UAS Semester Genap 2012/2013 CSG3G3 (KECERDASAN MESIN DAN ARTIFICIAL)

Senin, 3 Juni 2013 – Senin, 10 Juni 2013 (1 minggu)

Tim Dosen: UNW, MDS, AGN
= Sifat ujian adalah Take Home, Open Book, Internet, and Electronic Devices =
= Dilarang keras bekerja sama dan diskusi dengan siapa pun, bahkan melalui internet =
Baca, perhatikan, dan lakukan dengan baik Peraturan Khusus yang diberikan!
Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF3403 A103
Salinlah pernyataan berikut: Tanda Tangan Mahasiswa:
Saya mengerjakan ujian ini dengan jujur dan mandiri. Jika saya
melakukan pelanggaran, maka saya bersedia menerima sanksi.
Saya mengerjakan ujian ini dengan jujur dan mandiri. Jika saya
melakukan pelanggaran, maka saya bersedia menerima sanksi.
......................................................

Perhatian !!! Peraturan Khusus Ujian Soft Computing !!!

 Anda harus menjawab SENDIRI semua pertanyaan di bawah ini secara jelas dan lengkap. DILARANG KERAS
untuk berkomunikasi, bekerjasama, dan meminta bantuan siapapun, melalui media apapun.
 Gunakan lembar jawaban yang tersedia mulai dari halaman terakhir dokumen ini. Tambahkan NIM dan
Nama Anda pada footnote agar dapat ditelusuri jika berkas Anda tercecer. Jawaban diketik komputer,
kemudian di-print dengan kualitas baik dan dapat dibaca.
 DILARANG memberikan ralat (menghapus atau menambahkan catatan dengan pena atau apapun) pada
jawaban hasil print-out. Adanya ralat menunjukkan bahwa Anda tidak yakin dengan jawaban Anda sendiri
dan terpengaruh oleh jawaban orang lain. Jawaban yang sepenuhnya ditulis tangan atau jawaban yang
terdapat ralat tidak akan dikoreksi (nilainya = 0).
 Anda diperbolehkan untuk mencari berbagai referensi ilmiah, baik melalui media internet maupun
berkunjung ke perpustakaan. Setiap pernyataan, gambar, tabel, atau tulisan apapun yang didasarkan pada
setiap referensi tersebut tidak boleh sama persis (kecuali untuk gambar dan tabel) dan diharuskan
mencantumkan sumber referensinya.
 Lembar pernyataan harus ditandatangani oleh setiap mahasiswa yang bersangkutan. Jawaban yang tidak
ditandatangani tidak akan dikoreksi (nilainya = 0).
 Lembar Soal dan Jawaban hasil print-out yang sudah ditandatangani dikumpulkan di Admin Gedung E
lantai 1 pada Senin, 10 Juni 2013 jam 09.00 – 12.00 WIB, pengumpulan sebelum atau sesudah jam tersebut
tidak dilayani. Sedangkan softcopy-nya dikirimkan melalui email dengan ketentuan:
o Alamat: untarimail@gmail.com (dosen UNW) atau mahmuddwis@gmail.com (dosen MDS) atau
agus235032@yahoo.com (dosen AGN)
o Subjek: UTS KMA NIM. Contoh: UTS KMA 11310xxxx
o Nama File: UTS KMA NIM.docx. Contoh: UTS KMA 11310xxxx.docx
o Dikirimkan di hari Senin, 10 Juni 2013 paling lambat jam 12.00 WIB
 Mahasiswa yang berhalangan (karena sakit atau hal lain), pengumpulan jawaban boleh diwakilkan ke orang
lain. Tidak ada toleransi atas keterlambatan.

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 1 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

1. Perhatikan kasus dunia balok berikut ini.

Initial Goal
C
ON(A,C)  ON(C,B) 
ONTABLE(B)  A B ON(B,A) 
ONTABLE(C)  ONTABLE(A) 
ARMEMPTY B C A ARMEMPTY

Bagaimana teknik planning dengan metode Goal Stack Planning (GSP) dapat mengubah kondisi
Initial menjadi kondisi Goal? Lakukan penelusuran GSP sampai dihasilkan solusi yang optimal
[maksimal 20]!

