TEKNIK PEMBANGUNAN GAME AI

Hasil gambar untuk Game & AI


Movement
Komputer sebagai alat untuk pemindahan data yaitu untuk  pemindahan data yang telah dibuat dan akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh, konsep usaha, konsep ruang, dan konsep keterhubungan.

      Pathfinding
Pencarian jalur (pathfinding) merupakan bagian dari medel AI. Algoritma pathfinding menggunakan ‘Directed Non-Negative Weighted Graph’. Algoritma seperti Dijkstra dan A* menggunakan struktur data graf . Graf digunakan untuk menggambarkan jalur yang dapat diambil pada sebuah geometri ruang.


      Pengambilan Keputusan
Pengambilan keputusan adalah suatu proses pemilihan dari berbagai alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).
Proses penurunan suatu keputusan mengandung empat unsur, yaitu :
v  Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.
v   Kriteria: Kriteria yang dirumuskan menunjukkan tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang diambil perlu kompromi).
v   Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.
v  Optimalisasi: Apabila masalah keputusan telah diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan (kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.

Proses Pengambilan Keputusan

Ø  Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.
Ø  Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.
Ø  Pemilihan: Memilih arah tindakan tertentu dari semua yang ada. Pilihan ditentukan dan dilaksanakan.

Jadi, proses keputusan dapat dianggap sebagai sebuah arus dari penyelidikan sampai perancangan dan kemudian pada pemilihan. Tetapi pada setiap tahap hasilnya mungkin dikembalikan ke tahap sebelumnya untuk dimulai lagi. Jadi tahapan tersebut merupakan unsur-unsur sebuah proses yang berkesinambungan.

Teori Pengambilan Keputusan
Teori pengambilan keputusan menekankan bahwa terdapat tujuh langkah yang harus ditempuh, yaitu:

1. Identifikasi permasalahan yang dihadapi
Ada ungkapan yang mengatakan bahwa suatu “permasalahan yang sudah dikenali hakikatnya dengan tepat sesungguhnya sudah separo terpecahkan.” Ungkapan ini mempunyai tiga implikasi, yaitu:
ü  Bahwa mutlak perlu mengenali secara mendasar situasi problematik yang menimbulkan ketidakseimbangan dalam kehidupan organisasi atau perusahaan.
ü  Pengenalan secara mendasar berarti “akar” penyebab timbulnya ketidakseimbangan harus digali sedalam-dalamnya.
ü   Mengambil keputusan tidak boleh puas hanya dengan diagnosis gejala-gejala yang segera tampak. Jika hanya gejala yang diidentifikasikan, sangat mungkin “terapinya” pun hanya mampu menghilangkan gejala tersebut. Padahal yang harus dihilangkan adalah “sumber penyakitnya”.

2. Pengumpulan data
Berangkat dari pandangan bahwa pengambilan keputusan memerlukan dukungan informasi yang lengkap, mutakhir, dapat dipercaya, dan diolah dengan baik. Berarti bahwa dalam pengumpulan data ada tiga hal yang mutlak mendapat perhatian, yaitu:
·         Pentingnya menggali data dari semua sumber yang layak digali, baik secara internal maupun secara eksternal. Dari segi inilah harus dilihat pentingnya akses bagi para pengolah data terhadap semua sumber data.
·         Pentingnya untuk menjamin bahwa data yang dikumpulkan relevan dengan permasalahan yang hendak diatasi.
·         Bahwa mutu data yang dikumpulkan haruslah setinggi mungkin sehingga informasi yang dihasilkan akan bermutu tinggi pula.

3. Analisis data
Analisis data harus mampu menunjukkan berbagai alternatif yang mungkin ditempuh untuk memecahkan masalah. Oleh karena itu, analisis data diarahkan pada pembentukan persepsi yang sama diantara berbagai pihak tentang arti data yang dimiliki, dengan demikian memberikan interpretasi yang sama tentang data tersebut.

