DEFINISI
Kecerdasan buatan (Artificial Intelligence) :
Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik
daripada yang dilakukan manusia.
Menurut John McCarthy, 1956, AI :
Untuk mengetahui dan memodelkan proses proses berpikir manusia dan mendesain
mesin agar dapat menirukan perilaku manusia.
Basis
Pengetahuan
Motor
Inferensi
Output,
jawaban,solusi
2
BEDA KECERDASAN BUATAN & PROGRAM KONVENSIONAL
Fokus pemrosesan
Pencarian
Sifat input
Keterangan
Struktur
Sifat output
Kemampuan menalar
Kecerdasan buatan
Konsep simbolik / numerik
(pengetahuan)
Heuristik
Bisa tidak lengkap
Disediakan
Kontrol dipisahkan dari
pengetahuan
Kuantitatif
Ya
Program konvensional
Data & informasi
Algoritma
Harus lengkap
Biasanya tidak disediakan
Kontrol terintegrasi dengan
informasi (data)
Kualitatif
Tidak
Program kecerdasan buatan dapat ditulis dalam semua bahasa komputer, baik dalam bahasa C, Pascal,
Basic, dan bahasa pemrograman lainnya. Tetapi dalam perkembangan selanjutnya, dikembangkan
bahasa pemrograman yang khusus untuk aplikasi kecerdasan buatan yaitu LISP dan PROLOG.
SEJARAH KECERDASAN BUATAN
Tahun 1950 an Alan Turing, seorang pionir AI dan ahli matematika Inggris melakukan percobaan
Turing (Turing Test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. Di ujung
yang satu ada terminal dengan software AI dan diujung lain ada sebuah terminal dengan seorang
operator. Operator itu tidak mengetahui kalau di ujung terminal lain dipasang software AI. Mereka
berkomunikasi dimana terminal di ujung memberikan respon terhadap serangkaian pertanyaan yang
diajukan oleh operator. Dan sang operator itu mengira bahwa ia sedang berkomunikasi dengan
operator lainnya yang berada pada terminal lain.
Turing beranggapan bahwa jika mesin dapat membuat seseorang percaya bahwa dirinya mampu
berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya
manusia).
KECERDASAN BUATAN PADA APLIKASI KOMERSIAL
Lingkup utama kecerdasan buatan :
1. Sistem pakar (expert system) : komputer sebagai sarana untuk menyimpan pengetahuan para
pakar sehingga komputer memiliki keahlian menyelesaikan permasalahan dengan meniru
keahlian yang dimiliki pakar.
Diagnosa Penyakit THT
Apakah Anda demam (Y/T) ? y
Apakah Anda sakit kepala (Y/T) ? y
Apakah Anda merasa nyeri pada saat berbicara atau menelan (Y/T) ? y
Apakah Anda batuk (Y/T) ? y
Apakah Anda mengalami nyeri tenggorokan (Y/T) ? y
Apakah selaput lendir Anda berwarna merah dan bengkak (Y/T) ? y
Penyakit Anda adalah TONSILITIS
Ingin mengulang lagi (Y/T) ?
2. Pengolahan bahasa alami (natural language processing) : user dapat berkomunikasi dengan
komputer menggunakan bahasa sehari-hari, misal bahasa inggris, bahasa indonesia, bahasa
jawa, dll, contoh :
pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari, misalnya,
untuk menghapus semua file, pengguna cukup memberikan perintah komputer,
tolong hapus semua file ! maka sistem akan mentranslasikan perintah bahasa
alami tersebut menjadi perintah bahasa formal yang dipahami oleh komputer, yaitu
delete *.* <ENTER>.
Translator bahasa inggris ke bahasa indonesia begitu juga sebaliknya,dll, tetapi sistem
ini tidak hanya sekedar kamus yang menerjemahkan kata per kata, tetapi juga
mentranslasikan sintaks dari bahasa asal ke bahasa tujuan
Text summarization : suatu sistem yang dapat membuat ringkasan hal-hal penting dari
suatu wacana yang diberikan.
3
3. Pengenalan ucapan (speech recognition) : manusia dapat berkomunikasi dengan komputer
menggunakan suara.
Contoh :
- memberikan instruksi ke komputer dengan suara
- alat bantu membaca untuk tunanetra, mempunyai masukan berupa teks tercetak
(misalnya buku) dan mempunyai keluaran berupa ucapan dari teks tercetak yang
diberikan.
PENGENAL
KARAKTER
konversi dari SMS (Short Message System) ke ucapan sehingga pesan SMS dapat
didengar. Dengan demikian memungkinkan untuk mendengar pesan SMS sambil
melakukan aktivitas yang menyulitkan untuk membacanya, seperti mengendarai mobil.
6. Intelligent computer-aided instruction : komputer dapat digunakan sebagai tutor yang dapat
melatih & mengajar
Contoh : Learn to speak English
7. Game playing
SOFT Computing
Soft computing merupakan inovasi baru dalam membangun sistem cerdas yaitu sistem yang memiliki
keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih
baik jika terjadi perubahan lingkungan. Soft computing mengeksploitasi adanya toleransi terhadap
ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dan dikendalikan
dengan mudah agar sesuai dengan realita (Prof. Lotfi A Zadeh, 1992).
5
Metodologi-metodologi yang digunakan dalam Soft computing adalah :
1. Sistem Fuzzy (mengakomodasi ketidaktepatan) Logika Fuzzy (fuzzy logic)
2. Jaringan Syaraf (menggunakan pembelajaran) Jaringan Syaraf Tiruan (neurall network)
3. Probabilistic Reasoning (mengakomodasi ketidakpastian)
4. Evolutionary Computing (optimasi) Algoritma Genetika
6
II. MASALAH DAN METODE PEMECAHAN MASALAH
Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi dari suatu
masalah berdasarkan kumpulan pengetahuan yang ada.
Input, masalah,
pertanyaan, dll
Basis
Pengetahuan
Motor
Inferensi
Output,
jawaban,solusi
7
Ada beberapa cara untuk merepresentasikan Ruang Keadaan, antara lain :
GRAPH KEADAAN
Graph terdiri dari node-node yang menunjukkan keadaan yaitu keadaan awal dan keadaan baru yang
akan dicapai dengan menggunakan operator. Node-node dalam graph keadaan saling dihubungkan
dengan menggunakan arc (busur) yang diberi panah untuk menunjukkan arah dari suatu keadaan ke
keadaan berikutnya.
3
4
6
M
5
J
2
Graph keadaan dengan node M menunjukkan keadaan awal, node T adalah tujuan. Ada 4 lintasan dari
M ke T :
M-A-B-C-E-T
M-A-B-C-E-H-T
M-D-C-E-T
M-D-C-E-H-T
Lintasan buntu atau lintasan yang tidak sampai ke tujuan :
M-A-B-C-E-F-G
M-A-B-C-E-I-J
M-D-C-E-F-G
M-D-C-E-I-J
M-D-I-J
POHON PELACAKAN / PENCARIAN
Struktur pohon digunakan untuk menggambarkan keadaan secara hirarkis. Node yg terletak pada levelo disebut akar.
Node akar : menunjukkan keadaan awal & memiliki beberapa percabangan yang terdiri atas beberapa
node yg disebut anak .
Node-node yg tidak memiliki anak disebut daun menunjukkan akhir dari suatu pencarian, dapat
berupa tujuan yang diharapkan (goal) atau jalan buntu (dead end).
Gambar berikut menunjukkan pohon pencarian untuk graph keadaan dengan 6 level.
M
Level-0
Level-1
Level-2
Level-3
Buntu
E
Level-4
Tujuan
F
Buntu
Tujuan
POHONBuntu
AND/OR
Tujuan
Buntu
Buntu
Tujuan
Level-5
Level-6
8
POHON AND/OR
Masalah M dicari solusinya dengan 4 kemungkinan yaitu A OR B OR C OR D.
M
Contoh : Dengan menggunakan pohon AND/OR tujuan yang dicapai pada pohon di Gambar
sebelumnya bisa dipersingkat hanya sampai level-2 saja.
Tujuan
(0,0)
(1,0)
(2,0)
(3,0)
(4,0)
(0,1)
(1,1)
(2,1)
(3,1)
(4,1)
(0,2)
(1,2)
(2,2)
(3,2)
(4,2)
(0,3)
(1,3)
(2,3)
(3,3)
(4,3)
9
4. Aturan-aturan
Diasumsikan kita dapat mengisi ember air itu dari pompa air, membuang air dari ember ke luar,
menuangkan air dari ember yang satu ke ember yang lain.
Kita buat beberapa aturan-aturan yang dapat digambarkan sebagai berikut :
Aturan
Jika
Maka
ke1
(x,y)
(4,y)
x<4
Isi ember A
2
(x,y)
(x,3)
y<3
Isi ember B
3
(x,y)
(x d,y)
x>0
Tuang sebagian air keluar dari ember A
4
(x,y)
(x,y d)
y>0
Tuang sebagian air keluar dari ember B
5
(x,y)
(0,y)
x>0
Kosongkan ember A dengan membuang airnya
6
(x,y)
(x,0)
y>0
Kosongkan ember B dengan membuang airnya
7
(x,y)
(4,y (4 x))
x+y 4 dan y > 0 Tuang air dari ember B ke ember A sampai ember A
penuh
8
(x,y)
(x (3 y),3)
x+y 3 dan x > 0 Tuang air dari ember A ke ember B sampai ember B
penuh
9
(x,y)
(x+y,0)
x+y 4 dan y > 0 Tuang seluruh air dari ember B ke ember A
10
(x,y)
(0,x+y)
x+y 3 dan x > 0 Tuang seluruh air dari ember A ke ember B
11
(0,2)
(2,0)
Tuang 2 galon air dari ember B ke ember A
5. Representasi ruang keadaan dengan pohon pelacakan
Pencarian suatu solusi dapat dilukiskan dengan menggunakan pohon. Tiap-tiap node
menunjukkan satu keadaan. Jalur dari parent ke child ,menunjukkan 1 operasi. Tiap node
memiliki node child yg menunjukkan keadaan yg dapat dicapai oleh parent.
Solusi yg ditemukan :
Solusi 1
Isi ember A Isi ember B
0
0
4
0
1
3
1
0
0
1
4
1
2
3
Aturan yg dipakai
1
8
6
10
1
8
Solusi
Solusi 2
Isi ember A
0
0
3
3
4
0
2
Aturan yg dipakai
2
9
2
7
5
9
Solusi
Isi ember B
0
3
0
3
2
2
0
10
Representasi ruang keadaan untuk kasus EMBER
(0,0)
2
(4,0)
(0,3)
5
(4,3)
5
(0,3)
6
(4,0)
(0,0)
(4,3)
1
(4,3)
(4,3)
(1,3)
9
6
(4,0)
10
(4,3)
(0,1)
6
(4,0)
(3,3)
(0,0)
(0,1)
(4,3)
8
(0,3)
(0,3)
(0,0)
8
(0,3)
7
(3,3)
(4,2)
(3,0)
9
2
(0,3)
(4,1)
(4,0)
10
2
(1,0)
(1,3)
(4,0)
(3,0)
(0,3)
(4,3)
(0,0)
2
(0,0)
7
(4,1)
(1,0)
(4,3)
5
(0,2)
(4,0)
9
(2,3)
(2,0)
7
(4,2)
(3,3)
11
Contoh 2 : Masalah PETANI,KAMBING,SERIGALA,SAYURAN,PERAHU
Seorang petani akan menyeberangkan seekor kambing,seekor serigala,sayuran dengan sebuah perahu
yg melalui sungai. Perahu hanya bisa memuat petani & satu penumpang yg lain (kambing, serigala,
atau sayuran). Jika ditinggalkan petani tersebut, maka sayuran dimakan kambing dan kambing akan
dimakan serigala.
