RANGKUMAN

“ARTIFICIAL INTELLIGENCE”

Untuk memenuhi salah satu tugas mata kuliah Artificial Intelligence

Dosen Pengampu : Ryan Aji Wijaya, S.Kom., M. MSI

Disusun Oleh :

Nurlaila Ramadhanti (2059201083)

PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI

UNIVERSITAS MUHAMMADIYAH KOTABUMI
FAKULTAS TEKNIK ILMU KOMPUTER
2022
KELOMPOK 1
TEKNIK SEARCHING METODE BLIND SEARCH

 Blind Search adalah pencarian solusi tanpa adanya informasi yang dapat mengarahkan
pencarian untuk mencapai goal state dari current state (keadaan sekarang).

 Blind Search meliputi :

a) Breadth First Search (BFS)
b) Uniform Cost Search (UCS)
c) Depth First Search (DFS)
d) Depth Limited Search (DLS)
e) Iterative Deepening Search (IDS)
f) Bi-Directional Search (BDS)

 Dari ke-enam macam pencarian buta di atas, yang sering dibahas adalah “Breadth
First Search (BFS)” dan “Depth First Search (DFS)”.

KELOMPOK 2
TEKNIK SEARCHING METODE HEURISTIC SEARCH

 Artificial Intelligence (AI) atau kecerdasan buatan merupakan cabang dari ilmu
komputer yang berhubungan dengan pengautomatisasian tingkah lakucerdas.

 Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk

melakukan proses pencarian ruang keadaan (state space) suatu problema secara
selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang
memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh
dan memboroskanwaktu.

 Heuristik adalah sebuah teknik yang mengem -bangkan efisiensi dalam proses
pencarian, namum dengan kemungkinan mengorbankan kelengkapan(completeness).

 Generate andTest
Strategi bangkitkan dan uji (generate and test) merupakan pendekatan yang paling
sederhana dari semua pendekatan yang akan dibicarakan.

 HillClimbing
Hill climbing (mendaki bukit) merupakan salah satu variasi metode buat dan uji
(generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan
untuk memutuskan arah gerak dalam ruang pencarian (search).
Kegunaan : Hill climbing sering digunakan ketika fungsi heuristic yang bagus tersedia
untuk mengevaluasi state tapi ketika tidak ada yang perlu dievaluasi maka fungsi ini
tidak ada.
  est FirstSearch
Pencarian terbaik pertama (Best First Search) merupakan suatu cara yang
menggabungkan keuntungan atau kelebihan dari pencarian Breadth-First Search dan
Depth-First Search.
Kegunaan : Penelusurannya hanya menggunakan estimasi cost / jarak ke node tujuan,
h(n) akibatnya pencarian tidak menyeluruh.

 A* (A Star)Search
A* (A Star) Search merupakan algoritma best first search dengan modifikasian fungsi
heuristik, yang akan meminimumkan total biaya lintasan, dan pada kondisi yang tepat
akan memberikan solusi yang terbaik dalam waktu yang optimal
Kegunaan : Menjumlahkan jarak sebenarnya dengan estimasi jaraknya dan
pencariannya menyeluruh, tetapi akan memakai memori yang cukup besar untuk
menyinpan node sebelumnya.

KELOMPOK 3
TEKNIK SEARCHING METODE PROBABILISTIC

SEARCH

 Kecerdasan buatan atau Artificial Intelligence (AI) memiliki suatu Probabilistic

Search yang dimana teknik pencariannya merupakan metode penyelesaian masalah
dengan mencari sebuah solusi dari permasalahan. Probabilistic search merupakan
sebuah metode untuk mencari dan menemukan algoritme yang menghitung solusi
untuk masalah tertentu yang ditentukan oleh data pelatihan yang mungkin sangat
terbatas.

 Jenis dan Contoh Pencarian Bilangan Assembler

1. BILANGAN BINER
2. BILANGAN DESIMAL
3. BILANGAN OKTAL
4. BILANGAN HEXADESIMAL
5. BILANGAN BERTANDA DAN TIDAK
KELOMPOK 4

TEKNIK REASONING METODE RULE BASED

 Rule Based Reasoning adalah adalah pemikiran atau penalaran berbasis aturan yang
merupakan komponen atau metode pendekatan untuk seorang pakar yang akan
memulai atau membuat sistem artifical intelligence jadi untuk memahami lebih lanjut
tentang AI kami ingin mengulas sedikit tentang sebuah metode yang dapat di
gunakan untuk membuat AI.

 Metode Rule-Based Reasoning adalah salah satu metode dalam sistem pendukung
keputusan yang didalamnya memiliki basis pengetahuan. (Rule Based System) suatu
program komputer yang memproses informasi yang terdapat di dalam working
memory dengan sekumpulan aturan yang terdapat di dalam basis pengetahuan
menggunakan mesin inferensi untuk menghasilkan informasi baru.

