Forum VClass Pertemuan 4 (Peng. Teknologi Sistem Cerdas #)

Implementasi Artificial Intelligence di Bidang Pendidikan adalah sistem yang dapat mempersonalisasi pembelajaran untuk tiap orang atau murid. Sistem AI dapat membantu membuatkan learning profile untuk tiap murid dan menyesuaikan materi pembelajaran dengan kemampuan, cara belajar, dan pengalaman tiap murid.

Sistem AI memungkinkan para profesional di bidang pendidikan memanfaatkan intelligence assistance yang dapat menyajikan berbagai materi pembelajaran berbasis kurikulum yang sudah ditetapkan tetapi materi tersebut disesuaikan dengan kebutuhan khusus tiap murid.

Konten-konten pembelajaran digital yang terpersonalisasi juga dapat dihadirkan berkat AI dan machine learning. Buku-buku teks yang tebal kini dapat dipilah-pilah menjadi konten yang lebih ringkas, lebih enak dibaca dan dipahami, seperti panduan belajar, ringkasan, flashcard, atau catatan pendek.

Sistem AI juga memungkinkan orang belajar dengan bantuan education assistant seperti bot. Selain membantu dari sisi proses belajar, kehadiran education assistant ini juga menghadirkan adaptive learning di mana tiap orang dapat belajar dengan kecepatan masing-masing.

Vclass Pertemuan 3 (Peng. Teknologi Sistem Cerdas #)

Contoh Ketidakpastian

Premis-1 : Aljabar adalah pelajaran yang sulit.

Premis-2 : Geometri adalah pelajaran yang sulit.

Premis-3 : Kalkulus adalah pelajaran yang sulit.

Konklusi : Matematika adalah pelajaran yang sulit.

Contoh Probabilitas dan Teorema Bayes

Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa si Ani terkena cacar dengan:

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(Bintik2|Cacar) = 0,8.

ο Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(Cacar) = 0,4.

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2|Alergi) = 0,3.

ο Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(Alergi) = 0,7.

ο Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(Bintik2|Jerawatan) = 0,9.

ο Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan) = 0,5

Contoh Faktor Kepastian (Certainty Factor)

Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Ani terkena cacar dengan kepercayaan, MB[Cacar,Bintik2] = 0,80 dan MD[Cacar,Bintik2] = 0,01. Maka: CF[Cacar,Bintik2] 0,80 – 0,01 = 0,79.

Jika ada observasi baru bahwa Si Ani juga panas badan dengan kepercayaan, MB[Cacar,Panas]=0,7 dan MD[Cacar,Panas]=0,08; maka: MB[Cacar,Bintik2 ∧ Panas] = 0,8 + 0,7 * (1-0,8) = 0,94 MD[Cacar,Bintik2 ∧ Panas] = 0,01 + 0,08 * (1-0,01) = 0,0892 CF[Cacar,Bintik2 ∧ Panas] = 0,94 – 0,0892 = 0,8508

Dari contoh 4.4 ini dapat dilihat bahwa, semula faktor kepercayaan bahwa Si Ani terkena cacar kalau dilihat dari gejala munculnya bintik-bintik di wajah adalah 0,79. Setelah muncul gejala baru yaitu panas badan, maka faktor kepercayaan Si Ani terkena cacar menjadi berubah (lebih besar) yaitu 0,8508.

Contoh Teori Dempster-Shafer

Si Ani mengalami gejala panas badan. Dari diagnosa dokter, penyakit yang mungkin diderita oleh Si Ani adalah flue, demam, atau bronkitis.

Gejala-1: panas

Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala dari penyakit flue, demam, dan bronkitis adalah:

m1{F,D,B} = 0,8

m1{θ} = 1 – 0,8 = 0,2

Sehari kemudia, Si Ani datang lagi dengan gejala yang baru, yaitu hidungnya buntu.

Gejala-2: hidung buntu

Kemudian diketahui juga nilai kepercayaan setelah dilakukan observasi terhadap hidung buntu sebagai gejala dari alergi, penyakit flue, dan demam adalah:

m2{A,F,D} = 0,9

m2{θ} = 1 – 0,9 = 0,1

Forum VClass Pertemuan 3 (Peng. Teknologi Sistem Cerdas #)

Kesimpulan pada materi Sistem Penalaran

Sistem penalaran adalah sistem perangkat lunak yang menghasilkan kesimpulan dari pengetahuan yang tersedia dengan menggunakan teknik logis seperti deduksi dan induksi . Sistem penalaran memainkan peran penting dalam implementasi kecerdasan buatan dan sistem berbasis pengetahuan

Sistem penalaran pertama adalah pembukti teorema, sistem yang merepresentasikan aksioma dan pernyataan dalam First Order Logic dan kemudian menggunakan aturan logika seperti modus ponens untuk menyimpulkan pernyataan baru. Jenis sistem penalaran awal lainnya adalah pemecah masalah umum. Ini adalah sistem seperti Pemecah Masalah Umum yang dirancang oleh Newell dan Simon . Pemecah masalah umum berusaha menyediakan mesin perencanaan umum yang dapat mewakili dan memecahkan masalah terstruktur. Mereka bekerja dengan menguraikan masalah menjadi sub masalah yang lebih kecil dan lebih mudah dikelola, menyelesaikan setiap sub masalah dan mengumpulkan jawaban parsial menjadi satu jawaban akhir. Contoh lain pemecah masalah umum adalah keluarga sistem SOAR0

Vclass Pertemuan 2 (Peng. Teknologi Sistem Cerdas #)

Contoh Latihan Teknik Pencarian Generate and Test :

Pencarian dilakukan dari titik A menuju titik C dengan daftar trayek :

- 1A melewati halte: A , D, dan C

- 2A melewati halte : A, E, D, dan C

- 1B melewati halte : B dan D

- 2B melewati halte : A dan B

- 3A melewati halte : B, C dan E

Waktu jeda 1A = 5 menit, 1B = 5 menit, 2A = 7 menit, 2B = 10 menit, dan 3A = 7 menit.

