KECERDASAN BUATAN

Pengantar

 Bisakah mesin berpikir?

 Jika bisa, bagaimana caranya?
 Dan jika tidak bisa, kenapa tidak?
 Dan apa yang dikatakan sebagai pikiran
(mind)?
 Arti Kecerdasan

kemampuan untuk …
 belajar atau mengerti dari pengalaman,

 memahami pesan yang kontradiktif dan ambigu,

 menanggapi dengan cepat dan baik atas

situasi yang baru,

 menggunakan penalaran dalam memecahkan
masalah serta menyelesaikannya dengan efektif

(Winston dan Pendergast, 1994)

 Apa itu AI?

 Merupakan kawasan penelitian, aplikasi dan

instruksi yang terkait dengan pemrograman
komputer untuk melakukan sesuatu hal - yang
dalam pandangan manusia adalah – cerdas (H.
A. Simon [1987])

 Sebuah studi tentang bagaimana membuat

komputer melakukan hal-hal yang pada saat ini
dapat dilakukan lebih baik oleh manusia (Rich
and Kinight [1991])
Kategori Definisi AI

 Dikelompokkan menjadi 4 macam :

Detail Kecerdasan Buatan

 Sudut Pandang Kecerdasan

Kecerdasan buatan mampu membuat mesin
menjadi cerdas (berbuat seperti yang dilakukan
manusia)

 Sudut Pandang Penelitian

Kecerdasan buatan adalah studi bagaimana
membuat komputer dapat melakukan sesuatu
sebaik yang dilakukan manusia
 Sudut Pandang Bisnis
Kecerdasan buatan adalah kumpulan peralatan
yang sangat powerful dan metodologis dalam
menyelesaikan masalah bisnis

 Sudut Pandang Pemrogram

Kecerdasan buatan meliputi studi tentang
pemrograman simbolik, problem solving, dan
pencarian (searching)
2 Bagian Utama AI

 Basis Pengetahuan (knowledge base)

berisi fakta-fakta, teori, pemikiran dan hubungan
komponen satu dengan yang lainnya

 Motor Inferensi (inference engine)

Kemampuan menarik kesimpulan berdasar
pengalaman. Berkaitan dengan representasi
dan duplikasi proses tersebut melalui mesin
(misalnya, komputer dan robot).
 Konsep Kecerdasan Buatan

 Turing Test
Metode Pengujian Kecerdasan (Alan Turing).
Proses uji ini melibatkan seorang penanya
(manusia) dan dua obyek yang ditanyai.

 Pemrosesan Simbolik
Sifat penting dari AI adalah bahwa AI
merupakan bagian dari ilmu komputer yang
melakukan proses secara simbolik dan non-
algoritmik dalam penyelesain masalah.
 Heuristic
Suatu strategi untuk melakukan proses
pencarian (search) ruang problem secara efektif,
yang memandu proses pencarian yang kita
lakukan di sepanjang jalur yang memiliki
kemungkinan sukses paling besar.
 Inferensi (Penarikan Kesimpulan)  AI
mencoba membuat mesin memiliki kemampuan
berpikir atau mempertimbangkan (reasoning),
termasuk didalamnya proses (inferencing)
berdasarkan fakta-fakta dan aturan dengan
menggunakan metode heuristik, dll

 Pencocokan Pola (Pattern Matching) 

Berusaha untuk menjelaskan obyek, kejadian
(events) atau proses, dalam hubungan logik
atau komputasional
“State of the Art” AI
 Deep Blue mengalahkan Kasparov, juara dunia Catur.
 PEGASUS, suatu sistem memahami ucapan yang
mampu menangani transaksi seperti mendapatkan
informasi tiket udara termurah.
 MARVEL: suatu sistem pakar real-time memonitor arus
data dari pesawat Voyager dan setiap anomali sinyal.
 Sistem robot mengemudikan sebuah mobil dengan
kecepatan yang cepat pada jalan raya umum.
 Suatu diagnostik sistem pakar sedang mengkoreksi hasil
diagnosis pakar yang sudah punya reputasi.
 Agent pintar untuk bermacam-macam domain yang
bertambah pada laju yang sangat tinggi .
 Subjek materi pakar mengajar suatu learning agent
penalarannya dalam pusat penentuan gravitasi.
 Tujuan Kecerdasan Buatan

 Membuat komputer lebih cerdas

 Mengerti tentang kecerdasan
 Membuat mesin lebih berguna
Kecerdasan Buatan
VS
Kecerdasan Alami
 Perbedaan Kecerdasan Buatan dengan
Kecerdasan Alami

 Lebih permanen
 Menawarkan kemudahan duplikasi dan penyebaran
 Lebih murah daripada kecerdasan alami
 Konsisten dan menyeluruh
 Dapat didokumentasikan
 Dapat mengeksekusi tugas tertentu lebih cepat daripada
manusia
 Dapat menjalankan tugas tertentu lebih baik dari banyak
atau kebanyakan orang.
 Kelebihan Kecerdasan Alami
dibanding AI
 Bersifat lebih kreatif
 Dapat melakukan proses pembelajaran secara
langsung, sementara AI harus mendapatkan
masukan berupa simbol dan representasi-
representasi
 Menggunakan fokus yang luas sebagai referensi
untuk pengambilan keputusan. Sebaliknya, AI
menggunakan fokus yang sempit
Sejarah
Kecerdasan Buatan

Perkembangan dan
Aplikasinya
 Sejarah Kecerdasan Buatan

Jaman “batu” (1943-1956)

 Awal kerja JST dan logika

 Teori Logika (Alan Newell and Herbert Simon)
 Kelahiran AI: Dartmouth workshop - summer
1956
 John McCarthy’s memberi nama bidang:
artificial intelligence
 Awal antusias, harapan besar
(1952-1969)
 Pembelajaran tanpa pengetahuan
 Pemodelan JST
 Pembelajaran Evolusioner
 Samuel’s checkers player: pembelajaran
 Metode resolusi Robinson.
 Minsky: the microworlds (e.g. the block’s world).
 Banyak demonstrasi kecil ttg perilaku “intelligent”
 Prediksi over-optimistic Simon
 Masa Gelap (1966-1973)

 AI tidak mengalami perkembangan: ledakan

perkembangan combinatorial
 Fakta bahwa suatu program bisa
mendapatkan suatu solusi secara prinsip
tidak berarti bahwa program memuat
beberapa mekanisme yang dibutuhkan untuk
mendapatkannya secara praktis.
 Kegagalan dari pendekatan terjemahan
bahasa alami berbasis pada grammars
sederhana dan kamus kata.
 Penterjemahan kembali yang populer
English->Russian->English
 Penemuan untuk pemrosesan bahasa natural
dihentikan.
 Kegagalan perceptron untuk belajar dari fungsi
sederhana sebagaimana disjunctive/eksclusive
OR.
 Penelitian pada JST dihentikan.
 Realisasi dari kesukaran dalam proses learning
dan keterbatasan dari metode yang dieksplorasi
 Konsep pembelajaran simbolik (Winston’s
influential thesis, 1972)
Renaissance (1969-1979)

 Perubahan pada paradigma penyelesaian:

 Dari penyelesaian masalah berbasis “search-based”
menjadi penyelesaian masalah berbasis
pengetahuan.

 Sistem pakar pertama

 Dendral: menginferensi struktur molecular dari
informasi yang disediakan oleh spektrometer massa.
 Mycin: diagnoses blood infections
 Prospector: merekomendasikan eksplorasi
pengeboran pada lokasi geologi yang menyediakan
suatu deposit mineral molybdenum.
 Era Industrial
(1980-sekarang)
 Sukses pertama Sistem Pakar secara komersial
 Many AI companies.
 Eksplorasi dari strategi pembelajarqan yqang
bermacam-macam (Explanation-based learning,
Case-based Reasoning, Genetic algorithms,
Neural networks, etc.)
 Kembalinya neural networks
(1986-sekarang)

 Penggalian kembali algoritma learning

backpropagation untuk neural networks yang
pertama dikenalkan dalam tahun 1969 oleh Bryson
and Ho.
 Banyak aplikasi sukses dari Neural Networks.
 Kehilangan respek terhadap sulitnya membangun
sistem pakar (macetnya knowledge acquisition).
 Kematangan
(1987-sekarang)
 Perubahan dalam cakupan dan metodologi
penelitian bidang Kecerdasan Buatan:
 Membangun di atas teori yang ada, bukan
cuma mengusulkan teori baru;
 berbasis klaim pada theorema dan
eksperimen, bukan pada intuisi;
 menunjukkan relevansi ke aplikasi nyata,
bukan pada contoh “mainan”.
 Agent Cerdas (1995-sekarang)
• Realisasi yang pada mulanya dipisahkan dalam sub
dari Kecerdasan Buatan (speech recognition,
problem solving and planning, robotics, computer
vision, machine learning, knowledge representation,
etc.) perlu direorganisasi bilamana hasil-hasilnya
diikat bersama-sama kedalam suatu desain agent
tunggal.

