Pertemuan Ke - 10 : Teknik Pembangunan Game AI

Nama : Rezky Audiansyah Putra

Kelas : 3KA12

NPM  : 18116161


Hasil PPT :https://drive.google.com/open?id=1eRNcw_c6v4iE0YGVdUDSM44eLS5nkH5Q
---------------------------------------------------------------------------------------------------------------------------

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

Pathfinding merupakan metode yang sangat dibutuhkan pada berbagai game, terutama game 3D. Path finding digunakan untuk menentukan arah pergerakan suatu objek berdasarkan keadaan lokasi dan object disekitarnya dari suatu titik ke titik lain. Pathfinding merupakan cara untuk mendapatkan rute antara dua buah point, beberapa agoritma yang dapat diterapkan antara lain brute force, BFS, DFS.

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 :

Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.

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).
            

Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.
              

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

           

Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.
          

Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.
       

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:
http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

Pertemuan Ke - 9 : Kecerdasan Buatan dan Permainan (AI and Games)

Nama : Rezky Audiansyah Putra

Kelas : 3KA12

NPM  : 18116161


Hasil PPT : https://drive.google.com/open?id=1nCf3Cm2Yxo8amRswSx5zDFJpnMRicitb
---------------------------------------------------------------------------------------------------------------------------

  

 1.1 Kecerdasan Buatan VS Game AI  

 

Pengertian Kecerdasan Buatan

Kecerdasan buatan (bahasa Inggris: Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game.

Pengertian Game

Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.

Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996, dan merupakan permainan yang sangat terkenal.

Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.

 

Artificial Intelligence dalam Game

Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.

Game AI adalah aplikasi untuk memodelkan karakter yang terlibat dalam permainan baik sebagai lawan, ataupun karakter pendukung yang merupakan bagian dari permainan tetapi tidak ikut bermain (NPC = Non Playable Character). Peranan kecerdasan buatan dalam hal interaksi pemain dengan permainan adalah pada penggunaan interaksi yang bersifat alami yaitu yang biasa digunakan menusia untuk berinteraksi dengan sesama manusia. Contoh media interaksi ialah:

·         Penglihatan (vision)

·         Suara (voice), ucapan (speech)

·         Gerakan anggota badan ( gesture)

Untuk pembentukan Artificial Intelligence pada game ternyata digunakan pula algoritma, yaitu jenis pohon n-ary untuk suatu struktur. Implementasi pohon (tree) ini biasa disebut game tree. Berdasarkan game tree inilah sebuah game disusun algoritma kecerdasan buatannya. Artificial intellegence yang disematkan dalam sebuah game yang membentuk analisis game tree biasanya merepresentasikan kondisi atau posisi permainan dari game sebagai suatu node, dan merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah yang menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi suatu pohon (tree).

Namun, biasanya representasi langsung tersebut mempunyai kelemahan, yaitu representasi data pohon akan menjadi sangat lebar dan banyak. Mungkin bagi sebuah mesin komputer mampu melakukan kalkulasi sebanyak apapun masalah, namun game tree yang lebar dan besar memberikan beberapa masalah, antara lain konsumsi proses memori, kapasitas penyimpanan yang cukup besar dan kinerja yang kurang pada konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa algoritma dan penyederhanaan bagi sebuah game tree.

Pada salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode ini berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan tidak hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk game-game yang lebih rumit seperti catur, tentunya dengan algoritma dan representasi berbeda.

1.2 Mode Game AI

Pathfinding

 

Metode pathfinding paling mudah ditemui pada game-game bertipe strategi dimana kita menunjuk satu tokoh untuk digerakkan ke lokasi tertentu dengan mengklik lokasi yang hendak dituju. Si tokoh akan segera bergerak ke arah yang ditentukan, dan secara “cerdas” dapat menemukan jalur terpendek ataupun menghindari dari rintangan-rintangan yang ada. Salah satu algoritma pathfindin yang cukup umum dan yang paling banyak digunakan utnuk mencari jarak terpendek secara efisien adalah algoritma A* (baca: A star). Secara umum, algoritma A* adalah mendefinisikan area pencarian menjadi sekumpulan node-node (tiles). Titik awal dan titik akhir ditentukan terlebih dulu untuk mulai penelusuran pada tiap-tiap node yang memungkinkan untuk ditelusuri. Dari sini, akan diperoleh skor yang menunjukkan besarnya biaya untuk menempuh jalur yang ditemukan, ditambah dengan nilai heuristik yang merupakan nilai biaya estimasi dari node yang ada menuju tujuan akhir. Iterasi akan dilakukan hingga akhirnya mencapai target yang dituju. 

 

Jaringan saraf tiruan (neural network)

 

Neural network cukup baik ketika diterapkan pada kasus-kasus yang sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan metode tradisional. Penerapannya seringkali pada game-game yang memerlukan kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang dihasilkan menjadi semakin akurat (semakin cerdas). 

 

Algoritma Genetis (genetic algorithm)

 

Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis, akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk merespons perubahan-perubahan tingkah laku user.

 

sebenarnya bukan hanya 3 teknik kecerdasan buatan di atas yang dapat digunakan dalam sebuah game berbasis kecerdasan buatan masih banyak lagi teknik yang lain.

 

1.3 Algoritma, Struktur Data dan Representasi

 

Beberapa algoritma yang digunakan dalam game, mungkin salah satunya adalah algoritma yang digunakan dalam game pacman tersebut.

