Pencarian berbentuk heuristik search dan eskplorasi

Materi 3 Pencarian berbentuk heuristik search dan eskplorasi

)    Strategi pencarian berbentuk(heuristik search strategy)

1.1)            Greedy Best First Search

Salah satu algoritma yang termasuk kedalam kategori informed search adalah Greedy Best First Search yang dikenal juga dengan Greedy Search. Secara harfiah greedy artinya rakus atau tamak, sifat yang berkonotasi negative. Sesuai dengan arti tersebut, prinsip greedy adalah mengambil keputusan yang dianggap terbaik hanya untuk saat itu saja yang diharapkan dapat memberikan solusi terbaik secara keseluruhan. Oleh karena itu, pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan. Keputusan yang telah diambil pada suatu langkah tidak dapat diubah lagi pada langkah selanjutnya.

Greedy Best First Search seperti halnya algoritma yang menggunakan strategi best-first search lainnya mempuyai sebuah fungsi yang menjadi acuan kelayakan sebuah simpul yaitu fungsi evaluasi f(n). pada Greedy Best First Search fungsi evaluasi tidak bergantung pada cost sebelumnya, tetapi hanya bergantung pada fungsi heuristic itu sendiri.jika pada algoritma pencarian yang dilakukan bergantung pada cost sebenarnya dari sebuah simpul yaitu g(n), pada Greedy Best First Searchfungsi evaluasi hanya bergantung pada fungsi heuristic h(n) yang mengestimasikan arah yang benar, sehingga pencarian jalur dapat berlangsung dengan sangat secapt. Secara matematis fungsi evaluasi pada greedy search diberikan oleh :

f(n) = h(n)

dengan :

g(n) = estimasi biaya dari simpul n ke simpul tujuan (goal node).

Berikut langkah-langkah pencarian lintasan terpendek yang dilakukan Greedy Best First Search :

§  Masukan simpul awal ke dalam Open List.

§  Open berisi simpul awal dan Closed List masih kosong.

§  Masukkan simpul awal ke Closed List dan suksesornya pada Open List.

§  Ulangi langkah berikut sampai simpul tujuan ditemukan dan tidak ada lagi simpul yang akan dikembangkan.

§  Hitung nilai f simpul-simpul yang ada pada Open List, ambil simpul terbaik (f paling kecil).

§  Jika simpul terbesar sama dengan simpul tujuan, maka sukses.

§  Jika tidak, masukkan simpul tersebut ke dalam Closed.

§  Bangkitkan semua suksesor dari simpul tersebut.

§  Untuk setiap suksesor kerjakan :

a.    Jika suksesor tersebut belum pernah dibangkitkan, evaluasi suksesor tersebut, tambahkan ke Open dan catat “parent”nya.

b.   Jika suksesor tersebut sudah pernah dibangkitkan, ubah parent-nya jika jalur parent ini lebih baik daripada jalur melalui parent yang sebelumnya. Selanjutnya, perbarui biaya untuk suksesor tersebut.

1.2)             Algoritma A* (A Star)

Terdapat banyak algoritma pencarian lintasan terpendek, algoritma Dijsktra merupakan salah satu dari algoritma tersebut. Dengan menggunakan fungsi biaya g(n) setiap simpul, algoritma Dijkstra memeriksa kelayakan biaya yang diperlukan untuk mencapai suatu simpul dari sebuah simpul lain. Proses ini dilakukan berulang sampai simpul tujuan diperiksa.

Algoritma Dijkstra memang menjamin didapatkannya jalur optimal, tetapi algoritma ini mempunyai kelemahan. Pemeriksaan simpul akan dilakukan ke segala arah yang dimungkinkan dan pada akhirnya seluruh simpul pada sebuah graf akan diperiksa. Hal ini menyebabkan algoritma ini bekerja dengan lambat, sehingga waktu yang dibutuhkan untuk menemukan solusi akan semakin besar pula.