KELOMPOK 5

TEKNIK REASONING METODE CASE BASED

 Case based reasoning method merupakan sebuah metode yang digunakan dalam
pengambilan sebuah keputusan yang berdasarkan solusi dari kasus-kasus sebelumnya.
Case Based Reasoning telah diaplikasikan dalam bidang yang berbeda-beda yaitu
hukum, kedokteran, rekayasa, komputasi, jaringan komunikasi, keuangan,
penjadwalan, dan lingkungan.

 Ada 4 langkah dalam Case Based Reasoning yaitu memperoleh kembali (retrieve),
menggunakan kembali (reuse), meninjau atau memperbaiki kembali (revise), dan
menyimpan (retain). Pada saat terjadi permasalahan baru, yang pertama akan diproses
oleh system yaitu proses Retrieve. Proses Retrieve akan melaksanakan dua langkah
pemprosesan. Pertama, pengidentifikasian masalah. Kedua, pencarian masalah yang
memilki kesamaan di dalam database. Setelah itu, tahapan selanjutnya adalah proses
Reuse. Di dalam proses Reuse ini,dalam menyelesaikan permasalahan yang baru,
system akan menguunakan permasalahan yang terjadi di masa lampau yang memilki
kesamaan.

 Pada proses ini juga, sistem akan menyalin, memilih dan melengkapi informasi yang
akan digunakan. Setelah itu ada proses Revise, informasi yang sudah didapat pada
proses sebelumnya selanjutnya akan dikalkulasikan lalu dievaluasi dan akan
diperbaiki kembali jika mengalami kesalahan-kesalahan yang terjadi di dalam
permasalahan baru. Selanjutnya atau yang bias disebut dengan proses terakhir, yaitu
proses Retain. Pada proses Retain ini, system akan mengindeks, lalu menghubungkan,
dan mengekstrak solusi baru yang telah didapat. Setelah itu, solusi baru tersebut akan
tersimpan ke dalam basis pengetahuan untuk digunakan dalam menyelesaikan
permasalahan lain yang akan datang. Sudah pasti, permasalahan yang akan
diselesaikan melalui system Case Based Reasoning ini adalah permasalahan yang
mempunyai permasamaan dengan permasalahan lampau yang pernah terjadi.
  Menggunakan Case Based Reasoning memudahkan serta membantu dalam
mengambil keputusan. Meskipun Case Based Reasoning memiliki kelebihan dan
kekurangan akan tetapi metode ini memberikan suatu metode yang kognitif.

KELOMPOK 6
TEKNIK REASONING METODE FUZZY

 fuzzy mengacu kepada sesuatu yang tidak dapat dijelaskan secara sempurna dengan
cara logis.Fuzzy Logic (FL) adalah metode penalaran yang menyerupai penalaran
manusia, dan pendekatan logic atau logikanya meniru cara pengambilan keputusan
pada manusia yang melibatkan semua kemungkinan perantara antara nilai-nilai digital
“Ya” dan “Tidak”.
 Secara umum, terkait berbagai macam jenis kegunaan fuzzy, para pakar atau ahli
sering menggunakan sistem logika fuzzy untuk tujuan komersial dan praktis seperti
mengontrol mesin dan produk konsumen.
 simple-nya fuzzy dapat dikatakan dengan, jika bukan alasan yang akurat, setidaknya
memberikan alasan yang dapat diterima ini membantu dalam menangani
ketidakpastian dalam rekayasa perangkat lunak atau software engineering.

KELOMPOK 7
TEKNIK REASONING METODE UNCERTAINTY

 Teknik Reasoning adalah teknik bagaimana komputer menyelesaikan masalah

dengan mempresentasikan masalah ke dalam knowledge base sehingga dapat
menarik sebuah kesimpulan yang tepat.
 Reasoning yaituMerepresentasikan masalah ke dalam basis pengetahuan
Melakukan proses penalaran untuk menemukan solusi

 Penalaran Reasoning dalam Metode Uncertainty :

1. Deductive reasoning
2. Inductive reasoning
3. Abductive reasoning

 Istilah dalam Metode Uncertainty Karena kesadaran itulah, dalam dunia

pengukuran dikenal sebuah istilah: Ketidakpastian atau Uncertainty.
Ketidakpastian (uncertainty) sebenarnya tidak melekat pada sebuah alat ukur.
Ketidakpastian bukan merupakan tolok ukur terhadap alat ukur. Besar kecilnya
ketidakpastian bisa memberi arti terhadap baik atau tidaknya proses pengukuran
yang dilakukan.

