ANALISA TEKNIK SEARCHING, REASONING, PLANING DAN LEARNING PADA KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)

ANALISA TEKNIK SEARCHING, REASONING, PLANING DAN LEARNING PADA KECERDASAN BUATAN

(ARTIFICIAL INTELLIGENCE)

A.      SEARCHING

Searching di dalam kecerdasan buatan adalah salah satu metode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi. Teknik searching itu sendiri terbagi menjadi dua, yaitu :

1.      Blind Searching (un-informed)

2.      Heuristic Searching (informed)

1.      Blind Searching

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

  Ø  Membangkitkan simpul berdasarkan urutan

  Ø  Jika ada solusi maka solusi akan ditemukan

  Ø  Hanya memiliki informs tentang node yang telah dibuka (node selanjutnya tidak diketahui)

Blind Searching sendiri dibagi menjadi beberapa bagian diantaranya sebagai berikut : 

1.1         Breadth-First Search (BFS) 

Breadth-First Search (BFS) atau dikenal juga dengan nama algoritma pencarian melebar adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya. Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya. Urutan proses searching BFS ditunjukkan dalam Gambar dibawah ini.

1.2         Depth-First Search (DFS)

Depth-First Search (DFS) adalah salah satu algoritma penelusuran struktur graf / pohon berdasarkan kedalaman. Simpul ditelusuri dari root kemudian ke salah satu simpul anaknya ( misalnya prioritas penelusuran berdasarkan anak pertama [simpul sebelah kiri] ), maka penelusuran dilakukan terus melalui simpul anak pertama dari simpul anak pertama level sebelumnya hingga mencapai level terdalam. 

Setelah sampai di level terdalam, penelusuran akan kembali ke 1 level sebelumnya untuk menelusuri simpul anak kedua pada pohon biner (simpul sebelah kanan) lalu kembali ke langkah sebelumnya dengan menelusuri simpul anak pertama lagi sampai level terdalam dan seterusnya. Contoh pohon biner Depth First Search adalah sebagai berikut. 

Maka, urutan penelusurannya adalah : A – B – D – H – E – I – C – F – G – J – K – L 

1.3        Depth-Limited Search (DLS)  

Depth Limited Search (DLS) merupakan algoritma yang kemudian dikembangkan untuk  

menyempurnakan dari Depth First Search. Depth Limited Search juga menggunakan konsep yang 

sama dengan DFS namun perbedaan nya adalah  Depth Limited Search mencari batas kedalaman 

pencarian nya. Maka dari itu  Depth Limited Search di sebut juga  konsep penyempurna DFS

1.4         Uniform Cost Search (UCS)

Uniform Cost Search (UCS) adalah sebuah algoritma pencarian untuk menemukan solusi yang optimal dan harga yang minimum. Pada UCS, teknik pencariannya memperhatikan cost/jarak antara 1 node ke node lain, berikut ini adalah ilustrasinya.  

pada permasalahan diatas telah ditentukan jarak antara node, maka pada UCS akan membuka node yang memiliki nilai/cost antar node yang terendah.

pada gambar diatas jika kita buka

c = 10

b = 20

a = 10 

karena nilai c dan a sama maka teserah mau buka yang mana lebih dahulu. Seandainya kita mebuka c maka kita teruskan pencariannya, jika kita buka

d = 10+5 =15

e = 10+40 = 50 (mencapai goal, namun nilai cost nya dirasa masih terlalu besar)
   
maka kita buka node d, lalu akan didapat

e = 10+5+30 = 45 (nilai pada pencarian ini pun terasa masih terlau besar) maka dari itu kita buka node yang kecil di awal tadi yaitu node a, setelah kita buka node a akan di dapat e = 10 + 20 = 30 (di dapatkan goal dengan solusi terbaik) 

Dari kasus diatas dapat kita lihat, ada banyak cara unuk mendapatkan solusi. namun dari berbagai macam penyelesaian kasus, kita dapat mencari solusi yang paling optimal dan ini lah ke unggulan dari UCS.

1.5         Iterative-Deepening Search (IDS)

Iterative Deepening Search (IDS)  juga merupakan jenis dari uninformed search, algoritma ini 

merupakan gabungan dari kelebihan Breath First Search(BFS) dan Depth First Search (DFS). 