 4.Analisis berbagai alternatif
Salah satu tantangan yang dihadapi dalam mengambil keputusan ialah menemukan jawaban yang paling tepat terhadap pertanyaan: Apakah dalam mengambil keputusan harus selalu terdapat berbagai alternatif? Pertanyaan ini penting karena jika seorang pengambil keputusan dihadapkan kepada hanya satu alternatif dan ia memutuskan untuk menggunakan alternatif tersebut, yang bersangkutan sudah mengambil keputusan. Bahkan teori pengambilan keputusan mengatakan bahwa jika seseorang memutuskan untuk tidak mengambil keputusan, tindakannya itu adalah pengambilan keputusan juga.

5.Pemilihan alternatif
Jika dilakukan dengan cermat, analisis berbagai alternatif akan “memberi petunjuk” tentang alternatif yang sebaiknya digunakan karena akan membuahkan solusi yang paling efektif. Alternatif di pilih dengan demikian, merupakan alternatif yang tampaknya paling baik. Pengalaman mengambil keputusan di masa lalu dan keyakinan bahwa keputusan yang diambil adalah keputusan yang terbaik.

6.Implementasi (pelaksanaan)
Apakah alternatif yang dipilih merupakan pilihan yang terbaik atau tidak diuji pada waktu digunakan dalam arti mampu tidaknya menghilangkan situasi permasalahan dan apakah permasalahan yang dihadapi tersebut dapat dipecahkan secara efektif atau tidak.

7.Evaluasi (penilaian)
Hasil pelaksanaan memerlukan penilaian yang objektif, rasional dan berdasarkan tolok ukur yang baku. Seperti dimaklumi, hasil penilaian dapat menunjukkan bahwa hasil yang di capai melampaui harapan, sekedar sesuia dengan sasaran atau kurang dari sasaran. Kesemuanya itu menjadi bahan penting dalam mengelola organisasi atau perusahaan di masa depan.

      Taktik dan strategi AI
AI dalam game biasanya memiliki kecepatan dalam taktik bermain sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity, dan pola sisi/sudut.

Pembelajaran
Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia.
Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.
Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.
Sederhananya begini: suatu jaringan saraf terdiri dari beberapa lapisan neuron. Input masuk melalui lapisan pertama. Tiap neuronnya menerima input, sehingga setiap neuron memiliki muatan, dan menghasilkan output berdasarkan muatan mereka. Output dari lapisan pertama kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya hingga output akhir dapat dihasilkan.
Kemudian hal menarik pun terjadi. Siapapun yang menjalankan jaringan dapat mendefinisikan seperti apa output akhir yang “benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut, hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah penyempurnaan akan dilakukan hingga tercipta outputakhir yang benar. Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.
Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya dalam mengidentifikasi benda tersebut.

Referensi:

GAME & AI



Hasil gambar untuk Game & AI

GAME & AI

    AI memiliki sejarah panjang dalam genre game. Dari yang kecerdasan pertama, Pemain checker, ke tim AI dikembangkan untuk first-person-shooters, AI adalah intinya. Bab ini akan membahas aspek permainan AI dari permainan tradisional. Kami akan memperkenalkan algoritma minimax  yaitu pusat permainan dua pemain tradisional. Kami kemudian akan mengeksplorasi algoritma lainnya yang bisa ditemukan di sistem permainan modern.


9.1 Two Players Game

   Permainan dua pemain adalah permainan di mana dua pemain saling bersaing satu sama lain. Ini juga dikenal sebagai game zero-sum. Tujuannya dalam memainkan dua pemain game ini memilih langkah yang memaksimalkan skor pemain dan / atau meminimalkan skor pemain yang bersaing. Game zero-sum adalah satu di mana keuntungan satu pemain seimbang tepatnya dengan hilangnya pemain lainnya. Game zero sum telah dipelajari secara ekstensif oleh John von Neumann dan Oskar Morgenstern dan kemudian oleh John Nash. Catur adalah contoh permainan zero-sum. Sebaliknya,
  Game non-zero-sum adalah game yang bisa dimainkan oleh dua pemain imbalan dari seorang bankir dengan bekerja sama atau mengkhianati pemain lain. Itu dilema narapidana adalah contoh klasik dari permainan non-zero-sum. Kedua Game zero dan non-zero-sum adalah jenis permainan dalam bidang permainan teori. Teori permainan memiliki berbagai kegunaan dari permainan salon seperti Poker,
untuk mempelajari fenomena ekonomi dari pelelangan ke jaringan sosial.