 

1. Decision tree

 

Decision Tree adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari decision tree adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

Kelebihan

Daerah pengambilan keputusan yang sbelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode decision tree maka sample diuji hanya berdasarkan criteria atau kelas tertentu.

Fleksibel untuk memilih features dari internal nodes yang berbeda, feature yang terpilih akan membedakan suatu criteria dibandingkan criteria yang lain dalam node yang sama. Kefleksibelan metode decision tree ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional.

Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode decision tree dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan

Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memory yang diperlukan.

Pengakumulasian jumlah error dari setiap level dalam sebuah pohon keputusan yang besar.

Kesulitan dalam mendesain decision tree yang optimal. Hasil kualitas keputusan yang didapatkan dari metode decision tree sangat tergantung pada bagaimana pohon tersebut didesain. 

 

2. Finite State Machines (FSM)

 

FSM adalah sebuah metodologi perancangan sistem kontrol yang menggambarkan tingkah laku atau prinsip kerja sistem dengan menggunakan tiga hal berikut: State (Keadaan), Event (kejadian) dan Action (aksi). Pada satu saat dalam periode waktu yang cukup signifikan, sistem akan berada pada salah satu state yang aktif. Sistem dapat beralih atau bertransisi menuju state lain jika mendapatkan masukan atau event tertentu, baik yang berasal dari perangkat luar atau komponen dalam sistemnya itu sendiri (misal interupsi timer). Transisi keadaan ini umumnya juga disertai oleh aksi yang dilakukan oleh sistem ketika menanggapi masukan yang terjadi. Aksi yang dilakukan tersebut dapat berupa aksi yang sederhana atau melibatkan rangkaian proses yang relative kompleks. Berdasarkan sifatnya, metode FSM ini sangat cocok digunakan sebagai basis perancangan perangkat lunak pengendalian yang bersifat reaktif dan real time. Salah satu keuntungan nyata penggunaan FSM adalah kemampuannya dalam mendekomposisi aplikasi yang relative besar dengan hanya menggunakan sejumlah kecil item state. Selain untuk bidang kontrol, Penggunaan metode ini pada kenyataannya juga umum digunakan sebagai basis untuk perancangan protokol-protokol komunikasi, perancangan perangkat lunak game, aplikasi WEB dan sebagainya.

Dalam bahasa pemrograman prosedural seperti bahasa C, FSM ini umumnya direalisasikan dengan menggunakan statemen kontrol switch case atau/dan if..then. Dengan menggunakan statemen-statemen kontrol ini, aliran program secara praktis akan mudah dipahami dan dilacak jika terjadi kesalahan logika.

Finite State Machine di dunia AI Game Programming, merupakan salah satu teknik yang paling sering digunakan. 

 

Kelebihan

Implementasinya mudah dan cepat

Memudahkan proses debugging. Karena telah dipecah menjadi kepingan yang lebih kecil, proses debugging kalau terjadi behavoiur yang tidak semestinya, menjadi lebih mudah

Proses komputasi yg minimal, karena sejatinya FSM hanyalah conditional statement yang dikemas dalam bentuk yang lebih elegan.

Fleksibel, dapat dikombinasikan dengan teknik AI lain misalnya fuzzy logic dan neural network. 

 

Kekurangan

Behaviour dari agen mudah diprediksi, karena tidak ada searching dan atau learning di dalam agen tersebut

Karena mudah diimplementasi, kadang programmer langsung tembak di eksekusi tanpa melakukan desain FSM terlbih dahulu. Biasanya akan terjadi FSM yang terfragmentasi

Timbul apa yang dinamakan dengan State Oscillation yaitu ketika batasan antara dua buah state terlalu tipis 

 

3. Sistem berbasis aturan (Rule Based System)

 

adalah suatu program komputer yang memproses informasi yang terdapat di dalam working memory dengan sekumpulan aturan yang terdapat di dalam basis pengetahuan menggunakan mesin inferensi untuk menghasilkan informasi baru.

Sebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah assertions set, yang secara kolektif membentuk working memory, dan sebuah rule set yang menentukan aksi pada assertions set.  RBS secara relatif adalah model sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam kerjanya.

Kelebihan

Availability-bertambah, intelligent tutor, intelligent dB, danger-reduced, performance

multiple expertise, reability-bertambah, explanation steady, unemotional and complete response

Kekurangan

Jika terlalu banyak aturan, sistem menjadi sulit dalam me-maintain performance dan Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu masalah. 

 

4. Algoritma A*

 

Menyelesaikan masalah yang menggunakan graf untuk perluasan ruang statusnya. Dengan menerapkan suatu heuristik, algoritma ini membuang langkah-langkah yang tidak perlu dengan pertimbangan bahwa langkah-langkah yang dibuang sudah pasti merupakan langkah yang tidak akan mencapai solusi yang diinginkan. Algoritma A* membangkitkan simpul yang paling mendekati solusi. Simpul ini kemudian disimpan suksesornya ke dalam list sesuai dengan urutan yang paling mendekati solusi terbaik. Kemudian, simpul pertama pada list diambil, dibangkitkan suksesornya dan kemudian suksesor ini disimpan ke dalam list sesuai dengan urutan yang terbaik untuk solusi.

