SKUP TI401Z IRFA SAFITRI SARI 1822497810

FOTO_IRFAPerkenalkan nama saya Irfa Safitri Sari Biasa dipanggil Irfa. saya adalah salah satu mahasiswa semester 5 jurusan Teknik Informatika (Software Engineering) S1 di Perguruan Tinggi Raharja. Saat ini, saya memasuki salah satu mata kuliah yang saya ambil di semester 5 yaitu mata kuliah Pengantar Kecerdasan Buatan. .

Dan berikut daftar assignments yang telah dikerjakan :

 

Nomer assigment keterangan status
1 Student Agrement DONE Tercapai100%
2 SKuP Class DONE Tercapai100%
3 DONE Tercapai100%
4 DONE Tercapai100%
5 DONE Tercapai100%
6 DONE Tercapai100%
7 DONE Tercapai100%
8 DONE Tercapai100%
9 DONE Tercapai100%
10 DONE Tercapai100%
11 DONE Tercapai100%
12 DONE Tercapai100%
13 DONE Tercapai100%
14 DONE Tercapai100%
15 DONE Tercapai100%
16 DONE Tercapai100%
17 DONE Tercapai100%
18 DONE Tercapai100%
19 DONE
20 DONE
21 DONE
22 DONE
23 DONE
24 DONE
25 DONE
26 DONE

WIDJI DADI SURAHMAT – 1122469818 – ASSIGNMENT #7

  1. Pertanyaan:

    Pelajari materi berikut: goo.gl/81Royn

    Bagaimana proses penyelesaian masalah jalur terpendek S ke G menggunakan SMA* dengan memory yang dapat menampung maksimal 5 node?

    Pelajari tentang Simulated Anneling dan Pencarian Tabu. Jelaskan disertai contoh.

    Cari artikel ilmiah yang berkaitan dengan Simulated Anneling dan Pencarian Tabu.

  2. Status :
    Tercapai 100%
  3. Keterangan :
    Saya sudah menyelesaikan Quis Assignment #7 ini. Sesuai dengan intruksi yang diberikan.
  4. Pembuktian :
    Jawaban :
    1.(a) Buka node 1 , diperoleh node 2 dengan f = 12. Simpan ke memory.
    (b) Memory masih dapat menerima satu node. Buka node 1 dan
    dapatkan node 3 dan masukkan ke memory. Memory penuh dan tidak
    ditemukan node tujuan.
    Proses selanjutnya:
    – update f dari node 1 dengan f minimum dari anaknya (12/node 2)
    – Buka node 2
    – Keluarkan node daun dengan f paling tertinggi (node 3)
    – Ingat f dari node 3 (13).
    (c) Buka node 4, masukkan ke memory. Bukan tujuan. Selanjutnya:
    – Ingatkan node 3 ke dalam node 1
    – Memory penuh
    – Node 4 bukanlah node tujuan, tandai infinite.
    (d) Lakukan :
    – Keluarkan node 4 dan tambahkan node 5
    – node 2 mengingat node 5
    – update f dari node 2 dengan f minimum dari anak-anaknya
    – update f dari node 1
    Node 5 adalah tujuan. Tetapi masih ada nilai 13 dalam memory,
    lebih kecil daripada f node tujuan yang diperoleh. Selanjutnya buka
    node yang diingat.
    (e) Node 3 dibuka lagi, kemudian:
    – Lepaskan node 2 dan tambahkan node 6
    – Ingatkan node 2 ke dalam node 1
    – Node 6 adalah tujuan dan node dengan biaya f terkecil.
    – SELESAI (gambar f).
    2. SIMULATED ANNEALING (SA)

    Simulated Annealing adalah suatu algoritma optimasi yang mensimulasikan proses annealing pada pembuatan materi yang terdiri dari butir kristal atau logam. Algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu.

    Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses annealing, memberikan kesempatan pada atom-atom dalam materi itu untuk bergerak secara bebas, mengingat tingkat energi dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana energi internal yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum.
    Secara umum ada 3 hal pokok pada simulated annealing, yaitu:
    a.       Nilai awal untuk temperatur (T0).
    Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati nol), karena jika T mendekati 0 maka gerakan simulated annealing akan sama dengan hill climbing. Biasanya temperatur awal ini ditetapkan sebesar 2 kali panjang suatu jalur yang dipilih secara acak.
    b.      Kriteria yang digunakan untuk memutuskan apakah temperatur sistem seharusnya dikurangi.
    c.       Berapa besarnya pengurangan temperatur dalam setiap waktu.