9.2 The Minimax Algorithm

   Dalam game sederhana, ada algoritma yang bisa mencari pohon permainan untuk ditentukan langkah terbaik untuk membuat dari keadaan saat ini. Yang paling terkenal disebut algoritma Minimax Algoritma minimax adalah metode yang berguna untuk permainan dua pemain sederhana. Ini adalah metode untuk memilih langkah terbaik yang diberikan permainan bolak-balik di mana masing-masing pemain menentang yang lain bekerja tujuan yang saling eksklusif. Setiap pemain mengetahui gerakan yang mungkin dilakukan dengan kondisi permainan saat ini, maka untuk setiap gerakan, semua gerakan selanjutnya bisa terjadi ditemukan.

   Pada setiap simpul di pohon (kemungkinan pergerakan) nilai yang mendefinisikan kebaikan langkah menuju pemain yang memenangkan pertandingan bisa disediakan. Jadi pada saat tertentu node, node anak (kemungkinan bergerak dari keadaan ini dalam permainan) masing-masing atribut yang menentukan kebaikan relatif dari pergerakan. Ini adalah tugas yang mudah untuk memilih langkah terbaik mengingat keadaan saat ini. Tapi mengingat bolak-balik sifat permainan dua pemain, pemain berikutnya membuat langkah yang menguntungkan mereka (dan dalam permainan zero-sum, menghasilkan defisit untuk pemain pengganti). Bagian dari simpul didefinisikan sebagai jumlah pergerakan yang diperlukan untuk mencapai titik keadaan saat ini (konfigurasi permainan). Lapisan pohon game adalah Maksimum lapisan semua simpul.

   Minimax bisa menggunakan satu dari dua strategi dasar. Pada bagian pertama, seluruh permainan
Pohon dicari ke simpul daun (end-games), dan di bagian kedua, pohon itu hanya mencari kedalaman yang telah ditentukan dan kemudian dievaluasi. 

9.3 Game Klasik AI

Salah satu contoh game klasik AI adalah :

  • Checkers

    Kami akan memulai eksplorasi AI dalam permainan klasik dengan ulasan singkat Aplikasi AI di Checker. Arthur Samuel, pelopor awal AI dan belajar mesin, melakukan beberapa pekerjaan paling awal dalam memberikan komputer kemampuan belajar dari pengalaman. Selain memprogram komputer untuk bermain Checker di komputer IBM 701, dia mempelopori gagasan membiarkan program belajar dengan bersaing melawan dirinya sendiri. Hasilnya Program Checker berkompetisi dan mengalahkan pemain peringkat keempat di tahun 2007 negara. [Samuel 1959] karya Arthur Samuel dalam program checker sangat penting dalam perhitungan non numerik, sehingga ia mempengaruhi perancang komputer awal IBM untuk memasukkan instruksi logis baru. [McCarthy 1990]

  • Checkers-Board Representation

    Representasi struktur data papan Checker penting karena ini adalah penentu yang kuat dalam efisiensi aspek pencarian dan evaluasi dari program (dan juga jumlah memori keseluruhan yang digunakan oleh pencarian pohon game, buku pembuka, dan database endgame). Representasi yang umum adalah matriks 8 by 8 sederhana yang mengandung satu enam nilai (kosong, merah, hitam, merah-raja, dan hitam-raja). Optimalisasi 8 oleh 8 adalah 10 dengan 10 model, yang mencakup batas satu sel di sekitar seluruh papan (dengan sel-sel ini yang mengandung nilai statis offboard). Ini menyederhanakan generator bergerak dalam mengidentifikasi pergerakan ilegal. Representasi lain ada untuk mengepak papan ke ruang yang lebih kecil, tapi biasanya mengandalkan arsitektur CPU tertentu dan petunjuknya menginterogasi dan memanipulasi bit individu.

