Belajar Gratis Sistem Informasi & Informatika

1. Pengantar Agen Cerdas Dalam kecerdasan buatan (Artificial Intelligence/AI), agen cerdas (Intelligent Agent/IA) mengacu pada entitas otonom yang mengamati lingkungannya dan mengambil tindakan untuk mencapai tujuan tertentu. Tindakan ini didasarkan pada pemrograman internal agen yang membantunya berinteraksi secara efektif dengan lingkungannya. Agen adalah fondasi dari banyak aplikasi AI, mulai dari algoritma sederhana hingga sistem kompleks seperti kendaraan otonom atau agen percakapan (chatbots). 2. Komponen Utama Agen Cerdas Sebuah agen cerdas biasanya beroperasi dalam siklus berikut: Persepsi : Agen menerima input dari lingkungannya melalui sensors . Tindakan : Berdasarkan pemrogramannya, agen memproses informasi tersebut dan menentukan tindakan yang tepat, yang kemudian dilaksanakan melalui actuators . Siklus ini membentuk dasar interaksi agen dengan lingkungannya, di mana ia secara terus-menerus mempersepsi dan bertindak untuk mencapai tujuannya.

ChatGPT adalah model bahasa besar yang dikembangkan oleh OpenAI, dan didasarkan pada arsitektur GPT-4 (Generative Pre-trained Transformer 4). Berikut adalah penjelasan tentang cara kerja ChatGPT: 1. Arsitektur Transformer ChatGPT dibangun di atas arsitektur transformer, yang merupakan jenis jaringan neural yang sangat efisien untuk tugas-tugas pemrosesan bahasa alami (NLP). Transformer menggunakan mekanisme perhatian (attention mechanism) untuk menimbang pentingnya setiap kata dalam sebuah kalimat terhadap kata-kata lainnya, sehingga memungkinkan model untuk memahami konteks dengan lebih baik. 2. Pre-training dan Fine-tuning

Berikut di bawah ini adalah contoh soal komputasi menggunakan full joint distribution dalam bayesian network Contoh soal full joint distribution dalam bayesian network :

Bayesian Network: Apa itu? Bayesian network adalah jenis pemodelan grafis probabilistik yang menggunakan inferensi Bayesian untuk perhitungan probabilitas. Jaringan Bayesian bertujuan untuk memodelkan ketergantungan kondisional, dan oleh karena itu, dengan merepresentasikan ketergantungan bersyarat dalam grafik berarah. Melalui hubungan ini, seseorang dapat secara efisien melakukan inferensi pada variabel acak dalam grafik. Bayesian network menggambarkan pola “sebab-akibat” dimana node mewakili variable yang terlibat di dalam kemungkinan kejadian tersebut. Contoh Bayesian network .  Bayesian Network adalah deskripsi lengkap sebuah domain. Notasi graph menyatakan conditional dependence (probability) dalam suatu domain yang terdiri dari node dan arc/edge . Node menyatakan sebuah random variable . Arc (directed edge) menyatakan hubungan kausal langsung ( direct influence ).

 Belajar Teorema Bayes dengan kartun SARAN:  Sebelum belajar Teorema Bayes menggunakan kartun di laman ini, dianjurkan sudah belajar tentang Probabilitas Bersyarat (Kondisional) di seri sebelumnya: Probabilitas Bersyarat (Kondisional) - Seri Kartun Probabilitas (2) Teorema Bayes - 01

 Belajar teori probabilitas bersyarat (kondisional) dengan kartun SARAN:  Sebelum belajar Probabilitas Bersyarat (Kondisional) menggunakan kartun di laman ini, dianjurkan sudah belajar tentang  Probabilitas Dasar di seri sebelumnya:  Probabilitas Dasar - Seri Kartun Probabilitas (1) Probabilitas bersyarat (kondisional) - 01

 Belajar teori probabilitas dengan kartun Probabilitas dasar - 01 Probabilitas dasar - 02

Kelemahan fatal dalam DFS (depth-first search) dalam di state spaces (ruang keadaan) yang tak terbatas dapat dikurangi dengan cara memberikan DFS suatu batas kedalaman yang telah ditentukan misalnya l ( limit ) . Artinya, node pada kedalaman l dianggap seolah-olah tidak lagi memiliki node penerus ( successors ). Pendekatan ini disebut depth-limited search . Dengan adanya batas kedalaman maka akan memecahkan masalah penelusuran jalur yang tak terbatas. Sayangnya, itu juga memiliki kompensasi lain yaitu adanya potensi incompleteness jika kita memilih l < d , yang artinya, goal yang paling dangkal berada di luar batas kedalaman. Depth-limited search juga tidak akan optimal jika kita memilih l > d . Kompleksitas waktunya ( execution time) adalah O(b l ) dan kompleksitas ruangnya (memori) adalah O(bl) . DFS dapat dilihat sebagai kasus khusus dari depth-limited search dengan l = ∞ .