 Suatu proses reintegrasi dari sub-area yang berbeda

dari KB untuk membentuk “whole agent”:
 “agent perspective” of AI
 agent architectures (e.g. SOAR, Disciple);
 multi-agent systems;
 agent untuk aplikasi tipe-tipe yang berbeda, web
agents.
Domain Yang Sering Dibahas

 Mundane Task
- Persepsi (vision & speech)
- Bahasa alami (understanding, generation & translation)
- Pemikiran yang bersifat commonsense
- Robot control

 Formal Task
- Permainan / Games
- Matematika (Geometri, logika, kalkulus integral,
pembuktian)
 Expert Task
- Analisis finansial
- Analisis medikal
- Analisis ilmu pengetahuan
- Rekayasa (design, pencarian kegagalan, perencanaan
manufaktur)
Summary

 Kecerdasan buatan terdiri dari knowledge base

dan motor inference
 Digunakan untuk membantu menyelesaikan
permasalahan manusia
 Kecerdasan buatan mengalami perkembangan
terus menerus sampai saat ini
 Semakin banyak objek yang mampu
diselesaikan oleh Kecerdasan buatan
 Cari contoh aplikasi kecerdasan buatan, dan
jelaskan fungsi dari aplikasi tersebut di
masyarakat !
Daftar Pustaka

 Sri Kusumadewi, Artificial Intelligence (Teknik dan

Aplikasinya), Graha Ilmu, 2003, Yogyakarta
 William Siler and James J. Buckley, “Fuzzy Expert
System and Fuzzy Reasoning”, Wiley-Interscience, 2005
 Laurene Fauset, “Fundamental of Neural Network”,
Prentice Hall, 2000
MASALAH, RUANG KEADAAN &
PENCARIAN
Pokok Bahasan

 Mendefinisikan Masalah dalam Ruang Keadaan

 Representasi Ruang Keadaan
 Metode Pencarian & Pelacakan
Artificial Intelligence
ARTIFICIAL INTELLIGENCE

Input: Output:
MASALAH SOLUSI
Knowledge Inference
Base Engine
Permainan Catur
 Keadaan awal :
 Aturan-aturan untuk melakukan gerakan
secara legal
IF
Bidak putih pada Kotak(e,2),
And Kotak(E,3) Kosong,
And Kotak(E,4) Kosong
Then
Gerakkan bidak dari (E,2) ke (E,4)
 Tujuan yang ingin dicapai adalah posisi pada papan
catur yang menunjukkan kemenangan seseorang
terhadap lawannya.
 Kemenangan ini ditandai dengan posisi Raja yang sudah
tidak dapat bergerak lagi.
Ruang Keadaan

 suatu ruang yang berisi semua keadaan yang

mungkin
Penyelesaian masalah secara umum

 Mendefinisikan suatu ruang keadaan;

 Menetapkan satu atau lebih keadaan awal;
 Menetapkan satu atau lebih tujuan;
 Menetapkan kumpulan aturan.
Representasi Ruang Keadaan

 Graph Keadaan
 Pohon Pelacakan
 Pohon AND/OR
 Kasus …
Graph Keadaan

A 3 4 F 1 G
B
4 E
6 7
2
M C T
8 H 6
5 3
I J
4
D 2
 Lintasan dari M ke T:
 M-A-B-C-E-T
 M-A-B-C-E-H-T
 M-D-C-E-T
 M-D-C-E-H-T
 Lintasan yang menemui jalan buntu (tidak
sampai ke T):
 M-A-B-C-E-F-G
 M-A-B-C-E-I-J
 M-D-C-E-F-G
 M-D-C-E-I-J
 M-D-I-J
Pohon Pelacakan
M Level-0

A D Level-1

B I C Level-2

C J E Level-3
Buntu

E F I H T Level-4
Tujuan
F I H T G J T Level-5
Buntu Buntu
Tujuan
Tujuan
G J T Level-6
Buntu Buntu
Tujuan
Pohon AND/OR

M M

arc yang terletak

A B C A antara busur B C
berarti AND

(a) (b)
 M Level-0

A B C E D C E Level-1

H H Level-2
T T T T
Contoh: Masalah Teko Air
 Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3
galon (teko B).
 Tidak ada tanda yang menunjukkan batas ukuran pada kedua teko
tersebut.
 Ada sebuah pompa air yang akan digunakan untuk mengisikan air pada
kedua teko tersebut.
 Permasalahannya: Bagaimanakah kita dapat mengisikan tepat 2 galon
air ke dalam teko yang berkapasitas 4 galon?

Air
tak terbatas
4 galon
(teko A) 3 galon
(teko B)
Penyelesaian …
 Identifikasi ruang keadaan:
 Permasalahan ini dapat direpresentasikan dengan 2
bilangan integer, yaitu x dan y:
 x = air yang diisikan pada teko 4 galon (teko A);
 y = air yang diisikan pada teko 3 galon (teko B);
 Ruang keadaan: (x,y) sedemikian hingga x{0,1,2,3,4} dan
y{0,1,2,3}.
 Keadaan awal & tujuan:
 Keadaan awal, kedua teko dalam keadaan kosong: (0,0);
 Tujuan, keadaan dimana pada teko 4 galon berisi tepat 2
galon air: (2,n) untuk sembarang n.
Keadaan Awal Tujuan

(0,0) (1,0) (2,0) (3,0) (4,0)

(0,1) (1,1) (2,1) (3,1) (4,1)

(0,2) (1,2) (2,2) (3,2) (4,2)

(0,3) (1,3) (2,3) (3,3) (4,3)

 Aturan-aturan
Aturan
Jika Maka
ke-
1. (x,y) (4,y)
x<4 Isi teko A.
2. (x,y) (x,3)
y<3 Isi teko B.
3. (x,y) (x-d,y)
x>0 Tuangkan sebagian air keluar dari teko A.
4. (x,y) (x,y-d)
y>0 Tuangkan sebagian air keluar dari teko B.
5. (x,y) (0,y)
x>0 Kosongkan teko A dengan membuang airnya
ke tanah.
6. (x,y) (x,0)
y>0 Kosongkan teko B dengan membuang airnya
ke tanah.
7. (x,y) (4,y-(4-x))
x+y  4 dan y > 0 Tuangkan air dari teko B ke teko A
sampai teko A penuh.
8. (x,y) (x-(3-y),3)
x+y  3 dan x > 0 Tuangkan air dari teko A ke teko B
sampai teko B penuh.
9. (x,y) (x+y,0)
x+y  4 dan y > 0 Tuangkan seluruh air dari teko B ke
teko A.
10. (x,y) (0,x+y)
x+y  3 dan x > 0 Tuangkan seluruh air dari teko A ke
teko B.
11. (0,2) (2,0)
Tuangkan 2 galon air dari teko B ke
teko A.
12. (2,y) (0,y)
Kosongkan 2 galon air di teko A
dengan membuang airnya ke tanah.
 Representasi ruang keadaan dengan pohon
pelacakan.

(0,0)

(4,0) (0,3)

(4,3) (0,0) (1,3) (4,3) (0,0) (3,0)

 Salah satu solusi:

Isi Teko A Isi Teko B Aturan yang

(gallon) (gallon) dipakai

0 0 2

0 3 9

3 0 2

3 3 7

4 2 5

0 2 9

2 0 solusi
Contoh: Petani, Sayur, Kambing dan
serigala
 Seorang petani akan menyeberangkan seekor
kambing, seekor serigala, dan sayur-sayuran
dengan sebuah boat yang melalui sungai.
 Boat hanya bisa memuat petani dan satu
penumpang yang lain (kambing, serigala atau
sayur-sayuran).
 Jika ditinggalkan oleh petani tersebut, maka
sayur-sayuran akan dimakan oleh kambing, dan
kambing akan dimakan oleh serigala.
Penyelesaian …
 Identifikasi ruang keadaan
 Permasalahan ini dapat dilambangkan dengan
(JumlahKambing, JumlahSerigala, JumlahSayuran,
JumlahBoat).
 Sebagai contoh: Daerah asal (0,1,1,1) berarti pada daerah
asal tidak ada kambing, ada serigala, ada sayuran, dan
ada boat.
 Keadaan Awal
 Daerah asal: (1,1,1,1)
 Daerah seberang: (0,0,0,0)
 Tujuan
 Daerah asal: (0,0,0,0)
 Daerah seberang: (1,1,1,1)
 Aturan-aturan

Aturan
Aturan
ke-
1. Kambing menyeberang
2. Sayuran menyeberang
3. Serigala menyeberang
4. Kambing kembali
5. Sayuran kembali
6. Serigala kembali
7. Boat kembali
 Salah satu solusi:

Daerah Aturan yang

Daerah Asal
Seberang dipakai
(1,1,1,1) (0,0,0,0) 1

(0,1,1,0) (1,0,0,1) 7

(0,1,1,1) (1,0,0,0) 3

(0,0,1,0) (1,1,0,1) 4

(1,0,1,1) (0,1,0,0) 2

(1,0,0,0) (0,1,1,1) 7

(1,0,0,1) (0,1,1,0) 1

(0,0,0,0) (1,1,1,1) solusi

Metode Pencarian & pelacakan
 Pencarian Buta (Blind Search)
 Breadth-First Search
 Depth-First Search
 Pencarian Terbimbing (Heuristics Search)
 Generate & Test
 Hill Climbing
 Best-First Search
 Tabu Search
 Simulated Annealing
Breadth-First Search

 Pada metode 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
ke-1 dari kiri ke kanan, kemudian berpindah ke
level berikutnya demikian pula dari kiri ke kanan
hingga ditemukannya solusi
 A

B C D

E F G H I J K L M
 Keuntungan:
 Tidak akan menemui jalan buntu.
 Jika ada satu solusi, maka breadth-first search
akan menemukannya. Dan jika ada lebih dari satu
solusi, maka solusi minimum akan ditemukan.
 Kelemahan:
 Membutuhkan memori yang cukup banyak,
karena menyimpan semua node dalam satu
pohon.
 Membutuhkan waktu yang cukup lama, karena
akan menguji n level untuk mendapatkan solusi
pada level yang ke-(n+1)
Depth-First Search