  • Search Algorithm

  Seperti kebanyakan game klasik lainnya, minimax dengan pemangkasan alfa-beta digunakan sebagai
berarti mencari pohon game. Checker memiliki faktor percabangan rata - rata 10, yang kurang dari Catur, tapi cukup besar untuk mencari keseluruhannya pohon tidak layak Sementara pemangkasan alfa-beta melakukan pekerjaan yang bagus untuk meminimalkan pohon pencarian, Ada teknik lain yang bisa diterapkan secara heuristik untuk lebih mengurangi ruang pencarian pohon permainan Sejumlah perangkat tambahan pencarian ada seperti windowing, dimana batas alpha dan beta adalah jendela dari nilai yang dihitung sebelumnya dan dapat menghasilkan pencarian lebih cepat dari pohon permainan. Modifikasi lainnya termasuk Principal Variation Search (PVS), yang menerapkan windowing ke setiap node di pohon permainan.

9.3 Aplikasi AI menjadi video game

   merupakan area yang kaya untuk penelitian pada jumlah level. Lingkungan permainan video (seperti dapat ditemukan secara realtime permainan strategi atau first-person-shooters) menyediakan tempat tidur uji yang berguna aplikasi dan visualisasi teknik AI. Game milik mereka sendiri menjadi industri besar (diperkirakan game kotor lebih banyak daripada film), jadi pengembangan teknik AI dengan kendala yang terkait dapat ditemukan di game (seperti penjatahan CPU minimal) bisa sangat bermanfaat. Ini juga memungkinkan untuk memungkinkan algoritma dan teknik yang berbeda untuk bersaing melawan satu sama lain di lingkungan ini untuk memahami hal yang halus
   perbedaan dan kelebihan. Selain nilai hiburan video game, tekniknya untuk membangun karakter yang dapat dipercaya juga menemukan nilai (dan pendanaan penelitian) dalam aplikasi militer Misalnya, simulator tempur penerbangan yang meniru strategi dan taktik pilot veteran, atau hirarkis dan disiplin perilaku pasukan di lapangan dalam simulator manajemen pertempuran. Masing-masing aplikasi ini membutuhkan algoritma cerdas yang mungkin berbeda perwujudan, namun berevolusi dari rangkaian teknik yang sama.


9.4 Strategi Real-Time AI

  Penggunaan AI yang menarik terakhir adalah pengembangan strategi real-time pertandingan. Strategi Real-time AI berbeda dengan Tim AI karena kita tidak akan melakukan kesepakatan hanya dengan aspek militeristik dari permainan, tapi juga aspek ekonomi. Misalnya, dalam permainan strategi real-time, elemen peradaban harus terlibat dalam pengumpulan sumber daya sebagai bagian dari tujuan pembangunan yang lebih tinggi tentara untuk mengalahkan lawan. Misalnya, di awal permainan strategi real-time, fokus adalah penumpukan sosial dan militer. Ini melibatkan menciptakan warga baru untuk dibangun ekonomi. Begitu ekonomi mencapai tingkat tertentu, sebuah penumpukan militer Bisa terjadi untuk menyerang dan mengalahkan musuh. Kondisi yang dijelaskan bisa disematkan di dalam mesin permainan itu sendiri, tapi untuk fleksibilitas, bisa diimplementasikan secara terpisah memungkinkan kemudahan Modifikasi tanpa harus membangun kembali mesin permainan. Satu kemungkinan Yang sudah digunakan di masa lalu adalah Rule-Based Systems (atau RBS). Rule-Based Systems adalah cara yang efektif untuk mengkodekan pengetahuan ahli tentang
   permainan bermain menjadi strategi permainan. Sistem berbasis aturan sangat menarik bahwa sebuah komite standar telah dibentuk untuk mempelajari penggunaannya dalam permainan.

