Teknologi Kecerdasan Artifisial

Kuliah Team Teaching Live Pekan 3

Fondasi
Kecerdasan
Artifisial
Team Teaching Aplikasi-IOT
Universitas Gunadarma @ 2021 :
1. Dr. Mohammad Iqbal
2. Dr. Nur Sultan Salahuddin
3. Dr. Raden Supriyanto
4. Dr. Sunny Arief
5. Dr. Lily Wulandari
6. Ike Putri Kusumawijaya, ST, MMSI
Agenda
01 STATE SPACE & SEARCHING
Konsep Agen Cerdas ,Ruang
Keadaan dan Teknik Pencarian

02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran

03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA

Konsep Ketidakpastian, Logika

Fuzzy
Konsep Intelligent Agent (Agen Cerdas)
Contoh Agen Cerdas : Taksi Otomatis
• Agen Cerdas Taksi Otomatis menerima penumpang dan
mengantarkannya ke tujuan
• Performance Measure : sampai tujuan, tidak melanggar aturan
lalu lintas, perjalanan nyaman, hemat bensin
• Environment : jalan, lalu lintas, pejalan kaki, cuaca
• Actuators : setir, gas, rem, klakson, speaker, display
• Sensors : sensor, video, speedometer, GPS
• Agent = Physical Architecture + Program F : P*  A
• Agent Function : Sebuah fungsi yang memetakan sekumpulan
input (percept sequence) terhadap tindakan yang dilakukan
(action)
 The vacuum-cleaner world

The vacuum-cleaner world

• Environment: square A and B

• Percepts: [location and content] e.g. [A, Dirty]
• Actions: left, right, suck, and no-op
The vacuum-cleaner world

Percept sequence Action

[A,Clean] Right
[A, Dirty] Suck
[B, Clean] Left
[B, Dirty] Suck
[A, Clean],[A, Clean] Right
[A, Clean],[A, Dirty] Suck
… …
Jenis-jenis Agent

Simple Reflex Agents

Model-based reflex agents

Goal-based agents

Utility-based agents

Learning agents
Simple Reflex Agent
Bertindak berdasarkan percept/ input
sensor terakhir saja.
Model-based reflex agents
Merekam histori kondisi lingkungan, tindakan yang
diambil oleh agen serta dampak dari tindakan
tersebut.
Rekaman histori kondisi lingkungan tersebut disebut
model
Goal-based agents
Memiliki informasi mengenai tujuan, memilih
tindakan yang mencapai tujuan
Utility-based agents
Agen melakukan perhitungan terhadap kinerja/kualitas
tindakan yang diambil untuk mencapai tujuan
Learning agents
• Belajar dari pengalaman, bisa meningkatkan
kinerja agen
 Masalah dalam Kecerdasan Buatan

Dapat dikonversi ke dalam Ruang Keadaan

(Ruang Masalah)

Mempunyai Keadaan Awal (initial state)

Keadaan Tujuan (Goal State)

Dapat dibuat aturan-aturan mengubah suatu

keadaan (state) ke keadaan (state) lainnya.
Definisikan Masalah
Ruang
keadaan Keadaan
(state space) akhir /
: suatu ruang tujuan
yang berisi (goal) :
semua keadaan
keadaan diakhirinya
yang sebuah
mungkin pencarian

Keadaan Kumpulan aturan

awal (initial (rules) : aturan
state) : yang dapat
keadaan digunakan untuk
dimulainya mengubah suatu
sebuah keadaan (state) ke
pencarian keadaan (state)
Contoh Masalah : Ember A dan B

Contoh Kasus Ember Air:

Ada 2 ember masing-masing berkapasitas 4 liter (Ember A) dan 3
liter (Ember B).
Ada pompa air yang digunakan untuk mengisi air pada ember
tersebut.
Bagaimana dapat mengisi tepat 2 liter air ke dalam ember
berkapasitas 4 liter?
CONTOH DESKRIPSI MASALAH
(permasalahan ember A dan B)
• Identifikasi masalah untuk masalah ember:
1. Identifikasi ruang keadaan:
 x = Jumlah air yang diisi ke ember A (ember 4 ltr)
 y = Jumlah air yang diisi ke ember B (ember 3 ltr)
 Ruang keadaan = (x,y) sedemikian sehingga
x є {0,1,2,3,4} dan y є {0,1,2,3}