    TABU SEARCH (Pencarian Tabu)
    Tabu Search merupakan suatu metode optimasi yang menggunakan short-term memory untuk menjaga agar proses pencarian tidak terjebak pada nilai optimum lokal. Metode ini menggunakan Tabu List untuk menyimpan sekumpulan solusi yang baru saja dievaluasi.
    Selama proses optimasi, pada setia piterasi, solusi yang akan dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List untuk melihat apakah solusi tersebut sudah ada pada Tabu List.
    Apabila solusi tersebut sudah ada pada Tabu List, maka solusi tersebut tidak akan dievaluasi lagi pada iterasi berikutnya.Apabila sudah tidak ada lagi solusi yang tidak menjadi anggota Tabu List, maka nilai terbaik yang baru saja diperoleh merupakan solusi yang sebenarnya.
    Algoritma:
    1. Tetapkan:
    X = Matriks input berukuran nxm & MaxItr = maksimum iterasi.
    2. S = bangkitkan solusi secara random.
    3. GlobalMin   = FCost(S).
    4. Best             = S.
    5. TabuList      = [].
    6. Kerjakan dari k =1 sampai MaxItr:
    –BestSoFar     = FCost(S).
    –BestMove      = S.
    –Kerjakan dari i=1 sampai (n-1)
    CONTOH TABU SEARCH

    3. artikel ilmiah yang berkaitan dengan Simulated Anneling dan Pencarian Tabu

     

WIDJI DADI SURAHMAT – 1122469818 – ASSIGNMENT #6

  • Pertanyaan:
    Pelajari laporan penelitian yang berjudul Perbandingan Algoritma Greedy dan Algoritma Dijkstra untuk menentukan Lintasan Terpendek berikut ini:
    https://goo.gl/AQmcXY

    1. Apa yang melatar belakangi penelitian tersebut?
    2. Mengapa harus menggunakan Algoritma Greedy dan Algoritma Dijkstra?
    3. Apa yang menjadi kontribusi di dalam penelitian tersebut?
    4. Jelaskan cara kerja algoritma Greedy dan Algoritma Dijkstra dalam laporan penelitian tersebut?
    5. Jelaskan bentuk implementasi algoritma greedy dan algoritma Dijkstra dalam laporan penelitian tersebut?
  • Status :
    Tercapai 100%
  • Keterangan :
    Saya sudah menyelesaikan Quis Assignment #6 ini. Sesuai dengan intruksi yang diberikan.
  • Pembuktian :
    Jawaban :
    1. 
    Dalam kehidupan, sering dilakukan perjalanan dari suatu tempat atau kota ke tempat yang lain dengan mempertimbangkan efisiensi, waktu dan biaya sehingga
    diperlukan ketepatan dalam menentukan jalur terpendek antar suatu kota. Hasil penentuan jalur terpendek akan menjadi pertimbangan dalam pengambilan keputusan untuk menunjukkan jalur yang ditempuh. Hasil yang didapatkan juga membutuhkan kecepatan dan keakuratan dengan bantuan komputer.
    Secara umum, pencarian jalur terpendek dapat dibagi menjadi 2 metode, yaitu: metode konvensional dan metode heuristik. Metode konvensional
    merupakan metode yang menggunakan perhitungan matematik biasa, pada pencarian lintasan terpendek hanya dapat diselesaikan untuk 5 sampai 10 verteks, untuk verteks yang lebih banyak metode heuristik lebih variatif dan waktu perhitungan yang diperlukan lebih singkat, karena metode heuristik menggunakan
    metode pendekatan dan melakukan pencarian. Untuk menggunakan atau memfungsikan sebuah komputer harus terdapat program yang terdistribusi di dalamnya, tanpa program tersebut komputer hanyalah menjadi sebuah kotak yang tak berguna. Program yang terdapat pada komputer sangat bervariasi dan setiap program tersebut pasti menggunakan algoritma. Algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintahnya dapat diterjemahkan secara bertahap dari awal hingga akhir. Masalah tersebut dapat berupa apapun dengan catatan untuk setiap masalah, memiliki kriteria kondisi awal yang harus dipenuhi sebelum menjalankan algoritma. Algoritma yang akan dipergunakan untuk mencari lintasan terpendek dalam hal ini adalah algoritma Greedy dan algoritma Dijkstra, algoritma Dijkstra merupakan algoritma yang paling terkenal untuk mencari lintasan terpendek yang diterapkan pada graph berarah dan berbobot, di mana jarak antar verteks adalah bobot dari tiap arc pada graph tersebut. Selain algoritma Dijkstra, algoritma Greedy merupakan salah satu metode untuk memecahkan masalah optimasi, juga merupakan program yang dapat memecahkan masalah langkah demi langkah, yang pada setiap langkahnya mengambil pilihan yang terbaik yang diperoleh saat itu tanpa memperhatikan konsekuensi ke depannya dengan gagasan dasar adalah membangun solusi besar diatas solusi kecil.