Penyelesaian :
1. Identifikasi ruang keadaan
Permasalahan ini dapat dilambangkan dengan (jumlah kambing,jumlah serigala,jumlah
sayuran,jumlah perahu).
Contoh : daerah asal (0,1,1,1) = daerah asal tidak ada kambing,ada serigala,
ada sayuran,ada perahu
2. Keadaan awal & tujuan
Keadaan awal, pada kedua daerah :
daerah asal = (1,1,1,1)
daerah seberang = (0,0,0,0)
Keadaan tujuan, pada kedua daerah :
daerah asal = (0,0,0,0)
daerah seberang = (1,1,1,1)
3. Aturan-aturan
Aturan ke1
2
3
4
5
6
7
Aturan
Kambing menyeberang
Sayuran menyeberang
Serigala menyeberang
Kambing kembali
Sayuran kembali
Serigala kembali
Perahu kembali
4. Solusi yg ditemukan
Daerah asal
(1,1,1,1)
(0,1,1,0)
(0,1,1,1)
(0,0,1,0)
(1,0,1,1)
(1,0,0,0)
(1,0,0,1)
(0,0,0,0)
Daerah seberang
(0,0,0,0)
(1,0,0,1)
(1,0,0,0)
(1,1,0,1)
(0,1,0,0)
(0,1,1,1)
(0,1,1,0)
(1,1,1,1)
Aturan yg dipakai
1
7
3
4
2
7
1
Solusi
12
METODE PELACAKAN/PENCARIAN
Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian.
Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan
ruang keadaan (state space). Ruang keadaan = merupakan suatu ruang yang berisi semua keadaan yang
mungkin.
Untuk mengukur perfomansi metode pencarian, terdapat empat kriteria yang dapat digunakan :
- Completeness : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada?
- Time complexity : berapa lama waktu yang diperlukan?
- Space complexity : berapa banyak memori yang diperlukan
- Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat
beberapa solusi berbeda?
Teknik pencarian :
A. Pencarian buta (blind search) : tidak ada informasi awal yang digunakan dalam proses
pencarian
1. Pencarian melebar pertama (Breadth First Search)
2. Pencarian mendalam pertama (Depth First Search)
B. Pencarian terbimbing (heuristic search) : adanya informasi awal yang digunakan dalam proses
pencarian
1. Pendakian Bukit (Hill Climbing)
2. Pencarian Terbaik Pertama (Best First Search)
Keuntungan :
- tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang
ada) dan solusi yang ditemukan pasti yang paling baik
- jika ada 1 solusi, maka breadth first search akan menemukannya,jika ada lebih dari 1
solusi, maka solusi minimum akan ditemukan.
- Kesimpulan : complete dan optimal
Kelemahan :
- membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah
dibangkitkan. Hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpulsimpul sampai di level bawah
- membutuhkan waktu yang cukup lama
2. Depth First Search
Pencarian dilakukan pada suatu simpul dalam setiap level dari yang paling kiri.
Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada
simpul sebelah kanan dan simpul yang kiri dapat dihapus dari memori.
Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada
level sebelumnya. Demikian seterusnya sampai ditemukan solusi.
13
S
Keuntungan :
- membutuhkan memori relatif kecil, karena hanya node-node pada lintasan yang aktif saja
yang disimpan
- Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam
ruang keadaan, jadi jika solusi yang dicari berada pada level yang dalam dan paling kiri,
maka DFS akan menemukannya dengan cepat waktu cepat
Kelemahan :
- Memungkinkan tidak ditemukannya tujuan yang diharapkan, karena jika pohon yang
dibangkitkan mempunyai level yang sangat dalam (tak terhingga) tidak complete karena
tidak ada jaminan menemukan solusi
- Hanya mendapat 1 solusi pada setiap pencarian, karena jika terdapat lebih dari satu solusi
yang sama tetapi berada pada level yang berbeda, maka DFS tidak menjamin untuk
menemukan solusi yang paling baik tidak optimal.
B. Heuristic Search
Pencarian buta tidak selalu dapat diterapkan dengan baik, hal ini disebabkan waktu aksesnya yang
cukup lama & besarnya memori yang diperlukan. Untuk masalah dengan ruang masalah yang
besar, teknik pencarian buta bukan metode yang baik karena keterbatasan kecepatan komputer dan
memori.
Metode heuristic search diharapkan bisa menyelesaikan permasalahan yang lebih besar.
Metode heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan (estimasi)
dari suatu simpul tertentu menuju ke simpul tujuan disebut fungsi heuristic
Aplikasi yang menggunakan fungsi heuristic : Google, Deep Blue Chess Machine
Misal kasus 8-puzzle. Ada 4 operator yang dapat digunakan untuk menggerakkan dari satu keadaan
ke keadaan yang baru
Tujuan
Keadaan awal
1. Ubin kosong digeser ke kiri
2. Ubin kosong digeser ke kanan
3. Ubin kosong digeser ke bawah
1 2 3
1 2 3
4. Ubin kosong digeser ke atas
8
4
7 8 4
7 6 5
Langkah awal
6
5
Awal
Tujuan
1
8
7
3
4
kiri
1
6
atas
kanan
bawah
2 3
8 4
6 5
14
Pada pencarian heuristik perlu diberikan informasi khusus, yaitu :
Untuk jumlah ubin yang menempati posisi yang benar
Jumlah yang lebih tinggi adalah yang lebih diharapkan (lebih baik)
Awal
Tujuan
1
8
6
kiri
bawah
5
atas
kanan
5
1
h=6
kanan
3
2 3
7 8
8 4
h=6
2 3
8 4
5
h=5
h=5
h=5
bawah
atas
1 2
h=4
kiri
h=6
h=7
8
6
kiri
atas
kanan
5
1
2 3
8 4
6 5
h=2
kiri
5
h=3
h= 4
h=1
h=3
bawah
atas
kanan
h=2
bawah
h=2
5
h=3
15
Menghitung total gerakan yang diperlukan untuk mencapai tujuan
Jumlah yang lebih kecil adalah yang diharapkan (lebih baik)
Awal
Tujuan
1
8
6
kiri
bawah
5
atas
kanan
5
1
2 3
1 2
8 4
6 5
6 8
h=2
h= 4
kiri
h=2
5
h=3
h=3
bawah
atas
kanan
h=4
h=1
h=2
1. Hill Climbing
Contoh : Traveling Salesman Problem (TSP)
Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita
ingin mengetahui rute terpendek dimana setiap kota hanya boleh dikunjungi tepat 1 kali. Misal
ada 4 kota dengan jarak antara tiap-tiap kota seperti berikut ini :
8
A
B
3
7
D
5
C
Solusi solusi yang mungkin dengan menyusun kota-kota dalam urutan abjad, misal :
A B C D : dengan panjang lintasan (=19)
A B D C : (=18)
A C B D : (=12)
A C D B : (=13)
dst
a. Metode simple hill climbing
Ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk
menukar posisi kota-kota yang bersebelahan. Fungsi heuristik yang digunakan adalah panjang
lintasan yang terjadi.
Operator yang akan digunakan adalah menukar urutan posisi 2 kota dalam 1 lintasan. Bila ada n
kota, dan ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka akan
didapat sebanyak :
n!
4!
=
= 6 kombinasi
2!(n - 2)! 2!(4 - 2)!
Keenam kompbinasi ini akan dipakai semuanya sebagai operator, yaitu :
16
Tukar 1,2
Tukar 2,3
Tukar 3,4
Tukar 4,1
Tukar 2,4
Tukar 1,3
ABCD
(19)
Tk 1,2
(17)
BACD
Tk 1,2
ACBD
Tk 2,3
(15)
ABCD
Tk 3,4
Tk 2,3
Tk 3,4
BCAD
ABDC
Tk 4,1
BADC
CBAD
DBCA
(18)
BACD
(15)
BDCA
(17)
BCDA
CBAD
CABD
(14)
DCAB
(21)
DBAC
ADCB
Tk 1,3
Tk 2,4
DACB
(20)
Tk 1,3
Tk 2,4
Tk 4,1
BDAC
ACBD
(13)
BADC
BDCA
CDAB
BCAD
ADBC
(12)
DBCA
(19)
BDCA
DCBA
BCDA
BDAC
(15)
(19)
DBAC
ABCD
ADCB
(15)
DACB
BACD
CDBA
(16)
CBDA
17
b. Metode steepest ascent hill climbing
Steepest ascent hill climbing hampir sama dengan simple ascent hill climbing, hanya saja gerakan
pencarian tidak dimulai dari kiri, tetapi berdasarkan nilai heuristik terbaik.
ABCD
(19)
Tk 1,2
(17)
Tk 2,3
(12)
BACD
(15)
Tk 3,4
ACBD
(19)
CABD
(18)
(19)
ACDB
Tk 1,3
Tk 2,4
(18)
(12)
ABDC
(13)
ABCD
Tk 4,1
DCBA
DBCA
(20)
ADCB
(16)
ADBC
CBAD
(15)
BCAD
[A]
A
[DCB]
B
[CFBE]
B
5
E
A
4
[GFBEH]
3
G
18
III. REPRESENTASI PENGETAHUAN
3.1 LOGIKA
Logika adalah bentuk representasi pengetahuan yang paling tua. Proses logika adalah proses
membentuk kesimpulan atau menarik suatu inferensi berdasarkan fakta yang telah ada. Input dari
proses logika berupa premis atau fakta-fakta yang diakui kebenarannya sehingga dengan melakukan
penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimpulan yang benar juga.
Input :
Premis atau Fakta
Proses Logika
Output :
Inferensi atau Konklusi
Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal :
Premis -4
: Kinematika adalah pelajaran yang sulit
Premis tersebut menyebabkan konklusi : Matematika adalah pelajaran yang sulit, menjadi salah,
karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan
penalaran induktif sangat dimungkinkan adanya ketidakpastian.
3.1.1 Logika Proposisi
Proposisi adalah suatu pernyataan yang dapat bernilai Benar atau Salah. Simbol-simbol seperti P dan Q
menunjukkan proposisi. Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator
logika :
a. Konjungsi : (and)
b. Disjungsi
: (or)
c. Negasi
: (not)
d. Implikasi
: (if then)
e. Ekuivalensi : (if and only if)
19
Not
P
B
S
P
B
B
S
S
Q
B
S
B
S
P and Q
B
S
S
S
P or Q
B
B
B
S
if P then Q
B
S
B
B
P if and only if Q
B
S
S
B
Untuk melakukan inferensi pada logika proposisi dapat dilakukan dengan menggunakan resolusi.