KELOMPOK 8

TEKNIK PLANNING METODE GOAL STACK PLANNING

 Goal Stack Planning adalah algoritma yang digunakan untuk menyusun block-
block menjadi susunan yang diinginkan. Dalam menyelesaikan sebuah masalah,
GSP menggunakan sebuah stack untuk menampung kondisi-kondisi (kondisi goal
dan kondisi-kondisi yang mungkin terjadi ketika pencarian solusi) dan operator-
operator yang telah diajukan untuk memenuhi kondisi-kondisi tersebut.
  Dalam menyelesaikan sebuah masalah, GSP menggunakan sebuah stack untuk
menampung kondisi-kondisi (kondisi goal dan kondisi-kondisi yang mungkin
terjadi ketika pencarian solusi) dan operator-operator yang telah diajukan untuk
memenuhi kondisi-kondisi tersebut. Juga, tergantung pada sebuah basis data yang
menggambarkan current –state dan satu set operator yang dideskripsikan sebagai
daftar predikat PRECONDITION, ADD dan DELETE atau daftar-PAD.

KELOMPOK 9

TEKNIK PLANNING METODE CONSTRAINT POSTING

 PLANNING Adalah aksi atau proses membuat suatu rencana atau perencanaan.
Plan (Rencana) dan Planning (Perencanaan).

 PLANNING dalam ARTIFICIAL INTELEGENCE Adalah suatu penyelesaian

masalah dengan memecah masalah kedalam sub bab – sub bab yang lebih kecil,
menyelesaikan sub-sub masalah satu demi satu , kemudian menggabungkan solusi –
solusi dari sub – sub masalah tersebut menjadi sebuah solusi lengkap, tetap
mengingat dan menangani interaksi yang terdapat pada sub – sub masalah tersebut.

 CONSTRAINT POSTING Suatu operator yang digunakan untuk menyelesaikan 1

sub problem yang dapat mempengaruhi solusi untuk sub problem sebelumnya.
Sebagian besar permasalahan membutuhkan intertwined plan dimana beberapa
subproblem bekerja secara bersamaan.

 Planning dalam AI adalah suatu penyelesaian masalah dengan memecah masalah

kedalam sub bab – sub bab yang lebih kecil, kemudian menggabungkan beberapa
solusi untuk menangani interaksi yang terdapat pada sub – sub masalah tersebut.

 Constraint Posting adalah suatu operator yang digunakan untuk menyelesaikan 1 sub
problem yang dapat mempengaruhi solusi untuk sub problem sebelumnya. Yang perlu
diperhatikan dalam menyelesaikan permasalahan dengan constraint posting adalah :
Step Addition, Promotion, Declobbering, Simple Establishment, dan Separation.

KELOMPOK 10

TEKNIK LEARNING METODE SUPERVISED LEARNING

 Teknik supervised learning merupakan teknik yang bisa kamu terapkan pada
pembelajaran mesin yang bisa menerima informasi yang sudah ada pada data dengan
memberikan label tertentu. Diharapkan teknik ini bisa memberikan target terhadap
output yang dilakukan dengan membandingkan pengalaman belajar di masa lalu.

 Supervised Learning dipisahkan menjadi dua jenis masalah terkait penggalian data
(Data Mining) :
1. Klasifikasi (Classification) : menggunakan algoritma untuk secara akurat
menetapkan data uji ke dalam kategori tertentu. Jenis ini mengenali entitas
 tertentu dalam kumpulan data dan mencoba menarik beberapa kesimpulan tentang
bagaimana entitas tersebut harus diberi label atau didefinisikan.
2. Regresi (Regression) : digunakan untuk memahami hubungan antara variabel
terikat dan variabel bebas. Jenis Ini biasanya digunakan untuk membuat proyeksi,
seperti untuk pendapatan penjualan untuk bisnis tertentu. Regresi linier, regresi
logistik, dan regresi polinomial adalah algoritma regresi yang paling populer
digunakan saat ini.

 Kelebihan dan kelemahan supervised learning

 Kelebihan/ keunggulan
1. Output hasil model sesuai dengan input di dataset training,sehingga kita bisa
mengatur kelas output (misal, jumlah kelas) dengan mudah
2. Hasil yang dihasilkan lebih akurat dan andal dibandingkan dengan hasil yang
dihasilkan unsupervised learning
3. Secara logika lebih mudah dipahami dan dijelaskan prosesnya
4. Sangat berguna untuk melakukan analisis prediksi

 Kelemahan/ kekurangan/ tantangan

1. Memerlukan tingkat keahlian tertentu untuk menyusun model secara akurat.
2. Proses training bisa sangat memakan waktu.
3. Hasilnya sangat bergantung pada dataset training.
4. Kesalahan dalam proses sampling akan sangat berpengaruh pada hasil model
5. Data set input dengan label yang salah akan memberikan hasil yang salah,
meskipun model memiliki akurasi tinggi
6. Tidak dapat mengelompokkan atau mengklasifikasikan data sendiri.
7. Tidak dapat memberikan informasi yang belum diketahui dari data