Kelebihan dari BFS dimana cara ini tidak menemukan jalan buntu (complete dan optimal) sementara 

kelebihan dari DFS yaitu tidak membutuhkan banyak memori. IDS ini melakukan proses pencarian 

secara iterative. Dengan konsep penelusuran secara DFS dimulai dari limit 1. Saat solusi belum 

ditemukan makan pencarian dilakukan lah iterasi ke-2, pencarian kini limitnya bertambah menjadi 1 

level menjadi limit 2, bila solusi masih belum ditemukan lakukan kembali iterasi ke-3 dengan 

menambah limit 1 level menjadi limit 3. Begitu seterusnya hingga ditemukan solusi yang dicari

 

1.6          Bi-Directional Search (BDS)

Salah satu contoh yang termasuk Uninformed search yaitu bi-directional search. Dari namanya bisa ditebak yaitu pencarian yang dilakukan secara 2 arah, yaitu dari state awal menuju solusi(goal) dan satu lagi dari solusi (goal) ke state awal. Pencarian ini bertujuan menemukan solusi atau jalan terbaik dimana nantinya 2 pencarian yang berlangsung simultan ini akan bertemu di sebuah titik potong. Algoritma ini membutuhkan informasi lengkap tentang solusi atau goal yang dituju. Kesulitan dari algoritma ini bila terjadi banyak kemungkinan dimana cabangnya banyak sehingga proses pencarian menjadi lebih lambat

Kompleksitas = O(bd/2) 

2.            Heuristic Searching   

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness). Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. Jenis-jenis Heuristic Searching: 

Ø  Generate and Test. 

Ø  Hill Climbing. 

Ø  Best First Search. 

Ø  Means-EndAnlysis, Constraint Satisfaction, dll. 

2.1        PEMBANGKITAN dan PENGUJIAN (Generate and Test)

Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

Algoritma :

1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal). 

2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang  dipilih dengan kumpulan tujuan yang diharapkan. 

3.  Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

Contoh : “Travelling Salesman Problem (TSP)” 

*) Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya  boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota  dengan jarak antara tiap-tiap kota seperti berikut ini : 

Alur pencarian dengan Generate and Test

Pencarian ke-	Lintasan	Panjang Lintasan	Lintasan terpilih	Panjang Lintasan terpilih
1	ABCD	19	ABCD	19
2	ABDC	18	ABDC	18
3	ACBD	12	ACBD	12
4	ACDB	13	ACBD	12
5	ADBC	16	ACBD	12
Dst…..

2.2        PENDAKIAN BUKIT (Hill Climbing)

Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnyayang mungkin. 

Algoritma: 

1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru. 

a) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang : Cari operator yang belum digunakan; gunakan operator 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 iterasi. 

Contoh: TSP dengan Simple Hill Climbing Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak n!/2!(n-2)!  atau sebanyak 6 kombinasi. Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi. 

2.3         PENCARIAN TERBAIK PERTAMA (Best-First Search)

Metode ini merupakan kombinasi dari metode depthfirst search dan breadth-first search. Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk. Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan :  

f’(n) = g(n) + h’(n)

f’ = Fungsi evaluasi

g  = cost dari initial state ke current state

h’ = prakiraan cost dari current state ke goal state

Contoh: Misalkan kita memiliki ruang pencarian seperti pada gambar berikut. Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M dengannode A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h’ di node A merupakan hasil perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h’(n) bernilai ~ jika sudah jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita bisa merunut nilai untuk setiap node

    

2.4           MEA (Means-Ends Analysis)

MEA adalah strategi penyelesaian masalah yang diperkenalkan pertama kali dalam GPS (General Problem Solver) [Newell & Simon, 1963].

Proses pencarian berdasarkan ruang masalah yang menggabungkan aspek penalaran forward dan backward. Perbedaan antara state current dan goal digunakan untuk mengusulkan operator yang mengurangi perbedaan itu. Keterhubungan antara operator dan perbedaan tsb disajikan sebagai pengetahuan dalam sistem (pada GPS dikenal dengan Table of Connections) atau mungkin ditentukan sampai beberapa pemeriksaan operator jika tindakan operator dapat dipenetrasi. 