Algoritma ini akan mengunjungi secara mendalam (mirip DFS) selama simpul tersebut merupakan simpul yang terbaik. Jika simpul yang sedang dikunjungi ternyata tidak mengarah kepada solusi yang diinginkan, maka akan melakukan runut balik ke arah simpul akar untuk mencari simpul anak lainnya yang lebih menjanjikan dari pada simpul yang terakhir dikunjungi. Bila tidak ada juga, maka akan terus mengulang mencari ke arah simpul akar sampai ditemukan simpul yang lebih baik untuk dibangkitkan suksesornya. Strategi ini berkebalikan dengan algoritma DFS yang mencari sampai kedalaman yang terdalam sampai tidak ada lagi suksesor yang bisa dibangkitkan sebelum melakukan runut balik, dan BFS yang tidak akan melakukan pencarian secara mendalam sebelum pencarian secara melebar selesai. A* baru berhenti ketika mendapatkan solusi yang dianggap solusi terbaik.

Algoritma A* menggabungkan jarak estimasi/heuristik [h(n)] dan jarak sesungguhnya/cost [g(n)] dalam membantu penyelesaian persoalan. Heuristik adalah nilai yang memberi harga pada tiap simpul yang memandu A* mendapatkan solusi yang diinginkan. Dengan heuristik, maka A* pasti akan mendapatkan solusi (jika memang ada solusinya). Dengan kata lain, heuristik adalah fungsi optimasi yang menjadikan algoritma A* lebih baik dari pada algoritma lainnya. Namun heuristik masih merupakan estimasi/perkiraan biasa saja. Sama sekali tidak ada rumus khususnya. Artinya, setiap kasus memiliki fungsi heuristik yang berbeda-beda. 

 

5. Algoritma Dijkstra

 

Algoritma Dijkstra adalah sebuah algoritma rakus (greedy algorithm) yang dipakai dalam memecahkan permasalahan jarak terpendek (shortest path problem) untuk sebuah graf berarah (directed graph) dengan bobot-bobot sisi (edge weights) yang bernilai tak negatif.

Misalnya, bila vertices dari sebuah graf melambangkan kota-kota dan bobot sisi (edge weights) melambangkan jarak antara kota-kota tersebut, maka algoritma Dijkstra dapat digunakan untuk menemukan jarak terpendek antara dua kota. Input algoritma ini adalah sebuah graf berarah yang berbobot (weighted directed graph)

Tujuan Algoritma Dijkstra yaitu untuk menemukan jalur terpendek berdasarkan bobot terkecil dari satu titik ke titik lainnya.

Kelemahan algoritma ini adalah semakin banyak titik akan semakin memakan waktu proses.

Jumlah titik menentukan tingkat efektifitas dari algoritma djikstra. 

 

Urutan Logika Algoritma Dijkstra

 

-Beri nilai bobot (jarak) untuk setiap titik ke titik lainnya, lalu set nilai 0 pada node awal dan

      nilai tak hingga terhadap node lain (yang belum terisi).

-Set semua node “Belum terjamah” dan set node awal sebagai “Node keberangkatan”.

-Dari node keberangkatan, pertimbangkan node tetangga yang belum terjamah dan hitung

      jaraknya dari titik keberangkatan.

-Setelah selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node

      yang telah terjamah sebagai “Node terjamah”. Node terjamah tidak akan pernah di cek

      kembali, jarak yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya.

-Set “Node belum terjamah” dengan jarak terkecil (dari node keberangkatan) sebagai

      “Node Keberangkatan” selanjutnya dan lanjutkan dengan kembali ke step 3.

Dari beberapa algoritma AI diatas mungkin kita sekarang dapat mengerti bagaimana AI dalam game bekerja, atau malah kita bingung dan tidak mengerti. Ada banyak proses rumit yang jika dikerjakan terlihat akan sangat memakan waktu, sedangkan saat kita bermain game, semuanya terjadi begitu cepat dalam hitungan detik. Tetapi tu semua mungkin karena adanya komputer sebagai alat pemprosesan yang dapat mengerjakannya dalam hitungan detik. 

 

1.4 Kompleksitas Kesalahan 

 

Dalam konteks kecerdasan buatan dalam permainan video, kecurangan mengacu pada programmer agen memberikan akses ke informasi yang tersedia kepada pemain. Dalam sebuah contoh sederhana, jika agen ingin tahu apakah pemain dekatnya mereka dapat menjadi diberikan kompleks, manusia seperti sensor (melihat, mendengar, dll), atau mereka bisa menipu dengan hanya meminta mesin permainan untuk posisi pemain. Penggunaan kecurangan dalam AI menunjukkan keterbatasan "kecerdasan" dicapai artifisial, secara umum, dalam permainan di mana kreativitas strategis sangat penting, manusia dengan mudah bisa mengalahkan AI setelah minimal trial and error jika bukan untuk keuntungan ini. Kecurangan sering diimplementasikan untuk alasan kinerja di mana dalam banyak kasus mungkin dianggap dapat diterima sepanjang pengaruhnya tidak jelas bagi pemain. Sedangkan kecurangan hanya merujuk hak istimewa yang diberikan secara khusus untuk AI itu tidak termasuk kecepatan tidak manusiawi dan presisi alami untuk pemain-komputer mungkin panggilan keuntungan yang melekat komputer "kecurangan" jika mereka menghasilkan agen bertindak tidak seperti pemain manusia.