Resolusi adalah suatu aturan untuk melakukan inferensi yang dapat berjalan secara efisien dalam suatu
bentuk khusus yaitu conjunctive normal form (CNF), ciri cirinya :
- setiap kalimat merupakan disjungsi literal
- semua kalimat terkonjungsi secara implisit
Langkah-langkah untuk mengubah suatu kalimat (konversi) ke bentuk CNF :
Hilangkan implikasi dan ekuivalensi
x y menjadi x y
x y menjadi ( x y) ( y x)
Kurangi lingkup semua negasi menjadi satu negasi saja
( x) menjadi x
(x y) menjadi ( x y)
(x y) menjadi ( x y)
Gunakan aturan assosiatif dan distributif untuk mengkonversi menjadi conjuction of disjunction
Assosiatif : (A B) C menjadi A (B C)
Distributif : (A B) C menjadi (A C) (B C)
Buat satu kalimat terpisah untuk tiap-tiap konjungsi
Contoh :
Diketahui basis pengetahuan (fakta-fakta yang bernilai benar) sebagai berikut :
1. P
2. (P Q) R
3. (S T) Q
4. T
Tentukan kebenaran R.
Untuk membuktikan kebenaran R dengan menggunakan resolusi,maka ubah dulu menjadi bentuk CNF.
Kalimat
1. P
2. (P Q) R
Langkah-langkah
Sudah merupakan bentuk CNF
Menghilangkan implikasi :
(P Q) R
CNF
P
PQR
3. (S T) Q
Gunakan asosiatif :
PQR
Menghilangkan implikasi :
(S T) Q
( S Q)
( T Q)
4. T
Gunakan distributif :
( S Q) ( T Q)
Sudah merupakan bentuk CNF
Kemudian kita tambahkan kontradiksi pada tujuannya, R menjadi R sehingga fakta-fakta (dalam
bentuk CNF) dapat disusun menjadi :
20
1. P
2. P Q R
3. S Q
4. T Q
5. T
6. R
Sehingga resolusi dapat dilakukan untuk membuktikan kebenaran R, sebagai berikut :
PQR
PQ
T Q
P
Q
21
3.1.2 Logika Predikat
Representasi Fakta Sederhana
Misal diketahui fakta-fakta sebagai berikut :
Andi adalah seorang laki-laki : A
Ali adalah seorang laki-laki : B
Amir adalah seorang laki-laki : C
Anto adalah seorang laki-laki : D
Agus adalah seorang laki-laki : E
Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka akan terjadi pemborosan,
dimana beberapa pernyataan dengan predikat yang sama akan dibuat dalam proposisi yang berbeda.
Logika predikat digunakan untuk merepresentasikan hal-hal yang tidak dapat direpresentasikan dengan
menggunakan logika proposisi. Pada logika predikat kita dapat merepresentasikan fakta-fakta sebagai
suatu pernyataan yang disebut dengan wff (well formed formula). Logika predikat merupakan dasar
bagi bahasa AI seperti bahasa pemrograman PROLOG
Pada contoh diatas, dapat dituliskan :
laki-laki(x)
dimana x adalah variabel yang disubstitusikan dengan Andi, Ali, Amir, Anto, Agus, dan laki-laki yang
lain.
Dalam logika predikat, suatu proposisi atau premis dibagi menjadi 2 bagian, yaitu argumen (objek) dan
predikat (keterangan). Argumen adalah individu atau objek yang membuat keterangan. Predikat adalah
keterangan yang membuat argumen dan predikat.
Contoh :
1. Jika besok tidak hujan, Tommy pergi ke gunung
cuaca(hujan,besok) pergi(tommy, gunung)
2. Diana adalah nenek dari ibu Amir
nenek(Diana,ibu(Amir))
3. Mahasiswa berada di dalam kelas
didalam(mahasiswa,kelas)
Dari contoh diatas dapat dijabarkan sebagai berikut :
di dalam = predikat (keterangan)
mahasiswa = argumen (objek)
kelas = argumen (objek)
4. Johan suka Maria
suka(johan,maria)
5. Pintu terbuka
Buka(pintu)
6. Johan suka Maria
Ramon suka Maria
Misal : Johan = x, Maria = y, Ramon = z
Maka : suka(x,y) suka(z,y) tidak suka(x,z)
Dibaca : Jika Johan suka Maria dan Ramon suka Maria, maka Johan tidak suka Ramon
Misal terdapat pernyataan sebagai berikut :
1. Andi adalah seorang mahasiswa
2. Andi masuk jurusan Elektro
3. Setiap mahasiswa elektro pasti mahasiswa teknik
4. Kalkulus adalah matakuliah yang sulit
5. Setiap mahasiswa teknik pasti akan suka kalkulus atau akan membencinya
6. Setiap mahasiswa pasti akan suka terhadap suatu matakuliah
7. Mahasiswa yang tidak pernah hadir pada kuliah matakuliah sulit, maka mereka pasti tidak suka
terhadap matakuliah tersebut.
8. Andi tidak pernah hadir kuliah matakuliah kalkulus
Kedelapan pernyataan diatas dapat dibawa ke bentuk logika predikat dengan menggunakan operatoroperator : , , , , (untuk setiap), (terdapat), sebagai berikut :
22
1.
2.
3.
4.
5.
6.
7.
8.
mahasiswa(Andi)
elektro(Andi)
x : elektro(x) teknik(x)
sulit(kalkulus)
x : teknik(x) suka(x,kalkulus) benci(x,kalkulus)
x : y : suka(x,y)
x : y : mahasiswa(x) sulit(y) hadir(x,y) suka(x,y)
hadir(Andi,kalkulus)
sulit(kalkulus) hadir(Andi,kalkulus)
(4)
hadir(Andi,kalkulus)
(8)
Dari penalaran tersebut dapat dibuktikan bahwa Andi tidak suka dengan matakuliah kalkulus.
ELEMENT 4
LIST A
ELEMENT 1
ELEMENT 2
ELEMENT 3
ELEMENT 4
ELEMENT 5
SUBELEMENT C
SUBELEMENT A
SUBELEMENT B
SUBELEMENT A
SUBELEMENT B
ELEMENT 2
SUBELEMENT B
SUB SUB ELEMENT (1)
SUB SUB ELEMENT (2)
SUBELEMENT C
23
POHON
Struktur pohon adalah struktur grafik hirarki. Struktur ini merupakan cara yang sederhana untuk
menggambarkan list dan hirarki pengetahuan lainnya.
A
(1)
(2)
masuk
punya
sekolah
roda
sepeda
pergi
buku
berjudul
Si
kancil
Lakilaki
adalah
jumlahnya
baca
Budi
naik
kakak
adalah
berwarna
dua
merah
Ani
berwarna
adalah
binatang
adalah
adalah
Makhluk
hidup
punya
baju
wanita
adalah
3.3 FRAME
Frame merupakan kumpulan pengetahuan tentang suatu objek tertentu, peristiwa, lokasi, situasi, dll.
Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik objek.
Frame biasanya digunakan untuk merepresentasikan pengetahuan yang didasarkan pada karakteristik
yang sudah dikenal, yang merupakan pengalaman-pengalaman.
Dengan menggunakan frame, sangat mudah untuk membuat inferensi tentang objek, peristiwa, atau
situasi baru, karena frame menyediakan basis pengetahuan yang ditarik dari pengalaman.
24
Frame Mobil
Class : Transportasi
Nama pabrik : Audi
Negara : Jerman
Model : 5000 Turbo
Tipe : Sedan
Bobot : 3300 lb
Ukuran dasar roda : 105,8 inchi
Jumlah pintu : 4 (default)
Transmisi : 3-speed otomatis
Jumlah roda : 4 (default)
Mesin : (referensi kerangka mesin)
Tipe : in-line, overhead cam
Jumlah silinder : 5
Akselerasi
0-60 : 40,4 detik
mil : 17,1 detik, 85 mph
Jarak gas : rata-rata 22 mpg
Frame Mesin
Kaliber silinder : 3,19 inci
Tak silinder : 3,4 inci
Rasio kompresi : 7,8 : 1
Sistem bahan bakar : injeksi dengan pertukaran turbo
Tenaga : 140 HP
Torsi : 160/ft/LB
HIRARKI FRAME
Kebanyakan sistem AI menggunakan kumpulan frame yang saling terkait satu dengan lainnya bersamasama.Gambar di bawah ini menunjukkan hirarki frame kendaraan, terdiri dari 5 frame yaitu frame
kereta api, frame sampan, frame mobil, frame pesawat, frame kapal. Masing-masing frame masih dapat
dipecah lagi menjadi beberapa frame yang rinci, misal frame mobil terdiri dari frame penumpang
mobil, frame truk, frame bis.
Frame Kendaraan
Frame Sampan
Mobilnya Bob
Frame Mobil
Frame Pesawat
Frame Truk
Frame Bis
Frame Kapal
Frame Mobil
Ukuran Sedang
Mobilnya Jane
Susunan hirarki dari frame mengijinkan pewarisan frame. Akar dari tree terletak di puncak, dimana
level tertinggi dari abstraksi disajikan. Frame pada bagian dasar (bawah) disebut daun dari tree.
Hirarki mengijinkan pewarisan sifat-sifat. Setiap frame biasanya mewarisi sifat-sifat dari frame dengan
level yang lebih tinggi. Pewarisan merupakan mekanisme untuk membentuk pengetahuan, yang
menyediakan nilai slot, dari frame ke frame.
Didalam hirarki diatas, masing-masing frame dirinci hubungannya seperti hubungan antara frame
orangtua (parent frame) dan anak (child frame)
25
Parent Frame
Nama : Compact Car
Slot
Pemilik
Warna
No silinder
Range
Jika dibutuhkan
Buatan
Daftar range
Jika dibutuhkan
Model
Model (tahun)
Range
Jika dibutuhkan
Facets
Cek daftar registrasi
Daftar per manufaktur
Child Frame
Nama : Mobilnya Jane
Slot
Pemilik
Warna
No silinder
Facets
Jane
Biru
6
Buatan
Honda
4 atau 6
Tanya pemilik
Semua manufaktur
Tanya pemilik
Gunakan hubungan frame
Model
Accord
Model (tahun)
1992
1950 2001
Tanya pemilik
Bulat
Asam
Kuning
Asam
Kasar
Bulat
Asam
Oranye
Manis
Kasar
Bulat
Manis
Kuning
Manis
Halus
Bulat
Manis
Merah
Manis
Halus
Lonjong
Manis
Kuning
Manis
Halus
Lonjong
Manis
Kuning
Manis
Halus
Lonjong
Asam
Oranye
Asam
Halus
Lonjong
Manis
Hijau
Manis
Halus
X
X
X
X
Jeruk orange
Kuning
Warna ?
Jeruk Besar
Bulat ?
Buah itu adalah jeruk
Asam
Bentuk ?
Hijau
Jeruk Besar
Lonjong ?
Aroma?
Buah tsb mungkin lime, lemon, dll
perlu informasi tambahan
Tidak Asam
Buah itu bukan jeruk
26
3.6. NASKAH (SCRIPT)
Script adalah skema representasi pengetahuan yang sama dengan frame, yaitu merepresentasikan
pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman.
