Pengenalan Logical Agents

Logical Agents
Logic merupakan jantung dari program, para pemrogram mempunyai keyakinan bahwa sebuah computer dapat dibuat mengerti logika, maka computer dapat dibuat untuk berfikir, karena logika kelihatannya menjadi inti dari kecerdasan.
1  Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible
2  Kita membutuhkan agen yang dapat menambah pengetahuan dan menyimpulkan keadaan
3  Agent yang akan membantu seperti ini kita beri nama knowledge based agent

Knowledge based agent
Komponen utama dari knowledge based agent adalah knowledge basenya. Knowledge base (KB) adalah kumpulan representasi fakta tentang lingkungan atau dunia yang berhubungan atau menjadi daerah bekerjanya agen. Setiap representasi dalam KB disebut sebagai sebuah sentence yang diekspresikan dalam sebuah bahasa yakni knowledge representation language

1  Representasi Pengetahuan yang bersifat general.
2  Kemampuan beradaptasi sesuai temuan fakta.
3  Kemampuan menyimpulkan sesuatu dari pengetahuan yang sudah ada.

Syarat Representasi KB:
1  Representational Adequacy
kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya
2  Inferential Adequacy
kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi
3  Inferential Efficiency
kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam inferensi
4  Acquisitional Efficiency
kemampuan untuk menambah informasi baru secara mudah.

Pengetahuan yang dimiliki agent tidak berguna jika ia tidak melakukan apapun Karenanya kita perlu menambahkan aturan agar dia dapat bergerak (complete the knowledge base).

Beberapa tahapan yang dilakukan dalam menyusun knowledge based agent:

ž Untuk dapat menyusun sebuah knowledge based agent maka kita harus terlebih dulu bisa menyusun knowledge basenya itu sendiri.
ž
 Untuk menyusun knowledge base kita perlu menentukan bagaimana cara kita merepresentasikan pengetahuan kita (knowledge representation)
ž
 Knowledge representation kita harus merupakan bentuk yang mudah disimpan dan digunakan pada komputer. Dalam perkuliahan ini kita menggunakan beberapa macam knowledge representation language

Propositional Logic.
Proposional logic berupa kalimat-kalimat lengkap dari fakta atau kenyataan, atau bisa dikatakan sebuah propositional logic bisa merupakan sebuah proposisi adalah kalimat yang berbentuk dengan sendirinya, apakah kalimat itu bernar atau kalimat itu salah. Propositional logic merupakan operator-operator untuk menghubungkan proposisi-proposisi dalam bentuk, ungkapan dan ekspresi, sebagai kata penyambung logika

Predicate Calculus
Predicate calculus kadang disebut predicate logic adalah penyederhanaan ektensi.

Perbedaan dasar antara predicate logic dan propositional logic adalah, pemisahan attribute dari objek yang kemungkinan mailik attribute, yaitu dalam predicate calculus dimungkinkan untuk membentuk sebuah fungsi yang menentukan kesulitan sebuah objek yang diberikan. Dalam propositional logic, kita harus membentuk kalimat baru untuk setiap kasus.

Walaupun bentuk dari propotional logic dasar untuk kecerdasan dan bahasa computer, tetapi kita tidak dapat menggunakan bentuk ini dengan sendirinya untuk menyatakan pengetahuan manusia di dunia, karena bentuk ini kurang mampu untuk menunjukan hubungan antar-objek, bentuk ini terbatas hanya untuk penentuan kebenaran atau kesalahan dari sebuah contoh yang diberikan dan tidak dapat digunakan pada klasifikasi tertentu. Satu hal yang penting bahwa pradicate dapat memiliki beberapa argument. Kesimpulan dikatakann mengikuti secara logika dari dasar pikiran dan tergantung dari proposisi merupakan karakter monotic dari propositional dan predicate calculus.