2. Tabel berikut ini mengilustrasikan keputusan tentang diterimanya seseorang pada suatu sekolah
tertentu. Setiap komponen nilai berada pada interval [0, 30]. Panitia ujian ingin mendapatkan suatu
pernyataan yang dapat mewakili seseorang bisa diterima atau tidak. Panitia hanya memiliki
padanan konversi nilai yaitu [RENDAH, SEDANG, TINGGI]. Padanan tersebut mewakili rentang
nilai tertentu, yaitu RENDAH [0,10), SEDANG [10,20), dan tinggi [20,30]. Selanjutnya, hasil
konversi tersebut Panitia gunakan untuk membangun aturan penentuan kelulusan. Bantulah Panitia
ujian tersebut dengan melakukan penelusuran ID3 untuk menghasilkan pohon keputusan dan
aturan penentuan keputusan (Tree dan Rules-nya) [maksimal 30]!
Penting: tunjukkan perhitungan dari setiap langkah ID3 sebagai bukti bahwa anda
menguasai konsep ID3 secara baik.

N NAMA NILAI 1 NILAI 2 NILAI 3 NILAI 4 KEPUTUSAN

O
1 ADELIA PERMATA P. 13,5 15 16,5 16 Tidak
2 AKBAR MAULANA 15 12 12 22 Tidak
3 ALDIANTO SUBARKAH 19,5 18,5 18,5 23,5 Tidak
4 ANGGIA SILVIA DISYANTI 18,5 23 23 24,5 Diterima
5 AUFA LUTHFIANI A 24 24,5 24,5 24,5 Diterima
6 AZHAR M. ANSHOR 17,5 18 21 23 Diterima
7 CAESARIO AGUSTIANDI 19,5 22 22 22,5 Diterima
8 DEDEN SAPUTRA 19 21 21 23,5 Diterima
9 DELIA NURKUSUMAWATI 19,5 20,5 22 24 Diterima
10 DIFA BAGAS PUTRA M. 23,5 24 24 26 Tidak

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 2 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

3. Diberikan data harga emas dunia per hari pada tahun 2010 (data lengkapnya dapat dilihat di file
Excel yang terlampir: “data.xlsx”). Data tersebut terdiri dari kolom hari dan kolom harga dalam
satuan US Dollar sebagai berikut [maksimal 50].
Date Gold Price
1/5/2010 $1,123.25
1/6/2010 $1,130.00
1/7/2010 $1,130.25
1/8/2010 $1,126.75
1/11/2010 $1,153.00
…… ……

Sebuah lembaga perekonomian suatu negara bermaksud memanfaatkan data tersebut untuk
membangun sebuah sistem yang dapat memprediksi harga emas dunia di waktu yang akan datang.
Hal tersebut dilakukan untuk dapat menentukan kebijakan strategis dalam rangka menjaga
kestabilan perekonomian negaranya. Harga emas di hari-hari selanjutnya diharapkan dapat
diprediksi dengan melihat tren atau histori harga emas di hari-hari sebelumnya melalui data harga
emas yang diberikan tersebut. Anda dalam hal ini berperan sebagai seorang programmer yang akan
membangun sistem tersebut. Anda hanya diberikan waktu maksimal 7 hari untuk membangun
sistem yang dimaksud dan melaporkan rancangan sistem Anda serta hasilnya, dengan menjawab
beberapa pertanyaan berikut.
a. Bangunlah sistem prediksi berbasis data time series menggunakan Jaringan Syaraf Tiruan.
Tentukan rancangan sistem Anda meliputi layer input, hidden, dan output-nya, termasuk
penggunaan bias jika diperlukan!
b. Jelaskan proses yang Anda lakukan dari data yang disediakan hingga data yang siap menjadi
input sesuai dengan rancangan JST Anda, termasuk dari output JST hingga hasil prediksi yang
diperoleh!
c. Bagaimana hasil rancangan input dan output pada sistem Anda? Tunjukkan dengan matriks pola
input dan target untuk sistem Anda!
d. Lakukan perhitungan pada proses belajar menggunakan algoritma Propagasi Balik untuk JST
yang Anda buat! Lakukanlah minimal untuk iterasi pertama, sebagai bukti bahwa Anda
menguasai konsep algoritma pembelajaran Propagasi Balik.
e. Dengan panduan coding JST yang diberikan (Anda bebas memilih antara “Code BP 1” dan
“Code BP 2”), implementasikan rancangan Anda! Untuk training, gunakan data pada sheet
“training”, lalu berikan hasil prediksi Anda untuk data testing yang diberikan pada sheet
“testing”!

