Pembelajaran/Learning

8.1 Pembelajaran dan pengamatan

Pembelajaran adalah proses interaksi peserta didik dengan pendidik dan sumber belajar pada suatu lingkungan belajar yang meliputi guru dan siswa yang saling bertukar informasi.

Pengamatan atau observasi adalah aktivitas terhadap suatu proses atau objek dengan maksud merasakan dan kemudian memahami pengetahuan dari sebuah fenomena berdasarkan pengetahuan dan gagasan yang sudah diketahui sebelumnya, untuk mendapatkan informasi-informasi yang dibutuhkan untuk melanjutkan suatu penelitian. 

8.2 Bentuk pembelajaran

a.       Menumbuhkan motivasi belajar anak

Motivasi berkaitan erat dengan emosi, minat, dan kebutuhan anak didik. Upaya menumbuhkan motivasi intrinsik yang dilakukan guru adalah mendorong rasa ingin tahu, keinginan mencoba, dan sikap mandiri anak didik. Sedangkan bentuk motivasi ekstrinsik adalah dengan memberikan rangsangan berupa pemberian nilai tinggi atau hadiah bagi siswa berprestasi dan sebaliknya.

b.      Mengajak anak didik beraktivitas

Adalah proses interaksi edukaktif melibatkan intelek-emosional anak didik untuk meningkatkan aktivitas sehingga motivasi akan meningkat. Bentuk pelaksanaanya adalah mengajak anak didik melakukan aktivitas atau bekerja di laboratorium, di kebun/lapangan sebagai bagian dari eksplorasi pengalaman, atau mengalami pengalaman yang sam sekali baru.

c.       Mengajar dengan memperhatikan perbedaan individual

Proses kegiatan belajar mengajar dilakukan dengan memahami kondisi masing-masing anak didik. Tidak tepat jika guru menyamakan semua anak didik karena setiap anak didik mempunyai bakat berlainan dan mempunyai kecepatan belajar yang bervariasi. Seorang anak didik yang hasil belajarnya jelek dikatakan bodoh. Kemudian menyimpulkan semua anak didik yang hasil belajarnya jelek dikatakan bodoh. Kondisi demikian tidak dapat dijadikan ukuran, karena terdapat beberapa faktor penyebab anak memiliki hasil belajar buruk, antara lain; faktor kesehatan, kesempatan belajar dirumah tidak ada, sarana belajar kurang, dan sebagainya.

d.     Mengajar dengan umpan balik

Bentuknya antara lain; umpan balik kemampuan prilaku anak didik (perubahan tigkah laku yang dapat dilihat anak didik lainnya, pendidik atau anak didik itu sendiri), umpan balik tentang daya serap sebagai pelajaran untuk diterapkan secara aktif. Pola prilaku yang kuat diperoleh melalui partisipasi dalam memainkan peran (role play).

e.      Mengajar dengan pengalihan

Pengajaran yang mengalihkan (transfer) hasil belajar kedalam situasi-situasi nyata. Guru memilih metode simulasi (mengajak anak didik untuk melihat proses kegiatan seperti cara berwudlu dan sholat) dan metode proyek (memberikan kesempatan anak untuk menggunakan alam sekitar dan atau kegiatan sehari-hari untuk bertukar pikiran baik sesama kawan maupun guru)  untuk pengalihan pengajaran yang bukan hanya bersifat ceramah atau diskusi, tetapi mengedepankan situasi nyata.

f.      Penyusunan pemahaman yang logis dan psikologis

Pengajaran dilakukan dengan memilih metode yang proporsional. Dalam kondisi tertentu guru tidak dapat meninggalkan metode ceramah maupun metode pemberian tugas kepada anak didik. Hal ini dilakukan sesuai dengan kondisi materi pelajaran.

8.3 Pembelajaran induktif

Pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Model pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, selanjutnya guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan. Model pembelajaran induktif dirancang berlandaskan teori konstruktivisme dalam belajar. Model ini membutuhkan guru yang terampil dalam bertanya (questioning) dalam penerapannya. Melalui pertanyaan-pertanyaan inilah guru akan membimbing siswa membangun pemahaman terhadap materi pelajaran dengan cara berpikir dan membangun ide. Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir.
Struktur sosial dalam pembelajaran menjadi ciri lingkungan kelas yang sangat dibutuhkan untuk belajar melalui model pembelajaran induktif. Model pembelajaran induktif mensyaratkan sebuah lingkungan belajar yang mana di dalamnya siswa merasa bebas dan terlepas dari resiko takut dan malu saat memberikan pendapat, bertanya, membuat konklusi dan jawaban. Mereka harus bebas dari kritik tajam yang dapat menjatuhkan semangat belajar.
Model ini dikembangkan atas dasar beberapa postulat sebagai berikut:

1. Kemampuan berpikir dapat diajarkan
2. Berpikir merupakan suatu transaksi aktif antara individu dengan data. Artinya, dalam seting kelas,

bahan-bahan ajar merupakan sarana bagi siswa untuk mengembangkan operasi kognitif tertentu.
Dalam seting tersebut, dimana siswa belajar mengorganisasikan fakta ke dalam suatu sistem konsep,yaitu:

Saling menghubung-hubungkan data yang diperoleh satu sama lain serta membuat kesimpulan berdasarkan hubungan-hubungan tersebut 

Menarik kesimpulan berdasarkan fakta-fakta yang telah diketahuinya dalam rangka membangun hipotesis,dan 

Memprediksi dan menjelaskan suatu fenomena tertentu. Guru, dalam hal ini, dapat membantu proses internalisasi dan konseptualisasi berdasarkan informasi tersebut 

3. Proses berpikir merupakan suatu urutan tahapan yang beraturan (lawful). Artinya, agar dapat menguasai keterampilan berpikir tertentu, prasyarat tertentu harus dikuasai terlebih dahulu, dan urutan tahapan ini tidak bisa dibalik. Oleh karenanya, konsep tahapan beraturan ini memerlukan strategi mengajar tertentu agar dapat mengendalikan tahapan-tahapan tersebut.