    2. karena Perbandingan Algoritma Greedy dan Algoritma Dijkstra Algortima Dijkstra dan Algoritma Greedy merupakan algoritma untuk menemukan jarak terpendek dari suatu verteks ke verteks yang lainnya pada suatu graph yang berbobot, di mana jarak antar verteks adalah bobot dari tiap edge atau arc pada graph tersebut. Algoritma Dijkstra dan Greedy merupakan algoritma yang setiap langkahnya mengambil edge atau arc yang berbobot minimum yang menghubungkan sebuah verteks yang sudah terpilih dengan sebuah verteks lain yang belum terpilih.

    3. Dengan membandingkan algoritma Greedy dan algoritma Dijkstra dapatlah diketahui metode mana yang baik untuk menentukan maksimal lintasan terpendek dari suatu titik ke titik yang lain. Hal ini dapat diaplikasikan dalam peta suatu daerah, sistem saluran air PDAM, sistem aliran listrik PLN dan sebagainya.

    4. algoritma Dijkstra merupakan algoritma untuk menemukan jarak terpendek dari suatu verteks ke verteks yang lainnya pada suatu graph yang berbobot dengan menggunakan strategi Greedy. Algoritma ini menyelesaikan masalah mencari sebuah lintasan terpendek (sebuah lintasan yang mempunyai panjang minimum) dari verteks a ke verteks z dalam graph berbobot, bobot tersebut adalah bilangan positif jadi tidak dapat dilalui oleh edge(arc) negatif, jika dilalui oleh edge(arc) negatif, maka penyelesaian yang diberikan adalah infiniti. Seymour Lipschutz dan Marc Lars dalam bukunya ”Matematika Diskrit 2”, definisi graph adalah bahwa sebuah graph terdiri dari 2(dua) bagian yaitu: sebuah himpunan V=V(G) memiliki elemen-elemen yang dinamakan verteks. Kemudian sebuah kumpulan E=E(G) atau A=A(G), merupakan pasangan tak berurut dari verteks-verteks yang berbeda dinamakan edge(arc). Sedangkan multigraph G=G(V,E) terdiri dari suatu himpunan V(verteks) dan suatu himpunan E(edge) kecuali E mengandung multiple edge, yaitu beberapa edge(arc) dengan menghubungkan titiktitik ujung yang sama, dan E mungkin mengandung satu atau lebih loop, yaitu sebuah edge yang titik-titik ujungnya adalah verteks yang sama.

    5. mengimplementasikannya dengan bahasa pemograman yang berbeda dan menggunakan algoritma yang berbeda.

WIDJI DADI SURAHMAT – 1122469818 – ASSIGNMENT #5

  • Pertanyaan:
    Pelajari materi berikut ini:
    http://ti402.ilearning.me/materi-kuliah/pertemuan-3/
    Selanjutnya, tentukan rute terpendek dari barcelona ke Bucharest menggunakan Algoritma Greedy.