9.5 Referensi

  EBOOK =  Jones, M. Tim, ARTIFICIAL INTELLIGENCE A Systems Approach, INFINITY SCIENCE PRESS LLC, Hingham, Massachusetts New Delhi. Page. 89

Ketidakpastian dan Penalaran Probabilitas

Ketidakpastian dan Penalaran Probabilitas

Ketidakpastian

                Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan.Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita dalam membuat suatu keputusan yang terbaik bahkan mungkin dapat menghasilkan suatu keputusan yang buruk. Dalam dunia medis, ketidakpastian mungkin menghalangi pemeriksaan yang terbaik untuk para pasien dan berperan untuk suatu terapi yang keliru. Dalam bisnis, ketidakpastian dapat berarti kerugian keuangan.Sejumlah teori yang berhubungan dengan ketidakpastian telah ditemukan, diantaranya probabilitas klasik, probabilitas Bayes, teori Hartley yang berdasarkan pada himpunan klasik, teori Shanon yang didasarkan pada peluang, teori Dempester-Shafer dan teori fuzzy Zadeh.

TEORI PROBABILITAS

- Teori formal probabilitas dibuat dengan menggunakan 3 aksioma
- Teori aksiomatik disebut juga objective theory of probability 
diperkenalkan oleh Kolmogorov, sedangkan teori aksiomatik probabiliti kondisional
dibuat oleh Renyi
- Tiga aksioma probabilistik :
1. 0  P(E)  1
Aksioma ini menjelaskan bahwa jangkauan
probabilitas berada antar 0 dan 1. Jika suatu
kejadian itu pasti terjadi maka nilai probabilitasnya
adalah 1, dan jika kejadiannya tidak mungkin
terjadi nilai probabilitasnya adalah 0
2.  P(Ei) = 1
Aksioma ini menyatakan jumlah semua kejadian
tidak memberikan pengaruh dengan lainnya, maka
disebut mutually exclusive events yaitu 1.
Corollary dari aksioma ini adalah :
 P(E) + P(E’) = 1
3. P(E1  E2) = P(E1) + P(E2)
Dimana E1 dan E2 adalah kejadian mutually
exclusive. Aksioma ini mempunyai makna bahwa
jika E1 dan E2 keduanya tidak dapat terjadi secara
simultan, maka probabilitas dari satu atau kejadian
lainnya adalah jumlah dari masing-masing
probabilitasnya.

Theorema Bayes

                Theorema Bayes adalah sebuah makanisme untuk mengkombinasikan kejadian baru dan kejadian yang ada yang biasanya dinyatakan dalam probabilitas subjektif.Pendekan Bayesian didasarkan pada probabilitas subjektif; probabilitas subjektif di sediakan untuk setiap proposisi.Jika E adalah suatu kejadian (jumlah total dari semua informasi yang terdapat dalam system),maka proposisi (P) memiliki hubungan dengan sebuah nilai yang merepresentasikan probabilitas bahwa P menggambarkan semua kejadian E, diturunkan menggunakan inferensi Bayesian.Theorema Bayes menyediakan sebuah cara komputasi probabilitas dari  kejadiankejadian khusus dari suatu hasil observasi.Poin utama disini adalah bukan bagaimana nilai ini diturunkan tetapi bagaimana kita tahu atau darimana menginferensi suatu proposisi menjadi suatu nilai tunggal.

Representasi Ketidakpastian

Tiga metode dasar untuk merepresentasikan ketidakpastian adalah
1. numeric,
2. grafik, dan
3. simbolik.

TEORI DEMPSTER-SHAFER

                Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and reasoning (Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P.Dempster dan Glenn shafer.

Secara umum teori Dempster-Shafer ditulis dalam suatu interval :
[Belief, Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi.
Jika bernilai 0 mengindikasikan bahwa tidak ada evidence, dan Plausibility (Pl) jika bernilai
1 menunjukkan adanya kepastian.
Plausibility dinotasikan sebagai :
Pl(s) = 1 – Bel(Øs)

Reprensi Pengetahuan

Representasi  Pengetahuan
  Representasi dimaksudkan untuk menangkap sifat-sifat penting problema dan membuat informasi tsb. Dapat di akses oleh prosedur pemecahan permasalahan.Bahasa repsentasi harusa dapat membuat seorang pemrogram mampu mengekspresikan pengetauan yang di pelukan untuk mendapatkan solusi permasalahan.
 
    1. Rekayasa ontologi
            Teknik ontologi dalam ilmu komputer dan ilmu informasi adalah bidang yang 
mempelajari metode dan metodologi untuk membangun ontologi: representasi formal dari 
sekumpulan konsep dalam domain dan hubungan antara konsep-konsep tersebut. 
Representasi konsep abstrak berskala besar seperti tindakan, waktu, objek fisik dan 
kepercayaan akan menjadi contoh teknik ontologis.
  
