Perbaikan UTS

Telah ada tugas, merangkum paper, tujuan:

memperbaiki hasil UTS
Apakah tugas tsb telah dikerjakan dengan baik?
Contoh yang SALAH:
Paper tidak terkait / berbasis WEB
Tidak ada unsur kecerdasan buatan
Paper terbit sebelum 2008

Silakan diperbaiki (bagi yang merasa salah) dan

dikumpulkan, terakhir 04 Desember 2013.

Tugas Baru, Perbaikan UAS

Mirip dengan tugas sebelumnya, merangkum Paper yang
membahas tentang aplikasi web yang melibatkan konsep
kecerdasan buatan.
Hanya paper yang terbit 2011 s.d 2013
Dikumpulkan minggu terakhir kuliah, 18 Desember 2013.

Kata kunci umum: Web Intelligent system

Web, dapat diwakili (lebih fokus): personalization,
recommender system, social network (sentiment analysis &
opinion mining), web retrieval/web mining, search engine
Intelligent dapat diwakilkan dengan: expert system,
machine learning, fuzzy system, genetic algorithm, neural
network, swarm intelligent, ant algorithm, bio-inspired.

Mengenai UAS
Materi yang diujikan:
Penalaran Fuzzy (Mamdani & Sugeno)
Pembelajaran (pembelajaran mesin & jaringan
syaraf tiruan)

Waktu 75 (?) menit, terbuka (?)

Contoh Soal Sistem Fuzzy

Husni

Harus diingat!
Tahapan kerja sistem Fuzzy: Fuzzification
Inferensi Defuzzification
Fungsi Keanggotaan yang sering digunakan:
Trapesium, kemudian Segitiga
Model Penalaran (inferensi) yang banyak
digunakan: Mamdani, kemudian Sugeno.
Metode defuzzification yang sering digunakan:
Centroid dan Weighted Average.

Fungsi Keanggotaan
Trapesium & Segitig

Contoh: Sprinkler Control System

Sensor suhu menerima panas 37
Sensor kelembaban menerima nilai 12%
Berapa lama Durasi penyiraman harus
dilakukan oleh Sprinkler?

1: Fuzzification
Misal digunakan fungsi keanggotaan Trapesium
dengan lima variabel linguistik untuk Suhu Udara:
Dingin, Sejuk, Normal, Hangat dan Panas.
Suhu 37 masuk dalam Hangat & Panas.
Untuk Kelembaban, ada 3, juga trapesium:
Kering, Lembab dan Basah
Kelembaban 12% masuk dalam Kering & Lembab
Bagaimana menghitung derajat keanggotaan dari
suatu nilai Crisp?

2: Inferensi (Penalaran)
Berikut ini rangkuman aturan (rule) yang diberikan pakar
Sprinkler, ada kemungkinan output: Lama, Sedang, Singkat.

Kering

Dingin

Sejuk

Normal Hangat Panas

Lama

Lama

Lama

Lama

Lama

Lembab Singkat Singkat Sedang Sedang Sedang

Basah

Singkat Singkat Singkat Singkat Singkat

Ada 15 rule. Misal:

IF Suhu = Dingin AND Kelembaban = Kering
THEN Durasi = Lama

Inferensi Mamdani
Ada 4 input: Hangat (2/3), Panas (1/3), Kering
(4/5) dan Lembab (1/5)
Aturan yang berlaku hanya 4:

IF Suhu Hangat AND Kelembaban Kering

THEN Durasi Lama
IF Suhu Hangat AND Kelembaban Lembab
THEN Durasi Sedang
IF Suhu Panas AND Kelembaban Kering
THEN Durasi Lama
IF Suhu Panas AND Kelembaban Lembab
THEN Durasi Sedang

Inferensi Mamdani

IF Suhu Hangat (2/3) AND Kelembaban Kering (4/5)

THEN Durasi Lama (2/3)
IF Suhu Hangat (2/3) AND Kelembaban Lembab (1/5)
THEN Durasi Sedang (1/5)
IF Suhu Panas (1/3) AND Kelembaban Kering (4/5)
THEN Durasi Lama (1/3)
IF Suhu Panas (1/3) AND Kelembaban Lembab (1/5)
THEN Durasi Sedang (1/5)

Karena 2 fakta disambung dengan AND, ambil nilai minnya. Jika dengan OR ambil max-nya.
Jika ada 2 hasil berbeda derajat keanggotaan, ambil
nilai max-nya

3: Defuzzification (Mamdani)

Y* = ((24+28+32+36+40)*1/5 + (48+60+70+80+90)*2/3)/
(1/5+1/5+1/5+/15+1/5)+(2/3+2/3+2/3+2/3+2/3)
= 310.4/4.33 = 60.97

2: Inferensi (Sugeno)

Menggunakan fungsi keanggotaan Singleton. Derajat

keanggotaan 1 untuk nilai crisp tertentu dan 0 untuk
semua nilai crisp yang lain.

Output Model Sugeno

3: Defuzzification (Sugeno)
Jika digunakan metode Height, diperoleh hasil crisp
60 (nilai tertinggi)

Jika digunakan Weighted Average, diperoleh:

y*=(1/5(40) + 2/3(60))/(1/5+2/3) = 55.38

Contoh: Seleksi Penerima Beasiswa

Ada 100 beasiswa. Jumlah kandidat ada 5000.
Penilaian diutamakan pada IPK dan
Penghasilan Orang Tua per bulan.
Si A, IPK 3.00, Penghasilan Ortu 10 Jt per bulan
Si B, IPK 2.99, Penghasilan Ortu 1 jt per bulan.
Siapa yang lebih berhak menerima Beasiswa,
A atau B?

1: Fuzzification
Misal input IPK dibagi menjadi 3: Buruk (0
2.75), Cukup (2 3.25), Bagus (2.75 4)

1: Fuzzification
Misal input Penghasilan Ortu dibagi menjadi
4: Kecil, Sedang, Besar, Sangat besar.

2: Inferensi
Pakar memberikan aturan Nilai Kelayakan (NK)
penerima beasiswa berikut:
Kecil
Sedang Besar
Sangat Besar
Buruk Rendah Rendah Rendah Rendah

Cukup Tinggi
Bagus Tinggi

Rendah Rendah Rendah

Tinggi Rendah Rendah

Hanya ada 2: Rendah dan Tinggi. Misal:

menggunakan fungsi Trapesium

2: Inferensi
Gunakan Tabel Aturan, Fungi Keanggotaan
Input dan Output untuk NK dari A dan B.
Semakin besar NK maka semakin layak
menerima beasiswa.

3: Defuzzification
...