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