Algoritma A* adalah algoritma yang menggabungkan Dijkstra dan algoritma Greedy Best First Search. Selain menghitung biaya yang diperlukan untuk berjalan dari simpul satu ke simpul lainnya, algoritma A* juga menggunakan fungsi heuristicuntuk memprioritaskan pemeriksaan simpul-simpul pada arah yang benar, sehingga algoritma A* mempunyai efisiensi waktu yang baik dengan tidak mengorbankan perhitungan biaya sebenarnya.

2)    Fungsi Heuristic

Fungsi heuristic h(n) merupakan estimasi cost dari n ke simpul tujuan. Sangat penting untuk memilih fungsi heuristic yang baik. Misalkan h*(n) merupakan cost sebenarnya dari simpul n ke simpul tujuan, maka pada algoritma A* terdapat beberapa kemungkinan yang terjadi pada pemilihan fungsi heuristic yang digunakan, yaitu (Amit Gaming) :

§  Jika h(n) = 0, sehingga hanya g(n) yang terlibat maka A* akan bekerja seperti halnya algoritma Dijkstra.

§  Jika h(n) < h*(n), maka A* akan mengembangkan titik dengan nilai paing rendah dan algoritma A* menjamin ditemukannya lintasan terpendek. Nilai h(n) terendah akan membuat algoritma mengembangkan lebih banyak simpul. Jika h(n) < h*(n), maka h(n) dikatakan heuristic yang admissible.

§ Jika h(n) = h*(n), maka A* akan mengikuti lintasan terbaik dan tidak akan mengembangkan titik-titik yang lain sehingga akan berjalan cepat. Tetapi hal ini tidak akan terjadi pada semua kasus. Informasi yang baik akan mempercepat kinerja A*.

§  Jika h(n) > h*(n), maka A* tidak menjamin pencarian rute terpendek, tetapi berjalan dengan cepat.

§ Jika h(n) terlalu tinggi relative dengan g(n) sehingga hanya h(n) yang bekerja maka A* berubah jadi Greedy Best First Search.

3)    Algoritma Pencarian Lokal dan Masalah Optimisasi

3.1) Metode Hill Climbing Search

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

Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristik ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin(Sri Kusumadewi 2003, h. 34).

Ada dua macam metode Hill

§  Climbing Search, yaitu Simple Hill Climbing , Steepest-ascent Hill Climbing (Sri Kusumadewi 2003, h. 39).

Algoritma untuk Hill Climbing Search adalah sebagai berikut :

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

2. Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada node baru yang akan diaplikasikan pada keadaan sekarang :

a.  Cari node yang belum pernah digunakan; gunakan node ini untuk mendapatkan keadaan yang baru.

b.  Evaluasi keadaan baru tersebut.

§ Jika keadaan baru merupakan tujuan, keluar.

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

§ Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan pencarian.

 3.2) Simulated Annealing Search

Merupakan ialah suatu algoritma optimasi yang mensimulasikan proses annealing pada pembuatan materi yang terdiri dari butir keristal/logam. Algoritma unt untuk optimalisasi yang bersifat generic. Berbasiskan probabilitas dan mekanika statistic,algoritma ini dapat dipakai untmencari pendekatan terhadap solusi optimum global dari suatu permasalahn. Masalah yang membutuhkan pendekatan simulated annealing ialah masalah-masalah optimisasi kombinatorial, dimana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahn itu.

Secara umum ada 3 hal pokok pada simulated annealing, yaitu:

1. Nilai awal

Unt temperature (T0). Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati 0), karena jika T mendekati 0 maka gerakan simulated annealing akan sama dengan hill climbing. Biasanya temperature awal ini ditetapkan sebesar 2 kali panjang suatu jalur yang dipilih secara acak.

2. Kriteria

Yang dipakai unt memutuskan apakah temperature sistem seharusnya dikurangi.