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 3 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

LEMBAR JAWABAN UTS

CSG3G3 (KECERDASAN MESIN DAN ARTIFICIAL)

Nama : Galih Arisona

NIM : 113101121
Pernyataan : Semua jawaban SAYA KERJAKAN SENDIRI tanpa bekerjasama maupun meminta
bantuan siapapun. Saya bersedia diberi nilai E jika pernyataan tersebut terbukti salah.
Tanda Tangan :

1.
Tabel Precondition-Add-Delete (PAD) untuk penyelesaian kasus ini :

STACK (A,B) P : HOLDING (A)  CLEAR (B)

A : ON (A,B)  ARMEMPTY
D : HOLDING (A)  CLEAR (B)
UNSTACK (A,B) P : ON (A,B)  CLEAR (A)  ARMEMPTY
A : HOLDING (A)  CLEAR (B)
D : ON (A,B)  ARMEMPTY
PICKUP (A) P : ONTABLE (A)  CLEAR (A)  ARMEMPTY
A : HOLDING (A)
D : ONTABLE (A)  ARMEMPTY
PUTDOWN (A) P : HOLDING (A)
A : ONTABLE (A)  ARMEMPTY
D : HOLDING (A)

Langkah 0
Pada langkah ini stack awal merupakan goal state dan current state adalah initial state.

Stack Queue Current State

ON (C,B)  ON (B,A)  ONTABLE (A)  ON (A,C)  ONTABLE (B)  ONTABLE (C)
ARMEMPTY  ARMEMPTY

Langkah 1
Membandingkan stack dengan current state. Terdapat 3 state yang belum terpenuhi yaitu ON (B,A), ON (C,B),
dan ONTABLE (A).

Stack Queue Current State

ON (B,A) ON (A,C)  ONTABLE (B)  ONTABLE (C)
ON (C,B)  ARMEMPTY
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 2

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 4 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

State paling atas pada current state yang tidak terpenuhi adalah ON (B,A) sehingga diperlukan operator
UNSTACK (A,C) untuk memenuhi kondisi tersebut.

Stack Queue Current State

ON (A,C) ON (A,C)  ONTABLE (B)  ONTABLE (C)
CLEAR(A)  ARMEMPTY
ARMEMPTY
ON (A,C)  CLEAR (A)  ARMEMPTY
UNSTACK (A,C)
ON (B,A)
ON (C,B)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 3
Saat ini state yang paling atas adalah ON (A,C) dan sudah terpenuhi maka dapat di
pop dan tidak perlu melakukan apapun, begitu juga state selanjutnya hingga
UNSTACK (A,C). UNSTACK (A,C) dimasukkan ke dalam queue sehingga current state
harus diubah berdasarkan tabel PAD.

Stack Queue Current State

ON (B,A) UNSTACK (A,C) ONTABLE (B)  ONTABLE (C) 
ON (C,B) HOLDING (A)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

State ON (B,A) belum terpenuhi karena balok A masih berada pada lengan robot
sehingga perlu dilakukan PUTDOWN (A).

Stack Queue Current State

HOLDING (A) UNSTACK (A,C) ONTABLE (B)  ONTABLE (C) 
PUTDOWN (A) HOLDING (A)
ON (B,A)
ON (C,B)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 4
Karena state PUTDOWN (A) sudah terpenuhi maka dapat di pop dan tidak perlu melakukan apapun. Sehingga
isi stack paling atas adalah PUTDOWN (A) dank arena merupakan operator maka pop dan dimasukkan ke
dalam queue sehingga current state harus diubah berdasarkan tabel PAD.

Stack Queue Current State

ON (B,A) UNSTACK (A,C) ONTABLE (B)  ONTABLE (C) 
ON (C,B) PUTDOWN (A) ONTABLE (A)  ARMEMPTY
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Cek kembali isi stack. State ON (B,A) belum terpenuhi pada current state maka dibutuhkan push operator
PICKUP (B) untuk memenuhi kondisi tersebut.