Sebuah jalan yang tepat untuk menggambarkan persamaan logika dari jenis ini adalah sekumpulan production rules (yang mengkombinasikan dalam sebuah rule; forward dan backward) untuk memecahkan persoalan dalam propositional calculus. Untuk membuktikan sebuah ekspresi Q dari pemberian sebuah wff tunggal. Persamaan adalah langkah-langkah dalam sebuah agrumen gabungan dan setiap langkah adalah valid (benar)

Predicate calculus mempunyai keunggulan dalam pendefinisian sematik (arti kata), dan memiliki pembuktian kebenaran peraturan-peraturan kesimpulan dengan baik (inference rule). Dan predicate calculus juga merupakan salah satu dari skema yang digunakan dalam presentasi pengetahuan.
Dua perbedaan dalam symbolic logic:
1. propotional logic, bertransaksi atau berhubungan dengan nilai kebenaran atau kesalahan dari sebuah peryataan atau fakta yang ada di sekitar sekeliling kita.
2. predicate calculus, memasukan hubungan antara objek-objek dan kelas-kelas dari objek.

Karena itu, sistem formal yang memanipulasi kalimat-kalimat standar menurut ketentuan (rule) yang dispesifikasikan dengan baik dan mengizinkan beberapa jenis dari kesimpulan yang dibuat. Sebuah system merupakan kombinasi dari proposional logic atau proposonal calculus.
Agent harus memiliki kemampuan:
1. mewakili suatu kondisi, tindakan dll.
2. menerima masukan presepsi-presepsi baru
3. update representasi yang mendunia
4. mengambil kesimpulan dari property dunia yang tersembunyi
5. mengambil keimpulan dari suatu tindakan-tindakan yang tepat

Beberapa Jenis Logical Agents
Agen teknologi Logika membedakan dirinya dengan kesederhanaan, fleksibilitas dan kemampuan memperingatkan terintegrasi. Dengan fasilitas layanan mandiri yang sederhana, Agen Logic “RulePoint” dirancang untuk pengguna bisnis untuk menentukan aturan untuk peristiwa dan tindakan terkait. Dengan sifatnya yang fleksibel, Agen Logic “RuleCast” memungkinkan pengembang untuk membuat acara aturan Pengolahan Streaming untuk satu set beragam sumber data seperti antrian pesan, database, feed telemetri dan sistem kontrol. Selain itu, dengan kemampuan memperingatkan terintegrasi, Agen Logic ”Real-Time” memberikan intelijen tepat waktu mengenai peluang dan ancaman yang diidentifikasi oleh RulePoint. Bersama-sama, dengan arsitektur-event, portofolio produk Logic Agen memungkinkan organisasi untuk meraih kelincahan yang lebih besar.
Kombinasi Agen Logika dan Informatika akan memajukan teknologi kepemimpinan Informatika dalam dua cara yang mendasar. Pertama, kombinasi Agen Logic Kompleks Event Pengolahan dan Platform Informatika memungkinkan jenis lain dari proyek integrasi data yang lebih luas. Kedua, kombinasi dari Agen Logic Kompleks Event Pengolahan dan Informatica Identitas Resolusi mendukung identitas sadar pengolahan acara. Integrasi data aktif dan identitas-sadar pengolahan acara akan memungkinkan berbagai aplikasi di bidang jasa keuangan, kesehatan dan, khususnya, sektor publik.

Symbolic Logic
Symbolic logic dimulai dengan G.W. Leibniz (1646-1717), tetapi setelah ia meninggal dunia, kemudian seluruh lapangan tersebut di kendalikan lagi oleh, George Logic (1815-1864) dan logikanya yang dikenal booelan logic. Symbolic logic berinteraksi dengan konsep abstraksi kedalam symbol-simbol dan interkoneksi symbol-simbol oleh operator tertentu.
Contoh penggunaan symbolic logic:
If ——— P is True

