Kamis, 25 Februari 2016

Tugas Kuliah Pengantar Kecerdasan Buatan

Nama     :  Bagus. Kurniawan

NIM        :  1331475765

Nama     :  Rony Triatno

NIM        :  1422478654

Domain Authority

Arti Dan Fungsi Domain Authority Dan Page Authority


Arti Dan Fungsi Domain Authority Dan Page Authority - Berbicara mengenai masalah DA dan PA tentunya akan berhubungan erat dengan yang namanya Teknik SEO, karena DA dan PA ini akan menentukan kualitas dari sebuah situs website atau blog kita di search engine. Nilai dari domain authority atau DA dan page authority atau PA dari setiap blog atau website akan berbeda-beda atau bahkan sama antara blog satu dengan yang lainnya. dan satu hal yang perlu dicatat, bahwa search engine seperti Google sangat menyukai blog atau website yang ber DA dan PA tinggi. sebelum memulai lebih jauh ada baiknya sobat mengetahui dulu apa sih yang dimaksud dengan Domain Authority Dan Page Authority?

APA ITU DOMAIN AUTHORITY (DA) ?


Domain Authority atau Otoritas Domain adalah ukuran kekuatan sebuah domain dan merupakan salah satu dari banyak faktor peringkat mesin pencari.

misal seotoolsoft.blogspot.com maka domain url tadi adalah blogspot.com yang mana ranking DA nya adalah 93.

Jika kawanku menggunakan Top Level Domain semisal dotcom maka sobat sudah kehilangan satu poin yang sangat besar di mata serach engine. walaupun dotcom milik sobat di hosting oleh blogger.

Bagaimana Cara Untuk Meningkatkan Domain Authority ?

Ada banyak cara untuk meningkatkan domain authority dari suatu blog atau web, diantaranya adalah seperti dibawah ini:

Usia Domain

Usia Domain merupakan salah satu cara mesin pencari menaikkan DA. semakin lama usia sebuah domain maka semakin tinggi pula ranking domain tersebut. sobat bisa menaikkan DA di Top Level Domain atau dotcom sobat, akan tetapi untuk blogspot, wordpress, blogdetik, kompasiana dan semisalnya tidak akan bisa dinaikkan DA nya

Popularitas Domain

Popularitas sebuah Domain bisa diukur dari banyaknya link yang masuk dan tentunya harus backlink yang berkualitas.

Jumlah Post Yang Bermanfaat Untuk Pembaca

Salah satu indikasi untuk menaikkan ranking DA adalah banyaknya link dari sebuah domain tersebut. hal ini bisa dilihat dari banyaknya artikel atau postingan yang telah dibuat oleh sohibul web atau blog. tentunya artikel yang bermanfaat lah yang akan dilihat oleh search engine.

Abstrak Modified Bi-Directional A* (MBDA*)

Abstrak Modified Bi-Directional A* (MBDA*) merupakan salah satu variasi algoritma A* yang dapat digunakan untuk menyelesaikan masalah shortest path. Algortima tersebut mampu menghasilkan performa yang bagus dalam menyelesaikan masalah shortest path dibandingkan dengan A* dalam pencarian yang lebih kompleks dan jumlah node yang besar. Pada tugas akhir ini, diterapkan algoritma MBDA* untuk menyelesaikan masalah shortest path namun dengan menambahkan fungsi, yaitu untuk menemukan middle node. Sehingga pencarian solusi akan dibangkitkan dari start menuju middle node dan dilanjutkan dengan pencarian dari middle node menuju goal node. Penulis memberi nama metode pencarian tersebut dengan Dgraph-MBDA*. Diharapkan dengan penambahan fungsi tersebut, waktu proses pencarian solusi semakin lebih cepat, dibandingkan dengan MBDA* yang dilakukan dengan cara biasa. Setelah dilakukan pengujian dapat disimpulkan bahwa, dengan menggunakan Dgraph-MBDA* ternyata waktu proses pencarian solusinya lebih cepat dibandingkan dengan MBDA*, namun algoritma Dgraph-MBDA* ini masih belum bisa untuk menemukan solusi yang optimal, dikarenakan masih terjebak dalam menentukan middle node yang akan digunakan sebagai pembagi graf ke dalam dua bagian. Kata Kunci : MBDA*, shortest path, Dgraph-MBDA*

SMA* / Modern Memory Bounded A*

Pengertian dan Penjelasan

SMA * atau Modern Memory Bounded A * adalah algoritma jalur terpendek berdasarkan A * algoritma. Keuntungan utama dari SMA * adalah bahwa ia menggunakan memori dibatasi, sedangkan A * algoritma mungkin perlu memori eksponensial. Semua karakteristik lain dari SMA * diwariskan dari A *. (!@#$%^&?) o_O
Seperti A *, memperluas cabang yang paling menjanjikan menurut heuristik tersebut. Apa yang membuat SMA * terpisah adalah bahwa hal itu prunes nodes  yang ekspansi telah mengungkapkan kurang menjanjikan dari yang diharapkan. Pendekatan ini memungkinkan algoritma untuk mengeksplorasi cabang dan mundur untuk mengeksplorasi cabang lainnya.

