PENGETAHUAN TEKNOLOGI SISTEM CERDAS

PENGETAHUAN TEKNOLOGI SISTEM CERDAS

POKOK BAHASAN : PENGENALAN INTELEGENSI BUATAN .

1.1  PENGERTIAN INTELIGENSI BUATAN.

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atauIntelegensi 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 syaraf tiruan dan robotika

1.2 INTELEGENSI BUATAN DAN INTELEGENSI ALAMI.

Adapun perbedaan antara kecerdasan buatan dengan kecerdasan alami adalah kecerdasan buatan lebih bersifat permanen, sedangkan kecerdasan alami dapat berubah (hal ini karena sifat manusia yang pelupa). Kecerdasan buatan lebih mudah disalin dan dipindah daripada kecerdasan alami. Menyediakan layanan computer lebih mudah dan murah daripada mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam waktu yang sangat lama. Kecerdasan buatan bersifat konsisten karena merupakan bagian dari teknologi computer, sedangkan kecerdasan alami dapat berubah-ubah.
Keputusan yang dibuat dalam kecerdasan buatan dapat didokumentasi dengan mudah dengan cara melacak tiap aktifitas dari sistem tersebut, sedangkan kecerdasan alami sulit direproduksi. Kecerdasan buatan lebih cepat dan lebih baik daripada kecerdasan buatan.
Kecerdasan buatan kreatif karena untuk menambah pengetahuan harus melalui sistem yang dibangun, sedangkan kecerdasan alami lebih kreatif soalnya manusia memiliki kemampuan untuk menambah pengetahuan.

Kecerdasan buatan harus bekerja dengan input-input simbolik dan sangat terbatas, sedangkan kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung dan pemikiran manusia dapat digunakan secara luas.

Jadi, secanggih-canggihnya suatu kecerdasan buatan tidak akan permah dapat menggantikan kecerdasan alami. Karena kecerdasan buatan berasal dari kecerdasan alami.

1.2  KOMPUTASI INTELEGENSI BUATAN DAN KOMPUTASI KONVENSIONAL .

Komputasi Kecerdasan Buatan VS Komputasi Konvensional

Dimensi Intelegensi Buatan Pemrograman Konvensional

Pemrosesan Mengandung konsep-konsep simbolik Algoritmik

Sifat Input Bisa tidak lengkap Harus Lengkap

Pencarian Kebanyakan bersifat heuristik Biasanya didasarkan pada algoritma

Keterangan Keterangan disediakan Biasanya tidak disediakan

Fokus Pengetahuan Data & Informasi

Struktur Kontrol dipisahkan dari pengetahuan Kontrol terintegrasi dengan informasi (data)

Sifat Output Sifat output Kuantitatif Kualitatif

Pemeliharaan & update Relatif murah Sulit

Kemampuan menalar Ya Tidak

1.3  SEJARAH INTELEGENSI BUATAN .

Sejarah Kecerdasan Buatan

 1950-an, Alan Turing mengusulkan tes untuk melihat bisa/tidaknya mesin memberikan respon terhadap serangkaian pertanyaan (agar mesin dapat dikatakan cerdas).

 Istilah “Artificial Intelligence”dimunculkan oleh John McCarthy (MIT), tahun1956 pada Dartmouth Conference. Dalam konferensi itu juga didefinisikan tujuan AI, yaitu mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut.

 Beberapa program AI periode1956-1966 :

- Logic Theorist, untuk pembuktian teorema matematik

- Sad Sam (oleh Robert K.Lindsay, 1960), program yang dapat mengetahui kalimat sederhana dalam bahasa Inggris dan memberikan jawaban dari fakta yang didengar dalam sebuah percakapan.

- ELIZA (Joseph Weizenbaum, 1967), program untuk terapi pasien dengan memberikan jawaban.

1.4  LINGKUP INTELEGENSI BUATAN .

Lingkup Kecerdasan Buatan

Ruang lingkup kecerdasan buatan bermacam-macam misalnya :

1. Sistem Pakar (Expert System)

Komputer memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki oleh pakar.