Perbedaannya, frame menggambarkan objek, sedangkan script menggambarkan urutan peristiwa.
Dalam menggambarkan urutan peristiwa, script menggunakan slot yang berisi informasi tentang orang,
objek, dan tindakan-tindakan yang terjadi dalam suatu peristiwa.
Elemen script meliputi :
1. Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku suatu peristiwa
dalam script
2. Track, yaitu variasi yang mungkin terjadi dalam suatu script
3. Prop, berisi objek-objek pendukung yang digunakan selama peristiwa terjadi
4. Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa
5. Scene, yaitu adegan yang dimainkan yang menjadi bagian dari suatu peristiwa
6. Hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi.
Berikut ini adalah contoh script kejadian yang ada di Ujian Akhir
Jalur (track)
Role (peran)
Prop (pendukung)
Kondisi input
:
:
:
:
Adegan (scene)
Pengawas
Pengawas
Pengawas
-1
: Persiapan pengawas
menyiapkan lembar soal
menyiapkan lembar jawab
menyiapkan lembar presensi
Adegan-2
Pengawas
Pengawas
Pengawas
Pengawas
Adegan 3
Mahasiswa
Mahasiswa
Mahasiswa
Mahasiswa
Adegan 4
: Mahasiswa telah selesai ujian
Pengawas mempersilahkan mahasiswa keluar ruangan
Mahasiswa mengumpulkan kembali lembar jawab
Mahasiswa keluar ruangan
Adegan 5
: Mahasiswa mengemasi lembar jawab
Pengawas mengurutkan lembar jawab
Pengawas mengecek lembar jawab dan presensi
Pengawas meninggalkan ruangan
Hasil
:
Mahasiswa
Mahasiswa
Mahasiswa
Mahasiswa
Mahasiswa
merasa
merasa
pusing
memaki
sangat
27
Contoh :
IF lalulintas pagi ini padat
THEN saya naik sepeda motor saja
Aturan dapat ditulis dalam beberapa bentuk :
1. IF premis THEN kesimpulan
Jika pendapatan tinggi MAKA pajak yang harus dibayar juga tinggi
2. Kesimpulan IF premis
Pajak yang harus dibayar tinggi JIKA pendapatan tinggi
3. Inclusion of ELSE
IF pendapatan tinggi OR pengeluaran tinggi, THEN pajak yang harus dibayar tinggi
ELSE pajak yang harus dibayar rendah
Apabila pengetahuan direpresentasikan dengan aturan, maka ada 2 metode penalaran yang dapat
digunakan :
1. Forward Reasoning (penalaran maju)
Pelacakan dimulai dari keadaan awal (informasi atau fakta yang ada) dan kemudian dicoba
untuk mencocokkan dengan tujuan yang diharapkan
2. Backward Reasoning (penalaran mundur)
Penalaran dimulai dari tujuan atau hipotesa, baru dicocokkan dengan keadaan awal atau faktafakta yang ada.
Ada beberapa faktor yang mempengaruhi pemilihan backward atau forward dalam memilih metode
penalaran :
- banyaknya keadaan awal dan tujuan. Jika jumlah keadaan awal lebih kecil daripada tujuan, maka
digunakan penalaran forward. Sebaliknya jika jumlah tujuan lebih banyak daripada keadaan awal,
maka dipilih penalaran backward
- rata-rata jumlah node yang dapat diraih langsung dari suatu node. Lebih baik dipilih yang jumlah
node tiap cabangnya lebih sedikit
- apakah program butuh menanyai user untuk melakukan justifikasi terhadap proses penalaran? Jika
ya, maka alangkah baiknya jika dipilih arah yang lebih memudahkan user
- bentuk kejadian yang akan memicu penyelesaian masalah. Jika kejadian itu berupa fakta baru,
maka lebih baik dipilih penalaran forward. Namun jika kejadian itu berupa query, maka lebih baik
digunakan penalaran backward.
28
>
environment
?
agent
actions
effectors
Sebelum membuat agent harus mendesain/merancang gambaran tentang agent tersebut, yaitu :
- agent type
- percepts and actions yang ada pada agent
- goal / performance measure yang akan agent capai
- environment tempat agent tersebut beroperasi
29
Action kurang lebih sama dengan pengemudi manusia yaitu pengontrolan pada saat menyetir,
mengerem, mempercepat/melambatkan laju kendaraan. Adanya layar atau suara sintetik/sarana
komunikasi lain untuk berbicara/menyampaikan informasi bagi penumpang
Beberapa hal dapat dijadikan sebagai ukuran keberhasilan taksi otomatis tersebut (performance
measure/goal) yaitu :
- keberhasilan mencapai tempat tujuan penumpang
- minimalisasi konsumsi dan penggunaan bahan bakar
- minimalisasi biaya dan waktu perjalanan
- minimalisasi pelanggaran lalu lintas dan tabrakan dengan pengemudi lain
- maksimum keamanan
- kenyamanan yang diberikan kepada penumpang
- keuntungan maksimal
Taksi akan digunakan dalam lingkungan seperti apa? Misal :
- beroperasi pada lalulintas dalam kota atau jalan raya lintas?
- bisa digunakan di daerah bersalju atau tidak?
- Posisi pengemudi di kanan atau di kiri atau fleksibel di posisi manapun
V. SISTEM PAKAR
Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke
komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.
Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru
kerja dari para ahli.
Jadi sistem pakar kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke
komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada
komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan,
mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila
perlu dengan alasan-alasannya.
Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia.
Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar juga akan
membantu aktivitasnya sebagai asisten yang sangat berpengalaman.
Sistem pakar dikembangkan pertama kali tahun 1960.
Sistem pakar yang terkenal :
MYCIN
Paling terkenal, dibuat oleh Edward Shortlife of Standford University tahun 70-an
Sistem pakar medical yang bisa mendiagnosa penyakit infeksi dan merekomendasi pengobatan
MYCIN membantu dokter mengidentifikasi pasien yang menderita penyakit. Dokter duduk di
depan komputer dan memasukkan data pasien: umur, riwayat kesehatan, hasil laboratorium dan
informasi terkait lainnya. Dengan informasi ini ditambah pengetahuan yang sudah ada dalam
komputer, MYCIN mendiagnosa selanjutnya merekomendasi obat dan dosis yang harus
dimakan.
MYCIN sebagai penasehat medis, tidak dimaksudkan untuk mengantikan kedudukan seorang
dokter. Tetapi membantu dokter yang belum berpengalaman dalam penyakit tertentu. Juga untuk
membantu dokter dalam mengkonfirmasi diagnosa dan terapi yang diberikan kepada pasien
apakah sesuai dengan diagnosa dan terapi yang ada dalam basis pengetahuan yang sudah
dimasukkan ke dalam MYCIN, karena MYCIN dirancang oleh dokter-dokter yang ahli di
bidang penyakit tersebut.
Kesimpulan : sistem pakar seperti MYCIN bisa digunakan sebagai bahan pembanding dalam
pengambilan solusi dan pemecahan masalah. Keputusan terakhir atas pengobatan tersebut tetap
menjadi tanggung jawab dokter.
DENDRAL
Mengidentifikasi struktur molekular campuran kimia yang tak dikenal
XCON & XSEL
XCON
Merupakan sistem pakar untuk membantu konfigurasi sistem komputer besar, membantu
melayani order langganan sistem komputer DEC VAX 11/780 ke dalam sistem spesifikasi final
yang lengkap
Komputer besar seperti VAX terbuat dari ratudan komponen yang berbeda digabung dan
disesuaikan dengan konfigurasi tertentu yang diinginkan oleh para pelanggan.
Ada ribuan cara dimana aseosri Pcboard, kabel, disk drive, periperal, perangkat lunak, dan
lainnya bisa dirakit ke dalam konfigurasi yang sangat rapih. Untuk mengidentifikasi hal-hal
tersebut diperlukan waktu berhari-hari/berminggu-minggu agar bisa memenuhi spesifikasi yang
diinginkan pemesan, tapi dengan XCON bisa dalam beberapa menit.
XSEL
Dirancang untuk membantu karyawan bagian penjualan dalam memilih komponen istem VAX.
Karena banyaknya pilihan karyawan tersebut sering menghadapi kesulitan dalam memilih suatu
komponen yang paling tepat.
Basis pengetahuan yang ada pada XSEL membantu mengarahkan para pemesan serius untuk
memilih konfigurasi yang dikehendaki, kemudian XSEL memilih CPU, memori, periperal dan
menyarankan paket software tertentu yang paling tepat dengan konfigurasinya.
PROSPECTOR
= sistem pakar yang membantu ahli geologi dalam mencari dan menemukan deposit
Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi
diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke
dalam sistem pakar.
Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan
mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan.
Sistem pakar mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan,
kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan
apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.
DELTA
Dibuat oleh perusahaan General Electric (GE) membantu karyawan bagian pemeliharaan mesin
lokomotif diesel dalam memantau mesin-mesin yang tidak berfungsi dengan baik dan
membimbing ke arah prosedur perbaikan.
FOLIO
Sistem pakar yang menolong stock broker dan tugas manajer dalam menangani investasi bagi
kepentingan para langganannya. Stock broker mewawancarai langganan untuk menentukan
tujuan sumber dan investasi mereka.
FOLIO bisa memberikan rekomendasi tentang keamanan investasi, mengevaluasi stock beresiko
tinggi,menghitung pengembalian modal, dan membuat keputusan dalam hal pemasaran suatu
komoditi.
Membantu para perencana keuangan untuk memperkecil kerugian karena pajak, inflasi atau
faktor lain misal turun naiknya nilai mata uang.
EL
Digunakan untuk menganalisa dan membantu rekayasa rancangan sirkuit elektronik yang terbuat
dari transistor, dioda dan resistor.
Diagram skematik dari sirkuit ini dimasukkan ke dalam komputer dan EL menganalisis
menentukan karakteristik sirkuit, nilai voltase, dan strum yang ada pada semua titik sirkuit.
Basis pengetahuan pada EL merupakan prinsip umum elektronik seperti hukum OHM, hukum
kirchoff, karakteristik komponen, teori operasi transistor.
RAMALAN CUACA
Dengan diberi input tentang situasi cuaca yang sedang berlangsung, baik lokal maupun ditempat lain,
maka sistem pakar bisa menyajikan ramalan yang akurat tentang cuaca yang akan terjadi dalam suatu
periode tertentu.
CONTOH LAIN SISTEM PAKAR
Sistem pakar :
- Digunakan untuk konsultasi
- Sistem pakar selalu tersedia di organisasi, sedang pakar belum tentu selalu berada di tempat. Misal
suatu keputusan harus diambil oleh manajer yang pakar dalam suatu bidang, karena manajer ini
pergi dan tidak berada di kantor, maka keputusan yang harus diambil tertunda.
- Sistem pakar dapat menyimpan dan mengingat pengetahuan yang sangat tidak terbatas dan tidak
kenal lelah. Oleh karena itu pekerjaan dokter akan sangat terbantu sekali dengan SP yang diisi
dengan sejumlah pengetahuan (misal semua jenis obat dan efeknya) yang pakarnya sendiri belum
tentu dapat mengingatnya.