Contoh OPERATOR first-order predicate calculus dan operator2 tertentu mengijinkan perbedaan korelasi task-independent terhadap operator yang menguranginya. Kapan pengetahuan ada tersedia mengenai pentingnya perbedaan, perbedaan yang paling utama terpilih pertama lebih lanjut meningkatkan rata-rata capaian dari MEA di atas strategi pencarian Brute-Force.

Bagaimanapun, bahkan tanpa pemesanan dari perbedaan menurut arti penting, MEA meningkatkan metode pencarian heuristik lain (di rata-rata kasus) dengan pemusatan pemecahan masalah pada perbedaan yang nyata antara current state dengan goal-nya.

B.              REASONING

Penalaran secara literal Bahasa Inggris adalah reasoning. Berasal dari kata reason, yang secara literal berarti alasan. Berarti reasoning atau to reason adalah memberikan/memikirkan alasan. Mungkin beberapa dari kita masih belum memahami betul apa arti penalaran. Apakah orang yang salah nalar berarti orang bodoh? Tidak, orang salah nalar bisa terjadi karena strategem (kecohan yang bertujuan tertentu), salah nalar (reasoning fallacy), atau salah nalar karena aspek kemanusiaan. Jadi, bedakan antara penalaran dan kebodohan.

Penalaran dari aspek teoritis dapat didefinisikan sebagai proses berpikir logis dan sistematis untuk membentuk dan mengevaluasi suatu keyakinan terhadap pernyataan atau asersi. Tujuan dari penalaran adalah untuk menentukan secara logis dan objektif, apakah suatu pernyataan valid (benar atau salah) sehingga pantas untuk diyakini atau dianut. Dari definisi dan tujuan, dapat dilihat bahwa penalaran digunakan untuk mengevaluasi apakah suatu pernyataan itu dapat diyakini atau dianut atau kembali secara literal, kita melihat alasan (reason) dibalik suatu pernyataan.

Pada pembahasan kali ini akan membahas teknik reasoning (penalaran), yakni teknik penyelesaian masalah dengan cara merepresentasikan masalah kedalam basis pengetahuan (knowledge base) menggunakan logic atau bahasa formal (bahasa yang di pahami komputer). Disini, kami memfokuskan bahasan pada proposional logic (logika proposisi) dimana didalamnya terdapat tata bahasa pada proposition logic, semantic pada proposition logic, aturan inverensi pada proposition logic, masalah dunia wumpus (contoh penggunaan propositional logic), dan terakhir knowledge base systems, dan kami akan membahas secara singkat tentang first order logicatau predicate calculus (kalkulus predikat), dan fuzzy logic (logika samar). 

Berbeda dengan searching yang yang merepresentasikan kedalam state dan ruang masalah serta menggunakan strategi pencarian untuk menemukan solusi, reasoning merepresentasikan masalah kedalam basis pengetahuan dan merupakan proses penalaran untuk menemukan solusi. Pada teknik searching, dua masalah utama yang dihadapi adalah: kesulitan dalam menentukan apakah aturan produksi (operator) sudah lengkap atau belum. Jika masalah yang dihadapi cukup kompleks, maka akan terjadi ketidakefisienan representasi keadaan (state). Misalkan untuk masalah 8-puzzle representasi suatu state adalah: delapan posisi angka, satu parent,  dan maksimum 4 suksesor. Bagaimana jika masalah yang dihadapi adalah permainan catur satu state harus direpresentasikan sebagai 32 posisi buah catur dan 1 state bisa memiliki sangat banyak suksesor (faktor percabangan sangat besar) jika satu buah catur rata-rata bisa melakukan 1 langkah, maka satu state bisa memiliki 16 suksesor. Dengan demikian ruang masalahnya akan sangat besar. Untuk solusi dilevel 10, maka BFS harus membangkitkan dan menyimpan 1610 state! Cara representasi ini tidak mungkin digunakan untuk prosesor dan kapasitas memory komputer saat ini. Bagaimana solusinya, solusi yang mungkin adalah menggunakan representasi yang jauh lebih sederhana yaitu menggunakan logic. Lima jenis logic untuk merepresentasikan basis pengetahuan dan untuk melakukan penalaran ditunjukkan pada tabel di bawah ini. 

Logic yang paling sederhana adalah proporsition logic dimana suatu simbol menyatakan 1 proposisi (fakta) yang bisa bernilai benar atau salah. Simbol proposisi bisa dihubungkan dengan Boolean Connectives sehingga membantuk suatu kalimat. Bagaimanapun, untuk masalah yang kompleks, propositional logic tidak bisa digunakan secara praktis karena kita harus membangun banyak sekali fakta untuk merepresentasikan keadaan sederhana.