2.  Pengkategorian dan Objek

       Pengorganisasian objek ke dalam kategori adalah bagian penting dari representasi pengetahuan. 
Meskipun interaksi dengan dunia terjadi pada tingkat objek individual, banyak penalaran terjadi pada 
tingkat kategori. Misalnya, pembelanja biasanya memiliki tujuan membeli bola basket, bukan 
bola basket tertentu seperti BB9. Kategori juga berfungsi untuk membuat prediksi tentang objek 
begitu mereka diklasifikasikan. Seseorang menyimpulkan adanya objek tertentu dari input perseptual, 
kategori kategori dari kategori yang dirasakan dari objek, dan kemudian menggunakan
informasi kategori untuk membuat prediksi tentang objek.

Pengkategorian dan objek terdiri dari :

  • komposisi fisik
  • pengukuran
  • substansi dan objek

3.Aksi, situasi dan kejadian/event
·        Aksi 

Adalah tindakan yang dilakukan berdasarkan suatu kejadian.
·         Situasi

Keadaan sekitar yang sedang berlangsung.

·         Kejadian/event

Sesuatu yang sedang terjadi di sebuah lingkungan dimana terjadi pada waktu yang sedang berlangsung maupun yang telah terjadi.

   4.  Mental event dan mental objek: pengetahuan dan kepercayaan,pengetahuan waktu dan aksi.

Pengetahuan dan kepercayaan 

     Pengetahuan adalah informasi yang diketahui atau disadari oleh manusia, atau pengetahuan adalah berbagai gejala yang ditemui dan diperoleh manusia melalui pengamatan indrawi. Pengetahuan akan muncul ketika orang menggunakan akal atau indranya untuk mengenali benda atau peristiwa tertentu yang belum pernah dilihat atau dirasakan. Misalnya, saat pertama kali orang makan cabai maka Dia akan tahu bagaimana rasa cabai itu, bentuknya, warnanya, atau bahkan akan bertanya-tanya apa zat-zat apa yang dikandungnya.


    Pengetahuan empiris menekankan pada pengamatan dan pengalaman indrawi, sedangkan pengetahuan rasional didapatkan melalui akal budi. Misalnya, orang mengetahui bahwa cabai rasanya pedas karena dia pernah memakannya. Tidak mungkin hanya dengan dipikir-pikir orang itu akan mengetahui bahwa rasa cabai adalah pedas. Nemun, pernyataan 1+1=2 adalah hasil dari pemikiran (akal) manusia, bukan merupakan suatu pengamatan empiris.


    Keyakinan adalah suatu sikap yang ditunjukkan manusia saat dia merasa cukup tahu dan menyimpulkan bahwa dirinya telah mencapai kebenaran. Maksudnya adalah orang akan merasa yakin kalau apa yang mereka ketahui adalah benar. Jadi, keyakinan terjadi setelah orang percaya adanya suatu kebenaran.


    Menurut teori kebenaran sebagai kesesuaian, keyakinan adalah suatu pernyataan yang tidak disertai bukti yang nyata. Misalnya, petir disebabkan oleh amukan para dewa. Pernyataan ini tidak bisa dibuktikan, sehingga hanya bisa dikatakan sebagai suatu keyakinan. Sementara pernyataan petir disebabkan kerena adanya tabrakan antara awan yang bermuatan positif dan negative adalah suatu kebenaran, karena dapat dibuktikan. Sehingga pernyataan ini disebut sebagai pengetahuan.


Ada dua istilah yang berhubungan dengan keyakinan dan pengetahuan.


1. Magic power- (kekuatan magis) –> fenomena kekuatan gaib. Orang yang lebih percaya pada sesuatu yang aneh(karena tidak tahu sebabnya) sebagai kekuatan magis


2. Naturalisme, berarti sesuatu yang alami.

   5. Sistem penalaran untuk pengkategorian : jaringan semantik , logika deskripsi

Jaringan semantik

Jaringan semantik adalah gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek, terdiri dari lingkaran-lingkaran yang dihubungkan dengan anak panah yang menunjukkan objek dan informasi tentang objek-objek tersebut.