2. Pengolahan Bahasa Alami (Natural Language Processing)

Diharapkan user dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari

3. Pengenalan Ucapan (Speech Recognition)

Melalui pengenalan ucapan, diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara.

4. Robotika dan Sistem Sensor (Robotics & Sensory Systems)

5. Computer Vision

Menginterpretasikan gambar atau obyek-obyek tampak melalui komputer

6. Intelligence Computer – aided Instruction

Komputer digunakan sebagai tutor yang dapat melatih dan mengajar.

7. Game Playing. Perkembangan selanjutnya adalah kemunculan Fuzzy Logic (1965) dan Terminologi Genetika (John Halland, 1975).

1.6 SOFT COMPUTING .

Soft Computing

 Soft computing (Lotfi A.Zadeh, 1992) adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian dan kebenaran pasial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaian yang murah.

 Soft computing merupakan inovasi baru dalam membangun IB yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.

Unsur-unsur pokok Soft Computing :

1. Sistem Fuzzy (mengakomodasi ketidaktepatan).

2. Jaringan Syaraf (menggunakan pembelajaran).

3. Probabilistic Reasoning (mengakomodasi ketidakpastian).

4. Evolutionary Computing (optimasi).

1.7 DEFINISI MASALAH DAN RUANG MASALAH.

Masalah dalam kecerdasan buatan adalah masalah yang dapat dikonversi kedalam ruang keadaan (mempunyai keadaan awal dan keadaan tujuan) menggunakansekumpulanaturantertentu.

Ruang keadaan (State Space) yaitu suatu ruang yang berisi semua keadaan yang mungkin.Sehingga untuk mendeskripsikan masalah yang baik, harus :

1.         Mendefinisikan suatu ruang keadaan

2.         Menetapkan satu atau lebih keadaan awal

3.         Menetapkan satu atau lebih tujuan

4.         Menetapkan kumpulan aturan

Metode pencarian dan pelacakan

Terdiri dari 2 metode yaitu :

1.         Pencarian Buta

Dalam pencarian buta ini ada 2 metode yang perlu diketahui yaitu :

a.         Breadth-First Search (Pencarian Melebar Pertama)

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.

b.         Depth-First Search (Pencarian Mendalam Pertama)

Pencarian yang dilakukan pada semua anaknya sebelum dilakukan pencarianke node-node yang selevel.Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukan solusinya.

2.         Pencarian Heuristik

Masalah =>Tidakpunyauang

|

RuangKeadaan =>Kondisiawal : uang = 0/nil

|           Aturan : kerja, minta-minta, ngutang

|           Kondisiakhir : uang>=100

Pencarian =>aturan : kerja, minta-minta, ngutang

kondisiakhir : uang>=100

optimalkan

POKOK BAHASAN : PENGENALAN INTELLIGENT AGENTS

2.1 AGEN DAN LINGKUNGANNYA

Agen : segala sesuatu yang melihat/menangkap informasi di lingkungannya melalui sensor, dan  beraksi pada lingkungan melalui efektor/aktuator (Stuart Russel)

Contoh perbandingan :

agen manusia memiliki

alat sensor

: mata, telinga, dan organ sensor lainnya;

alat actuator

: tangan, kaki, dan bagian tubuh lain sebagai alat gerak.

Sedangkan pada agen robot: kamera dan inframerah untuk

sensor

, dan lengan serta berbagai motor sebagai

Aktuator.

2.2 RASIONALITAS .

Rasional dapat didefinisikan sebagai : melakukan hal yang  benar. Agen rasional melakukan hal yang benar berdasarkan informasi (

 percept)

apa yang ditangkap dan tindakan

 (action)

apa yang akan diambil

Pengukuran kinerja

(performance measure)

 : Sebuah kriteria obyektif untuk mengukur keberhasilan suatu perilaku agen. Pengukuran kinerja haruslah dapat dinyatakan dalam ukuran kuantitatif.

