TPL0403 - Kecerdasan Buatan-Full PDF

Universitas Pamulang Teknik Informatika S-1
COVER
KECERDASAN BUATAN
Penyusun :
Thoyyibah T
Munawaroh
Niki Ratama
Jl. Surya Kencana No. 1 Pamulang

Gd. A, Ruang 212 Universitas Pamulang
Tangerang Selatan – Banten
Kecerdasan Buatan i
EDITORIAL
KECERDASAN BUATAN
Penulis :
Thoyyibah T
Munawaroh
Niki Ratama
ISBN : 978-623-6352-26-7
Editor :
Hadi Zakaria
Desain Sampul:
Tri Anggoro Seto
Tata Letak:
Kusworo
Putra
Nara
Penerbit:
Unpam Press
Redaksi:
Jl. Surya Kencana No. 1
R. 212, Gd. A Universitas Pamulang Pamulang | Tangerang Selatan | Banten
Tlp/Fax: 021. 741 2566 – 7470 9855 Ext: 1073
Email: unpampress@unpam.ac.id
Cetakan pertama, 09 Agustus 2021
Hak cipta dilindungi undang-undang

Dilarang memperbanyak karya tulis ini dalam bentuk dan dengan cara apapun tanpa
izin penerbit.
Kecerdasan Buatan ii
DATA PUBLIKASI UNPAM PRESS

| Lembaga Penerbit dan Publikasi Universitas Pamulang
Gedung A. R.212 Kampus 1 Universitas Pamulang

Jalan Surya Kencana No.1, Pamulang Barat, Tangerang Selatan, Banten.
Website : www.unpam.ac.id I email : unpampress@unpam.ac.id
Kecerdasan Buatan / Thoyyibah T, Munawaroh, Niki Ratama
ISBN 978-623-6352-26-7
I. Kecerdasan Buatan II. Thoyyibah, III. Munawaroh, IV. Niki Ratama
M163-09082021-01
Ketua Unpam Press: Pranoto

Koordinator Editorial: Aden
Koordinator Hak Cipta: Susanto
Koordinator Produksi: Dameis Surya Anggara
Koordinator Publikasi dan Dokumentasi: Kusworo
Desain Cover: Putut Said Permana
Cetakan pertama, 09 Agustus 2021
Hak cipta dilindungi undang-undang. Dilarang menggandakan dan memperbanyak

sebagian atau seluruh buku ini dalam bentuk dan dengan cara apapun tanpa ijin
penerbit.
Kecerdasan Buatan iii

MATA KULIAH
KECERDASAN BUATAN
IDENTITAS MATA KULIAH

Program Studi : Teknik Informatika S-1
Mata Kuliah : Kecerdasan Buatan
SKS : 3 Sks
Deskripsi Mata Kuliah : Mata kuliah ini merupakan mata kuliah wajib
Program Studi Teknik Informatika S-1 yang
membahas tentang Mata kuliah ini memba-
has tentang pengenalan kecerdasan bu-
atan, masalah, ruang , keadaan, metode
searching, representasi pengetahuan,
Fuzzy, Jaringan Syaraf Tiruan(JST), algo-
ritma genetika, game playing
Capaian Pembelajaran : Setelah menyelesaikan mata kuliah ini ma-
hasiswa mampu membangun suatu solusi
cerdas dari suatu permasalahan nyata,
dengan berbagai metode dalam kecer-
dasan komputasional dengan baik.
Ketua Program Studi Ketua Tim Penulis

Teknik Informatika S-1
Achmad Udin Zailani. S. Kom. M. Kom Thoyyibah. T. S. Kom. M. Kom

