Artificial Intelligence (AI)

Tugas ke-7 dibawah ini dibuat untuk memenuhi tugas mata kuliah Pengantar Kecerdasan Tiruan ( AI ) yang diampu oleh Mia Kamayani ST,MT.

CAR EVALUATION

Disusun Oleh :

1. 1503015046   Eldyn Mohammad Qosim

2. 1503015086   Mita Permatasari

Deskripsi Permasalahan :

Evaluasi mobil dibutuhkan untuk membandingkan kualitas beberapa mobil yang dibuat. Database Evaluasi mobil ini berasal dari model keputusan hirarki sederhana yang awalnya dikembangkan untuk demonstrasi DEX, M. Bohanec, V. Rajkovic: Sistem pakar untuk pengambilan keputusan. Sistemica 1 (1), pp. 145-157, 1990.)

Deskripsi Atribut :

1.   @attribute, Buying, nominal, ( vhigh, high, med, low )

Keterangan : Harga pembelian ?

2.   @attribute, Maint, nominal, ( vhigh, high, med, low )

Keterangan : Harga perbaikan ?

3.   @attribute, Doors, nominal, ( 2, 3, 4, 5more )

Keterangan : Jumlah pintu ?

4.   @attribute, Persons, nominal, (2, 4, more )

Keterangan : Kapasitas orang yang diangkut ?

5.   @attribute, Lug_boot, nominal, ( small, med, big )

Keterangan : Ukuran bagasi ?

6.   @attribute, Safety, nominal, ( low, med, high )

Keterangan : Keamanan mobil ?

Hasil Eksperimen :

No.Eksperimen	Metode Classifier	Metode Evaluasi	F-Measure Rata-rata
1	Decision Table	Percentage Split: 66%	0,865
2	Hoeffding Tree	Cross Validation: 10	0,845
3	Random Forest	Percentage Split: 40%	0,899
4	REPTree	Cross Validation: 10	0,902

Kesimpulan :

Dari ke-4 percobaan dapat disimpulkan bahwa F-Measure tertinggi ( 0,902 ) didapat menggunakan metode REPtree dengan Cross Validation 10. Semakin tinggi F-Measure nya semakin Efektif penggunaannya.

Screenshot Hasil Pengujian dengan Aplikasi Weka :

Pengujian dengan Decision Table

Pengujian dengan Hoeffding Tree

Pengujian dengan Random Forest

Pengujian dengan REPtree

REFERENSI :

https://archive.ics.uci.edu/ml/datasets/Car+Evaluation

Artificial Intelligence (AI)

Tugas ke-6 dibawah ini dibuat untuk memenuhi tugas mata kuliah Pengantar Kecerdasan Tiruan ( AI ) yang diampu oleh Mia Kamayani ST,MT.

LEARNING FOR EXAMPLE

Kita akan membangun sebuah decision tree untuk memutuskan apakah akan menunggu meja di suatu restoran atau tidak menunggu. Goal predicate disini adalah WillWait.

Langkah 1: buat daftar atribut yang akan kita jadikan input

1. Alternate: apakah ada restoran alternatif yang cocok di sekitar?

2. Bar: apakah restoran memiliki area bar yang nyaman untuk menunggu?

3. Fri/Sat: true jika hari ini adalah Friday atau Saturday

4. Hungry: apakah kita sedang lapar?

5. Patrons: berapa banyak orang yang ada di restoran? (None, Some, Full)

6. Price: harga restoran ($, $$, $$$)

7. Raining: apakah di luar hujan?

8. Reservation: apakah kita sudah membuat reservasi?

9. Type: jenis restoran (French, Italian, Thai atau burger)

10. WaitEstimate: estimasi waktu tunggu (0-10 menit, 10-30 menit, 30-60 menit, >60 menit)

Training Set (data latih) yang disediakan ada 12  data. Contoh positif dari data latih adalah yang memiliki goal WillWait=yes sedangkan sisanya (WillWait=no) adalah contoh negatif.

Tujuan dari algoritma decision tree adalah membuat pohon sekecil mungkin. Cari atribut paling penting, artinya atribut yang membagi data latih paling signifikan. Atribut Type adalah atribut yang paling tidak signifikan karena hasilnya adalah 4 output dan masing-masing memiliki jumlah positif dan negatif yang sama.

Mari kita buat Decision Treenya :

SELESAI

 " HARGAI PEMBUAT BLOG YA GUYS, SARAN DAN KRITIK DITUNGGU "

Artificial Intelligence (AI)

Tugas ke-5 dibawah ini dibuat untuk memenuhi tugas mata kuliah Pengantar Kecerdasan Tiruan ( AI ) yang diampu oleh Mia Kamayani ST,MT.

PARTIAL ORDER PLANNING

(POP)

            Partial Order Planning (POP) adalah sebuah pendekatan untuk perencanaan otomatis yang meninggalkan keputusan tentang pemesanan tindakan seterbuka mungkin.Ini kontras dengan perencanaan keseluruhan-order , yang menghasilkan urutan yang tepat dari tindakan.

1)   SHOPPING

STEP 1

Step awal memperlihatkan Initial State dan kondisinya 

STEP 2

Step 2 memperlihatkan bahwa initial state akan menuju ke goal state dengan memperlihatkan kondisinya masing-masing. 

STEP 3

Pada step 3 pertama-tama kita akan pergi ke Hardware Store dengan “Precondition and Effect” nya. 