Berpikir induktif melibatkan tiga tahapan yang dikembangkan tiga strategi cara mengajarkannya.

a. Konsep pembentukan (belajar konsep) 

Tahap ini mencakup tiga langkah utama: item daftar (lembar, konsep), kelompok barang yang sama secara bersama-sama, beserta label tersebut (dengan nama konsep).
Langkah-langkah :

1. Membuat daftar konsep
2. Pengelompokkan konsep berdasarkan karakteristik yang sama
3. Pemberian label atau kategorisasi

b. Interpretasi data Strategi 

Keduanya merupakan cara mengajarkan bagaimana menginterpretasi dan menyimpulkan data. Sama halnya dengan strategi pertama (pembentukan konsep), cara ini dapat dilakukan dengan mengajukan pertanyaan-pertanyaan tertentu.
Langkah-langkah:

1. mengidentifikasi dimensi-dimensi danhubungan-hubungannya.
2. menjelaskan dimensi-dimensi danhubungan-hubungannya
3. Membuat kesimpulan

c. Penerapan prinsip-prinsip 

Strategi ini merupakan kelanjutan dari strategi pertama dan kedua. Setelah siswa dapat merumuskan suatu konsep, menginterpretasikan dan menyimpulkan data, selanjutnya mereka diharapkan dapat menerapkan suatu prinsip tertentu ke dalam suatu situasi permasalahan yang berbeda. Atau siswa diharapkan dapat menerapkan suatu prinsip untuk menjelaskan suatu fenomena baru.
Langkah-Langkah:

1. Membuat hipotesis, memprediksikonsekuensi
2. Menjelaskan teori yang mendukung hipotesis atau prediksi.
3. Menguji hipotesis/prediksi

Peran Guru Dalam Model Pembelajaran Induktif
Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Sekali lagi, diingatkan, bahwa model pembelajaran induktif memerlukan keterampilan bertanya yang bagus dari guru. Selain itu guru juga harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, dan selalu menunjukkan ekspektasi positif terhadap pencapaian hasil belajar siswa-siswanya. Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif juga bergantung pada contoh-contoh /ilustrasi yang digunakan oleh guru serta kemampuan guru membimbing siswa untuk melakukan analisis terhadap contoh/ilustrasi yang diberikan.

Kelebihan Model Pembelajaran Induktif

Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, sehingga siswa mempunyai parameter dalam pencapaian tujuan pembelajaran. 

Ketika siswa telah mempunyai gambaran umum tentang materi pembelajaran, guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan tersebut sehingga pemerataan pemahaman siswa lebih luas dengan adanya pertanyaan-pertanyaan antara siswa denganguru 

Model pembelajaran induktif menjadi sangat efektif untuk memicu keterlibatan yang lebih mendalam dalam hal proses belajar karena proses tanya jawab tersebut. 

Kelemahan Model Pembelajaran Induktif

Model ini membutuhkan guru yang terampil dalam bertanya (questioning) sehingga kesuksesan pembelajaran hamper sepenuhnya ditentukan kemampuan guru dalam memberikan ilustrasi-ilustrasi. 

Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir 

Model pembelajaran ini sangat tergantung pada lingkungan eksternal, guru harus bisa menciptakan kondisi dan situasi belajar yang kondusif agar siswa merasa aman dan tak malu/takut mengeluarkan pendapatnya. Jika syarat-syarat ini tidak terpenuhi, maka tujuan pembelajaran tidak akan tercapai secarasempurna 

Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru harus telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Dengan metode ini maka kemandirian siswa tidak dapat berkembangoptimal. 

Guru harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, sehingga peran guru sangat vital dalam mengontrol proses belajar siswa. 

Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif bergantung pada contoh-contoh atau ilustrasi yang digunakan oleh guru. 

Pembelajaran tidak dapat berjalan bila guru dan muridnya tidak suka membaca, sehingga tidak mempunyai pilihan dalam proses induktif

8.4 Pohon keputusan pembelajaran

POHON KEPUTUSAN

 Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diinterpretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan.

Gambar: Konsep Pohon Keputusan

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree 

Gambar: Konsep Data dalam Pohon Keputusan

Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk membreak down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Pohon keputusan merupakan himpunan aturan IF...THEN. Setiap path dalam tree dihubungkan dengan sebuah aturan, di mana premis terdiri atas sekumpulan node-node yang ditemui, dan kesimpulan dari aturam terdiri atas kelas yang terhubung dengan leaf dari path.

Gambar: Konsep Dasar Pohon Keputusan

Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang dari pohon keputusan merupakan pembagian berdasarkan hasil uji, dan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan.
Pohon keputusan mempunyai 3 tipe simpul yaitu:

1. Simpul akar, dimana tidak memiliki cabang yang masuk dan memiliki cabang lebih dari satu, terkadang tidak memiliki cabang sama sekali. Simpul ini biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.
2. Simpul internal, dimana hanya memiliki 1 cabang yang masuk, dan memiliki lebih dari 1 cabang yang keluar.
3. Simpul daun, atau simpul akhir dimana hanya memiliki 1 cabang yang masuk, dan tidak memiliki cabang sama sekali dan menandai bahwa simpul tersebut merupakan label kelas.

Tahap awal dilakukan pengujian simpul akar, jika pada pengujian simpul akar menghasilkan sesuatu maka proses pengujian juga dilakukan pada setiap cabang berdasarkan hasil dari pengujian. Hal ini berlaku juga untuk simpul internal dimana suatu kondisi pengujian baru akan diterapkan pada simpul daun. Pada umumnya proses dari sistem pohon keputusan adalah mengadopsi strategi pencarian top-down untuk solusi ruang pencariannya. Pada proses mengklasifikasikan sampel yang tidak diketahui, nilai atribut akan diuji pada pohon keputusan dengan cara melacak jalur dari titik akar sampai titik akhir, kemudian akan diprediksikan kelas yang ditempati sampel baru tersebut.
Pohon keputusan banyak digunakan dalam proses data mining karena memiliki beberapa kelebihan, yaitu:
1. Tidak memerlukan biaya yang mahal saat membangun algoritma.
2. Mudah untuk diinterpetasikan.
3. Mudah mengintegrasikan dengan sistem basis data.
4. Memiliki nilai ketelitian yang lebih baik.
5. Dapat menemukan hubungan tak terduga dan suatu data.
6. Dapat menggunakan data pasti/mutlak atau data kontinu.
7. Mengakomodasi data yang hilang.