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 5 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Stack Queue Current State

ONTABLE(B) UNSTACK (A,C) ONTABLE (B)  ONTABLE (C) 
CLEAR(B) PUTDOWN (A) ONTABLE (A)  ARMEMPTY
ARMEMPTY
ONTABLE  CLEAR (B)  ARMEMPTY
PICKUP(B)
ON (B,A)
ON (C,B)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 5
Saat ini state yang paling atas adalah ONTABLE (B) dan sudah terpenuhi maka
dapat di pop dan tidak perlu melakukan apapun, begitu juga state selanjutnya
hingga PICKUP (B). PICKUP (B) dimasukkan ke dalam queue sehingga current state
harus diubah berdasarkan tabel PAD.

Stack Queue Current State

ON (B,A) UNSTACK (A,C) ONTABLE (C)  ONTABLE (A) 
ON (C,B) PUTDOWN (A) HOLDING (B)
ONTABLE (A) PICKUP (B)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

State ON (B,A) belum terpenuhi karena balok B masih berada pada lengan robot
sehingga perlu dilakukan STACK (B,A).

Stack Queue Current State

HOLDING (B) UNSTACK (A,C) ONTABLE (C)  ONTABLE (A) 
CLEAR (A) PUTDOWN (A) HOLDING (B)
HOLDING (B)  CLEAR (A) PICKUP (B)
STACK(B,A)
ON (C,B)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 6
Saat ini state yang paling atas adalah HOLDING (B) dan sudah terpenuhi maka dapat di pop dan tidak perlu
melakukan apapun, begitu juga state selanjutnya hingga STACK (B,A). STACK (B,A) dimasukkan ke dalam queue
sehingga current state harus diubah berdasarkan tabel PAD.

Stack Queue Current State

ON (C,B) UNSTACK (A,C) ONTABLE (C)  ONTABLE (A)  ON(B,A)
ONTABLE (A) PUTDOWN (A)  ARMEMPTY
ON (C,B)  ON (B,A)  ONTABLE (A)  PICKUP (B)
ARMEMPTY STACK(B,A)

Cek kembali isi stack. State ON (C,B) belum terpenuhi pada current state maka dibutuhkan push operator
PICKUP (C) untuk memenuhi kondisi tersebut.

Stack Queue Current State

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 6 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

ONTABLE(C) UNSTACK (A,C) ONTABLE (C)  ONTABLE (A)  ON(B,A)

CLEAR(C) PUTDOWN (A)  ARMEMPTY
ARMEMPTY PICKUP (B)
ONTABLE  CLEAR (C)  ARMEMPTY STACK(B,A)
PICKUP (C)
ON (C,B)
ONTABLE (A)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 7
Saat ini state yang paling atas adalah ONTABLE (C) dan sudah terpenuhi maka dapat di
pop dan tidak perlu melakukan apapun, begitu juga state selanjutnya hingga PICKUP
(C). PICKUP (C) dimasukkan ke dalam queue sehingga current state harus diubah
berdasarkan tabel PAD.

Stack Queue Current State

ON (C,B) UNSTACK (A,C) ONTABLE (A)  ON(B,A)  HOLDING (C)
ONTABLE (A) PUTDOWN (A)
ON (C,B)  ON (B,A)  ONTABLE (A)  PICKUP (B)
ARMEMPTY STACK(B,A)
PICKUP (C)

State ON (C,B) belum terpenuhi karena balok C masih berada pada lengan robot
sehingga perlu dilakukan STACK (C,B).

Stack Queue Current State

HOLDING (C) UNSTACK (A,C) ONTABLE (A)  ON(B,A)  HOLDING (C)
CLEAR (B) PUTDOWN (A)
HOLDING (C)  CLEAR (B) PICKUP (B)
STACK(C,B) STACK(B,A)
ONTABLE (A) PICKUP (C)
ON (C,B)  ON (B,A)  ONTABLE (A) 
ARMEMPTY

Langkah 8
Saat ini state yang paling atas adalah HOLDING (C) dan sudah terpenuhi maka dapat di pop dan tidak perlu
melakukan apapun, begitu juga state selanjutnya hingga STACK (C,B). STACK (C,B) dimasukkan ke dalam queue
sehingga current state harus diubah berdasarkan tabel PAD.

