NAMA
Candra Sidik D
NPM
31416518
1. FUZZY LOGIC
Fuzzy logic jika di atau dalam bahasa Indonesia logika Fuzzy adalah teknik/ metode yang
dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai
banyak jawaban.
Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang
mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau
salah, ya atau tidak, putih atau hitam dan lain-lain. Penalaran Logika Fuzzy
memnyediakan cara untuk memahami kinerja sistem dengan cara menilai input dan
output sistem dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk
menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak
tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.
Alasan Kenpa digunakan logika Fuzzy:
Karena konsep logika Fuzzy mudah dimengerti.
Logika Fuzzy fleksibel.
Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks.
Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvensional.
Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.
Logika Fuzzy didasarkan pada bahasa alami.
Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman
para pakar secara langsung tanpa harus melalui proses pelatihan.
Di bawah ini adalah beberapa contoh dikehidupan sehari-hari Fuzzy Logic yang
mengandung ketidakpastian:
Contoh 1 : Seseorang direktur mengatakan kepada manager produksi “kita telah
mendapat pesanan lebih besar dalam minggu ini. Tolong dicekkan, berapa banyak jumlah
persediaan kita di gudang. Dan berapa besar barang yang harus akan diproduksi” tidak
dijelaskan jumlah pesanan yang dimaksud oleh direktur tersebut.
Contoh 2 : Disetiap jalan ada peratutan seperti rambu-rambu yang bertuliskan Kecepatan
20 km/jam. Apakah dengan kecepatan 20 km/jam hanya diberlakukan untuk mobil atau
motor
2. GENETIC ALGORITMA
Algoritma Genetika merupakan suatu metode optimasi untuk mencari solusi yang
optimal dari suatu permasalahan. Algoritma Genetika banyak digunakan untuk mencari
solusi masalah optimasi penjadwalan. Penjadwalan yang umumnya bersifat kompleks
tidak mengijinkan sisi otak manusia untuk mencarikan solusi yang optimal dengan
mudah. Dengan Algoritma Genetika, hal-hal yang perlu dihindarkan dalam pembuatan
jadwal bisa dihilangkan, dan semua bentuk solusi yang menguntungkan pihak-pihak
yang terkait akan lebih mudah untuk didapatkan. Algoritma Genetika banyak digunakan
pada aplikasi bisnis, teknik maupun pada bidang keilmuan. Algoritma genetika juga
dapat dipakai untuk memperoleh solusi yang baik untuk masalah optimal dari satu
variabel atau banyak variabel.
Terdapat 3 cara yang dipakai dalam Algoritma Genetika:
Mutasi : mencoba kombinasi proses secara acak dan mengevaluasi hasilnya.
Crossover : Mengkombinasikan bagian dari hasil yang baik dengan harapan
dapat memperoleh hasil yang lebih baik.
Seleksi, memilih proses–proses yang baik dan membuang yang jelek.
Contoh Genetic Algoritma :
Permasalahan mengenai optimasi pembelian komponen komputer dan aksesorisnya dapat
diselesaikan dengan menggunakan algoritma genetika. Diagram alir dimulai dengan
generate atau membangkitkan populasi awal. Melibatkan pembangkitan bilangan random
untuk setiap gen sesuai dengan representasi kromosom yang digunakan. Kemudian
menentukan rute toko mana saja yang akan dilalui oleh pembeli sekaligus menghitung
total pembelian dan ongkos perjalanan (nilai fitness). Selanjutnya dilakukan proses
crossover dan mutasi untuk menghasilkan individu baru. Individu baru tersebut dicek
terlebih dahulu validitasnya. Untuk kasus ini, jika toko tidak menjual komponen
komputer yang dibutuhkan oleh pembeli maka individu tersebut dianggap tidak valid.
Namun bila individu tersebut valid kemudian dihitung nilai fitness-nya. Proses berlanjut
ke seleksi populasi, dari semua individu diurutkan berdasarkan nilai fitness terbaik lalu
dilakukan penghapusan individu yang nilai fitness-nya terendah. Proses berhenti sampai
di iterasi maksimal (sesuai dengan yang dimasukkan oleh user). Hasil akhirnya adalah
individu atau kromosom yang memiliki rute terbaik dengan biaya total pembelian
komputer dan ongkos perjalanan antar toko yang paling minimal.
3. ARTIFICIAL NEURAL NETWORK
Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya
mengadopsi dari kemampuan otak manusia yang mampu memberikan
stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari
variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia
dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak.
Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan
pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan
komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam
kajian ilmu pengetahuan.