First-order logic merepresentasikan fakta dan aturan di dunia nyata dengan cara yang lebih baik yaitu menggunakan objek, predikat (relasi), dan connectives serta quantifier sehingga beberapa fakta sederhana dapat direpresentasikan kedalam suatu kalimat logika. Pada first-order logic semua relasi bersifat tetap pada waktu kapanpun. Untuk masalah yang kompleks dimana suatu relasi bisa berubah sesuai dengan perubahan waktu, maka diperlukan logic bentuk lain yang disebut temporal logic. 

Pada temporal logic, dunia nyata direpresentasikan dengan sederetan interval waktu dan penalaran dilakukan berdasarkan fakta-fakta yang nilai kebenarannya bergantung pada deretan waktu tersebut. Pada masalah yang lain, nilai kebenaran tidak harus benar, salah atau tidak diketahui. Mungkin saja terdapat nilai-nilai lain diantaranya. Probability theory adalah logic yang merepresentasikan fakta dengan derajat kepercayaan yang bernilai antara 0 (tidak dipercaya sama sekali atau salah) sampai 1 (dipercaya sepenuhnya atau benar). Yang terakhir adalah fuzzy logic yang menggunakan derajat kebenaran dengan tingkat kepercayaan antara 0 dan 1. Misalkan, ‘Bandung adalah kota yang nyaman’ mungkin benar tingkat kepercayaan 0.4.

C.           PLANNING

Planning adalah suatu metode penyelesaian masalah dengan cara memecah masalah ke dalam sub-sub masalah yang lebih kecil, menyelesaikan sub-sub masalah satudemi satu, kemudian menggabungkan solusi-solusi dari sub-sub masalah tersebut menjadisebuah solusi lengkap dengan tetap mengingat dan menangani interaksi yang ada antar sub masalah.

Planning berbeda dengan Search-Based Problem Solving dalam hal representasi goals, states, dan actions, juga berbeda dalam representasi dan pembangunan urutan-urutan action. Planning berusaha untuk mengatasi kesulitan-kesulitan yang dialami dalam Search-Based Problem Solving.

Pengujian keberfungsian suatu metode perencanaan dapat dilakukan pada suatu domain yang dinamakan Dunia Balok (Blocks-World). Dunia Balok dinilai cukup layak sebagai lahan pengujian karena tingkat kompleksitas permasalahan yang mungkin timbuldi dalamnya. Di dalam Dunia Balok dikenal istilah initial-state dan goal-state yang  masing-masing direpresentasikan oleh suatu komposisi dari sejumlah balok. Kemudian,ada satu set operator yang dapat diaplikasikan oleh sebuah tangan robot untuk memanipulasi balok. Permasalahan yang ada di dalam Dunia Balok adalah: Rangkaianoperator seperti apa yang dapat mengubah initial-state menjadi goal-state? Rangkaian operator tersebut biasa disebut sebagai Rencana Penyelesaian

Dua metode perencanaan yang cukup populer dan sudah pernah diuji pada Dunia Balok adalah Goal-Stack-Planning (GSP) dan Constraint-Posting (CP). GSP dan CP memiliki kelemahan dan keunggulan masing-masing. Dari segi kemudahan implementasidan biaya komputasi, GSP lebih unggul dibanding CP. Sedangkan, dari segi efisiensiRencana Penyelesaian yang dihasilkan, CP pada umumnya lebih unggul dibanding GSP.

Tetapi, dari seluruh kemungkinan permasalahan yang timbul pada Dunia Balok,meskipun GSP dan CP mampu menghasilkan rencana-rencana penyelesaian, namun rencana-rencana penyelesaian yang dihasilkan pada umumnya tidak efisien[RIC91]. Padahal, rencana penyelesaian yang efisien adalah salah satu hal yang penting, terutama pada sistem-sistem raksasa. Pada domain tertentu, pemecahan masalah menggunakan komputer perlu dilakukan dengan cara bekerja pada bagian-bagian kecil dari masalah secara terpisah kemudian menggabungkan solusi-solusi per bagian kecil tersebut menjadi sebuah solusi lengkap dari masalah. Karena, jika hal-hal tersebut tidak dilakukan, jumlah kombinasi state dari komponen masalah menjadi terlalu besar untuk dapat ditangani dipandang dari segiwaktu yang tersedia. 