Stack Queue Current State

ONTABLE (A) UNSTACK (A,C) ONTABLE (A)  ON(B,A)  ON (C,B) 
ON (C,B)  ON (B,A)  ONTABLE (A)  PUTDOWN (A) ARMEMPTY
ARMEMPTY PICKUP (B)
STACK(B,A)
PICKUP (C)
STACK(C,B)

Cek kembali isi stack. State ONTABLE (A) sudah terpenuhi pada current state maka dapat di pop dan tidak
perlu melakukan apapun. Lalu karena ON(C,B)  ON(B,A)  ONTABLE(A)  ARMEMPTY adalah isi stack paling
dasar dan kondisi tersebut sudah sama dengan current state, berarti proses GSP sudah selesai.

Queue (Hasil Solusi)

UNSTACK (A,C)
PUTDOWN (A)

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 7 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

PICKUP (B)
STACK(B,A)
PICKUP (C)
STACK(C,B)

2.

Dari atribut keputusan diketahui terdapat 6 Diterima, dan 4 Tidak, sehingga Sample(S)=[6+,4-]

Values Nilai 1
S = [6+,4-] |S| = 10, Entropy (S) = 0,971
STinggi = [1+,1-], |STinggi| = 2, Entropy (STinggi) = 1
SSedang = [5+,3-], |SSedang| = 8, Entropy (SSedang) = 0,954

Gain(S, Nilai 1) = Entropy(S) – (2/10) Entropy (STinggi) – (8/10) Entropy (SSedang)

= 0,0078

Values Nilai 2
S = [6+,4-] |S| = 10, Entropy (S) = 0,971
STinggi = [5+,1-], |STinggi| = 6, Entropy (STinggi) = 0,650
SSedang = [1+,3-], |SSedang| = 4, Entropy (SSedang) = 0,811

Gain(S, Nilai 2) = Entropy(S) – (6/10) Entropy (STinggi) – (4/10) Entropy (SSedang)

= 0,2566

Values Nilai 3 = Sedang, Tinggi

S = [6+,4-] |S| = 10, Entropy (S) = 0,971
STinggi = [6+,1-], |STinggi| = 7, Entropy (STinggi) = 0,592
SSedang = [0+,3-], |SSedang| = 3, Entropy (SSedang) = 0

Gain(S, Nilai 3) = Entropy(S) – (7/10) Entropy (STinggi) – (3/10) Entropy (SSedang)

= 0,5566

Values Nilai 4
S = [6+,4-] |S| = 10, Entropy (S) = 0,971
STinggi = [6+,3-], |STinggi| = 9, Entropy (STinggi) = 0,918
SSedang = [0+,1-], |SSedang| = 1, Entropy (SSedang) = 0,

Gain(S, Nilai 4) = Entropy(S) – (9/10) Entropy (STinggi) – (1/10) Entropy (SSedang)

= 0,1448

Langkah 1
Nilai 3 memiliki gain tertinggi sehingga Nilai 3 menjadi root. SampleSedang=[0+,3-] maka tree nya :

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 8 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Langkah 2
Sample Tinggi =[6+,1-], Dari kumpulan Atribut Nilai 1, Nilai 2, Nilai 4 dicari kembali Gain nya untuk menjadi
root selanjutnya.

Values Nilai 1
S = STinggi = [6+,1-] |S| = 7, Entropy (S) = 0,592
STinggi = [1+,1-], |STinggi| = 2, Entropy (STinggi) = 1
SSedang = [5+,0-], |SSedang| = 5, Entropy (SSedang) = 0

Gain(S, Nilai 1) = Entropy(S) – (2/7) Entropy (STinggi) – (5/7) Entropy (SSedang) – (0/7) Entropy (SRendah)
= 0,306

Values Nilai 2
S = STinggi = [6+,1-] |S| = 7, Entropy (S) = 0,592
STinggi = [5+,1-], |STinggi| = 6, Entropy (STinggi) = 0,650
SSedang = [1+,0-], |SSedang| = 1, Entropy (SSedang) = 0

Gain(S, Nilai 2) = Entropy(S) – (6/7) Entropy (STinggi) – (1/7) Entropy (SSedang) – (0/7) Entropy (SRendah)
= 0,0348

Values Nilai 4
S = STinggi = [6+,1-] |S| = 7, Entropy (S) = 0,592
STinggi = [6+,1-], |STinggi| = 7, Entropy (STinggi) = 0,592
SSedang = [0+,0-], |SSedang| = 0, Entropy (SSedang) = 0

Gain(S, Nilai 4) = Entropy(S) – (7/7) Entropy (STinggi) – (0/7) Entropy (SSedang)

=0

Nilai 1 memiliki nilai gain yang paling tinggi, sehingga Nilai 1 yang akan menjadi root selanjutnya.
Sample Sedang=[5+,0-] maka Tree nya :

Langkah 3
Sample Tinggi =[1+,1-], maka atribut Nilai 2 dan Nilai 4} akan dicari nilai Gain nya untuk menjadi root
selanjutnya

Values Nilai 2
S = STinggi = [1+,1-] |S| = 2, Entropy (S) = 1
STinggi = [1+,1-], |STinggi| = 2, Entropy (STinggi) = 0
SSedang = [0+,0-], |SSedang| = 0, Entropy (SSedang) = 0

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 9 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Gain(S, Nilai 2) = Entropy(S) – (2/2) Entropy (STinggi) – (0/2) Entropy (SSedang)

=0

Values Nilai 4
S = STinggi = [1+,1-] |S| = 2, Entropy (S) = 1
STinggi = [1+,1-], |STinggi| = 2, Entropy (STinggi) = 1
SSedang = [0+,0-], |SSedang| = 0, Entropy (SSedang) = 0

Gain(S, Nilai 4) = Entropy(S) – (2/2) Entropy (STinggi) – (0/2) Entropy (SSedang)

=0

Gain dari Nilai 2 dan Nilai 4 bernilai sama, maka kita dapat bebas menentukan mana yg akan menjadi root
selanjutnya , diperoleh tree nya.

Langkah 4
Untuk Nilai 4 Sample Tinggi=[1+,1-] maka atribut
selanjutnya adalah Nilai 2

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 10 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Aturan Penentuan Keputusan :

N NAMA NILAI 1 NILAI 2 NILAI 3 NILAI 4 KEPUTUSAN

O
1 ADELIA PERMATA P. Sedang Sedang Sedang Sedang Tidak
2 AKBAR MAULANA Sedang Sedang Sedang Tinggi Tidak
3 ALDIANTO SUBARKAH Sedang Sedang Sedang Tinggi Tidak
4 ANGGIA SILVIA DISYANTI Sedang Tinggi Tinggi Tinggi Diterima
5 AUFA LUTHFIANI A Tinggi Tinggi Tinggi Tinggi Diterima
6 AZHAR M. ANSHOR Sedang Sedang Tinggi Tinggi Diterima
7 CAESARIO AGUSTIANDI Sedang Tinggi Tinggi Tinggi Diterima
8 DEDEN SAPUTRA Sedang Tinggi Tinggi Tinggi Diterima
9 DELIA NURKUSUMAWATI Sedang Tinggi Tinggi Tinggi Diterima
10 DIFA BAGAS PUTRA M. Tinggi Tinggi Tinggi Tinggi Tidak

(Nilai 3 = ‘Sedang’) ¿ ((Nilai 3 = ’Tinggi’) ¿ (Nilai 1 = ‘Tinggi’) ¿ ( Nilai 2 = ’Tinggi’) ¿ (Nilai 4 =

‘Tinggi’))
=> KEPUTUSAN = ‘TIDAK’

((Nilai 3 = ’Tinggi’) ¿ (Nilai 1 = ‘Sedang’)) ¿ ((Nilai 3 = ’Tinggi’) ¿ (Nilai 1 = ‘Tinggi’) ¿ ( Nilai 2

= ’Tinggi’) ¿ (Nilai 4 = ‘Tinggi’)) => KEPUTUSAN = ‘DITERIMA’

Dari rule tersebut dapat disimpulkan bahwa akurasi datanya kurang karena terdapat data yang ambigu yaitu
data ke 10. Asumsinya data ke 10 salah atau dengan kata lain dapat dihapus.