STEP 4

Pada step 4 memperlihatkan setelah pergi ke Hardware Store maka kita kan membeli Drill serta memperlihatkan precondition nya dan effect nya 

STEP 5

Pada step 5 terjadi Clobber karena Precondition dan Effect nya sama pada bagian At(Home) dan ~At(Home) warna biru dan warna hijau maka dari itu Precondition At(Home)  dan Effect ~At(Home) warna hijau akan diganti pada step selanjutnya, dalam pemikiran saya sendiri kondisi tersebut tidak mungkin terjadi karena kita tidak bisa berada didua tempat secara bersamaan maka dari itu kita akan memilih kemana kita akan pergi terlebih dahulu. 

STEP 6

Pada step 6 garis putus-putus menunjukkan bahwa kita akan pergi untuk membeli Drill terlebih dahulu sebelum pergi ke SuperMarket. 

STEP 7

Pada step 7 selanjutkan kita membeli Milk dengan Precondition and Effect nya. 

STEP 8

Step 8 kita langsung menuju untuk membeli Banana karena tempat yang dituju sama seperti membeli Milk, Banana juga memperlihatkan precondition and effect nya 

Step 9

Step 9 merupakan step akhir yaitu dimana setelah kita membeli Milk atau Banana kita bisa langsung kembali menuju rumah dengan Precondition and Effect nya dengan At(x) merupakan dimana tempat kita sebelum kerumah. 

GRAPH PLAN

            Graph Plan adalah adalah algoritma untuk perencanaan otomatis yang dikembangkan oleh Avrim Blum dan Merrick Furst pada tahun 1995. Graphplan mengambil sebagai masukan masalah perencanaan dinyatakan dalam strip dan menghasilkan, jika salah satu kemungkinan, urutan operasi untuk mencapai keadaan tujuan.

1)   Birthday Dinner

STEP 1

Step 1 memberikan gambar initial and goal state

STEP 2

Step 2 memberikan gambaran untuk setiap kondisi

STEP 3

Mari kita membuat Graph Plan. Kita mulai dengan menempatkan dalam kondisi awal.

STEP 4

Mengingat kondisi  awal, semua ke empat dari tindakan kita mungkin bisa dijalankan pada langkah pertama, jadi kami menambahkannya ke Graph.

STEP 5

Sekarang kita tambahkan semua proposisi lama kita ke lapisan berikutnya, serta semua proposisi yang bisa menjadi efek dari tindakan. Dan kita menarik dalam

tindakan perawatan, juga.

STEP 6

Jadi pertama-tama, mari kita coba untuk mengajukan pertanyaan, bisa dibayangkan tujuan menjadi kenyataan? Kami Tujuannya adalah! sampah dan makan malam dan sekarang. Layer 2 berisi! Sampah dan makan malam dan sekarang. Sehingga terlihat seperti ini mungkin bisa menjadi kenyataan. Mereka tidak jelas tidak konsisten

STEP 7

Jadi, kita akan mulai mencari rencana dengan menemukan cara untuk membuat tidak sampah benar.

STEP 8

Kami akan mencoba menggunakan carry tindakan.

STEP 9

Sekarang, kita akan mencoba untuk membuat makan malam yang benar-satunya cara kita bisa, dengan tindakan masak.

STEP 10

Membeli memasak dan membawa yang mutex, jadi ini tidak akan bekerja.

STEP 11

Karena tidak ada cara lain untuk membuat makan malam, kita gagal, dan harus mencoba cara yang berbeda untuk membuat tidak sampah benar. Kali ini, kami akan mencoba dolly.

STEP 12

Sekarang, kita bisa memasak makan malam, dan kami tidak memiliki masalah mutex dengan dolly.

STEP 13

Kita harus membuat ini benar juga. Satu-satunya cara untuk melakukannya adalah dengan bungkus, tapi bungkus adalah mutex dengan dolly. Jadi, kami benar-benar gagal. Tanda.

STEP 14

Tidak ada cara untuk mencapai semua tujuan ini secara paralel. Jadi kita harus mempertimbangkan kedalaman dua rencana. Kita mulai dengan menambahkan lapisan lain untuk grafik rencana.

STEP 15

Sekarang kita harus yakin bahwa kita dapat memenuhi semua prasyarat tersebut di tingkat 0. Kami sub tujuan sekarang adalah sampah, bersih, dan bungkus. Mereka semua benar pada tingkat 0, jadi kita dilakukan! Ada sebenarnya banyak rencana yang akan bekerja, tapi di sini satu dari mereka. Jika kita akan melakukan tindakan dalam rangka, rencana ini akan memungkinkan kita untuk melakukan cook kemudian bungkus kemudian membawa, atau masak kemudian dibawa, lalu bungkus. Yang paling penting adalah bahwa hal itu memaksa kita untuk melakukan memasak sebelum carry, yang kita tidak bisa menegakkan di kedalaman 1 rencana.

DILARANG COPY-PASTE TANPA IZIN YA GUYS, HARGAI PEMBUAT BLOG ^^,

SUMBER :

https://www.youtube.com/watch?v=kyCibTQQQBE

https://en.wikipedia.org/wiki/Partial-order_planning
https://en.wikipedia.org/wiki/Graphplan

https://docs.google.com/viewer?a=v&pid=sites&srcid=cGFydWx1bml2ZXJzaXR5LmFjLmlufGFpXzhfaXRfMjAxNS0xNnxneDo1MGFmNzM1NmZhMDM0NDQ0