Dua syarat untuk melakukan dekomposisi di atas adalah : 

•      Menghindari penghitungan ulang dari seluruh state masalah ketika terjadi perubahandari suatu state ke state lainnya.     
•       Membagi masalah ke dalam beberapa sub masalah yang relatif lebih mudah untuk diselesaikan.

Penggunaan metode-metode yang terfokus pada cara mendekomposisi masalah ke dalam sub-sub masalah yang sesuai dan cara untuk mengingat dan menangani interaksi antar sub masalah ketika terjadi proses penyelesaian masalah tersebut diistilahkan dengan Perencanaan.

Pemecahan masalah dengan menggunakan perencanaan pada umumnya: 

• Modus Goal-Directed, yaitu pencarian solusi dilakukan dari kondisi goal-state sampai ke kondisi initial-state yang dapat dicapai. 
• Runut-Balik-Terpandu-Kebergantungan (Dependency-Directed-Backtracking) ketika menemukan jalan buntu.

Untuk berpindah dari satu state ke state lainnya, perencana diperkenankan untuk mengaplikasikan sejumlah operator. Sebuah sistem perencanaan pada umumnya perlu untuk mampu: 

•  Memilih operator  
• Mengaplikasikan operator
• Mendeteksi ketika solusi telah tercapai 
• Mendeteksi jalan-jalan buntu 
• Mendeteksi ketika solusi yang hampir benar telah dicapai dan melakukan teknik khusus untuk membuat solusi tersebut menjadi benar 

      Pemilihan operator pada umumnya dilakukan dengan: 

•      Pertama, mengumpulkan kondisi pembeda goal-state dan current –state (current – state adalah suatu state yang menunjukkan kondisi saat ini). 
•       Kedua, mengidentifikasi operator yang dapat mengurangi perbedaan tersebut.

Pendeteksian bahwa solusi telah ditemukan dilakukan dengan cara menguji rangkaian operator yang telah dihasilkan. Jika rangkaian operator tersebut dapat mengubah kondisi initial-state menjadi goal-state, maka solusi telah ditemukan.

Pendeteksian jalan-jalan buntu dilakukan dengan: jika suatu rangkaian operator menghasilkan state yang diyakini bukan state antara goal-state dan initial-state atau jika kemajuan yang dicapai dianggap terlalu kecil atau menimbulkan permasalahan yang lebih sulit, maka rangkaian operator tersebut dianggap telah menemukan atau akan menuju jalan buntu.

Membuat solusi yang hamper benar menjadi benar dilakukan jika teknik yang dipakai dalam pencarian solusi hanya menghasilkan rangkaian solusi yang hamper benar. Perencana kemudian akan mengaplikasikan suatu metode tertentu untuk membuat solusi yang hampir benar tersebut menjadi benar.

Untuk menghindari pencatatan kondisi keseluruhan di setiap titik persimpangan (node) dalam pencarian solusi, pengaplikasian operator memerlukan tiga daftar predikat untuk mendeskripsikan perubahan kondisi, yaitu:

1. PRECONDITION : predikat – predikat yang harus bernilai benar sebelum pengaplikasian operator 
2. ADD: predikat-predikat yang bernilai benar setelah pengaplikasian suatu operator. 
3. DELETE : predikat-predikat yang bernilai salah setelah pengaplikasian suatu operator

Ketiga daftar predikat tersebut selanjutnya disebut dengan daftar-PAD

1.        Dunia Balok

Dunia Balok adalah sebuah domain dengan karakteristik: 

•  Memiliki sebuah permukaan datar tempat menyimpan balok, umumnya disebut dengan meja. 
• Memiliki sejumlah balok kotak yang berukuran sama. 
• Memiliki sebuah tangan robot yang dapat memanipulasi balok.Untuk memudahkan pendefinisian kondisi balok pada suatu state dalam.

Dunia Balok digunakan predikat-predikat berikut : 

• ON (A, B) – Balok A menempel di atas balok B.
•  ONTABLE (A) – Balok A berada di permukaan meja. 
• CLEAR (A) – Tidak ada balok yang sedang menempel di atas balok A.

