KECERDASAN BUATAN

1. Game Playing dan General Problem Solving

Pengertian……

Dalam game playing dan general problem solving terdapat contoh game seperti
a) Catur
Dalam game catur terdapat algoritma yang digunakan yaitu algoritma minimax. Algoritma ini
merupakan Untuk setiap permainan satu lawan satu ada sebuah nilai yang bernilai V dan
strategi yang dipilih oleh tiap pemain, sehingga: (a), Jika diberikan strategi dari pemain ke-2,
maka langkah penyelesaian terbaik dari pemain pertama adalah V. Dan (b), jika diberikan
strategi dari pemain pertama, maka langkah penyelesaian terbaik dari pemain kedua adalah –
V. pada algoritma ini terdapat rumus atau formula sebagai berikut:
i. Fungsi Evaluasi(Utility Function)
ii. Generasi Langkah (Generate Moves)
iii. Evaluasi dan Pengurutan (Evaluaton and Ordering)
iv. Eekursif Minimax
v. Pemotongan Alpha-Beta

Gambar 1 algoritma minimax

Keterangan gambar 1 sebagai berikut:

a) Misalkan ada 2 pemain yang terlibat, kita namakan MAX dan MIN.
b) Lalu sebuah pohon pencarian dibangkitkan secara depth-first-search dari posisi awal
permainan hingga akhir permainan.
 c) Dari sudut pandang MAX, akan dicari posisi terakhir yang paling menguntungkan
bagi MAX.

Pada Algoritma Minimax terdapat kelebihan seperti Algoritma Minimax mampu

menganalisis segala kemungkinan posisi permainan untuk menghasilkan keputusan yang
terbaik.

2.Natural Languange Recognition

(Chat GPT)

 Algoritma NLP
-Teori
Natural Language Processing merupakan kepanjangan NLP, yakni sebuah bidang teknologi
yang terkait dengan kemampuan komputer dalam memahami, menafsirkan, dan
memanipulasi bahasa manusia.
Teknologi ini didukung oleh tools canggih, seperti computational linguistics, statistics,
machine learning, dan deep learning. Dengan tools tersebut, komputer mampu untuk
memahami bahasa dalam berbagai bentuk, termasuk teks tertulis dan pesan suara.

-Rumus/Formula

1. Input – Pengguna mengirimkan instruksi, pesan, atau pertanyaan melalui chatbot.

2. Tokenisasi – Setiap kata pada pertanyaan yang diinput akan dibagi, diurutkan, dan diproses
oleh model.
 3. Embed input – Di tahap ini, teks yang sudah melalui proses tokenisasi akan diubah menjadi
vektor agar program dapat memahami konteks pertanyaan.
4. Pemrosesan model – Chat GPT menghasilkan respon yang relevan dan alami menggunakan
model bahasa yang sudah dilatih.
5. Output – Jawaban atau solusi yang dihasilkan akan dikirimkan kembali ke pengguna melalui
chatbot dalam bentuk teks.

-Kelebihan

1)Hemat biaya, karena tidak perlu mempekerjakan karyawan untuk menangani tugas
tersebut

2)Efisiensi waktu, karena program NLP mampu bekerja sangat cepat daripada manusia

3)Meningkatkan respons pada layanan pelanggan, seperti chatbot

4)Fleksibel, kamu bisa menerapkannya untuk berbagai kepentingan

5)NLP menyuguhkan jawaban atau data yang lebih akurat

6)Mendukung lintas bahasa

7)Memudahkan proses dokumentasi

8)Accessible atau mudah diakses

9)Membantu untuk proses identifikasi dalam big data

3.Speech Recognition

 Algoritma Speech Recognition

Pengenalan suara atau Speech Recognition adalah suatu pengembangan teknik dan sistem
yang memungkinkan komputer untuk menerima masukan berupa kata yang diucapkan oleh
pembicara. Berdasarkan kemampuan dalam mengenal kata yang diucapkan, terdapat 5 jenis
pengenalan kata terurut dari yang tertua sampai terbaru yaitu :
1. Kata-kata yang terisolasi
2. Kata-kata yang berhubungan
3. Kata-kata yang berkelanjutan
4. Kata-kata spontan
5. Verifikasi atau identifikasi suara

