Perbaikan UTS

• Telah ada tugas, merangkum paper, tujuan:

memperbaiki hasil UTS
• Apakah tugas tsb telah dikerjakan dengan baik?
• Contoh yang SALAH:
– Paper tidak terkait / berbasis WEB
– Tidak ada unsur kecerdasan buatan
– Paper terbit sebelum 2008
• Silakan diperbaiki (bagi yang merasa salah) dan
dikumpulkan, terakhir 04 Desember 2013.
 Tugas Baru, Perbaikan UAS
• Mirip dengan tugas sebelumnya, merangkum Paper yang
membahas tentang aplikasi web yang melibatkan konsep
kecerdasan buatan.
• Hanya paper yang terbit 2011 s.d 2013
• Dikumpulkan minggu terakhir kuliah, 18 Desember 2013.

• Kata kunci umum: Web Intelligent system

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

• Materi yang diujikan:

– Penalaran Fuzzy (Mamdani & Sugeno)
– Pembelajaran (pembelajaran mesin & jaringan
syaraf tiruan)
• Waktu 75 (?) menit, terbuka (?)
Contoh Soal Sistem Fuzzy

Husni
 Harus diingat!

• Tahapan kerja sistem Fuzzy: Fuzzification 

Inferensi  Defuzzification
• Fungsi Keanggotaan yang sering digunakan:
Trapesium, kemudian Segitiga
• Model Penalaran (inferensi) yang banyak
digunakan: Mamdani, kemudian Sugeno.
• Metode defuzzification yang sering digunakan:
Centroid dan Weighted Average.
Fungsi Keanggotaan
Trapesium & Segitig
 Contoh: Sprinkler Control System

• Sensor suhu menerima panas 37

• Sensor kelembaban menerima nilai 12%
• Berapa lama Durasi penyiraman harus
dilakukan oleh Sprinkler?
 1: Fuzzification

• Misal digunakan fungsi keanggotaan Trapesium

dengan lima variabel linguistik untuk Suhu Udara:
Dingin, Sejuk, Normal, Hangat dan Panas.
• Suhu 37 masuk dalam Hangat & Panas.
• Untuk Kelembaban, ada 3, juga trapesium:
Kering, Lembab dan Basah
• Kelembaban 12% masuk dalam Kering & Lembab
• Bagaimana menghitung derajat keanggotaan dari
suatu nilai Crisp?
 2: Inferensi (Penalaran)
• Berikut ini rangkuman aturan (rule) yang diberikan pakar
Sprinkler, ada kemungkinan output: Lama, Sedang, Singkat.

Dingin Sejuk Normal Hangat Panas

Kering Lama Lama Lama Lama Lama
Lembab Singkat Singkat Sedang Sedang Sedang
Basah Singkat Singkat Singkat Singkat Singkat

• Ada 15 rule. Misal:

– IF Suhu = Dingin AND Kelembaban = Kering
THEN Durasi = Lama
 Inferensi Mamdani

• Ada 4 input: Hangat (2/3), Panas (1/3), Kering

(4/5) dan Lembab (1/5)
• Aturan yang berlaku hanya 4:
– IF Suhu Hangat AND Kelembaban Kering
THEN Durasi Lama
– IF Suhu Hangat AND Kelembaban Lembab
THEN Durasi Sedang
– IF Suhu Panas AND Kelembaban Kering
THEN Durasi Lama
– IF Suhu Panas AND Kelembaban Lembab
THEN Durasi Sedang
 Inferensi Mamdani
– IF Suhu Hangat (2/3) AND Kelembaban Kering (4/5)
THEN Durasi Lama (2/3)
– IF Suhu Hangat (2/3) AND Kelembaban Lembab (1/5)
THEN Durasi Sedang (1/5)
– IF Suhu Panas (1/3) AND Kelembaban Kering (4/5)
THEN Durasi Lama (1/3)
– IF Suhu Panas (1/3) AND Kelembaban Lembab (1/5)
THEN Durasi Sedang (1/5)

• Karena 2 fakta disambung dengan AND, ambil nilai min-

nya. Jika dengan OR ambil max-nya.
• Jika ada 2 hasil berbeda derajat keanggotaan, ambil
nilai max-nya
 3: Defuzzification (Mamdani)

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

• Menggunakan fungsi keanggotaan Singleton. Derajat

keanggotaan 1 untuk nilai crisp tertentu dan 0 untuk
semua nilai crisp yang lain.
Output Model Sugeno
 3: Defuzzification (Sugeno)

• Jika digunakan metode Height, diperoleh hasil crisp

60 (nilai tertinggi)

• Jika digunakan Weighted Average, diperoleh:

y*=(1/5(40) + 2/3(60))/(1/5+2/3) = 55.38
Contoh: Seleksi Penerima Beasiswa

• Ada 100 beasiswa. Jumlah kandidat ada 5000.

• Penilaian diutamakan pada IPK dan
Penghasilan Orang Tua per bulan.
• Si A, IPK 3.00, Penghasilan Ortu 10 Jt per bulan
• Si B, IPK 2.99, Penghasilan Ortu 1 jt per bulan.
• Siapa yang lebih berhak menerima Beasiswa,
A atau B?
 1: Fuzzification

• Misal input IPK dibagi menjadi 3: Buruk (0 –

2.75), Cukup (2 – 3.25), Bagus (2.75 – 4)
 1: Fuzzification

• Misal input Penghasilan Ortu dibagi menjadi

4: Kecil, Sedang, Besar, Sangat besar.
 2: Inferensi

• Pakar memberikan aturan Nilai Kelayakan (NK)

penerima beasiswa berikut:
Kecil Sedang Besar Sangat Besar
Buruk Rendah Rendah Rendah Rendah
Cukup Tinggi Rendah Rendah Rendah
Bagus Tinggi Tinggi Rendah Rendah

• Hanya ada 2: Rendah dan Tinggi. Misal:

menggunakan fungsi Trapesium
 2: Inferensi

• Gunakan Tabel Aturan, Fungi Keanggotaan

Input dan Output untuk NK dari A dan B.
Semakin besar NK maka semakin layak
menerima beasiswa.
 3: Defuzzification

• ...