Dalam mata kuliah Pengantar Kecerdasan Buatan script merupakan representasi pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman yang menggambarkan urutan peristiwa.


Terdapat enam elemen script, yaitu :


1. Kondisi input, merupakan kondisi yang harus dipenuhi sebelum terjadi


2. Track, yaitu variasi kemungkinan yang terjadi


3. Prop, yaitu objek yang digunakan dalam suatu peristiwa


4. Role, yaitu peran dalam suatu peristiwa


5. Scene, yaitu adegan dalam suatu peristiwa


6. Hasil, yaitu kondisi setelah terjadinya urutan peristiwa


Deskripsi logika


deskripsi logika (deskripsi jamak logika) (logika) Salah satu keluarga bahasa representasi pengetahuan yang dapat digunakan untuk mewakili definisi konsep domain aplikasi (dikenal sebagai pengetahuan terminologi) dalam cara yang terstruktur dan formal dipahami dengan baik.

   6.    Penalaran dengan informasi default

Manusia memecahkan masalah melalui kombinasi antara fakta dan pengetahuan (knowledge). Penalaran (reasoning) adalah proses yang berhubungan dengan pengetahuan, fakta, dan strategi pemecahan masalah (problem solving) untuk mendapatkan konklusi/penyelesaian. Berbagai metode penalaran yang lazim adalah deduksi, induksi, abduktip, analogi, dan akal sehat, berikut ini penjelasan singkatnya.


Deduksi (deduction)Manusia menggunakan deduksi untuk mendapatkan informasi baru dari informasi yang sudah diketahui (pengetahuan) yang ada relasinya. Penalaran deduksi menggunakan fakta-fakta dari masalah yang ada dan pengetahuan umum yang sesuai yang pada umumnya berbentuk aturan (rules) atau implikasi (implications), jadi dari hal yang umum, dikenakan pada hal yang khusus, model deduksi adalah:


Fakta + Rule -> Efek dengan rule dalam bentuk:


If <cause/premise> then <effect/conclusion>


Jika <sebab/premis> Maka <akibat/konklusi>


     Sebagai contoh:


Aturan/implikasi: Jika saya berdiri di hujan, maka saya akan basah.


Fakta/premis : saya berdiri di hujan


Konklusi : saya akan basah


Penalaran deduksi sangat menarik secara logika dan merupakan teknik solusi masalah yang paling umum digunakan oleh manusia. Aturan inferensi (penyimpulan) yang disebut modus ponens adalah bentuk dasar dari penalaran deduksi dengan formula sbb.:


Jika A adalah benar, dan Jika A maka B adalah benar, maka B adalah benar


Induksi (Induction)
Manusia menggunakan induksi untuk mendapatkan kesimpulan umum (general conclusion) dari sekumpulan/himpunan fakta melalui proses generalisasi. Ini bagaikan transisi dari jumlah sedikit ke semua. Model induksi adalah:
Cause + Effect -> Rule

Proses induksi dijelaskan oleh Firebaugh (1988) sbb.:

Untuk suatu himpunan objek X = {a,b,c,d, …}, jika sifat P adalah benar untuk a, dan jika sifat P adalah benar untuk b, dan jika sifat P adalah benar untuk c, …, maka sifat P adalah benar untuk semua X.

      Sebagai contoh:

Fakta/premis : aluminium dipanaskan memuai
Fakta/premis : besi dipanaskan memuai
Fakta/premis : tembaga dipanaskan memuai

Konklusi : secara umum, semua besi bila dipanaskan akan memuai


Abduktip (Abductive)
Abduktip adalah bentuk deduksi yang memungkinkan menarik kesimpulan yang bersifat “plausible”. Plausible (masuk akal) adalah konklusi yang ditarik dari informasi yang tersedia, namun ada kemungkinan konklusi itu salah, jadi model abduktip adalah:

Jika B adalah benar, dan Jika A maka B adalah benar, maka A adalah benar?

Atau effect + rule -> cause

Sebagai contoh:

Aturan : Tanah basah jika hari hujan.