 Pada Depth-First Search, proses pencarian

akan dilakukan pada semua anaknya sebelum
dilakukan pencarian ke node-node yang selevel.
 Pencarian dimulai dari node akar ke level yang
lebih tinggi. Proses ini diulangi terus hingga
ditemukannya solusi
 A

C
 Keuntungan
 Membutuhkan memori yang relatif kecil, karena
hanya node-node pada lintasan yang aktif saja
yang disimpan.
 Secara kebetulan, metode depth-first search akan
menemukan solusi tanpa harus menguji labih
banyak lagi dalam ruang keadaan.
 Kelemahan
 Memungkinkan tidak ditemukannya tujuan yang
diharapkan.
 Hanya akan mendapatkan 1 solusi pada setiap
pencarian.
Pencarian Heuristik
 Kasus 8-puzzle

Keadaan Awal Tujuan

1 2 3 1 2 3

7 8 4 8 4

6 5 7 6 5
 Operator
 Ubin kosong geser ke kanan
 Ubin kosong geser ke kiri
 Ubin kosong geser ke atas
 Ubin kosong geser ke bawah
 Langkah awal
Tujuan
1 2 3 1 2 3
8 4 7 8 4
7 6 5 6 5
kiri atas
kanan

1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
Nilai heuristik …
 Untuk jumlah ubin yang menempati posisi yang
benar  jumlah yang lebih tinggi adalah yang lebih
diharapkan (lebih baik)
Tujuan
1 2 3 1 2 3
8 4 7 8 4
7 6 5 6 5
kiri atas
kanan

1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
h=6 h=4 h=5
 Untuk jumlah ubin yang menempati posisi yang
salah  jumlah yang lebih kecil adalah yang
diharapkan (lebih baik).
Tujuan
1 2 3 1 2 3
8 4 7 8 4
7 6 5 6 5
kiri atas
kanan

1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
h=2 h=4 h=3
 Menghitung total gerakan yang diperlukan untuk
mencapai tujuan  jumlah yang lebih kecil adalah
yang diharapkan (lebih baik).
Tujuan
1 2 3 1 2 3
8 4 7 8 4
7 6 5 6 5
kiri atas
kanan

1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
h=2 h=4 h=4
Generate & Test
 Pada prinsipnya metode ini merupakan penggabungan antara
depth-first search dengan pelacakan mundur (backtracking),
yaitu bergerak ke belakang menuju pada suatu keadaan awal.
 Algoritma:
1. Bangkitkan suatu kemungkinan solusi (membangkitkan
suatu titik tertentu atau lintasan tertentu dari keadaan
awal).
2. Uji untuk melihat apakah node tersebut benar-benar
merupakan solusinya dengan cara membandingkan node
tersebut atau node akhir dari suatu lintasan yang dipilih
dengan kumpulan tujuan yang diharapkan.
3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali
langkah yang pertama.
Kasus: Traveling Salesman Problem (TSP).

 Seorang salesman ingin mengunjungi n kota. Jarak

antara tiap-tiap kota sudah diketahui. Ingin diketahui rute
terpendek dimana setiap kota hanya boleh dikunjungi
tepat 1 kali.

A 8 B

3 4
7 5

D 6 C
 Generate & test akan membangkitkan semua solusi
yang mungkin:
 A – B – C – D

 A – B – D – C

 A – C – B – D

 A – C – D – B, dll

A B C D

B C D

C D B D C B

D C D B B C
 Alur pencarian

Panjang
Pencarian Panjang
Lintasan Lintasan terpilih Lintasan
ke- Lintasan
terpilih
1. ABCD 19 ABCD 19
2. ABDC 18 ABDC 18
3. ACBD 12 ACBD 12
4. ACDB 13 ACBD 12
5. ADBC 16 ACBD 12
6. ADCB 18 ACBD 12
7. BACD 17 ACBD 12
8. BADC 21 ACBD 12
9. BCAD 15 ACBD 12
10. BCDA 18 ACBD 12
11. BDAC 14 ACBD 12
12. BDCA 13 ACBD 12
 Panjang
Pencarian Panjang
Lintasan Lintasan terpilih Lintasan
ke- Lintasan
terpilih
13. CABD 15 ACBD 12
14. CADB 14 ACBD 12
15. CBAD 20 ACBD 12
16. CBDA 16 ACBD 12
17. CDAB 21 ACBD 12
18. CDBA 18 ACBD 12
19. DABC 20 ACBD 12
20. DACD 15 ACBD 12
21. DBAC 15 ACBD 12
22. DBCA 12 ACBD atau DBCA 12
23. DCAB 17 ACBD atau DBCA 12
24. DCBA 19 ACBD atau DBCA 12
 Salah satu kelemahan dari metode generate & test
ini adalah perlu membangkitkan semua
kemungkinan sebelum dilakukan pengujian,
sehingga membutuhkan waktu yang cukup besar
dalam pencariannya.
Pendakian Bukit (Hill Climbing)

 Metode ini hampir sama dengan metode

pembangkitan & pengujian, hanya saja proses
pengujian dilakukan dengan menggunakan fungsi
heuristik.
 Pembangkitan keadaan berikutnya sangat
tergantung pada feedback dari prosedur
pengetesan.
 Tes yang berupa fungsi heuristic ini akan
menunjukkan seberapa baiknya nilai terkaan yang
diambil terhadap keadaan-keadaan lainnya yang
mungkin.
Simple Hill Climbing
Algoritma
 Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan,
maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang
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.
Kasus: TSP
 Operator  Tukar kota ke-i dengan kota ke-j (Tk i,j)
 Untuk 4 kota:
 Tk 1,2 : tukar kota ke-1 dengan kota ke-2.
 Tk 1,3 : tukar kota ke-1 dengan kota ke-3.
 Tk 1,4 : tukar kota ke-1 dengan kota ke-4.
 Tk 2,3 : tukar kota ke-2 dengan kota ke-3.
 Tk 2,4 : tukar kota ke-2 dengan kota ke-4.
 Tk 3,4 : tukar kota ke-3 dengan kota ke-4.
 Untuk N kota, akan ada operator sebanyak:
N!
2!( N  2)!
 (19) ABCD
Tk 1,2 Tk 1,3
Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4
(17) BACD ACBD ABDC DBCA ABDC CBAD
Tk 1,2
Tk 4,1
(15) Tk 2,3 Tk 3,4 Tk 2,4 Tk 1,3
ABCD BCAD BADC DACB BDCA CABD

Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 1,3

Tk 2,4
(20) (18) (19) (14)
CBAD BACD BCDA DCAB BDAC ACBD

Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3

(15) (21) (13)
DBAC BADC BDCA CDAB BCAD ADBC

Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3

(12)
DBCA BCDA BDAC BDAC CBAD ADCB

Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 1,3

Tk 2,4
(19) (15) (13) (15) (16)
BDCA DCBA DBAC ACDB DACB CBDA
 Apabila hanya digunakan 4 operator saja:

(19) ABCD

Tk 1,2
Tk 3,4 Tk 4,1
Tk 2,3
(17) BACD ACBD ABDC DBCA

Tk 3,4
Tk 1,2 Tk 2,3
Tk 4,1
(15)
ABCD BCAD BADC DACB

Tk 3,4
Tk 1,2 Tk 2,3
(17) Tk 4,1 (17)
(20) (18)
CBAD BACD BCDA DCAB
 Pada simple hill climbing, ada 2 masalah
yang mungkin:
 Algoritma akan berhenti kalau mencapai nilai
optimum local.
 Urutan penggunaan operator akan sangat
berpengaruh pada penemuan solusi.
REPRESENTASI
PENGETAHUAN
Pokok Bahasan

 Logika
 Pohon
 Jaringan Semantik
 Frame
 Naskah (script)
 Kaidah Produksi
LOGIKA

 Penalaran DEDUKTIF & INDUKTIF

 Logika Proposisi
Penalaran Deduktif
 Penalaran dimulai dari prinsip umum untuk
mendapatkan konklusi yang lebih khusus.
 Contoh:
Premis Mayor : Jika hari hujan, maka saya tidak akan
berangkatkuliah.
Premis Minor : Hari ini hujan turun.
Konklusi : Hari ini saya tidak akan berangkat kuliah.
Penalaran Induktif
 Penalaran dimulai dari fakta-fakta khusus
untuk mendapatkan kesimpulan umum.
 Contoh:
Premis-1 : Aljabar adalah pelajaran yang sulit.
Premis-2 : Geometri adalah pelajaran yang sulit.
Premis-3 : Kalkulus adalah pelajaran yang sulit.
Konklusi : Matematika adalah pelajaran yang sulit.
 Munculnya premis baru bisa mengakibatkan
gugurnya konklusi yang sudah diperoleh.
Logika Proposisi
 Proposisi adalah suatu pernyataan yang dapat
bernilai benar (B) atau salah (S).
 Simbol-simbol seperti P dan Q menunjukkan
proposisi.
 Dua atau lebih proposisi dapat digabungkan dengan
menggunakan operator logika:
 Konjungsi :  (and);
 Disjungsi :  (or);
 Negasi :  (not);
 Implikasi :  (if-then);
 Ekuivalensi : 
 Operator NOT
 Operator NOT digunakan untuk memberikan nilai
negasi (lawan) dari pernyataan yang telah ada.

P NOT(P)

B S

S B
 Operator AND
 Operator AND digunakan untuk mengkombinasikan 2
buah proposisi.
 Hasil yang diperoleh akan bernilai benar jika kedua
proposisi bernilai benar, dan akan bernilai salah jika
salah satu dari kedua proposisi bernilai salah.