3.
Jaringan Syaraf Tiruan
a. Sistem prediksi yang digunakan menerapkan Jaringan Saraf Tiruan. Sistem ini terdiri dari tiga layer yaitu:
 Layer input yang berfungsi untuk menerima data inputan. Pada system ini akan diprediksi
harga emas 4 hari berikutnya, oleh karena itu digunakan 4 pola data inputan yang merupakan
data harga emas dari hari H sampai dengan H+3. Jumlah pola ini akan sesuai dengan jumlah
neuron pada layer input pada JST.

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 11 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

 Hidden Layer yang terletak diantara input dan output layer. Lapisan tersembunyi ini ditujukan
untuk mendapatkan hasil yang lebih baik. Jumlah neuron hidden layer pada penelitian ini
beberapa kali diganti nilainya untuk mendapatkan hasil terbaik, dan jumlah neuron hidden
layer yang akhirmya digunakan adalah 10 neuron
 Output layer berfungsi untuk mengeluarkan hasil prediksi. Sesuai dengan kasus ini untuk
memprediksi harga emas pada hari keempat (yaitu jumlahnya satu hari) maka jumlah neuron
pada output layer adalah satu buah.
Variabel Learning rate yang digunakan bernilai 0.5 dan maximum Epoch-nya sama dengan 1000, ini
ditujukan untuk mengatur lama pembelajaran agar tidak terlalu lama dan mendapatkan hasil yang lebih
akurat
b. Proses yang dilakukan pada data yang diberikan untuk data training atauupun testing:
 Membagi data kedalam sejumlah pola yang sudah ditentukan. Pada kasus ini menggunakan 4
pola dan 1 kolom sebagai target.
 Untuk memperkecil range data yang akan diproses, maka data yang berformat harga dalam
dollar dinormalisasi dan mempunyai range 0.1-0.8, dengan rumus sebagai berikut:
( data range asli ke−n ) −data min range asli
Data normalisasi ke−n=( x 0,8)+ 0,1
data max range asli−data min range asli

 Data hasil normalisasi diinput ke matlab (tools bantu yang digunakan) untuk dapat diproses
oleh system yang dirancang.
 Sistem menghasilkan data prediksi dalam range normalisasi, maka data tersebut kemudian
didenormalisasi untuk mendapatkan nilai dalam range yang asli kembali yaitu dalam bentuk
nilai dollar.
 Hasil prediksi kemudian dapat dibandingkan dengan nilai actual yang ada pada data.
c. Hasil rancangan input
 Training 1 2 3 4 5 Target
pola 1 1.121,50 1.123,25 1.130,00 1.130,25 1.126,75 1.153,00
pola 2 1.123,25 1.130,00 1.130,25 1.126,75 1.153,00 1.151,25
pola 3 1.130,00 1.130,25 1.126,75 1.153,00 1.151,25 1.127,25
pola 4 1.130,25 1.126,75 1.153,00 1.151,25 1.127,25 1.138,25
pola 5 1.126,75 1.153,00 1.151,25 1.127,25 1.138,25 1.128,00
normalisasi
pola 1 0,1 0,144444444 0,315873016 0,322222222 0,233333333 0,9
pola 2 0,144444444 0,315873016 0,322222222 0,233333333 0,9 0,855555556
pola 3 0,315873016 0,322222222 0,233333333 0,9 0,855555556 0,246031746
pola 4 0,322222222 0,233333333 0,9 0,855555556 0,246031746 0,525396825
pola 5 0,233333333 0,9 0,855555556 0,246031746 0,525396825 0,265079365
 Testing 1 2 3 4 5 Target
pola 1 $1.368,50 $1.349,00 $1.337,50 $1.350,25 $1.342,50 $1.356,50
pola 2 $1.349,00 $1.337,50 $1.350,25 $1.342,50 $1.356,50 $1.377,50
pola 3 $1.337,50 $1.350,25 $1.342,50 $1.356,50 $1.377,50 $1.372,50
pola 4 $1.350,25 $1.342,50 $1.356,50 $1.377,50 $1.372,50 $1.373,25
pola 5 $1.342,50 $1.356,50 $1.377,50 $1.372,50 $1.373,25 $1.355,00
normalisasi
pola 1 0,72 0,33 0,1 0,355 0,2 0,48
pola 2 0,33 0,1 0,355 0,2 0,48 0,9
pola 3 0,1 0,355 0,2 0,48 0,9 0,8
pola 4 0,355 0,2 0,48 0,9 0,8 0,815
pola 5 0,2 0,48 0,9 0,8 0,815 0,45
Hasil Rancangan Output

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 12 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Normalisasi Output 0.39598

Denormalisasi Output 1352.2988

d. Pada Weight (W1) dari layer input ke layer hidden, menggunakan nilai random yang mengenerate range
antara 0 sampai satu, lalu dikali 2 dan dikurang 1, begitu juga pada Weight (W2) dari layer hidden ke layer
output untuk memperoleh Weight dengan range -1 sampai 1. Pada Iterasi pertama dilakukan perhitungan
maju pada algoritmanya dengan mengenerate W1 ke H1,H2, dan H3, begitu pula pada W2, seperti gambar
ini :
Ket : W1-H1 = Weight menuju neuron 1 pada layer hidden

W1-H2 = Weight menuju neuron 2 pada layer hidden

W1-H3 = Weight menuju neuron 3 pada layer hidden
W2 = Weight dari neuron hidden menuju ke neuron pada layer output
CP = diambil kolom pertama pada data training
CT = target yang diinginkan pada kolom pertama

Pada perhitungan mundur, akan dicari delta2 dan delta1 untuk ditambahkan pada W1 dan W2 sebagai
bobot baru nantinya, iterasi ini dilakukan terus menerus sampai banyaknya data terpenuhi dikurangi 1
atau pada kasus diatas ialah 5 – 1, yaitu 4 kali perulangan, selanjutnya pembelajaran pada epoch yang
telah ditetapkan sebelumnya, pada kasus ini akan dilakukan maxEpochnya ialah sebanyak 1000,
selanjutnya akan didapatkan seperti tabel dibawah ini :

Ket : CP*W1-H1 = Perkalian matriks CP dengan W1-H1

CP*W1-H2 = Perkalian matriks CP dengan W1-H2
CP*W1-H3 = Perkalian matriks CP dengan W1-H3
A1-H1 ~ A1-H3 = fungsi aktivasi sigmoid dari perkalian matriks dengan
W1-H1, W1-H2 dan W1-H3
A2 = fungsi aktifasi sigmoid dari perkalian pada
A1-H1 ~ A1~H3 dengan W2
1-(A1-H1) ~ 1-(A1-H3) = pengurangan bilangan 1 dengan A1-H1 ~ A1-H3

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 13 dari 14
 Nama Mahasiswa: NIM: Kelas: Ruang: Nilai (Diisi Dosen):
Galih Arisona 113101121 IF -3403 A103

Selanjutnya akan dilakukan perhitungan error untuk MAE dan propagasi balik agar mendapatkan delta1
dan delta2

Ket : Error = pengurangan CT – A2

D2 = A2 * (1-A2) * Error
delta2 = learning rate * D2 * [A1-H1~A1-H3]
dw2 = merupakan matriks dari delta2
D1 = A1 * (1-A1) * D2 * matriksW2
delta1 = learning rate * D1 * CP(1)
dw1 = merupakan matriks dari delta1

Sehingga selanjutnya maka akan didapatkan bobot barunya yang akan dipakai pada iterasi kedua, dan
selanjutnya bobotnya akan berubah sesuai bobot baru yang dihasilkan oleh iterasi sebelumnya.

Ket :W1-H1 new = W1-H1 + dw1

W1-H3 new = W1-H2 + dw1
W1-H2 new = W1-H3 + dw1
W2 new = W2 + dw2
e. Menggunakan coding BP 1, dengan data data tersebut didapatkan prediksi harga emas berikutnya ialah
1352.2988

UTS Kecerdasam Mesin dan Artificial IF – 113101121 – Galih Arisona Halaman 14 dari 14