Pak A nasabah bank X. Pak A akan meminjam uang untuk membeli rumah. Di bank X pak A
menanyakan ke bagian informasi dan disarankan untuk menuju ke lantai 3 di kantor manajer
installment loan. Di kantor ini, pak A mengutarakan maksudnya untuk meminjam uang dan akan
3
dibayar angsuran tiap bulannya bervariasi besarnya tergantung dari penghasilannya. Manajer
installment loan menolak karena pinjaman di bagian ini harus dibayar angsuran yang nilainya sudah
tetap ditentukan di muka. Manajer ini mengatakan bahwa pak A salah tempat menemui dia dan
menyarankan ke lantai 5 di kantor manajer mortgage loan. Sesampainya disana, pak A
mengutarakan kembali maksudnya untuk meminjam uang dengan membayar secara angsuran.
Manajer ini setuju tetapi pak A harus meninggalkan sertifikat tanahnya sebagai agunan. Sebaliknya
pak A tidak setuju karena dia akan menggunakan sertifikat tanah ini untuk keperluan yang lain.
Manajer mortgage loan menyarankan pak A untuk menemui kepala cabang di lantai 1. Pak A turun
ke lantai 1 bukannya menemui kepala cabang tetapi bank lain yaitu Y di seberang jalan.
Di bank Y pak A ditemui oleh seorang pegawai bank yang mempersilahkan dia duduk. Setelah pak
A mengutarakan maksudnya, tak lama kemudian setelah pegawai menggunakan komputer
dihadapannya, pegawai tersebut menyetujui pinjaman pak A.
Beda bank X dan bank Y.
Untuk bank X kepandaian atau pengetahuan (knowledge) dimiliki di masing-masing manajer. Dan
jika pak A menemui manajer yang pengetahuannya lain yang tidak sesuai dengan permasalahannya,
pak A salah alamat dan harus menemui manajer lain yang sesuai.
Untuk bank Y, pengetahuan dari manajer-manajer bersangkutan dimasukkan dan berada di dalam
sistem komputer dalam bentuk basis data pengetahuan (knowledge base).
Sistem pakar yang digunakan di dinas sosial negara bagian California, Amerika Serikat. Sebelum
SP digunakan, pemberian tunjangan sosial kurang efektif karena beragamnya macam tunjangan
yang diberikan dan banyaknya aturan yang ada untuk mendapatkan tunjangan sosial. Lebih dari
3000 aturan dibukukan untuk tunjangan sosial ini. Pada waktu seseorang melamar untuk meminta
tunjangan sosial, orang ini akan dilayani dengan pekerja sosial dan pekerja sosial harus mengetahui
aturan-aturan yang ada. Jika ada kasus khusus dan pekerja sosial tidak memahami aturannya tetapi
memutuskan hasilnya, maka hasil keputusan dapat tidak efektif. Menyadari kelemahan-kelemahan
ini maka dinas sosial kemudian menerapkan sistem pakar yang berisi dengan knowledge base
berupa ribuan aturan-aturan ini.
Bedanya : sebelum ada SP, yang pakar adalah pekerja sosialnya dan jika pekerja sosial kurang pakar
maka dapat mengakibatkan kesalahan keputusan. Setelah ada SP, pekerja sosial tidak harus pakar
karena yang pakar adalah sistemnya karena sistemnya berisi dengan semua aturan, sehingga
mengurangi kesalahan pengambilan keputusan.
4
KELEMAHAN SISTEM PAKAR
1. Biaya yang diperlukan untuk membuat, memelihara, dan mengembangkannya sangat mahal
2. Sulit dikembangkan, hal ini erat kaitannya dengan ketersediaan pakar di bidangnya dan
kepakaran sangat sulit diekstrak dari manusia karena sangat sulit bagi seorang pakar untuk
menjelaskan langkah mereka dalam menangani masalah.
3. Sistem pakar tidak 100% benar karena seseorang yang terlibat dalam pembuatan sistem pakar
tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan.
4. Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun
sama-sama benar.
5. Transfer pengetahuan dapat bersifat subjektif dan bias
6. Kurangnya rasa percaya pengguna dapat menghalangi pemakaian sistem pakar.
KONSEP DASAR SISTEM PAKAR
Konsep dasar sistem pakar mengandung keahlian, ahli/pakar, pengalihan keahlian, mengambil
keputusan, aturan, kemampuan menjelaskan.
Keahlian
Keahlian bersifat luas dan merupakan penguasaan pengetahuan dalam bidang khusus yang diperoleh
dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian :
- Teori, fakta, aturan-aturan pada lingkup permasalahan tertentu
- Strategi global untuk menyelesaikan masalah
Ahli / Pakar
Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru
seputar topik permasalahan, menyusun kembali pengetahuan jika dipandang perlu, memecahkan
masalah dengan cepat dan tepat
Pengalihan keahlian
Tujuan dari sistem pakar adalah untuk mentransfer keahlian dari seorang pakar ke dalam komputer
kemudian ke masyarakat. Proses ini meliputi 4 kegiatan, yaitu perolehan pengetahuan (dari para ahli
atau sumber-sumber lainnya), representasi pengetahuan ke komputer, kesimpulan dari pengetahuan dan
pengalihan pengetahuan ke pengguna.
Mengambil keputusan
Hal yang unik dari sistem pakar adalah kemampuan untuk menjelaskan dimana keahlian tersimpan
dalam basis pengetahuan. Kemampuan komputer untuk mengambil kesimpulan dilakukan oleh
komponen yang dikenal dengan mesin inferensi yaitu meliputi prosedur tentang pemecahan masalah.
Aturan
Sistem pakar yang dibuat merupakan sistem yang berdasarkan pada aturan aturan dimana program
disimpan dalam bentuk aturan-aturan sebagai prosedur pemecahan masalah. Aturan tersebut biasanya
berbentuk IF THEN.
Kemampuan menjelaskan
Keunikan lain dari sistem pakar adalah kemampuan dalam menjelaskan atau memberi
saran/rekomendasi serta juga menjelaskan mengapa beberapa tindakan/saran tidak direkomendasikan.
5
PERBEDAAN SISTEM KONVENSIONAL DENGAN SISTEM PAKAR
Sistem Konvensional
Informasi dan pemrosesannya biasanya jadi satu
dengan program
Program
tidak
pernah
salah
(keculai
pemrogramnya yang salah)
Biasanya tidak bisa menjelaskan mengapa suatu
input data itu dibutuhkan atau bagaimana output
itu diperoleh
Pengubahan program cukup sulit dan merepotkan
Sistem Pakar
Basis pengetahuan merupakan bagian terpisah dari
mekanisme inferensi
Program bisa saja melakukan kesalahan
Penjelasan adalah bagian terpenting dari sistem
pakar
6
7. Debugging dan repair
Menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi, diantaranya
memberikan resep obat terhadap suatu kegagalan.
8. Instruksi
Melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja.
9. Kontrol
Mengatur tingkah laku suatu environment yang kompleks seperti kontrol terhadap interpretasiinterpretasi, prediksi, perbaikan, dan monitoring kelakuan sistem
10. Seleksi
Mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.
11. Simulasi
Pemodelan interaksi antara komponen-komponen sistem.
7
STRUKTUR SISTEM PAKAR
2 bagian utama sistem pakar :
- lingkungan pengembangan (development environment) :
digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar
- lingkungan konsultasi (consultation environment)
digunakan oleh pengguna yang bukan pakar untuk memperoleh pengetahuan pakar
Arsitektur sistem pakar :
LINGKUNGAN
PENGEMBANGAN
LINGKUNGAN
KONSULTASI
Pemakai
Antarmuka
Basis Pengetahuan :
fakta dan aturan
Fakta tentang
kejadian tertentu
Knowledge
Engineer
Fasilitas
Penjelasan
Akuisisi
Pengetahuan
Aksi yang
direkomendasikan
Mesin Inferensi
Workplace
Pakar
Perbaikan
Pengetahuan
Analisis protokol
Dalam metode ini pakar diminta untuk melakukan suatu pekerjaan dan mengungkapkan proses
pemikirannya dengan menggunakan kata-kata. Pekerjaan tersebut direkam, dituliskan, dan
dianalisis.
Observasi pada pekerjaan pakar
Pekerjaan dalam bidang tertentu yang dilakukan pakar direkam dan diobservasi
Induksi aturan dari contoh
Induksi adalah suatu proses penalaran dari khusus ke umum. Suatu sistem induksi aturan diberi
contoh-contoh dari suatu masalah yang hasilnya telah diketahui. Setelah diberikan beberapa
contoh, sistem induksi aturan tersebut dapat membuat aturan yang benar untuk kasus-kasus
contoh. Selanjutnya aturan dapat digunakan untuk menilai kasus lain yang hasilnya tidak
diketahui.
9
b. Penalaran berbasis kasus (case-based reasoning)
Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai
sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta
yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada
kasus-kasus yang hampir sama (mirip). Selain itu bentuk ini juga digunakan bila kita telah
memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.
MESIN INFERENSI (INFERENCE ENGINE)
Ada 2 cara penalaran yang dapat dikerjakan dalam melakukan inferensi :
a. Forward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata
lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
b. Backward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata
lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis
tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Contoh :
R1 : IF suku bunga turun THEN harga obligasi naik
R2 : IF suku bunga naik THEN harga obligasi turun
R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
R4 : IF dolar naik THEN suku bunga turun
R5 : IF dolar turun THEN suku bunga naik
R6 : IF harga obligasi turun THEN beli obligasi
Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi
atau tidak dapat ditunjukkan sebagai berikut :
Forward Chaining
Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2
suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun,
maka kesimpulan yang diambil adalah membeli obligasi.
Backward Chaining
Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6 diperoleh anteseden harga
obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik
bernilai benar . Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena diketahui
fakta dolar turun.