Goal adalah tujuan utama yang berusaha dicapai oleh agen (prioritas utama)

Agen Rasional

Agen rasional melakukan aksi yang dipercayainya untuk mencapai tujuan. Asumsi : saya tidak suka baju basah, jadi saya membawa  payung. Apakah hal tersebut rasional? Tergantung pada prediksi cuaca dan apakah saya mendengar  prediksi tersebut. Jika saya telah mendengar prediksi bahwa cuaca akan hujan dan saya mempercayainya, maka aksi membawa payung adalah hal yang rasional.

2.3 PEAS.

 P:

 Performance measure

 (ukuran kinerja)

E:

 Environment

 (lingkungan)

A:

 Actuators

 (yang bisa melakukan aksi)

S:

Sensors

 (sensor untuk mendapatkan persepsi dari lingkungan)

Contoh desain agen cerdas untuk sistem diagnosis medis :

Performance measure (P) : biaya yang minimal, minimal tuntutan hukum karena malpraktek, waktu yang dibutuhkan supaya pasien kembali sehat

Environment (E): pasien, rumah sakit, staf rumah sakit

Actuators (A): layar tampilan (pertanyaan, tes kesehatan, diagnosis,  perlakuan, dan rujukan)

Sensors (S): keyboard (input gejala penyakit, hasil tes, jawaban pasien)

2.4 TIPE TIPE LINGKUNGAN AGEN .

Teramati sepenuhnya vs teramati sebagian

(Sensor dapat mengamati keadaan penuh pada suatu lingkungan) vs (sensor hanya dapat mengamati sebagian keadaan pada lingkungannya).

Deterministik vs stokastic :

(Keadaan lingkungan selanjutnya bergantung pada keadaan sekarang dan tindakan yang dilakukan oleh agen) vs (keadaan selanjutnya tidak  bergantung pada keadaan sekarang dan tindakan yang dilakukan oleh agen)

Episodik vs sekuensial :

(Satu action dari agen tidak mempengaruhi action selanjutnya karena action di bagi menjadi episode-episode pendek) vs (satu action  berhubungan dengan action lainnnya).

Jenis Lingkungan

Statik vs dinamis :

(keadaan di mana lingkungan yang agen tempati adalah tetap) vs (keadaan di mana lingkungan berubah saat agen mengambil keputusan)

Diskret vs kontinyu :

(kesan dan tindakan yang akan diterima dan dilakukan oleh agen telah ditetapkan dengan jelas) vs (untuk mencapai tujuannya agen terus menerus melakukan tindakan)

Agen tunggal vs multi agen :

(agent yang dalam melakukan actionnya tidak terdapat agen lain atau lawannya) vs (agen yang dalam melakukan actionnya terdapat agen lain atau terdapat lawannya).

2.5 TIPE TIPE AGEN .

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

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

Mencapai tujuan saja tidak cukup untuk menghasilkan  perilaku berkualitas tinggi perilaku dalam lingkungan.

Seberapa cepat? Seberapa aman? Bagaimana murah? Dapat

diukur

Fungsi Utilitas memetakan state ke bilangan real (ukuran kinerja)

 Agen belajar dari

 pengalaman, dapat

 beradaptasi untuk meningkatkan

kinerja.

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.

POKOK BAHASAN : PENGENALAN LOGICAL AGENTS

Logic merupakan jantung dari program, para pemrogram mempunyai keyakinan bahwa sebuah computer dapat dibuat mengerti logika, maka computer dapat dibuat untuk berfikir, karena logika kelihatannya menjadi inti dari kecerdasan.

