Kamis, 29 September 2016

PENYELESAIAN MASALAH MISSIONARIES DAN CANNIBAL MENGGUNAKAN ALGORITMA DFS (AI)

    
  Banyak persoalan yang dapat diselesaikan dengan metode search. Salah satunya adalah persoalan missionaries dan cannibal yang sering dikaitkan dengan topik intelijensia buatan. Banyak pendekatan yang dapat dilakukan untuk persoalan tersebut, namun permasalahannya adalah tidak setiap pendekatan akan memberikan solusi terbaik yang memiliki cost, waktu dan ruang yang efisien. Postingan ini akan mengeksplor kasus missionaries dan cannibal tersebut dengan menggunakan algoritma Depth First Search (DFS) yang akan melakukan penelusuran terhadap pohon ruang status secara mendalam dengan variasi penghindaran looping dengan tujuan untuk mengurangi cost, waktu komputasi dan ruang pencarian solusi.

  • Konsep Depth First Search (DFS)


Depth First Search selalu mengembangkan salah satu node pada level terdalam dari pohon. Hanya ketika mencapai titik mati (non-goal node yang tidak mungkin diekspansi) akan dilakukan backtrack ke node induk dan mengembangkan node pada level berikutnya.
  • Penyelesaian Masalah dengan Deppth First Search (DFS)
Pada kasus berikut algoritma DFS diatas mengalami beberapa penambahan karena simpul akan dibunuh tidak hanya karena Q kosong tapi juga karena jumlah kanibal lebih banyak dari jumlah missionaries pada salah satu atau kedua sisi sungai atau karena simpul tersebut pernah dibangkitkan sebelumnya. Jika ditulis secara prosedural maka akan tampak sebagai

berikut :

1. Masukkan simpul akar ke dalam antrian Q. Masukkan kedalam closed list Jika simpul akar adalah simpul tujuan maka solusi telah ditemukan.Stop

2. Jika Q kosong, tidak ada solusi. Stop

3. Ambil simpul v dari kepala antrian Jika jumlah kanibal lebih banyak dari jumlah missionaris pada salah satu atau kedua sisi atau simpul pernah dibangkitkan sebelumnya, kembali ke langkah 2

4. Bangkitkan semua anak dari simpul v, masukkan v kedalam closed list. jika tidak memiliki anak lagi, kembali ke langkah 2. tempatkan semua anak dari v di awal antrian Q

5. Jika anak dari simpul v adalah simput tujuan, solusi telah ditemukan, kalau tidak kembali ke langkah 2 Pada permasalahan ini state dinotasikan dengan sebuah tuple

<Xm,Xc, status posisi perahu>
Xm = Jumlah missionaries tersisa
Xc = Jumlah kanibal tersisa

Posisi perahu dapat berupa huruf B yang berarti perahu berada di sebelah barat dan T yang berarti perahu berada di sebelah timur. Jika digambarkan dengan pohon maka kondisi awal adalah sebagai berikut :

<0m,0c><3m,3c,B>

Kondisi tersebut berarti bahwa perahu ada disebelah Barat dengan jumlah missionaries dan kanibal pada sisi tersebut masing-masing tiga, sedangkan pada sisi Timur sungai masih kosong. Untuk mempermudah dan menjaga konsistensi dalam kasus ini ditentukan urutan perpindahan missionaries dan kanibal adalah sebagai berikut :

<1m,0c><1m,1c><2m,0c><1c,0m><2c>

pengembangan node selalu dimulai dari sisi kiri.Dari kondisi awal tersebut maka node yang akan dikembangkan adalah <1m,0c> . jika digambarkan adalah sebagai berikut :



karena pada simpul dua di sebelah barat jumlah kanibal lebih banyak dari jumlah missionaries maka simpul tersebut mati. Pencarian kemudian berbalik ke simpul satu dan membangkitkan simpul anak lain yang masih mungkin untuk dibangkitkan.


