Ketidakpastian dan Penalaran Probabilitas

ketidakpastian

Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita dalam membuat suatu keputusan yang terbaik bahkan mungkin dapat menghasilkan suatu keputusan yang buruk. Dalam dunia medis, ketidakpastian mungkin menghalangi pemeriksaan yang terbaik untuk para pasien dan berperan untuk suatu terapi yang keliru. Dalam bisnis, ketidakpastian dapat berarti kerugian keuangan.

Banyak kemungkinan dan ketidakpastian menyertai dalam masalah dan solusinya. Ada beberapa sumber dari ketidakpastian, beberapa diantaranya adalah :

1. Masalah

Beberapa masalah meliputi factor-faktor yang oleh sifat mereka, tidak pasti atau acak. Sebagai contoh, dalam pengobatan, penyakit yang sama dapat member gejala yang berbeda untuk pasien yang lain.

2. Data

Beberapa masalah mungkin memiliki batasan yang kurang jelas bagi seseorang. Orang yang menghadirkan masalah mungkin mengetahui beberapa fakta untuk kepastian, menuduh lainnya dan tidak mengetahui lainnya. Angka-angka dan nilai-nilai dapat tidak tepat, ditebak atau tidak diketahui.

3. Pakar

Manusia sering dapat memakai pengetahuan mereka tanpa mengetahui secara eksplisit apa pengetahuan itu sendiri. Mereka mungkin harus meningkatkan secara detail apa yang mereka lakukan dan bagaimana dan tampak tak jelas atau bahkan bertentangan dengan dirinya sendiri.

4. Solusi

Ada beberapa area tertentu dimana tidak terdapat pakar yang diakui. Pakar sendiri mungkin tidak setuju satu sama lain dan tak seorangpun dapat memutuskan solusi yang baik. Domain seperti itu dapat berupa strategi militer.

Ada tiga teknik yang dapat digunakan untuk menangani ketidakpastian dan kesamaran

pengetahuan, yaitu:

a. Teknik Probabilitas, yang dikembangkan dengan memanfaatkan teorema Bayes yang

menyajikan hubungan sebab akibat yang terjadi diantara evidence-evidence yang ada.

Pendekatan alternatif lainnya yang dapat digunakan adalah teori Dempster-Shafer. Metode Ketidakpastian dan Kesamaran.

b. Faktor Kepastian, merupakan teknik penalaran tertua, yang digunakan pada sistem

MYCIN. Teknik ini bersifat semi probabilitas, karena tidak sepenuhnya menggunakan

notasi probabilitas.

c. Logika Fuzzy, merupakan teknik baru yang diperkenalkan oleh Zadeh. Setiap variabel

dalam teknik ini memiliki rentang nilai tertentu, yang akan digunakan untuk menghitung

nilai fungsi keanggotaannya.

TEOREMA DAN PROBABILITAS BAYES

Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian mengubahnya dengan nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas. teorema ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan kedokteran.

Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema Bayes untuk mencari penerapan dinamakan inferens Bayes.

Faktor Kepastian

Faktor kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan (unbelief) dalam bilangan yang tunggal. Dalam certainty theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan (degree of belief).

Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada system diagnosis penyakit, dimana pakar tidak dapat mendefinisikan tentang hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya ditemukan banyak kemungkinan diagnosis.

Kelebihan dan Kekurangan Metode 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.

Kekurangan

Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factors diatas memiliki sedikit kebenaran.

Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah.

Tahapan Representasi Data Kualitatif

Tahapan dalam merepresentasikan data-data kualitatif :

· Kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah dibahas sebelumnya.

· Kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut dalam sistem pakar.

TEORI DEMPSTER-SHAFER

Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P.Dempster dan Glenn shafer.

Pengetahuan Dan Penalaran Bagian 2

Sejauh ini sudah dibahas tentang pernyataan dan rumusan pernyataan dengan simbol p, q, r. Hal seperti itu konsentrasinya lebih pada pernyataan mejemuk, bukan pada pernyataan sederhana (atomik). Ada kemungkinan untuk mengekspresikan kenyataan bahwa dua pernyataan atau lebih mempunyai sifat-sifat kebersamaan. untuk itu dikenalkan konsep predikat  pada pernyataan sederhana, Logika yang berdasarkan analisis predikat pada suatu pernyataan disebut Logika Predikat.

Contoh :

1. Borok adalah seorang mahasiswa.

2. Kutil adalah seorang mahasiswa.

Dua pernyataan tersebut diperlukan dua Simbol yang berbeda, misalkan p dan q yaitu :

p : Borok adalah seseorang mahasiswa.

q : Kutik adalah seorang mahasiswa.