Fakta : Tanah basah.

Konklusi : Hari hujan?

Jadi, diberikan fakta satu-satunya bahwa tanah basah, penyimpulan plausible menghasilkan konklusi hari hujan. Padahal, konklusi ini bisa salah, karena ada banyak hal yang menyebabkan tanah basah, misalnya seseorang siram-siram tanaman. Abduktip, sebagai salah satu metode penalaran, sering dipakai oleh dokter dalam mendiagnose pasien, maka diagnose dapat saja salah.


Analogi
Manusia membentuk model mental tentang konsep melalui pengalaman. Manusia menggunakan model ini melalui penalaran analogi untuk membantu memahami suatu masalah/situasi. Mereka lalu menarik analogi diantara masalah dan model, mencari kesamaan dan perbedaan untuk dapat menyimpulkan.

     Sebagai contoh:

Misalkan seorang dokter yang sudah puluhan tahun praktek, maka pengalamannya dalam bentuk kasus-kasus sudah sedemikian banyaknya. Bila kasus-kasus tersebut dapat disimpan secara cerdik dalam database kasus, maka dapat dipergunakan untuk menyelesaikan masalah baru bagi pasien baru tanpa dokter itu hadir (otomasi). Pasien baru memasukan karakter berikut data-data (keluhan) dari sakitnya, kemudian sistem mencari kasus pasien lama yang serupa keluhannya untuk ditampilkan solusinya, yaitu obat beserta dosisnya. Pengalaman adalah guru terbaik, maka pengalaman perlu disimpan secara cerdik untuk memecahkan persoalan baru yang mirip!


Akal Sehat (Common-sense)

Lewat pengalaman, manusia belajar memecahkan persoalan secara effisien. Mereka menggunakan akal sehat untuk dengan cepat menarik kesimpulan. Akal sehat lebih cenderung berdasar pada kebijakan-kebijakan (judgments) yang baik daripada logika yang eksak. Contoh akal sehat adalah: Di suatu bengkel ditemukan suara klik-klik-klik dalam mesin sepeda motor, seorang montir yang berpengalaman, tanpa membongkar mesinnya, langsung dapat menyimpulkan bahwa ring piston pada silinder mesin itu perlu diganti. Pengetahuan akal sehat ini diperoleh dari pengalamannya mengerjakan banyak sepeda motor selama bertahun-tahun. Jenis pengetahuan seperti ini disebut sebagai heuristik (heuristic) atau rule-of-thumb. Akal sehat tidak menjamin ditemukannya solusi, namun ia menjamin kecepatan menemukan solusi.


Penalaran Tidak Monoton (non-monotonic)
Penalaran pada suatu masalah pada umumnya menggunakan informasi yang statis, artinya selama melakukan penyelesaian masalah, keadaan (nilai benar atau salah) bermacam fakta dianggap tetap konstan. Penalaran semacam ini disebut sebagai penalaran monoton (monotonic reasoning). Dalam beberapa masalah, ditemukan bahwa keadaan beberapa fakta (variabel) bersifat dinamis, sebagai ilustrasi adalah aturan sbb.:


IF Angin berhembus


THEN Kursi goyang akan berayun


Kemudian coba amati kejadian berikut, lalu apa yang terjadi dengan aturan diatas:


Hei, ada angin topan! -> ada Angin berhembus -> Kursi berayun


Seiring berlalunya angin topan, kita berharap kursi berayun. Namun, saat angin topan telah berlalu, kita berharap bahwa kursi sudah berhenti berayun. Namun sistem yang menggunakan penalaran monoton akan tetap menganggap bahwa kursi tetap berayun!


Manusia dengan ke enam inderanya tidak merasa sulit untuk mengikuti perubahan status informasi variabel yang dinamis. Bila terjadi perubahan yang dinamis, mereka dengan mudah menyesuaikan diri. Gaya penalaran semacam ini disebut penalaran yang tidak monoton. Untuk bidang AI, seperti expert system, dibutuhkan suatu sistem untuk memelihara kebenaran yang dinamis bila ingin melakukan penalaran yang tidak monoton.
Referensi: