh spektrometer massa.
        • Mycin: diagnoses blood infections
        • Prospector: mrekomendasikan eksplorasi pngboran pd lokasi geologi yg msediakan suatu deposit mineral  molybdenum.
    • Era Industrial (1980-sekarang)
      • Sukses ptama Sistem Pakar scr komersial.The.
      • Many AI companies.
      • Eksplorasi dari strategi pbljaran yg bmacam2 (Explanation-based learning, Case-based Reasoning, Genetic algorithms, Neural networks, etc.)
    • Era Neural Networks (1986-sekarang)
      • Penggalian kembali algoritma learning back propagation utk neural networks yg ptama dknalkan dlm tahun 1969 oleh Bryson and Ho.
      • Banyak aplikasi sukses dari Neural Networks.
      • Khilangan respek thd sulitnya mbangun sistem pakar (macetnya knowledge acquisition).
    • Masa Kematangan (1987-sekarang)
      • P’ubahan dlm cakupan & metodologi pnlitian bidang Kcrdsn Buatan:
      • Mbangun di atas teori yg ada, bkn Cuma m’usulkan teori baru;
      • bbasis klaim pd theorema & eksperimen, bkn pd intuisi;
      • mnunjukn relevansi ke aplikasi nyata, bkn pd contoh “mainan”.
    • Era Agent Crdas (1995-sekarang)
      • Realisasi yg pd mulanya dipisahkan dlm sub dari Kcrdsn Buatan (speech recognition, problem solving and planning, robotics, computer vision, machine learning, knowledge representation, etc.) prlu direorganisasi blmn hasil-hasilnya diikat bsama2 kedlm suatu desain agent tunggal.
      • Suatu proses reintegrasi dari sub-area yg bbeda dari KB utk mbntuk “whole agent”:
      • “agent perspective” of AI
    • agent architectures (e.g. SOAR, Disciple);
    • multi-agent systems;
    • agent utk aplikasi tipe2 yg bbeda, web agents.
Bagian Utama AI
  • Ptahuan (knowledge): suatu p’ertian ttg bbrp wilayah subyek yg dproleh mlalui pdidikan & p’alaman
  • Ptahuan: informasi t’organisir & t’analisa, bs lbh mudah dmengerti & bs dterapkan pd pmcahan masalah & p’ambilan kputusn
  • Ptahuan tdr dari: fakta, pmikiran, teori, prosedur, & hubungannya 1 sama lain
  • Komputer tdk mgkn mdptkn Ptahuannya sendiri dg bljar, berp’alaman atau mlakukn pnlitian, tp diperolah mlalui upaya yg diberikan oleh seorg pakar m’sia.
  • Teknik AI bs dgunakn utk mbri kmampuan br kpd komputer agar bs bpikir, mnalar & mbuat inferensi (m’ambil kputusn bdsrkn p’alaman) & mbuat ptimbangan2 yg didsrkan kpd fakta & hubung-an2 nya yg tkandung dlm pangkalan Ptahuan itu
Tujuan AI
  • Mbuat mesin mjadi lbh pintar (tujuan utama)
  • Mmahami apa itu kcrdsn (tujuan ilmiah)
  • Mbuat mesin lbh bmanfaat (tujuan entrepreneurial)
Arah AI
  • Mkembangkan metode & sistem utk mslesaikn masalah AI tanpa m’ikuti cara msia mselesaiknya (sistem pakar/ expert system)
  • Mkembangkn metode & sistem utk mselesaikn masalah AI mlalui pmodelan cara bpikirnya msia, atau cara bkrjanya otak msia (neural network)
AI dipandang dlm bbagai perspektif.
  • Dari perspektif Kcrdsn (Intelligence) : AI adl bgmn mbuat mesin yg “crdas” & dpt mlakukn hal2l yg sbelumnya dpt dilakukan oleh msia
  • Dari perspektif bisnis : AI adl sklompok alat bantu (tools) yg bdaya guna, & metodologi yg mgunakn tool2l tsb guna mslesaikn masalah2 bisnis.
  • Dari perspektif pemrograman (Programming), AI tmsk didlmnya adl studi ttg emrograman simbolik, pmecahan masalah, proses pencarian (search)
Perbandingan artificial intelligence (AI) dg natural intelligence (NI)
Keuntungan AI (Komersial)
Kelbhan NI
Mdh dokumntasi
Lbh Kreatif
Lbh Murah
Mampu mlakukn proses pbljaran lgsg
Mdh ddupikasi & dsbarkan
Fokus yg luas sbg referensi utk p’ambilan kputusn
Lbh cpt, tepat, baik dlm mkrjkn bbrp tugas ttntu
Pemikiran msia dpt dgunakn scr luas
Konsisten & teliti

Lbh bersifat permanen

Klbhan & Klmahan Artificial Intelligence
Kelbhan
Kelemahan
Komputer masa dpn akan mbrikan knikmatan, knyamanan & ksenangan yg lbh bg pgunanya
Sbaliknya akan mdorong harga komputer mjd smakin mahal
Biaya pkmbangan & pnlitian Kcrdsn Buata sgt mahal
Komputer akan mjd smakin lbh bguna krn bidang2 masalah yg tadinya tdk dpt dpcahkan p/ komputer kini akan dpt dpcahkan dg teknik AI
Pkembangan aplikasi AI mrpk hal yg sgt sulit & dprlukn waktu yg sgt lama
Msh sdikitnya S/W khusus utk AI
Blm tciptanya interface bhs alami khusus utk AI
Perbandingan Komputasi AI dg Komputasi Konvensional

Komputasi AI
Komputasi Konvensional
Processing
Simbolik
Algoritmik
Input & Output
Tdk hrs lengkap
Hrs lengkap
Search
Heuristik
Algoritmik
Explanation
Tersedia
Tdk Tersedia
Major Interest
Knowledge
Data & Informasi
Struktur
Tpisah antra control & Ptahuan
Terintegrasi dg data
Kmampuan Mnalar
Ya
Tdk
Problem
Mbritahu komputer ttg suatu masalah
Mmrintah komputer utk mslsaikn masalah
Brain
Mniru bbrp fungsi otak msia
Mgunakn fungsi otak msia
Programming
Programnya dpt ditulis dlm smua bhs pmro-gramn trmsk bhs pmrogramn khusus utk Aplikasi AI
Hanya dpt ditulis dlmbhs pmrogramn biasa
Hardware
Dpt dbuatkan Hardware khusus & dpt pula dijlnkn pdsmua jenis komputer
Dpt dijlnkan pd smuajenis komputer ttp tdkdibuatkan H/W khusus
Persamaan Komputasi AI dg Komputasi Konvensional
  • Sama-2 mengolah simbol-2 yg dpt berupa huruf, kata, atau bilangan yg dgunakn utk menggambarkan obyek, proses, & saling hubungannya.
  • Obyek dpt berupa orang, benda, ide, pikiran, peristiwa atau pernyataan suatu fakta.
  • Mgunakn komputer digital utk melaksanakan operasi
Bbrp masalah yg ditangani AI
  • Pbuktian teorema (theorem proving), mis: MACSYMA utk tugas2 matematika.