LANGKAH-LANGKAH PEMBUATAN SISTEM PAKAR
1. Mengidentifikasi masalah dan kebutuhan
2. Menentukan problema yang cocok
3. mempertimbangkan alternatif
4. menghitung pengembalian investasi
5. memilih alat pengembangan
6. merekayasa pengetahuan
7. merancang sistem
8. melengkapi pengembangan
9. menguji dan mencari kesalahan sistem
10. memelihara sistem
10
CONTOH REPRESENTASI PENGETAHUAN DARI KNOWLEDGE BASE BERBASIS ATURAN/RULE SISTEM PAKAR DETEKSI KERUSAKAN KOMPUTER
TABEL PENGETAHUAN
KODE
GEJALA KERUSAKAN
A1
B1
B2
B3
B4
B5
B6
B7
B8
B9
B10
B11
B12
B13
B14
B15
B16
B17
B18
B19
B20
B21
B22
B23
B24
B25
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
A12
A13
A14
A15
A16
A17
11
JENIS KERUSAKAN
A1
=
MONITOR RUSAK
A2
=
MEMORI RUSAK
A3
=
HDD RUSAK
A4
=
VGA RUSAK
A5
=
SOUND CARD RUSAK
A6
=
OS BERMASALAH
A7
=
APLIKASI RUSAK
A8
=
PSU RUSAK
A9
=
PROSESOR RUSAK
A10
=
MEMORY KURANG (PERLU UPGRADE MEMORY)
A11
=
MEMORY VGA KURANG (PERLU UPGRADE VGA)
A12
=
CLOCK PROSOR KURANG TINGGI (PERLU UPGRADE PROSESOR)
A13
=
KABEL IDE RUSAK
A14
=
KURANG DAYA PADA PSU (PERLU UPGRADE PSU)
A15
=
PERANGKAT USB RUSAK
A16
=
KEYBOARD RUSAK
A17
=
MOUSE RUSAK
RULE
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
IF
B1,B2
B3,B4,B5,B11,B12
B6,B7,B8,B10,B21,B22
B1,B3,B5,B9,B10,B12,B13
B10,B13,B14
B11,B11,B15
B7,B12
B16,B17
B1,B3,B4,B5
B18,B19
B9,B20
B19
B21
B5,B23
B10
B10,B24
B10,B25
THEN
A1
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
A12
A13
A14
A15
A16
A17
12
VI. KETIDAKPASTIAN
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan
konsisten. Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan,
dengan ciri-ciri penalaran sebagai berikut :
- adanya ketidakpastian
- adanya perubahan pada pengetahuan
- adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
contoh :
Premis -1
: Aljabar adalah pelajaran yang sulit
Premis -2
: Geometri adalah pelajaran yang sulit
Premis -3
: Kalkulus adalah pelajaran yang sulit
Konklusi
: Matematika adalah pelajaran yang sulit
Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal :
Premis -4
: Kinematika adalah pelajaran yang sulit
Premis tersebut menyebabkan konklusi : Matematika adalah pelajaran yang sulit, menjadi salah,
karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan
penalaran induktif sangat dimungkinkan adanya ketidakpastian.
Untuk mengatasi ketidakpastian maka digunakan penalaran statistik.
PROBABILITAS & TEOREMA BAYES
PROBABILITAS
Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak.
p(x)
p( E | H i ) * ( p( H i )
p( E | H k ) * ( p( H k )
k =1
dengan :
p ( H i | E ) = probabilitas hipotesis H i benar jika diberikan evidence (fakta) E
p ( E | H i ) = probabilitas munculnya evidence(fakta) E jika diketahui hipotesis H i benar
p( H i )
= probabilitas hipotesis H i (menurut hasil sebelumnya) tanpa memandang evidence(fakta) apapun
n
Contoh :
Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
dengan :
probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar p(bintik | cacar) = 0.8
probabilitas Asih terkena cacar tanpa memandang gejala apapun p(cacar) = 0.4
probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi p(bintik | alergi) = 0.3
probabilitas Asih terkena alergi tanpa memandang gejala apapun p(alergi) = 0.7
probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan p(bintik | jerawatan) = 0.9
probabilitas Asih jerawatan tanpa memandang gejala apapun p(jerawatan) = 0.5
Maka :
probabilitas Asih terkena cacar karena ada bintik-bintik di wajahnya :
p( H i | E ) = n
p( E | H i ) * ( p( H i )
p( E | H k ) * ( p( H k )
k =1
13
Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence (fakta) atau
observasi baru maka :
p( H | E, e) = p( H | E ) *
p(e | E, H )
p(e | E )
dengan:
e = evidencelama
E = evidenceatau observasibaru
p( H | E, e) = probabilitas hipotesis H benar jika munculevidencebaru E dari evidencelama e
p( H | E) = probabilitas hipotesis H benar jika diberikan evidence E
p(e | E, H ) = kaitan antara e dan E jika hipotesis H benar
p(e | E)
= kaitan antara e dan E tanpa memandanghipotesis apapun
Misal :
Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru menunjukkan
bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang kena cacar. Jadi antara
munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain.
bintik
panas
cacar
Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan probabilitas
terkena cacar bila ada bintik-bintik di wajah p(cacar | bintik) = 0.8
Ada observasi bahwa orang terkena cacar pasti mengalami panas badan. Jika diketahui probabilitas
orang terkena cacar bila panas badan p(cacar | panas ) = 0.5
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila seseorang terkena cacar
p(bintik | panas, cacar) = 0.4
14
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan p(bintik | panas) = 0.6
Maka :
p ( H | E , e) = p ( H | E ) *
p (e | E , H )
p (e | E )
(0.4)
= 0.33
(0.6)
PHK
gelandangan
PHK
pengangguran
gelandangan
pengangguran
pengangguran
Muculnya pengangguran
disebabkan PHK
Prob
0.95
Keterangan
Keterkaitan antara pengangguran & PHK, jika
muncul gelandangan
p(pengangguran | PHK,~gelandangan)
0.20
p(pengangguran |~PHK,gelandangan)
0.75
p(pengangguran |~ PHK,~gelandangan)
0.40
p(PHK | krismon)
0,50
p(PHK | ~krismon)
0.10
p(pengangguran | krismon)
0.90
p(pengangguran |~ krismon)
0.30
p(krismon)
0.80
15
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
CF[h,e] = MB[h,e] MD[h,e]
CF[h,e] = faktor kepastian
MB[h,e] = ukuran kepercayaan/tingkat keyakinan terhadap hipotesis h, jika diberikan/dipengaruhi
evidence e (antara 0 dan 1)
MD[h,e] = ukuran ketidakpercayaan/tingkat ketidakyakinan terhadap hipotesis h, jika
diberikan/dipenharuhi evidence e (antara 0 dan 1)
MB[ h, e1 e 2] =
MB[ h, e1] + MB[ h, e 2] * (1 MB[ h, e1])
jika MD[ h, e1 e 2] = 1
lainnya
MD ( h, e1 e 2) =
MD[h, e1] + MD[h, e 2] * (1 MD[ h, e1])
jika MB ( h, e1 e 2) = 1
lainnya
Contoh :
Misal suatu observasi memberikan kepercayaan terhadap h dengan MB[h,e1]=0,3 dan
MD[h,e1]=0 maka :
CF[h,e1] = 0,3 0 = 0,3
Jika ada observasi baru dengan MB[h,e2]=0,2 dan MD[h,e2]=0, maka :
MB[h,e1 e2] = 0,3 + 0,2 * (1 0,3)=0,44
MD[h,e1 e2] = 0
CF[h,e1 e2] = 0,44 0 = 0,44
Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan
kepercayaan MB[cacar,bintik]=0,80 dan MD[cacar,bintik]=0,01 maka :
CF[cacar,bintik] = 0,80 0,01=0,79
Jika ada observasi baru bahwa Asih juga panas badan dengan kepercayaan,
MB[cacar,panas]=0,7 dan MD[cacar,panas]=0,08 maka :
MB[cacar,bintik panas] = 0,8 + 0,7 * (1 0,8)=0,94
MD[cacar,bintik panas] = 0,01 + 0,08 * (1 0,01) = 0,0892
CF[cacar,bintik panas] = 0,94 0,0892 = 0,8508
16
Isu terorisme di Indonesia pasca bom bali tgl 12 Oktober 2002 ternyata juga ikut mempengaruhi
turunnya devisa Indonesia sebagai akibat berkurangnya wisatawan asing. Bila diketahui
MB[devisaturun,bombali] = 0,5 dan MD[devisaturun,bombali] = 0,3, maka
CF[devisaturun,bombali] dan CF[devisaturun,TKI eksporturun bombali] :
CF[devisaturun,bombali] = MB[devisaturun,bombali] MD[devisaturun,bombali]
= 0,5 0,3 = 0,2
MB[devisaturun, TKI eksporturun bombali] =
17
MB[devisaturun,TKI eksporturun] +
TKI eksporturun])
= 0,95 + 0,5 * (1 0,95) = 0,975
MB[devisaturun,bombali] * (1 MB[devisaturun,
Maka :
MB[h,s] = MB[h,s] * max (0,CF[s,e])
MB[h,s] = ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s
Contoh :
PHK = terjadi PHK
Pengangguran = muncul banyak pengangguran
Gelandangan = muncul banyak gelandangan
Aturan 1 :
IF terjadi PHK THEN muncul banyak pengangguran
CF[pengangguran, PHK] = 0,9
Aturan 2 :
IF muncul banyak pengangguran THEN muncul banyak gelandangan
MB[gelandangan, pengangguran] = 0,7
Maka =
MB[gelandangan, pengangguran] = [0,7] * [0,9] = 0,63
18
VII. LOGIKA FUZZY
Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output.
Skema logika fuzzy :
Ruang output
Ruang input
KOTAK
HITAM
Variabel input
Variabel output
Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai.
Misal :
Ruang Output
Ruang Input
(semua jumlah produksi
(semua total persediaan
barang yang mungkin)
barang yang mungkin)
Persediaan
barang akhir
KOTAK
HITAM
produksi barang
esok
Pemetaan input-output pada masalah produksi : diberikan data persediaan barang, berapa jumlah
barang yang harus diproduksi ?
Ada beberapa cara/metode yang mampu bekerja di kotak hitam tersebut, misal : sistem fuzzy, jaringan
syaraf tiruan, sistem linear, sistem pakar, persamaan diferensial, dll.
Namun menurut Prof. Lotfi A. Zadeh, penemu teori logika fuzzy di tahun 1960-an :
Pada hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan logika fuzzy,
namun menggunakan fuzzy akan lebih cepat dan lebih murah
Input
Output
19
APLIKASI LOGIKA FUZZY
1. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric
Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara
otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang
digunakan : seberapa kotor, jenis kotoran, banyaknya yang dicuci. Mesin ini menggunakan
sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke
ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu
menentukan jenis kotoran tersebut daki/minyak.
2. Transmisi otomatis pada mobil Nissan,menghemat bensin 12 17 %
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker
5. Manajemen dan pengambilan keputusan, misal tata letak pabrik berdasarkan logika fuzzy,
pembuatan games berdasarkan logika fuzzy,dll
6. Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca
7. Teknik,misal perancangan jaringan komputer, prediksi adanya gempa bumi, dll
8. dsb
KONSEP DASAR LOGIKA FUZZY
HIMPUNAN TEGAS (CRISP)
= nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan A[x], memiliki
2 kemungkinan, yaitu :
1, yang berarti bahwa item tersebut (x) anggota himpunan A
0, yang berarti bahwa item tersebut (x) bukan anggota himpunan A
contoh :
S = [1,2,3,4,5,6] adalah semesta pembicaraan
A = [1,2,3]
B = [3,4,5]
Jadi :
nilai keanggotaan 2 pada himpunan A
nilai keanggotaan 3 pada himpunan A
nilai keanggotaan 4 pada himpunan A
nilai keanggotaan 2 pada himpunan B
nilai keanggotaan 3 pada himpunan B
A[2] = 1 ,
A[3] = 1 ,
A[4] = 0 ,
B[2] = 0 ,
B[3] = 1 ,
karena 2 A
karena 3 A
karena 4 A
karena 2 B
karena 3 A
PAROBAYA
[x]
[x]
[x]
0
0
35
umur (th)
usia 34 tahun
usia 35 tahun
usia 35 tahun
usia 34 tahun
usia 35 tahun
usia 35 tahun
TUA
35
55
umur (th)
55
umur (th)
Himpunan crisp untuk menyatakan umur bisa tidak adil karena adanya perubahan kecil saja
pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.