 Algoritma Dynamic Programming

Program Dinamis (dynamic programming) adalah metode pemecahan masalah
dengan cara menguraikan solusi menjadi sekumpulan tahapan (stage) sedemikian sehingga
solusi dari persoalan dapat dipandang dari serangkaian keputusan yang saling berkaitan.
Algoritma program dinamis digunakan untuk optimisasi misalnya, untuk mencari
jalur terpendek antara 2 titik, atau cara tercepat untuk mengkali banyak matriks.Algoritma
program dinamis akan mengecek sub-masalah yang sudah terselsaikan sebelumnya dan
menggabungkannya dengan solusinya untuk memberikan solusi terbaik dari masalah yang
diberikan. Ada banyak alternatif, seperti algoritma Greedy, yang menyeleksi pilihan optimal
 lokal untuk setiap percabangan di jalan.Pilihan optimal lokal adalah pilihan yang tidak
bagus,karena tidak menjamin mendapatkan solusi optimal.Misalnya, katakanlah seseorang
harus berpindah dari titik A ke titik B secepat mungkin. Algoritma program dinamis akan
mencarikan jalan terpendek yang dekat dengan A,dan menggunakan solusinya untuk
akhirnya mendapatkan jalur terpendek ke B. Sebaliknya, algoritma Greedy akan membawa
orang itu ke jalan terpendek yang ada di tiap persimpangan. Seperti yang dibayangkan,
strategi ini mungkin tidak akan membawanya dengan waktu sampai yang paling cepat.

Berikut langkah-langkah pengembangan algoritma program dinamis :

1. Karakteristikkan struktur solusi optimal

2. Definisikan secara rekursif nilai solusi optimal

3. Hitung nilai solusi optimal secara maju atau mundur.

4. Konstruksi solusi optimal

 Dynamic Time Warping

Dynamic Time Warping (DTW) adalah sebuah algotima aplikasi dari Dynamic
Programming untuk mengukur kesamaan antara dua pola yang bersifat sementara yang
mungkin bervariasi waktu atau kecepatannya. Contohnya, kesamaan dalam pola berjalan
dapat diidentifikasi menggunakan DTW, bahkan jika satu orang berjalan lebih cepat daripada
yang lain, atau jika ada percepatan dan perlambatan selama pengamatan.DTW sudah
digunakan untuk pola sementara dari video,suara dan data grafik. Semua data yang dapat
diubah ke dalam bentuk pola linear dapat dianalisis dengan DTW.Aplikasi yang terkenal
adalah Automatic Speech Recognition.
Algoritma ini mengkalkulasi nilai jalur melengkung(warping path) dari kedua deret
yang ingin dibandingkan dan jarak antara mereka. Asumsikan kita mempunyai dua
deret numerik sebagai berikut (a1,a2, ..., an) dan (b1, b2, ...,bm). Dapat kita lihat, panjang
dari dua deret dapat berbeda. Algoritma memulai dengan kalkulasi jarak lokal antara elemen
dari dua deret dengan menggunakan tipe jarak yang berbeda. Metode yang paling sering
digunakan untuk kalkulasi jarak adalah rumus jarak Euclidian. Yang menghasilkan matriks
jarak dengan n baris dan m kolom sebagai berikut :
dij =|aij - bij| , i= 1 s.d. n, j = s.d m .
Memulai dengan matriks jarak lokal, lalu matriks jarak minimal antara deret dapat
ditentukan menggunakan algoritma dynamic programming dengan kriteria optimasi berikut :
aij = dij + min(ai-1,j-1 , ai-1,j , ai,j-1)
dimana aij adalah jarak minimal antara deret bagian (a1,a2, ..., ai) dan (b1, b2, ..., bj).
Sebuah jalan melengkung (warping path) adalah jalan melalui matriks jarak minimal dari
elemen a11ke elemen anm yang terdiri dari aij elemen yang membentuk jarak anm. Biaya global
warp dari dua deret dengan di bawah ini :

dimana W1 adalah elemen-elemen yang dimiliki oleh jalur melengkung, dan p adalah jumlah
dari mereka.Kalkulasi dibuat untuk dua deret yang ditunjukkan oleh
tabel di bawah ini berikut dengan jalur melengkungnya yang disorot.
Ada 3 kondisi yang diharuskan di algoritma DTW yang memastikan mereka konvergen
dengan cepat :
1. monoton : jalur tidak pernah kembali, yang berarti indeks i dan j digunakan untuk
menyebrang deret tidak pernah berkurang.
2. kontinuitas : jalur maju bertahap, indeks i dan j naik dengan maksimum 1 per tahap
3. batasan : jalur mulai di pojok kiri atas akan berakhir di pojok kaan bawah, dan jika mulai di
pojok kiri bawah akan berakhir di pojok kanan atas.Contoh dari implementasi jalur
melengkung menggunakan bahasa pemrograman Java ditunjukkan dibawah ini :
 -Kelebihan

1)Komunikasi mesin-ke-manusia. Teknologi ini memungkinkan perangkat elektronik untuk

berkomunikasi dengan manusia dalam bahasa alami atau ucapan percakapan.