1  Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible

2  Kita membutuhkan agen yang dapat menambah pengetahuan dan menyimpulkan keadaan

3  Agent yang akan membantu seperti ini kita beri nama knowledge based agent

Knowledge based agent

Komponen utama dari knowledge based agent adalah knowledge basenya. Knowledge base (KB) adalah kumpulan representasi fakta tentang lingkungan atau dunia yang berhubungan atau menjadi daerah bekerjanya agen. Setiap representasi dalam KB disebut sebagai sebuah sentence yang diekspresikan dalam sebuah bahasa yakni knowledge representation language

1  Representasi Pengetahuan yang bersifat general.

2  Kemampuan beradaptasi sesuai temuan fakta.

3  Kemampuan menyimpulkan sesuatu dari pengetahuan yang sudah ada.

Syarat Representasi KB:

1  Representational    Adequacy

kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya

2  Inferential        Adequacy

kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi

3  Inferential        Efficiency

kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam inferensi

4  Acquisitional  Efficiency

kemampuan untuk menambah informasi baru secara mudah.

Pengetahuan yang dimiliki agent tidak berguna jika ia tidak melakukan apapun Karenanya kita perlu menambahkan aturan agar dia dapat bergerak (complete the knowledge base).

Beberapa tahapan yang dilakukan dalam menyusun knowledge based agent:

ž Untuk dapat menyusun sebuah knowledge based agent maka kita harus terlebih dulu bisa menyusun knowledge basenya itu sendiri.

ž Untuk menyusun knowledge base kita perlu menentukan bagaimana cara kita merepresentasikan pengetahuan kita (knowledge representation)

ž Knowledge representation kita harus merupakan bentuk yang mudah disimpan dan digunakan pada komputer. Dalam perkuliahan ini kita menggunakan beberapa macam knowledge representation language

Propositional Logic.

Proposional logic berupa kalimat-kalimat lengkap dari fakta atau kenyataan, atau bisa dikatakan sebuah propositional logic bisa merupakan sebuah proposisi adalah kalimat yang berbentuk dengan sendirinya, apakah kalimat itu bernar atau kalimat itu salah. Propositional logic merupakan operator-operator untuk menghubungkan proposisi-proposisi dalam bentuk, ungkapan dan ekspresi, sebagai kata penyambung logika.

Contoh: 1 Tanda “^” artinya “AND”

2 Tanda “v” artinya “OR”

3. Tanda “   “ artinya “IF THEN”

4. Tanda “    “ artinya “IF and only IF then”

5. Tanda “=” artinya “assignment”

6. Tanda “   “ artinya “NOT (negation)”

Penggunaan dari propositional logic sebagai langkah atau cara mempresentasikan dari pengetahuan dunia yang diperlukan dari sebuah sistem yang sudah terorganisir (AI). Ekspresi-ekspresi dibentuk menurut semua tata bahasa sederhana, dan ekspresi yang sesuai dengan tata bahasa ini disebut well formed formulae (wffs). Tanda kurung digunakan untuk membuat kelas urutan dari penempatan nilai kebenaran, jika tidak yang lain jelas. Suatu well formed formulae merupakan salah satu proposisi atau akan memiliki salah satu bentuk seperti yang terlihat pada tabel diatas, dengan pernyataan berikut ini:

Jika P adalah sebuah wff maka not P (   P) juga suatu wff.

Jika P dan Q adalah dua wffs, maka (gambar 1,1) :

Wff

(    P)

(P^Q)

(PvQ)

(P   Q)

(P   Q)

Gambar 1.1

Predicate Calculus

Predicate calculus kadang disebut predicate logic adalah penyederhanaan ektensi.

Perbedaan dasar antara predicate logic dan propositional logic adalah, pemisahan attribute dari objek yang kemungkinan mailik attribute, yaitu dalam predicate calculus dimungkinkan untuk membentuk sebuah fungsi yang menentukan kesulitan sebuah objek yang diberikan. Dalam propositional logic, kita harus membentuk kalimat baru untuk setiap kasus.