8.5 Pembelajaran ensemble

Kenyataan bahwa pendekatan ensemble learning mampu memberikan solusi prediksi yang lebih akurat daripada model-model tunggal dapat ditemui dari berbagai paper di jurnal ilmiah. Teknik-teknik ensemble yang mengandalkan variasi dari pendekatan random forest dan boosting mampu memberikan prediksi dengan akurasi yang sangat baik. Random forest bekerja dengan membuat model-model penyusun ensemble sedemikian rupa sehingga berbagai kemungkinan dapat terakomodir secara maksimal, sedangkan boosting bekerja secara iterative sehingga kasus-kasus yang tidak mudah diprediksi menjadi bukan masalah lagi.

Kemampuan pendekatan ensemble ini tidak hanya tertuang pada berbagai paper ilmiah, namun juga dapat dilihat pada penyelesaian kasus-kasus aplikatif seperti yang dapat dilihat pada kompetisi data science Kaggl. Kompetisi ini terbuka bagi pegiat data science dan data mining untuk memberikan solusi prediktif dari kasus-kasus yang disampaikan oleh banyak perusahaan besar berskala internasional.

Setiap tim atau individu dipersilakan mengembangkan solusi dan menyajikan prediksinya untuk kemudian dinilai. Mereka yang memberikan prediksi dengan akurasi yang paling tinggi yang dinyatakan sebagai pemenang. Peringkat tiga besar dalam lima tahun terakhir dari kompetisi ini didominasi oleh mereka yang menggunakan pendekatan ensemble yang digabungkan dengan berbagai macam algoritma dasar.

Daftar Pustaka

http://belajarpsikologi.com/pengertian-dan-tujuan-pembelajaran/

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

http://marjuki01.blogspot.co.id/2014/06/bentuk-bentuk-pembelajaran-learning-by.html

http://education-mantap.blogspot.co.id/2013/06/pembelajaran-induktif.html

http://nugikkool.blogspot.co.id/2012/08/pohon-keputusan-id3-dan-c45-menggunakan.html

https://warungkomputer.com/2016/12/ensemble-learning-primadona-analitik-di-masa-depan/

Pengetahauan mengenai Ketidakpastian dan Penalaran.

Now Loading.....

PENGETAHUAN DAN PENALARAN : REPRESENTASI PENGETAHUAN

Rekayasa Ontologi

Dalam bidang Artificial Intelligence (AI) ontologi memiliki dua pengertian yang berkaitan:

·         Ontologi merupakan kosa kata represenstasi yang sering dikhususkan untuk domain atau subyek pembahasan tertentu.

·         Sebagai suatu body of knowledge untuk menjelaskan suatu bahasan tertentu, biasanya common sense knowledge domain dengan representation vocabulary.

Representasi dari suatu model metadata

·         Subject

·         Predicate

·         Object

·         Melakukan pendefinisian Vocabulary

Pengkategorian dan Objek

Komposisi fisik

Komposisi adalah tata susunan yang menyangkut keseimbangan, kesatuan, irama, dan keselarasan dalam suatu karya seni rupa.jadi komposisi fisik adalah susunan kesatuan dari suatu bentuk fisik / yg dapat dilihat.

Pengukuran

Pengukuran adalah penentuan besaran, dimensi, atau kapasitas, biasanya terhadap suatu standar atau satuan ukur. Pengukuran juga dapat diartikan sebagai pemberian angka tehadap suatu atribut atau karakteristik tertentu yang dimiliki oleh seseorang, hal, atau objek tertentu menurut aturan atau formulasi yang jelas dan disepakati. Pengukuran dapat dilakukan pada apapun yang dibayangkan, namun dengan tingkat kompleksitas yang berbeda. Misalnya untuk mengukur tinggi, maka seseorang dapat mengukur dengan mudah karena objek yang diukur merupakan objek kasat mata dengan satuan yang sudah disepakati secara internasional. Namun hal ini akan berbeda jika objek yang diukur lebih abstrak seperti kecerdasan, kematangan, kejujuran, kepribadian, dan lain sebagainya sehingga untuk melakukan pengukuran diperlukan keterampilan dan keahlian tertentu.

Substansi

Watak sebenarnya,inti dari sesuatu.

Objek

Sesuatu yang sedang dibicarakan/dijadikan pokok acuan/target.

Aksi,situasi dan kejadian/event

·         Aksi

Adalah tindakan yang dilakukan berdasarkan suatu kejadian.

·         Situasi

Keadaan sekitar yang sedang berlangsung.

Mental objek dan mental objek

·         Pengetahuan dan kepercayaan

              Pengetahuan adalah informasi yang diketahui atau disadari oleh manusia, atau pengetahuan adalah berbagai gejala yang ditemui dan diperoleh manusia melalui pengamatan indrawi. Pengetahuan akan muncul ketika orang menggunakan akal atau indranya untuk mengenali benda atau peristiwa tertentu yang belum pernah dilihat atau dirasakan. Misalnya, saat pertama kali orang makan cabai maka Dia akan tahu bagaimana rasa cabai itu, bentuknya, warnanya, atau bahkan akan bertanya-tanya apa zat-zat apa yang dikandungnya.

              Pengetahuan empiris menekankan pada pengamatan dan pengalaman indrawi, sedangkan pengetahuan rasional didapatkan melalui akal budi. Misalnya, orang mengetahui bahwa cabai rasanya pedas karena dia pernah memakannya. Tidak mungkin hanya dengan dipikir-pikir orang itu akan mengetahui bahwa rasa cabai adalah pedas. Nemun, pernyataan 1+1=2 adalah hasil dari pemikiran (akal) manusia, bukan merupakan suatu pengamatan empiris.

