Garis besar topik
-
Pengenalan Kecerdasan Buatan : Definisi Kecerdasan Buatan, Kecerdasan Buatan dan Kecerdasan Alamiah, Komputasi Kecerdasan Buatan dan Komputasi Konvensional, Sejarah Kecerdanan Buatan, Lingkup Kecerdasan Buatan Pada Aplikasi Komersial, Bagian utama Aplikasi AI, Sistem Kecerdasan Buatan
-
Siswa harusTandai selesai
-
-
Apa Perbedaan Kecerdasan Buatan Dengan Kecerdasan Alami?
Dengan mensurvei sebagian besar studi tentang Kecerdasan Buatan versus Kecerdasan Manusia, Kecerdasan Manusia tidak ada duanya. Otak manusia memiliki kekuatan untuk menciptakan sesuatu dan menghasilkan jawaban atau solusi baru, sementara perangkat berbasis AI tidak dapat melakukannya. Namun, ada beberapa alasan untuk kehilangan AI saat mempertimbangkan perhitungan dan proses komputasi. Mengoperasikan sebagian besar proses jauh lebih mudah, efektif, dan efisien dengan menggunakan AI dalam situasi yang melibatkan orang-orang umum kecuali ahli dalam AI. Oleh karena itu AI telah mampu terlibat dengan banyak bidang di dunia. Pendidikan juga merupakan salah satu bidang yang dipengaruhi konsep AI secara positif. Khususnya dalam proses pendidikan sekolah. Aplikasi berbasis AI dapat digunakan untuk membuat perubahan dramatis di sektor Pendidikan. Karena merupakan cara termudah untuk memfokuskan dan menyasar generasi muda yang disambut di dunia teknologi.
-
-
Siswa harusTandai selesai
-
-
Materi kita kali ini akan membahas TEKNIK PENCARIAN & PELACAKAN BUTA yang terdiri dari :
ΓÇóKonsep PencarianΓÇóEmpat Teknik Pemecahan MasalahΓÇóTeknik ΓÇô Teknik PencarianΓÇóBreadth First Search : Pendahuluan, Algoritma, Keuntungan, Kelemahan, Analsis Ruang dan WaktuΓÇóDepth First Search : Pendahuluan, Algoritma, Keuntungan, Kelemahan, Analsis Ruang dan Waktu
-
-
Siswa harusTandai selesai
W2_Rio Kurniawan is inviting you to a scheduled Zoom meeting.
Join Zoom Meeting
https://us05web.zoom.us/j/86440016137?pwd=9LaZqbilEruxJZjz4VrFmTqJXm26Kb.1
Meeting ID: 864 4001 6137
Passcode: 9TqrGD -
Siswa harusTandai selesai
-
dianggap sebagai jalan pintas yang mengutamakan kecepatan daripada akurasi.Metode Pencarian HeuristikBeberapa metode pencarian heuristik yang umum digunakan meliputi:
- Generate and Test: Menghasilkan kemungkinan solusi dan mengujinya untuk melihat apakah solusi tersebut memenuhi kriteria yang diinginkan.
- Hill Climbing: Metode ini berusaha untuk mencapai solusi dengan terus bergerak ke arah yang lebih baik berdasarkan evaluasi saat ini.
- Best First Search: Memilih cabang yang paling menjanjikan berdasarkan fungsi heuristik untuk menemukan solusi dengan lebih efisien.
Aplikasi Pencarian Heuristik
Kelebihan
dan Kekurangan
tidak menjamin bahwa solusi yang ditemukan adalah yang terbaik atau optimal.
Dengan memahami pencarian heuristik, kita dapat lebih efektif dalam memecahkan masalah yang kompleks dan meningkatkan efisiensi dalam proses pencarian solusi. -
Masalah pencarian merupakan masalah yang umum diterapkan pada sistem berdasarkan Kecerdasan Buatan. Salah satu metode pencarian heuristik dalam terminology Kecerdasan Buatan yang cukup dikenal adalah Generate and Test. Travelling Salesman Problem (TSP) atau dipahami sebagai pencarian jalur terpendek sering diimplementasikan ke dalam dunia nyata
-
ΓÇóDefinisi Representasi PengetahuanΓÇóKategori RepresentasiΓÇóTeknik Representasi PengetahuanΓÇóLogikaΓÇóListΓÇóTree (Pohon)
-
-
BFS (Breadth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya
1. Pengertian BFS
Algoritma Breadth First Search adalah algoritma pencarian melebar yang dilakukan dengan mengunjungi node pada level n terlebih dahulu sebelum mengunjungi node-node pada level n+1. Algoritma BFS berbeda dengan DFS. Hal itu dapat dilihat pada gambar dibawah ini. Untuk penjelasan algoritma DFS akan dijelaskan di postingan selanjutnya.