Walaupun bentuk dari propotional logic dasar untuk kecerdasan dan bahasa computer, tetapi kita tidak dapat menggunakan bentuk ini dengan sendirinya untuk menyatakan pengetahuan manusia di dunia, karena bentuk ini kurang mampu untuk menunjukan hubungan antar-objek, bentuk ini terbatas hanya untuk penentuan kebenaran atau kesalahan dari sebuah contoh yang diberikan dan tidak dapat digunakan pada klasifikasi tertentu. Satu hal yang penting bahwa pradicate dapat memiliki beberapa argument. Kesimpulan dikatakann mengikuti secara logika dari dasar pikiran dan tergantung dari proposisi merupakan karakter monotic dari propositional dan predicate calculus.

Sebuah jalan yang tepat untuk menggambarkan persamaan logika dari jenis ini adalah sekumpulan production rules (yang mengkombinasikan dalam sebuah rule; forward dan backward) untuk memecahkan persoalan dalam propositional calculus. Untuk membuktikan sebuah ekspresi Q dari pemberian sebuah wff tunggal. Persamaan adalah langkah-langkah dalam sebuah agrumen gabungan dan setiap langkah adalah valid (benar)

Predicate calculus mempunyai keunggulan dalam pendefinisian sematik (arti kata), dan memiliki pembuktian kebenaran peraturan-peraturan kesimpulan dengan baik (inference rule). Dan predicate calculus juga merupakan salah satu dari skema yang digunakan dalam presentasi pengetahuan.

Dua perbedaan dalam symbolic logic:

1. propotional logic, bertransaksi atau berhubungan dengan nilai kebenaran atau kesalahan dari sebuah peryataan atau fakta yang ada di sekitar sekeliling kita.

2. predicate calculus, memasukan hubungan antara objek-objek dan kelas-kelas dari objek.

Karena itu, sistem formal yang memanipulasi kalimat-kalimat standar menurut ketentuan (rule) yang dispesifikasikan dengan baik dan mengizinkan beberapa jenis dari kesimpulan yang dibuat. Sebuah system merupakan kombinasi dari proposional logic atau proposonal calculus.

Agent harus memiliki kemampuan:

1. mewakili suatu kondisi, tindakan dll.

2. menerima masukan presepsi-presepsi baru

3. update representasi yang mendunia

4. mengambil kesimpulan dari property dunia yang tersembunyi

5. mengambil keimpulan dari suatu tindakan-tindakan yang tepat

Beberapa Jenis Logical Agents

Agen teknologi Logika membedakan dirinya dengan kesederhanaan, fleksibilitas dan kemampuan memperingatkan terintegrasi. Dengan fasilitas layanan mandiri yang sederhana, Agen Logic “RulePoint” dirancang untuk pengguna bisnis untuk menentukan aturan untuk peristiwa dan tindakan terkait. Dengan sifatnya yang fleksibel, Agen Logic “RuleCast” memungkinkan pengembang untuk membuat acara aturan Pengolahan Streaming untuk satu set beragam sumber data seperti antrian pesan, database, feed telemetri dan sistem kontrol. Selain itu, dengan kemampuan memperingatkan terintegrasi, Agen Logic ”Real-Time” memberikan intelijen tepat waktu mengenai peluang dan ancaman yang diidentifikasi oleh RulePoint. Bersama-sama, dengan arsitektur-event, portofolio produk Logic Agen memungkinkan organisasi untuk meraih kelincahan yang lebih besar.

Kombinasi Agen Logika dan Informatika akan memajukan teknologi kepemimpinan Informatika dalam dua cara yang mendasar. Pertama, kombinasi Agen Logic Kompleks Event Pengolahan dan Platform Informatika memungkinkan jenis lain dari proyek integrasi data yang lebih luas. Kedua, kombinasi dari Agen Logic Kompleks Event Pengolahan dan Informatica Identitas Resolusi mendukung identitas sadar pengolahan acara. Integrasi data aktif dan identitas-sadar pengolahan acara akan memungkinkan berbagai aplikasi di bidang jasa keuangan, kesehatan dan, khususnya, sektor publik.