Then—– P or Q is True

             P or Q is False

Dari symbolic logic diatas P adalah simbolik dari contoh kalimat kita punya uang, yang mana bisa bernilai benar tau malah bisa bernilai salah, dan Q adalah dari contoh kaliamat kita punya kendaraan, bila sebaliknya tidak menggunakan atau tidak memiliki kendaraan berarti salah. Sehimgga pernyataan dicontoh bila Ia punya uang di OR kan dengan ia tidak punya kendaraan maka hasilnya ia tetap dating dan bernilai benar (true/T), karena ia masih bisa tetap berpergian walaupun ia tidak punya kendaraan tetapi ia bisa menggunakan uangnya untuk membayar sopir/angkot/taksi dll.
Bila dikenal operator logika AND, bila P = ia punya unag dan Q = ia tidak mempunyai kendaraan maka hasilnya akan salah (false/f) karena syaratnya ia jadi traktir kita bila benar-benar ia punya uang dan iya punya kendaraan untuk mengantarkan kita pada restoran tersebut.
Didalam konsep kecerdasan buatan logical agent sangat diperlukan dalam menghadapi serta membuat suatu masalah akan berhasil di pecahkan.

 Logika Formal
Logika formal adalah salah satu bahasa untuk merepresentasikan informasi sehingga kesimpulan dapat diambil,
Sintaks mendefinisikan kalimat dalam bahasa. Semantik mendefinisikan “arti” dari  kalimat
(kebenaran dari kalimat tersebut di dunia nyata)

sumber :
https://rinnooberta.wordpress.com/2013/10/18/2-logical-agents/

Metode Pencarian dan Pelacakan

Metode Pencarian dan Pelacakan

• 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 4 kriteria yang dapat digunakan :

1.      Completeness : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada?

2.      Time complexity : berapa lama waktu yang diperlukan? [semakin cepat, semakin baik]

3.      Space complexity : berapa banyak memori yang diperlukan

4.      Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda?

• Dua teknik pencarian dan pelacakan

– Pencarian buta (blind search)

• Pencarian melebar pertama (Breadth – First Search)

• Pencarian mendalam pertama (Depth – First Search)

– Pencarian terbimbing (heuristic search)

• Pendakian Bukit (Hill Climbing)

• Pencarian Terbaik Pertama (Best First Search)

Pencarian Melebar Pertama (Breadth-First Search)

• Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1

• Mulai dari akar terus ke level 1 dari kiri ke kanan

• Kemudian ke level selanjutnya hingga solusi ditemukan

• Keuntungan

– Tidak akan menemui jalan buntu

– Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti

yang paling baik

– Jika ada satu solusi maka bread-first search akan menemukannya

• Kelemahannya

– Membutuhkan memori yang cukup banyak

– Membutuhkan waktu yang cukup lama

Pencarian mendalam pertama (Depth-First Search)

• Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel

• Keuntungan

– Memori yang relatif kecil

– Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi

Pencarian Heuristik

• Pencarian buta tidak selalu dapat diterapkan dengan baik

– Waktu aksesnya yang cukup lama

– Besarnya memori yang diperlukan

• Metode heuristic search diharapkan bisa menyelesaikan permasalahan yang lebih besar.

• Metode heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan (estimasi) dari suatu simpul tertentu menuju ke simpul tujuan disebut fungsi heuristic

• Aplikasi yang menggunakan fungsi heuristic : Google, Deep Blue Chess Machine

• Contoh pada masalah 8 puzzle

keadaan awal  Tujuan

Keadaan Awal Tujuan Pencarian Heuristik

• Operator

– Ubin kosong geser ke kanan

– Ubin kosong geser ke kiri

– Ubin kosong geser ke atas

– Ubin kosong geser ke bawah

• Langkah Awal

Gambar

• Langkah Awal hanya 3 operator yang bisa digunakan

– Ubin kosong digeser ke kiri, ke kanan dan ke atas.

• Jika menggunakan pencarian buta, tidak perlu mengetahui operasi apa yang akan dikerjakan (sembarang)

• Pada pencarian heuristik perlu diberikan informasi khusus dalam domain tersebut

• Untuk jumlah ubin yang menempati posisi yang benar jumlah yang lebih tinggi adalah yang lebih diharapkan (lebih baik)

• Untuk jumlah ubin yang menempati posisi yang salah jumlah yang lebih kecil adalah yang diharapkan (lebih baik).