NIDN: 429058303 NIDN:0423058704
Kecerdasan Buatan iv
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Allah SWT, karena hanya ridho dan
hidayahnya maka modul yang berjudul “kecerdasan Buatan” jadi terselesaikan. Modul
ini terdiri dari 18 bab. Modul ini merupakan dasar dari kecerdasan buatan dengan
berbagai topik disertai contoh disetiap babnya.
Sasaran utama modul ini adalah mahasiswa teknik informatika. Mahasiswa
diharapkan mampu berpikir akan pentingnya mempelajari dan membuat berbagai
produk atau aplikasi disertai dengan rule yang melibatkan pakar. Akhirnya aplikasi
tersebut bisa menyerupai manusia sehingga membantu berbagai pekerjaan misalnya
AC dan mesin cuci yang menerapkan sistem fuzzy.
Banyak sekali penerapan kecerdasan buatan dalam kehidupan manusia.
Dimana sejarah kecerdasan buatan akan dibahas pada Bab 1. Definisi masalah, ruang
keadaan dan aturan yang penerapannya terdapat pada banyak game terdapat pada bab
2. Metode searching yang biasa digunakan untuk mencari suatu jarak tercepat dan
terpendek menggunakan blind search dan depth first search terdapat pada bab 3 dan
bab 4.
Representasi pengetahuan berupa logika, jaringan semantik, Frame (bingkai),
Script (Naskah) Aturan produksi berupa frame dan atribut objek terdapat pada bab 5 dan
6. Menanamkan pengetahuan pakar paa sebuah sistem disebut sistem pakar, misalnya
sistem pakar pendeteksi penyakit jantung. Sudah banyak sekali penelitian yang
berkaitan dengan sistem pakar misalnya terdapat pada bab 7. Struktur sistem pakar
dengan berbagai rule dengan teknik forward dan backward chaining terdapat pada bab
8. Sietem pakar dengan berbagai kemungkinan dijelaskan pada bab 9. Lotfi A. Zadeh
merancang pola berpikir manusia yang berhubungan dengan angka 0 dan 1 terdapat
pada bab 10. Penggunaan berbagai metode yaitu Tsukamoto, mamdani dan sugeno
terdapat pada bab 11. Penerapan logika fuzzy melalui kontrol frekuensi AC terdapat
pada bab 12. syaraf biologi layaknya otak dengan 10.000.000.000 sel syaraf akan
dijelaskan dengan jaringan syaraf tiruan pada bab 13. Penerapan algoritma delta rule
dan perceptron pada JST terdapat pada bab 14. Bab 15 menceritakan Penggunaan
metode backropagation pada JST.
Sejarah algoritma genetika terdapat pada bab 16. Bab 17 menjelaskan beberapa
proses yang terdapat pada algoritma genetika yaitu proses seleksi dan regenerasi. Bab
18 menceritakan tentang berbagai metode game playing berbasis kecerdasan buatan.
Kecerdasan Buatan v
Sebagai manusia biasa penulis menyadari bahwa modul ini masih jauh dari
sempurna. Untuk kritik dan saran sangat diharapkan oleh penulis. Penulis juga
mengucapkan banyak terima kasih kepada teman-teman yang telah membantu
penulisan modul ini, serta LP3 Universitas Pamulang yang bersedia menerbitkan modul
ini. Akhir kata semoga modul ini bermanfaat dan mendapatkan ridho dari Allah SWT.
Pamulang, 09 Agustus 2021
Penulis
Kecerdasan Buatan vi
DAFTAR ISI
COVER .......................................................................................................................... i
EDITORIAL................................................................................................................... ii
DATA PUBLIKASI UNPAM PRESS ..............................................................................iii
MATA KULIAH ............................................................................................................. iv
KATA PENGANTAR ..................................................................................................... v
DAFTAR ISI .................................................................................................................vii
DAFTAR GAMBAR ......................................................................................................xii
DAFTAR TABEL ....................................................................................................... xviii
PERTEMUAN I ............................................................................................................. 1
PENGENALAN KECERDASAN BUATAN..................................................................... 1
A. Tujuan Pembelajaran ........................................................................................... 1
B. Uraian Materi ....................................................................................................... 1
C. Soal latihan/Tugas ............................................................................................... 9
D. Referensi ........................................................................................................... 10
PERTEMUAN 2 .......................................................................................................... 10
MASALAH, RUANG DAN KEADAAN ......................................................................... 11
A. Tujuan Pembelajaran ......................................................................................... 11
B. Uraian Materi ..................................................................................................... 11
C. Soal latihan/tugas .............................................................................................. 20
D. Referensi ........................................................................................................... 21
PERTEMUAN 3 .......................................................................................................... 21
METODE SEARCHING .............................................................................................. 22
B. Uraian Materi ..................................................................................................... 22
C. Soal Latihan/ Tugas ........................................................................................... 33
D. Referensi ........................................................................................................... 33
Kecerdasan Buatan vii

