SEARCH LANJUTAN

SEARCH LANJUTAN

1. Masalah dan ruang masalah 

Untuk membuat system untuk menyelesaikan masalah terpisah, kita harus melakukan 4 hal sbb : 

1. Mendefinisikan masalah dengan tepat, meliputi definisi yg tepat tentang keadaan awal dan keadaan akhir sebagai solusi yang dapat diterima. 

2. Analisa masalah, beberapa fitur penting akan menentukan kelayakan dari beberapa teknik yang mungkin untuk menyelesaikan masalah. 

3. Membatasi dan menghadirkan pengetahuan yang diperlukan untuk menyelesaikan masalah 

4. Pilih teknik penyelesaian terbaik dan aplikasikan pada masalah.

2. Cara Merepresentasikan masalah 

Untuk membuat deskripsi formal dari permasalahan, harus dilakukan beberapa hal, diantaranya : 

1. Definisikan ruang stata yang memuat semua konfigurasi yg mungkin dari objek yang terkait (dan mungkin  beberapa yg tidak mungkin). Hal ini, tentu saja mungkin  untuk mendefiniskan ruang stata dengan jumlah stata  yang tidak terbatas. 

2. Tentukan satu atau beberapa stata yang menyatakan keadaan awal dari masalah, disebut initial states. 

3. Tentukan satu atau beberapa stata yang dapat diterima sebagai keadaan akhir (solusi), disebut goal states.

3. Konsep Pencarian

Beberapa metode/konsep search yang akan dipelajari :

1. Breadth-First-Search

2. Depth-Fisrt-Search

3. Generate-and-Test

4. Hill-Climbing

5. Best-First-Search 

Pencarian buta (1,2), pencarian heuristic (3,4,5)

4. Metode Pencarian Heuristik 

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 bodohdan memboroskan waktu.

a. Generate And Test (Pembangkit dan Pengujian) 

Teknik Generate-and-Test adalah teknik yang paling mudah di bandingkan teknik search yang lain, namun relatif lebih lama dalam mendapatkan solusi.

Algoritma Generate-and-Test :

1. Bentuk solusi yang mungkin. Untuk beberapa masalah, ini berarti membentuk poin terpisah dari area permasalahan. Pada masalah lain, ini berarti membentuk jalur dari stata awal. 

2. Lakukan test untuk melihat apakah poin yang ditemui adalah solusi dengan membandingkan poin yang dipilih atau poin terakhir dari jalur yang dipilih dengan kumpulan stata tujuan 

3. Jika solusi sudah ditemukan, quit. Jika belum kembali ke langkah 1.

b. Hill Climbing (Pendakian Bukit) 

Teknik Hill Climbing adalah pengembangan dari teknik Generate-and-Test, dengan penambahan adanya umpan balik dari prosedur test yang sudah digunakan untuk membantu memilih arah mana yang harus ditelusuri pada setiap area search. Pada prosedur Generate-and-Test yang murni, fungsi test hanya ditanggapi dengan Ya atau Tidak. Tetapi pada Hill￾Climbing fungsi test ditambahkan dengan fungsi heuristic atau fungsi objectif yang memungkinkan perkiraan seberapa dekat simpul yang ditelusuri terhadap goal state.

Hill-climbing sering kali digunakan jika fungsi heuristic yang baik tersedia untuk mengevaluasi stata, tapi ketika tidak ada lagi pengetahuan yang dapat digunakan. Sebagai contoh, anda berada disuatu kota yang belum pernah anda kunjungi tanpa memiliki peta. Tujuannya menuju gedung tertinggi yang terlihat dari tempat anda berada.

 Penyelesaian masalah diatas dimulai dengan meninjau karakteristik masalah, apakah solusi yang pertama ditemukan dapat diterima sebagai solusi yang baik ? (mutlak atau relatif ?) Karena tidak ada peta dan tidak ada pengalaman memilih jalan (tidak ada pengetahuan) maka dipilih saja jalan yang arahnya menuju solusi sampai kita tiba di tujuan tanpa mengulangi atau mencoba lagi jalur yang lain dan kita terima itu sebagai solusi terbaik (dgn mengabaikan kemungkinan lain). Jadi adalah masuk akal menerapkan hill-climbing ketika tidak ada alternatif yang dapat diterima untuk memilih atau menuju pada suatu stata.

c. Best-First-Search 

Teknik Best-First-Search adalah teknik search yang menggabungkan kebaikan yang ada dari teknik Depth-First-Search dan Breadth-First-Search. 