P Q P AND Q

B B B

B S S

S B S

S S S
 Operator OR
 Operator OR digunakan untuk mengkombinasikan 2
buah proposisi.
 Hasil yang diperoleh akan bernilai benar jika salah
satu dari kedua proposisi bernilai benar, dan akan
bernilai salah jika kedua proposisi bernilai salah

P Q P OR Q

B B B

B S B

S B B

S S S
 Operator IMPLIKASI
 Implikasi: Jika P maka Q akan menghasilkan nilai
salah jika P benar dan Q salah, selain itu akan selalu
bernilai benar.

P Q PQ

B B B

B S S

S B B

S S B
 Operator EKUVALENSI
 Ekuivalen akan menghasilkan nilai benar jika P dan Q
keduanya benar atau keduanya salah.

P Q PQ

B B B

B S S

S B S

S S B
Conjunctive Normal Form (CNF)
 Untuk melakukan inferensi pada logika proposisi dapat dilakukan
dengan menggunakan resolusi.
 Resolusi adalah suatu aturan untuk melakukan inferensi yang
dapat berjalan secara efisien dalam suatu bentuk khusus. Bentuk
khusus tersebut dikenal dengan nama conjunctive normal form
(CNF).
 Bentuk CNF ini memiliki ciri-ciri sebagai berikut:
 Setiap kalimat merupakan disjungsi literal.
 Semua kalimat terkonjungsi secara implisit.
 Kalimat yang ditulis dengan menggunakan logika proposisi dapat
dikonversi ke bentuk CNF.
 Kita perlu menghapus operator-operator selain OR tanpa harus
mengubah arti dari kalimat tersebut.
Untuk mengubah suatu kalimat ke dalam bentuk CNF,
dapat digunakan langkah-langkah sebagai berikut:
 Hilangkan implikasi dan ekuivalensi.
 x y menjadi x  y.
 x y menjadi (x  y)  (y  x).
 Kurangi lingkup semua negasi menjadi satu negasi saja.
  (x) menjadi x
  (x  y) menjadi ( x  y)
  (x  y) menjadi ( x  y)
 Gunakan aturan assosiatif dan distributif untuk mengkonversi
menjadi conjunction of disjunction.
 Assosiatif:(A  B)  C = A  (B  C).
 Distributif: (A  B)  C = (A  C)  (B  C).
 Buat satu kalimat terpisah untuk tiap-tiap konjungsi.
Representasi Sederhana
 Logika predikat digunakan untuk merepresentasikan hal-hal yang
tidak dapat direpresentasikan dengan menggunakan logika
proposisi.
 Pada logika predikat kita dapat merepresentasikan fakta-fakta
sebagai suatu pernyataan yang disebut dengan wff (well-formed
formula).
 Misal:
Andi adalah seorang laki-laki : A
Ali adalah seorang laki-laki : B
Amir adalah seorang laki-laki : C
Anto adalah seorang laki-laki : D
Agus adalah seorang laki-laki : E
 Bisa ditulis sebagai:
laki2(X)
 dimana X adalah variabel yang bisa disubstitusikan dengan Andi,
Ali, Amir, Anto, Agus dan laki-laki yang lain.
Contoh …
Misalkan terdapat pernyataan-pernyataan sebagai
berikut:
1. Andi adalah seorang mahasiswa.
2. Andi masuk Jurusan Informatika.
3. Setiap mahasiswa Informatika pasti mahasiswa teknik.
4. Alpro adalah matakuliah yang sulit.
5. Setiap mahasiswa teknik pasti akan suka Alpro atau
akan membencinya.
6. Setiap mahasiswa pasti akan suka terhadap suatu
matakuliah.
7. Mahasiswa yang tidak pernah hadir pada kuliah
matakuliah sulit, maka mereka pasti tidak suka terhadap
matakuliah tersebut.
8. Andi tidak pernah hadir kuliah matakuliah Alpro.
Ketujuh pernyataan di atas dapat dibawa ke bentuk
logika predikat sebagai berikut:
1. mahasiswa(Andi)
2. Informatika(Andi)
3. "x:Informatika(x)  Teknik(x).
4. sulit(Alpro).
5. "x:Teknik(x)  suka(x,Alpro) 
benci(x,Alpro).
6. "x:$y:suka(x,y).
7. "x:"y:mahasiswa(x)sulit(y) 
hadir(x,y) suka(x,y)
8. hadir(Andi,Alpro).
 Andaikan kita akan menjawab pertanyaan:
“Apakah Andi suka matakuliah Alpro?”
maka dari pernyataan ke-7 kita akan membuktikan
bahwa Andi tidak suka dengan matakuliah Alpro.
 Dengan menggunakan penalaran backward bisa
dibuktikan bahwa:
suka(Andi,Alpro)
dengan menggunakan penalaran backward,
sebagai berikut:
suka(Andi,Alpro)
(7, substitusi)
mahasiswa(Andi) 
sulit(Alpro) 
hadir(Andi, Alpro)
(1)
sulit(Alpro) 
hadir(Andi, Alpro)
(4)
hadir(Andi, Alpro)
(8)
Computable Function

 Misalkan kita ingin menyatakan bahwa suatu

bilangan x lebih besar daripada y. Untuk itu
diperlukan Computable Function.
 Contoh:
lb(1,0) lk(0,1)
lb(2,1) lk(1,2)
lb(3,2) lk(2,3)
 Computable function biasanya juga digunakan
sebagai computable predicates, sehingga kita dapat
mengevaluasi predikat:
lb(2+3,1)
POHON
 Pohon merupakan struktur penggambaran pohon
secara hirarkis.

B C D

E F G H I J K L
JARINGAN SEMANTIK

 Jaringan semantik merupakan gambaran

pengetahuan grafis yang menunjukkan hubungan
antar berbagai obyek.
 Jaringan semantik terdiri-dari lingkaran-lingkaran
yang menunjukkan obyek dan informasi tentang
obyek-obyek tersebut.
 Obyek bisa berupa benda atau peristiwa.
 Antara 2 obyek dihubungkan oleh arc yang
menunjukkan hubungan antar obyek.
 sekolah
masjid

Budi pergi toko

kebun
binatang
sawah
 pagi roda

masuk sekolah sepeda punya

Jumlah
nya
pergi Ber
dua
warna
naik
membaca
merah
buku Budi
Ber adalah
judul Ber
kakak warna
si
kancil laki2
punya baju
Ani
adalah
adalah adalah
Bina adalah
tang adalah wanita
makhluk
hidup
FRAME

 Frame merupakan kumpulan pengetahuan tentang

suatu obyek tertentu, peristiwa, lokasi, situasi, dll.
 Frame memiliki slot yang menggambarkan rincian
(atribut) dan karakteristik obyek.
 Frame biasanya digunakan untuk merepresentasi-
kan pengetahuan yang didasarkankan pada
karakteristik yang sudah dikenal, yang merupakan
pengalaman-pengalaman.
 Dengan menggunakan frame, sangatlah mudah
untuk membuat inferensi tentang obyek, peristiwa
atau situasi baru, karena frame menyediakan basis
pengatahuan yang ditarik dari pengalaman.
 Frame
alat-alat
transportasi

Frame
macam-macam
Trans. Darat angkutan darat

Frame
Slot Mobil Mobil

Frame Slot Sedan

jenis bahan bakar

Slot bensin

Slot solar
NASKAH (SCRIPT)
 Script adalah skema representasi pengetahuan yang sama dengan
frame, yaitu merepresentasikan pengetahuan berdasarkan karakteristik
yang sudah dikenal sebagai pengalaman-pengalaman.
 Perbedaannya, frame menggam-barkan obyek sedangkan script
menggambarkan urutan peristiwa.
 Dalam menggambarkan urutan peristiwa, script menggunakan slot
yang berisi informasi tentang orang, obyek, dan tindakan-tindakan yang
terjadi dalam suatu peristiwa.
 Elemen-elemen script meliputi:
 Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku
suatu peristiwa dalam script
 Track, yaitu variasi yang mungkin terjadi dalam suatu script.
 Prop, berisi obyek-obyek pendukung yang digunakan selama peristiwa
terjadi.
 Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa.
 Scene, yaitu adegan yang dimainkan yang menjadi bagian dari suatu
peristiwa.
 Hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi.
Contoh …

 Jalur (track) :
 Ujian tertulis matakuliah Kecerdasan Buatan
 Role (peran) :
 Mahasiswa, Pengawas
 Prop (pendukung) :
 lembar soal, lembar jawab, presensi, pena, dll.
 Kondisi Input :
 Mahasiswa terdaftar untuk mengikuti ujian.
 Adegan-1 : Persiapan pengawas.
 Pengawas menyiapkan lembar soal.
 Pengawas menyiapkan lembar jawab.
 Pengawas menyiapkan lembar presensi.
 Adegan-2 : Mahasiswa masuk ruangan.
 Pengawas mempersilahkan mahasiswa masuk.
 Pengawas membagikan lembar soal.
 Pengawas membagikan lembar jawab.
 Pengawas memimpin doa.
 Adegan-3 : Mahasiswa mengerjakan soal ujian
 Mahasiswa menulis identitas di lembar jawab.
 Mahasiswa menandatangani lembar jawab.
 Mahasiswa mengerjakan soal
 Mahasiswa mengecek jawaban
 Adegan-4 : Mahasiswa telah selesai ujian.
 Pengawas mempersilahkan mahasiswa keluar ruangan.
 Mahasiswa mengumpulkan kembali lembar jawab.
 Mahasiswa keluar ruangan.
 Adegan-5 : Pengawas mengemasi lembar jawab.
 Pengawas mengurutkan lembar jawab.
 Pengawas mengecek lembar jawab dan presensi.
 Pengawas meninggalkan ruangan.
 Hasil:
 Mahasiswa merasa senang dan lega.
 Mahasiswa merasa kecewa.
 Mahasiswa pusing.
 Mahasiswa memaki-maki.
 Mahasiswa sangat bersyukur.
KAIDAH PRODUKSI

