Pengantar
kemampuan untuk …
belajar atau mengerti dari pengalaman,
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
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
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
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
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
(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)
(4,0) (0,3)
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:
(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
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
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
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).
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)
(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
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 PQ
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 PQ
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
B C D
E F G H I J K L
JARINGAN SEMANTIK
kebun
binatang
sawah
pagi roda
Frame
macam-macam
Trans. Darat angkutan darat
Frame
Slot Mobil Mobil
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
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?
Blackboard
Penyaring
Rencana Agenda pengetahuan
Solusi Deskripsi
masalah
Basis Pengetahuan
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:
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
19
Pohon keputusan (decision tree)
Jenis mesin
jet prop
Posisi sayap ?
rendah tinggi
? Bentuk badan
C5A C141 ? ?
Pohon keputusan disederhanakan
Jenis mesin
jet prop
none aftwings
C5A C141
penyederhanaan
22
Kaidah produksi
23
Kaidah yang efisien
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
jenis kotoran
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
Variabel fuzzy
Himpunan fuzzy
Semesta Pembicaraan
Domain
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 :
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
⚫ 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 :
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
AB [x] = min(A[x], B[x]) LulusCepat:
AB AB A
A’
AB
AB
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
X1 X2 Y
If X1 is A1 and X2 is A2 Then Y is
B
<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)
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.
0,5
α; µ(x)=0 γ; µ(x)=1
β; µ(x)=0,5
b. Kurva-S Penyusutan
0,5
α; µ(x)=1 γ; µ(x)=0
β; µ(x)=0,5
6. Representasi Kurva Bentuk Lonceng
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
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
[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 :