                Keyakinan adalah suatu sikap yang ditunjukkan manusia saat dia merasa cukup tahu dan menyimpulkan bahwa dirinya telah mencapai kebenaran. Maksudnya adalah orang akan merasa yakin kalau apa yang mereka ketahui adalah benar. Jadi, keyakinan terjadi setelah orang percaya adanya suatu kebenaran.

Menurut teori kebenaran sebagai kesesuaian, keyakinan adalah suatu pernyataan yang tidak disertai bukti yang nyata. Misalnya, petir disebabkan oleh amukan para dewa. Pernyataan ini tidak bisa dibuktikan, sehingga hanya bisa dikatakan sebagai suatu keyakinan. Sementara pernyataan petir disebabkan kerena adanya tabrakan antara awan yang bermuatan positif dan negative adalah suatu kebenaran, karena dapat dibuktikan. Sehingga pernyataan ini disebut sebagai pengetahuan.

·         Pengetahuan waktu dan aksi

Sistem penalaran untuk pengkatagorian

·         Jaringan semnatik

                Jaringan semantik adalah gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek, terdiri dari lingkaran-lingkaran yang dihubungkan dengan anak panah yang menunjukkan objek dan informasi tentang objek-objek tersebut.

Dari gambar di atas dapat dibentuk beberapa kalimat yang menunjukkan suatu peristiwa, seperti :

-          Reza adalah siswa tingkat SMA di Jakarta

-          Reza menonton film di bioskop daerah Jakarta

-          Reza menonton film berjudul Avatar di bioskop daerah Jakarta

-          Reza menonton film di Australia

-          Reza kekasih Renata

-          Reza bermain sepabola di kejuaraan antar SMA

-          SMA memiliki klub olahraga sepabola

-          Renata bermain drama di Australia

-          Renata menonton sepakbola di televise

-          Film berjudul Avatar disutradarai James Cameron

-          James Cameron membuat film bergenre drama di Australia

            Dalam mata kuliah Pengantar Kecerdasan Buatan script merupakan representasi pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman yang menggambarkan urutan peristiwa.

Terdapat enam elemen script, yaitu :

1.       Kondisi input, merupakan kondisi yang harus dipenuhi sebelum terjadi

2.       Track, yaitu variasi kemungkinan yang terjadi

3.       Prop, yaitu objek yang digunakan dalam suatu peristiwa

4.       Role, yaitu peran dalam suatu peristiwa

5.       Scene, yaitu adegan dalam suatu peristiwa

6.       Hasil, yaitu kondisi setelah terjadinya urutan peristiwa

Deskripsi logika

Deskripsi logika (deskripsi jamak logika) (logika) Salah satu keluarga bahasa representasi pengetahuan yang dapat digunakan untuk mewakili definisi konsep domain aplikasi (dikenal sebagai pengetahuan terminologi) dalam cara yang terstruktur dan formal dipahami dengan baik.

Penalaran dengan informasi default

Manusia memecahkan masalah melalui kombinasi antara fakta dan pengetahuan (knowledge). Penalaran (reasoning) adalah proses yang berhubungan dengan pengetahuan, fakta, dan strategi pemecahan masalah (problem solving) untuk mendapatkan konklusi/penyelesaian. Berbagai metode penalaran yang lazim adalah deduksi, induksi, abduktip, analogi, dan akal sehat, berikut ini penjelasan singkatnya.

Deduksi (deduction)

                Manusia menggunakan deduksi untuk mendapatkan informasi baru dari informasi yang sudah diketahui (pengetahuan) yang ada relasinya. Penalaran deduksi menggunakan fakta-fakta dari masalah yang ada dan pengetahuan umum yang sesuai yang pada umumnya berbentuk aturan (rules) atau implikasi (implications), jadi dari hal yang umum, dikenakan pada hal yang khusus, model deduksi adalah:

Fakta + Rule -> Efek dengan rule dalam bentuk:

If <cause/premise> then <effect/conclusion>

Jika <sebab/premis> Maka <akibat/konklusi>

Sebagai contoh:

Aturan/implikasi: Jika saya berdiri di hujan, maka saya akan basah.

Fakta/premis : saya berdiri di hujan

Konklusi : saya akan basah

                Penalaran deduksi sangat menarik secara logika dan merupakan teknik solusi masalah yang paling umum digunakan oleh manusia. Aturan inferensi (penyimpulan) yang disebut modus ponens adalah bentuk dasar dari penalaran deduksi dengan formula sbb.:

Jika A adalah benar, dan Jika A maka B adalah benar, maka B adalah benar

Induksi (Induction)

Manusia menggunakan induksi untuk mendapatkan kesimpulan umum (general conclusion) dari sekumpulan/himpunan fakta melalui proses generalisasi. Ini bagaikan transisi dari jumlah sedikit ke semua. Model induksi adalah:

Cause + Effect -> Rule

Proses induksi dijelaskan oleh Firebaugh (1988) sbb.

Untuk suatu himpunan objek X = {a,b,c,d, …}, jika sifat P adalah benar untuk a, dan jika sifat P adalah benar untuk b, dan jika sifat P adalah benar untuk c, …, maka sifat P adalah benar untuk semua X.

Sebagai contoh:

Fakta/premis : aluminium dipanaskan memuai

Fakta/premis : besi dipanaskan memuai

Fakta/premis : tembaga dipanaskan memuai

Konklusi : secara umum, semua besi bila dipanaskan akan memuai

Abduktip (Abductive)

Abduktip adalah bentuk deduksi yang memungkinkan menarik kesimpulan yang bersifat “plausible”. Plausible (masuk akal) adalah konklusi yang ditarik dari informasi yang tersedia, namun ada kemungkinan konklusi itu salah, jadi model abduktip adalah:

Jika B adalah benar, dan Jika A maka B adalah benar, maka A adalah benar?