3. Berapa besarnya pengurangan temperature dalam setiap waktu.

3.3) Local Beam Search

Local beam search adalah algoritma pencarian heuristik yangmerupakan optimasi dari pencarian best-first search yang mengurangikebutuhan memorinya. Dalam Beam Search, hanya jumlah solusiparsial terbaik yang telah ditetapkan yang disimpan sebagai kandidat.

Beam Search membutuhkan tiga komponen sebagai inputnya, yaitu :

a. Masalah yang akan di selesaikan

Biasanya di tampilkan dalam bentuk grafik dan berisi kumpulan node yang tiap satu atau lebih node mengarah ke goal/hasil.

b. Kumpulan aturan-aturan heuristik untuk pemangkasan

Adalah aturan-aturan spesifik yang mengarah ke ruang masalah dan memangkas node yang tidak menguntungkan dari memori yang berhubungan dengan ruang masalah.

c. Memori dengan kapasitas yang terbatas

Adalah memori tempat menyimpan beam, dimana ketika memori dalam keadaan penuh dan node akan di tambahkan ke beam, maka node yang nilainya paling besar yang dihapus, jadi  tidak  akan melebihi memori yang tersedia.

Beam Search memiliki keuntungan yang berpotensi mengurangi perhitungan dan waktu pencarian. Selain itu, pemakaian memori daripencarian ini jauh lebih sedikit daripada metode yang mendasari mtode pencarian ini.  Kelemahan utama Beam Search adalah metode pencarian ini mungkin  tidak dapat mencapai tujuan/hasil yang optimaldan bahkan mungkin tidak mencapai tujuan sama sekali. Padakenyataannya, algoritma beam search berakhir untuk dua kasus:  nodetujuan yang diperlukan tercapai, atau node tujuan tidak tercapai dantidak ada node tersisa untuk dieksplorasi.

3.4) Genetic Algorithm

Genetic Algorithm (GA) adalah teknik pencarian dalam bidang komputasi untuk menemukan solusi benar atau pendekatan untuk masalah optimasi dan pencarian. Teknik dalam GA didasarkan pada biologi evolusioner seperti pewarisan, mutasi, seleksi dan crossover.

Dalam GA biasanya ada 2 hal yang harus didefinisikan:

1. Representasi genetis dari domain solusi

2. Fungsi fitness untuk mengevaluasi solusi domain.

Hal-hal yang harus dilakukan untuk menggunakan algoritma genetika:

1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.

2. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan.

3. Menentukan proses pembangkitan solusi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random walk.

4. Menentukan proses seleksi yang akan digunakan.

5. Menentukan proses perkawinan silang (cross over) dan mutasi gen yang akan digunakan.

4)  Agen pencarian online dan lingkungan yang tidak diketahui.

1. Pencarian buta (uninformed/blind search) : tidak ada informasi awal yang digunakan dalam proses pencarian.

2. Pencarian melebar pertama (Breadth – First Search).

3. Pencarian mendalam pertama (Depth – First Search).

Referensi
Buku "Perpustakaan Universitas Pendidikan Indonesia". Hal 20-27.

PPT : https://drive.google.com/open?id=1dQbRnzABtMrq_q-E6GSwsrVEXaRoCHkN

PENYELESAIAN MASALAH MELALUI PROSES PENCARIAN ATAU SEARCHING

PENYELESAIAN MASALAH MELALUI PROSES PENCARIAN ATAU SEARCHING

1.    Agen Pemecahan Permasalahan

·         Simple reflex agents: berdasarkan persepsi yg terakhir.

·         Model-based reflex agents: memiliki representasi internal tentang keadaan sekitar.

·         Goal-based agents: memiliki informasi tentang tujuan, memilih tindakan yang mencapai tujuan.

·         Utility-based agents: melakukan penilaian kuantitatif terhadap suatu keadaan lingkungan.

·         Learning agents: belajar dari pengalaman, meningkatkan kinerja.

2.     Pencarian sebagai solusi pemecahan masalah

Searching di dalam AI (Artificial Intelligence) adalah salah satu motode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi.