Sedangkan, untuk tangan robot digunakan : 

•  HOLDING (A) – Tangan robot sedang memegang balok A. 
• ARMEMPTY – Tangan robot tidak sedang memegang balok.

Permasalahan yang akan dicari rencana penyelesaiannya adalah permasalahan yang memenuhi spesifikasi berikut: 

•   Jumlah balok sama. 
•  Balok yang berada pada initial-state juga berada pada goal-state. 
•   Kondisi terdefinisi dengan benar. 
• Tangan robot tidak sedang memegang balok.

2.        Goal-Stack-Planning (GSP)

Dalam menyelesaikan sebuah masalah, GSP menggunakan sebuah stack untuk menampung kondisi-kondisi (kondisi goal dan kondisi-kondisi yang mungkin terjadi ketika pencarian solusi) dan operator-operator yang telah diajukan untuk memenuhi kondisi-kondisi tersebut. Juga, tergantung pada sebuah basis data yang menggambarkan current –state dan satu set operator yang dideskripsikan sebagai daftar predikat PRECONDITION, ADD dan DELETE  atau daftar-PAD.

Langkah – langkah menyelesaikan masalah 

• Langkah pertama GSP dalam menyelesaikan sebuah masalah adalah menempatkan kondisi-kondisi goal-state pada stack. Kondisi-kondisi tersebut akan disimpan di dalam sebuah slot stack. 
• Langkah kedua, mengacu pada current -state, kondisi-kondisi goal-state yang belum tercapai dimasukkan ke dalam stack, masing-masing menempati sebuah slot. GSP tidak memiliki aturan khusus yang mengatur urutan pemasukan ke dalam stack dari kondisi-kondisi yang belum tercapai tersebut 
•  Langkah ketiga, slot terisi yang berada paling atas pada stack akan diperiksa. Hal-hal yang akan dilakukan bergantung pada kondisi slot tersebut. Kondisi yang mungkin terjadi pada slot tersebut adalah sebagai berikut:

Kondisi 1

Jika slot berisi kondisi yang sudah memenuhi current -state, tetapi slot tidak terletak di dasar stack dan juga tidak terletak di atas slot yang berisi operator, maka isi slotakan di-pop dari stack dan pemeriksaan dilanjutkan pada slot berikutnya.

Kondisi 2

Jika slot berisi kondisi yang belum memenuhi current –state maka isi slot akan di-pop dari stack. Kemudian, sebuah operator yang sesuai untuk mencapai kondisi tersebut akan dimasukkan ke dalam stack. Setelah itu, serangkaian kondisi yang dibutuhkanagar operator itu bisa diaplikasikan akan dimasukkan ke dalam sebuah slot stack. Selanjutnya, setiap kondisi dari rangkaian kondisi yang dibutuhkan operator agar dapat diaplikasikan tersebut akan dimasukkan ke dalam sebuah slot secara terurut, dimana kondisi yang harus dicapai paling akhir dimasukkan pertama kali.

Kondisi 3

Jika slot berisi kondisi atau rangkaian kondisi dan slot tersebut berada di atas slot yang berisi operator, maka isi slot teratas dari stack tersebut akan di-pop. Kemudian, operator pada slot berikutnya akan di-pop dan dimasukkan ke dalam antrian operator dalam rencana penyelesaian dan current –state di-update dengan mengaplikasikan operator tersebut pada current –state berdasarkan daftar-PAD.

Kondisi 4

Jika slot yang diperiksa adalah slot terdasar maka akan diuji kesamaan antara current – state dan  goal-state. Jika sama (berarti goal-state telah tercapai) maka isi slot akan di- pop dan pencarian rencana penyelesaian dihentikan. Jika berbeda (goal-state belum tercapai) maka langkah ke dua diulangi. Jika kondisi yang terjadi bukan kondisi 4,setelah rangkaian tindakan yang bersesuaian dilakukan, langkah ketiga diulangi

GSP mungkin menemui jalan buntu yang disadari (meningkatkan biaya komputasi) atau pun yang tidak disadari (membuat rencana penyelesaian tidak efisien). Jalan buntu yang tidak disadari disebabkan karena GSP tidak memiliki aturan untuk mengurutkan pemasukan kondisi goal-state yang belum tercapai ke alam stack (langkah ke-2). 