Atau effect + rule -> cause

Sebagai contoh:

Aturan : Tanah basah jika hari hujan.

Fakta : Tanah basah.

Konklusi : Hari hujan?

                Jadi, diberikan fakta satu-satunya bahwa tanah basah, penyimpulan plausible menghasilkan konklusi hari hujan. Padahal, konklusi ini bisa salah, karena ada banyak hal yang menyebabkan tanah basah, misalnya seseorang siram-siram tanaman. Abduktip, sebagai salah satu metode penalaran, sering dipakai oleh dokter dalam mendiagnose pasien, maka diagnose dapat saja salah.

Analogi

                Manusia membentuk model mental tentang konsep melalui pengalaman. Manusia menggunakan model ini melalui penalaran analogi untuk membantu memahami suatu masalah/situasi. Mereka lalu menarik analogi diantara masalah dan model, mencari kesamaan dan perbedaan untuk dapat menyimpulkan.

Sebagai contoh:

                Misalkan seorang dokter yang sudah puluhan tahun praktek, maka pengalamannya dalam bentuk kasus-kasus sudah sedemikian banyaknya. Bila kasus-kasus tersebut dapat disimpan secara cerdik dalam database kasus, maka dapat dipergunakan untuk menyelesaikan masalah baru bagi pasien baru tanpa dokter itu hadir (otomasi). Pasien baru memasukan karakter berikut data-data (keluhan) dari sakitnya, kemudian sistem mencari kasus pasien lama yang serupa keluhannya untuk ditampilkan solusinya, yaitu obat beserta dosisnya. Pengalaman adalah guru terbaik, maka pengalaman perlu disimpan secara cerdik untuk memecahkan persoalan baru yang mirip!

Akal Sehat (Common-sense)

Lewat pengalaman, manusia belajar memecahkan persoalan secara effisien. Mereka menggunakan akal sehat untuk dengan cepat menarik kesimpulan. Akal sehat lebih cenderung berdasar pada kebijakan-kebijakan (judgments) yang baik daripada logika yang eksak. Contoh akal sehat adalah: Di suatu bengkel ditemukan suara klik-klik-klik dalam mesin sepeda motor, seorang montir yang berpengalaman, tanpa membongkar mesinnya, langsung dapat menyimpulkan bahwa ring piston pada silinder mesin itu perlu diganti. Pengetahuan akal sehat ini diperoleh dari pengalamannya mengerjakan banyak sepeda motor selama bertahun-tahun. Jenis pengetahuan seperti ini disebut sebagai heuristik (heuristic) atau rule-of-thumb. Akal sehat tidak menjamin ditemukannya solusi, namun ia menjamin kecepatan menemukan solusi.

Penalaran Tidak Monoton (non-monotonic)

Penalaran pada suatu masalah pada umumnya menggunakan informasi yang statis, artinya selama melakukan penyelesaian masalah, keadaan (nilai benar atau salah) bermacam fakta dianggap tetap konstan. Penalaran semacam ini disebut sebagai penalaran monoton (monotonic reasoning). Dalam beberapa masalah, ditemukan bahwa keadaan beberapa fakta (variabel) bersifat dinamis, sebagai ilustrasi adalah aturan sbb.:

IF Angin berhembus

THEN Kursi goyang akan berayun

Kemudian coba amati kejadian berikut, lalu apa yang terjadi dengan aturan diatas:

Hei, ada angin topan! -> ada Angin berhembus -> Kursi berayun

Seiring berlalunya angin topan, kita berharap kursi berayun. Namun, saat angin topan telah berlalu, kita berharap bahwa kursi sudah berhenti berayun. Namun sistem yang menggunakan penalaran monoton akan tetap menganggap bahwa kursi tetap berayun!

Manusia dengan ke enam inderanya tidak merasa sulit untuk mengikuti perubahan status informasi variabel yang dinamis. Bila terjadi perubahan yang dinamis, mereka dengan mudah menyesuaikan diri. Gaya penalaran semacam ini disebut penalaran yang tidak monoton. Untuk bidang AI, seperti expert system, dibutuhkan suatu sistem untuk memelihara kebenaran yang dinamis bila ingin melakukan penalaran yang tidak monoton.

Referensi :

http://studyres.com/doc/8559253/ontologi-dalam-penyebaran-knowledge-dan-rekayasa-b2b-net

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

http://handikap60.blogspot.co.id/2013/10/pengertian-proporsi-komposisi.html

http://gadung-gadung.blogspot.co.id/2010/01/pengetahuan-dan-keyakinan-beda-dan.html

https://ariesre.wordpress.com/2010/10/25/jaringan-sematik-dan-script/

http://pbsabn.lecture.ub.ac.id/2012/05/penalaran-manusia/

http://anggaradelta.blogspot.co.id/2017/10/pengetahuan-dan-penalaran-representasi.html#comment-form

Logika Order Pertama (First Order Logic)

Logika Order-Pertama (Logika Predikat)

sebuah bahasa formal yang digunakan di ilmu matematika, philosophy, bahasa dan ilmu computer. Disebut juga kalkulus predikat, merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi.

Sintaks: simbol atomik dari bahasa logika, dan aturan konstruksi bahasa yang baku, atau merupakan ekspresi non‐atomik (struktur simbol) dari sebuah logika. Sintaks akan menspesifikasikan simbol‐simbol dalam sebuah bahasa, dan bagaimana simbol dikombinasikan untuk membentuk kalimat. Dari sini terlihat bahwa fakta dalam dunia akan direpresentasikan melalui kalimat di dalam logika.

Semantik: arti dari simbol atomik dalam logika, dan aturan untuk mendeterminasikan arti dari ekspresi non‐atomik di dalam logika. Semantik menspesifikasikan fakta‐fakta dalam dunia yang direferensikan melalui sebuah kalimat. Dengan demikian, juga memberikan cara tentang bagaimana sebuah kebenaran didasari dengan artinya di dunia nyata. Sebuah fakta adalah klaim terhadap dunia, dan bisa bernilai salah atau benar.