PERTEMUAN 4 .......................................................................................................... 34
DEPTH FIRST SEARCH ............................................................................................ 34
B. Uraian Materi ..................................................................................................... 34
C. Soal Latihan/ Tugas ........................................................................................... 46
D. Referensi ........................................................................................................... 46
PERTEMUAN 5 .......................................................................................................... 47
REPRESENTASI LOGIKA DAN JARINGAN SEMANTIK ............................................ 47
A. TujuanPembelajaran.......................................................................................... 47
B. Uraian Materi ..................................................................................................... 47
C. Soal ................................................................................................................... 57
D. Referensi ........................................................................................................... 58
PERTEMUAN 6 .......................................................................................................... 59
REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI................................. 59
A. TujuanPembelajaran.......................................................................................... 59
B. Uraian Materi ..................................................................................................... 59
C. Soal ................................................................................................................... 68
D. Referensi ........................................................................................................... 68
PERTEMUAN 7 .......................................................................................................... 69
PENGANTAR EXPERT SYSTEM (SISTEM PAKAR) ................................................. 69
B. Uraian Materi ..................................................................................................... 69
C. Soal Latihan/Tugas ............................................................................................ 78
D. Referensi ........................................................................................................... 79
PERTEMUAN 8 ......................................................................................................... 80
STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG .......... 80
B. Uraian Materi ..................................................................................................... 80
Kecerdasan Buatan viii