Pencarian terus dilakukan seperti pada gambar diatas, ketika simpul nomor lima dibangkitkan diketahui bahwa simpul tersebut sama dengan simpul yang pernah  dibangkitkan sebelumnya yaitu simpul 3, simpul lima kemudian dibunuh ditandai dengan L3 yang berarti looping terhadap simpul 3, maka simpul tersebut dibunuh lalu backtrack ke pohon induk kemudian mengembangkan simpul-simpul anak lainnnya


Seperti yang dapat dilihat dari gambar 4 . simpul 6 dan 7 ikut dibunuh karena pada salah satu sisi, jumlah kanibal lebih banyak dari missionaries dan akhirnya dikembangkan simpul 8. karena simpul 9 dan 10 terjadi looping dan simpul 8 tidak mungkin membangkitkan simpul anak lagi maka, simpul 4 lah yang akan membangkitkan anak, begitu seterusnya hingga tercapai solusi atau tidak terdapat solusi sama sekali ( pohon ruang status akhir ruang status keseluruhan disertakan dalam lampiran). 

Solusi yang diperoleh adalah :







































Kamis, 22 September 2016

Penjelasan Teori 3 (Tugas AI)

PEAS Perfomance measure , Environment , Actuators , Sensors
Pertama-tama harus menentukan pengaturan untuk desain agen cerdas
Pertimbangkan Mis., tugas merancang supir taksi otomatis 
perfomance measure : Aman , cepat , legal , perjalanan menyenangkan , maksimumkan keuntungan
Environment : jalan , trafik lain , pejalan kaki , pelanggan
actuators : kemudi , gas , rem , lampu sign , horn
Sensors : kamera , sonar , speedometer , GPS , odometer , engine sensors , keyboard

Simple reflex agent






                        Agen ini hanya memutuskan tindakan berdasarkan persepsi mereka saat ini . Dengan mengidentifikasi bahwa tindakan tertentu dijamin dalam kondisi tertentu , agen dapat membangun sebuah daftar aturan kondisi - aksi dan menggunakan mereka untuk menentukan tindakan yang harus dilakukan .

Model-based agent

 
Berikut agen mempertahankan model dunia yang mencakup keadaan internal , pengetahuan tentang bagaimana dunia berkembang ( ' hukum alam ' dari perspektif agen ) , dan pengetahuan tentang bagaimana tindakan agen memengaruhi dunia . Hal ini dapat membantu dengan dunia sebagian diamati .

Goal-based agent





Goal based agents memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan. Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan untuk urutan tindakan menemukan bahwa mencapai tujuan agen. Dalam beberapa kasus goal-based agent tampaknya kurang efisien; itu lebih fleksibel karena pengetahuan yang mendukung keputusan diwakili secara eksplisit dan dapat dimodifikasi.

Utility-based agent


“Goal” tidak cukup untuk menghasilkan perilaku berkualitas tinggi. Ada banyak urutan tindakan  untuk mencapai tujuan, tetapi beberapa yang lebih cepat, lebih aman, lebih dapat diandalkan, atau lebih murah daripada yang lain. Tujuan hanya memberikan perbedaan antara kondisi "bahagia" dan "tidak bahagia", sedangkan ukuran kinerja yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang berbeda jika agen ingin mencapai tujuan. Terminologi yang dipergunakan untuk mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain, itu mempunyai utilitas yang lebih tinggi untuk agent. 

Learning agent


memiliki unsur kinerja yang memutuskan tindakan yang harus diambil, dan elemen pembelajaran yang dapat mengubah elemen peformance untuk menjadi lebih efisien sebagai agen belajar . Sebuah komponen kritikus digunakan untuk mengevaluasi seberapa baik agen melakukan dan memberikan umpan balik kepada komponen pembelajaran , dan generator masalah yang dapat menyimpang dari rutinitas yang biasa dan dan menjelajahi kemungkinan-kemungkinan baru . ( Kritikus dan generator masalah sebenarnya dapat dianggap sebagai bagian dari komponen pembelajaran karena mereka berdua membantu untuk belajar . )



sumber :


Penjelasan Teori 3 (Tugas AI)

PEAS Perfomance measure , Environment , Actuators , Sensors
Pertama-tama harus menentukan pengaturan untuk desain agen cerdas
Pertimbangkan Mis., tugas merancang supir taksi otomatis 
perfomance measure : Aman , cepat , legal , perjalanan menyenangkan , maksimumkan keuntungan
Environment : jalan , trafik lain , pejalan kaki , pelanggan
actuators : kemudi , gas , rem , lampu sign , horn
Sensors : kamera , sonar , speedometer , GPS , odometer , engine sensors , keyboard

Simple reflex agent






                        Agen ini hanya memutuskan tindakan berdasarkan persepsi mereka saat ini . Dengan mengidentifikasi bahwa tindakan tertentu dijamin dalam kondisi tertentu , agen dapat membangun sebuah daftar aturan kondisi - aksi dan menggunakan mereka untuk menentukan tindakan yang harus dilakukan .

Model-based agent

 
Berikut agen mempertahankan model dunia yang mencakup keadaan internal , pengetahuan tentang bagaimana dunia berkembang ( ' hukum alam ' dari perspektif agen ) , dan pengetahuan tentang bagaimana tindakan agen memengaruhi dunia . Hal ini dapat membantu dengan dunia sebagian diamati .

Goal-based agent





Goal based agents memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan. Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan untuk urutan tindakan menemukan bahwa mencapai tujuan agen. Dalam beberapa kasus goal-based agent tampaknya kurang efisien; itu lebih fleksibel karena pengetahuan yang mendukung keputusan diwakili secara eksplisit dan dapat dimodifikasi.


Utility-based agent


“Goal” tidak cukup untuk menghasilkan perilaku berkualitas tinggi. Ada banyak urutan tindakan  untuk mencapai tujuan, tetapi beberapa yang lebih cepat, lebih aman, lebih dapat diandalkan, atau lebih murah daripada yang lain. Tujuan hanya memberikan perbedaan antara kondisi "bahagia" dan "tidak bahagia", sedangkan ukuran kinerja yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang berbeda jika agen ingin mencapai tujuan. Terminologi yang dipergunakan untuk mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain, itu mempunyai utilitas yang lebih tinggi untuk agent. 

Learning agent


memiliki unsur kinerja yang memutuskan tindakan yang harus diambil, dan elemen pembelajaran yang dapat mengubah elemen peformance untuk menjadi lebih efisien sebagai agen belajar . Sebuah komponen kritikus digunakan untuk mengevaluasi seberapa baik agen melakukan dan memberikan umpan balik kepada komponen pembelajaran , dan generator masalah yang dapat menyimpang dari rutinitas yang biasa dan dan menjelajahi kemungkinan-kemungkinan baru . ( Kritikus dan generator masalah sebenarnya dapat dianggap sebagai bagian dari komponen pembelajaran karena mereka berdua membantu untuk belajar . )



sumber :


Perancangan Alat Pendeteksi Suara Abnormal Pada Kendaraan Dengan Gelombang Radio FM (Tugas AI)