Teknik searching sendiri terbagi menjadi dua, yaitu:

·         Blind Searching

Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki inforamasi awal, model pencarian ini memiliki tiga ciri – ciri utama yaitu:

– Membangkitkan simpul berdasarkan urutan

– Kalau ada solusi maka solusi akan ditemukan

– Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).

Blind Searching sendiri dibagi menjadi tiga macam yaitu :

1.      BFS (Breadth First Search)

2.      DFS (Depth-first Search)

3.      UCS (Uniform Cost Search).

·         Heuristic Searching

Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu.

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik).

Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Jenis-jenis Heuristic Searching :

1.      Generate and Test

2.      Hill Climbing

3.      Best First Search

4.      Alpha Beta Prunning

5.      Means-End-Anlysis

6.       Constraint Satisfaction

3.     Strategi Pencarian yang tidak berbentuk

Algoritma ini tidak memberikan informasi apapun tentang permasalah yang ada, tetapi hanya berfokus memberikan informasi tentang algorima tersebut. Algoritma ini juga disebut Blind Search. Istilah Blind Search berpedoman bahwa, teknik pencarian ini tidak memiliki informasi tambahan lain selain dari yang disediakan.

Yang dilakukan oleh algorima ini adalah melakukan generate dari successor dan membedakan goal state dari non-goal state. Pencarian ini dilakukan berdasarkan pada urutan mana saja node yang hendak di-expand.

Macam-macam Uninformed Search Algorithm :

·         Breadth First Search(BFS)

Pencarian dengan metode ini menggunakan teknik dimana langkah pertama yang harus dilakukan adalah root node di-ekspansi, setelah itu dilanjutkan semua successor dari root node juga di-expand. Hal ini terus dilakukan berulang-ulang hingga leaf(node pada level paling bawah yang sudah tidak memiliki successor lagi).

·         Uniform Cost Search(UCS)

Pencarian dengan BFS akan menjadi optimal ketika nilai pada semua path adalah sama. Dengan sedikit perluasan, dapat ditemukan sebuah algoritma yang optimal dengan melihat kepada nilai tiap path di antara node-node yang ada.

Selain menjalankan fungsi algoritma BFS, Uniform Cost Search melakukan ekspansi node dengan nilai path yang paling kecil. Hal ini bisa dilakukan dengan membuat antrian pada successor yang ada berdasar kepada nilai path-nya (node disimpan dalam bentuk priority queue).

·         Depth First Search(DFS)

Teknik pencarian dengan metode ini adalah dengan melakukan ekspansi menuju node yang paling dalam pada tree. Node paling dalam dicirikan dengan tidak adanya successor dari node itu. Setelah node selesai di ekspansi, maka node tersebut akan ditinggalkan dan dilakukan ke node paling dalam lainnya yang masih memiliki successor yang belum di ekspansi.

·         Depth Limited Search

Pencarian menggunakan DFS akan berlanjut sampai kedalam paling terakhir dari sebuah tree. Misalkan yang muncul pada DFS adalah ketikda proses pencarian tersebut menemui infinite state space. Hal ini bisa diatasi dengan mengisiasikan batas depth pada level tertentu semenjak awal pencarian. Sehingga node pada level depth tersebut akan diperlakukan seolah-olah mereka sudah tidak memiliki successor.

·         Iterative Deepening Depth First Search

Iterative deepening search merupakan sebuah strategi umum yang biasanya dikombinasikan dengan depth first tree search, yang akan menemukan berapa depth limit terbaik untuk digunakan. Hal ini dilakukan dengan secara menambah limit secara bertahap, mulai dari 0,1, 2, dan seterusnya sampai goal sudah ditemukan.

·         Bidirectional Search

Pencarian dengan metode bidirectional search adalah dengan menjalankan dua pencarian secara simultan, yang satu dikerjakan secara forward dari initial state menuju ke goal, sedangkan yang satu lagi dikerjakan secara backward mulai dari goal ke initial state. Yang kemudian diharapkan bahwa kedua pencarian itu akan bertemu di tengah-tengah.