2. Keadaan awal & tujuan

Keadaan awal: kedua ember kosong = (0,0)
Tujuan: ember kapasitas 4 liter diisi 2 liter air =
(2,n) dengan sembarang n
RUANG KEADAAN (STATE SPACE)
(permasalahan ember A dan B)
3. Ruang keadaan ember dapat digambarkan
sebagai berikut:
SEKUMPULAN ATURAN (PRODUCTION RULES)
(permasalahan ember A dan B)
4. Aturan-aturan untuk permasalahan ember:
Aturan Jika Maka
ke-
1. (x, y) (4,y)
x<4 Isi ember A sampai penuh
2. (x, y) (x,3)
y<3 Isi ember B sampai penuh
3. (x, y) (x-d, y)
x>0 Tuangkan sebagian air keluar ember A
4. (x, y) (x, y-d)
y>0 Tuangkan sebagian air keluar ember B
5. (x, y) (0, y)
x>0 Kosongkan ember A dengan membuang airnya ke tanah
SEKUMPULAN ATURAN (PRODUCTION RULES)
(permasalahan ember A dan B)
6. (x ,y) (x, 0)
y>0 Kosongkan ember B dengan membuang airnya ke tanah
7. (x, y) (4, y-(4-x))
x+y ≥ 4 dan y >0 Tuangkan air dari ember B ke ember A sampai ember A penuh

8. (x,y) (x-(3-y),3)
x+y ≥ 3 dan x > 0 Tuangkan air dari ember A ke ember B sampai ember B penuh

9. (x,y) (x+y, 0)
x+y ≤ 4 dan y > 0 Tuangkan seluruh air dari ember B ke ember A
10. (x,y) (0, x+y)
x+y ≤ 3 dan x > 0 Tuangkan seluruh air dari ember A ke ember B
11. (0,2) (2,0)
Tuangkan 2 liter air dari ember B ke ember A.
12. (2,y) (0,y)
Kosongkan 2 liter air dari ember A dengan membuang airnya ke
tanah
HASIL PENERAPAN ATURAN (RULES)
(permasalahan ember A dan B)
Solusi 1 Solusi 2
Representasikan Ruang Keadaan
Pohon Pelacakan

• Struktur pohon
digunakan untuk
menggambarkan
keadaan hirarki
• Node yang terletak
pada level-0 disebut
‘akar’
• Node yang tidak
memiliki anak disebut ‘’
menunjukkan akhir dari
suatu pencarian,
daundapat berupa
tujuan (goal) atau jalan
buntu (dead end)
Pohon Pelacakan
(permasalahan ember A dan B)
• Representasi ruang keadaan dengan pohon pelacakan pada
masalah ember adalah sebagai berikut:
Pohon Pelacakan dalam Ruang Keadaan
(permasalahan ember A dan B)
Blind Searching (Pencarian Buta)
/ Uninformed Search

Uniform Cost Search (UCS)

Depth Limited Search (DLS)

Iterative Deeping Depth First Search (IDDFS)

Bidirectional Search (BS)

Breadth-First Search (BFS)
- Dimulai dari Level 0
yaitu simpul akar A
(root node A) menuju ke
Tujuan (Goal) adalah
simpul K
-Menggunakan prinsip
First In First Out
(FIFO)
-Menggunakan Prinsip
Queue / Antrian
Breadth-First Search (BFS)
• Pencarian dilakukan pada semua simpul dalam
setiap level secara berurutan dari kiri ke kanan
• Jika pada suatu level belum ditemukan solusi
(tujuan yang dicari) maka pencarian dilanjutkan
pada level berikutnya (n+1)
• Contoh
Root : A
Goal : D
Tahap Breadth-First Search (BFS)

1 2

3 4
Depth-First Search (DFS)
-Dimulai dari Level 0
yaitu simpul akar A
(root node A) dan
Tujuan (Goal) adalah
simpul J
-Menggunakan
prinsip Last In First
Out (LIFO)
-Menggunakan
Prinsip Stack /
Tumpukan
Depth-First Search (DFS)
• Pencarian dilakukan pada suatu simpul dalam
setiap level dari yang paling kiri.
• Jika pada level yang terdalam, solusi belum
ditemukan, maka pencarian dilanjutkan pada
simpul sebelah kanan dan simpul yang kiri dapat
dihapus dari memori.
• Jika pada level yang paling dalam tidak
ditemukan solusi, maka pencarian dilanjutkan
pada level sebelumnya.
Depth-First Search (DFS)

• Contoh :
• Root : A
• Goal : M
Tahap Depth-First Search (DFS)
1 2

3 4
Tahap Depth-First Search (DFS)
5 6

7 8
Tahap Depth-First Search (DFS)
9 10

11 12
Heuristic Searching (Pencarian Heuristik)
• Menggunakan suatu fungsi yang menghitung biaya perkiraan /
estimasi dari suatu simpul tertentu menuju ke simpul tujuan
(disebut fungsi heuristik)
• Kelemahan blind search :
– Waktu akses lama
– Memori yang dibutuhkan besar
– Ruang masalah besar – tidak cocok – karena keterbasan kecepatan
komputer dan memori
• Solusi - Pencarian heuristik
• Pencarian heuristik – menggunakan suatu fungsi yang
menghitung biaya perkiraan / estimasi dari suatu simpul tertentu
menuju ke simpul tujuan (disebut fungsi heuristik)
Pencarian Heuristik

Generate Hill Best First

and Test Climbing Search

Alpha Beta Simulated

Min-Max
Prunning Annealing

Local Local
Search Beam
Algorithms Search
Best First Search
• Kombinasi dari metode DFS dan BFS
• Pada best first search, pencarian diperbolehkan
mengunjungi node di lebih rendah, jika ternyata
node di level lebih tinggi memiliki nilai heuristik
lebih buruk.
• Penentuan node berikutnya adalah node yang
terbaik yang pernah dibangkitkan
• Terdapat 2 jenis algoritma :
• Greedy Best First Search
• biaya perkiraan f(n) = h(n)
• A*
• f’(n) = g(n) + h’(n)
A* -> Best First Search

• Fungsi Heuristik yang digunakan merupakan

prakiraan (estimasi) cost dari initial state ke goal
state, yang dinyatakan dengan :
f’(n) = g(n) + h’(n)
dimana :
f’ = Fungsi evaluasi
g = cost dari initial state ke current state
h’ = perkiraan cost dari current state ke goal
state
Contoh
Greedy Best-First Search untuk
Arad ke Bucharest
(3)

(4)
A* Search untuk Arad ke Bucharest

(1)

(2)

(3)
A* Search untuk Arad ke Bucharest
(4)

(5)
A* Search untuk Arad ke Bucharest
(6)
Agenda
01 STATE SPACE & SEARCHING
Konsep Agen Cerdas ,Ruang
Keadaan dan Teknik Pencarian

02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran

03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA

Konsep Ketidakpastian, Logika

Fuzzy
Pengetahuan
Fakta atau kondisi sesuatu atau keadaan yang timbul karena suatu
pengalaman.
• Hirarki Pengetahuan

Meta knowledge : knowledge dan

keahlian
Knowledge : Informasi yang telah
diproses
Informasi : Data yang telah
diproses
Data : Hal yang paling potensial,
berasal dari fakta/obyek/kejadian
Noise : Data yang masih kabur
Klasifikasi Representasi Pengetahuan [Mylopoulos
dan Levesque]
• Representasi Logika : Menggunakan ekspresi-
ekspresi logika formal untuk merepresentasikan
basis pengetahuan
• Representasi Prosedural: Menggambarkan
pengetahuan sebagai kumpulan instruksi
• Representasi Network (Jaringan) : Menangkap
pengetahuan sebagai sebuah graf, dimana node-
nodenya menggambarkan objek atau konsep dalam
problem yang dihadapi
• Representasi Terstruktur : Representasi
terstruktur memperluas jaringan. Contoh dari
representasi ini adalah Script, Frame dan Object
Karakter Model Representasi Pengetahuan

• Harus bisa diprogram dengan bahasa

pemrograman atau dengan shells dan hasilnya
disimpan dalam memori
• Dirancang sedemikian sehingga isinya dapat
digunakan untuk proses penalaran
• Model representasi pengetahuan merupakan
sebuah struktur data yang dapat dimanipulasi oleh
mesin inferensi dan pencarian untuk aktivitas
pencocokan pola
• Menangkap sifat-sifat penting problema
• Membuat informasi itu dapat diakses oleh
prosedur pemecahan problema/masalah
 REPRESENTASI LOGIKA
• Representasi logika terdiri dari dua jenis yaitu
Kalkulus proposisional (Propositional logic) dan
Kalkulus predikatif (Predicate logic).
 LOGIKA PROPOSISI (PROPOSITIONAL LOGIC)
• Logika Proposisi: Logika yang hanya mempunyai nilai benar atau
salah
• Proposisi adalah suatu model untuk mendeklarasikan suatu
fakta. Lambang-lambang proposisional menunjukkan proposisi
atau pernyataan tentang segala sesuatu yang dapat benar atau
salah.
Fakta-fakta tersebut dihubungkan/digabungkan dengan:
 Konjungsi : ^ (and / dan )
 Disjungsi : v (or / atau)
 Negasi : ¬ (not / tidak / bukan)
 Implikasi : → (if then / jika ... maka ...)
 Ekuivalensi : ↔ (if and only if / jika dan hanya jika)
 CONTOH LOGIKA PROPOSISI
• Contoh 1:
Diketahui preposisi-preposisi berikut:
P : Semester ini masih pandemi
Q : Mahasiswa kuliah dari rumah
R : Mahasiswa kuliah via online
Maka
P ^ Q : Semester ini masih pandemi dan mahasiwa kuliah dari rumah
Q v R : Mahasiswa kuliah dari rumah atau mahasiswa kuliah via online
~P : Tidak benar semester ini masih pandemi
P  Q : Jika semester ini maasih pandemi maka mahasiwa kuliah dari
rumah
Tabel Kebenaran Logika Proposional

• Contoh
A = Andi Rajin Belajar
B = Andi Lulus Ujian
C = Andi mendapat hadiah istimewa
• Dalam ekspresi logika:
 Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : A  B ^ C
 Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : (A  (B ^ C))
 Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : ((A  B) ^ C)
 Logika Predikat
• Logika yang digunakan untuk merepresentasikan masalah yang tidak dapat
dilakukan atau direpresentasikan dengan menggunakan logika preposisi
• Misal: Diketahui fakta-fakta sebagai berikut:
 Andi adalah seorang laki-laki : A
 Ali adalah seorang laki-laki : B
 Amir adalah seorang laki-laki : D
 Agus adalah seorang laki-laki : E
• Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka
akan terjadi pemborosan. Dimana beberapa pernyataan dengan predikat
yang sama akan dibuat dalam preposisi yang berbeda.
• Pernyataan di atas apabila dinyatakan dalam bentuk logika predikat adalah
sebagai berikut:
seorang(x(Andi, Ali, Amir, Anto, Agus), laki-laki).
 Tree / Pohon
• Struktur sederhana untuk representasi pengetahuan
• Merupakan struktur grafik hirarki
 Decision Tree
• Pohon keputusan  mudah dikonversi ke dalam
bentuk aturan (rule)
JARINGAN SEMANTIK (SEMANTIC NETWORK)
• Mengekspresikan solusi dan permasalahan dengan
menggunakan grafik
• Disajikan dalam bentuk graph berarah
• Menggunakan node (simpul) sebagai kondisi dan
arc (link) sebagai relasi antar simpul
• Dapat menggambarkan relasi “adalah/contoh dari”
(IS-A)
• Dapat menggambarkan relasi “bagian dari” (A Kind
Of /AKO/ is part), merelasikan individu ke induknya
• Dapat menggambarkan relasi “mempunyai”
 CONTOH SEMANTIC NETWORK

Menggambarkan relasi “adalah/contoh dari” (IS-A)

 CONTOH SEMANTIC NETWORK
Menggambarkan hubungan hirarki “bagian
dari”
Contoh FRAME

Metode menampilkan
pengetahuan mengenai
obyek tertentu (misal:
lokasi, benda, peristiwa,
situasi, dll)
Digunakan untuk
merepresentasikan
pengetahuan yang
didasarkan pada
karakteristik yang sudah
dikenal
Hirarki Frame
Contoh
SCRIPT (Naskah)

• Merepresentasikan pengetahuan dengan menggambarkan urutan

kejadian
• Merepresentasikan situasi, pengetahuan dan pengalaman
• Penggambaran urutan peristiwa menggunakan serangkaian slot
yang berisi informasi tentang orang, objek, dan tindakan-tindakan
yang terjadi dalam suatu peristiwa
CONTOH SCRIPT
Script berangkat ke restoran seperti berikut ini:
SCRIPT RESTORAN
• Jalur (Track) : Restoran Swalayan (Fast Food)
• Peran (Roles) : Tamu, Pelayan
• Pendukung (Prop) : Counter, baki, makanan, uang, serbet, garam, merica, kecap, sedotan
dan lain-lain
• Kondisi masukan : Tamu Lapar - Tamu punya uang
Adegan (Scene) 1: Masuk
– Tamu parkir mobil
– Tamu masuk restoran
– Tamu antri
– Tamu baca menu di daftar menu dan mengambil putusan tentang apa yang akan dipesan
Adegan 2: Pesanan
– Tamu memberikan pesanan kepada pelayan
– Pelayan mengambil pesanan dan meletakkan makanan di atas baki.
– Tamu membayar
CONTOH SCRIPT
Adegan 3: Makan
- Tamu mengambil serbet, sedotan, garam dan lain-lain
- Tamu membawa baki makanan ke meja kosong
- Tamu makan

Adegan 4: Pulang
- Tamu membersihkan meja
- Tamu membuang sampah
- Tamu meninggalkan restoran
- Tamu naik mobil dan pulang

Hasil
- Tamu merasa kenyang
- Uang tamu jadi habis
- Tamu senang
- Tamu kecewa
- Tamu sakit perut
List
• Struktur sederhana untuk representasi pengetahuan
• Daftar dari rangkaian materi yang terkait
• List digunakan untuk objek yang dikelompokkan,
dikategorikan atau digabungkan
Aturan / Sistem Produksi
• Pengetahuan dalam kaidah produksi direpresentasikan dalam
bentuk
JIKA [kondisi] MAKA [Aksi]
JIKA [premis] MAKA [Konklusi]
Contoh
JIKA dana mencukupi
DAN pengiriman bisa dilakukan kurang dari 1 bulan
MAKA beli laser printer.
JIKA kontraktor tidak bisa menyelesaikan pekerjaan tepat waktu
ATAU biaya melebihi anggaran
MAKA kontrak batal.
KNOWLEDGE BASED SYSTEMS

Knowledge Base : Representasi Pengetahuan

Inference Engine : Penalaran
PENALARAN
Suatu pola berpikir
yang secara luas
dapat disebut
Kemampuan logika
menalar
Proses analitik
menyebabkan
dari proses
manusia mampu
berpikirnya
mengembangkan
pengetahuan

Manipulasi formal
Proses berpikir terhadap symbol-
untuk mencapai PENALARAN symbol untuk
Goal/Tujuan menjadi simbol
baru
Macam-macam Penalaran

Silogisme

Modus Ponens

Modus Tollens

Resolusi
SILOGISME

• Silogisme merupakan cara menarik kesimpulan secara deduktif,

yakni dari premis-premis umum (mayor) dan khusus
(minor). Silogisme juga disebut sebagai penyimpulan tidak
langsung karena konklusi diambil dari dua permasalahan yang
dihubungkan dengan cara tertentu.
• Contoh:
• (Premis Mayor) : Bila terjadi Pandemi, Kuliah dilakukan secara
Daring
• (Premis minor) : Semester ini masih Pandemi
• Kesimpulan : Semester ini Kuliah dilakukan secara Daring
RESOLUSI
• Resolusi digunakan untuk melakukan inferensi pada logika proposisi
• Suatu aturan untuk melakukan inferensi yang dapat berjalan secara efisien
dalam suatu bentuk khusus yaitu conjunctive normal form (CNF)
• Langkah-langkah untuk mengubah suatu kalimat (konversi) ke bentuk
CNF :
• Hilangkan implikasi dan ekuivalensi
• x  y menjadi ¬ x  y
• x  y menjadi (¬ x  y)  (¬ y  x)
• Kurangi lingkup semua negasi menjadi satu negasi saja
• ¬ (¬ x) menjadi x
• ¬ (x  y) menjadi (¬ x  ¬ y)
• ¬ (x  y) menjadi (¬ x  ¬ y)
• Gunakan aturan assosiatif dan distributif untuk mengkonversi menjadi conjuction of
disjunction
• Assosiatif : (A  B)  C menjadi A  (B  C)
• Distributif : (A  B)  C menjadi (A  C)  (B  C)
• Buat satu kalimat terpisah untuk tiap-tiap konjungsi
Contoh Resolusi:

• Diketahui basis pengetahuan (fakta-

fakta yang bernilai benar) :
1.P
2.(P  Q)  R
3.(S  T)  Q
4.T
• Tentukan kebenaran R

70
Penyelesaian Contoh Resolusi
1. Ubah ke dalam bentuk CNF

TR 71
• Tambahkan Kontradiksi (-R) pada tujuannya,
sehingga fakta-fakta dalam CNF menjadi :

1. P
2. (P  Q)  R
3. (S  T)  Q
4. T

72
TEKNIK PENALARAN

Forward
Rule Chaining
based Backward
Penalaran Chaining
Case Machine
based Learning
1. Andi adalah seorang mahasiswa
2. Andi masuk jurusan elektro
3. Setiap mahasiswa elektro pasti
mahasiswa teknik
4. Kalkulus adalah matakuliah yang
sulit
5. Setiap mahasiswa teknik pasti akan
suka kalkulus atau akan
membencinya
6. Setiap mahasiswa pasti akan suka
terhadap suatu matakuliah
7. Mahasiswa yang tidak pernah hadir
pada kuliah matakuliah sulit, maka
mereka pasti tidak suka terhadap
matakuliah tersebut
8. Andi tidak pernah hadir kuliah
matakuliah kalkulus
1. mahasiswa(Andi)
2. elektro(Andi)
3. x : elektro(x) → teknik(x)
4. sulit(Kalkulus)
5. x : teknik(x) → suka(x,kalkulus) 
benci(x,kalkulus)
6. x : y : suka(x,y)
7. x : y : mahasiswa(x)  sulit(y) 
¬hadir(x,y) → ¬suka(x,y)
8. ¬hadir(andi,kalkulus)
74
“Apakah andi suka matakuliah kalkulus ?”

Gunakan
penalaran
backward :

75
Agenda
01 STATE SPACE & SEARCHING
Konsep Agen Cerdas ,Ruang
Keadaan dan Teknik Pencarian

02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran

03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA

Konsep Ketidakpastian, Logika

Fuzzy
 KETIDAKPASTIAN

Probabilitas

Teorema Bayes
KETIDAKPASTIAN
• Ketidakpastian dapat dianggap sebagai suatu kekurangan
informasi yang memadai untuk membuat suatu keputusan.
• Ketidakpastian merupakan suatu permasalahan karena mungkin
menghalangi kita membuat suatu keputusan yang terbaik.
• Banyak masalah tidak dapat dimodelkan secara lengkap dan
konsisten.
• Misalnya :
• Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan
ketidakkonsistenan, dengan ciri-ciri sebagai berikut :
• adanya ketidakpastian
• adanya perubahan pada pengetahuan
• adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
Contoh kasus: KETIDAKPASTIAN
• Premis -1 : Aljabar adalah pelajaran yang sulit
• Premis -2 : Geometri adalah pelajaran yang sulit
• Premis -3 : Kalkulus adalah pelajaran yang sulit
• Konklusi : Matematika adalah pelajaran yang sulit
• Munculnya premis baru bisa mengakibatkan gugurnya konklusi
yang sudah diperoleh, misal :
• Premis -4 : Kinematika adalah pelajaran yang sulit
• Premis tersebut menyebabkan konklusi : “Matematika adalah
pelajaran yang sulit”, menjadi salah, karena Kinematika bukan
merupakan bagian dari Matematika, sehingga bila menggunakan
penalaran induktif sangat dimungkinkan adanya ketidakpastian.
• Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau
tidak.
• P(E) = jumlah kejadian berhasil/ jumlah semua kejadian
• Misal dari 10 orang sarjana , 3 orang menguasai CISCO,
sehingga peluang untuk memilih sarjana yang menguasai CISCO
adalah :
• p(CISCO) = 3/10 = 0.3
• P(E) = 0 -> Peristiwa E pasti tidak terjadi
• P(E) = 1 -> Peristiwa E pasti terjadi
• Apabila E’ bukan peristiwa E, maka P(E’) = 1- P(E)
Atau berlaku P(E) + P(E’) =1
PROBABILITAS KONDISIONAL
TEOREMA BAYES
 Contoh Penerapan Teorema Bayes
• Diketahui :
• P(demam)=0,4 . P (muntah) = 0,3. P(demam|muntah)=0,75
• Berapa nilai P(muntah|demam) ?

P(demam | muntah ) xP(muntah ) 0,75 x0,3

P(muntah | demam)    0,56
P(demam) 0,4
Logika Fuzzy
 Konsep Logika Fuzzy dicetuskan oleh Lotfi Zadeh, seorang
profesor University of California di Berkeley
 Sebuah himpunan fuzzy dari semesta U dikelompokkan oleh
fungsi keanggotaan μA(x) yang berada pada nilai antara [0, 1]
(Wang, 1997).
 Fungsi keanggotaan dari himpunan klasik hanya memiliki 2
nilai yaitu 0 dan 1, sedangkan fungsi keanggotaan himpunan
fuzzy merupakan fungsi kontinu dengan range [0, 1].
• Logika Fuzzy adalah peningkatan dari logika Boolean yang
mengenalkan konsep kebenaran sebagian.
• Sebuah pendekatan terhadap ketidakpastian yang
mengkombinasikan nilai real [0…1] dan operasi logika
Keuntungan Fuzzy

Mudah dimengerti

Pemodelan matematik sederhana

Toleransi data-data yang tidak tepat

Dapat memodelkan fungsi-fungsi non liner yang kompleks

Mengaplikasikan pengalaman pakar tanpa proses pelatihan

Didasarkan pada bahasa alami

Logika fuzzy sangat fleksibel

APLIKASI

• Tahun 1990 Mesin Cuci dengan logika Fuzzy di Jerman

(Matshushita Electric Industri Company)
• Transmisi otomatis pada mobil. Nissan telah menggunakannya
dan mampu menghemat bensin 12-17%.
• Kereta bawah tanah Sendai mengontrol pemberhentian otomatis.
• Ilmu kedokteran, manajemen keputusan, ekonomi, klasifikasi
pola, psikologi, ilmu lingkungan,teknik, riset operasi, dst
87

Crisp set vs. Fuzzy set

88

Contoh: Crisp Set

Orang dengan tinggi 150cm maka ia
tergolong sedang (sedang[150]=1)
tinggi >= 185
sangat tinggi
Orang dengan tinggi 150cm maka ia
tergolong tidak tinggi (tinggi[150]=0)
185
tinggi Orang dengan tinggi 165cm kurang 2mm
165 <= tinggi < 185
maka ia tergolong tidak tinggi
165
(tinggi[165-2mm]=0)
145 <= tinggi < 165 sedang

145

120 <= tinggi < 145 pendek

120

tinggi < 120 sangat pendek

89

Contoh: Himpunan Fuzzy

tinggi >= 180

sangat tinggi

185

tinggi
160 <= tinggi < 185
165

140 <= tinggi < 165 sedang

145

115 <= tinggi < 145 pendek

120

tinggi < 120 sangat pendek

HIMPUNAN FUZZY

• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis A[x]) memiliki 2 kemungkinan :
• Satu (1), artinya x adalah anggota A
• Nol (0), artinya x bukan anggota A
• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3} B={3,4,5} maka :
• Nilai keanggotaan 2 pada A, A[2] = 1, karena 2A
• Nilai keanggotaan 4 pada A, A[4] = 0, karena 4 A
HIMPUNAN FUZZY
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Muda Parobaya Tua
1 1 1

[x] [x] [x]

0 35 55 0 55
0 35

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
• Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
PAROBAYA
• Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
• Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
HIMPUNAN FUZZY

• Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat

masuk dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA, PAROBAYA
dan TUA, dsb. Seberapa besar eksistensinya dapat dilihat pada nilai/derajat
keanggotaannya. Gambar berikut menunjukkan himpunan fuzzy untuk variabel
umur :
Muda Parobaya Tua
1

[x]

0,5

0,25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable umur

HIMPUNAN FUZZY
• Variabel Fuzzy
Variabel dalam suatu sistem fuzzy. Contoh : berat badan, tinggi
badan, suhu dsb
• Himpunan Fuzzy (Fuzzy set)
Himpunan fuzzy yang mewakili suatu kondisi pada suatu variabel
fuzzy.
Contoh :
 Variabel suhu terbagi menjadi 3 himpunan fuzzy, yaitu : panas, hangat, dingin.
 Variabel nilai terbagi menjadi : tinggi, sedang, rendah
• Himpunan Fuzzy memiliki 2 atribut
• Linguistik : Penamaan suatu grup yang mewakili suatu keadaan/ kondisi
tertentu dengan bahasa alami. Contoh : MUDA, PAROBAYA, TUA
• Numerik : sesuatu nilai (angka) yang menunjukkan ukuran dari suatu variabel,
seperti 25,40,50,dst.
94

Himpunan Fuzzy

•Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu
variabel fuzzy.
Contoh:
Semesta untuk variabel berat badan : [1, 150]
Semesta untuk variabel suhu : [0,100].
• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang
diijinkan dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy.
Contoh : DINGIN = [0,60]
HANGAT = [50,80]
PANAS = [80, +)
 FUNGSI KEANGGOTAAN (MEMBERSHIP FUNCTION)
Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke
dalam nilai keanggotaannya(derajat keanggotaan) yang memiliki interval antara 0
sampai 1.
Ada beberapa fungsi yang bisa digunakan : Linier, Segitiga,Trapesium, Sigmoid, Phi

Fuzzy values
DOM
Degree of
Membership
Young Middle Old
1

0.5

0
25 40 55 Age
96

Fungsi Keanggotaan: Fungsi Linier

1.0 1.0

 

0 a b 0 a b
Domain Domain

Linier Naik Linier Turun

[x]= 0; x  a [x]= (b-x)/(b-a); a  x 

(x-a)/(b-a); a  x  b
b
0; x  b
1; x  b
97

Fungsi Keanggotaan: Segitiga

1.0

0 a b c
Segitiga
[x] = 0; x  a atau x  c
(x-a)/(b-a); a  x 
b
(c-x)/(c-b); b  x 
c
98

Fungsi Keanggotaan: Trapesium

1.0

0 a b c d
Trapesium

[x]= 0; x  a atau x  d
(x-a)/(b-a); a  x 
b
1; b  x  c
(d-x)/(d-c); c  x 
99

Fungsi Keanggotaan: Sigmoid

1.0

0 a b c
Sigmoid

[x;a,b,c]sigmoid = 0; x  a
2 ((x - a)/(c - a))2; a  x
b
1 - 2((c - x)/(c - a))2; b
xc
100

Fungsi Keanggotaan: Phi

1.0

c-b c-b/2 c c+b/2 c+b

0
Phi

[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x
c
[x;c,c+b/2,c+b]sigmoid;
Referensi
• Artificial Intelligence, A Modern Approach by Stuart J. Russell and
Peter Norvig
• Understanding Intelligence by Rolf Pfeifer and Christian Scheier.
• Artificial Intelligence: Structures and Strategies for Complex
Problem-solving by George Luger.
• Computation and Intelligence: Collective readings edited by
George Luger.
• Paradigms of Artificial Intelligence Programming: Case Studies in
Common Lisp by Peter Norvig.
 The End

• TERIMA KASIH