Kecurangan AI adalah aspek yang terkenal dari seri Peradaban Sid Meyer, dalam pertandingan tersebut, pemain harus membangun kerajaan dari awal, sedangkan kerajaan komputer menerima unit tambahan tanpa biaya dan dibebaskan dari pembatasan sumber daya. 

 

1.5 Jenis Game AI 

 

RTS (Real Time Strategy)

 

Game ini biasanya bersifat turn based ataupun bisa dimainkan secara bersamaan, identik dengan bermain melawan human intelegent (manusia vs manusia) yang biasanya menggunakan LAN ataupun Internet. Game ini bisa dikatakan game perang-perangan. Contoh game RTS adalah (DOTA, StarCraft, Civilization). 

 

RPG (Role Playing Game)

 

Game ini memiliki unsur yang unik, karena biasanya tidak ada tamat dalam game seperti ini (Kalaupun tamat, hanya ceritanya saja, dan kalian masih bisa leveling atau grinding sesuka hati). Kalian akan menjalankan sebuah main character yang bisa kalian costumize, mencari uang, membangun koneksi dengan NPC (non playable player) dan sebagainya. Contoh dari game RPG adalah (KOA, Skyrim, The Witcher). 

 

FPS (First Person Shooter)

 

FPS adalah game Tembak-tembakan, pukul-pukulan, tusuk-tusukan yang menggunakan sudut pandang orang pertama. Biasanya kita hanya bisa melihat tangan dari character kita. Contoh game ini FPS adalah (Call of Duty, Counter Strike, Far Cry 3). 

 

TPS (Third Person Shooter)

 

TPS sama definisinya dengan FPS. Hanya saja sudut pandangnya yang berbeda. Di TPS kita memakai sudut pandang orang ketiga. Kita bisa melihat keseluruhan character dari belakang (punggung). Contoh game TPS adalah (Dark Souls, Dark Siders, Assassins Creed). 

 

Sand Box

 

Game yang bersetting disuatu daerah, jadi kita bertualang pada suatu map yang sudah disediakan, dan kita bebas menjelajahinya tanpa harus loading ketika berpindah kesuatu daerah, biasanya game-game yang seperti ini game yang paling banyak peminatnya apalagi kita biasanya disuguhkan dengan "kebebasan" didalam game seperti ini. Contoh game Sand Box (GTA, Saints Row, Sleeping Dogs). 

 

1.6 Kecepatan dan Memori

 

Kebanyakan program AI menuntut memori yang besar dan kecepatan yang tinggi.

Referensi :

https://setiyanugroho.wordpress.com/2011/04/12/kecerdasan-buatan-dalam-game/

http://sharingasik.blogspot.com/2017/11/kecerdasan-buatan-vs-game-ai.html 

Kecerdasan buatan dalam game, Bella alysha

Artificial Intelligence, Sandi Setiawan, Andi Offset Yogyakarta, 1993

Mengenal Artificial Intelligence, Suparman, Andi Offset Yogyakarta, 1991.

Pertemuan Ke - 8 : Pembelajaran / Learning

Nama : Rezky Audiansyah Putra

Kelas : 3KA12

NPM  : 18116161


Hasil PPT : https://drive.google.com/open?id=1AXqGUZfqi5Hf_J24EPkZ5IrBkY_Ft2E8
---------------------------------------------------------------------------------------------------------------------------

 

Lingkungan belajar yang ditata oleh kampus merupakan salah satu faktor yang dipercaya mempengaruhi perilaku para mahasiswanya baik dalam bersosialisasi maupun pada saat pengembangan pendidikan mereka selama menjalani pendidikan di dunia perkuliahan.
Mata kuliah ini meliputi kajian hakikat belajar dan pembelajaran, prinsip dan implikasi belajar pembelajaran, teori belajar dan implementasi dalam proses pembelajaran, gaya dan masalah-masalah belajar, siklus belajar, komunikasi pembelajaran, metode pembelajaran inovatif, dan evaluasi pembelajaran.

8.1. Pembelajaran dari Pengamatan
Pendidikan adalah suatu kegiatan yang komplek dan menuntut penanganan untuk meningkatkan kualitasnya, baik yang berupa menyeluruh maupun pada beberapa komponen tertentu karena dalam kegiatan pembelajaran terdiri dari berbagai variable pokok yang saling berkaitan yaitu kurikulum, guru, pembelajaran, dan peserta. Dimana semua komponen ini bertujuan untuk kepentingan peserta didik. Berdasarkan hal tersebut pendidik harus mampu menggunakan model pembelajaran agar peserta didik dapat melakukan kegiatan belajar. Hal ini dilatar belakangi bahwa beberapa peserta didik bukan hanya sebagai objek tetapi juga merupakan subjek dalam pembelajaran. Peserta didik harus disiapkan sejak dini agar ia mampu untuk bersosialisasi dengan lingkungannya dan gerakan baru sehingga berbagai jenis pembelajaran dapat digunakan oleh pendidik untuk meningkatkan kualitas belajar dan mengajar, seperti cara guru mengajar dan cara peserta didik belajar.



Dosen merupakan suatu profesi yang sangat unik. Selain harus memiliki jiwa pengabdian yang tinggi ia juga memiliki tanggung jawab yang besar pada masa depan peserta didik. Oleh karena itu, dosen harus selalu belajar, baik untuk ilmu pengetahuan dan keterampilan pembelajaran, maupun belajar memahami aspek psikologis kemanusiaan. Seorang guru juga harus mampu memahami bagaimana cara peserta didiknya belajar. Jika seorang guru telah mampu menguasai teknik yang dapat meningkatan semangat keaktifan anak didiknya dalam belajar, maka dunia pendidikan akan semakin efektif dan profesional.