Tujuan menggabungkan dua teknik search ini adalah untuk menelusuri satu jalur saja pada satu saat, tapi dapat berpindah ketika jalur lain terlihat lebih menjanjikan dari jalur yang sedang ditelusuri. Untuk mendapatkan jalur yang menjanjikan adalah dengan memberikan skala prioritas pada setiap stata saat dihasilkan dengan fungsi heuristic.

Untuk menggunakan Best-First-Search, kita memerlukan dua daftar simpul, yaitu : 

1. OPEN

berisi simpul yang dihasilkan dari fungsi heuristic tapi belum dievaluasi, memilki antrian prioritas dimana elemen dengan prioritas tertinggi adalah yang memiliki nilai paling baik yang dihasilkan fungsi heuristic. 

2. CLOSED

berisi simpul yang sudah dievaluasi. Kita perlu tetap menyimpan simpul-simpul ini dalam memori jika kita ingin melakukan search pada Graph, sehingga jika kita menemui suatu simpul kita bisa memeriksa apakah simpul ini sudah pernah dieavaluasi atau belum

SEARCH

Rangkuman materi pertemuan 4 tentang Pencarian yang terdiri dari: 

1. Konsep Pencarian 

Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. 

Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state space). 

Ruang keadaan = merupakan suatu ruang yang berisi semua keadaan yang mungkin. 

Untuk mengukur perfomansi metode pencarian, terdapat empat kriteria yang dapat digunakan : 

- Completeness : Apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada? 

- Time complexity : Berapa lama waktu yang diperlukan? 

- Space complexity : Berapa banyak memori yang diperlukan 

- Optimality : Apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda?

2. Teknik Pencarian dan Penjelasannya 

Pada dasarnya ada dua teknik pencarian yang biasanya digunakan, yaitu:

1. Pencarian buta (Blind Search)

Pencarian buta merupakan sekumpulan prosedur yang 

digunakan dalam melacak ruang keadaan. Pencarian 

berlangsung sampai solusi terakhir ditemukan. Idenya 

adalah menguji seluruh kemungkinan yang ada untuk 

menemukan solusi. 

Pendekatan ini kurang efisien dan merupakan pemaksaan 

(brute force search) .Dalam memecahkan masalah yang 

sangat besar sejumlah keadaan baru muncul, sehingga 

alternatif yang perlu dipertimbangkan pun menjadi lebih 

banyak. Akibatnya diperlukan waktu yang lama untuk 

menemukan satu solusi.

3. Karakteristik Masalah

Pencarian heuristic adalah metode yang sangat umum yang dapat diterapkan dalam begitu banyak masalah, meliputi begitu banyak variasi teknik yang spesifik, dimana masing-masing efektif untuk penyelesaian masalah tertentu yang lebih spesifik. Untuk memilih metode mana (atau kombinasi metode mana) yang akan digunakan untuk menyelesaikan masalah, penting untuk menganalisa masalah pada beberapa dimensi kunci atau karakteristik, sebagai berikut :

•  Dapatkah masalah disederhanakan kedalam kelompok terpisah yang lebih kecil atau subprogram yang lebih mudah? 

•    Dapatkah satu tahap penyelesaian solusi diabaikan atau setidaknya tidak dilakukan jika terbukti tidak layak ? 

•    Apakah ruang lingkup masalah dapat diprediksi ?

•  Dapatkah dinyatakan sebuah solusi yang baik untuk penyelesaian masalah tanpa membandingkannya dengan solusi lain yang mungkin ? 

•  Solusi yang diinginkan adalah sebuah stata atau jalur menuju stata ?

•  Apakah sejumlah pengatahuan mutlak diperlukan untuk menyelesaikan masalah atau pengetahuan hanya diperlukan untuk membatasi pencarian ? 

• Dapatkah komputer yang diberikan permasalahan langsung memberikan solusi atau pemecahan masalah memerlukan interaksi antara komputer dan manusia ?