  • Game, mis: chess, tic (= saraf tak sadar) tac toe (= jari kaki), othelo, dsb
  • Pmcahan problema umum (general problem solving),        mis: p’ambilan kputusn otomatis (automated decision making) & pmodelan kinerja msia
  • Prsepsi/ perception (visi / vision & pcakapan/ conversation)
  • Pkenalan pola (pattern recognition), mis: p’olahan citra digital utk kbutuhan ramalan cuaca, foto (kopi), monitor tv, dsb.
  • Pmcahan problema pakar (expert), mcakup bid. matematika simbolik, diagnosa medis, rekayasa rancang bangun, analisis kimia, hukum, dsb
  • Pbuatan perangkat lunak otomatis (automated software generation).
Soft Computing
  • Soft Computing mrupakn inovasi baru dlm mbangun sistem crdas yaitu sistem yg mmiliki keahlian spt msia pd domain ttntu, mampu b’adaptasi & bljar agar dpt bkrja lbh baik jk tjd prubahan lingkungan.
  • Soft computing m’eksploitasi adanya toleransi thd ktdkpastian, ktdktepatan, & kbnaran parsial utk dpt dislesaikan & dkndalikan dg mudah agar ssuai dg realita. (Prof. Lotfi A Zadeh, 1992)
Metodologi-metodologi dlm Soft Computing
  • Sistem Fuzzy (mengakomodasi ketdktepatan).
  • Jaringan Syaraf (mgunakn pbljaran).
  • Probabilistic Reasoning (mengakomodasi ketdkpastian).
  • Evolutionary Computing (optimasi) : algoritma genetika.
Materi II Artificial Intelligence : Teknik Dsr Pcarian
Sub Materi
 Teknik Dsr Pcarian
  • Mdefinisikn Mslh sbg Suatu Ruang Keadan
  • Representasi Ruang Keadaan
  • Mtode Pcarian & Placakn
Mdefinisikn Mslh sbg Suatu Ruang Keadaan
  • Bisakah mesin bpikir?
  • Jk bisa, bgmn caranya?
  • & jk tdk bisa, knp tdk?
  • & apa yg dikatakn sbg pikiran (mind)?
Mtode Pcarian
Tdp banyak mtode yg tlh diusulkan. Smua mtode yg ada dpt dbdakn ke dlm 2 jenis :
  • Pcarian buta / tanpa informasi (blind/un-informed search)
  • Pcarian heuristik / dg informasi (heuristic atau informed search)
stiap mtode mpunyai karakteristik yg bbda2 dg klbhan & kkurangan msg2.
Utk m’ukur performansi mtode pcarian, tdp 4 kriteria yg dgunakn :
  1. Completeness : Apakah mtode tsb mjmin pnmuan slusi jk slusinya mmg ada?
  2. Time complexity : wktu yg dprlukn ?
  3. Space complexity : memori yg dprlukn ?
  4. Optimality : Apakah mtode tsb mjamin mnemukn solusi yg tbaik jk tdp bbrp solusi yg bbda ?
Heuristic Searching Sbg Dsr dr Kcrdsn Buatan
  • Para pnliti awal kcrdsn buatan menitik batkn pd pselesaian mslh yg tdk mgunakn mtode komputasi konvensional.
  • Hal ini dsbbkn mtode pemecahan mslh konvensional tdk dpt lagi dgunakan.
  • Pmslhan pd sistem KB tdk mmiliki algoritma ttntu.
  • Kalaupun ada tentulah sangat kompleks.
  • Krn itu hrslah ditemukn sbuah teknik baru yg mirip dg cara yg dgunakn oleh m’sia utk mselesaikn mslh & dpt diimplementasikn pd komputer.
  • Slh satu mtode yg cukup tknal adl mtode searching.
  • Searching dlm sbuah struktur data tlh mjadi dsr bg algoritma komputer, ttp proses searching pd KB mmiliki pbdaan.
  • Mtode searching pd KB mrupakn searching thd problem space bkn searching data (e.g., angka, karakter, string) ttntu.
  • Proses searching ini brupa jalur yg mgbrkn keadaan awal sbuah mslh mnuju kpd pselesaian mslh yg diinginkn (i.e., the solved problem).
  • Jalur2 ini mgbrkn langkah2 pselesaian mslh.
  • Mlalui proses searching mnuju sbuah pselesaian akn tbentuk sbuah solution space.
  • Phatikn cth pselesaian mslh komputer pd Gbr 1.4.
  • Langkah ptama utk mtahui apakah komputer dpt dgunakn atau tdk adl men-switch ON.
  • Slnjutnya dg mlakukn inspeksi thd kondisi lampu indikator kita dpt mnntukn langkah brktnya.
  • Mslnya kondisi lampu OFF.
  • Dg mlakukn searching thd problem space kita akn tiba pd sbuah pselesaian mslh agar komputer dpt diaktifkn kmbali.
BLIND / UN-INFORMED SEARCH
Istilah blind atau buta dgunakn krn mmg tdk ada informasi awal yg dgunakn dlm proses pcarian.
Brkt ini, skilas 6 mtode yg tglong blind search
Breadth-First Search (BFS) 
Depth-First Search (DFS) 
Depth-Limited Search (DLS) 
Uniform Cost Search (UCS)
Iterative-Deepening Search (IDS) 
Bi-Directional Search (BDS) 
  

1.       Breadth-first Search (BFS) mlakukn proses searching pd smua node yg brada pd level atau hirarki yg sama tlbh dahulu sblm melanjutkn proses searching pd node di level brktnya. Urutan proses searching BFS ditunjukkn dlm Gbr 1.6 adl: A,B,C,D,E,F, 
2.       Depth-first Search (DFS) adl proses searching sistematis buta yg mlakukn ekpansi sbuah path (jalur) mnuju pselesaian mslh sblm mlakukn ekplorasi thd path yg lain. Proses searching m’ikuti sbuah path tunggal sampai mnmukn goal atau dead end. Apabla proses searching mnmukn dead-end, DFS akn mlakukn penelusuran balik ke node t’akhir utk mlht apakah node tsb mmiliki path cabang yg blm dieksplorasi. Apabla cabang ditemukan, DFS akn mlakukn cabang tsb. Apabla sdh tdk ada lagi cabang yg dpt dieksplorasi, DFS akn kmbali ke node parent & mlakukn proses searching thd cabang yg blm dieksplorasi dr node parent sampai mnmukn pselesaian mslh. Urutan proses searching DFS ditunjukkn dlm Gbr 1.5 adl: A, B, E, F, G, C, ...
Kelbhan DFS adl:
  • Pmkian memori hanya sdikit, bbda jauh dg BFS yg hrs msimpan smua node yg prnah dibangkitkan.
  • Jk solusi yg dicari brada pd level yg dlm & plg kiri, mk DFS akn mnmuknnya scr cpat. 
Kelemahan DFS adl:
  • Jk pohon yg dibangkitkn mpunyai level yg dlm (tak thingga), mk tdk ada jaminan utk mnmukn solusi (Tdk Complete).
  • Jk tdp lbh dr satu solusi yg sama ttp brada pd level yg bbda, mk pd DFS tdk ada jaminan utk mnmukn solusi yg plg baik (Tdk Optimal).