C. Latihan soal/Tugas ............................................................................................ 90
D. Referensi ........................................................................................................... 90
PERTEMUAN 9 .......................................................................................................... 91
KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE ............ 91
B. Uraian materi ..................................................................................................... 91
C. Soal Latihan/ Tugas ......................................................................................... 100
D. Referensi ......................................................................................................... 101
PERTEMUAN 10 ...................................................................................................... 102
LOGIKA FUZZY ........................................................................................................ 102
A. Tujuan Pembelajaran ....................................................................................... 102
B. Uraian Materi ................................................................................................... 102
C. Soal latihan/ Tugas .......................................................................................... 111
D. Referensi ......................................................................................................... 112
PERTEMUAN 11 ...................................................................................................... 113
METODE PENYELESAIAN LOGIKA FUZZY ............................................................ 113
B. Uraian Materi ................................................................................................... 113
C. Soal Latihan/Tugas .......................................................................................... 121
D. Referensi ......................................................................................................... 121
PERTEMUAN 12 ...................................................................................................... 123
APLIKASI LOGIKA FUZZY ....................................................................................... 123
B. Uraian Materi ................................................................................................... 123
D. Referensi ......................................................................................................... 132
PERTEMUAN 13 ...................................................................................................... 133
JARINGAN SYARAF TIRUAN .................................................................................. 133
Kecerdasan Buatan ix
B. Penjelasan materi ............................................................................................ 133
D. Referensi ......................................................................................................... 143
PERTEMUAN 14 ...................................................................................................... 144
DELTA RULE DAN PERCEPTRON.......................................................................... 144
B. Uraian Materi ................................................................................................... 144
D. Referensi ......................................................................................................... 155
PERTEMUAN 15 ...................................................................................................... 156
ALGORITMA BACKPROPAGATION ........................................................................ 156
B. Uraian Materi ................................................................................................... 156
D. Referensi ......................................................................................................... 167
PERTEMUAN 16 ...................................................................................................... 168
ALGORITMA GENETIKA .......................................................................................... 168
B. Uraian Materi ................................................................................................... 168
D. Referensi ......................................................................................................... 179
PERTEMUAN 17 ...................................................................................................... 180
PROSES PADA ALGORITMA GENETIKA ............................................................... 180
B. Uraian Materi ................................................................................................... 180
D. Referensi ......................................................................................................... 192
Kecerdasan Buatan x
PERTEMUAN 18 ...................................................................................................... 193
GAME PLAYING....................................................................................................... 193
B. Uraian Materi ................................................................................................... 193
D. Referensi ......................................................................................................... 208
DAFTAR PUSTAKA .................................................................................................. 209
Kecerdasan Buatan xi
DAFTAR GAMBAR
Gambar 1.1 Cabang artificial intelligence ..................................................... 6
Gambar 2.1 Masalah gelasAir ...................................................................... 13
Gambar 2.2 Keadaan teko air ..................................................................... 14
Gambar 2.3 Representasi ruang keadaan pada masalah teko air .............. 15
Gambar 2.4 Graph Keadaan ........................................................................ 19
Gambar 2.5 Pohon pelacakan ...................................................................... 20
Gambar 2.6 Node AND/OR tahap 1 ............................................................ 21
Gambar 2.7 Node AND/OR tahap 2 ............................................................. 21
Gambar 2.8 Tree AND/OR sampai tahapan 2 .............................................. 22
Gambar 3.1 Metode Breadth-first search (BFS) ........................................... 26
Gambar 3.2 Stack Breadth-first search (BFS) iterasi 1 tahap 1.................... 27
Gambar 3.3 Repesentasi keadaan Breadth-first search (BFS) iterasi 1 ....... 27
Gambar 3.6 Repesentasi keadaan (BFS) Tahapan(iterasi) 2 ...................... 28
Gambar 3.9 Repesentasi keadaan (BFS) iterasi 3 ...................................... 29
Gambar 3.10 Stack Breadth-first search (BFS) iterasi 3 tahap 1.................. 30
Gambar 3.11 Stack Breadth-first search (BFS) iterasi 3 tahap 2.................. 30
Gambar 3.12 Representasi keadaan (BFS) iterasi 4 ................................... 30
Gambar 3.13 Stack Breadth-first search (BFS) iterasi 4 tahap 1................. 31
Kecerdasan Buatan xii

Gambar 3.15 Representasi pengetahuan (BFS) iterasi 5 ............................ 31
Gambar 3.24 Representasi pengetahuan Metode (BFS) iterasi 8 ................ 35
Gambar 3.25 Stack Breadth-first search (BFS) iterasi 8 tahap 1................ 35
Gambar 3.27 Representasi pengetahuan (BFS) iterasi 9 ............................. 36
Gambar 4.1 Depth first search ..................................................................... 39
Gambar 4.2 Stack Depth first search iterasi 1 tahap 1 ................................. 41
Gambar 4.3 Representasi pengetahuan iterasi 1 ........................................ 41
Gambar 4.6 Representasi pengetahuan iterasi 2 ........................................ 42
Kecerdasan Buatan xiii

Gambar 4.10 Representasi pengetahuan iterasi 3 ...................................... 43
Gambar 4.11 Stack Depth first search iterasi 3 tahap 1 ............................... 44
Gambar 4.28 Representasi keadaan iterasi 8 .............................................. 50
Gambar 4.32 Representasi keadaan iterasi 9 .............................................. 51
Kecerdasan Buatan xiv