4. Teknik Search 

• Arah search

Dapat dilakukan :

Maju, bermula dari keadaan awal (start state)

Mundur, diawali dari keadaan tujuan (goal state)

• Topologi proses search

Ada dua macam penggambaran problem, yaitu dalam 

bentuk :

1. Pohon (tree)

2. Graf (graph) :Graf berarah dan Graf tidak berarah

5. Metode Breadth-First-Search 

Algoritma Breadth-First-Search :

1. Bentuk variabel dengan nama NODE-LIST dan jadikan sebagai initial state. 

2. Sampai goal state ditemukan atau NODE-LIST kosong, lakukan : 

a. ambil elemen pertama dari NODE-LIST, sebut E. jika NODE-LIST kosong, quit. 

b. Untuk tiap cara dimana tiap aturan(fungsi) dapat cocok dengan stata di E, lakukan : 

i. Gunakan aturan(fungsi) untuk menuju stata baru

ii. Jika stata baru adalah goal state, quit return stata ini

iii. Jika bukan, tambahkan stata baru di akhir NODE-LIST. 

Kebaikan dan Keburukan Breadth-First-Search

Kebaikan Breadth-First-Search :

• Breadth-First-Search tidak akan terjebak untuk menelusuri satu jalur tertentu saja 

• Jika solusi memang ada, maka dijamin Breadth-First-Search akan menemukannya.  

Keburukan Breadth-First-Search : 

• Memerlukan memori lebih besar karena harus menyimpan semua simpul dari tree yang ditelusuri 

• Harus menelusuri semua bagian tree pada level yang sama sebelum beralih ke level berikutnya.

6. Metode Depth-Fisrt-Search 

Algoritma Depth-Fisrt-Search :

1. Jika initial state adalah goal state, quit dan return success

2. Jika bukan, lakukan dibawah ini sampai dicapai sinyal success atau gagal 

    a. Tentukan successor, E dari initial state. Jika tidak ada lagi successor, maka sinyal gagal 

    b. Jalankan Depth-Fisrt-Search dengan E sebagai initial state

    c. Jika success dihasilkan, sinyal success. Jika tidak maka ulangi langkah 2

Kebaikan dan Keburukan Depth-First-Search

Kebaikan Depth-First-Search :

• Depth-First-Search memerlukan ruang memori lebih kecil karena hanya menyimpan simpul-simpul dari path/jalur yang sedang dikerjakan. 

• Dapat menemukan solusi tanpa menelusuri terlalu banyak ruang search. 

Keburukan Depth-First-Search :

• Ada kemungkinan terjebak pada satu jalur sampai terlalu jauh, bahkan selamanya, sebelum jalur tsb mendapatkan stata yang tidak lagi memiliki successor (buntu). 

• Mungkin menemukan jalur panjang ke solusi pada satu bagian dari tree, sementara jalur terpendek tersedia pada bagian lain tree yang belum ditelusuri

SISTEM KECERDASAN BUATAN

Rangkuman materi pertemuan 3 tentang Masalah dan Pemecahan Masalah yang terdiri dari: Sistem Kecerdasan Buatan 

1. Mendefinisikan Masalah 

   Untuk membuat deskripsi formal dari permasalahan, harus dilakukan beberapa hal, diantaranya :

1. Definisikan ruang stata yang memuat semua konfigurasi yg mungkin dari objek yang terkait (dan mungkin beberapa yg tidak mungkin). Hal ini, tentu saja mungkin
untuk mendefiniskan ruang stata dengan jumlah stata yang tidak terbatas.

2. Tentukan satu atau beberapa stata yang menyatakan keadaan awal dari masalah, disebut initial states

3. Tentukan satu atau beberapa stata yang dapat diterima sebagai keadaan akhir (solusi), disebut goal states

4. Tentukan sejumlah aturan yang menentukan aksi yang diperkenankan, hal ini mencakup beberapa hal sbb :
a. Apa asumsi non stata yang ditampilkan dalam deskripsi masalah non formal ? Akan menentukan yg termasuk dan tidak termasuk stata
b. Seberapa luas aturan harus dibuat ? Dapat menentukan aturan diberlakukan untuk stata mana saja
c. Berapa banyak pekerjaan yang diperlukan untuk menyelesaikan masalah harus disusun dan dimasukkan ke dalam aturan? Akan menentukan jumlah baris aturan

2. Sistem Produksi 

   Sistem produksi terdiri dari :

1. Sejumlah aturan, dimana tiap aturan memiliki sis kiri yang menyatakan bentuk yang dapat digunakan dan sisi kanan yang menyatakan hasil operasi jika aturan diaplikasikan.