 PPT : https://drive.google.com/open?id=1xkEoQR1mZN_CSjWbZ1lc-UKd0dUsk_7J

Sumber: https://adiazep.wordpress.com/2017/11/12/penyelesaian-masalah-melalui-proses-pencarian-searching/

PENGENALAN KECERDASAN BUATA/ARTICIAL INTELLIGENCE (AI)

     PENGENALAN KECERDASAN BUATA/ARTICIAL INTELLIGENCE (AI)

1.    Kecerdasan Buatan

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (Bahasa inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. 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 tiruan saraf dan robotika

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang masih sulit untuk direalisasikan dalam informatika. Seperti contoh: Pengenalan Objek/Muka, bermain sepak bola.

Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. 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.

'Kecerdasan buatan' ini bukan hanya ingin mengerti apa itu sistem kecerdasan, tetapi juga mengkonstruksinya.

2.    Bidang ilmu kecerdasaan buatan

a.       Transportasi = Teknik lalu lintas yang merupakan cabang cabang ilmu Teknik sipil yang memanfaatkan ilmu teknik untuk keamanan dan efisiensi pergerakan dan transportasi barang dan benda di jalan raya. Fokus utama adalah keamanan dan efisiensi debit lalu lintas, geometri jalan, trotar, penyebrangan, jalur sepeda, lampu lalu lintas, dan sebagainya. Teknik lalu lintas berhubungan dengan bagian fungsional dari sistem transportasi

b.      Militer = Teknologi siluman (disebut juga teknologi rendah pengamatan (low observable technology)) adalah sub-disiplin di bidang tektik militer perlawanan elektronik pasif (passive electronic countermeasures), yang mencakup teknologi yang digunakan di personil, pesawat, kapal, kapal selam, dan peluru kendali untuk menjadikan mereka lebih tidak terlihat (atau benar-benar tidak terlihat) oleh radar, infra merah, sonar, dan metode deteksi lainnya. Teknologi ini berhubungan dengan kamuflase terhadap spektrum elektromagnetik terkait.

c.       Industri = Teknik proses adalah disiplin yang fokus kepada desain, operasi, dan maintenance aktivitas kimia dan proses manufaktur lainnya.

d.      Kontruksi = Rekayasa konstruksi adalah sebuah disiplin profesional yang menangani perancangan, perencanaan, kontruksi, dan manajemen infrastruktur seperti jalan bebas hambatan, jembatan, bandar udara, rel, bangunan, bendungan, dan sarana lainnya. Insinyur konstruksi bersifat unik karena merupakan gabungan antara insinyur sipil dan manajer konstruksi. Insinyur konstruksi mempelajari aspek perancangan sebagaimana insinyur sipil dan fungsi manajemen situs konstruksi sebagaimana manajer konstruksi.

3.    Sejarah

1)       1950-an

Alan Turing memperkenalkan Turing Test dalam jurnal berjudul Computering Machinery and Intelligence. Pada musim panas 1956, Konferensi Dartmouth meluncurkan ide artificial intelligence dan IBM memulai riset tentang AI. Dan pada tahun 1966 baru menyebut hasil riset nya yaitu articial intelligence.

2)      1970-an

Sepanjang 1974 sampai 1980 merupakan gelombang pertama kecerdasan buatan. Pada periode ini pula pengumpulan dana untuk melakukan riset kecerdasan buatan mulai marak.

3)     1990-an

Pada 11 Mei 1997, Deep Blue Computer, kecerdasan buatan besutan IBM berhasil mengalahkan grand master catur asal Rusia, Garry Kasparov.

4)      2000-an

Kendaraan bikinan tim peneliti dari Universitas Stanford, Amerika Serikat, berhasil menjadi kampiun dal DARPA Grand Challange. Mobil swakemudi ini bisa melaju di gurun pasir sejauh 211 kilometer.