Simbol p dan q tidak menunjukan sifat kebersamaan, yaitu adalah seseorang mahasiswa. Untuk itu diperlukan suatu simbol yang menunjukan sifat keberdamaan kalimat yang disebut predikat. Jadi kata adalah seorang mahasiswa disebut predikat.

Telah diketahui bahwa unit dasar dari Logika Proporsional adalah pernyataan logis seperti :

1. Celana ini berwarna merah.

2.Bumi adalah bulat.

Kita ridak dapat memperoleh objek yang lebih rendah atau lebih tinggi dari berwarna merah, misal berwarna putih, biru dll. Demikian jufa pada kalimat Bumi adalah bulat, Misal kalimat :

"setiap manusia adalah mahluk hidup", "karena sito adalah manusia, maka Sito adalah mahluk hidup". Jika ditulis dalam formula proporsional diperoleh :

p : Setiap manusia adalah mahluk hidup.

q : Gogon adalah manusia.

r : Gogon adalah mahluk hidup.

Berdasarkan kerangka logika proporsional, r bukan konsekuensi logis dari p dan q, karena mereka saling berdiri sendiri.

Pernyataan :

"Setiap manusia adalah mahluk hidup".

Mengandung prernyataan himpunan manusia, dimana individu merupakan elemen dari himpunan manusia, misal Budi, Yanti, Dito dll.

Pernyataan :

“Gogon adalah manusia” 

 

Merupakan anggota dari himpunan manusia,

Jika ingin dibuktikan kebenaran dari pernyataan :

“ setiap manusia adalah mahluk hidup”, maka harus dibuktikan kebenarannya setiap anggota dalam himpunan manusia, dan ini tidaklah mungkin, karena manusia banyak.

Logika Predikat merupakan logika proposisi yang diperluas dengan tiga komponen, yaitu : term (suku), predikat (predicate), dan kuantor (quantifier)

Misal :   x > 4

Pernyataan : “ x lebih besar dari 4 “ terdiri dari 2 bagian :

1.Variabel x sebagai subjek pernyataan

2.Lebih besar dari 4 sebagai predikat yg menyatakan kriteria T or F dari subjek.

Jika Pernyataan : “ x lebih besar dari 4 “ kita tulis dengan P(x) dimana P melambangkan Predikat lebih besar dari 4 dan x adalah variabel.

P(x) disebut juga sebagai nilai dari fungsi proposisi P pada x, artinya untuk nilai x yang diberikan, maka P(x) mempunyai nilai kebenaran T or F

 

 

Penulisan seperti itu dikenal dengan Bahasa Order Pertama yang dibangun dari :

• 1.Variabel
• 2.Simbol tetapan
• 3.Simbol fungsi
• 4.Predikat

bicara tentang Bahasa Order Pertama,

maka terdiri atas objek-objek dalam

pernyataan yang dibicarakan dikenal

Dengan Univers of Discource (UoD)

Variabel :

dalam Bahasa Order Pertama menjangkau seluruh semesta pembicaraan (univers of discource)

Simbol Tetapan :

Merupakan simbol satu anggota yang berbeda dari univers of discource

Simbol Fungsi :

Merupakan fungsi pada univers of discource, Bisa f(x), f(x,y) dll

Pengetahuan dan Penalaran

PENGETAHUAN BERBASIS AGEN
Konsep dasar dari agen berbasis pengetahuan, yakni mengetahui hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai :

1. Hal-hal yang tidak diketahui sebelumnya ( imperfect/partial information )
2. Tindakan yang paling baik untuk diambil ( best action ) Hal-hal yang harus dipenuhi ketika membuat agen pengetahuan, antara lain:
3. Dapat merepresentasikan world, state, action.
4. Dapat menerima informasi baru (dan mengupdate representasinya)
5. Dapat menyimpulkan pengetahuan lain yang tidak eksplisit ( hidden property )
6. Dapat menyimpulkan action apa yang perlu diambil. 

B. Logika
 Bahasa formal untuk merepresentasikan fakta sedemikian sehingga. kesimpulan (fakta baru, jawaban) dapat ditarik. Ada banyak metode inference yang diketahui. Kita bisa membangun agent Wumpus World dengan logika: memanfaatkan perkembangan logika oleh ahli matematika, filsafat selama ratusan tahun.