Dalam konteks jaringan saraf tiruan, suatu jaringan yang berisi satu lapis saja dimana input langsung terkoneksi dengan output disebut dengan perceptron . Jadi jaringan saraf seringkali disebut dengan sistem kumpulan perceptron-perceptron yang saling terkoneksi satu sama lain, sehingga perceptron boleh dibilang sebagai fondasi dasar dari jaringan saraf apapun. Perceptrons terdiri dari empat bagian berbeda: Nilai Input Bobot dan Bias Jumlah total input x bobot Fungsi aktivasi

Pengorganisasian objek-objek ke dalam kategori-kategori adalah bagian penting dari penyajian pengetahuan. Meskipun interaksi di dunia nyata terjadi pada tingkat objek-objek secara individu, tetapi banyak proses penalaran terjadi pada tingkat kategori. Misalnya, seorang yang berbelanja biasanya memiliki tujuan untuk membeli bola basket, alih-alih membeli bola basket tertentu misalnya BB9 . Kategori juga berfungsi untuk membuat prediksi tentang objek-objek setelah diklasifikasikan. Seseorang menyimpulkan objek-objek tertentu dari input persepsi, menyimpulkan tentang keanggotaan kategori dari sifat-sifat objek yang dirasakan/ditangkap, dan kemudian menggunakan informasi kategori untuk membuat prediksi tentang objek-objek tersebut. Misalnya, diketahui dari kulitnya yang hijau dan kuning belang, dengan diameter satu kaki, bentuk bulat telur, dan dagingnya berwarna merah, dengan biji hitam, dan tempatnya di tempat buah-buahan, orang dapat menyimpulkan bahwa benda tersebut adalah semangka; ...

Gagasan tentang general ontology  (ontologi umum) adalah untuk mengorganisasikan segala sesuatu di dunia ke dalam suatu hierarki kategori. Istilah ontological engineering  (rekayasa ontologis) adalah tentang suatu teknik dalam menyajikan konsep-konsep abstrak (dengan berfokus pada konsep-konsep umum - seperti misalnya: Peristiwa (Events), Waktu (Time), Objek Fisik (Physical Objects), dan Keyakinan (Beliefs) yang terjadi di banyak domain yang berbeda-beda. Kerangka umum dari konsep-konsep tersebut disebut dengan upper ontology (ontologi atas) karena konvensi dalam menggambar graph adalah dengan konsep yang umum ada di bagian atas dan konsep yang lebih spesifik ada di bagian bawahnya, seperti pada gambar di bawah ini. Ontologi atas (umum)

Contoh proses inferensi (penarikan kesimpulan) menggunakan forward chaining dalam knowledge base yang menggunakan first order logic ( FOL ).  Misalkan ada knowledge base yang awalnya tersusun dari bahasa alami (dalam contoh ini menggunakan bahasa inggris) seperti berikut di bawah ini. Kemudian, bagaimana menyajikan knowledge base tersebut dalam bentuk first order logic ( FOL ) dan bagaimana proses membuktikan bahwa Col. West is criminal (Kolonel West adalah penjahat) dengan menggunakan algoritma forward chaining ?

Berikut di bawah ini adalah contoh-contoh daftar knowledge base dalam bentuk bahasa alami (bahasa manusia). Knowledge base tersebut akan diubah menjadi knowledge base dalam bentuk first order logic ( FOL ). Contoh 1: Di bawah ini adalah daftar kalimat dalam bahasa alami (dalam hal ini menggunakan bahasa inggris), kemudian diubah ke bahasa logika (dalam hal ini first order logic / FOL ). 

First Order Logic / FOL  Bahasa yang digunakan dalam first-order logic atau disingkat FOL (logika tingkat pertama), di buat berdasarkan hal-hal di seputar objek dan hubungan-hubungan antar objek tersebut. FOL ini sangatlah penting untuk bidang matematika, filsafat, dan kecerdasan buatan karena bidang-bidang tersebut — dan juga memang sebagian besar keberadaan manusia sehari-hari — dapat dianggap sebagai berkaitan dengan objek dan hubungan di antara mereka. F irst Order Logic (FOL) juga dapat menyajikan fakta-fakta tentang beberapa atau semua objek di alam semesta. Ini memungkinkan seseorang untuk menyajikan hukum-hukum, atau aturan-aturan umum, misalnya: siswa-siswa yang tidak hadir di pelajaran yang sulit, mereka tidak suka pelajaran yang sulit.