20
HIMPUNAN FUZZY
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut diatas. Seseorang dapat masuk dalam 2
himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar
eksistensinya dalam himpunan tersebut dapat dilihat pada nilai/derajat keanggotaannya.
Himpunan fuzzy untuk variabel UMUR :
MUDA
PAROBAYA
TUA
1
[x]
0,5
0,25
0
25
35
40
45
50
55
65
umur (th)
usia 40 tahun termasuk dalam himpunan MUDA dengan MUDA[40] = 0,25
termasuk juga dalam himpunan PAROBAYA dengan PAROBAYA [40] = 0,5
usia 50 tahun termasuk dalam himpunan TUA dengan TUA[50] = 0,25
termasuk juga dalam himpunan PAROBAYA dengan PAROBAYA [50] = 0,5
1,
45 - x
MUDA [x] =
,
45
25
0,
x 25
25 < x < 45
x 45
0,
x - 35
PAROBAYA[x] =
,
45
35
55 - x
55 - 45 ,
0,
x - 45
TUA [x] =
,
65
45
1,
x 45
45 < x < 65
x 65
x 35 atau x 55
35 < x < 45
45 x 55
WATAK KEKABURAN
Perhatikan pernyataan dibawah ini :
Mesin yang digunakan terus-menerus akan cepat panas
kita tidak dapat menentukan dengan tepat batasan terus-menerus, cepat, dan panas
Jika air pancuran terlalu panas maka naikkan aliran air dingin perlahan-lahan
kita tidak dapat menentukan dengan tepat batasan terlalu panas, menaikkan, air yang dingin, dan
perlahan-lahan
maka solusinya dengan menggunakan LOGIKA FUZZY (logika samar)
21
VARIABEL LINGUSTIK
Variabel linguistik = sebuah variabel yang memiliki nilai berupa kata-kata dalam bahasa alamiah
bukan angka.
Mengapa menggunakan kata/kalimat daripada angka ? karena peranan linguistik memang kurang
spesifik dibandingkan angka, namun informasi yang disampaikan lebih informatif.
Contoh, jika KECEPATAN adalah variabel linguistik, maka nilai linguistik untuk variabel
kecepatan adalah, misalnya LAMBAT, SEDANG, CEPAT. Hal ini sesuai dengan kebiasaan
manusia sehari-hari dalam menilai sesuatu, misalnya : Ia mengendarai mobil dengan cepat, tanpa
memberikan nilai berapa kecepatannya.
Menurut Wang (1997) definisi formal dari variabel linguistik diberikan sebagai berikut:
Sebuah variabel linguistik dikarakterisasi oleh (X, T(x), U, M), dimana :
X
= Nama variabel (variabel linguistik) yang menjadi objek
T(x) = Himpunan semua istilah (nilai-nilai) linguistik yang terkait dengan (nama) variabel (X) yang menggambarkan
objek tersebut
U
= Domain fisik aktual/ruang lingkup dimana variabel linguistik X mengambil nilai-nilai kuantitatifnya/nilai
numeris (crisp) himpunan semesta
= Suatu aturan semantik yang menghubungkan setiap nilai linguistik dalam T dengan suatu himpunan fuzzy
dalam U.
lambat
40
sedang
cepat
55
70
Grafik fungsi keanggotaan kecepatan
Fungsi keanggotaan
(AB)(x) = min[A(x), B(x)]
(AB)(x) = max[A(x), B(x)]
c
A (x) = 1- A(x)
22
Contoh :
U = {1,2,3,4,5,6}
A = {(1,0), (2,0.2), (3,0.6), (4,0.9), (5,1), (6,0.8)}
B = {(1,0.8), (2,1), (3,0.7), (4,0.4), (5,0.1), (6,0)}
Maka predikat untuk :
c
A = {(1,1), (2,0.8), (3,0.3), (4,0.1), (5,0), (6,0.2)}
c
B = {(1,0.2), (2,0), (3,0.3), (4,0.6), (5,0.9), (6,1)}
AB = {(1,0), (2,0.2), (3,0.6), (4,0.4), (5,0.1), (6,0)}
AB = {(1,0.8), (2,1), (3,0.7), (4,0.9), (5,1), (6,0.8)}
Misal derajat keanggotaan 27 tahun pada himpunan MUDA adalah 0.6 (MUDA[27] = 0.6)
Derajat keanggotaan Rp.2 juta pada himpunan penghasilan TINGGI adalah 0.8
(GAJITINGGI[2juta] = 0.8) maka predikat untuk usia MUDA dan berpenghasilan TINGGI :
MUDA GAJITINGGI = min (MUDA[27], GAJITINGGI[2juta])
= min (0.6 , 0.8) = 0.6
Disebut anteceden/premis
Disebut consequent/kesimpulan
Proposisi fuzzy adalah memiliki derajat kebenaran yang dinyatakan dalam suatu bilangan dalam
bentuk interval [0,1], dimana benar dinyatakan oleh nilai 1 dan salah dinyatakan oleh nilai 0.
Premis dari aturan fuzzy dapat memiliki lebih dari satu bagian (premis1, premis2, dst), semua
bagian dari premis dihitung secara simultan dan diselesaikan untuk sebuah nilai tunggal dengan
penggunakan operator fuzzy dalam himpunan fuzzy.
IF premis 1 AND premis 2
Dimana :
Permintaan, persediaan
Produksi barang
Turun, naik
Banyak, sedikit
Berkurang, bertambah
: variabel masukan
: variabel keluaran
: kategori himpunan fuzzy dari permintaan
: kategori himpunan fuzzy dari persediaan
: kategori himpunan fuzzy dari produksi barang
Fuzzifikasi
Inferensi
Proses penentuan
output crisp
output
crisp
23
Fuzzifikasi
= mengambil masukan nilai crisp dan menentukan derajat dimana nilai-nilai tersebut menjadi anggota
dari setiap himpunan fuzzy yang sesuai membuat fungsi keanggotaan
Contoh : masukan crisp 75 derajat ditransformasikan sebagai panas dalam bentuk fuzzy dengan derajat
keanggotaan 0.80.
Inferensi
- mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzyfikasi
- mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses fuzzyfikasi dengan
mengevaluasi hubungan atau derajat keanggotaan anteceden/premis setiap aturan.
- derajat keanggotaan/nilai kebenaran dari premis digunakan untuk menentukan nilai kebenaran
bagian consequent/kesimpulan
Proses penentuan Output Crisp
Tergantung teori/metode yang digunakan
METODE TSUKAMOTO
:
:
:
:
IF
IF
IF
IF
permintaan
permintaan
permintaan
permintaan
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000
kemasan dan persediaan di gudang masih 300 kemasan?
Solusi :
FUZZIFIKASI membuat fungsi keanggotaan
permintaanTURUN [x] =
,
5000 - 1000
0,
0,
x - 1000
permintaanNAIK [x] =
,
5000
1000
1,
x 1000
1000 < x < 5000
x 5000
x 1000
1000 < x < 5000
x 5000
Derajat/nilai keanggotaan :
permintaanTURUN[4000]
= (5000 - 4000) / 4000
= 0,25
permintaanNAIK[4000]
= (4000 - 1000) / 4000
= 0,75
24
[x]
NAIK
TURUN
1
0,75
0,25
0
4000
1000
Permintaan (kemasan/hari)
5000
2. PERSEDIAAN
Terdiri atas 2 himpunan fuzzy yaitu SEDIKIT dan BANYAK
1,
600 - y
persediaanSEDIKIT [y] =
,
600 - 100
0,
y 100
100 < x < 600
y 600
0,
y - 100
persediaanBANYAK [y] =
,
600 - 100
1,
[y]
Derajat/nilai keanggotaan :
persediaanSEDIKIT[300]
= (600 - 300) / 500
= 0,6
y 100
persediaanBANYAK[300]
y 600
= 0,4
BANYAK
SEDIKIT
1
0,6
0,4
0
0
100
300
600
Persediaan (kemasan/hari)
3. PRODUKSI BARANG
Terdiri atas 2 himpunan fuzzy yaitu BERKURANG dan BERTAMBAH
z 2000
1,
7000 - z
produksiBERKURANG [z] =
, 2000 < z < 7000
7000
2000
z 7000
0,
z 2000
0,
z - 2000
produksiBERTAMBAH [z] =
, 2000 < z < 7000
7000
2000
z 7000
1,
25
[z]
BERTAMBAH
BERKURANG
1
0
0
7000
2000
INFERENSI evaluasi rule, operator Zadeh digunakan sehingga didapat predikat untuk
menentukan z
Aturan 1
R1 : IF permintaan turun AND persediaan banyak THEN produksi barang berkurang
26
MENENTUKAN OUTPUT CRISP
Pada metode TSUKAMOTO untuk menentukan output crisp menggunakan rata-rata berbobot yaitu :
z=
1 z1 + 2 z 2 + 3 z3 + 4 z 4
1 + 2 + 3 + 4
Nama
Lia
Iwan
Sari
Andi
Budi
Amir
Rian
Kiki
Alda
Yoga
Tgl Lahir
03-06-1972
23-09-1954
12-12-1966
06-03-1965
04-12-1960
18-11-1963
28-05-1965
09-07-1971
14-08-1967
17-09-1977
Thn Masuk
1996
1985
1988
1998
1990
1989
1997
2001
1999
2000
Gaji/bl
750000
1500000
1255000
1040000
950000
1600000
1250000
550000
735000
860000
Nama
Lia
Iwan
Sari
Andi
Budi
Amir
Rian
Kiki
Alda
Yoga
Umur(th)
30
48
36
37
42
39
37
32
35
25
Masa kerja(th)
6
17
14
4
12
13
5
1
3
2
Gaji/bl
750000
1500000
1255000
1040000
950000
1600000
1250000
550000
735000
860000
Query untuk mendapatkan informasi karyawan masa kerja kurang dari atau sama dengan 5 tahun
tetapi gaji sudah lebih dari 1 juta :
SELECT NAMA FROM KARYAWAN WHERE (MASAKERJA <= 5) AND (GAJI > 1000000)
Hasil : Andi, Rian
27
Basis Data Fuzzy Model Tahani
UMUR
Umur karyawan dikategorikan ke himpunan MUDA, PAROBAYA, TUA
1,
40 - x
MUDA[x] =
,
10
0 ,
x 30
0 ,
x - 40
TUA[x] =
,
50
40
1,
30 < x < 40
x 40
1,
x - 35
PAROBAYA[x] =
,
45
35
50 - x
50 - 45 ,
35 < x < 45
MUDA
PAROBAYA
x 35 atau x 50
45 x 50
TUA
[x]
0
30
35
40
45
50
umur (th)
Nama
Umur(th)
01
02
03
04
05
06
07
08
09
10
Lia
Iwan
Sari
Andi
Budi
Amir
Rian
Kiki
Alda
Yoga
30
48
36
37
42
39
37
32
35
25
MASA KERJA
Masa kerja karyawan dikategorikan ke himpunan BARU, LAMA
1,
15 - y
BARU[y] =
,
15
5
0,
y5
5 < y < 15
x 15
0,
y - 10
LAMA[y] =
,
15 - 10
1,
BARU
LAMA
[y]
0
0
10
15
25
y 10
10 < y < 25
y 25
x 40
40 < x < 50
x 50
28
Karyawan berdasarkan masa kerja
NIP
Nama
Masa kerja(th)
01
02
03
04
05
06
07
08
09
10
Lia
Iwan
Sari
Andi
Budi
Amir
Rian
Kiki
Alda
Yoga
6
17
14
4
12
13
5
1
3
2
GAJI
Gaji karyawan dikategorikan ke himpunan RENDAH, SEDANG, TINGGI
1,
800 - z
RENDAH[z] =
,
800
300
0,
0,
z - 500
SEDANG[z] =
,
1000 - 500
1500 - z
1500 - 1000 ,
RENDAH
0,
z - 1000
TINGGI[z] =
,
2000
1000
1,
z 300
300 < z < 800
z 800
z 1000
1000 < z < 2000
z 2000
SEDANG
TINGGI
[z]
0
300
500
800
1000
1500
2000
gaji (bln)
Nama
Gaji(bln)
01
02
03
04
05
06
07
08
09
10
Lia
Iwan
Sari
Andi
Budi
Amir
Rian
Kiki
Alda
Yoga
750000
1500000
1255000
1040000
950000
1600000
1250000
550000
735000
860000
Query untuk mendapatkan informasi karyawan yang masih muda tapi gaji tinggi :
SELECT NAMA FROM KARYAWAN WHERE (UMUR = MUDA) AND (GAJI = TINGGI)
29
NIP
03
07
06
04
01
02
05
08
09
10
Nama
Sari
Rian
Amir
Andi
Lia
Iwan
Budi
Kiki
Alda
Yoga
Umur
36
37
39
37
30
48
42
32
35
25
Gaji
1500000
1250000
1600000
1040000
750000
1255000
950000
550000
735000
860000
MUDA
0,4
0,3
0,1
0,3
1