PERANCANGAN ALAT PENDETEKSI SUARA ABNORMAL
PADA KENDARAAN DENGAN MENGGUNAKAN
GELOMBANG RADIO FM
Oleh :Djurino
9970020006

1.      Latar belakang
            Suara Abnormal pada kendaraan terutama mobil merupakan masalah yang sering dijumpai, baik bagi kendaraan baru maupun kendaraan yang sudah lama. Selain mengganggu kenyamanan juga dapat membahayakan bagi pengemudi dan kendaraan itu sendiri.sehingga banyak pengendara yang membawa mobilnya ke bengkel untuk menghilangkan sumber bunyi yang mengganggu tersebut.
            Ternyata untuk menemukan sumber suara Abnormal pemeriksaannya tidak mudah, selain perlu pengalaman juga dibutuhkan kesabaran. Selama ini untuk menemukan sumber suara tersebut cukup mengandalkan ketajaman pendengaran dan pengetesan yang lama dan berulang-ulang. Walaupun ada alat yang membantu untuk menemukan suara tersebut namun penggunaannya sangat terbatas dikarenakan harganya yang sangat mahal.
2.      Tujuan
            Tujuan yang hendak dicapai adalah membuat suatu alat sederhana pendeteksi suara Abnormal pada kendaraan dengan menggunakan gelombang radio FM yang terdiri dari sensor-sensor ( pemancar ) yang dipasang pada sumber suara.
3.      Metode
            Pengujian jarak pancar dilakukan dangan mengukur jarak antara blok pemancar (sensor) dan blok penerima (alat penerima) maksimum yang memungkinkan sehingga sensor bunyi masih dapat mengirimkan sinyal suara berisik dengan baik. Pengukuran dibagi menjadi dua bagian, yaitu pertama pengukuran pada kendaraan dalam posisi diam (tidak bergerak) dimana alat sensor dipasang pada kendaraan dan alat pendeteksi yang dijaukan. Kemudian yang kedua pengukuran dalam keadaan kendaraan bergerak (dijalankan) dimana sensor dipasang pada kendaraan selanjutnya kendaraan dijalankan dan alat pendeteksipun di dijalankan dengan mengukur jarak maksimum.
            Waktu pengukuran dilakukan dengan bertahap dan dilakukan juga dengan selang waktu 3 jam, mulai jam 09:00 WIB hingga 21:00 WIB.
Waktu pengukuran
Jarak Pancar Kendaraan Diam
Jarak Pancar Kendaraan
Bergerak
09:00 WIB
11,5 m
11,0 m
12:00 WIB
11,5 m
12,0 m
15:00 WIB
11,5 m
11,5 m
18:00 WIB
11,5 m
11,5 m
21:00 WIB
11,5 m
11,5 m
            Dari tabel diatas dapat disimpulkan bahwa jarak pancar tidak tergantung dengan waktu saat pemancaran dan kondisi pergerakan kendaraan
            Pengujian alat dikendaraan setelah alat ini dianggap sudah cukup layak digunakan, maka pada tanggal 01 Mei 2004, alat ini digunakan untuk mendeteksi suara abnormal pada kendaraan. Berikut dsata monitoring hasil pemeriksaan suara abnormal menggunakan alat :
         
   Dari diagram diatas dapat ditarik kesimpulan bahwa waktu untuk pemerikasaan suara abnormal pada kendaraan dengan menggunakan alat pendeteksi suara abnormal yang menggunakan gelombang radio FM lebih cepat (rata rata perunitnya 19’) dibandingkan sebelum adanya alat (rata rata perunitnya 125’). Sehingga dapat dikatakan alat ini cukup berhasil menghemat waktu pemeriksaan suara abnormal pada kendaraan.
4.      Kesimpulan

Dari keseluruhan proses dapat diambil kesimpulan sebagai berikut:
1.      Pemancar bunyi (sensor) suaara abnormal dapat mengirimkan sinyal dengan baik dan dapat dideteksi oleh alat penerima (receiver) hingga mampu mendeteksi suara-suara abnormal pada kendaraan
2.      Pada pendeteksian kendaraan dalam keadaan diam, alat ini dapat mendeteksi suara abnormal lebih baik (akurat) karna sensor bunyi dapat didekatkan pada sumber suara abnormal
3.      Pada kendaraan bergerak, alat ini mampu mengirimkan sinyalk suara abnormal hingga berjarak 11,5m

4.      Selain itu juga jarak pemancar antara sensor bunyi dan alat penerima sumber bunyi relative tidak terpengaruh oleh waktu dan cuaca saat pengetesan.