 Kaidah Produksi secara umum terdiri-dari

komponen-komponen sebagai berikut:
 Ruang keadaan, yang berisi keadaan awal, tujuan
dan kumpulan aturan yang digunakan untuk
mencapai tujuan.
 Strategi Kontrol, yang berguna untuk
mengarahkan bagaimana proses pencarian akan
berlangsung dan mengendalikan arah explore.
 Representasi pengetahuan dengan kaidah produksi,
pada dasarnya berupa aplikasi aturan (rule) yang
berupa:
 Antecedent, yaitu bagian yang mengekspresikan situasi
atau premis (Pernyataan berawalan IF).
 Konsekuen, yaitu bagian yang menyatakan suatu tindakan
tertentu atau konklusi yang diterapkan jika suatu situasi
atau premis bernilai benar (Pernyataan berawalan THEN).
 Konsekuensi atau konklusi yang dinyatakan pada
bagian THEN baru dinyatakan benar, jika bagian IF
pada sistem tersebut juga benar atau sesuai
dengan aturan tertentu.
 Apabila pengetahuan direpresentasikan dengan
aturan, maka ada 2 metode penalaran yang
dapat digunakan, yaitu:
 Forward Reasoning (Penalaran Maju). Pelacakan
dimulai dari keadaan awal (informasi atau fakta yang
ada) dan kemudian dicoba untuk mencocokkan dengan
tujuan yang diharapkan.
 Backward Reasoning (Penalaran Mundur). Pada
penalaran ini dimulai dari tujuan atau hipotesa, baru
dicocokkan dengan keadaan awal atau fakta-fakta yang
ada.
Forward Reasoning (Penalaran Maju).
Keadaan Awal
A

B C D

E F G H I J K L

Tujuan Tujuan

M N O P

Tujuan Tujuan
Backward Reasoning (Penalaran Mundur).
Tujuan
A

B C D

E F G H I J K L

Keadaan Keadaan
Awal Awal
M N O P

Keadaan Keadaan
Awal Awal
 Ada beberapa faktor yang mempengaruhi pemilihan
backward atau forward dalam memilih metode
penalaran, antara lain:
 Banyaknya keadaan awal dan tujuan. Jika jumlah
keadaan awal lebih kecil daripada tujuan, maka
digunakan penalaran forward. Sebaliknya, jika jumlah
keadaan awal lebih banyak daripada tujuan, maka
dipilih penalaran backward.
 Rata-rata jumlah node yang dapat diraih secara
langsung dari suatu node. Lebih baik dipilih yang
jumlah node tiap cabangnya lebih sedikit.
 Apakah program butuh menanyai user untuk
melakukan justifikasi terhadap proses penalaran? Jika
iya, maka alangkah baiknya jika dipilih arah yang lebih
memudahkan user.
 Bentuk kejadian yang akan memicu penyelesaian
masalah. Jika kejadian itu berupa fakta baru, maka
lebih baik dipilih penalaran forward. Namun, jika
kejadian itu berupa query, maka lebih baik digunakan
penalaran backward.
PENGANTAR SISTEM PAKAR
Pokok Bahasan
 Apakah Sistem Pakar?
 Sejarah Sistem Pakar
 Keuntungan & Kelemahan Sistem Pakar
 Sistem Konvensional vs Pakar
 Bentuk Sistem Pakar
 Struktur Sistem Pakar
 Basis Pengetahuan
 Inference Engine
Apakah Sistem Pakar?

 Secara umum, sistem pakar (expert system) adalah

sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa
dilakukan oleh para ahli.
 Sistem pakar yang baik dirancang agar dapat
menyelesaikan suatu permasalahan tertentu
dengan meniru kerja dari para ahli.
 Dengan sistem pakar ini, orang awampun dapat
menyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan
bantuan para ahli.
 Menurut Durkin: Sistem pakar adalah suatu program
komputer yang dirancang untuk memodelkan
kemampuan penyelesaian masalah yang dilakukan
oleh seorang pakar.
 Menurut Ignizio: Sistem pakar adalah suatu model
dan prosedur yang berkaitan, dalam suatu domain
tertentu, yang mana tingkat keahliannya dapat
dibandingkan dengan keahlian seorang pakar.
 Menurut Giarratano dan Riley: Sistem pakar adalah
suatu sistem komputer yang bisa menyamai atau
meniru kemampuan seorang pakar.
Sejarah Sistem Pakar

 Sistem pakar pertama kali dikembangkan oleh

komunitas AI pada pertengahan tahun 1960.
 Sistem pakar yang muncul pertama kali adalah
General-purpose Problem Solver (GPS) yang
dikembangkan oleh Newel dan Simon.
 GPS (dan program-program yang serupa) ini
mengalami kegagalan dikarenakan cakupannya
terlalu luas sehingga terkadang justru meninggalkan
pengetahuan-pengetahuan penting yang
seharusnya disediakan.
Sistem Pakar Kegunaan
MYCIN Diagnosa penyakit
DENDRAL Mengidentifikasi struktur molekular
campuran yang tak dikenal

XCON & XSEL Membantu konfigurasi sistem komputer

besar
SOPHIE Analisis sirkit elektronik
Prospector Digunakan di dalam geologi untuk
membantu mencari dan menemukan
deposit.
FOLIO Membantu memberikan keputusan bagi
seorang manajer dalam hal stok broker
dan investasi.
DELTA Pemeliharaan lokomotif listrik disel
Keuntungan ES
 Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli;
 Bisa melakukan proses secara berulang secara otomatis;
 Menyimpan pengetahuan dan keahlian para pakar;
 Meningkatkan output dan produktivitas.
 Meningkatkan kualitas.
 Mampu mengambil dan melestarikan keahlian para pakar (terutama
yang termasuk keahlian langka).
 Mampu beroperasi dalam lingkungan yang berbahaya.
 Memiliki kemampuan untuk mengakses pengetahuan.
 Memiliki reliabilitas.
 Meningkatkan kapabilitas sistem komputer.
 Memiliki kemampuan untuk bekerja dengan informasi yang tidak
lengkap dan mengandung ketidakpastian.
 Sebagai media pelengkap dalam pelatihan.
 Meningkatkan kapabilitas dalam penyelesaian masalah.
 Menghemat waktu dalam pengambilan keputusan.
Kelemahan ES

 Biaya yang diperlukan untuk membuat dan

memeliharanya sangat mahal.
 Sulit dikembangkan. Hal ini tentu saja erat kaitannya
dengan ketersediaan pakar di bidangnya.
 Sistem Pakar tidak 100% bernilai benar.
Sistem konvensional vs pakar
Sistem Konvensional
Informasi dan pemrosesannya
biasanya jadi satu dengan program
Biasanya tidak bisa menjelaskan
mengapa suatu input data itu
dibutuhkan, atau bagaimana output
itu diperoleh.
Pengubahan program cukup sulit &
membosankan.
Sistem hanya akan beroperasi jika
sistem tersebut sudah lengkap.
Eksekusi dilakukan langkah demi
langkah.
Menggunakan data.
Tujuan utamanya adalah efisiensi.
Sistem Pakar
Basis pengetahuan merupakan
bagian terpisah dari mekanisme
inferensi.
Penjelasan adalah bagian terprnting
dari sistem pakar.
Pengubahan aturan dapat dilakukan
dengan mudah.
Sistem dapat beroperasi hanya
dengan beberapa aturan.
Eksekusi dilakukan pada keseluruhan
basis pengetahuan.
Menggunakan pengetahuan.
Tujuan utamanya adalah efektivitas.
Bentuk ES
 Berdiri sendiri. Sistem pakar jenis ini merupakan software yang
berdiri-sendiri tidak tergabung dengan software yang lainnnya.
 Tergabung. Sistem pakar jenis ini merupakan bagian program
yang terkandung di dalam suatu algoritma (konvensional), atau
merupakan program dimana di dalamnya memanggil algoritma
subrutin lain (konvensional).
 Menghubungkan ke software lain. Bentuk ini biasanya
merupakan sistem pakar yang menghubungkan ke suatu paket
program tertentu, misalnya dengan DBMS.
 Sistem mengabdi. Sistem pakar merupakan bagian dari
komputer khusus yang dihubungkan dengan suatu fungsi
tertentu. Misalnya sistem pakar yang digunakan untuk membantu
menganalisis data radar.
Struktur Sistem Pakar
Basis Pengetahuan
User Fakta-fakta
tentang kejadian Fakta: Apa yang diketahui
khusus
tentang area domain
Antarmuka Aturan: logical reference
Fasilitas
penjelasan
Rekayasa
pengetahuan
oInterpreter Penambahan
oScheduler pengetahuan
Aksi yang
Inference oConsistency
direkomendasi Enforcer Pengetahuan
Engine
ahli

Blackboard
Penyaring
Rencana Agenda pengetahuan
Solusi Deskripsi
masalah
Basis Pengetahuan