8.1.1. Bentuk Pembelajaran

1. Metode Ceramah
Metode pembelajaran ceramah adalah penerangan secara lisan atas bahan pembelajaran kepada sekelompok pendengar untuk mencapai tujuan pembelajaran tertentu dalam jumlah yang relatif besar. Seperti ditunjukkan oleh Mc Leish (1976), melalui ceramah, dapat dicapai beberapa tujuan. Dengan metode ceramah, guru dapat mendorong timbulnya inspirasi bagi pendengarnya.
Gage dan Berliner (1981:457), menyatakan metode ceramah cocok untuk digunakan dalam pembelajaran dengan ciri-ciri tertentu. Ceramah cocok untuk penyampaian bahan belajar yang berupa informasi dan jika bahan belajar tersebut sukar didapatkan.

2. Metode Diskusi
Metode pembelajaran diskusi adalah proses pelibatan dua orang peserta atau lebih untuk berinteraksi saling bertukar pendapat, dan atau saling mempertahankan pendapat dalam pemecahan masalah sehingga didapatkan kesepakatan diantara mereka. Pembelajaran yang menggunakan metode diskusi merupakan pembelajaran yang bersifat interaktif (Gagne & Briggs. 1979: 251).
Menurut Mc. Keachie-Kulik dari hasil penelitiannya, dibanding metode ceramah, metode diskusi dapat meningkatkan anak dalam pemahaman konsep dan keterampilan memecahkan masalah. Tetapi dalam transformasi pengetahuan, penggunaan metode diskusi hasilnya lambat dibanding penggunaan ceramah. Sehingga metode ceramah lebih efektif untuk meningkatkan kuantitas pengetahuan anak dari pada metode diskusi.

3. Metode DemonstrasiMetode pembelajaran demontrasi merupakan metode pembelajaran yang sangat efektif untuk menolong siswa mencari jawaban atas pertanyaan-pertanyaan seperti: Bagaimana cara mengaturnya? Bagaimana proses bekerjanya? Bagaimana proses mengerjakannya. Demonstrasi sebagai metode pembelajaran adalah bilamana seorang guru atau seorang demonstrator (orang luar yang sengaja diminta) atau seorang siswa memperlihatkan kepada  seluruh kelas sesuatau proses. Misalnya bekerjanya suatu alat pencuci otomatis, cara membuat kue, dan sebagainya.
Kelebihan Metode Demonstrasi :
a. Perhatian siswa dapat lebih dipusatkan.
b. Proses belajar siswa lebih terarah pada materi yang sedang dipelajari.
c. Pengalaman dan kesan sebagai hasil pembelajaran lebih melekat dalam diri siswa.
Kelemahan metode Demonstrasi :
a. Siswa kadang kala sukar melihat dengan jelas benda yang diperagakan.
b. Tidak semua benda dapat didemonstrasikan.
c. Sukar dimengerti jika didemonstrasikan oleh pengajar yang kurang menguasai apa yang didemonstrasikan.

4. Metode Ceramah Plus
Metode Pembelajaran Ceramah Plus adalah metode pengajaran yang menggunakan lebih dari satu metode, yakni metode ceramah yang dikombinasikan dengan metode lainnya. Ada tiga macam metode ceramah plus, diantaranya yaitu:
a. Metode ceramah plus tanya jawab dan tugas
b. Metode ceramah plus diskusi dan tugas
c. Metode ceramah plus demonstrasi dan latihan (CPDL)

5. Metode Resitasi
Metode Pembelajaran Resitasi adalah suatu metode pengajaran dengan mengharuskan siswa membuat resume dengan kalimat sendiri.
Kelebihan Metode Resitasi adalah :
a. Pengetahuan yang diperoleh peserta didik dari hasil belajar sendiri akan dapat diingat lebih lama.
b. Peserta didik memiliki peluang untuk meningkatkan keberanian, inisiatif, bertanggung jawab dan mandiri.
Kelemahan Metode Resitasi adalah :
a. Kadang kala peserta didik melakukan penipuan yakni peserta didik hanya meniru hasil pekerjaan orang lain tanpa mau bersusah payah mengerjakan sendiri.
b. Kadang kala tugas dikerjakan oleh orang lain tanpa pengawasan.
c. Sukar memberikan tugas yang memenuhi perbedaan individual.

6. Metode Eksperimental
Metode pembelajaran eksperimental adalah suatu cara pengelolaan pembelajaran di mana siswa melakukan aktivitas percobaan dengan mengalami dan membuktikan sendiri suatu yang dipelajarinya. Dalam metode ini siswa diberi kesempatan untuk mengalami sendiri atau melakukan sendiri dengan mengikuti suatu proses, mengamati suatu obyek, menganalisis, membuktikan dan menarik kesimpulan sendiri tentang obyek yang dipelajarinya.

7. Metode Study Tour (Karya wisata)
Metode study tour Study tour (karya wisata) adalah metode mengajar dengan mengajak peserta didik mengunjungi suatu objek guna memperluas pengetahuan dan selanjutnya peserta didik membuat laporan dan mendiskusikan serta membukukan hasil kunjungan tersebut dengan didampingi oleh pendidik.