  • Status :
    Tercapai 100%
  • Keterangan :
    Saya sudah menyelesaikan Quis Assignment #5 ini. Sesuai dengan intruksi yang diberikan.
  • Pembuktian :
    Jawaban :

    1. Tentukan jalur terpendek dari Barcelona ke Buchrest,
    Kota dan Jarak langsung ke Bucharest
    Amsterdam 2280 Lyon 1660
    Athens 1300 Madrid 3300
    Barcelona 2670 Milan 1750
    Belgrade 630 Munich 1600
    Berlin 1800 Oslo 2870
    Bordeaux 2100 Palermo 1280
    Budapest 900 Paris 2970
    Copenhagen 2250 Prague 1490
    Dublin 2530 Rome 1140
    Glasgow 2470 Sofia 390
    Helsinki 2820 Stockholm 2890
    Lisbon 3950 Vienna 1150
    London 2590 Warsaw 946
    Jarak Langsung Antar Kota
    Oslo-Helsinki 970 Rome-Milan: 681 Madrid -Barcelona 628
    Helsinki-Stockholm 400 Milan-Budapest 789 Madrid-Lisbon 638
    Oslo-Stockholm 570 Vienna-Budapest 217 Lisbon-London 2210
    Stockholm-Copenhagen 522 Vienna-Munich 458 Barcelona-Lyon 644
    Copenhagen-Warsaw 668 Prague-Vienna 312 Paris-London 414
    Warsaw-Bucharest 946 Prague-Berlin 354 London-Dublin 463
    Bucharest-Athens 1300 Berlin-Copenhagen 743 London-Glasgow 667
    Budapest-Bucharest 900 Berlin-Amsterdam 648 Glasgow-Amsterdam 711
    Budapest-Belgrade 316 Munich-Lyon 753 Budapest-Prague 443
    Belgrade-Sofia 330 Lyon-Paris 481 Barcelona-Rome 1471
    Rome-Palermo 1043 Lyon-Bordeaux 542 Paris-Bordeaux 579
    Palermo-Athens 907 Glasgow-Dublin 306

    Temukan jalur terpendek Barcelona – Bucharest!
    • Solusi Greedy: Barcelona – Rome – Palermo – Athens –
    Bucharest, dengan biaya 1471+1043+907+1300 = 4,721
    Gambar jalur terpendek Barcelona – Bucharest
    Penjelasannya :
    – Mulai dari Barcelona. Tujuan? Bukan. Buka node-node yang tersambung dengan Barcelona. Diperoleh Madrid, Lyon dan Rome.
    – Dari 3 node baru, pilih yang terdekat dengan Bucharest, yaitu Rome.
    – Apakah Rome tujuan? Bukan. Buka node-node yang mungkin. Diperoleh Milan dan Palermo.
    – Mana yang terdekat dengan Bucharest? Palermo.
    – Buka node Palermo. Diperoleh Athens.
    – Apakah Athens tujuan? Bukan. Buka node anaknya, diperoleh Bucharest.
    – Apakah Bucharest tujuan? Ya. Selesai.

WIDJI DADI SURAHMAT – 1122469818 – ASSIGNMENT #4

  • Pertanyaan :

    Pelajari materi yang ada disini:
    http://ti402.ilearning.me/materi-kuliah/pertemuan-2/

    • Mana jalur terbaik?

     

    • Gunakan pohon (tree) untuk menyelesaikan  masalah di atas dengan pendekatan BFS, DFS,  dan DFS dengan kedalaman Iteratif.
    • Buatlah program untuk mengimplementasikan  pencarian BFS, DFS, DFS dengan kedalaman  Iteratif dan Dua arah.
  • Status :
    Tercapai 100%
  • Keterangan :
    Saya sudah menyelesaikan Quis Assignment #4 ini. Sesuai dengan intruksi yang diberikan.
  • Pembuktian :
    Jawaban :
    1. Jalur Terbaik

    2. pohon (tree) : BFS, DFS, DFS dengan kedalaman iteratif
    3. BFS
    Langkah 1. Bentuk antrian Q dan masukkan status awal (misal: Root).
    Langkah 2. Sampai Q kosong atau status tujuan ditemukan
    do:
    Langkah 2.1 Apakah elemen pertama dalam Q adalah tujuan?
    Langkah 2.2 IF Iya, Selesai dan Return Status ini
    Langkah 2.3 IF Tidak
    Langkah 2.3.1 Hapus elemen pertama dalam Q.
    Langkah 2.3.2 Bangkitkan status-status baru (successor).
    Langkah 2.3.3 Tambahkan status-status baru itu ke akhir Q.
    Langkah 3. IF tujuan dicapai, SUKSES; else GAGAL.