 Basis pengetahuan berisi pengetahuan-

pengetahuan dalam penyelesaian masalah,
tentu saja di dalam domain tertentu.
 Ada 2 bentuk pendekatan basis pengetahuan
yang sangat umum digunakan, yaitu:
 Penalaran berbasis aturan (Rule-Based
Reasoning)
 Penalaran berbasis kasus (Case-Based
Reasoning).
 Pada penalaran berbasis aturan, pengetahuan direpresentasikan
dengan menggunakan aturan berbentuk: IF-THEN. Bentuk ini
digunakan apabila kita memiliki sejumlah pengetahuan pakar
pada suatu permasalahan tertentu, dan si pakar dapat
menyelesaikan masalah tersebut secara berurutan. Disamping
itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan
tentang jejak (langkah-langkah) pencapaian solusi.
 Pada penalaran berbasis kasus, basis pengetahuan akan berisi
solusi-solusi yang telah dicapai sebelumnya, kemudian akan
diturunkan suatu solusi untuk keadaan yang terjadi sekarang
(fakta yang ada). Bentuk ini digunakan apabila user
menginginkan untuk tahu lebih banyak lagi pada kasus-kasus
yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan
apabila kita telah memiliki sejumlah situasi atau kasus tertentu
dalam basis pengetahuan.
Inference Engine
 Forward Chaining. Pencocokan fakta atau
pernyataan dimulai dari bagian sebelah kiri (IF
dulu). Penalaran dimulai dari fakta terlebih dahulu
untuk menguji kebenaran hipotesis.
 Backward Chaining. Pencocokan fakta atau
pernyataan dimulai dari bagian sebelah kanan
(THEN dulu). Penalaran dimulai dari hipotesis
terlebih dahulu, dan untuk menguji kebenaran
hipotesis tersebut dicari harus dicari fakta-fakta
yang ada dalam basis pengetahuan.
Contoh …
 Ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal
yang diberikan hanya: A & E (artinya: A dan E bernilai benar). Ingin
dibuktikan apakah K bernilai benar (hipotesis: K)?

No. Aturan
R-1 IF A & B THEN C
R-2 IF C THEN D
R-3 IF A & E THEN F
R-4 IF A THEN G
R-5 IF F & G THEN D
R-6 IF G & E THEN H
R-7 IF C & H THEN I
R-8 IF I & A THEN J
R-9 IF G THEN J
R-10 IF J THEN K
Dengan Forward Chaining …
 Munculnya fakta baru pada saat inferensi:

Aturan Fakta Baru

R-3 F
R-4 G

R-5 D

R-6 H
R-9 J

R-10 K
 Alur inferensi:

R-10
R-9 J K
Fakta R-4
G
A
R-5
R-3 F D R-6 H
E
Fakta
Dengan Backward Chaining …
 Alur inferensi:
Fakta
R-10 C A
K J I
R-8 R-7 R-1

A H B

Tidak
diketahui
(a) Pertama: Gagal

Fakta
R-10 R-9 R-4
K J G A

(b) Kedua: Sukses

 Tabel keputusan (decision table)
C130 C141 C5A Boeing747

Jenis mesin Propeler Jet Jet Jet

Bentuk sayap Standar Miring Miring Miring

Posisi sayap Tinggi Tinggi Tinggi Rendah

Bentuk ekor Standar T-tail T-tail Standar

Badan Underwings Aftwings None Aftcockpit

19
Pohon keputusan (decision tree)
Jenis mesin
jet prop

Bentuk sayap C130

miring standar

Posisi sayap ?
rendah tinggi

B747 Bentuk ekor

standar T-tail

? Bentuk badan

none aftwings underwings aftcockpit

C5A C141 ? ?
Pohon keputusan disederhanakan

Jenis mesin
jet prop

Posisi sayap C130

rendah tinggi

B747 Bentuk badan

none aftwings

C5A C141
penyederhanaan

 Membantu proses yang dilakukan komputer

dari sisi penyimpanan dan kecepatan proses
terkait kaidah yang dihasilkan pohon
keputusan
 Atribut direduksi menyebabkan premis
berkurang yang membantu pada sesi
konsultasi (lebih efisien)

22
Kaidah produksi

 Kaidah yang mengacu pada tabel keputusan

akan menampilkan semua atribut untuk
identifikasi
 Kaidah yang dihasilkan pohon keputusan
hanya menampilkan atribut yang khusus
digunakan untuk identifikasi

23
Kaidah yang efisien

 Kaidah yang memiliki atribut (premis) yang

lebih sedikit dan dalam sesi konsultansi akan
memunculkan pertanyaan-pertanyaan yang
potensial saja kepada pengguna
 Pohon keputusan minimal tidak selalu
menjadi yang terbaik, tergantung dari kasus
dan situasi

24
Kaidah produksi 1 (lengkap)
Kaidah 1:
IF jenis mesin prop AND posisi sayap tinggi
AND bentuk sayap standar AND bentuk ekor
standar AND bentuk badan underwings
THEN pesawat C130
Kaidah 2:
IF jenis mesin jet AND posisi sayap tinggi AND
bentuk sayap miring AND bentuk ekor t-tail
AND bentuk badan aftwings THEN pesawat
C141
25
Kaidah produksi 1 (lengkap)

Kaidah 3:
IF jenis mesin jet AND posisi sayap tinggi AND
bentuk sayap miring AND bentuk ekor t-tail
AND bentuk badan none THEN pesawat C5A
Kaidah 4:
IF jenis mesin jet AND posisi sayap rendah
AND bentuk sayap miring AND bentuk ekor
standar AND bentuk badan aftcockpit THEN
pesawat B747
26
Kaidah produksi 2 (sederhana)

Kaidah 1:
IF jenis mesin prop THEN pesawat C130
Kaidah 2:
IF jenis mesin jet AND posisi sayap rendah
THEN pesawat B747

27
Kaidah produksi 2 (sederhana)

Kaidah 3:
IF jenis mesin jet AND posisi sayap tinggi AND
bentuk badan none THEN pesawat C5A
Kaidah 4:
IF jenis mesin jet AND posisi sayap tinggi AND
bentuk badan aftwings THEN pesawat C141

28
 Tabel keputusan (CONTOH LAIN)
Penyakit 1 Penyakit 2 Penyakit 3 Penyakit 4

Gejala 1 Y Y Y T

Gejala 2 Y T Y Y

Gejala 3 Y T T Y

Gejala 4 T T T Y

Gejala 5 T Y Y T

29
POHON KEPUTUSAN???

30
 SISTEM FUZZY

PENDAHULUAN
SISTEM FUZZY

 merupakan alternatif terhadap notasi

himpunan klasik dengan himpunan
keanggotaan dan logika.
 suatu cara untuk memetakan suatu ruang
input ke dalam suatu ruang output.
SKEMA SISTEM FUZZY

 Antara input dan output terdapat suatu kotak

hitam yang harus memetakan input ke output
yang sesuai.
Misal :

Pemetaan input-output pada masalah produksi : “ diberikan data

persediaan barang, berapa jumlah barang yang harus diproduksi ?”
Ada beberapa cara/metode yang
mampu bekerja di kotak hitam
tersebut, misal :
•sistem fuzzy
•jaringan syaraf tiruan
•sistem linear
•sistem pakar
•persamaan diferensial, dll.
NAMUN MENURUT PROF. LOTFI A. ZADEH, PENEMU
TEORI LOGIKA FUZZY DI TAHUN 1960-AN :

“Pada hampir semua kasus

kita dapat menghasilkan
suatu produk tanpa
menggunakan logika fuzzy,
namun menggunakan
fuzzy akan lebih cepat dan
lebih murah”
ALASAN MENGGUNAKAN SISTEM FUZZY
1. Konsep logika fuzzy mudah dimengerti
2. Logika fuzzy sangat fleksibel
3. Memiliki toleransi terhadap data-data yang
tidak tepat
4. Dapat membangun dan mengaplikasikan
pengalaman-pengalaman para pakar secara
langsung tanpa harus melalui proses
pelatihan
5. Logika fuzzy didasarkan pada bahasa alami
APLIKASI LOGIKA FUZZY

1. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di

Jepang (Matsushita Electric Industrial Company). Sistem
fuzzy digunakan untuk menentukan putaran yang tepat
secara otomatis berdasarkan jenis dan banyaknya kotoran
serta jumlah yang akan dicuci. Input yang digunakan :
 seberapa kotor

 jenis kotoran

 banyaknya yang dicuci.

Mesin ini menggunakan sensor optik, mengeluarkan cahaya

ke air dan mengukur bagaimana cahaya tersebut sampai ke
ujung lainnya. Makin kotor, maka sinar yang sampai makin
redup. Sistem juga mampu menentukan jenis kotoran
tersebut daki/minyak.
2. Transmisi otomatis pada mobil Nissan, menghemat bensin
12 –17 %
3. Kereta bawah tanah Sendai mengontrol pemberhentian
otomatis pada area tertentu
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker
5. Manajemen dan pengambilan keputusan, misal tata letak
pabrik berdasarkan logika fuzzy, pembuatan games
berdasarkan logika fuzzy,dll
6. Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca
7. Teknik,misal perancangan jaringan komputer, prediksi adanya
gempa bumi, dll
8. dsb
KONSEP DASAR
HIMPUNAN TEGAS (CRISP)

nilai keanggotaan suatu item x dalam suatu

himpunan A, yang sering ditulis dengan µA[x],
memiliki 2 kemungkinan, yaitu :

 1, yang berarti bahwa item tersebut (x) anggota

himpunan A
 0, yang berarti bahwa item tersebut (x) bukan
anggota himpunan A
CONTOH :
•S = [1,2,3,4,5,6] adalah semesta pembicaraan
A = [1,2,3]
B = [3,4,5]

Jadi:
Nilai keanggotaan2 padahimpunanA, μA[2] = 1 , karena 2 ∈A
Nilai keanggotaan3 padahimpunanA, μA[3] = 1 , karena3 ∈A
Nilai keanggotaan4 padahimpunanA, μA[4] = 0 , karena 4 ∉ A
Nilai keanggotaan2 padahimpunanB, μB[2] = 0 , karena 2 ∉ B
Nilai keanggotaan3 padahimpunanB, μB[3] = 1 , karena 3 ∈A
misal variabel umur dibagi menjadi 3 kategori,
yaitu:
 MUDA umur< 35 tahun

 PAROBAYA 35 ≤ umur≤ 55 tahun

 TUA umur> 55 tahun

NILAI KEANGGOTAAN SECARA GRAFIS, HIMPUNAN MUDA, PAROBAYA, TUA :
 MUDA umur< 35 tahun

PAROBAYA 35 ≤ umur≤ 55 tahun

TUA umur> 55 tahun

 Usia 34 tahun maka dikatakan MUDA, μMUDA[34] = 1

 Usia 35 tahun maka dikatakan TIDAK MUDA,
μMUDA[35] = 0
 Usia 35 tahun maka dikatakan PAROBAYA,
μPAROBAYA[35] = 1
 Usia 34 tahun makadikatakan TIDAK PAROBAYA,
μPAROBAYA[34] = 0
 Usia 35 tahun kurang 1 hari maka dikatakan TIDAK
PAROBAYA, μPAROBAYA[35 th–1 hari] = 0
 Usia 35 tahun lebih 1 hari maka dikatakanTIDAK MUDA,
μMUDA[35 th+ 1 hari] = 0
 Himpunan crisp untuk menyatakan umur bisa
tidak adil karena adanya perubahan kecil saja
pada suatu nilai mengakibatkan perbedaan
kategori yang cukup signifikan.
HIMPUNAN FUZZY

Himpunan fuzzy digunakan untuk mengantisipasi

hal tersebut di atas.
Seseorang dapat masuk dalam 2 himpunan yang
berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA, dsb.
Seberapa besar eksistensinya dalam himpunan
tersebut dapat dilihat pada nilai/derajat
keanggotaannya.
HIMPUNANFUZZY UNTUKVARIABELUMUR :
 usia 40 tahun termasuk dalam himpunan
MUDA dengan µMUDA[40] = 0,25
termasuk juga dalam himpunan PAROBAYA
dengan µPAROBAYA [40] = 0,5
 usia 50 tahun termasuk dalam himpunan TUA
dengan µTUA[50] = 0,25
termasuk juga dalam himpunan PAROBAYA
dengan µPAROBAYA [50] = 0,5
•Himpunan crisp, nilai keanggotaan hanya 0 dan 1.
•Himpunan fuzzy, derajat/nilai keanggotaan terletak
pada rentang 0 sampai 1 [0,1] sehingga:
Bila x memiliki derajat keanggotaan fuzzy μA[x] = 0,
x bukan anggota himpunan A
Bila x memiliki derajat keanggotaan fuzzy μA[x] = 1
x anggota penuh himpunan A
2 ATRIBUT DALAM HIMPUNAN FUZZY
1. Linguistik
yaitu penamaan suatu grup yang mewakili
suatu keadaan atau kondisi tertentu dengan
menggunakan bahasa alami, seperti MUDA,
PAROBAYA, TUA.
2. Numeris
yaitu suatu nilai (angka) yang menunjukkan
ukuran dari suatu variabel seperti : 40, 30, 35,
dsb.
PERLU DIKETAHUI

Dalam sistem fuzzy :

 Variabel fuzzy
 Himpunan fuzzy

 Semesta Pembicaraan

 Domain
VARIABEL FUZZY

 Merupakan variabel yang hendak dibahas

dalam suatu sistem fuzzy

 Contoh : umur, suhu, permintaan, dsb.

HIMPUNAN FUZZY

 Merupakan suatu grup yang mewakili suatu

kondisi atau keadaan tertentu dalam suatu
variabel fuzzy

 Contoh :
Variabel umur : MUDA, PAROBAYA, TUA
Variabel suhu : DINGIN, SEJUK, NORMAL,
PANAS, HANGAT
SEMESTA PEMBICARAAN
 Adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy.
 SP merupakan himpunan bilangan real yang
senantiasa naik (bertambah) secara monoton dari kiri
ke kanan.
 Nilai SP dapat berupa bilangan positif ataupun
negatif.
 Adakalanya nilai SP tidak dibatasi batas atasnya.
Contoh :

SP untuk variabel umur : [0, +

∞)

SP untuk variabel suhu: [0, 40]

DOMAIN

 Adalah keseluruhan nilai yang diijinkan dalam

SP dan boleh dioperasikan dalam suatu
himpunan fuzzy.
CONTOH DOMAIN HIMPUNAN FUZZY :
 MUDA =[0,45]
 PAROBAYA =[35, 55]
 TUA =[45, +
∞]
 DINGIN =[0,20]
 SEJUK =[ 15, 25]
 NORMAL =[20, 30]
 HANGAT =[25 35]
 PANAS =[30 ,,40]
OPERATOR-OPERATOR
FUZZY
 Operasi Logika (Operasi Himpunan Fuzzy)

 Operasi logika adalah operasi yang

mengkombinasikan dan memodifikasi 2 atau lebih
himpunan fuzzy. Nilai keanggotaan baru hasil operasi
dua himpunan disebut firing strength atau 
predikat, terdapat 3 operasi dasar pada himpunan
fuzzy :
 OR (Union)
 Fuzzy union (): union dari 2 himpunan adalah maksimum dari tiap pasang
elemen element pada kedua himpunan

 Contoh:
 A = {1.0, 0.20, 0.75}
 B = {0.2, 0.45, 0.50}
 A  B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}

3
OR (Union)
Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada
himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8

maka  -predikat untuk usia MUDA atau berpenghasilan

TINGGI adalah nilai keanggotaan maksimum :
MUDA  GAJITINGGI = max(MUDA[27],
GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
AND (Intersection)
⚫ Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah minimum dari
tiap pasang elemen pada kedua himpunan.

⚫ contoh.
 A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20,
0.50}
AND (Intersection)
Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8

maka  -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai
keanggotaan minimun :

MUDAGAJITINGGI = min( MUDA[27],  GAJITINGGI[2juta])

= min (0,6 ; 0,8)
= 0,6
 NOT (Complement)
7

 Komplemen dari variabel fuzzy dengan derajat

keanggotaan=x adalah (1-x).
 Komplemen ( _c): komplemen dari himpunan fuzzy terdisi
dari semua komplemen elemen.
 Contoh
 Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
Misal nilai keanggotaan umur 27 pada himpunan muda
adalah MUDA[27]= 0,6 maka  -predikat untuk
usia TIDAK MUDA adalah :
MUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
 Contoh

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau -predikat
9
Misalkan nilai keanggotaan IP 3.2 pada himpunan IPtinggi
AND
adalah 0.7 dan nilai keanggotaan 8 semester pada himpunan
LulusCepat adalah 0.8 maka -predikat untuk IPtinggi dan
AB [x] = min(A[x], B[x]) LulusCepat:

IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])

= min(0.7,0.8) = 0.7
OR

AB [x] = max(A[x], B[x]) -predikat untuk IPtinggi atau LulusCepat:

IPtinggiLulusCepat = max(IPtinggi[3.2], LulusCepat[8])

= max(0.7,0.8) = 0.8
NOT (Complement)

A’[x] = 1 - A[x] -predikat untuk BUKAN IPtinggi :

IPtinggi‘ = 1 - IPtinggi[3.2] = 1 - 0.7 = 0.3

 A B

AB AB A
A’
AB
AB
Penalaran monoton
(Aturan Fuzzy If Then)
 Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan,
namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel
fuzzy direlasikan dengan implikasi sederhana sebagai berikut :

If x is A Then Y is B

atau y=f((x,A),B)

maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai
keanggotaan yang berhubungan dengan antesendennya
 Contoh Implementasi

a. A2 B
A1 Aplikasi fungsi implikasi Min

X1 X2 Y

If X1 is A1 and X2 is A2 Then Y is B

Aplikasi fungsi implikasi Dot

A1 A2 B
b.

X1 X2 Y

If X1 is A1 and X2 is A2 Then Y is
B

Gambar 4. (a) Aplikasi fungsi implikasi menggunakan

operator min. (b) Aplikasi fungsi implikasi menggunakan
operator dot.

<Intelligence System>
FUNGSI IMPLIKASI
 Bentuk umum aturan yang digunakan dalam fungsi
implikasi :
IF x is A THEN y is B
dengan x dan y adalah skalar, A dan B adalah
himpunan fuzzy.
Proposisi yang mengikuti IF disebut anteseden,
sedangkan proposisi yang mengikuti THEN disebut
konsekuen.
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan memotong output
himpunan fuzzy
2. Dot (product), fungsi ini akan menskala output
himpunan fuzzy
FUNGSI KEANGGOTAAN
FUZZY
Himpunanfuzzy untukvariabelUMUR :
FUNGSI KEANGGOTAAN
(Membership Function)

Merupakan suatu kurva yang menunjukan pemetaan

titik – titik input data kedalam nilai keanggotaanya
(sering juga disebut dengan derajat keanggotaan)
yang memiliki interval antara 0 sampai 1. Salah satu
cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan
fungsi.
Beberapa Fungsi yang Bisa Digunakan
1. Representasi Kurva Linier
 Naik
 Turun
2. Representasi Kurva Segitiga
3. Representasi Kurva Trapesium
4. Representasi Kurva Bentuk Bahu
5. Representasi Kurva-S
 Pertumbuhan
 Penyusutan
6. Representasi Kurva Bentuk Lonceng
 Kurva π
 Kurva Beta
 Kurva Gauss
1. Representasi Kurva Linier
 Pada representasi linear, pemetaan input ke derajat
keanggotaannya digambarkan sebagai suatu garis lurus.
Bentuk ini paling sederhana dan menjadi pilihan yang baik
untuk mendekati suatu konsep yang kurang jelas.
 Ada 2 keadaaan himpunan fuzzy yang linear.
1. Representasi Linier Naik: Kenaikan himpunan dimulai pada
nilai domain yang memiliki derajat keanggotaan nol [0]
bergerak ke kanan menuju ke nilai domain yang memiliki
derajat keanggotaan lebih tinggi.
2. Representasi Linier Turun: merupakan kebalikan yang
pertama. Garis lurus dimulai dari nilai domain dengan derajat
keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah
 a. Representasi Linier Naik

FUNGSI KEANGGOTAAN:
Contoh :
 b. Representasi Linier Turun

FUNGSI KEANGGOTAAN:
Contoh :
 2. Representasi Kurva Segitiga
 pada dasarnya merupakan gabungan antara 2 garis
(linear).

FUNGSI KEANGGOTAAN:
Contoh :
3. Representasi Kurva Trapesium
Pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa
titik yang memiliki nilai keanggotaan 1

FUNGSI KEANGGOTAAN:
 4. Representasi Kurva Bentuk Bahu
• Daerah yang terletak ditengah – tengah suatu variabel yang direpresentasikan
dalambentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun (misalkan :
DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS).
•Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan.
Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan temperatur akan tetap
berada pada kondisi PANAS.
•Himpunan fuzzy ‘bahu’ , bukan segitiga, digunakan untuk mengakhiri variabel suatu
daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan
bergerak dari salah ke benar.
•Gambar menunjukkan variabelTEMPERATUR dengan daerah bahunya.

Bahu Kiri Bahu kanan

5. Representasi Kurva-S (Sigmoid)
 Kurva PERTUMBUHAN dan PENYUSUTAN
merupakan kurva-S atau sigmoid yang
berhubungan dengan kenaikan dan penurunan
permukaan secara tak linear.
 Kurva-S didefinisikan dengan menggunakan 3
parameter, yaitu : nilai keanggotaan nol (α), nilai
keanggotaan lengkap (), dan titik infleksi atau
crossover (β) yaitu titik yang memiliki domain 50%
benar.
 a. Kurva-S Pertumbuhan
Fungsi keanggotaan pada
kurva PERTUMBUHAN:

0,5

α; µ(x)=0 γ; µ(x)=1

β; µ(x)=0,5
b. Kurva-S Penyusutan

Fungsi keanggotaan pada

1 kurva PENYUSUTAN:

0,5

α; µ(x)=1 γ; µ(x)=0

β; µ(x)=0,5
6. Representasi Kurva Bentuk Lonceng

 Kurva berbentuk lonceng ini terbagi atas 3 kelas,

yaitu himpunan fuzzy π, beta, dan Gauss.
Perbedaan ketiga kurva ini terletak pada
gradiennya.
 a. Kurva π
Kurva π: berbentuk lonceng dengan derajat keanggotaan 1
terletak pada pusat dengan domain (γ), dan lebar kurva (β)
Pusat (γ)
1 Nilai kurva untuk suatu nilai
domain x diberikan sebagai :
0,5

Titik
Infleksi Lebar (β)

Domain
 b. Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat.
Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada domain yang
menunjukan pusat kurva (γ), dan setengah lebar kurva (β)

1 Pusat (γ)
Nilai kurva untuk suatu nilai
domain x diberikan sebagai :
0,5

Titik Infleksi (γ- β) Titik Infleksi (γ+ β)

 c. Kurva Gauss
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan (β), kurva
GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva,
dan (k) yang menunjukkan lebar kurva.

1 Pusat (γ) Nilai kurva untuk suatu nilai

domain x diberikan sebagai :
0,5

Lebar (k)

Domain
OPERATOR DASAR ZADEH UNTUK OPERASI HIMPUNAN FUZZY

1. Operator AND

2. Operator OR

3. Operator NOT
Penalaran Monoton
 Digunakan sebagai dasar untuk teknik implikasi
Fuzzy. Meskipun penalaran ini jarang digunakan,
namun terkadang masih digunakan untuk
penskalaan fuzzy
FUZZY INFERENCE
SYSTEMS
 Fuzzy Inference Systems

Kaidah-kaidah

input fuzzyfikasi penaran defusifikasi output

 Pengantar
3

Operasi dari sistem pakar fuzzy tergantung dari

eksekusi 4 fungsi utama:

• Fuzzifikasi dari variabel input

• Inferensi / evaluasi rules
• Komposisi / agregasi
• Defuzzifikasi
 Istilah-Istilah
4

• Fuzzification: definisi dari himpunan fuzzy dan

penentuan derajat keanggotaan dari crisp input
pada sebuah himpunan fuzzy

• Inferensi: evaluasi kaidah/aturan/rule fuzzy

untuk menghasilkan output dari tiap rule

• Composisi: agregasi atau kombinasi dari

keluaran semua rule

• Defuzzification: perhitungan crisp output

 Fuzzy Inference Systems
5

➢ Model Fuzzy Tsukamoto

➢ Model Fuzzy Mamdani
➢ Model Fuzzy Sugeno
 Model Fuzzy Tsukamoto
6
 Karakteristik:
Konsekuen dari setiap aturan if-then fuzzy direpresentasikan dengan
himpunan fuzzy monoton
Contoh:
Sebuah pabrik elektronik dapat berhasil mencapai
permintaan terbesar sebanyak 5000 barang/hari.
Namun pernah pabrik tersebut hanya mencapai
permintaan barang sebanyak 1000 barang/hari.
Persediaan barang di gudang dapat mencapai titik
tertinggi yaitu 600 barang/hari dan titik terendahnya
100 barang/hari. Dengan semua keterbatasannya,
pabrik tersebut dapat memproduksi barang
maksimum 7000 barang/hari dan minimalnya 2000
barang/hari.
 Model Fuzzy Tsukamoto

Apabila proses produksi pabrik tersebut menggunakan aturan

fuzzy sebagai berikut :

[A1] IF Permintaan BANYAK And Persediaan BANYAK

THEN Produksi Barang BERTAMBAH ;
[A2] IF permintaan SEDIKIT And persediaan SEDIKIT
THEN Produksi Barang BERKURANG ;
[A3] IF Permintaan SEDIKIT And Persediaan BANYAK
THEN Produksi Barang BERKURANG ;
[A4] IF permintaan BANYAK And persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH ;

Berapa barang elektronik tersebut harus diproduksi jika jumlah

permintaannya sebanyak 4000 barang dan persediaan di gudang
masih 300 barang ?
7
Permintaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT

[x]
SEDIKIT BANY AK
1

0.75

0.25

0
0 1000 4000 5000
Permintaan (barang/hari)

Nilai Keanggotaan :
PmtSEDIKIT[4000] = (5000-4000)/(5000-1000)
= 0.25
PmtBANYAK[4000] = (4000-1000)/ (5000-1000)
= 0.75 8
Persediaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT

[x]
SEDIKIT BANY AK
1

0.6

0.4

0
0 100 300 600
Persediaan (barang/hari)

Nilai Keanggotaan :
PsdSEDIKIT[300] = (600-300)/(600-100)
= 0.6
PsdBANYAK[300] = (300-100)/(600-100)
= 0.4
 Contoh (4)

Produksi Barang
[x]
BERKURANG BERTAMBAH
1

0
0 2000 7000
Produksi Barang (barang/hari)
Nilai Keanggotaan :
1, z  2000
 7000 − z
 Pr BrgBERKURANG [ z ] =  , 2000  z  7000
 7000 − 2000
0, z  7000
0 z  2000
 z − 2000
 Pr BrgBERTAMBAH [ z ] =  2000  z  7000
 7000 − 2000
1 z  7000
Mencari nilai z untuk setiap aturan
Aturan-2
Aturan-3
Aturan 4
 PERMINTAAN
B: 0.75 S: 0.25
PER
B: 0.4 Bertambah Berkurang
SE
DIAAN S: 0.6 Bertambah Berkurang

PERMINTAAN

B: 0.75 S: 0.25
PER
SE B: 0.4 0.4 0.25
DIAAN
S: 0.6 0.6 0.25

PERMINTAAN
B: 0.75 S: 0.25
PER B: 0.4 4000 5750
SE
DIAAN S: 0.6 5000 5750
15
Defuzzification: mencaria nilai z. Dapat dicari dengan metoda
centroid Tsukamoto :

 _ pred1 * Z1 +  _ pred2 * Z 2 +  _ pred3 * Z 3 +  _ pred4 * Z 4

Z=
 _ pred1 +  _ pred2 +  _ pred3 +  _ pred4

0.4 * 4000 + 0.25 * 5750 + 0.25 * 5750 + 0.6 * 5000

Z=
0.4 + 0.25 + 0.25 + 0.6
Z = 4983

Jadi barang elektronik yang harus diproduksi sebanyak 4983

16