  
3.       Depth-Limited Search (DLS) 
Mtode ini b’usaha m’tasi kelemahan DFS (tdk complete) dg mbatasi kelemahan maksimum dr suatu jalur solusi. 
Ttp, sblm mgunakn DLS, kita hrs tahu brp level maksimum dr suatu solusi. 
4.       Uniform Cost Search (UCS) 
Konsepnya hampir sama dg BFS, bdanya adl bhwa BFS mgunakn urutan level yg plg rendah sampai yg plg tinggi, sdgkn UCS mgunakn urutan biaya dr yg plg kcil sampai yg tbsr. 
UCS b’usaha mnmukn solusi dg total biaya trendah yg dihitung bdsrkn biaya dr simpul asal mnuju ke simpul tujuan.
  
5.       Iterative-Deepening Search (IDS) mrupakn mtode yg mgabungkn kelbhan BFS (Complete & Optimal) dg kelbhan DFS (space complexity rendah atau mbutuhkn sdikit memori). Ttp konsekwensinya adl time complexitynya mjadi tinggi.
  
6.       Bi-Directional Search (BDS) Pcarian dilakukn dr dua arah : pcarian maju (dr start ke goal) & pcarian mundur (dr goal ke start). Ketika dua arah pcarian tlh membangkitkn simpul yg sama, mk solusi tlh ditemukan, yaitu dg cara mgabungkn kedua jalur yg btemu.
Mtode Pcarian & Pelacakan
  • Hal pnting dlm mnntukn keberhasilan sistem crdas adl kesuksesan dlm pcarian.
  • Pcarian = suatu proses mencari solusi dr suatu pmslhan mlalui sekumpulan kemungkinan ruang keadaan (state space).
  • Ruang keadaan = mrupakn suatu ruang yg bisi smua keadaan yg mungkin.
  • Utk m’ukur perfomansi mtode pcarian, tdp empat kriteria yg dpt dgunakn :
  • Completeness : apakah mtode tsb mjamin penemuan solusi jk solusinya mmg ada?
  • Time complexity : brp lama waktu yg dprlukn?
  • Space complexity : brp banyak memori yg dprlukn
  • Optimality : apakah mtode tsb mjamin mnmukn solusi yg tbaik jk tdp bbrp solusi bbda?
    • Dua teknik pcarian & pelacakn
    • Pcarian buta (blind search)
      • Pcarian melebar ptama (Breadth – First Search)
      • Pcarian mendlm ptama (Depth – First Search)
      • Pcarian terbimbing (heuristic search)
        • Pendakian Bukit (Hill Climbing)
        • Pcarian Tbaik Ptama (Best First Search)
Pcarian Melebar Ptama (Breadth-First Search)
  • Smua node pd level n akn dikunjungi tlbh dahulu sblm level n+1
  • Mlai dr akar terus ke lvl 1 dr kiri ke kanan
  • Kmudian ke lvl slnjutna shg slusi dtmukn
  • Keuntungan
    • Tdk akn menemui jalan buntu
    • Mjamin ditemukannya solusi (jk solusinya mmg ada) & solusi yg ditemukn pasti yg plg baik
    • Jk ada satu solusi mk bread-first search akn mnmuknnya
    • Kelemahannya
      • Mbutuhkn memori yg cukup banyak
      • Mbutuhkn waktu yg cukup lama
Pcarian Mendlm Ptama (Depth-First Search)
  • Proses pcarian dilakukn pd smua anaknya sblm dilakukn pcarian ke node-node yg selevel
  • Keuntungan
  • Memori yg relatif kcil
  • Scr kebetulan, akn mnmukn solusi tanpa hrs m’ji lbh banyak lagi
    • Kekurangan
    • Memungkinkn tdk ditemukannya tujuan yg dhrpkn
    • Hanya akn mendptkn 1 solusi pd stiap pcarian
Pcarian Heuristik
  • Pcarian buta tdk selalu dpt diterapkn dg baik
  • Waktu aksesnya yg cukup lama
  • Bsrnya memori yg dprlukn
    • Mtode heuristic search dhrpkn bisa mselesaikn pmslhan yg lbh bsr.
    • Mtode heuristic search mgunakn suatu fungsi yg mhitung biaya perkiraan (estimasi) dr suatu simpul ttntu mnuju ke simpul tujuan ➔ disebut fungsi heuristic
    • Aplikasi yg mgunakn fungsi heuristic : Google, Deep Blue Chess Machine
  • Cth pd mslh 8 puzzle
  • Operator
    • Ubin kosong geser ke kanan
    • Ubin kosong geser ke kiri
    • Ubin kosong geser ke atas
    • Ubin kosong geser ke bawah
  • Langkah Awal
  • Langkah Awal hanya 3 operator yg bisa dgunakn
    • Ubin kosong digeser ke kiri, ke kanan & ke atas.
    • Jk mgunakn pcarian buta, tdk perlu mtahui operasi apa yg akn dikerjakn (sembarang)
    • Pd pcarian heuristik perlu dbrikn informasi khusus dlm domain tsb
Informasi yg bisa dbrikan
  • Utk jml ubin yg mnmpati posisi yg benar  jml yg lbh tinggi adl yg lbh dhrpkn (lbh baik)
  • Utk jml ubin yg mnmpati posisi yg slh jml yg lbh kcil adl yg dhrpkn (lbh baik).
  • Mhitung total gerakn yg dprlukn utk mcapai tujuan  jml yg lbh kcil adl yg dhrpkn (lbh baik).
Artificial Intelligence: IV. Sistem Pakar
DEFINISI SISTEM PAKAR : Sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert).
APA ITU PAKAR (EXPERT) ?
  • Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior dari suatu masalah.
  • Misalnya: seorang dokter, penasehat keuangan, pakar mesin mobil, dll.
Kemampuan kepakaran:
  • Dapat mengenali (recognizing) dan merumuskan masalah
  • Menyelesaikan masalah dengan cepat dan tepat
  • Menjelaskan solusi
  • Belajar dari pengalaman
  • Restrukturisasi pengetahuan
  • Menentukan relevansi/hubungan
  • Memahami batas kemampuan
KEPAKARAN (EXPERTISE) ?
  • Pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh dari pelatihan, membaca dan pengalaman.
Jenis-jenis pengetahuan yang dimiliki dalam kepakaran:
  • Teori-teori dari permasalahan
  • Aturan dan prosedur yang mengacu pada area permasalahan
  • Aturan (heuristik) yang harus dikerj akan pada situasi yang terjadi
  • Strategi global untuk menyelesaikan berbagai jenis masalah
  • Meta-knowledge (pengetahuan tentang pengetahuan)
  • Fakta-fakta
DATA = INFORMASI ?  => Data diolah => Informasi
Data: Nilai/value yang turut merepresentasikan deskripsi dari suatu objek atau kejadian (event)
Informasi merupakan hasil dari pengolahan data dalam suatu bentuk yang lebih berguna dan lebih berarti bagi penerimanya, yang menggambarkan suatu kejadian-kejadian (event) yang nyata (fact) yang digunakan untuk pengambilan keputusan.