• Menghitung total gerakan yang diperlukan untuk mencapai tujuan jumlah yang lebih kecil adalah yang diharapkan (lebih baik).

Pencarian Heuristik

• Ada 4 metode pencarian heuristik

– Pembangkit & Pengujian (Generate and Test)

– Pendakian Bukit (Hill Climbing)

– Pencarian Terbaik Pertama (Best First Search)

– Simulated Annealing

Pembangkit & Pengujian (Generate and Test)

• Pada prinsipnya metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

Algoritma:

– Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal).

– Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.

– Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.

Contoh : Traveling Salesman Problem (TSP)

Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Ingin diketahui rute terpendek dimana setiap kota hanya boleh dikunjungi tepat 1 kali.

Contoh : Traveling Salesman Problem (TSP)

• Generate & test akan membangkitkan semua solusi yang mungkin:

– A – B – C – D

– A – B – D – C

– A – C – B – D

– A – C – D – B, dll

Kelemahan dari Pembangkit & Pengujian (Generate and Test) yaitu ;

– Perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian

– Membutuhkan waktu yang cukup lama dalam pencariannya

Pendakian Bukit (Hill Climbing)

• Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik.

• Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan.

• Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.

Simple Hill Climbing

Algoritma

– Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.

– Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang:

• Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

• Evaluasi keadaan baru tersebut.

• Jika keadaan baru merupakan tujuan, keluar.

• Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang.

• Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

Contoh TSP

• Operator : Tukar kota ke-i dengan kota ke-j (Tk i,j)

• Untuk 4 kota:

– Tk 1,2 : tukar kota ke-1 dengan kota ke-2.

– Tk 1,3 : tukar kota ke-1 dengan kota ke-3.

– Tk 1,4 : tukar kota ke-1 dengan kota ke-4.

– Tk 2,3 : tukar kota ke-2 dengan kota ke-3.

– Tk 2,4 : tukar kota ke-2 dengan kota ke-4.

– Tk 3,4 : tukar kota ke-3 dengan kota ke-4.

• Untuk N kota, akan ada operator sebanyak:

Steepest Ascent Hill Climbing

• Steepest-ascent hill climbing sebenarnya hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri.

• Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik.

• Dalam hal ini urutan penggunaan operator tidak menentukan penemuan solusi.

• Steepest-ascent hill climbing sebenarnya hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri.

• Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik.

• Dalam hal ini urutan penggunaan operator tidak menentukan penemuan solusi.

Algoritma

• Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.

• Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan pada keadaan sekarang.

• Tentukan SUCC sebagai nilai heuristic terbaik dari successorsuccessor.

• Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang:

• Gunakan operator tersebut dan bentuk keadaan baru.

• Evaluasi keadaan baru tersebut. Jika merupakan tujuan, keluar. Jika bukan, bandingkan nilai heuristiknya dengan SUCC. Jika lebih baik, jadikan nilai heuristic keadaan baru tersebut sebagai SUCC. Namun jika tidak lebih baik, nilai SUCC tidak berubah.

• Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang, ubah node SUCC menjadi keadaan sekarang.

Sumber :

https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/

Pengenalan Intelligent Agent

Agent dan Lingkungannya

Agent adalah segala sesuatu yang dapat melihat/mengartikan/mengetahui lingkungannya melalui alat sensor dan bertindak melalui alat aktuator. Manusia sebagai agent : mata, telinga, dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators. Robot sebagai agent : kamera dan pejejak inframerah sebagai sensors; berbagai motor penggerak sebagai actuators. Software sebagai agent : tekanan pada keyboard, isi file dan paket-paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators. Fungsi agent(f) adalah pemetaan dari urutan persepsi menjadi tindakan.

Konsep Rasionalitas

Rational agent adalah agent yang melakukan sesuatu yang benar. Setiap kolom pada tabel (Vacuum-cleaner world) diselesaikan/dikerjakan dengan benar.

