NRP

Nama

: 153040171
Dosen
: HandokoSupeno,S.T,M.T
: YulliaWidyaCahyadi Matakuliah : IT605IntelegensiaBuatan

FUZZYLOGIC
TAHAPANFUZZYMAMDANI
ContohKasus:Mengevaluasikesehatanorangberdasarkantinggidanberatbadan
1. CrispInput
Input:
TinggiBadan:152Cm
BeratBadan:51Kg
Output:

KategoriSehat:
SangatSehat(SS)
Sehat(S)
AgakSehat(AS)
TidakSehat(TS)
2. Fuzzification
FungsiKeanggotaanUntukTinggi

Sangat

Sangat
Pendek
Pendek
Sedang
Tinggi
Tinggi

1.0

0
115
120
140 145
180
185
160 165

FungsiKeanggotaanuntukBerat

Sangat
Sangat

kurus
Biasa
Berat
Kurus
Berat

1.0

0
50
80
55
40
45
85
60
65

UNIVERSITASPASUNDAN
FakultasTeknik
JurusanTeknikinformatika

NRP
Nama

: 153040171
Dosen
: HandokoSupeno,S.T,M.T
: YulliaWidyaCahyadi Matakuliah : IT605IntelegensiaBuatan

Decision(Keputusan)

1.0

TS

AS

SS

0.2

0.4

0.6

0.8

1.0

3. RuleEvaluation
BERAT

TINGGI

SangatPendek
Pendek
Sedang
Tinggi
SangatTinggi

Sangat
Pendek

Sangat
Kurus
SS
S
AS
TS
TS

Kurus

Biasa

Berat

S
SS
SS
S
AS

AS
S
SS
SS
SS

TS
AS
AS
S
S

Pendek

Sedang

Tinggi

1.0

Sangat
Berat
TS
TS
TS
TS
AS

Sangat
Tinggi

0.47

115

120

140

145

165

160

FungsiKeanggotaanSegitiga
Dik:
152
145
160
165

UNIVERSITASPASUNDAN
FakultasTeknik
JurusanTeknikinformatika

152

180

152

185

145 / 160

145 =0.47

NRP
Nama

: 153040171
Dosen
: HandokoSupeno,S.T,M.T
: YulliaWidyaCahyadi Matakuliah : IT605IntelegensiaBuatan

1.0

Sangat
Kurus

kurus

Biasa

Berat

Sangat
Berat

0.8
0.2
0

40

45

50

55

FungsiKeanggotaanLinear
Dik:
51
50
55

60

65

80

85

51

55

51 / 55

50 =0.8

51

51

50 / 55

50 =0.2

BERAT

TINGGI

SangatPendek
Pendek
0.47
Tinggi
SangatTinggi

Sangat
Kurus
SS
S
AS
TS
TS

0.8

0.2

Berat

S
SS
SS
S
AS

AS
S
SS
SS
SS

TS
AS
AS
S
S

0.8

0.2

Berat

S
SS
0.47
S
AS

AS
S
0.2
SS
SS

TS
AS
AS
S
S

Sangat
Berat
TS
TS
TS
TS
AS

BERAT

TINGGI

SangatPendek
Pendek
0.47
Tinggi
SangatTinggi

Sangat
Kurus
SS
S
AS
TS
TS

Sangat
Berat
TS
TS
TS
TS
AS

4. Defuzzication
Diperoleh:
,
0.47,0.2
Penentuanhasilakhir:
MaxMethod:Indextertinggi0.47
Hasil:SangatSehat
CentroidMethod(Mamdani):
0.47 0.8
0.2 0.8 / 0.47 0.2
0.8
5. OutputResult
CrispDecisionIndex=0.8
FuzzyDecisionIndex:100%SangatSehat(SS)
UNIVERSITASPASUNDAN
FakultasTeknik
JurusanTeknikinformatika

NRP
Nama

: 153040171
Dosen
: HandokoSupeno,S.T,M.T
: YulliaWidyaCahyadi Matakuliah : IT605IntelegensiaBuatan

HEURISTICSEARCH
1. UCS(UniformCostSearch)
MengekspansiNodeberdasarkanJalurterkecildariinitialstatekenoden[g(n)].
2. A*
Mengekspansi hasil node berdasarkan Jalur terkecil dari (initial state ke node n [g (n)]) ditambah
dengan(nodenkegoalstate[h(n)]).
3. GreedyBFS
MengekspansiNodeberdasarkanJalurterkecildarinodenkegoalstate[h(n)].

ADVERSARIALSEARCH
PERANALPHABETHAPRUNNINGTERHADAPMINMAXALGORITMA
Proseduruntukmengurangijumlahperhitungandanmencariselamaminimax.
Prunning adalah pemotongan cabang pada game Tree. (Mengurangi waktu pembuatan dan
penelusuranTree).
Hasilpencariansecaradepthfirst.
SyaratPrunning:Nilaivariablealphadanvariablebeta
NilaialphaadalahnilaiawalatausementaraterkaitdengannodeMAX.
Karena MAX node diberi nilai maksimum antara anakanak mereka, nilai alpha tidak dapat
menurunkan,hanyabisanaik.
NilaibetaadalahnilaiawalatausementaraterkaitdengannodeMIN.
KarenanodeMINdiberinilaiminimumantaraanakanakmereka,nilaibetatidakpernahdapat
meningkatkan,hanyabisaturun.

METODESEARCHINGDALAMKECERDASANBUATAN
PERBEDAANBLINDSEARCHDANHEURISTICSEARCH.

UninformedSearch(BlindSearch)/PencarianButa.
Tidakmemilikiinformasimengenaijumlahtahapanyangakandijalanidaricurrentstatekepada
goal. Blind search merupakan jenis pencarian asal ketemu, jika solusi sudah ketemu, maka
pencarianakandihentikan.
InformedSearch(HeuristicSearch)/PencarianTerbimbing.
Penambahan informasi pada suatu pencarian sehingga pencarian dapat dilakukan lebih efektif
karenaadainformasiyangmemandu.Artinya,solusiyangdiperolehadalahsolusiyangterbaik,
bukansolusiasalketemu.

UNIVERSITASPASUNDAN
FakultasTeknik
JurusanTeknikinformatika