RANGKUMAN MATERI ARTIFICIAL INTELLIGENCE

DOSEN PENGAMPU:
Ryan Aji Wijaya, S.Kom., M.MSI

Disusun Oleh :
Ferly ardiansyah (2059201068)

PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI UNIVERSITAS

MUHAMMADIYAH KOTABUMI FAKULTAS TEKNIK ILMU KOMPUTER 2022
KELOMPOK 1

TEKNIK SEARCHING METODE BLIND SEARCH

 Pengertian Searching

Teknik pencarian, yaitu teknik penyelesaian masalah yang mempresentasikan masalah ke

dalam ruang keadaan (state) dan secara sistematis melakukan pembangkitan dan pengujian
state dari initial state sampai ditemukan suatu goal state. digunakan dalam pencarian rute
optimum untuk memandu seseorang di perjalanan, misal di Swedia setiap taksi dilengkapi
dengan GPS (global positioning system).

 Blind Search

Blind Search adalah pencarian solusi tanpa adanya informasi yang dapat mengarahkan
pencarian untuk mencapai goal state dari current state (keadaan sekarang). Informasi yang
ada hanyalah definisi goal state itu sendiri, sehingga algoritma dapat mengenali goal state bila
menjumpainya. Dengan ketiadaan informasi, maka blind search dalam kerjanya
memeriksa/mengembangkan nodenode secara tidak terarah dan kurang efisien untuk
kebanyakan kasus karena banyaknya node yang dikembangkan. Dikatakan “blind” atau
“buta” karena memang tidak ada informasi awal yang digunakan dalam proses pencarian.

Blind Search meliputi :

1. Breadth First Search (BFS)

2. Uniform Cost Search (UCS)
3. Depth First Search (DFS)
4. Depth Limited Search (DLS)
5. Iterative Deepening Search (IDS)
6. 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)”

A. BREADTH FIRST SEARCH (BFS)

Breadth First Search (BFS) merupakan metode pencarian yang bertujuan untuk
memperluas dan memeriksa semua simpul pada graph atau urutan kombinasi dengan
pencarian secara sistematis melalui setiap solusi. BFS melakukan pencarian secara
mendalam pada keseluruhan graph atau urutan tanpa memperhatikan tujuan sehingga
menemukan tujuan tersebut. BFS tidak menggunakan algoritma heuristik.
B. Depth First Search (Dfs)
Depth-first search (DFS) adalah proses searching sistematis buta yang melakukan ekpansi
sebuah path (jalur) menuju penyelesaian masalah sebelum melakukan ekplorasi terhadap
path yang lain. Proses searching mengikuti sebuah path tunggal sampai menemukan goal
atau dead end. Apabila proses searching menemukan dead-end, DFS akan melakukan
penelusuran balik ke node terakhir untuk melihat apakah node tersebut memiliki path
cabang yang belum dieksplorasi.

Kelebihan Depth-first search :

 Pemakaian memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan
semua node yang pernah dibangkitkan.

 Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan
menemukannya secara cepat.

Kelemahan Depth-first search :

 Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka
tidak ada jaminan untuk menemukan solusi (Tidak Complete).

 Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda,
pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak

KELOMPOK 2

TEKNIK SEARCHING METODE PROBABILISTIC SEARCH

 Pengertian Probabilistic Search

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. Tujuannya adalah untuk menemukan solusi dengan kinerja
generalisasi tinggi pada test data yang tidak tersedia selama fase pencarian. Untuk tujuan
ini, algoritma pencarian probabilistik secara acak menghasilkan program yang ditulis
dalam bahasa pemrograman seperti assembler umum berdasarkan urutan bilangan
bulat. Didalam pemrograman dengan bahasa Assembler, bias digunakan berbagai jenis
bilangan. Jenis bilangan yang bias digunakan, yaitu: Bilangan biner, oktal, desimal dan
hexadesimal. Pemahaman terhadap jenis-jenis bilangan ini sangat penting, karena kan
sangat membantu kita dalam pemrograman yang sesungguhnya.
  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 3

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 memboroskan waktu.

 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.

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 blockblock
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 operatoroperator
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.
 CONSTRAINT POSTING Suatu operator yang digunakan untuk menyelesaikan 1 sub problem
yang dapat mempengaruhi solusi untuk sub problem sebelumnya.

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.
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

1. Meskipun fitur unsupervised learning tersebut sangat berguna, ada beberapa

kelemahan atau kekurangan yang perlu kamu ketahui, antara lain:
2. Kesulitan memeriksa keakuratan hasil pembelajaran tanpa pengawasan, karena tidak
ada kumpulan data berlabel untuk memverifikasi hasil;
3. 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
algoritma
 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.