Ekspansi dan pemangkasan node didorong dengan menjaga dua nilai dari f untuk setiap node. Node x toko nilai f (x) yang memperkirakan biaya mencapai tujuan dengan mengambil jalan melalui simpul itu. Semakin rendah nilai, semakin tinggi prioritas. Seperti di A * nilai ini diinisialisasi untuk h (x) + g (x), tetapi kemudian akan diperbarui untuk mencerminkan perubahan perkiraan ini ketika anak-anak yang diperluas. Sebuah node sepenuhnya diperluas akan memiliki nilai f setidaknya setinggi itu dari penerusnya. Selain itu, node menyimpan nilai f dari penerus terbaik dilupakan. Nilai ini dikembalikan jika penerus lupa diturunkan menjadi penerus yang paling menjanjikan. (!@#$%^&?) o_O

Dimulai dengan node pertama, ia mempertahankan OPEN, memerintahkan leksikografis oleh f dan kedalaman. Ketika memilih sebuah node untuk memperluas, ia memilih yang terbaik sesuai dengan urutan itu. Ketika memilih sebuah node untuk memangkas, ia memilih yang terburuk.
Pelaksanaan SMA * sangat mirip dengan salah satu dari A *, satu-satunya perbedaan adalah bahwa ketika tidak ada ruang yang tersisa, node dengan tertinggi f-biaya yang dipangkas dari antrian. Karena mereka node dihapus, SMA * juga harus mengingat f-biaya anak terbaik lupa dengan node induk. Ketika tampaknya semua jalan dieksplorasi lebih buruk daripada seperti jalur lupa, jalan tersebut kembali dihasilkan.

Pseudo code:
function SMA-star(problem): path
  queue: set of nodes, ordered by f-cost;
begin
  queue.insert(problem.root-node);

  while True do begin
    if queue.empty() then return failure; //there is no solution that fits in the given memory
    node := queue.begin(); // min-f-cost-node
    if problem.is-goal(node) then return success;
    
    s := next-successor(node)
    if !problem.is-goal(s) && depth(s) == max_depth then
        f(s) := inf; 
        // there is no memory left to go past s, so the entire path is useless
    else
        f(s) := max(f(node), g(s) + h(s));
        // f-value of the successor is the maximum of
        //      f-value of the parent and 
        //      heuristic of the successor + path length to the successor
    endif
    if no more successors then
       update f-cost of node and those of its ancestors if needed
    
    if node.successors  queue then queue.remove(node); 
    // all children have already been added to the queue via a shorter way
    if memory is full then begin
      badNode := shallowest node with highest f-cost;
      for parent in badNode.parents do begin
        parent.successors.remove(badNode);
        if needed then queue.insert(parent); 
      endfor
    endif

    queue.insert(s);
  endwhile
end
 (!@#$%^&?) o_O

Rabu, 24 Februari 2016

Iterative Deepening Search (IDS)

Pengertian Dan Penjelasan


Metode Iterative Deepening A* Iterative-Deepening A* (IDA*) search algorithm adalah pengembangan dari A*search algorithm yang dikombinasikan dengan iterative deepening search. IDA* search algorithm merupakan best-first searches yang optimal dalam hal solution cost, time, dan space. Prinsip algoritma iterative deepening search adalah melakukan depth-limited search secara bertahap dengan nilai l yang incremental . Contoh cara kerja iterative deepening search dapat dilihat pada gambar:

Pada metode IDA* search algorithm digunakan fungsi evaluasi yang sama seperti metode A* yaitu sebagai berikut:
f(n) = g(n) + h(n) (6)
Dimana: f(n) = estimasi total cost suatu path dari node awal ke node tujuan melalui node n g(n) = cost dari suatu path untuk mencapai node n dari node awal h(n) = estimasi cost suatu path

Iteratif memperdalam kedalaman-pertama pencarian (IDS) adalah pencarian ruang strategi di mana pencarian mendalam-terbatas dijalankan berulang kali, meningkatkan batas kedalaman dengan setiap iterasi sampai mencapai, kedalaman negara tujuan dangkal. IDS setara dengan luas-pertama pencarian, tetapi menggunakan memori lebih sedikit, pada setiap iterasi, ia mengunjungi node dalam pohon pencarian dalam urutan yang sama seperti depth-first search, tapi urutan kumulatif di mana node pertama kali mengunjungi secara efektif luasnya -pertama.

IDS menggabungkan depth-first pencari ruang-efisiensi dan kelengkapan luas-pertama pencarian ini (ketika faktor percabangan terbatas). Ini adalah optimal ketika biaya jalan adalah fungsi non-penurunan kedalaman node.