8. Metode Latihan Keterampilan
Metode latihan keterampilan (drill method) adalah suatu metode mengajar dengan memberikan pelatihan keterampilan secara berulang kepada peserta didik, dan mengajaknya langsung ketempat latihan keterampilan untuk melihat proses tujuan, fungsi, kegunaan dan manfaat sesuatu (misal: membuat tas dari mute). Metode latihan keterampilan ini bertujuan membentuk kebiasaan atau pola yang otomatis pada peserta didik.

9. Metode Pengajaran Beregu
Metode pembelajaran beregu adalah suatu metode mengajar dimana pendidiknya lebih dari satu orang yang masing-masing mempunyai tugas.Biasanya salah seorang pendidik ditunjuk sebagai kordinator. Cara pengujiannya,setiap pendidik membuat soal, kemudian digabung. Jika ujian lisan maka setiapsiswa yang diuji harus langsung berhadapan dengan team pendidik tersebut

10. Peer Theaching Method
Metode Peer Theaching sama juga dengan mengajar sesama teman, yaitu suatu metode mengajar yang dibantu oleh temannya sendiri.

8.1.2. Pembelajaran Induktif
Pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Model pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, selanjutnya guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan. Model pembelajaran induktif dirancang berlandaskan teori konstruktivisme dalam belajar. Model ini membutuhkan guru yang terampil dalam bertanya (questioning) dalam penerapannya. Melalui pertanyaan-pertanyaan inilah guru akan membimbing siswa membangun pemahaman terhadap materi pelajaran dengan cara berpikir dan membangun ide. Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir.
Struktur sosial dalam pembelajaran menjadi ciri lingkungan kelas yang sangat dibutuhkan untuk belajar melalui model pembelajaran induktif. Model pembelajaran induktif mensyaratkan sebuah lingkungan belajar yang mana di dalamnya siswa merasa bebas dan terlepas dari resiko takut dan malu saat memberikan pendapat, bertanya, membuat konklusi dan jawaban. Mereka harus bebas dari kritik tajam yang dapat menjatuhkan semangat belajar.

8.1.3. Pohon Keputusan Pembelajaran
Pembelajaran pohon keputusan adalah suatu metode untuk memperkirakan fungsi target bernilai diskrit, yang mana fungsi pembelajaran direpresentasikan oleh sebuah pohon keputusan.
Secara umum, pohon keputusan merepresentasikan sebuah disjungsi dari beberapa konjungsi dari beberapa batasan pada nilai atribut dan instansi.

8.1.4. Pembelajaran Ensemble
Sebuah pengklasifikasi ensemble adalah himpunan beberapa pengklasifikasi, di mana keputusan dari tiap pengklasifikasi dikombinasikan dengan suatu cara (pada umumnya menggunakan voting dengan atau tanpa menggunakan bobot) untuk mengklasifikasikan data baru (Dietterich, 2001). Kerangka kerja dasar sebuah ensemble.  Pengklasifikasi ensemble tersebut dibuat dengan menggunakan data pelatihan untuk membangun beberapa pengklasifikasi dasar yang kemudian digabungkan untuk memperoleh hasil klasifikasi akhir. Sebuah pengklasifikasi ensemble akan menjadi pengklasifikasi yang efektif apabila memiliki tingkat akurasi klasifikasi yang tinggi di mana masing-masing hasil prediksinya tidak saling berkaitan (Bauer dan Kohavi, 1999). Beberapa metode untuk membuat ensemble, antara lain pelatihan pengklasifikasi dasar pada subset data pelatihan yang berbeda (misalnya bagging dan boosting), penggunaan algoritma pembelajaran yang berbeda, melakukan randomisasi, dan pelatihan pada feature subset yang berbeda (Dietterich, 2001).

https://sites.google.com/a/std.stei.itb.ac.id/sulhan/pembelajaran-mesin-lanjut/pembelajaran-pohon-keputusan-decision-tree
http://belajarpsikologi.com/macam-macam-metode-pembelajaran/

Pertemuan Ke - 7 : Pengetahuan Mengenai Ketidakpastian Dan Penalaran Probabilitas

Nama : Rezky Audiansyah Putra

Kelas : 3KA12

NPM  : 18116161


Hasil PPT : https://drive.google.com/open?id=1VAFqJGa9jRH4YYqUcmmfbcpKpXhSbWkU
---------------------------------------------------------------------------------------------------------------------------

 

PENALARAN

      Penalaran adalah sebuah pemikiran untuk dapat menghasilkan suatu kesimpulan.Ketika seseorang sedang menalarkan sesuatu, maka seseorang tersebut akan mendapatkan sebuah pemikiran dimana pemikiran tersebut adalah suatu kesimpulan masalah yang sedang dihadapi. Contoh saja kalau kita sedang berkendara dan terjebak diderasnya hujan, apakah yang akan kita lakukan ? disitulah nalar kita bekerja. Mencari sebuah solusi agar kita bisa terhindar dari derasnya hujan dengan cara memikirkan sesuatu yang bisa dipakai untuk berteduh. Ciri-ciri penalaran :
        1. Adanya suatu pola berpikir yang secara luas disebut logika.
        2. Sifat analitik dari proses berfikir. Analisis pada hakikatnya merupakan suatu kegiatan berpikir berdasarkan langkah-langkah tertentu.
 