2. Satu atau lebih pengetahuan/database yang berisi informasi apapun yang berkaitan dgn tiap masalah. Beberapa bagian database mungkin tetap sedangkan yang lain ditambahkan sesuai dengan masalah yang dihadapi. Informasi dalam database dapat tersusun dalam banyak cara berbeda.

Strategi kendali yang akan menentukan perintah dalam aturan yang mana yang akan dibandingkan dengan database dan cara menyelesaikan konflik yang muncul ketika ada lebih dari satu aturan yang cocok. 

4. Penggunaan aturan

3. Strategi Kendali 

Strategi kendali diperlukan untuk memutuskan aturan mana yang akan digunakan dalam lanjutan proses pencarian untuk mendapatkan penyelesaian masalah, hal ini akan semakin diperlukan jika terdapat lebih dari satu atau semakin banyak aturan yang mungkin untuk digunakan dalam tiap tahap proses. Pada akhirnya bagaimana keputusan dibuat akan mempengaruhi kecepatan dalam mendapatkan penyelesaian masalah. 

Syarat suatu strategi kendali yang baik adalah :

1. Menggerakkan stata (menjalankan proses) menuju solusi

2. Harus sistematik 

Kedua syarat itu akan melahirkan banyak metode pencarian

4. Contoh Kasus

 Contoh Kasus : Bejana Air

Diberikan dua bejana air, dengan kapasitas 4 liter dan 3 liter, yang keduanya tidak memiliki skala/batas ukuran. Ada sejumlah tak terbatas air yang dapat diisikan kedalam
bejana. Bagaimana cara mengisikan tepat 2 liter air ke dalam bejana berukuran 4 liter?

 Definisi ruang stata kasus Bejana Air
Definisi ruang stata untuk kasus bejana air dapat dinyatakan sebagai pasangan bilangan bulat 

  (x,y); x=0,1,2,3 atau 4 dan y=0,1,2 atau 3

Dimana x menyatakan volume air pada bejana 4 liter dan y menyatakan volume air pada bejana 3 liter.

Stataawal (initial state) : (0,0) dmn kedua bejana kosong

Stata akhir (goal state) : (2, n) dmn bejana pertama berisi 2 liter dan bejana kedua bisa berisi berapa saja.

 Sistem Produksi Bejana Air

1. Keadaan (yg mungkin) (x,y) If x <4 = Hasil(yg dilakukan)→ (4,y) = Arti, Penuhi bejana 4 liter

2. Keadaan (x,y) If y<3  = Hasil→ (x,3)  = Arti, Penuhi bejana 3 liter

3. Keadaan  (x,y) If x>0  = Hasil→ (x – d, y)  =  Arti, Tuang air dari bejana4 liter

4. Keadaan (x,y) If y>0  = Hasil→ (x, y – d)  = Arti, Tuang air dari bejana 3 liter

5. Keadaan (x,y) Ifx > 0  = Hasil → (0,y)  =  Arti, Kosongkan bejana 4 liter 

6. Keadaan (x,y) If y > 0  = Hasil→ (x,0)   = Arti, Kosongkan bejana 3 liter 

7. Keadaan (x,y) Ifx+y>4 and y>0  = Hasil→ (4, y-(4-x))  = Arti, Tuang air dari bejana 3 liter ke bejana 4 liter sampai bejana 4 liter penuh 

8. Keadaan (x,y) Ifx+y>3 and x>0  = Hasil→ (x-(3- y),3)   = Arti, Tuang air dari bejana 4 liter ke bejana 3 liter sampai bejana 3 liter penuh