Daftar waktu yang dibutuhkan adalah :

A – B = 8 menit B – D = 7 menit

A – D = 5 menit D – C = 8 menit

A – E = 5 menit E – B = 3 menit

B – C = 7 menit E – D = 5 menit

Berikut ini adalah langkah-langkah penyelesaian kasus di atas adalah :

1. Menjabarkan satu per satu kemungkinan yang ada. Gambar 5 menggambarkan proses penjabaran satu per satu kemungkinan yang ada.

2. Membuat daftar tabel beserta perhitungan jarak dan waktu untuk setiap jalur yang telah dilewati.

Tabel 1 Alur Pencarian Jarak

Tabel 2 Alur Pencarian Waktu

3. Dari Tabel 1 ditemukan rute terpendek berdasarkan jarak adalah A – D – C dengan total jarak 10 km. Rute alternatif 1 adalah A – B – C dengan total jarak 11 km. Rute alternatif 2 adalah A – E – B – C dengan total jarak 11 km.

4. Dari Tabel 2 ditemukan rute terpendek berdasarkan waktu adalah A – D – C dengan total waktu 13 menit. Rute alternatif 1 adalah A – B – C dengan total waktu 15 menit. Rute alternatif 2 adalah A – E – B – C dengan total waktu 15 menit.

5. Setelah melakukan perhitungan jarak dan waktu, langkah selanjutnya adalah menentukan trayek bus yang digunakan pada masing-masing rute. Tabel 3 menunjukkan penentuan trayek pada masing – masing rute.

Tabel 3 Penentuan Trayek

Berdasarkan analisis perhitungan yang dilakukan maka rute terpendek berdasarkan jarak adalah A – D – C dengan total jarak tempuh 10 km tanpa perpindahan.

Berdasarkan analisis perhitungan yang dilakukan maka rute terpendek berdasarkan waktu adalah A – D – C dengan total waktu tempuh 13 menit tanpa perpindahan trayek.

Contoh Latihan Teknik Pencarian Hill Climbing :

Ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota yang bersebelahan. Apabila ada n kota dan ingin mencari kombinasi lintasan maka dengan cara menukar posisi urutan 2 kota, n kombinasi 2.

Kombinasi yang didapat sebanyak 6 kombinasi atau dengan menggunakan rumus :

• Panjang lintasan yang dihasilkan dari fungsi heuristic = 12

• Tahapan heuristic 6 kombinasi = level 5

• Jalur lintasan yang dipilih dengan fungsi heuristik = DBCA

Forum VClass Pertemuan 2 (Peng. Teknologi Sistem Cerdas #)

 Kesimpulan pada materi Teknik Pencarian Generate and Test & Teknik Pencarian Hill Climbing

Teknik Pencarian Generate and Test merupakan algoritma paling sederhana dalam teknik pencarian heuristik. Dalam Generate and Test, terdapat dua prosedur penting yaitu generate (membangkitkan) yaitu membangkitkan semua solusi yang mungkin dan test (pengetesan) yaitu menguji solusi yang dibangkitkan tersebut. Algoritma Generate and Test menggabungkan algoritma DFS dengan pelacakan mundur (backtracking) yaitu bergerak ke belakag menuju state awal.

Teknik Pencarian Hill Climbing adalah metode yang menentukan node - node yang telah diberi jarak antar node yang lain dengan membandingkan dengan node yang telah ada berdasarkan pemilihan jarak terdekat dari posisi sekarang. Kelebihannya tidak perlu memilih node yang telah diuji untuk dibandingkan lagi sehingga tidak memakan waktu pemprosesannya. Kekurangannya tidak mengetahui jarak node yang tidak diuji sebelumnya sehingga tidak bisa dibandingkan pada hasil yang dicapai

Vclass Pertemuan 1 (Peng. Teknologi Sistem Cerdas #)

Contoh Latihan Pencarian BFS (Breadth First Search)

Maka penyelesaiannya adalah:

Gambar (a) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1.

Gambar (b) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1

Gambar (c) BFS(1): 1, 2, 3, 4, 5, 6, 7, 8, 9

Contoh Latihan Pencarian DFS (Depth First Search) :

Maka, urutan penelusurannya adalah : A – B – D – H – E – I – C – F – G – J – K – L

Forum VClass Pertemuan 1 (Peng. Teknologi Sistem Cerdas #)

Kesimpulan pada Materi BFS & DFS

BFS (Breadth-First Search) adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Dan DFS (Depth-First-Search) adalah salah satu algoritma penelusuran struktur graf / pohon berdasarkan kedalaman. Simpul ditelusuri dari root kemudian ke salah satu simpul anaknya ( misalnya prioritas penelusuran berdasarkan anak pertama [simpul sebelah kiri] ), maka penelusuran dilakukan terus melalui simpul anak pertama dari simpul anak pertama level sebelumnya hingga mencapai level terdalam