Fungsi dari Neural Network diantaranya adalah:
Pengklasifikasian pola
Memetakan pola yang didapat dari input ke dalam pola baru pada output
Penyimpan pola yang akan dipanggil kembali
Memetakan pola-pola yang sejenis
Pengoptimasi permasalahan
Prediksi
Ini adalah contoh Sistem Pakar sederhana, yang bertujuan untuk mencari apa yang salah
sehingga mesin mobil pelanggan yang tidak mau hidup, dengan memberikan gejala-
gejala yang teramati. Anggap Sistem Pakar kita memiliki aturan-aturan berikut:
Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan Buatan)
yang focus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus
berulang kali di program oleh manusia.
Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training) sebelum
mengeluarkan output. Aplikasi sejenis ini juga biasanya berada dalam domain spesifik
alias tidak bisa diterapkan secara general untuk semua permasalahan.
Sebagai contoh: Aplikasi Pengenalan Gambar, Aplikasi Asisten pribadi seperti Siri,
Google dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik
lainnya.
Saya pribadi dan team dulu pernah mengembangkan Aplikasi/App yang menggunakan
Machine Learning untuk mengenali Makanan dan menampilkan informasi Gizi-nya
(protein, Carbs dll) yang kita namain Tuingle . App nya bisa kamu coba
Peran Data Dalam Machine Learning
Machine Learning bukan apa-apa tanpa data. Artinya semua aplikasi Machine Learning
membutuhkan Data sebagai bahan training dan untuk di analisa sehingga mampu
mengeluarkan Output.
Sebelum aplikasi machine learning bisa bekerja, maka ia membutuhkan Data untuk
"latihan" (training), hasil training itu nanti akan di Uji atau di test dengan data yang sama
atau bertolak belakang.
Misal Kita buat machine learning untuk mengenali Nasi Padang (Nasi Pada recognition
system), maka untuk training kita sediakan koleksi ratusan, ribuan bahkan jutaan gambar
nasi padang. setelah setelai, baru kita test hasil latihan itu dengan menginputkan nasi
padang (sejenis) dan kita juga test dengan memasukan foto object lain seperti Mobil,
Gunung, komputer dll.
6. AGENT BASED MODEL
Dalam penelitian operasi dan ilmu komputer , algoritma optimisasi koloni semut ( ACO
) adalah teknik probabilistik untuk memecahkan masalah komputasi yang dapat direduksi
untuk menemukan jalur yang baik melalui grafik . Semut tiruan berarti metode multi-
agen yang terinspirasi oleh perilaku semut sungguhan. Komunikasi semut biologis
berbasis feromon sering kali merupakan paradigma dominan yang digunakan. [2]
Kombinasi Semut Buatan dan algoritma pencarian lokal telah menjadi metode pilihan
untuk berbagai tugas optimisasi yang melibatkan beberapa jenis grafik , misalnya,
perutean kendaraan dan perutean internet. Aktivitas yang berkembang di bidang ini telah
menyebabkan konferensi yang didedikasikan semata-mata untuk Semut Buatan, dan
berbagai aplikasi komersial oleh perusahaan khusus seperti AntOptima .
Sebagai contoh, optimasi koloni semut [3] adalah kelas algoritma optimasi dimodelkan
pada tindakan koloni semut . 'Semut' buatan (mis. Agen simulasi) menemukan solusi
optimal dengan bergerak melalui ruang parameter yang mewakili semua solusi yang
mungkin. Semut yang sebenarnya meletakkan feromon yang saling mengarahkan sumber
daya sambil menjelajahi lingkungannya. 'Semut' yang disimulasikan juga merekam posisi
dan kualitas solusi mereka, sehingga dalam iterasi simulasi selanjutnya lebih banyak
semut menemukan solusi yang lebih baik. [4] Salah satu variasi dalam pendekatan ini
adalah algoritma lebah , yang lebih analog dengan pola pencarian lebah madu , serangga
sosial lainnya.
Algoritma ini adalah anggota dari keluarga algoritma semut koloni , dalam metode
kecerdasan segerombolan , dan merupakan beberapa optimasi metaheuristik . Awalnya
diusulkan oleh Marco Dorigo pada tahun 1992 dalam tesis PhD-nya, [5] [6] algoritma
pertama bertujuan untuk mencari jalur optimal dalam grafik, berdasarkan perilaku semut
yang mencari jalur antara koloni mereka dan sumber makanan. . Gagasan orisinilnya telah
terdiversifikasi untuk menyelesaikan kelas masalah numerik yang lebih luas, dan sebagai
hasilnya, beberapa masalah telah muncul, dengan memanfaatkan berbagai aspek perilaku
semut. Dari perspektif yang lebih luas, ACO melakukan pencarian berbasis model [7] dan
berbagi beberapa kesamaan dengan estimasi algoritma distribusi .