9. Keadaan (x,y) Ifx+y<4 and y>0   = Hasil→ (x+y,0)   = Arti, Tuang semua air dari bejana 3 liter ke bejana 4 liter 

10. Keadaan (x,y) Ifx+y<3 and x>0   = Hasil→ (0,x+y)  = Arti, Tuang semua air dari bejana 4 liter ke bejana 3 liter 

11. Keadaan (0,2)   = Hasil→ (2, 0)   = Arti, Tuang 2 liter air dari bejana 3 liter ke bejana 4 liter 

12. Keadaan (2,y)  = Hasil → (0,y)   = Arti Buang 2 liter air dari bejana 4 liter

Penyelesaian Kasus Bejana Air

Operator => IsiBejana 4 ltr => Isi Bejana 3 ltr

      -           =>             0            =>              0

     2           =>             0            =>              3

     9           =>             3            =>              0

     2           =>             3            =>              3

    7            =>             4            =>              2

5 atau 12 =>             0             =>             2

9 atau 11 =>             2             =>             0

Hasil Analisa Masalah

Permasalahan dapat dipecahkan dengan menggunakan aturan produksi yang dikombinasikan dengan pendekatan strategikendali untuk menelusuri ruang masalah sampai ditemukan jalur dari initial state ke goal state. Sehingga proses pencarian menjadi penting untuk menyelesaikan masalah. Pencarian adalah mekanisme umum yang dapat digunakan ketika tidak ada metode langsung lain yang  diketahui.

Teknik, Model & Kriteria Sukses Potensi Manusia dalam Pemprograman

 ARTIFICIAL INTELLIGENCE

 

 

Sedikit rangkuman dari pertemuan -2 tentang Teknik, Model & Kriteria Sukses Potensi Manusia dalam Pemprograman

Teknik Artificial Intelligence

Para pengembang AI berpegang kepada prinsip bahwa akan ada teknik penyelesaian untuk setiap permasalahan yang berbeda, dimana teknik itu akan didasari kapada kemampuan untuk memanipulasi symbol (create, modification, reproduction dan destruction).

Hal lain yang harus dipahami adalah bahwa kecerdasan memerlukan pengetahuan, dimana pengetahuan memiliki karakteristik antara lain :

•    sangat luas

•    sulit didefinisikan dengan tepat

•    selalu berubah

•    dapat memiliki arti berbeda tergantung kapan digunakan

 

Beberapa teknik AI dapat dikategorikan secara umum kedalam beberapa kelompok, diantaranya : 1.    Search (Pencarian) menyediakan cara penyelesaian masalah untuk kasus dimana bila tidak ada lagi pendekatan langsung yang dapat digunakan maka pindahkan kerangka kerja kpd teknik langsung yang mungkin untuk dilekatkan. 

2.   Use of Knowledge (Penggunaan Pengetahuan) menyediakan cara penyelesaian masalah yang lebih kompleks dengan mengekploitasi struktur dari objek yang terkait dengan masalah tsb. 

3.      Abstraction  menyediakan cara untuk memilah/memisahkan keterangan dan variasi yang penting dari sekian banyak yang tidak penting dimana akan mempercepat penyelesaian masalah.

 

 Model dan Contoh Artificial Intelligence

 Jaringan Saraf Tiruan

    Aktifial Neural Networks (ANNs), atau koneksionis sistem, adalah sistem samar-samar terinspirasi oleh komputasi jaringan saraf biologis yang merupakan hewan otak . Sistem seperti itu "belajar" untuk melakukan tugas dengan mempertimbangkan contoh, umumnya tanpa diprogram dengan aturan khusus tugas.

Pohon Keputusan

Pembelajaran pohon keputusan menggunakan pohon keputusan sebagai model prediksi  untuk beralih dari pengamatan tentang suatu item (diwakili di cabang) ke kesimpulan tentang nilai target item (diwakili di daun). Ini adalah salah satu pendekatan pemodelan prediktif yang digunakan dalam statistik, penggalian data, dan pembelajaran mesin. Model pohon di mana variabel target dapat mengambil sekumpulan nilai diskrit disebut pohon klasifikasi; dalam struktur pohon ini, daun mewakili label kelas dan cabang mewakili hubungan fitur yang mengarah ke label kelas tersebut. Pohon keputusan di mana variabel target dapat mengambil nilai kontinu (biasanya bilangan real) disebut pohon regresi. Dalam analisis keputusan, pohon keputusan dapat digunakan untuk merepresentasikan keputusan dan pengambilan keputusan secara visual dan eksplisit . Dalam data mining, pohon keputusan mendeskripsikan data, tetapi pohon klasifikasi yang dihasilkan dapat menjadi masukan untuk pengambilan keputusan.

Mesin pendukung-vektor

Mesin vektor dukungan (SVM), juga dikenal sebagai jaringan vektor dukungan, adalah sekumpulan metode pembelajaran yan diawasi terkait yang digunakan untuk klasifikasi dan regresi. Dengan adanya sekumpulan contoh pelatihan, masing-masing ditandai sebagai milik salah satu dari dua kategori, algoritme pelatihan SVM membuat model yang memprediksi apakah contoh baru termasuk dalam satu kategori atau yang lain. Algoritma pelatihan Sebuah SVM adalah non probalistik , biner , classifier linier, meskipun metode seperti Platt skala yang ada untuk digunakan SVM dalam pengaturan klasifikasi probabilistik. Selain melakukan klasifikasi linier, SVM dapat secara efisien melakukan klasifikasi non-linier menggunakan apa yang disebut trik kernel , secara implisit memetakan input mereka ke dalam ruang fitur berdimensi tinggi.

Ilustrasi regresi linier pada kumpulan data.

Regression Analysis

Regression Analysis mencakup berbagai macam metode statistik untuk memperkirakan hubungan antara variabel input dan fitur terkaitnya. Bentuknya yang paling umum adalah regresi linier , di mana satu garis digambar agar paling sesuai dengan data yang diberikan menurut kriteria matematika seperti kuadrat terkecil biasa . Yang terakhir ini sering diperluas dengan metode regularisasi (matematika) untuk mengurangi overfitting dan bias, seperti dalam regresi ridge . Saat menangani masalah non-linier, model masuk menyertakan regresi polinomial(misalnya, digunakan untuk penyesuaian garis tren di Microsoft Excel), regresi logistik (sering digunakan dalam klasifikasi statistik ) atau bahkan regresi kernel , yang memperkenalkan non-linearitas dengan memanfaatkan trik kernel untuk secara implisit memetakan variabel masukan ke ruang berdimensi lebih tinggi.

Jaringan Bayesian

Sebuah jaringan Bayesian, jaringan keyakinan, atau diarahkan model grafis asiklik adalah probabilistik model grafis yang mewakili satu set variabel acak dan mereka kemerdekaan bersyarat dengan rgafik asiklin diarahkan {Directed Acyclic Graph (DAG)}. Misalnya, jaringan Bayesian dapat mewakili hubungan probabilistik antara penyakit dan gejala. Dengan gejala yang diberikan, jaringan dapat digunakan untuk menghitung kemungkinan adanya berbagai penyakit. Ada algoritma yang efisien yang melakukan inferensi dan pembelajaran. Jaringan Bayes yang memodelkan urutan variabel, seperti siyal ucapan atau urutan protein, disebut jaringan bayesian dinamis. Generalisasi jaringan Bayesian yang dapat mewakili dan memecahkan masalah keputusan di bawah ketidakpastian disebut diagram pengaruh.

Algoritma genetik

Algoritma genetika (GA) adalah algoritma pencarian dan teknik heuristik yang meniru proses seleksi alam, menggunakan metode seperti mutasi dan persilangan untuk menghasilkan genotipe baru dengan harapan menemukan solusi yang baik untuk masalah tertentu. Dalam pembelajaran mesin, algoritma genetika digunakan pada 1980-an dan 1990-an. Sebaliknya, teknik pembelajaran mesin telah digunakan untuk meningkatkan kinerja algoritma genetik dan evolusi.

 

Tingkatan Model 

 

Usaha untuk membuat program yang menyajikan cara manusia menyelesaikan masalah dapat dibagi kedalam dua kelas, yaitu :

 

Program kelas pertama mencoba menyelesaikan masalah dengan cara yang tidak persis benar dengan definisi kita tentang AI. Program yang termasuk kelas ini menggunakan algoritma dan mekanisme yang mudah dan sederhana untuk dilakukan oleh komputer tetapi biasanya sulit dan tidak menarik untuk dilakuakan oleh manusia.

  

Contoh program dalam kelas ini adalah Elementary Perceiver and Memorizer (EPAM) [Feigenbaum, 1963] yang dapat mengingat pasangan terkait dari suku kata, dimana bila dimasukkan satu suku kata komputer tinggal mencarinya dalam memori kata mana yang mengandung suku kata yang dimaksud, yang pertama kali ditemukan maka itulah jawabannya, bagi manusia tidak semudah itu karena manusia selalu berfikir tentang arti dari kata yang dimaksud sesuai dengan konteks, sehingga masalah spt ini tidak menarik bagi manusia dan jarang dilakukan, namun hal semacam ini sering dilakukan dalam psychotest untuk mengetahui kemampuan mengingat seseorang.