Penggunaan FOL • Brothers are siblings "x,y Brother(x,y) Û Sibling(x,y) • One's mother is one's female parent "m,c Mother(c) = m Û (Female(m) Ù Parent(m,c)) • “Sibling” is symmetric "x,y Sibling(x,y) Û Sibling(y,x)

Logika proposisi merupakan ilmu dasar untuk mempelajari algortima dan logika, yang berperan sangat penting dalam pemrograman.

Inferensi pada logika proposisi dapat dilakukan dengan menggunakan resolusi. RESOLUSI adalah suatu aturan untuk melakukan inferensi yg dapat berjalan secara efisien dalam suatu bentuk khusus yg disebut  Conjunctive Normal Form (CNF).

Unifikasi adalah usaha untuk mencoba membuat dua ekspresi menjadi identik (mempersatukan keduanya) dengan mencari substitusi-substitusi tertentu untuk mengikuti peubah-peubah dalam ekspresi mereka tersebut.

Pengetahuan & Penalaran : (1) Agen Logika

Pengetahuan berbasis agen

Agen Berbasis Pengetahuan, Knowledge Base (KB) menyatakan apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB. Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB. Maka sebuah agen berbasis pengetahuan harus bisa mereprentasikan world, state, action, dst. Menerima informasi baru (dan meng-update representasinya). Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property). q Menyimpulkan action apa yang perlu diambil. 

Agen Berbasis Pengetahuan atau Knowledge Base (KB) merupakan Himpunan representasi fakta yang diketahui tentang lingkungannya. Tiap fakta disebut sebagai sentence. Fakta tersebut dinyatakan dalam bahasa formal sehingga bisa diolah, menambahkan sentence baru ke KB. Inference Engine merupakan menentukan fakta baru yang dapat diturunkan dari pengetahuan yang sudah ada dalam KB. 

Agen Berbasis Pengetahuan dalam representasi, agent dapat dipandang dari knowledge level. Apa saja informasi yang diketahui? Misal sebuah robot “mengetahui” bahwa gedung B di antara gedung A dan gedung C. Agent dapat dipandang dari implementation level Bagaimana representasi informasi yang diketahuinya? Logical sentence di_antara(gdB, gdA, gdC). Natural language “Gedung B ada di antara gedung A dan gedung C”. 

Agen Berbasis Pengetahuan, pilihan representasi berpengaruh terhadap apa yang bisa dilakukan inference engine. Pada pendekatan deklaratif programmer memberitahu agent informasi tentang environment. Kalau informasi kurang, agen bisa melengkapinya sendiri. Jika dibandingkan dengan pendekatan prosedural programmer secara eksplisit memrogram agen untuk bertindak. Sehingga bagaimana jika program tidak benar, maka akan besar kemungkinan menyebabkan kesalahan. 

Agen Berbasis Pengetahuan, permasalahannya adalah bagaimana representasi yang tepat, sehingga ada dua hal yang harus diperhatikan expressive bisa menyatakan fakta tentang environment, Tractable bisa mengolah/ memproses inference engine (dengan cepat). Knowledge merupakan power atau kekuatan dari pemrograman secara deklaratif. Representasi dan penalaran membentuk suatu Intelligence.

Logika

logika adalah istilah yang dibentuk dari kata logikosyang berasal dari kata benda logos. Kata logos, berarti sesuatu yang diutarakan, suatu pertimbangan akal (pikiran), kata, percakapan, atau ungkapan lewat bahasa. Kata logikos, berarti mengenal kata, mengenai percakapan atau yang berkenaan dengan ungkapan lewat bahasa. Dengan demikian, dapatlah dikatan bahwa logika adalah suatu pertimbangan akal atau pikiran yang diutrakan lewat kata dan dinyatakan dalam bahasa.

Logika Proposi

Logika merupakan studi penalaran yang secara khusus membahas apakah penalaran tersebut benar. Logika berfokus pada hubungan antara pernyataan- pernyataan yang dipertentangkan dengan isi pernyataan tertentu.

Metode logika digunakan dalam matematika untuk membuktikan teorema dan dalam ilmu computer untuk membuktukan bahwa program-program berjalan seperti yang diharapkan.

Kalimat yang bia benar bisa salah, tetapi tidak sekaligus keduanya, disebutProposisi (kalimat terbuka). Proposisi buasanya dinyatakan sebagai kalimat berita (bukan kalimat tanya, kalimat perintah, dan sebagainya).

Proposisi merupakan bangunan dasar dari teori logika. Biasanya proposisi dinyatakan dengan huruf kecil seperti p, q, r dan untuk mengkombinasikan Proposisi dengan proposisi lain, digunakan kata hubung seperti dan, atau. Kombinasi dari proposisi-proposisi disebut sebagai Proposisi Majemuk.

1.     Sintaks

Sintaks dalam suatu bahasa adalah sekumpulan aturan baku tentang bagaimana elemen-eleman bahasa tersusun secara gramatikal. Sintaks menspesifikasikan bagaimana susunan setiap kata dituliskan kedalam suatu kalimat.

2.    Semantik

Semantik dalam suatu bahasa adalah  menekankan pada makna atau arti yang terkandung dalam suatu pernyataan atau kalimat.

3.    INFERENSI

Misalkan kita diberikan beberapa proposisi, kita dapat menarik kesimpulan baru dari deret proposisi tersebut. Proses penarikan kesimpulan dari beberapa proposisi tersebut disebut sebagai inferensi (inference). Di dalam matematika distrik terdapat sejumlah kaidah inferensi, beberapa diantaranya adalah :

·         Modus Ponen atau law of detachment  menyatakan bahwa jika hipotesis p dan pada implikasi p -> q benar, maka konklusi q benar. 

·         Modus Tollen  kaidah ini didasarkan pada tautologi [~q ^ (p -> q) ] -> ~p.

·         Silogisme Hipotesis kaidah ini didasarkan pada tautologi [(p -> q) ^ (q -> r)] -> (p -> r).