Kompleksitas ruang IDS adalah, di mana merupakan faktor percabangan dan kedalaman dangkal gawang. Karena berulang memperdalam kunjungan menyatakan beberapa kali, hal itu mungkin tampak sia-sia, tapi ternyata menjadi tidak begitu mahal, karena di pohon sebagian besar node berada di tingkat bawah, sehingga tidak terlalu menjadi masalah jika tingkat atas yang dikunjungi beberapa kali.

Keuntungan utama dari IDS dalam mencari permainan pohon adalah bahwa pencarian sebelumnya cenderung meningkatkan heuristik yang biasa digunakan, seperti heuristik pembunuh dan pemangkasan alpha-beta, sehingga perkiraan yang lebih akurat dari skor berbagai node pada pencarian kedalaman akhir dapat terjadi, dan pencarian selesai lebih cepat karena dilakukan dalam urutan yang lebih baik. Misalnya, alpha-beta pemangkasan yang paling efisien jika ia mencari langkah terbaik pertama. 

Uniform Cost Search (UCS)

Pengertian dan Penjelasan


Uniform Cost Search adalah algoritma Seach Tree (graph) yang digunakan untuk menyelesaikan beberapa persoalan . Algoritma ini memulai pencarian dari root node, kemudian dilanjutkan ke node-node selanjutnya. Dimana node tersebut dipilih yang memilki harga (cost) terkecil dari root node. Algoritma ini merupakan modifikasi dari Bread First Search (BFS).
Dalam implementasi algoritma ini , melibatkan semua node yang berhubungan dengan root node, dan meletakannya dalam priority queue untuk mencapai node tujuan. Dimana node – node yang dipilih merupakan node yang berharga terkecil.
Ilustrasi jalannya algoritma Uniform Cost Search dapat digambarkan sebagai berikut :
Seperti tampak pada gambar, initial state terletak pada node start, kemudian untuk mencapai node berikutnya, algoritma ini memilih jalur yang memilki harga terkecil diantara dua node di depannya. Begitu seterusnya, dilakukan pengecekan node yang memilki harga terkecil hingga sampai pada goal state.
UCS adalah algoritma terbaik untuk masalah pencarian, yang tidak melibatkan penggunaan heuristik. Hal ini dapat memecahkan grafik umum untuk biaya yang optimal. UCS kedengarannya pencarian di cabang yang kurang lebih sama dalam biaya.




Kamis, 18 Februari 2016

Pengantar Kecerdasan Buatan AI

Pengantar Kecerdasan Buatan atau bisa disebut juga dengan AI yang kepanjangannya adalah Artificial Intelegent.. Pengertian Berdasar :
1.  H. A. Simon [1987]
     Kecerdasan buatan (artificial intelligence) merupakan kawasan
     penelitian, aplikasi dan instruksi yang terkait dengan pemrograman
     komputer untuk melakukan sesuatu hal yang -dalam pandangan
     manusia adalah- cerdas.
2.  Rich and Knight [1991]
     Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana
     membuat komputer melakukan hal-hal yang pada saat ini dapat
     dilakukan lebih baik oleh manusia.
3.  Encyclopedia Britannica
     Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang
     dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk
     simbol-simbol daripada bilangan, dan memproses informasi berdasarkan
     metode heuristic atau dengan berdasarkan sejumlah aturan.

Pada kesimpulan diatas dapat disimpulkan bahwa pengertian A.I bersifat tidak baku,yang artinya terdapat berbagai pendapat mengenai pengertian A.I,bahkan kita sendiri juga akan mengerti dan dapat menyimpulkan sendiri terhadap pengertian dari A.I tersebut setelah memahami apa arti dari A.I itu sendiri.

     Tujuan A.I
1. Untuk membantu kerja dari manusia lebih mudah
2. Untuk membuat sesuatu yang sulit dikerjakan bisa dikerjakan dengan mudah
3. Membuat pekerjaan lebih efektif dan efisien
4. Membuat atau menciptakan sebuah alat yang bisa mengerjakan sesuatu lebih dari apa yang manusia kerjakan.

   Tujuan A.I menurut Winston dan Prendergast [1984]
1. Membuat mesin menjadi lebih pintar (tujuan utama)
2. Memahami apa itu kecerdasan (tujuan ilmiah)
3. Membuat mesin lebih bermanfaat (tujuan entrepreneurial)

Pandangan A.I
1.  Dari perspektif Kecerdasan (Intelligence)
    A.I adalah bagaimana membuat mesin yang “cerdas” dan dapat
    melakukan hal-hal yang sebelumnya dapat dilakukan oleh manusia
2. Dari perspektif bisnis
    A.I adalah sekelompok alat bantu (tools) yang
    berdaya guna, dan metodologi yang menggunakan tool-tool tersebut
    guna menyelesaikan masalah-masalah bisnis.
3. Dari perspektif pemrograman (Programming)
    AI termasuk didalamnya adalah studi tentang pemrograman simbolik, pemecahan masalah,
    proses pencarian (search)

     Pada umumnya program dari A.i sendiri lebih memfokuskan pada simbol-simbol daripada
pemrosesan numerik (huruf, kata, angka untuk merepresentasikan obyek, proses dan hubungannya).