PENGETAHUAN (KNOWLEDGE) Informasi diolah => Knowledge
KNOWLEDGE ? 1. Data + processing = information 2. Information + processing (pengalaman, training, dll) = knowledge
Human Expert VS Expert System
Perbandingan Seorang Ahli (Human Expert) dg Sistem Pakar
Faktor / Human Expert / Sistem Pakar
Time Availability / Hari Kerja / Setiap Saat
Geografis / Lokal-Tertentu / Dimana saja
Keamanan / Tdk Tergantikan / Dpt Diganti
Perishable-Dpt Habis / Ya / Tidak
Performansi / Variable / Konsisten
Kecepatan / Variable / Konsisten – Lbh cepat
Biaya / Tinggi / Terjangkau
Alasan mendasar mengapa ES dikembangkan untuk menggantikan seorang pakar:
  • Dapat menyediakan kepakaran setiap waktu dan diberbagai lokasi
  • Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
  • Seorang Pakar akan pensiun atau pergi
  • Seorang Pakar adalah mahal
  • Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environtment)
Sistem Pakar vs Sistem Konvensional
  • Informasi dan pemrosesan umumnya digabung dlm program sequential vs knowledge base terpisah dari mekanisme pemrosesan (inference)
  • Program tdk pernah salah (kec programernya yg salah vs Program bisa saja melakukan kesalahan
  • Tdk menjelaskan mengapa input dibutuhkan atau bagaimana hasil diperoleh vs Penjelasan (explanating) merupakan bagian dari ES
  • Membutuhkan semua input data vs Tdk hrs membutuhkan semua input data atau fakta
  • Perubahan pada program merepotkan vs Perubahan pada rules dpt dilakukan dg mudah
  • Sistem bekerja jika sdh lengkap vs Sistem dpt bekerja hanya dg rules yg sedikit
  • Eksekusi secara algoritmik (step by step) vs Eksekusi dilakukan secara heuristik dan logik
  • Manipulasi efektif pada database yg besar vs Manipulasi efektif pada knowledge-base yg besar
  • Data kuantitatif vs Data kualitatif
  • Representasi data dlm numerik vs Representasi pengetahuan dlm simbol
  • Menangkap, menambah dan mendistribusi data numerik atau informasi vs Menangkap, menambah dan mendistribusi pertimbangan (judgement) dan pengetahuan
Konsep Dasar Sistem Pakar
  • Sistem yang mempunyai pengetahuan para ahli/pakar dan menggunakannya dalam mengambil keputusan/menyelesaikan masalah
  • Bidang yang ditangani spesifik
  • Berdasarkan pada aturan-aturan yang biasanya berbentuk IF-THEN
  • Kepakaran ditransfer dari seorang pakar ke komputer.
  • Pengetahuan ini disimpan dan user dapat meminta saran spesifik yang dibutuhkannya.
  • Komputer dapat mencari, mengolah dan menampilkan kesimpulan yang spesifik
  • Mempunyai kemampuan menjelaskan
Bagian Utama Sistem Pakar
  • Lingkungan pengembangan : Digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar
  • Lingkungan konsultasi : Digunakan oleh pengguna yang bukan pakar untuk memperoleh pengetahuan pakar
Komponen Sistem Pakar
  • Antarmuka pengguna – mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi
  • Basis pengetahuan – terdiri dari fakta dan aturan
  • Akuisisi pengetahuan – pemindahan pengetahuan dari sumber ke program komputer
  • Motor inferensi – penalaran untuk menyelesaikan masalah
  • Workplace/blackboard – memori untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara, ada 3 keputusan yang dapat direkam : rencana, agenda, solusi
  • Fasilitas penjelasan – memberikan penjelasan tentang perilaku sistem pakar
  • Perbaikan pengetahuan – peningkatan kinerja dan update pengetahuan
Tahap Pembuatan Sistem Pakar
Contoh Sistem Pakar
  • MYCIN
– Mendiagnosa penyakit infeksi dan merekomendasi pengobatan
– Membantu dokter yang belum berpengalaman dalam menangani penyakit
  • EL
– Digunakan untuk menganalisa dan membantu rekayasa rancangan sirkuit elektronik yang terbuat dari transistor, dioda dan resistor.
– Diagram skematik dari sirkuit ini dimasukkan ke dalam komputer dan EL menganalisis  menentukan karakteristik sirkuit, nilai voltase, dan strum yang ada pada semua titik sirkuit.
– Basis pengetahuan pada EL merupakan prinsip umum elektronik seperti hukum OHM, hukum kirchoff, karakteristik komponen, teori operasi transistor.
  • DELTA
– membantu karyawan bagian pemeliharaan mesin lokomotif diesel dalam memantau mesin-mesin yang tidak berfungsi dengan baik dan membimbing ke arah prosedur perbaikan
PEMINDAHAN KEPAKARAN
  • Tujuan dari sebuah sistem pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar kedalam komputer, dan kemudian kepada orang lain(non-expert).
Aktifitas yang dilakukan untuk memindahkan kepakaran:
  1. Knowledge Acquisition (dari pakar atau sumber lainnya)
  2. Knowledge Representation (ke dalam komputer)
  3. Knowledge Inferencing
  4. Knowledge Transfering
Struktur Dasar Sistem Pakar
KNOWLEDGE BASE
  • Definisi : Bagian dari sistem pakar yang berisi domain pengetahuan
  • Berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan dan menyelesaikan masalah.
Terdiri dari 2 elemen dasar:
  • Fakta, situasi masalah dan teori yang terkait
  • Heuristik khusus atau rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus.
WORKING MEMORY
  • Definisi : bagian dari sistem pakar yang berisi fakta-fakta masalah yang ditemukan dalam suatu sesi
  • Berisi fakta-fakta tentang suatu masalah yang ditemukan dalam proses konsultasi
INFERENCE ENGINE
  • Definisi : Processor pada sistem pakar yang mencocokan fakta-fakta yang ada pada working memori dengan domain pengetahuan yang terdapat pada knowledge base, untuk menarik kesimpulan dari masalah yang dihadapi.
  • Proses berpikir pada manusia dimodelkan dalam sistem pakar pada modul yang disebut Inference Engine.
STRUKTUR DETAIL SISTEM PAKAR Terdiri atas 2 bagian :
  • Development Environment (Lingkungan Pengembangan)
  • Consultation Environment (Lingkungan Konsultasi)
Bagian-bagian yang secara umum ada pada struktur detail sistem pakar
  • Knowledge Aqcuisision System
  • Knowledge Base
  • Inference engine
  • User Interface
  • User
  • Workplace (Blackboard)
  • Explanation Subsystem
  • Knowledge refining system
Contoh: IPEXCAD
KNOWLEDGE AQCUISISTION : Meliputi proses pengumpulan, pemindahan, dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi (buku, dll) ke program komputer, yang bertujuan untuk memperbaiki dan atau mengembangkan basis pengetahuan (knowledge-base)
The Human Element in Expert Systems
  • Expert
  • Knowledge Engineer
  • User
  • Others
The Expert
  • Has the special knowledge, judgment, experience and methods to give advice and solve problems
  • Provides knowledge about task performance
The Knowledge Engineer
  • Helps the expert(s) structure the problem area by interpreting and integrating human answers to questions, drawing analogies, posing counterexamples, and bringing to light conceptual difficulties
  • Usually also the System Builder
The User
  • Possible Classes of Users
– A non-expert client seeking direct advice (ES acts as a Consultant or Advisor)
– A student who wants to learn (Instructor)
– An ES builder improving or increasing the knowledge base (Partner)
– An expert (Colleague or Assistant)
  • The Expert and the Knowledge Engineer Should Anticipate Users' Needs and Limitations When Designing ES
Other Participants
  • System Builder
  • Systems Analyst
  • Tool Builder
  • Vendors
  • Support Staff
  • Network Expert
Kategori Problema Sistem Pakar
Kategori Problema Sistem Pakar secara umum:
  1. Interpretasi – membuat kesimpulan atau deskripsi dari sekumpulan data mentah.
  2. Prediksi – memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu
  3. Diagnosis – menentukan sebab malfungsi dalam situasi kompleks yang didsarkan pada gejala-gejala yang teramati
  4. Desain – menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memnuhi kendala - kendala tertentu
  5. Perencanaan – merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu
  6. Debugging dan Repair – menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi.
  7. Instruksi – mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek
  8. Pengendalian – mengatur tingkah laku suatu environment yang kompleks
  9. Selection – mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan
  10. Simulation – pemodelan interaksi antara komponen-komponen sistem
  11. Monitoring – membandingkan hasil pengamatan dengan kondisi yang diharapkan
Aplikasi Sistem Pakar
Expert Systems Benefits
  • Increased Output and Productivity
  • Decreased Decision Making Time
  • Increased Process(es) and Product Quality
  • Reduced Downtime
  • Capture Scarce Expertise
  • Flexibility
  • Easier Equipment Operation
  • Elimination of Expensive Equipment
  • Operation in Hazardous Environments
  • Accessibility to Knowledge and Help Desks
  • Integration of Several Experts' Opinions
  • Can Work with Incomplete or Uncertain Information
  • Provide Training
  • Enhancement of Problem Solving and Decision Making
  • Improved Decision Making Processes
  • Improved Decision Quality
  • Ability to Solve Complex Problems
  • Knowledge Transfer to Remote Locations
  • Enhancement of Other MIS
BASIS PENGETAHUAN
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada 2 bentuk pendekatan basis pengetahuan :
a. Penalaran berbasis aturan (rule-based reasoning)
  • pengetahuan direpresentasikan dengan menggunakan aturan berbentuk IF-THEN.
  • digunakan bila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan.
  • digunakan apabila dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi.
Contoh : aturan identifikasi hewan
  • Rule 1 : IF hewan berambut dan menyusui THEN hewan mamalia
  • Rule 2 : IF hewan mempunyai sayap dan bertelur THEN hewan jenis burung
  • Rule 3 : IF hewan mamalia dan memakan daging THEN hewan karnivora
Contoh: Bilangan Prima
  • Bil prima: bil yg tdk habis dibagi 2,3,5,7,11,13
  • Bil prima: bil asli yg hanya memiliki 2 faktor pembagi, yaitu 1 dan bil. itu sendiri
  • Bil prima terbesar tak berhingga
  • Bil prima: terbesar yg diketahui hingga saat ini merupakan penemuan GIMPS, yaitu: (2^32,582,657) − 1. Bil prima terbesar yg diketahui merupakan penemuan dari komputasi terdistribusi (distributed computing) dari proyek Great Internet Mersenne Prime Search (Pencarian Internet Besar Bilangan Prima Mersenne) (GIMPS), yang memiliki panjang 9.808.358 digit.
  • =IF(H15>=80,"A",IF(H15>=69,"B",IF(H15>=55,"C",IF(H15>=40,"D","E"))))
  • =IF(OR(A2=2,A2=3,A2=5,A2=7,A2=11,A2=13,A2=17,A2=19),("bilangan prima"),IF(OR((MOD(A2,2)=0),(MOD(A2,3)=0),(MOD(A2,5)=0),(MOD(A2,7)=0),(MOD(A2,11)=0),(MOD(A2,13)=0),(MOD(A2,17)=0),(MOD(A2,19)=0),A2=1,A2<1),"bilangan komposit","bilangan prima"))
b. Penalaran berbasis kasus (case-based reasoning)
  • basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada).
  • digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip).
  • digunakan bila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.
MESIN INFERENSI
  1. Forward Chaining : Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
  2. Backward Chaining : Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
LANGKAH PEMBUATAN S.PAKAR
  1. Mengidentifikasi masalah dan kebutuhan
  2. Menentukan problema yang cocok
  3. mempertimbangkan alternatif
  4. menghitung pengembalian investasi
  5. memilih alat pengembangan
  6. merekayasa pengetahuan
  7. merancang sistem
  8. melengkapi pengembangan
  9. menguji dan mencari kesalahan sistem
  10. memelihara sistem
Knowledge Base
Pendekatan knowledge base:
  • Rule Based Reasoning
– Pengetahuan dibuat dalam IF-THEN
– Digunakan jika kita sudah memiliki pengetahuan dari pakar mengenai permasalahan tertentu secara berurutan
– Dibutuhkan jika harus ada penjelasan tentang langkah-langkah pencapaian solusi
  • Case Based Reasoning
– Basis pengetahuan akan berisi kasus-kasus yang sudah diketahui sebelumnya.
– Jika kasus-kasusnya hampir mirip
– Jika sudah memiliki penyelesaian kasus-kasus
Inference Engine
  • Forward Chaining: pencocokan dari fakta untuk me
  • nguji kebenaran hipotesis
  • Backward Chaining: pencocokan dari bagian hipotesis terlebih dahulu baru mencocokkan dengan fakta-faktanya
Kasus
  • Contoh:
–        R1: IF A & B THEN C
–        R2: IF C THEN D
–        R3: IF A & E THEN F
–        R4: IF A THEN G
–        R5: IF F & G THEN D
–        R6: IF A & G THEN H
–        R7: IF C & H THEN I
–        R8: IF I & A THEN J
–        R9: IF G THEN J
–        R10: IF J THEN K
  • Fakta: A & F, apakah K benar?
Kasus
  • R1: if suku bunga turun then harga obligasi naik
  • R2: if suku bunga naik then harga obligasi turun
  • R3: if suku bunga tidak berubah then harga obligasi tidak berubah
  • R4: if dolar naik then suku bunga turun
  • R5: if dolar turun then suku bunga naik
  • R6: if harga obligasi turun then beli obligasi
  • Diket: dolar turun, beli atau tidak obligasi?
Knowledge Acuisition
  • Knowledge engineer berusaha menyerap pengetahuan untuk ditransfer ke basis pengetahuan
  • Metode:
–      Wawancara
–      Analisis protokol: pakar diminta untuk melakukan pekerjaan dan direkam
–      Observasi kerja pakar
–      Induksi aturan
Artificial Intelligence: V. Representasi Pengetahuan
KNOWLEDGE
  • Knowledge sering disamakan arti dengan data, fakta, dan informasi.
  • Knowledge dapat diklasifikasikan ke dalam tiga kategori yaitu:
  1. Procedural Knowledge : berkenaan untuk mengetahui bagaimana melakukan sesuatu.
  2. Declarative Knowledge : berkenaan untuk  mengetahui sesuatu itu benar atau salah.
  3. Tacit Knowledge atau Unconcious Knowledge artinya pengetahuan yang tidak bisa diungkapkan dengan bahasa.
  • Knowledge adalah KUNCI UTAMA dari sistem pakar.