5)     2010-an

Watson, kecerdasan buatan besutan IBM, berhasil mengalahkan mantan juara Brad Rutter dan Ken Jennings dalam acara kuis Jeopardy pada pertengahan 2011. Appel, pada 14 Oktober tahun yang sama, memperkenalkan asistem pribadi berbasiskan kecerdasan buatan bernama Siri dalam iPhone 4s. Setahun kemudian, tepatnya Juni, tim dari Google Brain melatih komputer agar bisa mengenali seekor kucing dari jutaan video di YouTube.

ChatBot bikinin Eugene Goostman mengklaim telah memecahkan tes Turing dalam kompetisi yang digelar di Universitas Reading, Inggris. Imbasnya, pada Agustus tahun yang sama, banyak ilmuwan mengusulkan untuk membuat tes Turing yang baru. Sementara itu, terkesan dengan kemampuan Watson, NASA menggunakannya untuk penelitian bidang kedirgantaraan.

6)      2017an

Mulai terciptanya robot pelayan restoran untuk memudahkan pekerjaan manusia dan tidak perlu menggaji karyawan lagi. Dari riset yang dibuat alan turning bisa dikembangkan terus sampai tahun kedepan. dan sampai detik ini masih terus dikerjakan.

4.    Agen

4.1 . Agen refleks sederhana (Simple Reflex Agent)

                                Agen refleks sederhana: Agen memilih tindakan berdasarkan persepsi saat ini, mengabaikan sisa sejarah persepsi.

§  Aturan kondisi-tindakan: Kondisi yang memicu beberapa tindakan

§  ex. Jika mobil di depan mengerem (kondisi) kemudian memulai pengereman (tindakan)

§  Agen refleks Sederhana sederhana namun sangat terbatas kecerdasannya.

§  Menghubungkan percept ke tindakan.

§  keputusan yang benar dapat dibuat hanya dalam lingkungan yang penuh teramati.

4.2  Agen Berbasis Model

Agen reflex berbasis model: Agen mempertahankan state internal yang bergantung pada sejarah persepsi, mencerminkan beberapa aspek teramati dari kondisi saat ini.

§  Cara yang paling efektif untuk menangani pengamatan parsial adalah melacak bagian dari dunia yang bisa teramati saat ini (current state).

§  Agen mempertahankan keadaan internal yang bergantung pada sejarah persepsi dan dengan demikian mencerminkan beberapa aspek teramati dari kondisi saat ini.

§  Untuk memperbarui informasi keadaan internal memerlukan dua pengetahuan:

1.      Bagaimana dunia berkembang secara independen dari agen

2.      Bagaimana tindakan agen memengaruhi dunia

4.3  Agen Berbasis Goal

Agen berbasis tujuan: Agen memiliki informasi tentang tujuan dan memilih tindakan untuk mencapai tujuan

§ 

§  Mengetahui tentang keadaan saat ini saja tidak selalu cukup untuk memutuskan apa yang harus dilakukan.

§  Agen membutuhkan informasi tujuan (goal) yang menggambarkan situasi yang diinginkan

4.4   Agen berbasis Pembelajaran

Agen berbasis utilitas: Agen menyatakan/menetapkan pengukuran kuantitatif terhadap lingkungan (ranking).

§  Elemen learning bertanggung jawab untuk membuat perbaikan

§  Elemen Kinerja bertanggung jawab untuk memilih tindakan eksternal

§  Kritik memberikan umpan balik tentang bagaimana tindakan yang dilakukan agen

https://drive.google.com/open?id=19_vnzCsYCnlKiVZUH4pCzlpeP62TPD9p

SUMBER :      https://id.wikipedia.org/wiki/Kecerdasan_buatan

https://tekno.tempo.co/read/876136/sejarah-kecerdasan-buatan-alan-turing-hingga-robot-seks/full&view=ok