   

Program kelas kedua berupaya memodelkan kemampuan manusia dalam melakukan sesuatu, yang berarti program pada kelas ini lebih mendekati kepada definisi tentang AI, yang berarti menjadi tidak mudah bagi komputer.

Beberapa alasan dibuatnya model seperti ini al:

1.    Untuk membuktikan teori psychology tentang kemampuan manusia. Contohnya adalah program PARRY yang ditulis Colby, 1975, yang mengekploitasi perilaku paranoid manusia berdasarkan percakapan yang dilakukan, sehingga dengan menganalisa hasil percakapan, seorang psycholog dapat menyimpulkan apakan sesorang termasuk paranoid atau tidak. 

2.    Untuk membuat komputer mengerti alasan manusia. Contohnya, membuat komputer dapat membaca/ mengerti berita di koran dan menjawab pertanyaan spt “mengapa buruh mogok kerja ?”, program semacam ini harus dapat mensimulasi proses pengambilan alasan yang dilakukan manusia.

 3.   Untuk membuat manusia mengerti alasan komputer. Dalam banyak keadaan manusia enggan percaya pada output komputer kecuali dapat dimengerti bagaimana mesin mendapatkan hasil spt itu. Jika proses pengambilan alasan yg digunakan komputer sesuai dgn cara manusia maka akan lebih mudah untuk mendapatkan penjelasan yang dapat diterima.  

4.   Untuk mengekploitasi pengetahuan apa yang dapat kita kumpulkan dari manusia.

Selama disepakati bahwa manusia mamiliki kemampuan terbaik dalam menyelesaikan masalah, hal ini membuat banyak keinginan untuk melihat manusia sebagai petunjuk untuk menemukan cara untuk menyelesaikan masalah atau memproses suatu pekerjaan. Hal ini juga akan memotivasi para pengembang AI untuk terus memproduksi mesin yang bertingkah laku cerdas dengan meniru manusia.

 

 

Kriteria Sukses 

 

Tahun 1950, Alan Turing memperkenalkan metode untuk menentukan apakah sebuah mesin dapat berpikir, yang kemudian dikenal dengan sebutan Turing Test. Untuk melakukan test ini diperlukan 2 orang dan 1 mesin. Satu orang bertindak sebagai penanya yang berada pada tempat terpisah dengan orang kedua dan mesin. Penanya

dapat bertanya kepada orang kedua atau mesin dengan mengetikkan pertanyaannya dan menerima jawaban dalam bentuk ketikkan juga. Penanya tidak tahu yang mana orang yang mana mesin hanya si A dan si B, yang dilakukan oleh penanya dengan pertanyaan adalah menentukan mana yang orang, mana yang mesin. Tujuan dari test ini adalah mengelabui sipenanya sehingga menganggap mesin sebagai orang, caranya adalah membuat mesin tidak selalu menjawab benar dan menunda waktu menjawab.

Jika sang penanya akhirnya menyatakan mesin sebagai orang, maka dapat dikatakan mesin berhasil melewati test, dan dapat dinyakan bahwa mesin dapat berpikir.

Perlu waktu cukup lama dan perlu beberapa kali test dan perbaikan sampai akhirnya mesin ini dapat melewati test ini, namun hal yg menarik dari Turing Test ini adalah bahwa yang diperlukan oleh mesin untuk lulus test ini bukan jawaban yang benar atau tepat untuk tiap pertanyan sehingga mesin tidak harus menjadi lebih cepat dan lebih benar dalam menjawab setiap pertanyaan untuk dinyatakan sebagai orang (cerdas) atau dapat berpikir.

 

  

Potensi Manusia 

 1. Potensi kecerdasan

Kecerdasan Spiritual  

Kecerdasan Logika - Matematika Kecerdasan Intrapersonal 

Kecerdasan Musikal 

Kecerdasan Natural

Kecerdasan Badan (Body) -Kinestetik

Kecerdasan Interpersonal 

Kecerdasan Linguistik – Auditorial  

Kecerdasan Spasial - Visual

 

2. Potensi Diri 

 

     Terdiri dari empat elemen, yakni

- Menerima diri

- Merumuskan cita-cita 

- Berinteraksi dengan lingkungan

- Mencari dan menciptakan pengalaman baru 

 

 

 

 

 

3. Membangun Potensi Diri