    DFS
    Langkah1. Bentuk antrian Q dan masukkan status awal (misal: Root).
    Langkah 2. Sampai Q kosong atau status tujuan ditemukan
    do:
    Langkah 2.1 Apakah elemen pertama dalam Q merupakan tujuan?
    Langkah 2.2 IF Iya, Selesai dan Return status ini
    Langkah 2.3 IF bukan
    Langkah 2.3.1 Hapus elemen pertama dalam Q.
    Langkah 2.3.2 Bangkitkan status-status baru (successor ).
    Langkah 2.3.3 Tambahkan status baru (urut terbaru) ke
    depan Q.
    Langkah 3. IF tujuan dicapai, SUKSES; else GAGAL.

    DFS Kedalaman Iteratif

    Kembalikan solusi atau gagal;
    Input masalah;
    l = 0
    While tidak ada solusi, do
    Terapkan DFS (masalah, kedalaman) dari status
    awal sampai ke dalam l
    If tujuan ditemukan
    Then Selesai dan Return Solusi,
    Else naikkan batas kedalaman l=l+1 atau inc(l)
    End.

    Dua arah (Bidirectional)
    • Ada 3 arah pencarian:
    – forward (maju);
    – backward (mundur);
    – bidirectional (dua arah)
    • Pada pencarian dua arah, node-node diexpand dari
    status awal ke tujuan secara bersamaan (simultan)
    • Pada setiap tahap dicek apakah node-node yang
    dijumpai sudah dibangkitkan oleh yang lain.
    • Jika Iya, maka gabungan jalur adalah solusinya.
    • Dua pencarian dapat bekerja paralel: satu dari asal
    ke tujuan, satu dari tujuan ke awal
    • Saat keduanya bertemu, diperoleh jalur yang baik.

WIDJI DADI SURAHMAT – 1122469818 – ASSIGNMENT #3

  • Pertanyaan :
    Kerjakan halaman 12 pada buku pegangan Artificial Intelligence karangan Suyanto,

    1. Menurut Anda, seberapa penting bidang ilmu AI untuk kehidupan manusia ? berikan justifikasi Anda.
    2. Untuk mempercepat perkembangan AI sehingga menghasilkan produk-produk yang berguna bagi manusia, menurut Anda definisi AI seperti apa yang paling tepat?
    3. Selain yang telah disebutkan diatas, sebutkan produk-produk AI lainnya yang menggunakan teknik searching, reasoning, planning, dan learning. Berikan penjelasan Anda.
    4. Melihat perkembangan AI, hardware dan software saat ini, mungkinkah semua tahapan-tahapan prediksi yang dibuat Ray Kurzweil akan bisa diwujudkan? Berikan alasan Anda.
  • Status :
    Tercapai 100%
  • Keterangan :
    Saya sudah menyelesaikan Quis Assignment #3 ini. Sesuai dengan intruksi yang diberikan.
  • Pembuktian :
    Jawaban :
    1. 
    Menurut saya, Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial 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. 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 Obyek/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. Definisi AI yang tepat untuk saat ini adalah acting rationally dengan pendekatan rational agent. hal ini berdasarkan pemikiran bahwa komputer bisa melakukan penalaran secara logis dan juga bisa melakukan aksi secara rasional berdasarkan hasil penalaran tersebut.

    3. – Searching, produk yang membahas bagaimana memecahkan suatu masalah dengan teknik searching atau pencarian. langkah pertama adalah mendefinisikan ruang masalah, langkah kedua adalah mendefinisikan atauran produksi yang digunakan untuk mengubah suatu state ke state lainnya. langkah terakhir adalah memilih metode pencarian yang tepat sehingga dapat menemukan solusi terbaik dengan usaha minimal.
    – Reasoning, membahas teknik reasoning atau penalaran yakni teknik penyelesaian masalah dengan cara mereprentasikan masalah ke dalam basis pengetahuan  atau knowledge base menggunakan logic atau bahasa formal atau bahasa yang dipahami komputer.
    – Planning, membahsa teknik untuk menyelesaikan masalah – masalah yang dapat di dekomposisi atau decomposable problems.
    – Learning, membahas tiga metode learning yaitu decision tree learning, jaringan syaraf tiruan, dan algoritma genetika.

    4. Dapat diwujudkan, karena pada masa mendatang AI ditantang untuk membuat suatu kecerdasan yang hampir menyamai kecerdasan manusia, Ray Kurzweil telah memprediksi bahwa hal itu akan mungkin terwujud melalui tahapan – tahapan prediksi yang dibuatnya secara bertahap hingga tahun 2099.