Rasional tergantung pada 4 hal :

• Kemampuan yang terukur
• Pengetahuan lingkungan sebelumnya/terdahulu
• Tindakan
• Urutan persepsi

DEF : untuk setiap urutan persepsi yang mungkin, rational agent harus memilih tindakan yang diharapkan dapat memaksimalkan kemampuan dengan memberikan bukti yang dihasilkan dari urutan persepsi dan pengetahuan yang dimiliki oleh agent.

Agent dapat bertindak sesuai dengan yang diharapkan untuk memodifikasi persepsi akan datang dengan mendapatkan informasi yang berguna (pengumpulan informasi dan eksplorasi). Agent dikatakan autonomous, jika perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan untuk belajar dan beradaptasi)

Task Environtment (PEAS)

To design a rational agent we must specify its task environment. PEAS description of the environtment :

• Performance
• Environment
• Actuators
• Sensors

Contoh-contoh.

Agent : Sistem Diagnosis Medis

   - Perfomance measure: kesembuhan pasien, biaya minim, sengketa

   - Environment: pasien, pegawai rumah sakit

   - Actuators: layar monitor (pertanyaan, test, perawatan)

   - Sensors: keyboard (gejala, temuan, pertanyaan pasien)

Agent : Part-picking robot

   - Performance measure: % komponen pada tempat penampungan yang sesuai

   - Environment: Conveyor belt with parts, bins

   - Actuators: Joined arm and hand

   - Sensors: Kamera, joint angle sensors

Agent : Interactive English tutor

   - Performance measure: Maximize student's score on test

   - Environment: Set of students

   - Actuators: Screen display (exercises, suggestions, corrections)

   - Sensors: Keyboard

Tipe-Tipe Lingkungan Agents

1. Fully vs. partially observable : Lingkungan sepenuhnya dapat diamati ketika sensor-sensor dapat mendeteksi semua aspek yang relevan dalam memilih tindakan.
2. Deterministic vs. stochastic : Ketika tahap lingkungan berikutnya sepenuhnya ditentukan oleh tindakan yang sudah dilakukan.
3. Episodic vs. sequential : Pengalaman agent dapat dibagi menjadi tahapan-tahapan yang kecil dimana agent akan menerima dan melakukan satu tindakan. Pilihan tindakan tergantung hanya pada episode itu sendiri.
4. Static vs. dynamic : Jika lingkungan dapat berubah ketika agent sedang memilih tindakan, lingkungan dikatakan dynamic. Semi-dynamic, jika perfoma agent berubah ketika lingkungan tetap sama.
5. Discrete vs. continuous : This distinction can be applied to the state of the environment, the way time is handled and to the percepts/actions of the agent.
6. Single vs. multi-agent : Does the environment contain other agents who are also maximizing some performance measure that depends on the current agent’s actions?

Agent types

1. Goal-based
2. Utility-based
3. Learning

1. Goal-based

Tujuan-tujuan tertentu dapat dicapai dengan cara-cara berbeda. Beberapa lebih baik, memiliki manfaat yang lebih tinggi. Fungsi utililas memetakan urutan kedudukan (a sequence of states) dengan

angka real.

Meningkatkan tujuan-tujuan :

   - Memilih tujuan dari tujuan-tujuan yang berbenturan

   - Memilih dengan tepat beberapa tujuan memiliki kemungkinan berhasil.

2. Utility-based

Agent membutuhkan tujuan untuk mengetahui situasi mana yang diharapkan. Akan menjadi sulit ketika urutan yang panjang dari tindakan-tindakan (actions) dibutuhkan untuk mencari tujuan. Typically investigated in search and planning research. Major difference: future is taken into account. Is more flexible since knowledge is represented explicitly and can be manipulated.

3. Learning

Semua program-program agent terdahulu mendeskripsikan metode untuk memilih tindakan-tindakan (actions).

   – Yet it does not explain the origin of these programs.

   – Learning mechanisms can be used to perform this task.

   – Teach them instead of instructing them.

   – Advantage is the robustness of the program toward initially unknown environments.

Sumber : 

http://alfiyani18.blogspot.co.id/2016/10/blog-post_94.html