Symbolic Logic

Symbolic logic dimulai dengan G.W. Leibniz (1646-1717), tetapi setelah ia meninggal dunia, kemudian seluruh lapangan tersebut di kendalikan lagi oleh, George Logic (1815-1864) dan logikanya yang dikenal booelan logic. Symbolic logic berinteraksi dengan konsep abstraksi kedalam symbol-simbol dan interkoneksi symbol-simbol oleh operator tertentu.

Contoh penggunaan symbolic logic:

If ——— P is True

Then—– P or Q is True

P or Q is False

Dari symbolic logic diatas P adalah simbolik dari contoh kalimat kita punya uang, yang mana bisa bernilai benar tau malah bisa bernilai salah, dan Q adalah dari contoh kaliamat kita punya kendaraan, bila sebaliknya tidak menggunakan atau tidak memiliki kendaraan berarti salah. Sehimgga pernyataan dicontoh bila Ia punya uang di OR kan dengan ia tidak punya kendaraan maka hasilnya ia tetap dating dan bernilai benar (true/T), karena ia masih bisa tetap berpergian walaupun ia tidak punya kendaraan tetapi ia bisa menggunakan uangnya untuk membayar sopir/angkot/taksi dll.

Bila dikenal operator logika AND, bila P = ia punya unag dan Q = ia tidak mempunyai kendaraan maka hasilnya akan salah (false/f) karena syaratnya ia jadi traktir kita bila benar-benar ia punya uang dan iya punya kendaraan untuk mengantarkan kita pada restoran tersebut.

Didalam konsep kecerdasan buatan logical agent sangat diperlukan dalam menghadapi serta membuat suatu masalah akan berhasil di pecahkan.

Logika Formal

Logika formal adalah salah satu bahasa untuk merepresentasikan informasi sehingga kesimpulan dapat diambil,

Sintaks mendefinisikan kalimat dalam bahasa. Semantik mendefinisikan        “arti” dari  kalimat

(kebenaran dari kalimat tersebut di dunia nyata

Inferensi

1  Inferensi adalah proses penalaran yang kesimpulannya dijamin benar dalam dunia/realitas di mana basis pengetahuan yang digunakan benar.

2  Jika KB benar di dunia nyata, maka setiap kalimat a yang diturunkan

dari KB dengan metode inferensi yang sound juga benar di dunia   nyata.

2           Jadi proses inferensi berkorespondensi langsung dengan hubungan yang terjadi di dunia nyata.

POKOK BAHASAN : METODE PENCARIAN DAN PELACAKAN 1

Pelacakan adalah teknik untuk pencarian. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan tidak menemukan. Sehingga pencarian merupakan teknik yang penting dalam AI. Hal penting dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah kesuksesan dalam pencarian dan pencocokan. Pencarian adalah suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state place). Ruang keadaan merupakan suatu ruang yang berisi semua keadaan yang mungkin.

Untuk mengukur performansi metode pencarian, terdapat empat kriteria yang dapat digunakan :

Completeness (Kelengkapan) : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada ?

Time compexity (Kekompleksan waktu) : berapa lama waktu yang diperlukan ?

Space complexity (Kekompleksan ruang) : berapa banyak memori yang di perlukan ?

Optimality (Optimal) : apakah metode tersebut menjamin menemukan solusi yang terbaik jika beberapa solusi berbeda ?

Ada beberapa teknik pelacakan :

Pencarian Buta (Blind Search)

Pencarian Melebar Pertama (Breadth-First Search)

Pencarian Mendalam Pertama (Depth-First Search)

Pencarian Terbimbing/Heuristik (Heuristic Search)

Pembangkitan dan Pengujian (Generate And Test)

Pendakian Bukit (Hill Climbing)

Pencarian Terbaik Pertama (Best-First Search)

Simulated Annealing

SUMBER : 

https://taminteckom.wordpress.com/

https://www.academia.edu/9144491/Agen_Cerdas