  • Analoginya : Knowledge + Inferensi = Sistem Pakar
KATEGORI REPRESENTASI PENGETAHUAN : Menurut Turban (2001), ada beberapa tipe pengetahuan yg bisa dikategorikan dlm bentuk keahlian:
  1. Teori-teori yang mendasari suatu permasalahan
  2. Aturan-aturan baku & prosedur yang berkaitan dengan permasalahan tertentu.
  3. Aturan-aturan heuristik tentang apa yang harus dikerjakan dalam suatu permasalahan yang diberikan.
  4. Strategi-strategi global untuk pemecahan dari tipe-tipe ini.
  5. Meta knowledge (pengetahuan dari pengetahuan)
  6. Fakta atau bukti tentang suatu permasalahan.
4 TEKNIK DALAM MEREPRESENTASIKAN PENGETAHUAN : Menurut Firebaugh (1989), terdapat 4 teknik dalam merepresentasikan pengetahuan :
  1. Jaringan Semantik (Semantic Network)
  2. Frame
  3. Script
  4. Aturan Produksi atau Sistem Produksi
JARINGAN SEMANTIK
  • Jaringan semantik atau jaringan merupaka suatu teknik representasi AI yang digunakan untuk informasi yang proporsional (Stilling,1987).
  • Jaringan semantik kadang disebut juga jaringan propositional.
  • Proposition à suatu pernyataan yang dapat bernilai benar atau salah.
  • Jaringan semantik dalam matematika berupa suatu label atau graph berarah.
KONSEP JARINGAN SEMANTIK
  • Jaringan semantik terdiri dari simpul (NODE) dan busur (ARC).
  • Simpul menyatakan objek, dan busur menyatakan links atau edge.
  • Simpul digunakan untuk menggambarkan objek, konsep dan situasi yang ditunjukkan berupa lingkaran atau kotak, sedangkan busur digunakan untuk menyatakan hubungan antar simpul ,ditunjukkan berupa tanda panah.
CONTOH JARINGAN SEMANTIK
  • Dessi makan donat
  • Donat bentuknya bulat
  • Dessi punya adik
  • Namanya sendi
  • Sendi pergi sekolah
  • naik motor
  • Sendi pergi sekolah
  • sekolah membawa bola
  • Dessi bermain bola
  • Bola bentuknya bulat
  • Motor membutuhkan bensin
  • Pom bensin menyediakan bensin
  • Sendi punya rumah dekat pom bensin
CONTOH JARINGAN SEMANTIK (2)
  • Hubungan merupakan dasar penting dalam jaringan semantik karena menyediakan struktur struktur dasar untuk pengorganisasian pengetahuan.
  • Tanpa adanya hubungan, pengetahuan hanya menjadi kumpulan fakta yang tidak berelasi dan tidak ada artinya.
  • Dengan hubungan, pengetahuan menjadi perpaduan struktur dengan pengetahuan lain yang dapat diambil kesimpulannya.
  • Contoh pd gambar bisa diambil kesimpulan bahwa Ann dan Bill adalah kakeknya John, walaupun tidak ada link yang secara eksplisit dilabelkan “kakek dari”.
  • Secara umum ada dua tipe yang digunakan untuk menerangkan link, yaitu : Is-a dan Kind of, kadang ditulis ISA dan AKO.
  • Contoh ISA dan AKO ada di gambar selanjutnya.
JARINGAN SEMANTIK DENGAN LINK IS-A dan A-Kind-Of
PENJELASAN CONTOH JARINGAN SEMANTIK DENGAN LINK Is-a dan A-Kind- Of
  • Pada gambar tersebut, Is-a berarti adalah “contoh dari” dan merupakan suatu anggota tertentu dari kelas.
  • Suatu kelas direlasikan dengan konsep matematika dari suatu himpunan dari suatu group objek.
  • Link AKO pd gambar adalah untuk merelasikan antara satu kelas dengan kelas lainnya. AKO tidak digunakan untuk merelasikan individu yang khusus karena untuk relasi individu menggunakan IS-A.
  • AKO merelasikan suatu kelas individu ke kelas induk dari kelas-kelas dimana individu tersebut merupakan kelas anak.
  • Objek dalam suatu kelas mempunyai satu atau lebih atribut, dan setiap atribut itu mempunyai nilai.
  • Kombinasi atribut dan nilai adalah Properti.
  • Contoh pd gambar : Blimp mempunyai ukuran,berat,bentuk,warna dsb. Nilai atribut dari bentuk Blimp adalah elips. Dengan kata lain, Blimp berbentuk elips.
  • Link IS mendefinisikan suatu nilai.
Contohnya : Jika presiden di pesawat DC-9, maka Airforce 1 adalah (is) DC-9.
  • Link CAUSE menunjukkan pengetahuan sebab akibat.
Contohnya : Udara panas menyebabkan (causes) timbulnya gelembung.
  • Link HAS-A (mempunyai) : merelasikan suatu kelas menjadi sub kelas. HAS-A berlawanan dengan AKO.
contoh : Mobil mempunyai mesin (Car has a engine), Mobil adalah Ford (car is a ford).
  • Secara khusus, IS-A merelasikan suatu nilai untuk atribut, sedang HAS-A merelasikan suatu objek menjadi atribut.
PERLUASAN JARINGAN SEMANTIK (1)
  • Jaringan semantik pada gambar di slide sebelumnya, dapat diperluas (expanding), yaitu dengan menambah node dan menghubungkan dengan node yang bersesuaian pada jaringan semantik.
  • Node baru tersebut dapat merupakan objek tambahan atau properti tambahan.
  • Umumnya penambahan dapat dilakukan dengan 3 cara : objek yang sama, objek yang lebih khusus, dan objek yang lebih umum.
PERLUASAN JARINGAN SEMANTIK (3)
Keterangan :
  1. Penambahan Objek yang sama : Penambahan node “pinguin” yang merupakan objek yang sama dengan “canary” yang sama-sama merupakan “Is a Bird”àhubungan IS-A dari node BIRD.
  2. Penambahan objek yang lebih khusus : Penambahan node “tweety” yang merupakan objek khusus dari node “canary”. Penambahan tersebut memberikan informasi baahwa “tweety” juga termasuk “Bird”.
c.   Penambahan Objek yang lebih umum : Kita dapat menambahkan node yang merupakan representasi yang lebih umum dari suatu node, yang di-link kan dengan Arc “IS-A”, misalnya penambahan node “animal” pada node “bird” yang menginformasikan bahwa “bird” termasuk dalam objek “animal”. à Bird is an animal.
OPERASI PADA JARINGAN SEMANTIK
  • Salahsatu cara untuk menggunakan jaringan semantik adalah dengan cara bertanya pada node.