Algoritma ini adalah teknik pencarian yang meminimalkan total cost dari suatu solusi. Algoritma pencarian A ∗ (diucapkan “A- star ") adalah teknik pencarian dalam jenis best-first yang paling terkenal. Algoritma ini mengevaluasi node dengan menggabungkan/mengombinasikan fungsi g(n) , yaitu cost untuk mencapai node berikutnya (seperti dalam pencarian uniform-cost ), dan fungsi h(n) , yaitu cost antara suatu node ke node goal / node tujuan (seperti dalam pencarian greedy best first ): f(n) = g(n) + h(n) Karena g(n) memberikan cost dari node awal ke node n , dan h(n) adalah cost terendah dari n ke goal /tujuan, maka kita akan memiliki f(n) = perkiraan cost dengan solusi termurah melalui n . [ Catatan : untuk fungsi g(n) silahkan lihat ke artikel Algoritma Pencarian Uniform-Cost dalam Kecerdasan Buatan . Sedangkan untuk h(n) silahkan lihat ke artikel Algoritma Pencarian Greedy Best First pada Kecerdasan Buatan ]

Algoritma ini adalah pengembangan atau modifikasi dari algoritma pencarian breadth-first . Andaikan semua cost pada semua langkah/ node adalah sama, maka algoritma pencarian breadth-first adalah optimal karena selalu menurunkan node yang terdangkal. Dengan sedikit pengembangan algoritma, kita dapat menemukan algoritma yang optimal dengan menerapkan suatu fungsi step-cost (menerapkan suatu cost pada tiap-tiap langkah pencarian atau pada tiap-tiap node ). Alih-alih menurunkan node yang terdangkal (yaitu node di lapisan/jalur berikutnya), pencarian uniform-cost menurunkan node n berdasarkan fungsi cost yang terendah dalam suatu jalur, misalkan saja fungsi g(n) . Ini dilakukan dengan menyimpan antrian dalam suatu jalur yang diurutkan berdasarkan fungsi  g(n) . Algoritma pencarian uniform-cost ditunjukkan pada gambar di bawah ini.  Algoritma pencarian uniform-cost

Peta sederhana Romania sebagai contoh kasus untuk pencarian greedy best first Pencarian greedy best-first akan menurunkan node yang paling dekat dari tujuan, dengan alasan bahwa hal ini cenderung mengarah pada solusi dengan cepat. Dengan demikian, algoritma ini akan mengevaluasi node hanya dengan menggunakan fungsi heuristik; yaitu, f (n) = h (n) . Mari kita lihat bagaimana algoritma ini bekerja untuk problem pencarian rute di Romania ; kita menggunakan fungsi heuristik jarak garis lurus, yang akan kita sebut h SLD . Misalkan jika tujuannya adalah Bucharest , kita perlu mengetahui jarak garis lurus ke Bucharest , yang ditunjukkan pada gambar tabel di bawah ini.

Pencarian depth-first selalu menurunkan node terdalam di jalur aktif saat ini dari pohon pencarian. Pencarian depth first pada pohon biner. Areayang belum dijelajahi ditampilkan dalam warna abu-abu terang. Node-node tanpa turunan di jalur sebelumnya dihapus dari memori. Node pada kedalaman 3 tidak memiliki turunan dan M adalah satu-satunya node goal (tujuan). Proses pencarian diilustrasikan pada gambar di atas. Pencarian berproses menuju ke level terdalam dari pohon pencarian, hingga di mana node tidak memiliki turunan lagi dan baru kembali naik ke atas dan berpindah ke jalur berikutnya.  Kalau pencarian breadth-first menggunakan antrian FIFO (first in first out) , maka pencarian depth-first ini menggunakan antrian LIFO (last in first out) .

Pencarian breadth-first ( breadth-first search ) adalah strategi sederhana di mana node (simpul) akar diturunkan ( expanded ) terlebih dahulu, kemudian semua node penerusnya diturunkan lagi berikutnya, kemudian node penerusnya diturunkan lagi, demikian dan seterusnya. Secara umum, setiap  node akan  diturunkan pada kedalaman tertentu di pohon pencarian sebelum node di tingkat berikutnya diturunkan. Lihat contoh ilustrasi gambar di bawah ini. Gambar ini menunjukkan prosespencarian pada pohon biner sederhana. Di setiap tahap, node yang akan diturunkan ke lapisan berikutnya ditunjukkan oleh tanda panah.

Algoritma backward-chaining , seperti tersirat dalam namanya, bekerja mundur dari query -nya. Jika query q diketahui true (benar), maka tidak ada proses yang perlu dikerjakan. Sebaliknya ( q belum diketahui tetapi ingin dibuktikan bahwa q adalah true ), algoritma ini akan berjalan untuk menemukan implikasi-implikasi dalam basis pengetahuan yang memiliki konklusi/kesimpulan-nya adalah q . Jika semua premis dari salah satu implikasi itu dapat dibuktikan true (benar) dengan backward chaining , maka q adalah true (benar). [lihat catatan di bagian bawah artikel tentang yang dimaksud implikasi, premis, dan konklusi].