2)Mudah diakses. Sistem speech recognition ini sering dipasang di komputer dan perangkat
seluler, sehingga mudah diakses.

3)Mudah digunakan. Aplikasi speech recognition yang dirancang dengan baik akan mudah
dioperasikan dan sering berjalan di latar belakang.

4)Peningkatan otomatis yang berkelanjutan. Sistem pengenalan ucapan yang

menggabungkan AI akan lebih efektif seiring berjalannya waktu. Saat sistem menyelesaikan
tugas pengenalan suara, maka akan menghasilkan lebih banyak data mengenai ucapan
manusia. Hal ini tentunya membuat ssitem menjadi lebih baik ke depannya dengan belajar
melalui data yang sudah dikumpulkan.

4.Visual Recognition

(Proses Ektraksi ciri citra dengan algoritma Local Binary Pattern dalam mendukung Klasifikasi citra
bertekstur)

 Algoritma Local Binary Pattern

-Teori
 Local Binary Pattern (LBP) adalah operator tekstur sederhana namun sangat efisien
yang melabeli piksel gambar dengan membatasi lingkungan setiap piksel dan menganggap
hasilnya sebagai bilangan biner. Ide dasar untuk mengembangkan operator LBP adalah
bahwa tekstur permukaan dua dimensi dapat dijelaskan dengan dua ukuran yang saling
melengkapi: pola spasial lokal dan kontras skala abu-abu. Operator LBP asli (Ojala et al.
1996) membentuk label untuk piksel gambar dengan membatasi lingkungan 3 x 3 dari setiap
piksel dengan nilai tengah dan mempertimbangkan hasilnya sebagai bilangan biner.
Histogram dari 28 = 256 label berbeda ini kemudian dapat digunakan sebagai deskriptor
tekstur.
Secara umum LBP dapat didefinisikan sebagai perbandingan nilai biner piksel pada
pusat citra dengan 8 nilai piksel disekelilingnya.

-Rumus/ Formula

Secara umum algoritma ekstraksi dengan LBP mempunyai 2 langkah :

1. Langkah thresholding dan

2. Langkah encoding.

Tahapan proses threshold dan encoding terdapat pada Gambar 1.0.

Untuk rumus dari local binary pattern adalah sebagai berikut :

– , s(x)= (1.0)

 xc dan yc adalah koordinat pusat piksel ketetanggaan,

 z adalah circular sampling points,
 P adalah banyaknya sampling points,
 gp adalah nilai keabuan dari 𝑝,
 gc adalah nilai piksel pusat, dan
 𝑠 adalah sign (kode biner).

{Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan

frekuensi kemunculan berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap
neighborhood (blok i,j ), untuk ukuran citra N×M, tekstur citra direpresentasikan dengan
membentuk histogram

-Kelebihan

1)BLP dirancang khusus untuk menjaga kerahasiaan

2)Mencegah aliran informasi tidak sah

 3)BLP menyediakan model matematis yang jelas dan formal untuk menggambarkan aturan
keamanan

4)Terintegrasi dalam standar keamanan.

5.Robotics

(Robot Operating System)

 Algoritma SLAM
-Teori
SLAM merupakan algoritma komputasi untuk membuat peta lingkungan sekitar robot dalam
memperbarui peta berdasarkan informasi dari sensor serta disaat yang sama merekam jejak
lintasan robot . Ada berbagai macam teknik yang bisa digunakan untuk menerapkan
algoritma SLAM antara lain hector_slam, gmapping, dan cartographer . Semua algoritma
SLAM ini tersedia dalam paket standar ROS.

 J. J. Leonard and H. F. Durrant-Whyte, “Simultaneous map building and

localization for an autonomous mobile robot,” in Proceedings IROS ’91: IEEE/RSJ
International Workshop on Intelligent Robots and Systems ’91, Nov 1991, vol.3,
pp. 1442–1447.
 S. Thrun, W. Burgard, and D. Fox, Probabilistic robotics. MIT press Cambridge,
2000

Dalam proses ini,menggunakan SLAM gmapping untuk melakukan proses lokalisasi dan
pemetaan. Metode SLAM dengan gmapping mirip dengan metode SLAM lainnya seperti
hector_slam dimana metode ini dapat membuat peta meskipun tidak ada informasi
odometry pada robot dan mengimplementasikan algoritma lingkar terbuka (open loop
algorithm) dan sebagai konsekuensinya error akibat ketidakpastian sensor akan bertambah
besar selama proses pemetaan dilakukan.