Gambar 4.35 Representasi keadaan akhir ................................................... 53
Gambar 5.1. Representasi jaringan semantik tahapan 1 ............................ 61
Gambar 5.2. Representasi jaringan semantik tahapan 2 ............................. 62
Gambar 5.3 Representasi jaringan semantik tahapan 3 .............................. 62
Gambar 5.5 Representasi jaringan semantik tahapan 5 ............................. 63
Gambar 5.6. Representasi jaringan semantik tahapan 6 ............................. 64
Gambar 6.1 Frame UNPAM ......................................................................... 69
Gambar 6.2 Frame Yayasan Sasmita Jaya .................................................. 72
Gambar 7.1 Diagram representasi sistem pakar .......................................... 84
Gambar 8.1 Struktur sistem pakar ................................................................ 94
Gambar 8.2 Pengembang sistem pakar secara tim ..................................... 95
Gambar 8.3 Iterasi 1 tahap 1 ........................................................................ 97
Gambar 8.4 Iterasi 1 tahap 2 ........................................................................ 98
Gambar 8.5 Iterasi 3 ..................................................................................... 99
Gambar 8.6 Iterasi 4 .................................................................................... 100
Gambar 10.1 Perbedaan logika fuzzy (a) dan logika tegas(biasa) (b) .......... 121
Gambar 10.2 Perbandingan logika tegas (a) dan logika fuzzy (b) ................ 122
Gambar 10.3 temperatur yang dijadikan himpunan ...................................... 123
Gambar 10.4 umur yang dijadikan himpunan ............................................... 123
Gambar 10.5 Contoh keanggotaan himpunan kecepatan ............................ 124
Kecerdasan Buatan xv
Gambar 10.6 Representasi Linear yang bersifatNaik ................................... 125
Gambar 10.7 Representasi Linear Turun ..................................................... 126
Gambar 10.8 Representasi dalam bentuk Kurva Segitiga ............................ 127
Gambar 10.9 Representasi Kurva Trapesium .............................................. 128
Gambar 10.10 Representasi Kurva Bahu ..................................................... 129
Gambar 10.11 BlokDiagramKontrol logikafuzzy ........................................... 129
Gambar 10.12 Kerangka pada logikaFuzzy ................................................. 130
Gambar 11.1 Grafik IF THEN metode mamdani .......................................... 135
Gambar 12.1 variabel kecepatan yang memiliki Fungsi keanggotaan ......... 134
Gambar 12.2 Fungsi keanggotaan variabel suhu ......................................... 145
Gambar 12.3 fungsi keanggotaan variable frekuensi ................................... 146
Gambar 12.4 Grafik mamdani aturan 1 ....................................................... 149
Gambar 12.5 Grafik mamdani aturan 2 ........................................................ 149
Gambar 13.1 Arsitektur Hebb Rule .............................................................. 155
Gambar 13.2 Arsitektur Hebb Rule dengan logika OR ................................. 156
Gambar 14.1 Arsitektur jaringan pada delta rule data import ....................... 164
Gambar 15.1. Jaringan syaraf Backpropagation .......................................... 180
Gambar 15.2. Jaringan syaraf Backpropagation dengan 1 input.................. 183
Gambar 16.1 Struktur umum algoritma genetika .......................................... 202
Gambar 16.2 Algoritma genetik dalammencari nilai maks ........................... 203
Gambar 16.3 Processing dalam pencarian dan optimasion ......................... 203
Gambar 16.4 Individu pada Processing Algoritma Genetika ........................ 204
Kecerdasan Buatan xvi

Gambar 16.5 Proses seleksi individu maksimum ......................................... 204
Gambar 16.6 Competitian dan Tournament ................................................. 205
Gambar 16.7 Perkawinan silang 2 individu .................................................. 206
Gambar 16.8 Contoh hasil algoritma Genetika 1 .......................................... 206
Gambar 16.9 Contoh hasil algoritma Genetika 2 .......................................... 207
Gambar 16.10 Menentukan nilai maksimal fungsi 2 variabel ....................... 207
Gambar 16.11 Populasi awal pasangan secara acak .................................. 208
Gambar 16.12 Hasil algoritma genetika generasi 1 dan 2 ............................ 208
Gambar 17.1 Teknik pengkodean algoritma genetika .................................. 212
Gambar 17.2 Ilustrasi seleksi dengan Roulette Wheel ................................. 214
Gambar 17.3 Metode rank selection (situasi sebelum ranking) .................... 215
Gambar 17.4 Metode rank selection (situasi setelah ranking) ...................... 225
Gambar 17.5 Contoh tree encoding pada crossover .................................... 229
Gambar 18.1 Algoritma Negascout .............................................................. 230
Gambar 18.2 Algoritma MTDF ..................................................................... 231
Kecerdasan Buatan xvii