·         Silogisme Disjungtif kaidah ini didasarkan pada tautologi [(p v q) ^ ~p] -> q.

·         Simplifikasi  kaidah ini didasarkan pada tautologi (p ^ q) -> p, yang dalam hal ini, p dan q adalah hipotesis, sedangkan p adalah konklusi.

·         Penjumlahan kaidah ini didasarkan pada tautologi p -> (p v q) .

·         Konjungsi kaidah ini didasarkan pada tautologi ((p) ^ (q)) -> (p ^ q) .

4.     Ekuivalen (Equivalence)

 Proposisi yang bernilai benar jika proposisi p dan q memiliki nilai kebenaran yang sama.Di dalam matematika diskrit ini secara simbolik, proposisi biasanya dilambangkan dengan huruf kecil seperti p, q, r  dan seperti ini permisalannya :

p : 6 adalah bilangan genap.

q : Soekarno adalah Presiden Indonesia yang pertama. 

r :  3+3 = 6

Untuk mendefinisikan p sebagai preposisi "6 adalah bilangan genap" , begitu dengan q dan r.

5.    Validitas dan Satisfiability

Dalam logika matematika , satisfiability dan validitas adalah konsep dasar dari semantik . Sebuah rumus adalah satisfiable apakah mungkin untuk menemukan interpretasi (Model ) yang membuat formula yang benar. Sebuah formula berlaku jika semua interpretasi membuat formula yang benar. Kebalikan dari konsep-konsep ini unsatisfiabilitydan ketidakabsahan, yaitu, formula adalah unsatisfiable jika tidak ada interpretasi membuat formula yang benar, dan tidak sah jika beberapa penafsiran tersebut membuat formula palsu. Keempat konsep terkait satu sama lain dengan cara yang persis analog dengan Aristoteles 's persegi oposisi .

 Pola penalaran (reasoning pattern) pada logika proposisi

Penalaran yaitu proses berfikir yang bertolak dari pengamatan indera atau observasi empirik yang menghasilkan sejumlah pengertian dan proposisi sekaligus. Penalaran erat kaitannya dengan penyimpulan, argumen dan bukti. Penyimpulamn dalam arti yang sebenarnya tidak mencakup aktivitas menemukan proposisi-proposisi disusun dalam premis., akan tetapi hanya memakai hubungan proposisi-proposisi dalam premis dan menentukan konklusinya.

1.      Resolusi

Strategi inferensi yang digunakan pada sistem logika untuk menentukan kebenaran dari suatu assertion (penegasan) `Metoda Resolusi mencoba untuk membuktikan bahwa beberapa teorema atau ekspresi sebagai proposisi P adalah TRUE, dengan memberikan sejumlahaksiomadarimasalahtersebut sejumlah aksioma dari masalah tersebut.

2.    Backward & Forward chaining

Backward Chaining  merupakan Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun pygg(p kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukupdalammakagunakanbackwardchaining cukup dalam, maka gunakan backward chaining.

Forward chaining Merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka prosesakanmengassertkonklusi proses akan meng-assert konklusi. Forward Chaining adalah data driven karena inferensi dimulai  dengan informasi yg tersedia dan baru konklusi diperoleh.

Inferensi proporsi yang efektif

1.     Algoritma 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).

2.    Algoritma Pencarian Lokal

Pencarian lokal berusaha untuk melakukan optimasi, misalnya dengan teknik Hill Climbing. Teknik Hill Climbing dapat digunakan untuk memecahkan persoalan yang memiliki banyak alternatif solusi untuk kemudian memilih solusi yang terbaik. Cara kerjanya dimulai dengan memilih solusi acak, kemudian dilakukan perubahan sedikit demi sedikit, setiap perubahan menghasilkan solusi yang lebih baik. Saat perubahan yang dilakukan tidak lagi mendapatkan solusi yang lebih baik, algoritma Hill Climbing akan berhenti mencari dan menentukan solusi terakhir sebagai solusi yang optimal. Contoh penggunaan Hill Climbing pada kecerdasan buatan adalah pencarian rute terbaik, dari berbagai kemungkinan rute yang ada.

Agen berbasis logika proposisi

Agen logika merupakan agen yang memiliki kemampuan bernalar secara logika. Ketika beberapa solusi tidak secara eksplisit diketahui, maka diperlukan suatu agen berbasis logika. Logika sebagai Bahasa Representasi Pengetahuan memiliki kemampuan untuk merepresentasikan fakta sedemikian sehingga dapat menarik kesimpulan (fakta baru, jawaban). Sedangkan pengetahuan merupakan komponen yang penting, sehingga terdapat perbedaan jika diterapkan pada dua agent, yakni problem solving agent dan knowledge-based agent.

Perbedaan dua agent, problem solving agent dan knowledge-based agent. Problem solving agent memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution (initial state, successor function, goal test) tetapi jika Knowledge-based agent lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai Hal-hal yang tidak diketahui sebelumnya (imprefect/ partial information). Tindakan yang paling baik untuk diambil (best action).

Referensi:
http://yogipratama97.blogspot.co.id/2016/10/pengenalan-logical-agents.html

http://ctatyasoctavianti.blogspot.co.id/2012/09/matematika-diskrit-logika.html

http://mochblack.blogspot.co.id/

http://raodhotulm.blogspot.co.id/2014/04/logika-dan-penalaran.html

https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwikudT9pObWAhXMfbwKHXYDBN0QFggrMAE&url=http%3A%2F%2Fblog.stikom.edu%2Fanjik%2Ffiles%2F2010%2F08%2Fteknik-inferensi.pdf&usg=AOvVaw1NW0-ZoOYxXIjVgpwxc14n

http://kadekdimas.blogspot.co.id/2015/12/algoritma-backtraking.html

http://syahrul-asyahrul.blogspot.co.id/2010/04/algoritma-pencarian.html

http://yogipratama97.blogspot.co.id/2016/10/pengenalan-logical-agents.html

PENCARIAN BERBENTUK /HEURISTIK SEARCH DAN EKSPLORASI

Strategi pencarian berbentuk/heuristic search stragegy

Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).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 mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness). Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik). Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Jenis-jenis Heuristic Searching :

1.     Greedy Best-First search

Greedy Best-First adalah algoritma best-first yang paling sederhana dengan hanya memperhitungkan biaya perkiraan (estimated cost) saja, yakni f(n) = h(n). Biaya yang sebenarnya (actual cost) tidak diperhitungkan. Dengan hanya memperhitungkan biaya perkiraan yang belum tentu kebenarannya, maka algoritma ini menjadi tidak optimal.