C. Logika Proposisi 

Logika proposisi merupakan ilmu dasar untuk mempelajari algortima dan logika, yang berperan sangat penting dalam pemrograman. yaitu bertransaksi atau berhubungan dengan nilai kebenaran atau kesalahan dari sebuah peryataan atau fakta yang ada di sekitar sekeliling kita.

Sintaks
Sintak sebuah bahasa berhubungan dengan struktur bahasa. Sebagai contoh, untuk membentuk sebuah kalimat yang valid dalam bahasa kita memakai struktur: [subyek] + [kata kerja] + [kata benda].

Semantik
Semantik sebuah bahasa menggambarkan hubungan antara sintak dan model komputasi. Sederhananya, semantik menjelaskan arti dari program.

Inferensi
Inferensi pada logika proposisi dapat dilakukan dengan menggunakan resolusi. Metode inferensi adalah mekanisme berfikir dan pola-pola penalaran yang digunakan oleh sistem untuk mencapai suatu kesimpulan.

Ekuivalen
Dua atau lebih pernyataan majemuk yang mempunyai nilai kebenaran sama disebut ekuivalensi logika dengan notasi “ dua buah pernyataan majemuk dikatakan ekuivalen, jika kedua pernyataan majemuk itu mempunyai nilai kebenaran yang sama untuk semua kemungkinan nilai kebenaran pernyataan-pernyataan komponen-komponennya.

Validitas
Validitas adalah aspek kecermatan pengukuran. Suatu alat ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya. 

Satisfiabilitas
Sebuah proposisi majemuk dikatakan satisfiable jika ada minimal satu nilai tabel kebenarannya yang bernilai TRUE (benar), Jika proposisi majemuk tersebut tidak memiliki nilai TRUE (benar) sama sekali dalam tabel kebenarannya, maka proposisi majemuk tersebut disebut tidak satisfiable

D. Pola Penalaran Pada Logika Proses
RESOULUSI
Resolusi merupakan suatu teknik pembuktian yang lebih efisien, sebab fakta-fakta yang akan dioperasikan terlebih dahulu dibawa ke bentuk standar yang sering disebut dengan nama klausa. Pembuktian suatu pernyataan menggunakan resolusi ini dilakukan dengan cara menegasikan pernyataan tersebut, kemudian dicari kontradiksinya dari pernyataan-pernyataan yang sudah ada. 

E. Inferensi Proposisi yang efektif Backtracking Algoritma backtracking merupakan salah satu metode pemecahan masalah yang termasuk dalam strategi yang berbasis pencarian pada ruang status. Algoritma backtracking bekerja secara rekursif dan melakukan pencarian solusi persoalan secara sistematis pada semua kemungkinan solusi yang ada. Oleh karena algoritma ini berbasis pada algoritma Depth-First Search (DFS), maka pencarian solusi dilakukan dengan menelusuri struktur berbentuk pohon berakar secara preorder. Algoritma backtracking merupakan bentuk tipikal dari algoritma rekursif.Saat ini algoritma backtracking banyak diterapkan untuk program games (seperti permainan tic-tac-toe, menemukan jalan keluar dalam sebuah labirin, catur, dll) dan masalah-masalah pada bidang kecerdasan buatan (artificial intelligence).   
 
F. Agen Berbasis Logika Proposisi

1. Problem Solving Agent : memilih solusi diantara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution.
2. Knowledge-based Agent : lebih “pintar”. Ia “mengetahui hal-hal tentang dunia dan dapat melakukan reasoning (berfikir, bernalar) mengenai :

• • Hal-hal yang tidak diketahui sebelumnya
  • Tindakan yang paling baik untuk diambil

  

Pencarian Berbentuk dan Eksplorasi

Algoritma Greedy

Algoritma greedy merupakan jenis algoritma yang menggunakan pendekatan penyelesaian masalah dengan mencari nilai maksimum sementara pada setiasp langkahnya. Nilai maksimum sementara ini dikenal dengan istilash local maximum. Pada kebanyakan kasus, algoritma greedy tidak akan menghasilkan solusi paling optimal, begitupun algoritma greedy biasanya memberikan solusi yang mendekati nilai optimum dalam waktu yang cukup cepat.

Sebagai contoh dari penyelesaian masalah algoritma greedy, mari kita lihat sebuah masalah klasik yang sering dijumpai dalam kehidupan sehari-hari: mencari jarak terpendek dari peta. Midalkan kita ingin bergerak dari titik A ke titik B, dan kita telaj menemukan beberapa jalur dari peta:

Dari peta yang ditampilkan diatas, dapat dilihat bahwa terdapat beberapa jalur dari titik A ke titik B. Sistem pada petagambar secara otomatis telah memilih jalur terpendek juga, dengan menggunakan algoritma greedy.