  • Contoh pada gambar di slide 17 :
Kasus 1 : Jika kita bertanya pada “Bird” à How do you Travel? Jawabannya adalah “Fly”
Untuk dapat menjawab, maka node tersebut akan mengecek pada arc dengan label “travel” lalu menggunakan informasi yang ada pada arc tersebut sebagai jawabannya. Demikian juga jika kita bertanya pada “tweety”,jika node tidak menemukan jawaban pada lokal arc, maka akan mencari pada link dengan hubungan “IS-A” yang dimiliki oleh node “tweety” tersebut.
GAMBAR UNTUK OPERASI PADA JARINGAN SEMANTIK (1)
Artificial Intelligence: VII. Knowladge Discovery in Database
Kebutuhan Bisnis : Terdapat tiga kebutuhan bisnis :
  • Penambahan maupun peningkatan kapasitas produk
  • Pengurangan biaya operasi perusahaan
  • Peningkatan efektifitas pemasaran dan keuntungan
Permasalahan  Bisnis secara umum : Permasalahan bisnis yang umum dihadapi :
  1. Bagaimana menyajikan advertensi kepada target yang tepat sasaran
  2. Menyajikan halaman web yg khusus setiap pelanggan
  3. Menampilkan informasi produk lain yang biasa dibeli bersamaan dengan produk tertentu.
  4. Mengklasifikasikan artikel-artikel secara otomatis
  5. Mengelompokkan pengunjung web yang memiliki kesamaan karateristik tertentu
  6. Mengestimasi data yang hilang
  7. Memprediksi kelakuan di masa yang akan datang
Solusi Masalah  : Konsep dasar yang perlu dipikirkan pelaku bisnis sebagai solusi permasalahan, yaitu :
  1. Perumusan Target : Memilih target pemasaran untuk disuguhi advertensi tertentu bertujuan untuk meningkatkan profit  perusahaan, pengenalan produk secara luas atau hasil-hasil terukur lainnya.
  2. Personalisasi : Memanfaatkan personalisasi untuk memilih advertensi yang paling sesuai untuk orang tertentu dan personalisasi ini bertujuan agar pengunjung  yang sudah menjadi pelanggan membeli sebanyak mungkin produk perusahaan.
  3. Asosiasi (analisis keranjang pasar) : Asosiasi ini mengidentifikasi item-item produk yang mungkin dibeli bersamaan dengan produk lain atau dilihat secara bersamaan pada saat mencari informasi mengenai produk tertentu.   
  4. Manajemen Pengetahuan : Sistem ini mengidentifikasi dan memanfaatkan pola-pola di dalam dokumen yang berbahasa alami atau berformat text. Pendekatan ini digunakan untuk menyortir dokumen baru dan mempersonalisasi publikasi online
  5. Pengelompokkan : Pengelompokkan digunakan untuk membuat laporan mengenai karateristik umum dari grup-grup pengunjung (kustomer) yang berbeda.
  6. Estimasi dan Prediksi : Estimasi menerka sebuah nilai yang belum diketahui dan prediksi memperkirakan nilai untuk  masa datang.
  7. Pohon Keputusan : Sebagai diagram alir dari titik-titik pertanyaan yang menuju pada sebuah keputusan.
Kebutuhan dan Kesempatan untuk Data Mining : Kebutuhan akan data mining dikarenakan :
  1. Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis dan dukungan infrastruktur di bidang teknologi informasi
  2. Ketersediaan data transaksi dalam volume yang besar
  3. Informasi sebagai aset perusahaan yang penting sehingga melahirkan gudang data yang mengintegrasikan informasi dari sistem yang tersebar untuk mendukung pengambilan keputusan
  4. Ketersediaan teknologi informasi dalam skala yang terjangkau dan sudah dapat diadopsi secara luas.
Definisi Data Mining 
  • Data mining  adalah proses yang memperkerjakan satu atau lebih teknik-teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis.
  • Data mining merupakan proses iteratif  dan  interaktif untuk menemukan pola atau model yang sahih, baru, bermanfaat, dan dimengerti dalam suatu database yang sangat besar (massive databases).
  • Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data
  • Data mining menggunakan berbagai perangkat lunak analisis data untuk menemukan pola dan relasi data agar dapat digunakan untuk membuat prediksi dengan tepat
Mengapa Melakukan Data Mining
  • Sudut Pandang Komersial :
    • Meledaknya volume data yang dihimpun dan disimpan dalam data warehouse
    • Proses komputasi yang dapat diupayakan
    • Kuatnya tekanan kompetitif
~      Dapat menyediakan yang lebih baik, layanan-layanan kastemisasi
~      Informasi menjadi produk yang berarti
  • Sudut Pandang Keilmuan :
    • Kecepatan data yang dihimpun dan disimpan (Gbyte/hour)
~ Remote sensor yang ditempatkan pada suatu satelit
~ Telescope yang digunakan untuk men-scan langit
~ Simulasi saintifik yang membangkitkan data dalam ukuran terabytes
  • Teknik-teknik tradisional tidak fisibel utnuk mengolah data mentah
  • Data mining untuk reduksi data ;
~ Catalogging, klassifikasi, segmentasi data
~ Membantu ilmuwan dalam melakukan formulasi hipotesisi
Ilmu Berkaitan Data Mining : Bidang ilmu yang berkaitan :
  • Database
  • Information science (ilmu informasi)
  • High performance computing
  • Visualisasi
  • Machine learning
  • Statistik
  • Neural networks (jaringan saraf tiruan)
  • Pemodelan matematika
  • Information retrieval
  • Information extraction dan
  • Pengenalan pola
Penerapan Data Mining 
  • Analisa Pasar dan Manajemen : Beberapa solusi dapat diselesaikan dengan data mining :
  1. Menebak target pasar
  2. Melihat pola beli pemakai dari waktu ke waktu
  3. Cross Market Analysis
  4. Profil Customer
  5. Identifikasi Kebutuhan Customer
  6. Menilai loyalitas customer
  7. Informasi summary
  • Analisa Perusahaan dan Manajemen Resiko : Beberapa solusi dapat diselesaikan dengan data mining :
    • Merencanakan Keuangan dan Evaluasi Aset
    • Merencanakan Sumber Daya (Resource Planning)
    • Memoniotr Persaingan (Competition)
  • Telekomunikasi :  Data mining digunakan untuk melihat jutaan transaksi yang masuk dengan tujuan menambah layanan otomatis
  • Keuangan  : Data mining digunakan untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan dimana akan susah dilakukan jika menggunakan analisis standar.
  •  Asuransi  :    Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan dan berhasil menghemat satu juta dollar pertahun
  • Olah raga  : IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA dalam rangka competitive advantage untuk tim New York Knicks
  • Astronomi : Jet Propulsion Laboratory (JPL) di Pasadena dan Pulomar Observatory  menemukan 22 quasar dengan bantuan data mining.
  • Internet Web Surf-Aid: IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses halaman Web khususnya berkaitan dengan  pemasaran melalui web.
Tools Data Mining
  • Karateristik-karateristik  penting dari tool data mining meliputi :
  • Data preparation facilities
  • Selection of data mining operation (algorithms)
  • Product scalability and performance
  • Facilities for visualization of result
    • Data mining tool, meliputi :
    • Integral Solution Ltd’s Clementine
    • DataMind Corp’s Data Crusher
    • IBM’s Intelligent Miner
    • Silicon Graphics Inc.’s MineSet
    • Informations Discovery Inc.’s Data Mining Suite
    • SAS Institute Inc.’s SAS System and Right Information System’Thought.
