Halaman ini merangkum materi Sesi 1–7, menampilkan kisi-kisi UTS, serta memberikan bank soal dan studi kasus untuk latihan. Target UTS: mengukur pemahaman konsep dasar dan kemampuan menerapkan algoritma klasik AI pada masalah nyata skala kecil.
Tips: kuasai definisi, pahami alur algoritma, dan latih hitungan manual kecil.| Area | Penguat Materi | Bobot | Detail |
|---|---|---|---|
| Konsep Dasar AI & Formulasi Masalah | Sesi 1–2 | 10% |
|
| Pencarian Tak Berinformasi | Sesi 3 | 20% |
|
| Heuristik & A* | Sesi 4 | 20% |
|
| CSP | Sesi 5 | 20% |
|
| KR & Reasoning | Sesi 6 | 15% |
|
| Probabilistik & Naive Bayes | Sesi 7 | 15% |
|
Proporsi dapat sedikit menyesuaikan sesuai variasi soal, namun cakupan materi tetap dari Sesi 1–7.
// ====== BANK SOAL — OBJEKTIF (Pilihan Ganda) ====== // Format: (Pertanyaan) // a) ... b) ... c) ... d) ... [Kunci: ...] 1) Struktur data utama pada BFS adalah... a) Stack b) Queue c) Priority Queue d) HashMap [Kunci: b] 2) Pada graf tak berbobot, UCS ekuivalen dengan... a) DFS b) A* c) BFS d) Hill-climbing [Kunci: c] 3) Heuristik admissible berarti... a) Tidak melebih-lebihkan biaya sebenarnya ke tujuan b) Selalu 0 c) Bergantung jalur d) Harus Euclidean [Kunci: a] 4) Pada CSP, MRV memilih variabel dengan... a) Domain terbesar b) Domain tersisa paling kecil c) Paling banyak constraint d) Random [Kunci: b] 5) Modus Ponens menyatakan... a) Jika P→Q dan Q maka P b) Jika P dan P→Q maka Q c) Jika ¬Q maka ¬P d) P↔Q [Kunci: b] 6) Naive Bayes mengasumsikan... a) Fitur identik b) Fitur bebas bersyarat diberikan kelas c) Tanpa prior d) Linear separable [Kunci: b]
# ====== BANK SOAL — ESAI/Uraian Pendek ======
1) (Formulasi Masalah) Diberikan peta grid 5×5 dengan start S=(0,0) dan goal G=(4,4). Jelaskan bagaimana Anda
memformulasikan masalah ini sebagai pencarian (state, operator, goal test, cost). Berikan contoh 2 state bertetangga.
2) (BFS vs DFS vs UCS) Untuk graf kecil, jelaskan perbedaan cara kerja BFS, DFS, dan UCS.
a) Struktur data frontier yang digunakan.
b) Kondisi kapan masing-masing optimal.
c) Bandingkan kompleksitas kasar (ruang & waktu) dengan b (branching factor) dan d (kedalaman solusi).
3) (A* & Heuristik) Diberikan grid 4-arah. Tunjukkan bahwa heuristik Manhattan adalah admissible.
Contohkan perhitungan f(n)=g(n)+h(n) pada satu path pendek.
4) (CSP) Untuk Map Coloring 6 wilayah dengan domain warna {R,G,B}, gambarkan constraint graph dan jelaskan
bagaimana MRV dan forward checking memangkas domain setelah satu assignment.
5) (KR & Reasoning) Diberikan fakta {demam, batuk} dan aturan {demam ∧ batuk → flu, flu ∧ nyeri_otot → influenza}.
Lakukan forward chaining sampai tidak ada fakta baru. Apa kesimpulan akhirnya jika nyeri_otot juga benar?
6) (Bayes) Dalam tes penyakit: P(sakit)=0.02, P(positif|sakit)=0.95, P(positif|sehat)=0.1. Hitung P(sakit|positif).
# ====== STUDI KASUS KOMPREHENSIF ======
# Kasus 1 — Rute Robot di Gudang
# - Peta grid dengan beberapa rintangan; robot bergerak 4-arah.
# - Tugas:
# (a) Formulasikan state/aksi/goal.
# (b) Bandingkan jalur & node expanded: BFS vs UCS vs A* (h=Manhattan).
# (c) Jelaskan bagaimana kualitas heuristik memengaruhi kinerja.
# Kasus 2 — Penjadwalan Sederhana sebagai CSP
# - Mata kuliah A,B,C harus dijadwalkan dalam 3 slot waktu; dosen X tidak bisa di slot 2, A dan B tidak boleh bersamaan.
# - Tugas:
# (a) Definisikan variabel, domain, dan constraint.
# (b) Tunjukkan langkah MRV + forward checking sampai solusi.
# Kasus 3 — Mini Expert System Gejala
# - Basis aturan gejala→diagnosis (≥5 aturan), fakta: {demam, batuk, nyeri_otot}.
# - Tugas:
# (a) Lakukan forward & backward chaining untuk membuktikan diagnosis.
# (b) Jelaskan perbedaan alur reasoning keduanya.
# Kasus 4 — Bayes & Naive Bayes Teks
# - Dataset mini SMS (spam/ham).
# - Tugas:
# (a) Hitung posterior P(spam|"gratis ongkir") secara manual dengan prior & likelihood sederhana.
# (b) Bangun classifier Naive Bayes (boleh sklearn) dan tunjukkan contoh prediksi.
Dosen dapat memilih 1–2 kasus, minta mahasiswa menjawab bagian (a)(b)(c) secara ringkas dan terukur.
Sertakan cara kerja singkat (pseudo-code/rumus kecil) untuk jawaban uraian & studi kasus.