3.        Constraint Posting (CP) 

Berbeda dengan GSP yang berusaha mencapai kondisi goal-state dengan secara terurut berusaha mencapai sebuah kondisi pada suatu saat dengan operator-operator yang dibangkitkan pada rencana penyelesaian yang dihasilkan terurut untuk menyelesaikan kondisi pertama yang ingin dicapai, kedua dan seterusnya (linear-planning ), CP bekerja secara paralel untuk mencapai kondisi-kondisi pada goal-state (non-linear-planning), berdasarkan kepada keyakinan bahwa: pada kebanyakan masalah, sub-sub masalah perlu untuk dikerjakan secara simultan [RIC91]. CP membangun rencana penyelesaian dengan secara bertahap menganalisa operator-operator, secara parsial mengurutkan operator-operator dan melekatkan variabel antar operator. Sehingga, pada suatu saat dalam proses penyelesaian masalah, bisa didapatkan sekumpulan operator meskipun cara yang jelas untuk mengurutkan operator-operator tersebut mungkin tidak dimiliki  

D.       LEARNING

learning adalah metode analisis yang membantu menangani data besar dengan cara mengembangkan algoritma komputer. Dengan menggunakan data, pembelajaran mesin memungkinkan komputer menemukan wawasan tersembunyi tanpa diprogram secara eksplisit saat mencarinya. Dengan adanya email baru, algoritma tersebut kemudian akan menghasilkan prediksi apakah email baru itu spam atau tidak.

Machine learning adalah aplikasi artificial intelligence (AI) yang menyediakan sistem kinerja secara otomatis serta belajar memperbaiki diri dari pengalaman tanpa diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program komputer yang bisa mengakses data dan menggunakannya untuk belajar sendiri. Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari.

Proses pembelajaran dimulai dengan observasi data, seperti contoh: pengelaman langsung, atau intruksi untuk mencari pola data dan membuat keputusan yang lebih baik dimasa depan berdasarkan contoh tersebut. Tujuan utamanya adalah membiarkan komputer belajar secara otomatis tanpa intervensi atau bantuan manusia dan menyesuaikan aktivitas yang sesuai. Karena teknologi komputasi, machine learning saat ini tidak seperti machine learning di masa lalu.

Sementara, algoritma machine learning sudah ada sejak lama, kemampuannya secara otomatis menggunakan perhitungan matematis yang kompleks ke data besar dan yang lebih cepat merupakan perkembangan terakhir. Machine Learning merupakan salah satu cabang dari disiplin ilmu AI (Artificial Intellegence) atau Kecerdasan Buatan yang membahas mengenai pembangunan sistem yang berdasarkan data.

Sebenarnya, masih ada banyak lagi situs web dan perangkat modern yang mungkin besar dan berisi beberapa model Machine Learning yang mungkin tidak kita sadari. Model tersebut digunakan untuk melakukan klasifikasi atau prediksi terhadap data baru yang memungkinkan kita untuk membuat atau mendukung pengambilan keputusan. Berikut adalah beberapa contoh aplikasi pembelajaran mesin yang dipublikasikan secara luas: 

•  Mobil Google yang sangat hyped dan self-driving. Inti pembelajaran mesin.
• Penawaran rekomendasi online seperti Amazon dan Netflix. Aplikasi belajar mesin untuk kehidupan sehari-hari. 
• Mengetahui apa yang pelanggan katakan tentang Anda di Twitter. Pembelajaran mesin dikombinasikan dengan pembuatan aturan linguistik.  
• Deteksi penipuan Salah satu kegunaan yang lebih jelas dan penting di dunia kita saat ini.

Machine Learning meningkat karena faktor data mining dan analisis Bayesian lebih populer dari sebelumnya. Pengolahan komputasi yang lebih murah dan lebih bertenaga termasuk penyimpanan data yang terjangkau merupakan peningkatan. Semua hal ini secara cepat dan otomatis menghasilkan model yang dapat menganalisis data yang lebih besar dan lebih komplek memberikan hasil yang lebih cepat dan akurat dalam skala yang sangat besar.

Prediksi nilai tinggi bisa mengarah pada keputusan dan tindakan cerdas secara real-time tanpa campur tangan manusia. Salah satu kunci untuk menghasilkan gerakan cerdas secara real-time merupakan pembuatan model otomatis.