Algoritma a-star/Memory-Bounded A*

Algoritma a-star ditemukan pertamakali oleh Peter Harrt, Nils Nilsson, dan Bertram Raphael pada tahun 1968 adalah algoritma pencarian rute terpendek (shortest path) yang merupakan perbaikan dari algoritma BFS dengan memodifikasi tugas heuristiknya untuk memberikan hasil yang optimal. Dimana menggabungkan fungsi heuristik dan jarak sesungguhnya.

Refrensi :

https://id.wikipedia.org/wiki/Algoritma_a-star

 

Pengenalan Teknologi Sistem Cerdas

1.       Kecerdasan buatan (Artificial Intelligence) merupakan bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia.

Bidang Ilmu yang Menjadi Dasar Kecerdasan Buatan

1. Natural Languange Processing (NLP)

Natural Languange Processing (NLP) atau pemrosesan Bahasa Alami, merupakan salah satu cabang AI yang mempelajari pembuatan sistem untuk menerima masukan bahasa alami manusia, Dalam perkembangannya, NLP berusaha untuk mengubah bahasa alami komputer (bit dan bte) menjadi bahasa alami manusia yang kita mengerti/

2. Expert System (ES)

Expert System (ES) atau sistem pakar, merupakan salah satu cabang AI yang memperlajari pembuatan sebuah sistem yang dapat bekerja layaknya seorang pakar. ES dapat menyimpan pengetahuan seorang pakar dan memberikan solusi berdasarkan pengetahuan yang dimilikinya.

3. Pattern Recognition (PR)

Pattern Recognition (PR) atau pengenalan pola, merupakan salah satu cabang AI yang mempelajari pembuatan sebuah sistem untuk dapat mengenali suatu pola tertentu. Misalnya sistem PR untuk mengenali huruf dari tulisan tangan, walaupun terdapat perbedaan penulisan huruf A dari masing-masing orang tetapi PR dapat mengenali bahwa huruf tersebut adalah huruf A.

4. Robotic

Robotic atau Robotika merupakan salah satu cabang AI yang menggabungkan cabang - cabang AI yang lain termasuk ketiga cabang diatas untuk membentuk sebuah sistem robotik.

Sejarah Kecerdasan Buatan

Pada awal abad 17, Rene Decartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin -mesin yang rumit. Blase Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. pada 29, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Rusell dan Alfred North Whitehead menerbitkan Principia Mathematica yang merombak logika formal. Warren McCulloch dan Walter Pitts memnerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam aktivitas" pada 1943 yang meletakan pondasi untuk jaringan syaraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. program AI pertama yang ditulis pada 1951 untuk menjalankan poranti Ferranti Mark I di University of Manchester (UK): sebuah progeam permainan catur yang ditulis oleh Christoper Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan" pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada tahun 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing Test" sebagai cara untuk mengopersionalkan test prilaku cerdas, Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, progrma berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert memnerbitkan perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemostrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnsa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mendiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahlifisika seperti Hopfield menggunakan teknik - teknik statistika untuk menganalisis sifat-sifat David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada momori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritma pembelajaran propagansi balik. Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi.  Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkaenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintahan AS.

Tantangan Hebat DARPA, yang dimulai pada tahun 1004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi ratus mil daerah gurun yang menantang.

Agen Intelegent

1. Agen Manusia

Memiliki organ sensorik seoerti mata, telinga, hidung, lidah dan kulit yang sejajar dengan sensor, dan organ lainnya seperti tangan, kaki, mulut.

2. Agen Robot

Menggantikan kamera dan pencari jarak inframerah untuk sensor, dan berbagai motor dan aktuator untuk penerusnya.

3. Agen Perangkat Lunak

Menyediakan string sedikitnya sebagai program dan tindakannya.

Agen Dan Lingkungan

• Fungsi agen memetakan dari sejarah persepsi ke dalam tindakan.
• Program agen berjalan pada arsitektur fisik untuk menghasilkan f.
• agen = arsitektur + program

Agen Rasional

Untuk setiap deretan persepsi yang mungin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan performance-nya, dengan adanya bukti yang diberikan oleh deretan persepsi dan apapun pengetahuan terpasang yang dimiliki agen itu,

Sumber :

https://id.wikipedia.org/wiki/Kecerdasan_buatan

https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_agents_and_environments.htm