Gambar 1. DFS dan BFS Cara kerja algoritma Breadth First Search yaitu masukkan simpul ujung ke dalam sebuah antrean kemudian ambil simpul dari awal antrean. Lakukan pengecekan apakah simpul awal merupakan solusi. Jika simpul merupakan solusi pencarian selesai dan hasil dikembalikan. Jika simpul bukan merupakan solusi, masukan seluruh simpul yang bertetangga dengan simpul tersebut. Apabila semua simpul sudah dicek dan antrean kosong, pencarian selesai dengan mengembalikan hasil solusi tidak ditemukan. Pencarian diulang dari simpul awal antrean.
2. Kelebihan dan Kekurangan BFS
a. Kelebihan BFS
- Tidak akan menemui jalan buntu.
- Jika ada satu solusi, maka BFS akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.
b. Kekurangan BFS
- Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon.
- Membutuhkan waktu yang cukup lama, karena akan menguji n level untuk mendapatkan solusi pada level ke-(n+1).
3. Contoh Penerapan BFS dalam Studi Kasus
Pencarian jarak terdekat Arad-Bucharest. Berikut ini adalah Peta Rumania.
Press enter or click to view image in full sizeGambar 2. Peta Rumania Dalam menyelesaikan kasus diatas, kita perlu membuat peta Rumania menjadi gambaran graph yang lebih sederhana. Berikut ini adalah gambaran peta Rumania dalam bentuk graph sederhana:
Gambar 3. Graph Peta Rumania Penyelesaian dengan BFS:
Algoritma Breadth First Search adalah algoritma pencarian melebar yang dilakukan dengan mengunjungi node pada level n terlebih dahulu sebelum mengunjungi node-node pada level n+1. Dalam penyelesaian kasus diatas, kita dapat menggambarkan graph diatas ke dalam bentuk Tree. Node paling kiri dimulai dari jarak tetangga terdekat yaitu Z (75) lalu berurutan ke S dan T.
Gambar 4. Tree untuk BFS Pada tree, tidak semua kota saya tuliskan. Contohnya yaitu kota D. Hal itu dikarenakan kota D tidak termasuk dalam perhitungan, dan berada di level 4. Berikut ini adalah gambaran penyelesaian pencarian kota Bucharest (B) menggunakan algoritma BFS.
Implementasi: Start (A), Goal (B)Gambar 5. Pencarian Jarak dengan BFS Penjelasan:
Pencarian rute dengan BFS, yaitu dengan mengecek setiap level mulai dari level n atau level 1, baru dilanjutkan ke level n+1 hingga target atau goalnya ditemukan. Meski demikian, yang dihitung pada akhirnya bukanlah jarak yang ditempuh selama mencari target, namun rute yang dipilih adalah rute yang terhubung ke target (yaitu A S F B). Oleh karena itu, BFS membutuhkan banyak memori untuk menyimpan semua simpul dalam satu pohon dan ini menjadi salah satu kekurangan BFS.
Dari hasil pencarian diatas, maka ditemukan jarak yang dipilih dari Arad ke Bucharest dengan menggunakan algoritma BFS adalah sebagai berikut:
Gambar 6. Hasil Pencarian Path = A > S > F > B
Path-cost = 140 + 99 + 211 = 450 KMItu tadi penjelasan seputar algoritma BFS dan contoh penyelesaian kasus,Semoga bermanfaat!
-
Siswa harusTandai selesai
-
Siswa harusTandai selesai
DFS (Depth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya
1. Pengertian DFS
Algoritma Depth First Search adalah algoritma pencarian mendalam yang dimulai dari node awal dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya.
Gambar 1. DFS dan BFS Cara kerja algoritma Depth First Search yaitu masukan masukan node akar kedalam sebuah tumpukan. Kemudian ambil simpul pertama pada level paling atas, jika simpul merupakan solusi pencarian selesai dan hasil dikembalikan. Jika simpul bukan merupakan solusi, masukan seluruh simpul yang bertetangga dengan simpul tersebut ke dalam tumpukan. Apabila semua simpul sudah dicek dan antrean kosong, pencarian selesai dengan mengembalikan hasil solusi tidak ditemukan. Pencarian diulang dari simpul awal antrean.
2. Kelebihan dan Kekurangan DFS
a. Kelebihan DFS
- Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan.
- Secara kebetulan, metode DFS akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.
b. Kekurangan DFS
- Jika pohon yang dibangkitkan mempunyai level dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).
- Jika terdapat lebih dari 1 solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).