2.    A* search

A* adalah algoritma best-first search yang menggabungkan Uniform Cost Search dan Greedy Best-First Search. Biaya yang diperhitungkan didapat dari biaya sebenarnya ditambah dengan biaya perkiraan. Dalam notasi matematika dituliskan sebagai f(n)= g(n) + h(n). Dengan perhitungan biaya seperti ini, algoritma A* adalah complete dan optimal.

3.    SMA (Simplified Memory-Bounded A*)

SMA* adalah contoh dari sebuah mekanisme pencarian “lossy“. Dalam rangka untuk mengurangi konsumsi memori, hal ini membuang informasi, dengan asumsi bahwa informasi yang dibuang itu tidak penting. Bagaimanapun, tidak ada jaminan bahwa hal itu tidak penting. Dalam semua kasus dengan SMA*, jalur yang ditemukan tidak memiliki jaminan menjadi jalur yang optimal. Pada awal pencarian, node yang tidak menjanjikan bisa saja dibuang.

Menetapkan limit yang besar pada ukuran open list dapat membantu meringankan masalah ini, namun fungsi untuk mengurangi penggunaan memori menjadi terbuang. Pada kasus ekstrem yang lain, dengan memberi limit 1 simpul pada open list, ini bisa mempercepat sekaligus mengurangi penggunaan memori dalam pencarian, namun jalur yang ditemukan bisa tidak optimal .

Fungsi heuristic

Heuristic digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Algoritma pencarian lokal dan masalah optimisasi

1.     Hill Climbing Search

Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnyayang mungkin.

2.    Simulated Annealing Search

Simulated annealing adalah salah satu algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas  dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses annealing, memberikan kesempatan pada atom-atom dalam materi itu untuk bergerak secara bebas, mengingat tingkat energi dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana energi internal yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum.

3.    Local Beam Search

Local Beam Search adalah algoritma pencarian heuristik yang mengeksplorasi grafik dengan memperluas simpul yang paling menjanjikan dalam rangkaian terbatas. Penelusuran beam adalah optimalisasi pencarian terbaik pertama yang mengurangi kebutuhan memori. Pencarian terbaik pertama adalah penelusuran grafik yang memerintahkan semua solusi parsial (negara bagian) menurut beberapa heuristik yang mencoba memprediksi seberapa dekat solusi parsial dengan solusi lengkap (goal state). Tapi dalam pencarian balok, hanya sejumlah solusi parsial terbaik yang telah ditentukan dijaga sebagai kandidat.

4.    Genetic Algorithm

Genetic Algorithm (GA) adalah metaheuristik yang terinspirasi oleh proses seleksi alam yang termasuk dalam kelas yang lebih besar dari algoritma evolusioner (EA). Algoritma genetika biasanya digunakan untuk menghasilkan solusi berkualitas tinggi untuk optimasi dan masalah pencarian dengan mengandalkan operator terinspirasi bio seperti mutasi, crossover dan seleksi.

Agen pencarian online dan lingkungan yang tidak diketahui.

Agen cerdas adalah (intelligent agent) kian populer seiring dengan perkembangan internet. Berbagai nama lain yang juga menyatakan agen cerdas yaitu software agent, wizard, knowbot, dan softbot.

Russel dan norving (1995,  hal 31) mendefinisikan agent sebagai “segala sesuatu yang dapat dipandang menangkap lingkungan melalui efektor.” Sensor adalah bagian yang merangsang tindakan agen, sedangkan efektor adalah bagian yang di gunakan oleh agen untuk melakukan tindakan.

Agen yang berupa perangkat lunak, atau bisa disebut agen cerdas, adalah perangkat lunak yang dapat bertindak seperti orang yang mampu berinteraksi dengan lingkungan. Contoh:

·         Agen sistem operasi

·         Agen spreadsheet

·         Agen perdagangan elektronis

Agen sistem operasi digunakan untuk membantu penggunaan sistem operasi digunakan untuk membantu penggunaan sistem operasi. Contoh, microsoft memiliki sejumlah agen yang dinamakan wizard pada sistem operasi yang di buatnya; misalnya Windows NT. Agen ini digunakan antara lain untuk menambah nama pemakai, mengelola grup pemakai, dan manajemen berkas.

Agen spreadsheet digunakan untuk membuat program spreadsheet menjadi lebih mudah digunakan oleh pemakai. Contoh, Office  Assistant pada excel dapat “mengamati” pemakaidan jika terjadi sesuatu yang perlu untuk dibantu, agen cerdas akan memberikan saran. Agen untuk perdagangan elektronis digunakan untuk membantu pemakai yang akan melakukan belanja secara online.

Daftar Pustaka:

https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=10&cad=rja&uact=8&ved=0ahUKEwizyc-R9tHWAhWCqo8KHUwOC6IQFghhMAk&url=https%3A%2F%2Fdeisyamalia.files.wordpress.com%2F2012%2F03%2Fmakalah-ai.docx&usg=AOvVaw05Vt1vhNqP8qnlEu1qlv1t

http://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.html

https://duniait2016.wordpress.com/2016/02/26/metode-search-dalam-kecerdasan-buatan/

https://rinnooberta.wordpress.com/2013/10/29/pencarian-heuristik/

https://en.wikipedia.org/wiki/Beam_search

http://tekomp13unpad.blogspot.co.id/2013/09/kecerdasan-buatan.html