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. Contoh-contoh klasik system pakar yang sukses yang bergubungan dengan ketidakpastian adalah MYCIN yang berguna untuk diagnose medis dan PROSPECTOR untuk eksplorasi mineral.

        Banyak kemungkinan dan ketidakpastian menyertai dalam masalah dan solusinya. Ada beberapa sumber dari ketidakpastian, beberapa diantaranya adalah :
        1. Masalah
        Beberapa masalah meliputi factor-faktor yang oleh sifat mereka, tidak pasti atau acak. Sebagai contoh, dalam pengobatan, penyakit yang sama dapat member gejala yang berbeda untuk pasien yang lain.
        2. Data
        Beberapa masalah mungkin memiliki batasan yang kurang jelas bagi seseorang. Orang yang menghadirkan masalah mungkin mengetahui beberapa fakta untuk kepastian, menuduh lainnya dan tidak mengetahui lainnya. Angka-angka dan nilai-nilai dapat tidak tepat, ditebak atau tidak diketahui.
        3. Pakar
        Manusia sering dapat memakai pengetahuan mereka tanpa mengetahui secara eksplisit apa pengetahuan itu sendiri. Mereka mungkin harus meningkatkan secara detail apa yang mereka lakukan dan bagaimana dan tampak tak jelas atau bahkan bertentangan dengan dirinya sendiri.
        4. Solusi
        Ada beberapa area tertentu dimana tidak terdapat pakar yang diakui. Pakar sendiri mungkin tidak setuju satu sama lain dan tak seorangpun dapat memutuskan solusi yang baik. Domain seperti itu dapat berupa strategi militer.

        Probabilitas dan Teorema Bayes
        Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian mengubahnya dengan nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas. teorema ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan kedokteran.

        Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema Bayes untuk mencari penerapan dinamakan inferens Bayes

        Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas kereta api. Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang wanita, bila diketahui berapa peluang seorang wanita berambut panjang.
        Misalkan:
        • W adalah kejadian percakapan dilakukan dengan seorang wanita.
        • L adalah kejadian percakapan dilakukan dengan seorang berambut panjang
        • M adalah kejadian percakapan dilakukan dengan seorang pria

        Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang kawan Anda berbicara dengan wanita,
        P(W) = 0,5
        Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah 0,75. Kita melambangkannya sebagai:
        P(L|W) = 0,75
        Sebagai keterangan tambahan kita juga mengetahui bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata lain:
        P(L|M) = 0,3

        Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 - P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen dari W.
        Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut panjang, atau dalam notasi yang kita gunakan, P(W|L). Di sini kita menggunakan aturan peluang total. Dengan memasukkan nilai-nilai peluang yang diketahui ke dalam rumus di atas, kita mendapatkan peluang seseorang itu wanita bila diketahui dia berambut panjang adalah 0,714. Angka ini sesuai dengan intuisi awal kita, bahwa peluang kawan kita itu bercakap-cakap dengan wanita meningkat.
        Dari contoh di atas kita bisa merumuskan teorema Bayes secara umum.

        10.3. Faktor Kepastian (Certainty Factor)
        Faktor kepastian diperkenalkan oleh Shortliffe Buchanan  dalam pembuatan MYCIN. Certanity Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. CF menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Notasi faktor kepastian adalah :

        Dengan:
        CF [h,e]   = faktor kepastian
        MB [h,e]  = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1)
        MD [h,e]  = ukuran ketidakpercayaan terhadap hipotesa h, jika diberikan evidence e (antara 0 dan 1)
        e         = evidence (peristiwa atau fakta)
        h         = hipotesa (dugaan)
        Sebagai contoh, berikut ini adalah sebuah aturan dengan CF yang diberikan oleh seorang pakar:
        JIKA batuk
        DAN demam
        DAN sakit kepala
        DAN bersin-bersin
        MAKA influensa, CF: 0,7

        Metode certainty factor ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. Untuk bobot yang lebih dari 2 banyaknya, untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang dihitung teracak, artinya tidak ada aturan untuk mengkombinasikan bobotnya, karena untuk kombinasi seperti apapun hasilnya akan tetap sama. Misalnya, untuk mengetahui apakah seorang pasien tersebut menderita penyakit jantung atau tidak, dilihat dari hasil perhitungan bobot setelah semua keluhan-keluhan diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factor. Pasien yang divonis mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan yang dimiliki mengarah kepada penyakit jantung. Sedangkan pasien yang mempunyai bobot mendekati -1 adalah pasien yang dianggap tidak mengidap penyakit jantung, serta pasien yang memiliki bobot sama dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral.

        Kelebihan dan Kekurangan Metode Certainty Factor
        Kelebihan Certainty Factor:
            a. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosa penyakit.
            b. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengelola dua data saja sehingga keakuratan data dapat terjaga.

        Kekurangan Metode Certainty Factor :
            a. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factor diatas memiliki sedikit kebenaran.
            b. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya dua data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari dua buah.
            c. Nilai CF yang diberikan bersifat subyektif karena penilaian setiap pakar bisa saja berbeda-beda tergantung pengetahuan dan pengalaman pakar.

        Teori Dempster-Shafer
        Teori Dempster-Shafer ( DST ) merupakan teori matematika dari evidence. Teori tersebut dapat memberikan sebuah cara untuk menggabungkan evidence dari beberapa sumber dan mendatangkan/memberikan tingkat kepercayaan (direpresentasikan melalui fungsi kepercayaan) dimana mengambil dari seluruh evidence yang tersedia. Teori tersebut pertama kali dikembangkan oleh Arthur P. Dempster and Glenn Shafer.