KELOMPOK 11

MENGANALISIS TEKNIK LEARNING METODE UNSUPERVISED LEARNING

 Unsupervised learning atau pembelajaran tak terarah adalah teknik pembelajaran

mesin di mana pengguna tidak perlu mengawasi modelnya. Sebaliknya, pembelajaran
tak terarah memungkinkan model bekerja sendiri untuk menemukan pola dan
informasi yang sebelumnya tidak terdeteksi, terutama yang berkaitan dengan data
yang tidak berlabel.

 Unsupervised learning digunakan untuk melakukan:

1. clustering
2. asosiasi
3. dimensionality reduction

 KEKURANGAN DAN KELEBIHAN UNSUPERVISED LEARNING

 KEKURANGAN
Meskipun fitur unsupervised learning tersebut sangat berguna, ada beberapa
kelemahan atau kekurangan yang perlu kamu ketahui, antara lain:
 Kesulitan memeriksa keakuratan hasil pembelajaran tanpa pengawasan, karena tidak
ada kumpulan data berlabel untuk memverifikasi hasil;
  Kebutuhan insinyur dan ilmuwan data untuk menghabiskan lebih banyak waktu untuk
menafsirkan dan memberi label hasil dengan pembelajaran tanpa pengawasan
daripada dengan pembelajaran yang diawasi; dan
 Kurangnya wawasan penuh tentang bagaimana atau mengapa sistem yang tidak
diawasi
mencapai hasilnya.

 KELEBIHAN

1. Tidak perlu label data, sehingga menghindari proses melabel data membutuhkan
effort waktu dan tenaga yang tinggi,
2. Proses pelabelan dapat dilakukan saat data sudah terklaster, sehingga proses labeling
lebih cepat
3. Sangat bermanfaat jika digunakan untuk memahami data yang masih raw (exploratori
analysis) atau mencari pola di dalam data.
4. Tidak diperlukan atau sedikit diperlukan pengetahuan sebelumnya tentang data kita
5. Peluang kesalahan manusia diminimalkan.
6. Relatif mudah dan cepat untuk dilaksanakan.
7. Melalui dimensionality reduction, data yang kompleks dapat direduksi
dimensionalitasnya

KELOMPOK 12

TEKNIK LEARNING METODE REINFORCEMENT LEARNING

 Reinforcement Learning (RL) adalah ilmu pengambilan keputusan. Ini adalah tentang
mempelajari perilaku yang optimal dalam suatu lingkungan untuk mendapatkan
imbalan yang maksimal. Perilaku optimal ini dipelajari melalui interaksi dengan
lingkungan dan pengamatan tentang bagaimana ia merespon, mirip dengan anak-anak
menjelajahi dunia di sekitar mereka dan mempelajari tindakan yang membantu
mereka mencapai tujuan.

 Dengan tidak adanya supervisor, pembelajar harus secara mandiri menemukan urutan
tindakan yang memaksimalkan hadiah. Proses penemuan ini mirip dengan pencarian
coba- coba. Kualitas tindakan diukur tidak hanya dengan imbalan langsung yang
mereka kembalikan, tetapi juga imbalan tertunda yang mungkin mereka dapatkan.
Karena dapat mempelajari tindakan yang pada akhirnya menghasilkan kesuksesan di
lingkungan yang tidak terlihat tanpa bantuan seorang supervisor, pembelajaran
penguatan adalah algoritma yang sangat kuat.

 Cara Kerja Reinforcement Learning Dalam tantangan Reinforcement Learning,

seorang agen mengeksplorasi lingkungan yang tidak diketahui untuk mencapai tujuan
tertentu.
KELOMPOK 13

TEKNIK KONSEP ALGORITMA GENETIK DASAR

 Algoritma genetik merupakan teknik optimasi yang didasarkan pada

mekanisme evolusi yang terjadi di alam. Algoritma ini masuk kedalam kelompok
evolutionary algoritm.

 Merupakan evolusi atau perkembangan dunia komputer dalam bidang

kecerdasan buatan (artificial intelligence). Algoritma ini memanfaatkan proses
seleksi alamiah yang dikenal dengan proses evolusi. Dalam proses evolusi,
individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan
dengan lingkungan hidupnya.

 Ada enam tahapan dalam proses algoritma genetika yakni : Pembentukan

Kromosom dan Populasi, Fungsi Fitness, Proses Seleksi Parents, Proses Crossover
dan Mutasi, Proses Seleksi Survivor atau Replacement, Syarat Pemberhentian.