WATER JUG

}  Pendahuluan

Bab ini menjelaskan mengapa intelijensia buatan (artificial intelligence) menjadi subyek yang pantas dan berguna untuk dipelajari, dan di sini kita mencoba untuk memberikan definisi intelijensia buatan secara tepat sebelum kita mulai belajar intelijensia buatan. Manusia mempunyai kapasitas mental dan pikiran yang sangat penting dalam kehidupannya. Bidang intelijensia buatan berusaha untuk memahami entitas-entitas cerdas.

}  Thinking Humanly : The cognitive modeling approach.

1. Melalui introspeksi: mencoba menangkap pemikiran-pemikiran kita sendiri pada saat kita berpikir. Tetapi seorang psikolog Barat mengatakan: “how do you know that you understand?”. Bagaimana anda sadar bahwa anda sedang sadar? Karena pada saat anda menyadari pemikiran anda, ternyata pemikiran tersebut sudah lewat dan digantikan kesadaran anda.

 2. Melalui eksperimen-eksperimen psykologi.

}  Acting Humanly: The Turing test approach.

Alan Turing (1950) merancang suatu ujian bagi komputer berintelijensia apakah mampu mengelabuhi seorang manusia yang menginterogasi komputer tersebut melalui teletype. Jika interrogator tidak dapat membedakan apakah yang diinterogasi adalah manusia atau komputer, maka komputer berintelijensia tersebut lolos dari Turing test. Komputer tersebut perlu memiliki kemampuan: Natural Language Processing, Knowledge Representation, Automated Reasoning, Machine Learning, Computer Vision, Robotics. Turing Test sengaja menghindari interaksi fisik antara interrogator dan komputer karena simulasi fisik manusia tidak memerlukan intelijensia.

}  Thinking Rationally: The laws of thought approach.

Terdapat dua masalah dalam pendekatan ini, yaitu:

 1. tidak mudah untuk membuat pengetahuan informal dan menyatakannya dalam formal term yang diperlukan oleh notasi logika, khususnya ketika pengetahuan tersebut memiliki kepastian kurang dari 100%.

2. Terdapat perbedaan besar antara dapat memecahkan masalah “dalam prinsip” dan dan juga memecahkannya dalam praktek.

}  Acting Rationally: The rational agent approach.

Membuat inferensi yang benar kadang-kadang merupakan bagian dari suatu rational agent, karena satu cara untuk melakukan aksi secara rasional adalah menalar secara logika untuk mendapatkan kesimpulan bahwa aksi yang diberikan akan mencapai tujuan, dan kemudian melakukan aksi atas kesimpulan tersebut. Dalam buku ajar ini, kita akan menggunakan pendekatan rational agent. Hal ini akan mebatasi bahasan kita pada teknikteknik rasional pada intelijensia buatan. Sedangkan aksi dan pikiran manusia yang diluar rasio (refleks dan intuitif) belum dapat ditirukan oleh komputer.

Teknik Pencarian

Masalah untuk membangun sistem berbasis AI yaitu cara mengkonversikan situasi ke dalam situasi lain yang diinginkan dengan operasi tertentu

}  A Water Jug Problem

Anda diberi dua buah gelas, yang satu ukuran 4 galon dan yang lain 3 galon. Kedua gelas

tidak memiliki skala ukuran. Terdapat pompa yang dapat digunakan untuk mengisi gelas dengan air. Bagaimana anda mendapatkan tepat 2 galon air di dalam gelas 4 ukuran galon?

Ruang masalah untuk masalah di atas dapat digambarkan sebagai himpunan pasangan bilangan bulat (x,y) yang terurut, sedemikian hingga x = 0, 1, 2, 3, atau 4  dan y = 0, 1, 2, atau 3; x menyatakan jumlah air dalam gelas ukuran 4 galon, dan y menyatakan jumlah air dalam gelas ukuran 3 galon. Keadaan mula-mula adalah (0,0). State tujuan adalah (2,n) untuk setiap nilai n.

}  Breadth-First Search (BFS)

Pencarian dilakukan pada semua node dalam setiap level secara berurutan dari kiri ke kanan. Jika pada satu level belum ditemukan solusi, maka pencarian dilanjutkan pada level berikutnya. Demikian seterusnya sampai ditemukan solusi. Gambar ini mengilustrasikan pembangkitan pohon BFS untuk masalah Water Jug.

}  Uniform Cost Search (UCS)

Konsepnya hampir sama dengan BFS, bedanya BFS menggunakan urutan level dari yang paling rendah sampai yang paling tinggi. BFS adalah juga UCS jika harga g(n) = DEPTH(n). Syarat yang harus dipenuhi oleh pohon UCS: g(SUCCESSOR(n)) >= g(n) untuk setiap node n.

}  Depth-First Search (DFS)

Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori.

}  Kelebihan DFS adalah:

• Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan.

• Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat. 

}  Kelemahan DFS adalah:

• Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).

• Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).

}  Depth-Limited Search (DLS)

Mengatasi kelemahan DFS (tidak complete) dengan membatasi kedalaman maksimum dari suatu jalur solusi. Jika batasan kedalaman terlalu kecil, DLS tidak complete.

}  Iterative-Deepening Depth-First Search (IDS)

Merupakan metode yang berusaha menggabungkan keuntungan BFS (Complete dan Optimal) dengan keuntungan DFS (Space Complexity yang rendah).

}  Bi-Directional Search

Pada setiap iterasi, pencarian dilakukan dari dua arah: dari node asal (start) dan dari node tujuan (goal).