http://www.weare.id/jenis-jenis-agen-pada-kecerdasan-buatan/

MANAJEMN KEUANGAN UNTUK LAYANAN TI

PENDAHULUAN DAN RUANG LINGKUP

Tidak ada bisnis yang dapat bertahan lama, apalagi berkembang, jika gagal mengelola keuangan dengan efektif. Seperti bisnis lainnya, penyedia layanan TI, baik dijalankan sebagai bisnis komersial atau tidak, membutuhkan manajemen keuangan yang baik. Manajemen keuangan adalah tentang menjaga sumber daya keuangan organisasi, memastikan bahwa keuangan digunakan dengan hati-hati dan penggunaannya dicatat dengan benar. Manajemen keuangan memastikan organisasi memiliki pemahaman dari biaya operasinya, struktur biaya dan hal-hal lainnya. Ini membantu organisasi membuat keputusan terbaik tentang layanan yang harus disedikaan, cara menyediakan layanan, investasi yang diperlukan untuk pengiriman dan efek perubahan pola permintaan. Ini mengevaluasi nilai layanan untuk bisnis dan, jika relevan, menjadi dasar untuk menetapkan harga bagi bisnis tersebut. Bekerja dengan manajemen portofolio layanan, itu membantu organisasi menentukan layanan yang harus disediakan dan mereka harus menghentikan atau mengubah dalam beberapa cara. 

Manajemen keuangan membantu perencanaan keuangan, memastikan bahwa rencana organisasi sejalan dengan kemampuannya untuk mendukung biaya keuangan dan mengelola risiko. Manajemen keuangan mengontrol pengeluaran sehingga jelas bagaimana uang telah digunakan. Dengan rutin membandingkan pengeluaran dan pemasukan dengan rencana keuangan dan anggaran, manajemen keuangan akan mengidentifikasi potensi masalah dan mengambil tindakan yang tepat untuk menjaga organisasi tetap di jalurnya. 

Penyedia layanan TI harus bekerja di dunia yang berubah dengan cepat. Bisnis dan konteks di mana mereka beroperasi terus berubah, dan layanan TI penyedia layanan harus merespons dengan cepat dan efektif terhadap perubahan ini. Manajemen keuangan yang kuat memungkinkan penyedia layanan TI untuk membuat keputusan yang lebih baik dan merespons perubahan dengan lebih cepat. Ini memungkinkan kontrol pengeluaran yang lebih baik, memastikan suara keputusan investasi dan mempromosikan penangkapan nilai.

MAKSUD DAN TUJUAN

Tujuan manajemen keuangan untuk layanan TI adalah untuk memastikan penggunaan yang optimal dari sumber daya keuangan organisasi dan dapat mencapai target sesuai dengan kerangka peraturan di mana penyedia layanan TI beroperasi.Tujuan manajemen keuangan adalah untuk memastikan bahwa: 

uang dikelola dan dibelanjakan dengan bijak;sumber daya keuangan yang tersedia selaras dengan rencana organisasi dan persyaratan untuk pengiriman layanan TI;

keputusan investasi yang sehat dan relevan dengan tujuan organisasi;

risiko keuangan diidentifikasi dan dikelola secara efektif;

pengaturan tata kelola tersedia untuk memastikan penatalayanan yang efektif sumber keuangan dan untuk mendefinisikan akuntabilitas yang jelas;

organisasi mematuhi semua kewajiban regulasi keuangan yang relevan dan keseluruhan kebijakan keuangan dan strategi bisnis.