0
0
0,8
0,5
1
Query untuk mendapatkan informasi karyawan yang masih muda atau karyawan gaji tinggi :
SELECT NAMA FROM KARYAWAN WHERE (UMUR = MUDA) OR (GAJI = TINGGI)
NIP
01
10
08
06
03
09
04
07
02
05
Nama
Lia
Yoga
Kiki
Amir
Sari
Alda
Andi
Rian
Iwan
Budi
Umur
30
25
32
39
36
35
37
37
48
42
Gaji
750000
860000
550000
1600000
1500000
735000
1040000
1250000
1255000
950000
MUDA
1
1
0,8
0,1
0,4
0,5
0,3
0,3
0
0
Query untuk mendapatkan informasi karyawan yang masih muda tapi masa kerja sudah lama :
SELECT NAMA FROM KARYAWAN WHERE (UMUR = MUDA) AND
(MASAKERJA = LAMA)
NIP
03
07
06
04
01
02
05
08
09
10
Nama
Sari
Amir
Lia
Iwan
Andi
Budi
Rian
Kiki
Alda
Yoga
Umur
36
39
30
48
37
42
37
32
35
25
Masa kerja
14
13
6
17
4
12
5
1
3
2
MUDA
0,4
0,1
1
0
0,3
0
0,3
0,8
0,5
1
Query untuk mendapatkan informasi karyawan yang parobaya dan gajinya sedang, atau karyawan
yang parobaya tapi masa kerja sudah lama :
SELECT NAMA FROM KARYAWAN WHERE
((UMUR = PAROBAYA) AND (GAJI = SEDANG)) OR
((UMUR = PAROBAYA) AND (MASAKERJA = LAMA))
30
NIP
Nama
PAROBAYA
SEDANG
05
02
04
06
07
03
01
08
09
10
Budi
Iwan
Andi
Amir
Rian
Sari
Lia
Kiki
Alda
Yoga
0,7
0,4
0,2
0,4
0,2
0,1
0
0
0
0
0,9
0,49
0,92
0
0,5
0
0,5
0
0
0
Derajat Keanggotaan
PAROBAYA PAROBAYA LAMA
& SEDANG
(1)
0,7
0,7
0,133
0,4
0,4
0,467
0,2
0,2
0
0
0,4
0,2
0,2
0,2
0
0
0,1
0,267
0
0
0
0
0
0
0
0
0
0
0
0
PAROBAYA
& LAMA
(2)
0,133
0,4
0
0,2
0
0,1
0
0
0
0
(1) OR (2)
0,7
0,4
0,2
0,2
0,2
0,1
0
0
0
0
31
badan sel
(soma)
Gambar NEURON
32
dendrit
akson
badan sel
sinapsis
inti sel
(neucleus)
Model Struktur
NEURON JSB
dendrit
threshold
akson
summation
33
Otak manusia
10 sinapsis
6
10 m
30 W
100 Hz
Paralel terdistribusi
Ya
Ya
Selalu
11
CPU
10 transistor
6
10 m
30 W (CPU)
9
10 Hz
Serial terpusat
Tidak
Tidak
Tidak (kadang-kadang)
8
Fungsi Aktivasi
Input dari
neuron lain
X2
input
w j1
unit
pengolah j
w j2
w jn
X3
Output ke
neuron lain
Output
X1
Bobot
kekuatan hubungan
(bobot)
output
Jaringan syaraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh
yang diperolehnya dan mengabstraksi karakteristik esensial input bahkan untuk data yang tidak
relevan.
Algoritma untuk JST beroperasi secara langsung dengan angka sehingga data yang tidak
numerik harus diubah menjadi data numerik.
JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan
yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses
pembelajaran. Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola input (dan
output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
Pada dasarnya karakteristik JST ditentukan oleh :
1. Pola hubungan antar neuron (disebut arsitektur jaringan)
2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau proses belajar
jaringan)
3. Fungsi aktivasi
34
ARSITEKTUR JST
Pada JST, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan
lapisan neuron (neuron layers).
Neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan
sesudahnya.
Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari
lapisan input sampai ke lapisan output melalui lapisan tersembunyi (hidden layer).
Gambar berikut ini jaringan syaraf dengan 3 lapisan dan bukanlah struktur umum jaringan
syaraf karena beberapa jaringan syaraf ada yang tidak memiliki lapisan tersembunyi.
Nilai input
Neuron-neuron
pada lapisan input
Neuron-neuron
pada lapisan tersembunyi
Neuron-neuron
pada lapisan output
Nilai output
Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola
bobotnya.
Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang
sama sehingga pada setiap lapisan yang sama neuron-neuron memiliki fungsi aktivasi yang
sama.
Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi) akan dihubungkan dengan
neuron-neuron pada lapisan lain (misal lapisan output) maka setiap neuron pada lapisan tersebut
(lapisan tersembunyi) juga harus dihubungkan dengan setiap neuron pada lapisan lainnya
(lapisan output)
Macam arsitektur JST ada 3 :
1. Jaringan dengan lapisan tunggal (single layer net)
Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input
kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan
tersembunyi. Pada gambar berikut neuron-neuron pada kedua lapisan saling berhubungan.
Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua
unit input akan dihubungkan dengan setiap unit output.
Nilai input
X1
w 11
X2
w 12
w 21
Y1
X3
w 31
w 22
Lapisan input
Matriks bobot
w 32
Y2
Lapisan output
Nilai output
35
2. Jaringan dengan banyak lapisan (multilayer net)
Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output.
Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan.
Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit
daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Pada banyak
kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
Nilai input
X1
v11
X2
v 12
v 21
X3
Lapisan input
v 31
v 22
Z1
v 32
Lapisan tersembunyi
Z2
v1
v2
Lapisan output
Nilai output
A1
Am
Ai
Aj
36
Hal yang ingin dicapai dengan melatih/mengajari JST adalah untuk mencapai keseimbangan
antara kemampuan memorisasi dan generalisasi.
Kemampuan memorisasi = kemampuan JST untuk memanggil kembali secara sempurna sebuah
pola yang telah dipelajari.
Kemampuan generalisasi = adalah kemampuan JST untuk menghasilkan respon yang bisa
diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang
sebelumnya telah dipelajari.
Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST diinputkan informasi baru yang
belum pernah dipelajari, maka JST masih akan tetap dapat memberikan tanggapan yang baik,
memberikan keluaran yang paling mendekati.
Paradigma/metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised learning)
Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah
diketahui. Perbedaan antara output-output aktual dengan output-output yang diinginkan
digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat
(semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
2. Pembelajaran tak terawasi (unsupervised learning) / pembelajaran tanpa guru
Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektorvektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan.
Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi.
Paradigma pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori
berdasarkan korelasi yang ada.
3. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)
Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya
ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak
terawasi.
FUNGSI AKTIVASI
Dipakai ntuk menentukan keluaran suatu neuron
Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation
function) yang mungkin berbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST
diantaranya hard limit, purelin, dan sigmoid. Yang populer digunakan adalah fungsi sigmoid
yang memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid
tangen.
Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan secara linier, sigmoid
berupa fungsi smooth bernilai antara 0 sampai dengan 1 (bila biner) atau antara -1 sampai 1 (bila
bipolar)
SUMMATION FUNCTION
Fungsi yang digunakan untuk mencari rata-rata bobot dari semua elemen input.
Bentuk sederhananya adalah dengan mengalikan setiap nilai input (Xj) dengan bobotnya (Wij)
dan menjumlahkannya (disebut penjumlahan berbobot atau Si)
N
S i = Wij * X j
j =i
Diibaratkan dengan sebuah neuron yang memonitor sinyal yang datang dari neuron-neuron lain.
Neuron ini menghitung penjumlahan berbobotnya dan kemudian menentukan sinyal untuk
dikirim ke neuron-neuron lain.
37
SSE = (T jp X jp ) 2
p
RMSError =
Tjp
Xjp
np
po
(T
p
jp
X jp ) 2
n p no
Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Pada
kondisi inilah JST tersebut dapat digunakan. Ketika ada hal baru yang harus diketahui oleh JST
maka proses belajar harus diulang kembali dengan menggunakan informasi-informasi yang lama
ditambah dengan informasi-infromasi baru.
APLIKASI JARINGAN SYARAF TIRUAN
Aerospace
autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan
autopilot, simulasi komponen pesawat
Otomotif : sistem kendali otomatis mobil
Keuangan dan perbankan
pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar
saham
Militer
Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali
sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi
bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.
Elektronik
Pembuatan perangkat keras yang bisa mengimplementasikan JST secara efisien, machine
vision, pengontrol gerakan dan penglihatan robot, sintesis suara
Broadcast : pencarian klip berita melalui pengenalan wajah
Keamanan : JST digunakan untuk mengenali mobil dan mengenali wajah oknum
Medis : analisis sel kanker
Pengenalan suara : pengenalan percakapan, klasifikasi suara
Pengenalan tulisan : pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin
Matematika : alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara
variabel-variabel tertentu tidak diketahui
Pengenalan benda bergerak
selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari
video seperti citra orang yang bergerak, dll.
JST digunakan sebagai detektor virus komputer, penginderaan bau, dll