-Rumus/Formula

 Y. Pyo, H. Cho, L. J. Jung, and D. Lim, ROS Robot Programming (English). ROBOTIS, 12
2017. [Online]. Available: http:// community.robotsource.org/t/download-the-ros-
robot- programming-book-for-free/ 51.

- Kelebihan
 1) SLAM memungkinka robot untuk membangun peta lingkungannya sambil
menentukan posisinya dalam peta tersebut.
2) Cocok digunakan di lingkungan yang dinamis atau tidak terstruktur karena mampu
mrnangani prubahan dan rintangan yang muncul.
3) Algoritma SLAM dirancang untuk mengatasi ketidakpastian dalam pergerakan dan
presepsi robot.
4) Bisa bekerja dengan berbagai jenis sensor seperti kamera,lidar atau lainnya.
5) Memberikaan informasi lokasi yang akurat dan pemahaman tentang skitar dapat
meningkatkan kemampuan robot unruk mengambil keputusan navigasi yang cerdas.

6.ExpertSystem

(Studi kasus:Sistem Pakar Mendiagnosa Penyakit Kulit Pada Manusia)

 Algoritma Certainty Factor (CF)

-Teori
Metode Certainty Factor (CF) diusulkan oleh Shortliffe dan Buchanan pada tahun
1975.CF merupakan nilai prameter klinis yang diberikan MYCIN untuk enunjukkan besarnya
kepercayaan.
Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN.Tim
pengembang MYCIN mencatat bahwa dokter seringkali menganalisa informasi yang ada
dengan ungkapan seperti misalnya:mungkin,kemungkinan besar,hampir pasti.Untuk
mengakomodisi hal ini tim MYCIN menggunakan CF guna menggambarkan tingkat keyakinan
pakar terhadap masalah yang sedang dihadapi.
Dalam pembangunan aplikasi sistem pakar dengan menggunakan algoritma CF
(Certainty Factor) ada beberapa hal yang harus dipersiapkan.

-Contoh Perhitungan Algoritma C ertainty Factor (FC)

Diketahui tingkat nilai keyakinan yang sudah di tentukan oleh seorang pakar, dimana
pengguna konsultasi diberi pilihan jawaban yang masing-masing bobotnya sebagai
berikut:

Berikut adalah contoh menghitung manual algoritma certainty factor (CF) untuk
mendapatkan nilai CF penyakit Tumor Kulit.
Rule-rule yang baru tersebut kemudian dihitung nilai CF pakar/role dengan CF user
menggunakan persamaan,Dimana rumus untuk mendapatkan nilai CF(H,E)adalah
sebagai berikut:

CF(H,E) = CF(E) * CF(Rule)

CF(H,E) = CF(User) * CF(Rule)

Langkah yang terakhir adalah mengkombinasikan nilai CF dari masing-masing rule

Kombinasikan CF 1 sampai CF 4 dengan persamaan,Berikut adalah proses manual
perhitungannya:

1.CF(A) = CF(1) + CF(2) * [1-CF(1) ] =0.16 + 0.24*(1-0.16) = 0.3616

2. CF(B) = CF(3) + CF(A) * [1-CF(3) ] =0.32+ 0.3616*(1-0.32) = 0.565888
3. CF(C) = CF(4) + CF(B) * [1-CF(4) ] =0.48 + 0.565888*(1-0.48) = 0.77426176

Dari perhitungan secara manual di atas,didapatkan nilai faktor kepastian dari masukan
gejala yang mengarah ke penyakit Tumor Kulit adalah 0.77426176.
Begitulah perhitungan manual dari algoritma certainty factor.

-Kelebihan

1) Metode ini cocok dipakai dalam sistem pakar untuk mengukur

sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit
sebagai salah satu contohnya.

2.) Perhitungan dengan menggunakan metode ini dalam sekali hitung

hanya dapat mengolah dua data saja sehingga keakuratan data dapat
terjaga.

3) CF memberikan informasi tentang sejauh mana sistem yakin terhadap

suatu pernyataan atau kesimpulan.

4) Dapat digunakan untuk menggabungkan informasi dari berbagai

sumber atau aturan-aturan,dan menyusunnya dengan
mempertimbangkan ketidakpastian.

5) Memungkinkan sistem pakar untuk berkomunikasi secara lebih jelas

dengan pengguna,memberikan informasi tentang tingkat keyakinan atau
ketidakpastian yang terkait dengan rekomendasi atau keputusan yang
dihasilkan.