        Dalam sebuah akal yang sempit, definisi teori Dempster-Shafer mengacu pada konsepsi original dari pada teori oleh Dempster dan Shafer. Bagaimanapun, merupakan sebuah teori yang biasa digunakan untuk mendefinisikan akal secara lebih luas dari beberapa pendekatan umum serupa, sebagaimana telah diadaptasi untuk beberapa jenis dari situasi. Pada situasi tertentu , banyak penulis telah menawarkan aturan berbeda untuk menggabungkan barang bukti, biasanya dengan melihat kembali dan menangani konflik barang bukti secara lebih baik.

        Teori Dempster–Shafer merupakan generalisasi dari teori Bayesian probabilitas subjektif. Dimana kebutuhan probabilitas yang akan dibutuhkan untuk setiap pertanyaan dari keinginan, fungsi kepercayaan berdasarkan pada tingkat kepercayaan ( percaya diri atau percaya ) untuk sebuah pertanyaan dalam probabilitas untuk sebuah pertanyaan tertentu. Derajat kepercayaan dapat memiliki atau tidak memiliki properti matematika dari probabilitas, berapa banyak perbedaan yang bergantung dari seberapa dekat 2 buah pertanyaan berelasi. Tempatkan di jalur lain, yang merupakan jalur untuk merepresentasikan epistemic plausibilitas, tetapi hal tersebut dapat memberikan hasil jawaban yang kontradiksi dimana dapat dihasilkan menggunakan teori probabilitas.

        Melalui yang digunakan sebagai metode dari penggabungan sensor, teori dempster shafer beradasarkan pada dua ide : memperoleh tingkat kepercayaan untuk sebuah pertanyaan dari probabilitas subjektif dimana dapat berdasarkan pada item independent sebuah barang bukti. Dengan esensi, derajat dari kepercayaan dalam sebuah proporsi yang bergantung secara primer daripada jumlah jawaban ( untuk pertanyaan yang berelasi ) yang berisikan proposi. Dan probabilitas subjektif untuk setiap pertanyaan. Dan juga berkontribusi pada aturan dari kombinasi yang merefleksikan asumsi umum mengenai data.

        Melalui formalisasi sebuah derajat kepercayaan ( dan juga diferensikan secara umum ) merupakan sebuah representasi sebagai fungsi kepercayaan dari pada distribusi probabilitas Bayesian . Nilai probabilitas diberikan untuk sekumpulan dari kemungkinan daripada sebuah acara tunggal. : melalui perbandingan tersebut ditetapkan dari fakta dimana secara natural menyandikan barang bukti sesuai dengan keinginan dari proporsi.

        Kerangka shafer’s dapat memberikan kepercayaan mengenai proposi untuk dapat direpresentasikan sebagai interval, diliputi dengan 2 buah nilai, keperyaan ( atau dukungan ) dan hal yang masuk akal.

                                                                belief = plausibility

        Kepercayaan dalam hipotesis di konstitusikan melalui jumlah dari masa dari keseluruhan kumpulan dengan (seperti jumlah dari masa untuk keseluruhan subset dari hipotesis ). Merupakan jumlah dari kepercayaan dimana secara langsung mendukung sekumpulan hipotesis yang diberikan terakhir, membentuk dasar. Kepercayaan ( biasanya dinotasikan dengan Bel ) mengukur kekuatan dari barang bukti dalam kesukaan dari sekumpulan atau proporsi. Memiliki rentang antara 0 ( mengindikasikan tidak ada barang bukti ) sampai 1 ( yang menunjukan kepastian ). Hal yang masuk akal merupakan 1 dikurangi jumlah dari masa dari semua kumpulan masa untuk seluruh kumpulan yang berinterseksi dengan hipotesis adalah kosong.

        Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Dimana nilai bel yaitu (0-0.9).
        Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan-s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.

            Contoh :
        Diketahui nilai belief  adalah 0,5 dan nilai plausibility adalah 0,8 untuk proposisi “the cat in the box is dead”
        Bel = 0,5
        Fakta yang mendukung proposisi tersebut memiliki nilai kepercayaan sebesar 0,5
        Pl = 0,8
        Fakta yang melawan proposisi tersebut hanya memiliki nilai kepercayaan sebesar 0,2

        Pada teori Dempster-Shafer dikenal adanya frame of  discernment (θ) yaitu semesta pembicaraan dari sekumpulan hipotesis. Nilai probabilitas densitas (m) mendefinisikan elemen-elemen θ  serta semua subsetnya. Jika θ berisi n elemen, subset dari θ adalah 2n
        Merupakan sebuah batas atas dari kemungkinan dimana hipotesis dapat menjadi benar. Dapat memungkinkan menjadi kondisi dari sistem menuju nilai yang diinginkan, dikarenakan terdapat banyak barang bukti, dikarenakan terdapat banyak barang bukti yang kontradiksi hipotesis. Plausability ( hal yang masuk akal ) didefinisikan sebagai Pl(s) = 1 – Bel ( ~s). juga memiliki rentang dari 0 sampai 1 dan mengukur tambahan dimana setiap barang bukti merupakan selera dari ~s merupakan ruang diluar dari pada s. 

Referensi :

       http://informatika.web.id/faktor-kepastian-certainty-factor.html