Pertemuan 1 : Mengenal Sistem Cerdas

1.1 Kecerdasan Buatan

Kecerdasan Buatan

•Kecerdasan Buatan = Artificial Intelligence(AI)

•Kajian bagaimana membuat mesin yang memecahkan masalah dengan cara seperti
dilakukan manusia, yaitu memerlukan kecerdasan

•Kemampuan dari komputer digital atau robot yang dikendalikan-komputer untuk

mengerjakan tugas-tugas yang berkaitan dengan kecerdasan (Encyclopedia Britannica).

•Cakupan bidang ilmu AI sangat luas. Dapat dibagi menjadi 2:

–Konsep Fundamental (Pencarian, Representasi Pengetahuan & Dasar Penalaran)

–Soft Computing atau Computational Intelligence (Sistem Pakar, Logika Samar,

Pembelajaran Mesin, Jaringan Syaraf Tiruan, Algoritma Genetika, dan Teknologi Bahasa)

1.2 Mengenal Sistem Cerdas

•Apa itu sistem cerdas (intelligent system)?

•Pentingnya Sistem Cerdas dalam Bisnis

•Karakteristik Sistem Cerdas

•Bidang Kecerdasan Buatan (AI)

•Paradigma Soft Computing

•Metodologi Sistem Cerdas:

  –Sistem Pakar (Expert System)

  –Sistem Samar(Fuzzy System)

  –Jaringan Syaraf Tiruan (Artificial Neural Networks)

  –Algoritma Genetika (Genetic Algorithms, GA)

  –Penalaran Berbasis Kasus (Case-based reasoning, CBR)

  –Data Mining

  –Agen Cerdas (Intelligent Software Agents)

  –Teknologi Bahasa(Language Technology)

1.3 Apa itu Sistem Cerdas?

•Kecerdasan?Sulit didefinisikan, namun berkaitan dengan:

  –Penalaran (Reasoning)

  –Pembelajaran (Learning)

  –Kemampuan Adaptasi (Adaptivity)

•Sistem yang benar-benar cerdas mampu menyesuaikan (adapts) dirinya dengan perubahan
dalam masalah(automatic learning). Masih Jarang !

•Kecerdasan mesin: “Komputernya” mengikuti proses penyelesaian masalah seperti yang

dilakukan manusia

•Sistem cerdas menunjukkan kecerdasan level mesin, penalaran,sering learning, tidak harus
self-adapting.

1.4 Sistem Cerdas dalam Bisnis

•Sistem cerdas di dunia bisnis menggunakan satu atau lebih tool cerdas, biasanya untuk
membantu pengambilan keputusan

•Menyediakan kecerdasan bisnis untuk:

  –Meningkatkan produktifitas

  –Memperoleh keuntungan kompetitif (bersaing)

•Contoh kecerdasan bisnis –informasi mengenai

  –Pola perilaku pelanggan

  –Tren pasar

  –Leher-botol (kemacetan) efisiensi

•Contoh aplikasi sistem cerdas yang sukses di bisnis:

  –Layanan Pelanggan/Customer(Pemodelan Relasi Pelanggan)

  –Penjadwalan (misal: Operasi tambang)

  –Data mining

  –Prediksi pasar keuangan (saham, dll)

  –Kendali kualitas (Quality control)

Sistem Cerdas dalam Bisnis (Contoh)

•Falcon: Software Deteksi penipuan kartu kredit, menawarkan perbaikan 30-70% daripada
metode yang telah ada(contoh neural network).

•MetLife insurance menggunakan tool ekstraksi informasi otomatis dari aplikasi MITA
(contoh language technology)

•Rekomendasi personal (Personalized) daftar saluran TV berbasis Internet, (contoh

intelligent agent)

•FASTrak-Apt: teknologi perencanaan konstruksi apartemen, dari Hyundai, (contoh proyek

Case Based Reasoning)

1.5 Bidang Kecerdasan Buatan (AI)

•Tujuan Utama:

  – Pengembangan software yang dimaksudkan agar mesin mampu untuk menyelesaikan

masalah melalui penalaran mirip manusia.

•Mencoba membangun sistem berbasis pada model representasi pengetahuan dan

pemrosesan dalam pikiran manusia
•Meliputi kajian mengenai otak untuk memahami struktur dan fungsi-fungsinya.

•Hadir sebagai sebuah disiplin ilmu sejak 1956. Gagal hidup di masa awal, karena:

  –Tidak cukupnya pemahaman mengenai kecerdasan dan fungsi otak

  –Kompleksitas dari masalah yang akan diselesaikan

1.6 Paradigma Soft Computing (SC)

Dikenal juga sebagai Computational Intelligence

Tidak seperti komputasi konvensional, teknik SC:

  1.Dapat bertoleransi dengan data masukan yang tidak-tepat/teliti, tidak lengkap atau rusak
(corrupt)

  2.Memecahkan masalah tanpa langkah-langkah solusi eksplisit

  3.Mempelajari solusi melalui observasi dan adaptasi berulang

  4.Mampu menangani informasi yang dinyatakan dalam terminologi bahasa kurang jelas
(samar)

  5.Sampai pada suatu solusi yang dapat diterima melalui evolusi

•Empat karakteristik pertama bersifat umum dalam pemecahan masalah oleh manusia
individu

•Karakteristik kelima (evolution) umum di alam

•Metodologi SC yang dominan dalam sistem cerdas adalah:

  –Artificial Neural Networks (ANN)

  –Fuzzy Systems

  –Genetic Algorithms (GA)

Pertemuan 2 : Representasi Pengetahuan

2.1 Definisi Representasi Pengetahuan
Representasi dimaksudkan untuk menangkap sifat-sifat penting problema & membuat
informasi tersebut. dapat diakses oleh prosedur pemecahan permasalahan.Bahasa
representasi harus dapat membuat seorang pemrogram mampu mengekspresikan
pengetahuan yang diperlukan untuk mendapatkan solusi permasalahan.

Banyak cara untuk merepresentasikan pengetahuan (fakta) dalam program AI. Ada dua
entiti yang perlu diperhatikan:

1.       Fakta: kejadian sebenarnya. Fakta inilah yang akan kita representasikan.

2.       Representasi dari fakta. Dari representasi ini, kita akan dapat memanipulasinya.

Dalam representasi sebuah fakta yang kita gunakan dalam sebuah program, kita juga harus
konsisten dengan representasi yang menggunakan bahasa natural (bahasa Inggris).
Representasi yang baik, harus:

§ Mengemukakan hal secara eksplisit

§ Membuat masalah menjadi transparan

§ Komplit dan efisienMenampilkan batasan-batasan alami yang ada

§ Menekan/menghilangkan detil-detil yang diperlukan

§ Dapat dilakukan komputasi (ada batasan/konstraint)

Secara singkat, representasi pengetahuan diklasifikasikan menjadi 4 kategori:

1.                 Representasi logika: Representasi jenis ini menggunakan ekspresi-ekspresi

dalam logika formal untuk merepresentasikan basis pengetahuan

2.                 Representasi prosedural: Representasi menggambarkan pengetahuan kumpulan

instruksi untuk memecahkan suatu problema.

3.                 Representasi network: Representasi ini menangkap pengetahuan sebagai graf

dimana simpul-simpulnya menggambarkan obyek atau konsep dari problema yang
dihadapi, sedangkan edgenya menggambarkan hubungan atau asosiasi antar merek.

4.                 Representasi terstruktur: Representasi terstruktur memperluas network dengan

cara membuat setiap simpulnya menjadi sebuah struktur data kompleks
Dengan representasi, banyak hal yang akan kita dapatkan dalam kita menyelesaikan suatu
permasalahan. Di bawah ini adalah beberapa keuntungan yang akan kita dapatkan ketika
kita membuat representasi pengetahuan, yaitu:

a.          Dengan representasi yang baik, membuat objek dan relasi yang penting menjadi
jelas.

b.         Representasi menyingkap constraint(batasan) dalam suatu permasalahan. Kita dapat

mengungkapkan pengaruh sebuah objek atau relasi terhadap objek atau relasi yang lain.

c.          Dengan representasi kita akan dapatkan objek dan relasi secara bersama-sama. Kita
akan dapat melihat semua yang kita inginkan dalam satu waktu.

d.         Kita dapat menghilangkan semua komponen yang tidak berhubungan dengan

permasalahan yang sedang kita selesaikan. Atau kita dapat menyembunyikan beberapa
informasi yang tidak kita butuhkan untuk sementara, dan pada saat kita membutuhkannya
kita dapat menampilkan kembali.

e.          Dengan representasi akan membuat permasalahan yang sedang kita selesaikan

menjadi transparan. Kita akan memahami permasalahan yang kita selesaikan.

f.           Dengan representasi kita akan dapat menyingkap suatu permasalahan secara

lengkap, sehingga permasalahan dapat diselesaikan.

g.          Dengan representasi akan membuat permasalahan menjadi ringkas. Kita akan

berpikir ringkas (merepresentasikan apa yang ingin kita representasikan secara efficient).

h.         Dengan representasi, maka akan menjadikan pekerjaan kita menjadi cepat. Dan yang
penting

i.           Dengan representasi, menjadikan permasalahan yang kita selesaikan dapat

terkomputerisasi. Dengan representasi ini kita akan dapat melakukan prosedur- prosedur
dalam menyelesaikan suatu permasalahan.

Disamping keuntungan-keuntungan diatas satu hal yang menjadi prinsip dalam representasi
pengetahuan adalah Jika suatu permasalahan dideskripsikan dengan menggunakan
representasi yang tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat
diselesaikan.
2.2 Representasi Ruang Keadaan
Representasi Ruang Keadaan
1.           Graph  Keadaan

a.      Terdiri dari node yang menunjukkan keadaan yaitu keadaan awal dan keadaan baru
yang akan dicapai.

b.     Node dihubungkan dengan menggunakan arc/edge/busur yang diberi panah.

c.      Graph  mendefinisikan kondisi tujuan (state goal), yg merupakan solusi dari cakupan
sebuah persoalan.

d.     State space  mencari karakteristik pemecahan soal, sebagai proses dari menemukan
sebuah path/jalur dari state awal sampai state tujuan.

2.                      State Space

State space  dapat direpresentasilan dengan 4 komponen:

a.      N : himpunan dari node graph yang berkorespondensi ke node-node dalam sebuah
proses pemecahan persoalan

b.     A : himpunan dari arc/edge  antara node-node yang berkorespondensi ke langkah-

langkah dalam sebuah proses pemecahan persoalan

c.      S : himpunan bagian yang tidak kosong dari N, terdiri dari start state.

d.     GD : himpunan bagian yang tidak kosong dari N, terdiri dari goal state.

3.           Path  Solusi

Path  Solusi merupakan sebuah path yang melalui graph dari node S menuju node GD

2.3 Contoh dalam permasalahan

perjalanan seorang pedagang (Travelling Sales Person Problem) dari kota M menuju
kota T dengan cost  minimal.
Pohon Pencarian (Search Tree):                                                         

a.      Struktur pohon digunakan untuk menggambarkan keadaan secara hierarkis.

b.     Node yang terletak pada level-0 disebut root/akar : menunjukkan keadaan & memiliki
beberapa percabangan yg disebut child/anak.

c.     Node yang tidak memiliki anak disebut leaf/daun, yang menunjukkan akhir pencarian;
dapat berupa tujuan (goal) atau jalan buntu (dead end)

Pohon OR/AND
Masalah M dicari solusinya dengan 4 kemungkinan, yaitu A OR B OR C OR D

Masalah M hanya dapat diselesaikan dengan A AND B AND C AND D

Dengan menggunakan pohon OR/AND tujuan yang dicapai sebelumnya bisa dipersingkat
hanya sampai level-2 saja.
 

2.4 contoh kasus

Ada 2 ember masing-masing berkapasitas 4 galon (ember A) dan 3 galon (ember B). Ada
pompa air yang digunakan untuk mengisi air pada ember tersebut. Bagaimana dapat
mengisi tepat 2 galon air dalam ember berkapasitas 4 galon ?

Penyelesaian :

1.     Identifikasi ruang keadaan (state space)

•        Permasalahan dapat digambarkan dengan himpunan pasangan bilangan bulat:

•        X = jumlah air yg diisi ke ember 4 galon (ember A)

•        Y = jumlah air yg diisi ke ember 3 galon (ember B)

•        Ruang keadaan = (x,y) sedemikian sehingga x ∈ {0,1,2,3,4} dan y

∈ {0,1,2,3}

2.     Keadaan awal & tujuan

•        Keadaan awal : kedua ember kosong = (0,0)

•        Tujuan : ember 4 galon berisi 2 galon air = (2,n) dengan sembarang n

3.     Keadaan ember

•        Keadaan ember bisa digambarkan sebagai berikut:

4.     Aturan-aturan

Diasumsikan kita dapat mengisi ember air dari pompa air, membuang air dari ember ke luar,
menuangkan air dari ember satu ke ember lain. Maka dapat dibuat aturan:
5.     Representasi ruang keadaan dengan search tree.
2.5 Evaluasi
Seorang petani akan menyeberangkan seekor kambing, seekor serigala, sayuran dengan
sebuah perahu yang melalui sungai. Perahu hanya bisa memuat petani & satu penumpang
yang lain (kambing, serigala, atau sayuran). Jika ditinggalkan petani tersebut, maka sayuran
dimakan kambing dan kambing akan dimakan serigala.

Penyelesaian :

1.     Identifikasi ruang keadaan

 Permasalahan    ini    dapat    dilambangkan    dengan    (jumlah kambing,jumlah

serigala,jumlah sayuran,jumlah perahu).
 Contoh : daerah asal (0,1,1,1) = daerah asal tidak ada kambing, ada serigala, ada
sayuran,ada perahu

2.     Keadaan awal & tujuan

              1.     Keadaan awal, pada kedua daerah :

                    1.     daerah asal = (1,1,1,1)

                    2.     daerah seberang = (0,0,0,0)

            2.     Keadaan tujuan, pada kedua daerah :

                   1.     daerah asal = (0,0,0,0)

                   2.     daerah seberang = (1,1,1,1)

3. Aturan-aturan

3.1 Pengertian Umum Logika

Pengertian Umum Logika
  Logika adalah bentuk representasi pengetahuan yang paling tua. Logika membentuk
kesimpulan atau menarik suatu inferensi berdasarkan fakta yang telah ada. Proses logika
berupa premis atau fakta-fakta yang diakui kebenarannya sehingga dengan melakukan
penalaran pd proses logika dapat dibentuk suatu inferensi yang benar juga.

3.2 Sejarah Singkat Logika

Sejarah Singkat Logika
  Ahli logika pertama, filosofi dan saintis : Aristoteles (384-322 SM) dari Yunani.
Mengembangkan teori yg dikenal dengan silogisme atau logika klasik, dengan dua premis
dan satu konklusi.

Contoh :

 §  Premis : semua laki-laki adalah makhluk hidup

§  Premis : Socrates adalah laki-laki

§  Konklusi : Socrates adalah makhluk hidup 

Contoh diatas dapat dikonversikan ke :

 2000 tahun kemudian dikembangkan logika modern oleh George Boole dan De Morgan yg
disebut Logika Simbolik. Berinteraksi dengan konsep abstraksi ke dalam simbol-simbol &
terkoneksi dengan operator tertentu. Contoh:

If         P is true Q is false

Then    P or Q is True

P and Q is false

Simbol logika terdapat 2 perbedaan:

 a.      Logika proposisi

          Proposisi adalah suatu pernyataan yang dapat bernilai Benar atau Salah

 b.     Kalkulus Predikat

         Memasukkan hubungan antara objek-objek dan kelas-kelas dari objek.

3.3 Logika Proposional

Logika Proposional
 

Logika proposional berupa kalimat-kalimat lengkap dari fakta atau kenyataan. Suatu
pernyataan yang dapat bernilai Benar atau Salah. Contoh :

§  Hari ini Hujan

§  Besok hari Kamis

 Menggunakan operator untuk menghubungkan proposisi.

3.3.1 Kalimat Logika Proposional
3.3.2 Tabel Kebenaran
3.4 Kalkulus Predikat
3.4.1 Simbol Kalkulus Predikat
•        Alfabet yang menyusun simbol predicate calculus terdiri dari:
1.    Himpunan karakter, baik huruf besar maupun kecil

2.    Himpunan angka, 0,1,…,9

3.    Garis bawah _

•        Simbol di kalkulus predikat diawali dengan satu huruf dan diikuti oleh karakter legal lainnya.
•          Karakter legitimate  meliputi : a R 6 9 p _ z

•          Improper symbol:
tanda kurung              koma ,               titik .

•        Contoh karakter yang tidak diperbolehkan: # % @ / & “ ”

•        Kalkulus predikat yang legitimate  meliputi:

George    fire3     tom_and_jerry bill    XXX      friends_of

•          Contoh string yang tidak diperbolehkan:

3 jack   “no blanks allowed”     aad%cd     ***71      duck!

•          Contoh:

apakah l(g,k) ekuivalen dengan likes(george, kate) ?

Aritas menunjukkan jumlah elemen yang ada didalam domain yg berada didalam tanda
kurung dan dipisahkan dengan koma.

Contoh : aritas 1 : father (david) aritas 2 : f(x,y)

Simbol KalkulusPredikat:

1.          Simbol kebenaran true  dan false

2.     Simbol konstan adalah simbol ekspresi dengan karakter awal adalah huruf besar

3.     Simbol variabel adalah simbol ekspresi dengan karakter awal adalah huruf kecil

4.     Simbol fungsi adalah simbol ekspresi dengan karakter awal adalah huruf kecil.Fungsi

dilengkapi dengan aritas yang mengindikasikan banyaknya elemen domain yang dipetakan
ke setiap elemen range. Ekspresi fungsi terdiri dari konstanta fungsi aritas n, diikuti n
term  𝑡1, 𝑡2, … ,𝑡𝑛 yang ada di dalam tanda kurung dan dipisahkan oleh tanda koma.

Term  kalkulus predikat adalah konstanta, variable atau fungsi.

3.4.2 Tata Bahasa Kalkulus Predikat

3.4.3 Contoh Kasus

3.5 Ekspresi Quantifier
Ekspresi Quantifier
•        Quantifiers merupakan notasi yang memungkinkan kita untuk mengkuantifikasi
(menghitung) seberapa banyak objek di semesta pembicaraan yang memenuhi suatu
predikat.

•        “∀” berarti FOR∀LL (semua) atau universal quantifier. ∀xP(x) berarti untuk semua x di
semesta pembicaraan, P berlaku.

•        “∃” berarti ∃XISTS (terdapat) atau existential quantifier. ∃x P(x) berarti terdapat x di

semesta pembicaraan. (bisa1 atau lebih) dimana P(x) berlaku.
pertemuan 4 : KONSEP REPRESENTASI TERSTRUKTUR

4.1 Representasi Struktur

Representasi Struktur merupakan Pengetahuan yang diperlukan untuk pemecahan masalah
memerlukan cara representasi yang lebih kompleks dari formula logika predikat. Antar
pengetahuan memiliki hubungan yang unik. Hubungan dapat berupa antara komponen dari
suatu kegiatan/kejadian, antara objek kejadian atau pendapat suatu kejadian. Sehingga,
dalam cara representasi ini, pengetahuan merupakan satu kumpulan fakta-fakta dengan
kaidah yang berlaku diantara fakta-fakta dalam semesta masalah. Representasi Struktur
dibutuhkan untuk menangkap sifat-sifat penting masalah dan mempermudah prosedur
pemecahan masalah dalam mengakses informasi.
Beberapa cara yang digunakan:

o   Jaringan Semantik (Semantic Network) : menunjukkan hubungan antara objek-objek

dalam suatu kejadian

o   Kaidah/Sistem Produksi (Production Rule) : melukiskan hubungan antar komponen-

komponen suatu kegiatan/kejadian

o   Kerangka (Frame) : melukiskan pendapat-pendapat / sudut pandang suatu objek

o   Skrip (script) : melukiskan deretan kegiatan dalam suatu kejadian

4.2 Jaringan Semantik (Semantic Network)

Semantic Network adalah representasi yang mengekspresikan solusi permasalahan dengan
menggunakan network (graph berarah). Di dalamnya digunakan node (simpul) untuk
merepresentasikan suatu kondisi, dan arc (link) untuk merepresentasikan relasi antar simpul.
Semantic Network ini adalah representasi yang bersifat:

•       Lexically, di dalamnya terdapat node(simpul), link dan batasan-batasan khusus dari

permasalahan.

•       Structurally, masing-masing link akan terkoneksi dari simpul yang paling depan (head
node) sampai simpul yang paling belakang (tail node).

•       Semantically, semua simpul dan link merepresentasikan permasalahan tetap berada

dalam batasannya.

Sebagai contoh adalah permasalahan petani, serigala, angsa dan padi. Seorang petani

ingin memindah dirinya sendiri, seekor serigala, seekor angsa gemuk, dan seikat padi yang
berisi menyeberangi sungai. Sayangnya, perahunya sangat terbatas; dia hanya dapat
membawa satu objek dalam satu penyeberangan. Dan lagi, dia tidak bisa meninggalkan
serigala dan angsa dalam satu tempat, karena serigala akan memangsa angsa. Demikian
pula dia tidak bisa meninggalkan angsa dengan padi dalam satu tempat.

Mendeskripsikan permasalahan di atas dengan menggunakan bahasa natural bukanlah cara

yang tepat. Dalam hal ini, kita dapat menggunakan Semantic Network untuk
merepresentasikannya.
4.3 Frame
Frame

Dengan menggunakan representasi nework, kita melihat pengetahuan diatur menggunakan

penghubung . Selain dengan network kita dapat mengatur pengetahuan ke dalam unit-unit
yang lebih kompleks yang menggambarkan situasi atau obyek yang rumit dalam domain.
Unit-unit ini disebut bingkai (frame). Frame ditemukan oleh Marvin Minsky pada tahun 1974
merupakan kumpulan pengetahuan tentang suatu obyek tertentu, peristiwa, lokasi, situasi
dll. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik obyek.
Frame memiliki slot untuk menggambarkan rincian dan karakteristik objek, yang merupakan
atribut untuk mendeskripsikan pengetahuan berupa kejadian, lokasi, situasi ataupun
elemen-elemen lain. Slot mentriger aksi, yang memunculkan situasi baru.

•        Slot dalam suatu frame  dapat berisi:

o   Informasi untuk memilih suatu frame dalam suatu situasi

o   Relationship  diantara frame  satu dengan frame  yg lain

o   Informasi procedural untuk menggambarkan struktur yang digambarkan

o   Slot tergantung pendefinisian terhadap knowledge

o   Blank slot  – left blank  setidaknya dibutuhkan untuk suatu tugas tertentu

o   Frame  yang lain, akan membentuk suatu hierarki.

Default information, berupa konstanta.

4.4 Script
Script hapir sama dengan frame; frame menggambarkan objek, script menggambarkan
urutan peristiwa. Script merupakan gambaran pengetahuan berdasarkan karakteristik yang
sudah dikenal sebagai penglaman-pengalaman yang menggambarkan urutan peristiwa.
Terdapat 6 elemen script :

1.     Kondisi input : start, awal, kondisi yang harus sudah dipenuhi sebelum terjadi

2.     Track  : variasi kemungkinan yang terjadi

3.     Prop  : objek yang digunakan dalam suatu peristiwa

4.     Role  : peran dalam suatu peristiwa

5.     Scene  : adegan dalam suatu peristiwa

6.     Hasil : kondisi setelah terjadinya urutan persitiwa

  

Contoh:

Script Restoran
4.5 Evaluasi
kerjakan latihan dibawah ini
Case 1:
Burung kenari adalah seekor burung yang dapat bernyanyi dan mempunyai bulu berwarna
kuning. Sedangkan burung Unta adalah seekor burung yang tidak dapat terbang namun
mempunyai badan yang tinggi. Pada umumnya burung adalah hewan yang dapat terbang,
mempunyai sayap dan mempunyai bulu. Sesuatu dikatakan hewan jika mereka dapat
bernafas, mempunyai kulit dan dapat bergerak, sebagai contoh burung, ikan dan serangga.
Sajikan informasi sebagai pengetahuan bagi sistem kecerdasan buatan, dengan
menggunakan Semantic Networks.

Case 2:
 

Sajikan deskripsi tentang suatu kursi sebagai suatu knowledge  dalam bentuk frame. Dimana
perlu diketahui kursi yang berfungsi sebagai tempat duduk memiliki ciri khusus (secara
umum) dan terdapat berbagai macam jenis kursi.
pertemuan 5 : ALGORITMA PENCARIAN

5.1 pendahuluan
Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam
pencarian. Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui
sekumpulan kemungkinan ruang keadaan (state space). Ruang keadaan merupakan suatu
ruang yang berisi semua keadaan yang mungkin. Untuk mengukur perfomansi metode
pencarian, terdapat empat kriteria yang dapat digunakan :

a.     Completeness  : apakah metode tersebut menjamin penemuan solusi jika solusinya

memang ada?

b.     Time complexity  : berapa lama waktu yang diperlukan?

c.      Space complexity  : berapa banyak memori yang diperlukan

d.     Optimality  : apakah metode tersebut menjamin menemukan solusi yang terbaik jika

terdapat beberapa solusi berbeda?

5.2 Teknik Pencarian

Teknik Pencarian
 

A.                    Blind search  (Pencarian buta)

Tidak ada informasi awal yang digunakan dalam proses pencarian

1.  Pencarian melebar pertama (Breadth – First Search)

2.  Pencarian mendalam pertama (Depth – First Search)

  

B.                    Heuristic Seacrh  (Pencarian terbimbing)

Adanya informasi awal yang digunakan dalam proses pencarian

1.  Pendakian Bukit (Hill Climbing)

2.  Pencarian Terbaik Pertama (Best First Search)

5.3 Pencarian Buta (Blind Search)
Pencarian Buta (Blind Search)
 

1.                              Breadth – First search

Semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-
node pada level n+1. Pencarian dimulai dari node akar terus ke level 1 dari kiri ke kanan,
kemudian berpindah ke level berikutnya dari kiri ke kanan hingga solusi ditemukan.

Keuntungan :

▫ tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang
ada) dan solusi yang ditemukan pasti yang paling baik jika ada 1 solusi, maka breadth – first
search akan menemukannya, jika ada lebih dari 1 solusi, maka solusi minimum akan
ditemukan.

▫   Kesimpulan : complete dan optimal

Kelemahan :

▫ membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang

pernah dibangkitkan. Hal ini harus dilakukan agar BFS dapat melakukan penelusuran
simpul-simpul sampai di level bawah membutuhkan waktu yang cukup lama

2.           Depth – First search

 
Pencarian dilakukan pada suatu simpul dalam setiap level dari yang paling kiri. Jika pada
level yang paling dalam tidak ditemukan solusi, 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. Demikian
seterusnya sampai ditemukan.

Keuntungan :

▫ membutuhkan memori relatif kecil, karena hanya node-node pada lintasan yang aktif
saja yang disimpan

▫   Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam
ruang keadaan, jadi jika solusi yang dicari berada pada level yang dalam dan paling kiri,
maka DFS akan menemukannya dengan cepat waktu cepat

Kelemahan :

▫ Memungkinkan tidak ditemukannya tujuan yang diharapkan, karena jika pohon yang
dibangkitkan mempunyai level yang sangat dalam (tak terhingga) tidak complete
karena tidak ada jaminan menemukan solusi

▫ Hanya mendapat 1 solusi pada setiap pencarian, karena jika terdapat lebih dari satu solusi
yang sama tetapi berada pada level yang berbeda, maka DFS tidak menjamin untuk
menemukan solusi yang paling baik tidak optimal.

5.4 Pencarian Heuristik

Pencarian Heuristik
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian.
Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan
menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang
diinginkan. Metode ini menggunakan suatu fungsi yang menghitung estimasi biaya dari
suatu simpul tertentu menuju ke simpul tujuan, disebut fungsi heuristic. Jenis-jenis
pencarian heuristik:

a.          Generate and Test

b.     Hill Climbing  :

          i.                  Simple Hill Climbing

        ii.                  Steepest – Ascent Hill Climbing

c.            Best First Search

d.     Means-End Analysis, Constraint Satisfaction, etc.

5.4.1 Generate and Test

Gabungan antara Depth-First Search  dengan pelacakan mundur (backtracking). Algoritma :

a.      Bangkitkan suatu kemungkinan solusi (titik tertentu / lintasan tertentu / keadaan awal).

b.     Uji untuk melihat apakah node tersebut merupakan solusinya dengan cara
membandingkan node tersebut / node akhir dari suatu lintasan yang dipilih dengan
kumpulan tujuan yang diharapkan

c.      Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama. Contoh :
“Travelling Salesman Problem  (TSP)”.

Contoh : “Travelling Salesman Problem  (TSP)”.

Seorang Salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui.
Kita ingin mengetahui rute terpendek dimana setiap kota hanya boleh dikunjungi tepat 1
kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti berikut :
5.4.2 Hill Climbing
Proses pengujian yang dilakukan dengan menggunakan fungsi heuristik. Pembangkitan
keadaan berikutnya sangat tergantung pada feedback  dari prosedur pengetesan. Tes yang
berupa fungsi heuristik akan menunjukkan seberapa baik nilai terkaan yang diambil
terhadap keadaan-keadaan lain yang mungkin. Metode ini mengeksplorasi keadaan
secara depth-first search  dengan mencari path yang bertujuan menurunkan cost  untuk
ke goal path.

Algoritma :

•      Mulai dari keadaan awal (initial state), lakukan pengujian: jika merupakan tujuan, maka
berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang (current state) sebagai keadaan
awal.

•      Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada
operator baru yang akan diaplikasikan pada keadaan sekarang:
       ▫      Cari operator yang belum pernah digunakan; gunakan operator ini untuk
mendapatkan keadaan yang baru.

       ▫      Evaluasi keadaan baru tersebut.

       ▫      Jika keadaan baru merupakan tujuan, keluar.

       ▫      Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka
jadikan keadaan baru tersebut menjadi keadaan sekarang.

       ▫      Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan
iterasi.

Operator yang digunakan adalah menukar urutan posisi 2 kota dalam suatu lintasan.
Apabila ada n  kota, & ingin mencari kombinasi lintasan, maka akan didapat kombinasi
sebanyak:

Keenam kombinasi ini akan dipakai semuanya sebagai operator, yaitu:

•        Tukar 1,2 = menukar urutan posisi kota ke – 1 dengan kota ke – 2

•        Tukar 2,3 = menukar urutan posisi kota ke – 2 dengan kota ke – 3

•        Tukar 3,4 = menukar urutan posisi kota ke – 3 dengan kota ke – 4

•        Tukar 4,1 = menukar urutan posisi kota ke – 4 dengan kota ke – 1

•        Tukar 2,4 = menukar urutan posisi kota ke – 2 dengan kota ke – 4

•        Tukar 1,3 = menukar urutan posisi kota ke – 1 dengan kota ke – 3

5.4.3 Best Fisrt Search
Metode ini merupakan kombinasi dari metode depth first search  dan breadth first search.

Algoritma :

•             Mulai dengan OPEN yang hanya berisi keadaan awal

•             Ulangi langkah-langkah berikut hingga tujuan ditemukan atau antrian OPEN sudah
kosong

•             Ambil node terbaik dari OPEN

•             Bangkitkan semua successor-nya

•             Untuk tiap-tiap successor, kerjakan:

               -                 jika node tersebut belum pernah dibangkitkan sebelumnya, evaluasi

node tersebut dan masukkan ke OPEN;
               -                jika node tersebut sudah pernah dibangkitkan sebelumnya, ubah parent
jika lintasan baru lebih baik daripada sebelumnya.
pertemuan 6 : KONSEP SISTEM PRODUKSI
Knowledge dalam sistem produksi disajikan sebagai kumpulan aturan (rule)

ü  Menyatakan sebuah bagian dari problem solving

ü  Pasangan kondisi-aksi dengan bentuk: IF [kondisi] THEN [aksi]

Komponen rule:

 Kondisi

     pattern yang menentukan kapan rule digunakan

 Aksi

     menentukan langkah problem solving-nya

6.2 Contoh Production Rule

 Jika musim hujan maka membawa payung

    IF [musim hujan] THEN [membawa payung]

 Jika mahasiswa membawa kartu ujian atau KTM maka mahasiswa diperbolehkan
ujian

    IF [membawa kartu ujian OR ktm]

    THEN [diperbolehkan ujian]

 Jika mengalami pusing, demam, dan pilek, maka minum obat aspirin dan istirahat.

    IF [kondisi_badan pusing AND demam AND pilek]

    THEN [minum_aspirin dan istirahat]

 Jika objek berbentuk 2 dimensi, ada 3 sisi maka termasuk objek segitiga.

    IF [objek adalah 2D AND bersisi 3]

    THEN [objek segitiga]
6.3 Working Memory
Working Memory
Menyimpan kondisi yang ada dalam rule dan informasi dari aksi yang ditimbulkan. Berisi
penjelasan kondisi terbaru dalam proses reasoning  Penjelasannya berupa pattern (kondisi)
yang cocok Jika bagian-bagian kondisi dari rule sesuai dengan isi working memory, maka
aksi pada rule tersebut akan dijalankan Aksi dari production rule  didesain untuk
menambahkan isi working memory

6.4 Sistem Kendali

Sistem Kendali

o Struktur kendali Production System:

1.     Inisialisasi working memory  dengan awal deksripsi masalah

2.     Jadikan kondisi awal tersebut sebagai kondisi terbaru (pattern) dari proses reasoning

3.          Pattern  tersebut dicocokan dengan kondisi yang ada di set of production rule

 subset production rule  à conflict set

4.          Production  di conflict set  diset enabled

5.     Salah satu dari production di conflict set  dipilih (conflict resolution) dan produksi
tersebut diaktifkan (fire)

6.     Production di-fire, maka rule  nya dijalankan dan mengubah isi dari working memory.

7.     Kemudian kembali ke langkah 3, sampai isi working memory  tidak ada yang sesuai
dengan production rule.

o Conflict set: kumpulan production rule  yang kondisinya sesuai dengan pattern

di working memory  -> conflict resolution
o Strategi sederhana:

       1.     Pilih aturan yang pertama dan sesuai dengan kondisi di working memory  (berada
pada urutan terkecil), eksekusi (ambil aksinya) dan kemudian hilangkan                 
(“nonaktifkan”) rule tersebut.

       2.     Pilih aturan yang sesuai dengan kondisi di working memory  dan paling kompleks,
eksekusi (ambil aksinya) dan kemudian hilangkan (“nonaktifkan”) rule                   
tersebut.
 o Ketika struktur kendali harus menentukan aturan mana yang harus dipilih jika
terdapat lebih dari satu aturan yang diaktivasi dalam satu proses (iterasi).
o Beberapa metode yang bisa digunakan:
 Rangking, mengurutkan aturan berdasarkan prioritas, dan pilih yang
teraktivasi pertama kali.
 Longest matching, pilih aturan yang mempunyai premis (bagian if)
yang terpanjang.
 Priority, tentukan prioritas setiap aturan, dan pilih aturan yang
memiliki prioritas tertinggi.
 Recently, pilih aturan yang baru saja ditambahkan.

6.5 Prosedur Kerja Production System

Prosedur Kerja Production System

Contoh:

Dari deret huruf “cbaca”, urutkan berdasarkan huruf alfabet. Misalkan, diketahui Set
of Production Rule-nya adalah:

1.     ba -> ab

2.     ca -> ac

3.     cb -> bc 

Production System-nya adalah

6.6 Strategi Pencarian di Production System

Contoh 1:

 Set of Production Rule (implikasi kalkulus):

Production System-nya menggunakan strategi data-driven dan goal-driven adalah….

Solusi:

Production System-nya menggunakan strategi data-driven:

Production
System-nya menggunakan strategi goal-driven

Contoh 2:

Terdapat sistem aturan produksi untuk menentukan jenis pohon berdasarkan karakteristik
yang diketahui, seperti bentuk daun.

Sehingga hanya ada dua operasi yang disediakan oleh interpreter aturan:

a.      fungsi untuk mengidentifikasi apakah karakteristik yang dimiliki ada dalam WM

b.      fungsi aksi untuk mengambil karakteristik sesuai dengan rule yang sesuai. Dan aturan
produksinya:
7.1 Definisi Sistem Pakar

7.1 Definisi Sistem Pakar

Definisi Sistem Pakar

Sistem Pakar adalah suatu sistem yang menggabungkan pengetahuan dan penelusuran
data untuk

memecahkan masalah yang secara normal memerlukan keahlian seorang pakar.

Yang diperlukan untuk membangun sitem pakar adalah sejumlah pengetahuan dan suatu

mekanisme untuk mengakses pengetahuan itu secara efisien (mekanisme inferensi) untuk

memecahkan masalah.

7.2 Kelebihan Sistem Pakar

Kelebihan Sistem Pakar

1. Increased Availability

Pengetahuan seorang pakar yang sudah diadaptasi kebentuk software dapat diperbanyak
dan

disebarluaskan dalam jumlah yang tidak terbatas

2. Reduced cost

biaya memperbanyak software lebih murah dibanding menghadirkan atau melatih seorang

pakar

3. Reduced danger

dapat digunakan pada keadaan dan atau lokasi yang membahayakan manusia

4. Permanence

software sistem pakar dapat digunakan kapan saja tanpa ada batas waktu

5. Multiple expertise

sistem pakar dapat dibuat dan digunakan secara simultan dengan penggabungan beberapa
pengetahuan dari banyak pakar

6. Increased reliability

Sifat komputer yang pasti dan selalu benar selama masukan dan algoritma yang diberikan

benar shg keluaran sistem pakar dapat menjadi penunjang keputusan yang dapat diterima

7. Explanation

Sistem pakar dibuat dengan mekanisme inferensi yang mengahasilkan suatu keluaran
disertai

penjelasan yang masuk akal, shg sistem pakar dapat juga digunakan untuk menjelaskan
suatu

teori atau keadaan tertentu.

8. Fast Response

Kecepatan proses hardware komputer dapat terus ditingkatkan tanpa batas, shg kecepatan

penyelesaian masalah dengan sistem pakar ikut meningkat

9. Steady, unemotional, complete

komputer bekerja dalam keadaan yang relatif tetap setiap saat, keadaan yang sulit sekali
dicapai

oleh manusia

10. Intelligent tutor

sistem pakar dapat dijadikan sumber belajar yang baik bagi siswa dengan menjalankan
kasuskasus

11. Intelligent database

komputer tidak memiliki sifat lupa, sistem pakar akan memberikan informasi yang sesuai

selama tersimpan dalam databasenya

Last modified: Friday, 13 May 2022, 4:01 PM

7.3 Kelemahan Pengembangan Sistem Pakar
Kelemahan Pengembangan Sistem Pakar

Beberapa kelemahan Sistem pakar diantaranya :

1. Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya dilakukan
secara

otomatis oleh sistem

2. Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan perangkat lunak

konvensional.

7.4 Karakteristik Sistem Pakar

Karakteristik Sistem Pakar

1. High Performance

Sistem pakar harus dapat bekerja pada level kompetensi yang sama atau lebih baik dari
seorang

pakar

2. Adequate response time

Sistem pakar harus dapat bekerja dan menghasilkan solusi atau kesimpulan lebih cepat dari
pakar

manusia

3. Good reliability

Sistem pakar harus dapat dipercaya dimana solusi yang dihasilkan tidak cenderung atau
mengacu

kepada satu hal atau keadaan tertentu saja

4. Understandable

Sistem pakar harus dapat menjelaskan setiap solusi yang dihasilkan sebagaimana juga
seorang
pakar dapat menjelaskan setiap kesimpulan yang dibuat, bukan black box system

5. Flexibility

Karena pengetahuan terus berkembang dan berubah, maka sebuah sistem pakar juga harus

memiliki mekanisme untuk menambah, merubah dan memperbaharui pengetahuan yang

ada di

dalamnya.

6. Hipotesis

Sistem pakar dapat melakukan serangkaian hipotesa yang dapat dibandingkan dan tidak

bertentangan dengan hipotesa dari seorang pakar dalam masalah yang nyata

7.5 Pembagian Sistem Pakar Berdasar Kelas

Pembagian Sistem Pakar Berdasar Kelas

1. Konfigurasi

Merakit komponen sistem dengan cara yang benar

2. Diagnosa

Menarik kesimpulan terhadap masalah yang dihadapi berdasarkan bukti-bukti yang

diobservasi

3. Instruksi

Metode pengajaran yang cerdas sehingga siswa sbg user dapat melakukan tanya jawab
dengan

sistemmseolah berhadapan dengan pengajar atau seorang pakar

4. Interpretasi

Menjelaskan data-data yang diobservasi

5. Monitoring

Membandingkan data yang diamati dengan data acuan yang diharapkan untuk memberi
penilaian terhadap prestasi, kinerja atau masalah tertentu

6. Perencanaan

Merancang tindakan atau menentukan langkah yang harus diambil untuk mendapatkan
hasil

yang dikehendaki

7. Prognosis

Membuat perkiraan hasil dari data yang ada atau keadaan yang sudah atau sedang terjadi

8. Perbaikan

Menjelaskan tindakan yang berlaku atau yang valid untuk suatu masalah atau keadaan
tertentu

9. Kontrol

mengatur proses yang berasal dari penggabungan kelas sistem pakar yang lain

Pertemuan 9 : PENGENALAN NATURAL LANGUAGE PROCESSING

9.1 Pengertian Natural Language Processing (NLP)

Pengertian Natural Language Processing (NLP)
 

Natural language processing (NLP)/Pengolahan bahasa alami (NLP) à cabang ilmu komputer

yang berfokus untuk membangun sistem yang mengizinkan komputer untuk dapat
berkomunikasi dengan manusia menggunakan bahasa sehari-hari (alami). Juga dikenal
dengan Computational Linguistics, yang mempelajari bagaimana metode komputasional
dapat membantu dalam memahami bahasa manusia.

9.2 Komunikasi Natural Language Processing (NLP)

Komunikasi Natural Language Processing (NLP)
 

Tujuan dari pemaham bahasa alami adalah menghasilkan komunikasi.

1.     Komunikasi untuk yang berbicara:

•        Intention  : memutuskan kapan dan informasi apa yang harus disampaikan,
membutuhkan rancana dan alasan

•        Generation, menerjemahkan komunikasi kedalam bahasa alami

•        Synthesis, output yang berupa string, kalimat atau suara.

2.     Komunikasi untuk yang mendengarkan:

•        Perception, inputan berupa string kata-kata dari hasil synthesis

•        Analysis, menentukan string content yang berupa informasi

.        Incorporation, memutuskan untuk percaya atau tidak terhadap string content yang
dimasukkan.

9.3 Bidang Pengetahuan Natural Language Processing (NLP)

Bidang Pengetahuan Natural Language Processing (NLP)
 

1.     Fonetik dan fonologi. Berhubungan dengan suara yang menghasilkan kata yang
dapat dikenali à aplikasi yang memakai speech based system.

2.     Morfologi. Pengetahuan tentang kata & bentuknya dimanfaatkan untuk membedakan

satu kata dengan lainnya.

Contoh kata going: going(word) = go (root) + ing (suffix)

Sintaksis. Pemahaman tentang urutan kata. Karena urutan kata mempengaruhi makna.
Kalimat dibentuk dari S -> NP, VP, dst.

•        The dog bit the boy

•        The boy bit the dog

•        *bit boy dog the the

3.     Semantik. Mempelajari arti  suatu kata & bagaimana arti  dari kata-kata tersebut
membentuk suatu arti. Berfokus pada makna sebenarnya.

•        “tanaman” sebagai organisme yang dapat berfotosintesis

•        “tanaman” sebagai fasilitas untuk menghasilkan sesuatu

4.     Pragmatik. Berkaitan dengan keseluruhan makna komunikasi dan konteks sosial yang
berakibat pada interpretasi.

.        The ham sandwich wants another beer

9.4 Modular Comprehension

Modular Comprehension

Ambiguitas

Bahasa alami sangat tinggi dengan ambiguitas, sehingga perlu membuatnya untuk tidak
ambigu.

“I saw the man on the hill with a telescope”

Speech recognition

•        “recognize speech” vs. “wreck a nice beach”

•        “youth in Asia” vs. “euthanasia”

Syntactic analysis
•        “I ate spaghetti with chopstick” vs. “I ate spaghetti with meatballs”
Semantic analysis
•        “The dog is in the pen” vs. “the ink is in the pen”

Pragmatic analysis
•        “Kamu garing, segaring kerupuk”

9.5 Gramatika
Gramatika

Grammar à aturan yang menentukan bagaimana kalimat dalam suatu bahasa dibentuk. Grammar berisi kumpulan sintaks yang baku dari suatu bahasa.

Grammar dari Chomsky Hierarchy : Context Free Grammar, memiliki sifat lebih mudah dipahami perilakunya dan pengolahannya & dapat dibentuk
program yang terstruktur.

Sebuah grammar G dapat dibentuk oleh 4 tuple : simbol non terminal, simbol terminal, simbol awal, dan aturan penulisan (rule). G = (vn, vt, s, p)

Contoh:

a.        DictJenis = (kata_benda, kata_kerja, frasa benda, frasa_kerja, keterangan)

b.       DictKata = (orang, makan, telur, ayam, terbang, tinggi)

Dengan aturan:
 

s à frasa_benda, frasa_kerja frasa_benda à kata_benda, kata_benda frasa_kerja à kata_kerja, keterangan kata_benda à (orang, telur, ayam)

kata_kerja à (makan, terbang) keterangan à (tinggi)

Dapat dibentuk :
orang makan ayam ayam terbang tinggi orang terbang tinggi ayam makan orang

“Dari grammar kita dapat mempelajari bahasa dari segi struktur, bukan dari segi makna”
9.6 Parser
Parser
 

Parser à metode / program (mesin) yang dapat memproduksi kalimat/bahasa yang sesuai

dengan grammar yang sudah ditentukan. Parser dapat memeriksa apakah suatu kalimat
yang dimasukkan sesuai dengan grammar atau tidak.

a.                              Top-down parser

Memulai proses parsing dari simbol start dan menggunakan aturan grammar sampai
simbol-simbol terminal pada tree terhubung ke komponen kalimat parsing

b.               Bottom-up parser

Memulai proses parsing dari kalimat yang akan diparsing dan menggunakan aturan
grammar secara terbalik untuk memproduksi kata menjadi terminal, terminal menjadi
kalimat sampai tree lengkap dan simbol start tercapai

9.7 Word Segmentation

Word Segmentation
Memecah serangkaian string menjadi karakter (secara grammatikal) ke dalam bentuk kata.
Beberapa bahasa, pemisahan kata tidak dengan spasi (cth: cina) Bahasa Indonesia atau
bahasa Inggris, karakter atau spasi dapat digunakan untuk memisahkan kata [contoh. , ; , - :
( )]. 

Contoh pada URLs:

1. jumptheshark.com => jump the shark .com

2. myspace.com/pluckerswingbar

 myspace .com pluckers wing bar

 myspace .com plucker swing bar
9.8 Phrasa (Frasa)

9.9 Syntatic Parsing

9.10 Left-Most Derivations
9.10 Left-Most Derivations
pertemuan 10 : PENGENALAN LOGIKA FUZZY

10.1 Pengertian Logika Fuzzy

Pengertian Logika Fuzzy
 

Logika fuzzy  pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun
1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan Amerika
Serikat berkebangsaan Iran dari Universitas California di Barkeley, Meskipun
logika fuzzy  dikembangkan di Amerika, namun ia lebih populer dan banyak diaplikasikan
secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali (control).
Saat ini banyak dijual produk elektronik buatan Jepang yang menerapkan prinsip
logika fuzzy, seperti mesin cuci, AC, dan lain-lain. Fuzzy logic  sudah diterapkan pada banyak
bidang, mulai dari teori kendali hingga kecerdasan buatan.

Mengapa logika fuzzy  yang ditemukan di Amerika malah lebih banyak ditemukan

aplikasinya di negara Jepang? Salah satu penjelasannya: kultur orang Barat yang cenderung
memandang suatu persoalan sebagai hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-
gagal, atau yang setara dengan dunia logika biner Aristoteles, Sedangkan kultur orang
Timur lebih dapat menerima dunia “abu-abu” atau fuzzy.

Logika fuzzy  umumnya diterapkan pada masalah-masalah yang mengandung unsur

ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
Logika fuzzy  menjembatani bahasa mesin yang presisi dengan bahasa manusia yang
menekankan pada makna atau arti (significance). Logika fuzzy dikembangkan berdasarkan
bahasa manusia (bahasa alami)

10.2 contoh logika fuzzy

Contoh-contoh masalah yang mengandung ketidakpastian:

Contoh 1:

Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan
orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah termasuk
kategori orang tinggi?

Menurut persepsi manusia, orang yang mempunyai tinggi badan sekitar 1,7 meter dikatakan
“kurang lebih tinggi” atau “agak tinggi”.

Contoh 2:
Kecepatan “pelan” didefinisikan di bawah 20 km/jam.

Bagaimana dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan?
Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak pelan”.
Ketidapastian dalam kasus–kasus ini disebabkan oleh kaburnya pengertian “agak”, “kurang
lebih”, “sedikit”, dan sebagainya.
10.3 Himpunan Fuzzy

Himpunan fuzzy mempunyai dua atribut:

1.     Linguistik: penamaan grup yang mewakili kondisi dengan menggunakan bahasa alami
Contoh: PANAS, DINGIN, TUA, MUDA, PELAN, dsb

2.          Numerik: nilai yang menunjukkan ukuran variabel fuzzy

Contoh: 35, 78, 112, 0, -12, dsb

10.4 Komponen-komponen Sistem Fuzzy
Komponen-komponen Sistem Fuzzy
a.                      Variabel fuzzy
Contoh: umur, kecepatan, temperatur, dsb

b.           Himpunan Fuzzy

Grup yang mewakili kondisi tertentu dalam suatu variabel fuzzy

Contoh: Variabel temperatur air dibagi menjadi 3 himpunan fuzzy: PANAS,

DINGIN, SEJUK, dsb

c.           Semesta pembicaraan

Keseluruhan nilai yang diperbolehkan untuk dioperasikan dengan variable fuzzy

Contoh: semesta pembicaraan variabel umur adalah [0, ¥]

d.           Domain

Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu himpunan

fuzzy.

Contoh:    DINGIN = [0, 15]

MUDA = [0, 35]

10.5 Perbedaan Crisp Set dan Fuzzy Set

Perbedaan Crisp Set dan Fuzzy Set
Contoh: Misalkan variabel umur dibagi menjadi 3 kategori:

10.6 Fungsi Keanggotaan

Fungsi Keanggotaan
pertemuan 11 : PENGENALAN JARINGAN SYARAF TIRUAN

11.1 Konsep Dasar Jaringan Saraf Tiruan Dan Pemodelannya

Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen pemroses seperti
pada Gambar 1 yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal
masukan a dikalikan dengan masing-masing penimbang yang bersesuaian w. Kemudian
dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan
dilalukan kedalam fungsi pengaktip untuk mendapatkan tingkatan derajad sinyal
keluarannya F(a,w). Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron
ini identik dengan kinerja dari sel biologi yang kita kenal saat ini.

Keterangan:

 aj         :Nilai aktivasi dari unit j

wj,i      :Bobot dari unit j ke unit i

ini        :Penjumlahan bobot dan masukan ke unit i

g          :Fungsi aktivasi

ai         :Nilai aktivasi dari unit i

11.2 Pengertian Jaringan Syaraf Tiruan (JST)

Pengertian Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan adalah suatu metode pemrograman computer yang sangat bagus
untuk pengenalan pola dan permasalahan yang sulit diselesaikan dengan teknik
konvensional. Program-program yg mengimplementasikan jaringan syaraf tiruan, dapat
melakukan pembelajaran dan beradaptasi dengan kondisi yg berubah. Menurut Haykin
(1999) : “Prosesor berdistribusi secara paralel yg dibangun oleh unit pemrosesan sederhana,
yg secara alami cenderung menyimpan pengetahuan eksperensial & membuatnya dapat
digunakan.”

Secara umum, JST adalah mesin yg didesain untuk memodelkan cara otak menyelesaikan
suatu tugas. Kerja otak manusia memiliki struktur yang rumit dan kemampuan membangun
anturannya sendiri <- pengalaman. Aplikasi JST pd dasarnya adalah kemampuan untuk
belajar (learn) dari data input dengan atau tanpa teacher. JST dibentuk sebagai generalisasi
model matematika dari jaringan syaraf biologi, dengan asumsi bahwa:

§  Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)

§  Sinyal dikirimkan diantara neuron-neuron melalui penghubung2

§  Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah
sinyal

11.3 Mengaktifkan Jaringan Syaraf Tiruan

Mengaktifkan Jaringan Syaraf Tiruan
 

Mengaktipkan jaringan saraf tiruan berarti mengkatipkan setiap neuron yang dipakai pada
jaringan tersebut. Banyak fungsi yang dapat dipakai sebagai pengaktip, seperti fungsi-
fungsi goniometri dan hiperboliknya, fungsi unit step, impulse, sigmoid, dan lain
sebagainya, tetapi yang lazim digunakan adalah fungsi sigmoid, karena dianggap lebih
mendekati kinerja sinyal pada otak manusia.

11.4 Arsitektur Jaringan Syaraf Tiruan (JST)

Arsitektur Jaringan Syaraf Tiruan (JST)

  a.           Single Layer

§  Hanya memiliki satu lapisan dg bobot2 terhubung

§  Langsung menerima input & mengolahnya menjadi output tanpa hidden layer

b.           Multi Layer

 Memiliki satu / lebih lapisan input, satu/lebih lapisan output, & lapisan tersembunyi
 Dapat menyelesaikan masalah yang lebih kompleks karena lebih akurat
 Fungsi pembelajaran lebih rumit
c.   Kompetitive Model atau Recurrent Model
§  Hubungan antar neuron tidak diperlihatkan secara langsung pada arsitektur

§  Hubungan antar neuron dapat digambarkan sebagai jaring yang rumit

11.5 Paradigma Pembelajaran

Paradigma Pembelajaran
a.           Supervised Learning

q Kumpulan input berusaha membentuk taget output yg sudah diketahui sebelumnya

q Perbedaan antara output yg masih salah dengan output yg diharapkan harus sekecil
mungkin

q biasanya lebih baik daripada unsupervised

q Kelemahan: pertumbuhan waktu komputasi eksponensial, data banyak berarti semakin

lambat
 

b.           Unsupervised Learning

q JST mengorganisasikan dirinya untuk membentuk vektor2 input yg serupa tanpa

menggunakan data atau contoh2 pelatihan, biasanya kedalam suatu kategori/kelompok2
tertentu.

q Struktur menggunakan dasar data / korela antara pola2 data yg dieksplorasi.

q Paradgima pembelajaran ini mengorganisasi pola2 kealam kategori2 berdasarkan korelasi

yg ada

c.           Hybrid Learning

q Kombinasi dari supervised dan unsupervised.

q Sebagian dari bobotnya2 ditentukan melalui pembelajaran terawasi dan sebagian lainnya
melalui pembelajaran tak terawasi

pertemuan 12 : Algoritma Immune

12.1 pengenalan
Pengantar

Sekarang ini banyak berkembang algoritma-algoritma yang disebut sebagai bio-inspired

algorithm yaitu sebuah algoritma komputasi yang terinspirasi oleh mekanisme alamiah
makhluk hidup seperti misalnya neural network yang didasari oleh mekanisme jaringan
saraf, algorima genetika yang didasari dari sistem evolusi, sistem koloni semut dan lainnya.
Metode-metode tersebut telah dapat diaplikasikan secara luas untuk berbagai
permasalahan teknik sampai ekonomi dan keuangan. Salah satu metode dalam bio-inspired
algorithm yang baru berkembang adalah Artificial Immune System.

Artificial Immune System adalah metode yang terinspirasi dari cara kerja sistem kekebalan
tubuh pada mamalia. Metode ini telah diaplikasikan untuk pengenalan pola dan klasifikasi,
optimasi, analisa data, keamanan komputer dan robotika.

12.2 Sistem Kekebalan Tubuh Manusia

Sistem Kekebalan Tubuh Manusia
Algoritma immune merupakan bagian Artificial Immune Systems (AIS) yang terinspirasi dari
proses dan mekanisme sistem kekebalan tubuh. Secara sederhana, sistem kekebalan tubuh
adalah sistem organ yang berfungsi melindungi tubuh dari ancaman pathogen (penyebab
penyakit) dan zat beracun yang dapat mengganggu kestabilan tubuh (termasuk bakteri dan
virus). Arsitekturnya seperti rangkaian lapisan yang melindungi tubuh, dengan kulit menjadi
penghalang utama terhadap infeksi. Sekali pathogen telah memasuki tubuh, mereka
ditangani dengan sistem kekebalan tubuh bawaan dan kemudian oleh sistem kekebalan
tubuh tambahan. Namun, sistem kekebalan tubuh tidak bisa mendeteksi secara langsung
adanya pathogen yang masuk ke dalam tubuh, melainkan dengan cara mendeteksi melalui
bagian dari pathogen yang disebut dengan antigen. Jika terdeteksi adanya pathogen,
sistem kekebalan tubuh bertugas untuk mengeleminasi dari tubuh. Agar proses eliminasi
pathogen berlangsung baik dan benar, sistem kekebalan tubuh harus mampu membedakan
antara antigen pada pathogen yang disebut dengan nonself-antigen dengan antigen sel-sel
tubuh yang disebut dengan self-antigen. Sistem kekebalan tubuh ini yang diadaptasi
menjadi Sistem Kekebalan Buatan (Artificial Immune System).

Sel-sel kekebalan tubuh yang fungsinya khusus mendeteksi adanya pathogen adalah
lymphocytes. Ada dua tipe lymphocytes yaitu B-cells dan T-cells. Kedua tipe lymphocytes
mempunyai molekul pada permukaan sel-nya, yang disebut sebagai receptor, yang
berfungsi untuk mengikat molekul antigen dari pathogen. Receptor dari T-cells disebut
dengan TCR sedangkan receptor B-cell disebut dengan BCR atau biasa dikenal dengan
antibodi. Proses deteksi pathogen oleh B-cells dan T-cells menggunakan prinsip
komplemen struktur bentuk receptor
Agar receptor mampu mengikat antigen maka receptor harus mempunyai struktur bentuk yang
berkomplemen terhadap struktur antigen. Untuk menyatakan kekuatan ikatan antara antigen
dengan receptor digunakan istilah affinitty. Semakin besar nilai affinitty menunjukkan semakin
kuatnya ikatan antara antigen dan receptor, demikian pula sebaliknya jika nilai affinity kecil
menunjukkan ikatan receptor dengan antigen yang lemah. Melalui proses yang dinamakan
affinitty maturation, receptor melakukan adaptasi terhadap bentuk struktur antigen dengan cara
mengikat struktur, antigen-antigen yang telah dikenali tubuh. Dari banyak sel-sel lymphocytes
hanya lymphocytes yang receptornya mampu mengikat antigen saja yang dipertahankan tetap
hidup sedangkan yang tidak mampu mengikat antigen akan mati. Jika ada sel lymphocytes yang
dapat mengikat antigen maka sel ini akan diperbanyak dengan cara mitosis. Karena adanya
mutasi sel-sel hasil perbanyakan tidak semuanya sama persis dengan sel induk tetapi akan ada
sedikit perbedaan dalam struktur bentuk receptor. Keseluruhan proses affinity maturation dan
perbanyakan sel ini disebut dengan clonal selection

Selain bertugas untuk mendeteksi pathogen, sel lymphocytes juga harus bisa membedakan self-
antigen dengan nonself-antigen. Metode yang digunakan berlawanan dengan clonal selection
yaitu dengan melatihkan lymphocytes untuk mengikat self-antigen. Jika struktur lymphocytes
berkomplemen atau dapat mengikat self-antigen maka lymphocytes tersebut akan dimatikan
sedangkan lymphocytes yang tidak dapat mengikat self-antigen akan tetap dipertahankan hidup.

Dengan kata lain jika affinity dibawah suatu nilai ambang ikatan, maka lymphocytes tetap
dipertahankan hidup sedangkan jika nilai affinity diatas batas ikatan maka lymphocytes tersebut
akan dimatikan. Proses ini disebut dengan negative selection dan nama organ tempat terjadinya
proses negative selection adalah thymus . Lymphocytes yang tetap hidup selanjutnya disebut
sebagai detector akan masuk dalam aliran darah dan bersirkulasi ke seluruh tubuh untuk
mendeteksi adanya nonself-antigen yang masuk tubuh.

12.3 Artificial Immune System (AIS)

AIS merupakan sistem komputasi yang diinspirasikan oleh teori imunologi, mengamati
fungsi, prinsip, dan mekanisme kekebalan yang diaplikasikan dalam pemecahan masalah.
Aplikasi dari AIS mencakup pengamanan dan jaringan komputerisasi, deteksi kesalahan dan
penyimpangan, optimisasi, analisis data dan penjadwalan.

Forrest dkk telah menggunakan r-contiguous bit rule dan membandingkan masalah
pengamanan sistem komputer dan memperkenalkan algoritma negative selection.
Dasgupta dan Forrest memperkenalkan aplikasi algortima negative selection dari AIS untuk
mendeteksi hal-hal baru pada data time series. Dasgupta dan Forrest juga memperkenalkan
penggunaan AIS daam mendeteksi kerusakan mesin. Metode ini diinspirasikan dari
algoritma negative selection yang memungkinkan untuk membedakan self-antigen dengan
nonself-antigen. De castro dan Timmis memperkenalkan penggunaan AIS dalam
pengenalan pola (pattern recognition). De castro dan Von Zuben mengaplikasikan algoritma
clone selection untuk menyelesaikan masalah optimasi multimodal, penugasan pattern
recognition dan masalah perjalanan salesman. Hart dkk menggunakan pendekatan AIS
untuk menyelesaikan masalah penjadwalan job shop.

Terdapat tiga teori utama pada sistem imun yang mendasari lahirnya bidang Artificial
Immune System, yaitu teori Jaringan Imun (Immune Network) oleh Jerne, teori Negative
Selection, teori Clonal Selection oleh Burnet. Immune Network Theory menerangkan bahwa
sel imun tetap beraktivitas dalam ketidakadaan patogen, bahkan antibodi dan sel imun
saling mengenali dan merespon satu dengan yang lain sehingga menyebabkan kegiatan sel
menjadi sangat dinamis. Pada teori ini, pengenalan pada antigen menghasilkan aktivasi
jaringan sedangkan pengenalan dari antibodi yang satu terhadap yang lain menghasilkan
supresi jaringan.

12.3.1 Algoritma Negative Selection

Algoritma Negative Selection

Mekanisme negative selection direpresentasikan sebagai proses pembangkitan detector

yang dipergunakan untuk mendeteksi pola nonself-antigen. Misalkan terdapat pola self (P),
melalui proses negative selection akan dihasilkan detector (M) yang bertugas untuk
mengidentifikasi pola nonself. Langkah-langkah dalam algoritma negative selection adalah
sebagai berikut

1. Bangkitkan kandidat detector (C) secara acak dengan cara representasi yang sama
dengan pola self-antigen, maksudnya jika komponen dalam pola self-antigen
direpresentasikan menggunakan bilangan integer maka bilangan acak yang dibangkitkan
juga dalam bentuk bilangan integer.

2. Hitung affinity (D) antara pola self-antigen P dengan pola kandidat C, jika nilai affinity
lebih besar dari suatu nilai affnity threshold (R) maka hapus pola kandidat dan jika kurang
dari affinity maka simpan pola kandidat ini sebagai pola detector M.
12.3.2 Algoritma Clonal Selection
Algoritma Clonal Selection

Tahun 2002 DeCastro dan Von Zuben mengemukakan hasil immune engineering dari
prinsip seleksi clonal, yang diberi nama algoritma CLONALG. Prinsip clonal selection adalah
seluruh proses pengenalan antigen, proliferasi (perbanyakan) sel, dan diferensiasi menjadi
memori sel sesuai teori seleksi clonal dari Burnet. CLONALG pada awalnya
diimplementasikan untuk permasalahan learning dan optimasi. Prinsip dasar CLONALG
adalah menghasilkan populasi antibodi N, masing-masing menetapkan solusi acak untuk
proses optimasi. Pada setiap iterasi, beberapa antibodi yang ada terbaik dipilih, kloning, dan
bermutasi untuk membangun suatu calon populasi baru. Antibodi baru kemudian dievaluasi
dan persentase tertentu dari antibodi terbaik ditambahkan ke populasi asli. Prosentase
antibodi terburuk dari generasi sebelumnya kemudian diganti dengan yang baru secara
acak.
13.1 Pengantar
Pengantar

Beragamnya makhluk hidup yang ada di bumi ini, terkadang atau seringkali membuat kita
terkesima, bahkan kita yang merupakan spesies homo sapiens, merupakan bentuk
kehidupan terkompleks dan menurut sebagian ahli, merupakan produk sempurna dari
seleksi alam dan evolusi. Manusia (homo sapiens) itu sendiri memiliki perbedaan, baik
secara fisik, maupun tingkah laku antara yang satu dengan yang lain. Begitu pula dengan
organisme lain, walaupun secara sekilas beberapa diantara mereka terlihat serupa/sama,
namun secara biologis merupakan spesies yang berbeda, bahkan secara genetika, antara
satu individu dengan individu yang lain, seringkali terdapat perbedaan fisik dan tingkah
laku, sekalipun berada dalam satu spesies. Menurut teori evolusi yang diungkapkan oleh
Charles Darwin, keanekaragaman ini terjadi akibat adanya adaptasi yang dilakukan oleh
masing-masing individu terhadap perubahan ekosistem tempat di mana mereka tinggal.
Spesies yang mampu beradaptasi, akan bertahan dan meneruskan keturunan sehingga
dapat memastikan kehidupan generasi spesies berikutnya, seperti halnya buaya, komodo
dan kecoa yang sudah ada sejak jutaan tahun yang lalu, dalam beberapa hal, spesies yang
beradaptasi dengan lingkungan yang berbeda dari sebelumnya, dalam waktu lama, akan
berevolusi menjadi spesies lain, yang pada umumnya mengarah kepada bentuk (morfologi),
fungsi organ tubuh (fisiologi) dan tingkah laku yang lebih sesuai dengan ekosistem barunya,
seperti halnya beruang panda yang merupakan spesies hasil evolusi dari beruang Siberia.
Sementara, spesies yang tidak mampu bertahan terhadap perubahan ekosistem yang
terjadi, akan punah, seperti halnya homo neanderthalensis, dinosaurus dan hewan-hewan
purbakala lainnya. Hal-hal inilah yang menjadi inspirasi bagi John Holland di tahun 1975
untuk memperkenalkan Algoritma Genetika (AG), yang merupakan algoritma pencarian dan
optimasi dari sekumpulan solusi (search space) yang dipilih secara acak. Gagasan ini
kemudian dikembangkan oleh muridnya, David Goldberg di tahun 1989. Algoritma Genetika
secara teknis adalah program komputer yang mensimulasikan proses evolusi alamiah,
memakai analogi secara langsung dari kebiasaan alamiah, yaitu seleksi alam. Algoritma
Genetika bekerja dengan sebuah populasi yang terdiri atas individu-individu, yang masing-
masing merepresentasikan sebuah solusi bagi kemungkinan bagi persoalan yang ada.
Dalam hal ini, individu dilambangkan dengan sebuah nilai fitness yang akan digunakan
untuk mencari solusi optimal dari permasalahan yang ada. Fungsi fitness dibutuhkan untuk
memeriksa hasil optimasi yang menandakan gambaran solusi yang sudah dilakukan
pengkodean. Selama berjalan, generasi awal (induk) harus digunakan untuk reproduksi,
pindah silang dan mutasi untuk menciptakan keturunan. Algoritma Genetika yang dirancang
dengan baik, akan menghasilkan solusi yang optimal bagi permasalahan yang diberikan.

Konsep Algoritma Genetika sudah dicetuskan 35 tahun yang lalu. Kini Algoritma Genetika,
digunakan untuk banyak keperluan, ada sekitar lebih dari 40 aplikasi di dunia nyata yang
telah menerapkan algoritma ini, di antaranya adalah:

1. Pencocokan Kata (AG sebagai algoritma pencarian),

2. Bioinformasi,

3. Recurrent Neural Networks,

4. Studi mengenai Fuzzy Rule Base,

5. Studi mengenai Robotic Behaviour,

6. CAD,

7. Audio watermark detection,

8. Wireless Sensor,
9. Software Product Line Engineering,

10 Analisa Lingual termasuk Induksi Tata Bahasa dan aspek lain dari NLP seperti word sense
disambiguation, dan lain-lain.

13.2 Definisi Algoritma Genetika

Definisi Algoritma Genetika

John Holland (1975) menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami
maupun buatan) dapat diformulasikan ke dalam terminologi genetika. Kemudian muridnya,
Goldberg (1989) mendefinisikan algoritma ini genetika ini sebagai suatu algoritma
pencarian berdasarkan pada mekanisme seleksi alam dan genetika alam.

“A genetic algorithm (GA) is a search technique used in computing to find exact or

approximate solutions to optimization and search problems. Genetic algorithms are
categorized as global search heuristics. Genetic algorithms are a particular class of
evolutionary algorithms (EA) that use techniques inspired by evolutionary biology such as
inheritance, mutation, selection, and crossover.”

Algoritma Genetika adalah algoritma yang dikembangkan dari proses pencarian solusi
optimal menggunakan pencarian acak, ini terlihat pada proses pembangkitan populasi awal
yang menyatakan sekumpulan solusi yang dipilih secara acak. Algoritma ini memanfaatkan
proses seleksi alamiah yang dikenal dengan proses evolusi.

Algoritma Genetika (AG) adalah suatu algoritma pencarian yang berbasis pada mekanisme
seleksi alam dan genetika. Algoritma genetika merupakan salah satu algoritma yang sangat
tepat digunakan dalam menyelesaikan masalah optimasi yang kompleks, yang sulit
dilakukan oleh metode konvensional.

Secara definitif, penulis menyimpulkan bahwasanya AG (algoritma genetika) adalah

algoritma pencarian dan optimisasi yang berbentuk adaptasi, bersifat mencari
kemungkinan-kemungkinan dari sekumpulan solusi yang ada, untuk mencari solusi yang
paling optimal berdasarkan fungsi fitness yang telah ditentukan. Metode-metode yang
digunakan terinspirasi dari genetika alamiah.

Algoritma genetika memiliki perbedaan yang mendasar dengan metode pencarian solusi
optimum model matematika kalkulus, perbedaan tersebut dijelaskan sebagai berikut.
Secara garis besar algoritma genetika memiliki banyak kesamaan dengan mekanisme
genetika alami dan seleksi alam, baik dalam tahapan prosesnya meupun definisi dari istilah-
istilah atau terminologi yang digunakan. Terminologi algoritma genetika dan genetik alami
bisa dilihat sebagai berikut:
Secara alami semua organisme terdiri atas sel yang tersusun atas sekumpulan
kromosom.Kromosom terbentuk dari sekumpulan gen, membuat suatu kesatuan yang
tersusun dalam rangkaian linear. Setiap gen mempunyai letak tersendiri di dalam
kromosom, disebut lokus. Gen tersusun dari DNA yang membawa sifat keturunan. Setiap
gen menyandikan protein tertentu suatu sifat. Contoh: gen warna mata binatang dengan
posisi lokus 10. Bagian tertentu dari gen di dalam genome disebut genotip. Berdasarkan
sifat individu yang menunjukkan perbedaan gen dan berada pada bagian yang berbeda
disebut alel.

Algoritma genetika didasari oleh bidang genetika natural dan ilmu komputer, maka istilah-
istilah yang digunakan akan berupa campuran dari disiplin kedua ilmu tersebut.
Adapun penjelasan dari istilah-istilah yang digunakan dapat dilihat tabel berikut.
Algoritma genetik merupakan teknik search stochastic yang berdasarkan mekanisme seleksi
alam dan genetika natural. Yang membedakan algoritma genetik dengan berbagai
algoritma konvensional lainnya adalahbahwa algoritma genetik memulai dengan suatu
himpunan penyeleksian acak awal yang disebut populasi.Setiap individu di dalam populasi
disebut kromosom, yang merepresentasikan suatu penyelesaian terhadap masalah yang
ditangani. Sebuah kromosom terdiri atas sebuah string yang berisi berbagai simbol, dan
biasanya, tetapi tidak mutlak, string tersebut berupa sederetan bit-bit biner “0” dan “1”.
Sebuah kromosom tumbuh atau berkembang baik melalui berbagai iterasi yang berulang-
ulang, dan disebut sebagai generasi. Pada setiap generasi, berbagai kromosom yang
dihasilkan akan dievaluasi menggunakan suatu pengukuran fitness.

13.3 Definisi Penting AG

Definisi Penting AG

Di dalam AG, terdapat beberapa definisi penting yang digunakan, yang sebagian besar
diambil dari terminologi genetika untuk memfilosofikan bagian-bagian dari permasalahan
Algoritma Genetika itu sendiri.

􀂙 Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti
tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika,
gen ini bisa berupa nilai biner, float, integer maupun karakter, atau kombinatorial.

􀂙 Allele, sebuah nilai dari gen.

􀂙 Kromosom, gabungan gen-gen yang membentuk nilai tertentu.

􀂙 Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang
mungkin dari permasalahan yang diangkat. Individu bisa dikatakan sama dengan
kromosom, yang merupakan kumpulan gen. Gen ini bisa biner, float, dan kombinatorial.

􀂙 Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus
proses evolusi.

􀂙 Generasi, menyatakan satu satuan siklus proses evolusi di mana populasi awal dibangun
secara acak sedangkan populasi selanjutnya merupakan hasil evolusi kromosom-kromosom
melalui iterasi.

􀂙 Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang
didapatkan. Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam
algoritma genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang
paling tinggi. Dalam TSP, karena TSP bertujuan meminimalkan jarak, maka nilai fitnessnya
adalah inversi dari jarak.

􀂙 Mutasi, operator untuk memodifikasi kromosom.

13.4 Perbedaan Algoritma Genetika dengan Algoritma Konvensional
Perbedaan Algoritma Genetika dengan Algoritma Konvensional
Goldberg di tahun 1989, mengemukakan bahwa Algoritma Genetika mempunyai
karakteristik-karakteristik yang perlu diketahui, sehingga dapat terbedakan dari prosedur
pencarian atau optimasi yang lain, yaitu:

1. AG bekerja dengan pengkodean dari himpunan solusi berdasarkan parameter yang telah
ditetapkan dan bukan parameter itu sendiri.

2. AG melakukan pencarian di dalam suatu populasi dari sejumlah individu yang merupakan
solusi permasalahan, bukan hanya dari sebuah individu.

3. AG merupakan informasi fungsi objektif (fitness), sebagai cara untuk mengevaluasi
individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.

4. AG menggunakan aturan-aturan transisi peluang, bukan aturan-aturan deterministik.

Variabel dan parameter yang digunakan pada Algoritma Genetika adalah:

1. Fungsi fitness (fungsi tujuan) yang dimiliki oleh masing-masing individu untuk
menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin dicapai.

2. Populasi jumlah individu yang dilibatkan pada setiap generasi.

3. Probabilitas terjadinya persilangan (crossover) pada suatu generasi.

4. Probabilitas terjadinya mutasi pada setiap individu.

5. Jumlah generasi yang akan dibentuk yang akan menentukan lama penerapan AG.

13.5 Definisi Nilai Fitness

Definisi Nilai Fitness

Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). Nilai fitness
ini yang dijadikan acuan dalam mencapai nilai optimal dalam AG. AG bertujuan mencari
individu dengan nilai fitness yang paling tinggi, dengan kata lain, semakin besar nilai fitness
yang dihasilkan, semakin baik pula solusi yang dihasilkan. Walaupun pada mulanya semua
nilai fitness berkemungkinan kecil (karena populasi awal dihasilkan secara random),
sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang tinggi, akan
memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya.
Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan
seleksi alam, akan menekan populasi ke arah yang meningkat.

13.6 Siklus Algoritma Genetika

Siklus Algoritma Genetika
Untuk menjelaskan tahapan-tahapan yang dilakukan di dalam Algoritma Genetika, Goldberg
di tahun 1989, membuat suatu gambaran siklus.

Terdapat 6 komponen utama dalam algoritma genetika, yaitu:

a. Teknik Pengkodean
Menurut Gen dan Chang di tahun 2000, Pengkodean adalah suatu teknik menyatakan
populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom, sebagai suatu
kunci pokok persoalan ketika menggunakan AG. Gen dan Chang juga menyatakan,
berdasarkan jenis simbol yang digunakan sebagai nilai suatu gen, metode pengkodean
dapat diklasifikasikan sebagai berikut: pengkodean, bilangan real, bilangan bulat dan
struktur data. Selain itu, kita juga dapat merepresentasikan gen dalam bentuk daftar aturan,
elemen permutasi atau elemen lain untuk diimplementasikan oleh operator genetika.
Dengan demikian, kromosom dapat direpresentasikan dengan menggunakan:

• String bit : 100101, dst,

• Array bilangan real : 23,65,-33,12,-77,dst,

• Elemen permutasi : E2, E10, E5, dst,

• Daftar aturan : R1, R2, R3, dst

• Struktur lainnya.

b. Nilai Fitness

Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). Nilai fitness
ini yang dijadikan acuan dalam mencapai nilai optimal dalam AG. AG bertujuan mencari
individu dengan nilai fitness yang paling tinggi, dengan kata lain, semakin besar nilai fitness
yang dihasilkan, semakin baik pula solusi yang dihasilkan. Walaupun pada mulanya semua
nilai fitness berkemungkinan kecil (karena populasi awal dihasilkan secara random),
sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang tinggi, akan
memberikan robabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya.
Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan
seleksi alam, akan menekan populasi ke arah yang meningkat.

c. Seleksi

Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk proses
kawin silang dan mutasi. Induk yang baik (nilai fitness baik) akan menghasilkan keturunan
yang baik pula. Semakin tinggi nilai fitness suatu individu, semakin besar kemungkinannya
untuk terpilih. Perlu diperhatikan bahwasanya tahapan seleksi sangat dipengaruhi oleh nilai
fitness. Masing-masing individu/solusi akan mendapatkan probabilitas reproduksi yang
tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu
dalam wadah seleksi tersebut. Kemampuan AG untuk memproduksi kromosom yang lebih
baik secara progresif tergantung pada penekanan selektif (selective pressure) yang
diterapkan ke populasi. Penekanan selektif dapat diterapkan dengan dua cara.
1. Membuat lebih banyak kromosom anak yang dipelihara dalam populasi dan memilih
hanya kromosom-kromosom terbaik bagi generasi berikut. Walaupun induk dipilih secara
acak, metode ini melakukan penekanan selektif kepada individu anak tersebut

2. Memilih induk yang lebih baik ketika membuat keturunan baru. 

Bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota
populasi yang paling fit. Ada beberapa metode seleksi dari induk, antara lain:

1. Roulette wheel selection, istilah lainnya adalah stochastic sampling with replacement.
Individu-individu dipetakan dalam suatu segmen garis secara berurutan sedemikian hingga
tiap-tiap segmen individu memiliki ukuran yang sama dengan ukuran fitness-nya. Sebuah
bilangan random dibangkitkan dan individu yang memiliki segmen dalam kawasan segmen
dalam kawasan bilangan random tersebut akan terseleksi. Proses ini berulang hingga
didapatkan sejumlah individu yang diharapkan. Metode roda roulette, metode ini paling
sering digunakan, karena mudah digunakan. Model pengacakannya seragam. Berikut
merupakan contoh penentuan nilai fitness suatu populasi dengan 3 kromosom.
 Misal dibangkitkan 3
bilangan random dari 1 sampai 100, muncul 39, 55 dan 13. 39 menunjuk individu 2, 55
menunjuk individu 2 dan 13 menunjuk individu 1.

2. Rank-based fitness assignment

Populasi diurutkan menurut nilai objektifnya. Nilai fitness dari tiap-tiap individu hanya
tergantung pada posisi individu tersebut dalam urutan dan tidak dipengaruhi oleh nilai
objektifnya.

3. Stochastic universal sampling

Memiliki nilai bias nol dan penyebaran yang minimum. Individu-individu dipetakan dalam
suatu segmen garis secara berurut sedemikian hingga tiap-tiap segmen individu memiliki
ukuran yang sama dengan ukuran fitnessnya seperti halnya pada seleksi roda roulette.
Kemudian diberikan sejumlah pointer sebanyak individu yang ingin diseleksi pada garis
tersebut. Andaikan N adalah jumlah individu yang akan diseleksi, maka jarak antar pointer
adalah 1/N dan posisi pointer pertama diberikan secara acak pada range [1, 1/N].

4. Local selection

Setiap individu yang berada di dalam constraint tertentu disebut dengan nama lingkungan
lokal. Interaksi antar individu hanya dilakukan di dalam wilayah tersebut. Lingkungan
tersebut ditetapkan sebagai struktur dimana populasi tersebut terdistribusi. Lingkungan
tersebut juga dapat dipandang sebagai kelompok pasangan-pasangan yang potensial.
Langkah pertama adalah menyeleksi separuh pertama dari populasi yang berpasangan
secara random. Kemudian lingkungan baru tersebut diberikan pada setiap individu yang
terseleksi. Jarak antara individu dengan struktur akan sangat menentukan ukuran
lingkungan. Individu yang terdapat dalam lingkungan dengan ukuran yang lebih kecil, akan
lebih terisolasi dibandingkan dengan individu yang terletak pada lingkungan dengan ukuran
yang lebih besar.

5. Truncation selection

Seleksinya adalah buatan. Digunakan oleh populasi yang jumlahnya sangat besar. Individu-
individu diurutkan berdasarkan nilai fitnessnya. Hanya individu yang terbaik saja yang akan
diseleksi sebagai induk. Parameter yang digunakan adalah suatu nilai ambang trunk yang
mengindikasikan ukuran populasi yang akan diseleksi sebagai induk yang berkisar antara
50% - 10%. Individu-individu yang ada di bawah nilai ambang ini tidak akan menghasilkan
keturunan.

6. Tournament selection

Ditetapkan suatu nilai tour untuk individu-individu yang dipilih secara random dari suatu
populasi. Individu-individu yang terbaik dalam kelompok ini akan diseleksi sebagai induk.
Parameter yang digunakan adalah ukuran tour yang

13.7 Mutasi
Mutasi

Mutasi adalah tahapan mengubah nilai dari satu atau beberapa gen dalam suatu
kromosom. Operator ini bertujuan untuk menggantikan gen yang hilang dari populasi
akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada
inisialisasi populasi.
Operasi crossover yang dilakukan pada kromosom dengan tujuan untuk memperoleh
kromosom-kromosom baru sebagai kandidat solusi pada generasi mendatang dengan nilai
fitness yang baik, dan lama kelamaan menuju solusi optimum yang diinginkan. Namun, jika
di dalam proses pemilihan kromosom-kromosom cenderung terus pada kromosom yang
memiliki nilai fitness yang tinggi saja, konvergensi prematur (mencapai solusi optimal yang
bersifat lokal) sangat mudah terjadi. Untuk menghindari terjadinya konvergensi prematur
tersebut dan tetap menjaga perbedaan (diversity) kromosom-kromosom dalam populasi,
selain melakukan penekanan selektif yang lebih efisien, kita dapat pula menerapkan operasi
mutasi. Operasi mutasi dilakukan dengan mutasi kromosom anak dengan menambahkan
nilai random yang sangat kecil, dengan probabilitas yang rendah. Peluang mutasi (pm)
didefinisikan sebagai persentase dari jumlah total gen pada populasi yang mengalami
mutasi. Peluang mutasi ini, mengendalikan banyaknya gen baru yang akan dimunculkan
untuk evaluasi. Bila peluang mutasi terlalu kecil, akan ada banyak gen potensial yang tidak
dievaluasi. Bila peluang mutasi terlalu besar, maka akan terjadi banyak gangguan yang
menyebabkan anak akan kehilangan kemiripan dengan induknya.

Beberapa jenis mutasi yang dikenal di antaranya:

1.Mutasi dalam Pengkodean Biner, adalah operasi yang sederhana, karena kita hanya
menginversi nilai bit pada posisi tertentu yang dipilih secara acak atau terencana pada
kromosom.

2. Mutasi dalam Pengkodean Permutasi, memiliki proses berbeda dengan mutasi dalam
pengkodean biner. Untuk pengkodean permutasi, umumnya cara yang dilakukan adalah
menukarkan nilai antara dua gen dari kromosom yang dipilih secara acak.
3.Mutasi dalam Pengkodean Nilai, memiliki penerapan yang tergantung kepada jenis nilai yang
digunakan. Caranya adalah memilih sembarang posisi gen pada kromosom. Nilai yang ada
tersebut, kemudian ditambahkan atau dikurangkan dengan suatu nilai kecil yang diambil secara
acak.
1. Elitisme

Karena seleksi dilakukan secara acak, maka tidak ada jaminan bahwa suatu individu bernilai
fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi dipilih,
mungkin saja individu tersebut akan rusak karena proses pindah silang. Untuk menjaga agar
individu bernilai fitness tertinggi tersebut tidak hilang selama evolusi, perlu dibuat satu atau
dua kopinya. Prosedur ini dikenal sebagai elitisme.Prosedur ini hanya digunakan pada AG
berjenis generational replacement. Input pada prosedur ini adalah populasi, indeks
kromosm terbaik dan ukuran populasi PopSize. Apabila PopSize bernilai genap, maka
variabel Iterasi Mulai diberi nilai 3 dan kromosom terbaik akan dikopi sebanyak 2 kali yang
masing-masing disimpan pada variabel TempPopulasi. Namun jika PopSize bernilai ganjil
maka variabel Iterasi Mulai diberi nilai 2 dan kromosom terbaik dikopi sebanyak 1 kali yag
disimpan pada variabel TempPopulasi. Aturan pengkopian ini dilakukan megingat akan
dilakukannya perkawinan silang antara dua induk (sepasang) dan nilai variabel IterasiMulai
akan digunakan sebagai nilai awal counter atau iterasi pada proses pindah silang dan
mutasi. Kromosom terbaik yang telah dikopi ini akan tetap dipilih sebagai salah satu
kandidat induk yang akan dipindah silangkan. Nilai fitness terbaik ini akan dibandingkan
dengan nilai fitness kromosom-kromosom generasi berikutnya hasil pindah silang dan
mutasi. Kromosom hasil pengkopian ini pastinya akan disertakan lagi pada generasi
berikutnya.

7. Inversion

Inversion digunakan bila representasi kromosom berbentuk integeratau karakter.Biasanya

proses inversion dilakukan pada offspring hasil crossover.Pada inversion pun dikenal sebuah
parameter yaitu inversion probability atau inversion rate. Inversion probability adalah
probabilitas dari banyaknya proses inversion yang terjadi pada kromosom. Proses inversion
adalah sebagai berikut. Mula-mula tentukan dua titik potong pada kromosom secara acak.
Kemudian tukarposisi gen-gen yang berada diantara kedua titik potong tersebut. Penukaran
posisi gen dilakukan dengan membalik urutan posisi gen diantara kedua titik potong
tersebut.
14.1 Pengantar
Bagaimana cara mengambil keputusan? Jawaban atas pertanyaan ini akan mempengaruhi
perancangan sistem informasi di dalam komputer untuk mendukung proses dalam
pengambilan keputusan (Decision Support System - DSS). Kekuatan yang memprakarsai
proses pengambilan keputusan dapat berupa ketidakpuasan terhadap keadaan saat itu atau
manfaat yang diharapkan dari keadaan yang baru. Dalam hal ketidakpuasan, kekuatan yang
memprakarsai adalah penemuan masalah sedangkan dalam hal manfaat yang diharapkan
kekuatan yang memprakarsai berasal dari penyelidikan untuk mendapat kesempatan.

Proses pengambilan keputusan dapat ditinjau dari sudut kegiatan yang terus-menerus
didorong oleh tujuan mengubah sistem (perusahaan, departemen, keluarga, dan
sebagainya) dari keadaannya yang sekarang menjadi keadaan yang diinginkan dengan
menggunakan suatu sistem yang disebut sistem penunjang keputusan.

14.2 Definisi DSS

Definisi DSS
Secara umum DSS adalah sistem berbasis komputer yang interaktif, yang membantu
mengambil keputusan dengan memanfaatkan data dan model untuk menyelesaikan
masalah-masalah yang terstruktur. Sedangkan secara khusus DSS adalah Sebuah sistem
yang mendukung kerja seorang manajer maupun sekelompok manajer dalam memecahkan
masalah semi-terstruktur dengan cara memberikan informasi ataupun usulan menuju pada
keputusan tertentu. DSS mendayagunakan resources individu-individu secara intelek
dengan kemampuan komputer untuk meningkatkan kualitas keputusan. Jadi ini merupakan
sistem pendukung yang berbasis komputer untuk manajemen pengambilan keputusan yang
berhubungan dengan pemecahan masalah.

14.3 Pengertian DSS menurut Ahli

Adapun menurut para ahli definisi dari DSS adalah sebagai berikut:

􀀣 Menurut Mann dan Watson, Sistem Penunjang Keputusan atau DSS adalah sistem yang
interaktif, membantu pengambilan keputusan melalui penggunaan data dan model-model
keputusan untuk memecahkan masalah-masalah yang sifatnya semi terstruktur dan tidak
terstruktur.

􀀣 Menurut Maryam Alavi dan H.Albert Napier, Sistem Penunjang Keputusan atau DSS
adalah suatu kumpulan prosedur pemrosesan data dan informasi yang berorientasi pada
penggunaan model untuk menghasilkan berbagai jawaban yang dapat membantu
manajemen dalam pengambilan keputusan.

􀀣 Menurut Litle, Sistem Penunjang Keputusan atau DSS adalah suatu sistem informasi
berbasis komputer yang menghasilkan berbagai alternatif keputusan untuk membantu
manajemen dalam menangani berbagai permasalahan yang terstruktur atupun tidak
terstruktur dengan menggunakan data dan model.

􀀣 Menurut Raymond Mc Leod, Sistem Penunjang Keputusan atau DSS adalah sistem
penghasil informasi spesifik yang ditujukan untuk memecahkan suatu masalah tertentu
yang harus dipecahkan oleh manajer pada berbagai tingkatan.

Dari berbagai definisi beberapa ahli sebelumnya ada satu kesamaan tentang pengertian dari
DSS yaitu merupakan suatu sistem untuk membantu pemecahan sebuah masalah. Dan
pemecahan masalah tersebut dapat dipicu penyelesaiannya dengan 6 pertanyaan:

􀀹 Apa (what)?

􀀹 Siapa (who)?

􀀹 Kapan (when)?
􀀹 Mengapa (why)?

􀀹 Di mana (where)?

􀀹 Bagaimana (how)?

14.4 Mengapa Menggunakan DSS?

Mengapa Menggunakan DSS?

DSS digunakan dalam sebuah perusahaan karena berbagai hal, antara lain:

a. Perusahaan beroperasi pada ekonomi yang tidak stabil.

b. Perusahaan dihadapkan pada kompetisi dalam dan luar negeri yang meningkat.

c. Perusahaan menghadapi peningkatan kesulitan dalam hal melacak jumlah operasi-operasi

bisnis.

d. Sistem komputer perusahaan tidak mendukung peningkatan tujuan perusahaan dalam

hal efisiensi, profitabilitas, dan mencari jalan masuk di pasar yang benar-benar
menguntungkan.

e. Adanya perubahan perilaku komputasi end-user. Dalam hal ini end-user bukanlah
programmer sehingga mereka membutuhkan alat dan prosedur yang mudah untuk
digunakan dan ini dipenuhi oleh DSS.

f. Membutuhkan informasi yang akurat dan baru secara cepat.

g. DSS sering dianggap sebagai keberhasilan dalam suatu organisasi.

h. Manajemen mengamanatkan perlunya DSS dalam organisasi.

i. Perlunya penghematan biaya operasional.

14.5 Konsep DSS

Konsep DSS

Konsep DSS dimulai akhir tahun 1960 dengan time sharing komputer yaitu untuk pertama
kalinya seseorang dapat berinteraksi langsung dengan komputer tanpa harus melalui
spesialis informasi. Istilah DSS diciptakan pada tahun 1971 oleh Anthony Gory dan Scott
Morton untuk mengarahkan aplikasi komputer pada pengambilan keputusan manajemen.
Konsep DSS menggunakan informasi spesifik yang ditujukan untuk membantu manajemen
dalam mengambil keputusan dengan menggunakan model sebagai dasar pengembangn
alternatif yang secara interaktif dapat digunakan oleh pemakai. Dari penjelasan tersebut
maka dapat diketahui bahwa DSS mempunyai karakteristik tersendiri, antara lain:

a. DSS dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang
bersifat semi terstruktur ataupun tidak terstruktur,

b. Dalam proses pengolahannya, DSS mengkombinasikan penggunaan

model-model/teknik-teknik analisis dengan teknik pemasukan data konvensional serta
fungsi-fungsi pencari/interogasi informasi,

c. DSS dirancang sedemikian rupa, sehingga dapat digunakan dengan mudah oleh orang
yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi,

d. DSS dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi
yang tinggi, sehingga mudah disesuaikan dengan kebutuhan pemakai.

15.1 Tujuan DSS

Tujuan DSS

Bila diterapkan dalam sebuah organisasi atau perusahaan tujuan utama DSS adalah
membantu manajer dan orang-orang yang terlibat dalam proses pengambilan keputusan
untuk meningkatkan kemampuannya dalam memutuskan pemecahan suatu masalah.
Keputusan yang dihasilkan nantinya diharapkan dapat memenuhi batasan kognitif, waktu
dan ekonomis.

Menurut Holsapple dan Winston, 1996 tujuan dari DSS adalah sebagai berikut:

a. DSS membantu pengambil keputusan dalam mengenali masalah dan kemudian

memformulasikan data pendukung untuk keperluan analisis dan pengambilan tindakan.

b. DSS memfasilitasi salah satu atau semua fase pengambilan keputusan agar prosesnya
berjalan secara lancar dan cepat (efektif dan efisien). Fase pengambilan keputusan itu
sendiri menurut Herbert A. Simon yang ditulis oleh Mc Leod (2001) adalah:

􀀣 Intellegence Activity yaitu proses pencarian informasi dan data dari lingkungan yang
berguna bagi pemecahan masalah,

􀀣 Design Activity yaitu menemukan, mengembangkan dan menganalisa kemungkinan dari

tindakan yang akan dijadikan solusi,
􀀣 Choice Activity yaitu memilih salah satu tindakan yang telah dianalisis pada fase
sebelumnya yang kemudian dijadikan sebagai alternatif solusi.

􀀣 Review Activity yaitu mengimplementasikan solusi.

c. DSS menjadi bantuan untuk memecahkan masalah yang semi terstruktur atau yang tidak
terstruktur.

d. DSS membantu dalam memanajemen informasi atau pengetahuan. Hal ini dimungkinkan
karena DSS dapat memiliki kemampuan untuk menerima, menyimpan, menggunakan,
menurunkan dan mempresentasikan informasi/pengetahuan yang sesuai dengan keputusan
yang akan diambil.

e. DSS mendukung penilaian manajer tanpa bermaksud untuk menggantikannya.

15.2 Konsep Keputusan

Konsep Keputusan

Pengambilan keputusan merupakan hal yang pokok bagi pemegang jabatan manajer.
Karena keputusan merupakan rangkaian tindakan yang perlu diikuti dalam memecahkan
masalah untuk menghindari atau mengurangi dampak negatif atau untuk memanfaatkan
kesempatan di dalam perusahaan. Model sistem yang dipergunakan untuk mengambil
keputusan dapat bersifat tertutup atau terbuka. Sistem pengambilan tertutup menganggap
bahwa keputusan dipisahkan dari masukan-masukan yang tidak diketahui dari
lingkungannya. Dalam sistem ini pengambil keputusan dianggap:

a. Mengetahui semua alternatif dan akibat atau hasil dari masing-masing alternatif;

b. Mempunyai suatu metode (aturan, hubungan dan sebagainya) yang memungkinkan ia

membuat urutan alternatif yang lebih disukainya;

c. Memilih alternatif yang memaksimalkan sesuatu seperti keuntungan, volume penjualan

atau kegunaan.

Faham pengambilan keputusan yang tertutup jelas menganggap bahwa orang yang rasional
secara logis menguji semua alternatif, membuat urutan berdasarkan hasilnya yang lebih
disukai, dan memilih alternatif yang mendatangkan hasil terbaik.

Sistem pengambilan keputusan terbuka adalah keputusan yang dipengaruhi oleh

lingkungan dan proses pengambilan keputusan selanjutnya juga mempengaruhi lingkungan
tersebut. Pengambil keputusan dianggap tidak harus logis dan sepenuhnya rasional, tetapi
lebih banyak menunjukkan rasionalitas hanya dalam batas-batas yang ditentukan oleh latar
belakang, penglihatan alternatif-alternatif, kemampuan untuk menangani model keputusan
dan sebagainya. Mengingat tujuan model tertutup telah dirumuskan dengan baik, tujuan
model terbuka sama dengan tingkat keinginan sebab model terbuka dapat berubah apabila
pengambil keputusan menerima bukti keberhasilan atau kegagalan. Dibandingkan dengan
ketiga anggapan model tertutup, model keputusan terbuka menganggap bahwa pengambil
keputusan:

a.Tidak mengetahui semua alternatif dan semua hasil,

b.Melakukan penyelidikan secara terbatas untuk menemukan beberapa alternatif yang

memuaskan,

c.Mengambil keputusan yang memuaskan tingkat keinginannya.

Model terbuka adalah dinamis atas urutan pilihan-pilihan karena tingkatan keinginan
berubah menangani perbedaan antara hasil dan tingkat keinginan.

15.3 Jenis-Jenis Keputusan Menurut Herbert A. Simon

Jenis-Jenis Keputusan Menurut Herbert A. Simon

Menurut Herbert A. Simon jenis-jenis keputusan dalm suatu perusahaan dibedakan menjadi
2 yaitu keputusan terprogram dan keputusan tidak terprogram. Perbedaan keputusan
terprogram dan tidak terprogram terlihat dari persyaratan operasionalnya yang berlainan
bagi kedua jenis keputusan tersebut. Ciri-ciri keputusan terprogram dan keputusan tidak
terprogram dapat diikhtisarkan sebagai berikut.
Dengan kata lain, keputusan terprogram adalah keputusan yang dirumuskan dengan cermat
dan cukup sering diulangi sehingga aturan keputusan atau algoritma keputusan dapat
dirumuskan. Aturan-aturan dapat diuraikan sebelumnya, dan karena itu aturan-aturan
tersebut biasanya dapat diberi kode untuk pengolahan komputer. Penggunaan komputer
untuk mengolah aturan-aturan keputusan terprogram merupakan suatu pra pemilihan oleh
seorang pengambil keputusan mengenai bagaimana keputusan harus diambil untuk waktu
yang akan datang.Karena pengambilan keputusan itu merupakan suatu proses yang mahal
ditinjau dari sudut sumber daya yang sangat langka, waktu dan tenaga manajerial, maka
keputusan terprogram merupakan suatu metode yang efisien untuk menghemat sumber
daya yang langka dan untuk meningkatkan produktifitas manajer.

Sedangkan untuk keputusan tidak terprogram, keputusan ini tidak sering diulang atau dapat
dikatakan keputusan ini sangat berbeda di setiap pengulangannya, sehingga tidak
dapat dikembangkan suatu model umum sebagai suatu dasar untuk memprogramnya.

Kegiatan pengambilan keputusan baik yang terprogram ataupun tidak terprogram dapat
mengikuti proses pengambilan keputusan termasuk pemahaman, perancangan dan
pemilihan. Penentuan keputusan terprogram memerlukan lebih banyak pemecahan umum
daripada keputusan tidak terprogram. Untuk keputusan terprogram harus
mempertimbangkan bermacam-macam kondisi sedangkan keputusan tidak terprogram
hanya berhubungan dengan suatu situasi tertentu.

15.4 Tahapan Pengambilan Keputusan Herbert A. Simon

Ada 4 tahapan dalam pengambilan keputusan menurut Herbert A. Simon yang dapat
digambarkan seperti berikut.
Keterangan:

􀀣 Kegiatan Inteligen yaitu proses pencarian informasi dan data dari lingkungan yang
berguna bagi pemecahan masalah,

􀀣 Kegiatan Merancang yaitu menemukan, mengembangkan, dan manganalisis arah

tindakan yang mungkin dapat dipergunakan. Dalam hal ini mengandung proses-proses
untuk memahami masalah, untuk menghasilkan cara pemecahan masalah dan untuk
menguji apakah cara pemecahan tersebut dapat dilaksanakan.

􀀣 Kegiatan Memilih yaitu memilih arah tindakan tertentu dari semua arah tindakan yang
ada. Pilihan ditentukan dan dilaksanakan.

􀀣 Kegiatan Menelaah disebut juga pemahaman yaitu menyelidiki lingkungan tentang

kondisi-kondisi yang memerlukan keputusan. Data mentah yang diperoleh diolah dan
diperiksa untuk dijadikan petunjuk yang dapat menentukan masalahnya.

Masing-masing kegiatan tersebut saling memberi feed back atau umpan balik hasil
keputusan. Hal ini sama seperti langkah-langkah yang disarankan Rubenstein dan
Haberstroh yaitu: pengenalan masalah atau kebutuhan akan pengambilan keputusan,
analisis dan pernyataan alternatif-alternatif, pemilihan di antara alternatif-alternatif,
komunikasi dan pelaksanaan keputusan, dan tindak lanjut dan umpan balik hasil keputusan.

15.5 Tingkat Pengambilan Keputusan

Tingkat Pengambilan Keputusan

Pengambil keputusan mempunyai suatu cara untuk dapat memahami informasi yang
menentukan efisiensi pengolahan informasinya. Pengetahuan seseorang digabungakan
dengan kecakapannya mengolah informasi akan menentukan kesanggupannya mengambil
keputusan. Dihadapkan dengan alternatif-alternatif, pengambil keputusan menentukan
suatu tujuan, dan kemudian berusaha mencapainya dengan memilih alternatif yang terbaik
berdasarkan pengetahuan yang dimilikinya.

Pengambilan keputusan merupakan suatu proses penggunaan informasi secara rasional

bukan secara emosional. Dengan demikian dalam hubungan ini, kesulitan dalam
pengambilan keputusan dapat diakibatkan oleh kedua-duanya.

1. Informasi yang tidak cukup, yakni informasi yang tidak benar atau tidak lengkap
mengenai bermacam-macam arah tindakan alternatif yang berpengaruh pada hasil akhir,

2.

Tujuan yang tidak jelas diuraikan, yakni tidak dapat menguraikan tujuan yang hasilnya lebih
banyak diinginkan daripada yang lain.

Pengambilan keputusan dapat terjadi mulai dari jenis keputusan sepintas lalu yang sangat
rutin (keputusan terprogram) sampai keputusan kompleks yang mempunyai pengaruh besar
terhadap sistem (keputusan tidak terprogram). Untuk menggolongkannya, pengambilan
keputusan dapat dibagi menjadi tiga tingkat yaitu:

1. Pengambilan keputusan tingkat strategis

Keputusan yang ditandai oleh banyak ketidakpastian dan berorientasikan masa depan.
Keputusan ini menentukan rencana jangka panjang yang mempengaruhi seluruh bagian
perusahaan. Tujuan perusahaan ditentukan oleh beberapa strategi, oleh karena itu strategi
berhubungan dengan perencanaan jangka panjang dan meliputi penentuan tujuan,
penentuan kebijaksanaan, pengorganisasian, dan pencapaian keberhasilan organisasi secara
menyeluruh.

2. Pengambilan keputusan tingkat taktis

Pengambilan keputusan tingkat taktis berhubungan dengan kegiatan jangka pendek dan
penentuan sumber daya untuk mencapai tujuan. Jenis pengambilan keputusan ini
berhubungan dengan bidang-bidang seperti perumusan anggaran, analisis aliran dana,
penentuan tata ruang, masalah kepegawaian, perbaikan produk, serta penelitian dan
pengembangan.

3. Pengambilan keputusan tingkat teknis

Pada tingkat pengambilan keputusan ini standar-standar ditentukan dan hasil keputusan
yang sifatnya menentukan. Pengambilan keputusan teknis adalah suatu proses untuk
menjamin agar tugas-tugas khusus dapat dilaksanakan dengan cara efektif dan efisien.
Pengambilan keputusan ini memerlukan diberikannya perintah-perintah khusus yang
mengawasi operasi-operasinya.

15.6 Komponen DSS

Komponen DSS

Komponen yang terdapat dalam DSS adalah:

1. Data Management

Termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh
software yang disebut Database Management Sistem (DBMS).

2. Model Management

Melibatkan model finansial, statistik, management science atau berbagai model kualitatif
lainnya, sehingga dapat memberikan ke sistem suatu kemampuan analitis, dan manajemen
software yang dibutuhkan.

3. Communication

User dapat berkomunikasi dan memberikan perintah pada DSS melalui subsistem ini. Ini berarti
menyediakan antarmuka.

4. Knowledge Management

Subsistem optional ini dapat mendukung subsistem lain atau bertindak sebagai komponen yang
berdiri sendiri.

15.7 Ciri, Keuntungan dan Keterbatasan DSS

Ciri, Keuntungan dan Keterbatasan DSS

1. Ciri Decision Support System

a. DSS dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang
bersifat semi terstruktur ataupun tidak terstruktur.

b. Dalam proses pengolahannya, DSS mengkombinasikan penggunaan

model-model/teknik-teknik analisis dengan teknik pemasukan data konvensional serta
fungsi-fungsi pencari/interogasi informasi.

c. DSS dirancang sedemikian rupa, sehingga dapat digunakan dengan mudah oleh orang
yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi.

d. DSS dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi
yang tinggi, sehingga mudah disesuaikan dengan kebutuhan pemakai.

e. Menghasilkan acuan data untuk menyelesaikan masalah yang dihadapi oleh manajer yang
kurang berpengalaman.

f. Fasilitas untuk mengambil data dapat memberikan kesempatan bagi beberapa manajer
untuk berkomunikasi dengan lebih baik.
g. Meningkatkan produktifitas dan kontrol dari manajer.

2. Keuntungan Decision Support System

a. DSS memperluas kemampuan pengambil keputusan dalam memproses data/informasi

bagi pemakainya.

b. DSS membantu pengambil keputusan dalam penghematan waktu yang dibutuhkan untuk
memecahkan masalah.

c. DSS dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.

d. DSS mampu menyajikan berbagai alternatif.

e. DSS dapat menyediakan bukti tambahan untuk memberikan pembenaran sehingga dapat
memperkuat posisi pengambil keputusan.

3. Keterbatasan DSS

a. Beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan.

b. Kemampuan terbatas pada perbendaharaan pengetahuan yang dimilikinya.

c. Proses tergantung pada perangkat lunak yang digunakan.

d. Tidak memiliki kemampuan intuisi (berpikir) seperti pada manusia.

15.8 Sistem Penunjang Keputusan Kelompok (GDSS)

Sistem Penunjang Keputusan Kelompok (GDSS)

Suatu sistem berbasis komputer yang mendukung kelompok-kelompok orang yang terlibat
dalam suatu tugas (tujuan) bersama dan yang menyediakan interface bagi suatu lingkungan
yang digunakan bersama atau bisa dikatakan GDSS adalah sistem pendukung keputusan
kelompok yang berusaha memperbaiki komunikasi diantara para anggota kelompok
dengan menyediakan lingkungan yang mendukung dan mendukung para pengambil
keputusan dengan menyediakan perangkat lunak GDSS yang disebut groupware.

1. Nama lain dari GDSS yaitu:

a. Group Support System (GSS)

b. Computer Supported Cooperative Work (CSCW)

c. Computerized Collaborative Work Support

d. Electronic Meeting System

2. Pengaturan GDSS adalah:

a. Ruang keputusan; merupakan pengaturan untuk rapat kelompok kecil serta tatap muka.
Ruangan tersebut mendukung komunikasi melalui kombinasi perabot, peralatan dan tata
letak.

b. Jaringan keputusan; dalam hal ini yang dimaksud adalah LAN. Jika kelompok kecil tidak
mungkin bertemu secara bertatap muka maka para abggota dapat berinteraksi melalui
jaringan.

c. Pertemuan Legislatif; jika kelompok terlalu besar untuk ruang keputusan maka pertemuan
legislatif diperlukan.

d. Konferensi bermedia komputer; beberapa aplikasi kantor virtual memungkinkan

komunikasi antara kelompok-kelompok besar dengan anggota yang tersebar secara
geografis.