AKTIVITAS DAN KONSEP

Penganggaran
Penting untuk merencanakan masa depan untuk memastikan bahwa rencana bisnis sesuai dengan uang yang tersedia. Produk dari perencanaan ini adalah rencana keuangan atau penutup anggaran pengeluaran dan penghasilan yang diharapkan untuk jangka waktu tertentu, biasanya tahun (keuangan). Pengeluaran dan pendapatan akan dibagi ke dalam kategori untuk memfasilitasi keuangan perencanaan, manajemen dan kontrol. Ini adalah tentang apa yang dapat dicapai secara realistis. Meski begitu, anggaran adalah rencana dan rencana tidak selalu berhasil. Anggaran harus merupakan prediksi terbaik yang dapat dilakukan oleh organisasi, tetapi harus menyertakan beberapa kemungkinan untuk hal yang tidak terduga. Anggaran harus menunjukkan bagaimana pengeluaran dan pendapatan cenderung berubah selama periode anggaran (misalnya biaya tenaga kerja dan transportasi yang lebih tinggi pada waktu sibuk).

Akuntansi
Proses dalam akuntansi TI memungkinkan penyedia layanan TI untuk memperhitungkan pengeluaran dan penghasilan, memberikan perincian tentang bagaimana biaya dan pendapatan dibagi antara pelanggan, layanan, dan aktivitas. Analisis ini membantu menentukan efektivitas biaya layanan untuk membuat keputusan yang baik tentang mereka. 

Pengisian
Keputusan apakah akan menuntut adalah keputusan strategis yang harus diambil dengan hati-hati. Pengisian tidak hanya meningkatkan biaya operasi dari penyedia layanan TI, tetapi juga meningkatkan akuntabilitas, eksposur dan transparansi. Pelanggan dapat membandingkan apa yang mereka dapatkan dari IT dengan apa yang harus mereka bayar.

Kasus bisnis
Kasus bisnis adalah alat pendukung keputusan dan perencanaan yang memproyeksikan kemungkinan konsekuensi dari tindakan bisnis. Inti dari kasus bisnis biasanya adalah analisis keuangan, tetapi pembenaran investasi sering bergantung pada lebih banyak lagi dari pertimbangan keuangan.

HUBUNGAN DENGAN PROSES MANAJEMEN LAYANAN LAINNYA

Manajemen tingkat layanan
Manajemen tingkat layanan (SLM) perlu bekerja dengan manajemen keuangan sehubungan dengan biaya tingkat layanan yang diusulkan yang diperlukan untuk memenuhi kebutuhan bisnis organisasi saat ini dan yang direncanakan. 

Manajemen portofolio
Layanan Manajemen keuangan berkaitan dengan pengembangan kasus bisnis, penilaian peluang investasi, evaluasi opsi layanan yang berbeda, evaluasi risiko keuangan dan penentuan nilai layanan.

Manajemen kapasitas
Baik ketersediaan dan manajemen kapasitas berkaitan dengan biaya yang efektif pengiriman layanan, dan manajemen keuangan dapat membantu dengan menyediakan biaya informasi untuk memungkinkan penilaian dampak keuangan dari tingkat kapasitas yang diinginkan dan ketersediaan.

Pengelolaan aset dan konfigurasi layananManajemen aset dan konfigurasi layanan mengelola dan mengelola konfigurasi manajemen database (CMDB), yang menyimpan informasi keuangan dan lainnya pada aset yang dibutuhkan oleh manajemen keuangan untuk berbagai penggunaan. Misalnya, dari CMDB, harus mungkin untuk mengidentifikasi semua komponen diperlukan untuk memberikan layanan yang diberikan dan informasi ini digunakan oleh keuangan manajemen untuk menentukan keseluruhan biaya layanan. CMDB juga berlaku informasi tentang aset, seperti tanggal penggantian peralatan dan penghentian / perpanjangan lisensi tanggal, yang dapat digunakan dalam pengembangan anggaran dan jangka panjang perencanaan keuangan.

Manajemen hubungan bisnisManajemen hubungan bisnis membantu manajemen keuangan untuk layanan TI untuk memahami bagaimana pelanggan menilai nilai yang mereka dapatkan dari layanan TI dan apa yang mereka bayar. BRM membantu pelanggan memahami kebijakan keuangan penyedia layanan TI, biaya, risiko dan masalah lainnya, dan menjelaskan bagaimana biaya penyedia layanan diterjemahkan biaya pelanggan.