3. Contoh Penerapan BFS dalam Studi Kasus
Pencarian jarak terdekat Arad-Bucharest. Berikut ini adalah Peta Rumania.
Press enter or click to view image in full sizeGambar 2. Peta Rumania Dalam menyelesaikan kasus diatas, kita perlu membuat peta Rumania menjadi gambaran graph yang lebih sederhana. Berikut ini adalah gambaran peta Rumania dalam bentuk graph sederhana:
Gambar 3. Graph Peta Rumania Penyelesaian dengan DFS:
Algoritma Depth First Search adalah algoritma pencarian mendalam yang dimulai dari node awal dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya. Dari Gambar 2. Graph Arad-Bucharest, selanjutnya kita dapat membuat Tree untuk melakukan penyelesaian kasus dengan algoritma DFS. Berikut ini adalah gambar tree untuk DFS yang sedikit berbeda dengan tree yang digunakan pada BFS.
Gambar 4. Tree untuk DFS Pada tree, tidak semua kota saya tuliskan. Contohnya yaitu kota yang tersambung dari node S dan T secara lengkap. Hal itu dikarenakan target B sudah ditemukan di anak paling kiri, dan pencarian berhenti disana. Sehingga pohon tengah dan pohon kanan tidak akan dilewati. Berikut ini adalah gambaran penyelesaian pencarian kota Bucharest (B) menggunakan algoritma DFS.
Implementasi: Start (A), Goal (B)
Gambar 5. Pencarian Jarak dengan DFS Penjelasan:
Pencarian rute dengan DFS, yaitu dengan melakukan pencarian mendalam yang dimulai dari node awal, dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya. Pada tree diatas, rupanya target terletak di anak terdalam paling kiri. Sehingga didapatkan rute berdasarkan algoritma DFS yaitu A Z O S F R.
Dari hasil pencarian diatas, maka ditemukan jarak yang dipilih dari Arad ke Bucharest dengan menggunakan algoritma DFS adalah sebagai berikut:
Gambar 6. Hasil Pencarian Path = A > Z > O > S > F > R
Path-cost = 75 + 71 + 151 + 99 + 211 = 607 KMKesimpulan:
Pada kasus ini, algoritma BFS dengan path-cost 450 KM rupanya lebih efisien dari DFS yang memiliki path-cost 607 KM. Namun pada kasus lainnya, bisa saja algoritma DFS lebih efisien, hal itu tergantung dari kasus itu sendiri.
-
-
-
Assalamu'alaikum Wr. Wb.
Pertemuan ke 9: Membahas Tentang Sistem Pakar
Wassallamualaikum Wr. Wb.
-
-
-
-
Machine learning (ML) adalah cabang dari Kecerdasan Buatan (AI) yang memungkinkan komputer untuk belajar dari data dan mengenali pola, tanpa perlu diprogram secara eksplisit. Komputer dilatih menggunakan sekumpulan data agar dapat membuat keputusan, prediksi, atau menghasilkan konten baru secara mandiri.
-
-
-
-
Algoritma Genetika (AG) adalah teknik pencarian dan optimasi dalam kecerdasan buatan yang meniru proses seleksi alam dan evolusi biologis. Algoritma ini memecahkan masalah kompleks dengan menghasilkan banyak solusi acak, menggabungkan solusi terbaik, dan menyaringnya dari generasi ke generasi hingga menemukan hasil paling optimal
-
-
AI yang Ditingkatkan (juga dikenal sebagai Peningkatan Kecerdasan atau AI Manusia-dalam-Loop) adalah model hibrida yang dirancang untuk meningkatkan kognisi dan produktivitas manusia, bukan untuk menggantikan pekerja manusia. Model ini mengandalkan AI untuk melakukan pekerjaan berat berupa analisis data dan tugas-tugas rutin, sementara manusia tetap memegang kekuasaan pengambilan keputusan akhir untuk penilaian yang kompleks dan empati
-
Artificial Neural Network (ANN) adalah model komputasi yang terinspirasi oleh cara kerja otak manusia. Secara sederhana, jaringan saraf tiruan adalah sebuah alat pemodelan non-linier yang dapat menangkap hubungan kompleks antara input dan output dalam data. Model ini terdiri dari banyak unit pemroses kecil (neuron buatan) yang saling terhubung dalam beberapa lapisan. Sama seperti otak biologis, ANN bersifat adaptif – strukturnya bisa berubah selama proses pembelajaran untuk memecahkan masalah berdasarkan informasi baru yang masuk. Penggunaan istilah “Jaringan Saraf Tiruan” (JST) menekankan analogi ini, karena setiap neuron buatan meniru tugas neuron biologis menerima sinyal, memproses, lalu meneruskan sinyal ke neuron lain.
-