Evolusi  Database
  • Th 1960 : Pengumpulan data, pembuatan data, IMS dan network DBMS
  • Th 1970 : Model data relasional, Implementasi DBMS relasional
  • Th 1980 : RDBMS, Model data lanjutan (extended-relational, OO, deductive)
  • Th 1990 : Data mining, data warehouse, database multimedia, dan Web database.
  • Th 2000 :  Stream data managemen dan mining, Data mining dengan berbagai variasi aplikasi & Teknologi web dan sistem informasi global
Teknik – teknik Database
  • Searching
    • Searching  dilakukan untuk memeriksa serangkaian item yang memiliki sifat-sifat yang diinginkan.
    • Tindakan untuk menemukan suatu item tertentu baik yang diketahui keberadaannya maupun tidak.
    • Memasukkan kata dalam suatu program komputer untuk membandingkan dengan informasi yang ada dalam database.
  • Indexing
    • Indexing adalah struktur-struktur akses yang digunakan untuk mempercepat respon dalam mendapatkan record-record pada kondisi-kondisi  pencarian tertentu.
    • Indexing field adalah suatu struktur akses index yang biasanya menjelaskan field tunggal dari suatu file.
    • Indexing organization  memberikan efisiensi akses ke record-record secara berurut atau random.
Data Reduction
  • Data reduction adalah transformasi suatu masalah ke masalah lain dan dapat digunakan untuk mendefinisikan serangkaian masalah yang kompleks.
  • Data reduction merupakan  teknik yang digunakan untuk mentransformasi dari data mentah ke bentuk format data yang lebih berguna. Sebagai contoh groupping, summing dan averaging data.
  • Data reduction dilakukan untuk mengatasi ukuran data yang terlalu besar. Ukuran data yang terlalu besar dapat menimbulkan ketidakefisienan proses dan peningkatan biaya pemrosesan.
  • Data reduction dilakukan dalam tahap data preprocessing pada rangkaian proses Knowledge Discovery Databases (KDD) sebelum data mining dengan tujuan mengurangi ukuran data yang besar.
OLAP (On-line analytical processing)
  • OLAP adalah suatu sistem atau teknologi yang dirancang untuk mendukung proses analisis kompleks dalam rangka mengungkapkan kecenderungan pasar dan faktor-faktor penting dalam bisnis
  • OLAP ditandai dengan kemampuannya menaikkan atau menurunkan dimensi data sehingga kita dapat menggali data sampai pada level yang sangat detail dan memperoleh pandangan yang lebih luas mengenai objek yang sedang kita analisis.
  • OLAP secara khusus memfokuskan pada pembuatan data agar dapat diakses pada saat pendefinisian kembali dimensi.
  • OLAP  dapat digunakan membuat rangkuman dari multidimensi data yang berbeda, rangkuman baru dan mendapatkan respon secara online, dan memberikan view dua dimensi pada data cube multidimensi secara interaktif.
Data Warehouse
Definisi :
  • Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung  DSS (Decision Suport System) dan EIS (Executive Information System).
  • Salinan dari transaksi data yang terstruktur secara spesifik pada query dan analisa.
  • Salinan dari transaksi data yang terstruktur spesifik untuk query dan laporan
Tujuan : Meningkatkan kualitas dan akurasi informasi bisnis dan mengirimkan informasi  ke pemakai dalam bentuk yang dimengerti dan dapat diakses dengan mudah.
Ciri-ciri Data Warehouse : Terdapat 4 karateristik data warehouse 
1.      Subject oriented
  • Data yang disusun menurut subyek berisi hanya informasi yang penting bagi pemprosesan decision support.
  • Database yang semua informasi yang tersimpan di kelompokkan berdasarkan subyek tertentu misalnya: pelanggan, gudang, pasar, dsb.
  • Semua Informasi tersebut disimpan dalam suatu sistem data warehouse.
  • Data-data di setiap subyek dirangkum ke dalam dimensi, misalnya : periode waktu, produk,  wilayah, dsb, sehingga  dapat memberikan nilai sejarah untuk bahan analisa.
  1. Integrated : Jika data terletak pada berbagai aplikasi yang terpisah dalam suatu lingkungan operasional, encoding data sering tidak seragam sehinggga bila data dipindahkan ke data warehouse maka coding akan diasumsikan sama seperti lazimnya.
  2. Time-variant : Data warehouse adalah tempat untuk storing data selama 5 sampai 10 tahun atau lebih, data digunakan untuk perbandingan atau  perkiraan dan data ini tidak dapat diperbaharui.
  3. Non volatile : Data tidak dapat diperbaharui atau dirubah tetapi hanya dapat ditambah dan dilihat.
Masalah-masalah dalam menerapkan Data warehouse :
  • Dokumentasi dan pengelolaan metadata dari data warehouse.
  • Penentuan aturan dalam proses transformasi untuk memetakan  berbagai sumber legacy data yang akan dimasukkan ke dalam data warehouse.
  • Pencapaian proses pengembangan yang handal, baik dalam membangun, mempimplementasikan, maupun memelihara data warehouse.
Data Preprocessing
  • Data preprocessing menerangkan tipe-tipe proses yang melaksanakan data mentah untuk mempersiapkan proses prosedur yang lainnya.
  • Dalam data mining menstrasformasi data ke suatu format yang prosesnya lebih mudah dan efektif untuk kebutuhan pemakai, contohnya Neural Network.
  • Terdapat beberapa alat dan metode yang berbeda yang digunakan untuk preprocessing seperti :
– Sampling : menyeleksi subset representatif dari populasi data yang besar.
– Transformation : memanipulasi data mentah untuk menghasilkan input tunggal.
– Denoising : menghilangkan noise dari data
– Normalization : mengorganisasi data untuk pengaksesan yang lebih spesifik
– Feature extration : membuka spesifikasi data yang signifikan dalam konteks tertentu.
Knowledge Discovery In Database (KDD)
  • KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi dan visualisasi dari pola-pola sejumlah kumpulan data.
  • Knowledge discovery in databases (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti.
Tahapan Proses KDD 
1.      Data Selection
–      Menciptakan himpunan data target ,  pemilihan himpunan data, atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan.
–      Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 
2.      Pre-processing/ Cleaning
–      Pemprosesan pendahuluan dan pembersihan data merupakan  operasi dasar seperti penghapusan noise dilakukan.
–      Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.
–      Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).
–      Dilakukan proses enrichment, yaitu  proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 
3.      Transformation
–      Pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung kepada goal yang ingin dicapai.
–      Merupakan proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses ini  merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data 
4.      Data mining
–   Pemilihan tugas data mining; pemilihan goal dari proses KDD misalnya klasifikasi, regresi, clustering, dll.
–   Pemilihan algoritma data mining untuk pencarian (searching)
–   Proses Data mining yaitu  proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 
5.      Interpretation/ Evaluation
– Penerjemahan pola-pola yang dihasilkan dari data mining.
– Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.
– Tahap ini merupakan bagian dari proses KDD yang  mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.
Diposting oleh di

Tidak ada komentar:

Posting Komentar

Langganan: Posting Komentar (Atom)