DAFTAR TABEL
Tabel 1.1 Temuan kecerdasan buatan dalam beberapa tahun ...................... 3
Tabel 1.2. Perbandingan kecerdasan buatan dan program biasa .................. 4
Tabel 1.3 Jurnal yang berhubungan dengan kecerdasan buatan .................. 8
Tabel 2.1 Rule Bak air. ................................................................................... 14
Tabel 2.2 penyelesaian bak A dan B .............................................................. 16
Tabel 2.3Rule petani, kambing, serigala dan sayur-sayuran .......................... 17
Tabel 2.4Penyelesaian Permasalahan ........................................................... 17
Tabel 5.1 Contoh proposisi............................................................................. 56
Tabel 5.2 Bentuk,arti dan simbol ................................................................... 56
Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi ................... 58
Tabel 5.4 Tabel kebenarannya untuk menunjukan argumen ........................ 59
Tabel 5.5 Tabel beberapa hukum Inferensia .................................................. 60
Tabel 6.1 Frame Teknik Informatika .............................................................. 70
Tabel 6.2 Frame Jaringan 1 ........................................................................... 70
Tabel 6.3 Frame Jaringan 2 .......................................................................... 70
Tabel 6.4 Frame Programming....................................................................... 71
Tabel 6.5 Frame Programming 1................................................................... 71
Tabel 6.6 Frame SMK ................................................................................... 72
Tabel 6.7 Frame Mekanik 1 ............................................................................ 73
Tabel 6.8 Frame Mekanik 2 ........................................................................... 73
Tabel 6.9 Frame Komputer............................................................................. 74
Tabel 6.10 Frame Komputer 1....................................................................... 74
Tabel 7.1 Defenisi Expert sistem dari berbagai penulis .................................. 81
Kecerdasan Buatan xviii

Tabel 8.1 Rule ke 1 ........................................................................................ 100
Tabel 8.2 rule ke 2 .......................................................................................... 102
Tabel 8.3 rule ke 3 .......................................................................................... 103
Tabel 8.4 rule ke 4 .......................................................................................... 104
Tabel 9.1 tabel probabilitas bersyarat evidence ............................................. 110
Tabel 9.2 Uncertain term ................................................................................ 116
Tabel 10.1 kontrol logika fuzzy dalam bentuk matriks .................................... 131
Tabel 11.1 Jurnal yang berhubungan dengan fuzzy ....................................... 140
Tabel 12.1 penerapanMin untu setiap aturan ................................................. 147
Tabel 12.2 Mengimplementasikan fungsi MIN pada mamdani ....................... 148
Tabel 12.3 Mencari α-predikatSertanilai z terhadap setiapaturan .................. 151
Tabel 13.1 jenis Algoritma pembelajaran dengan supervisi ........................... 155
Tabel 13.2 tahapan Algoritma pelatihan hebb rule ......................................... 156
Tabel 13.3 Fungsi logika or ........................................................................... 156
Tabel 13.4 Data pertama dengan perubahan bobot terhadap bias ................ 157
Tabel 13.5 Data ke-2 dengan perubahan bobot terhadap bias ...................... 157
Tabel 13.8 Hasil perhitungsn f (net) ............................................................... 158
Tabel 13.9 Input biner dan output bipolar menggunakan logika Or ............... 159
Tabel 13.10 Data ke-1 dengan perubahan bobot terhadap bias .................... 159
Kecerdasan Buatan xix

Tabel 13.14Hasil f (net) input biner dan output bipolar logika ‘OR’................. 160
Tabel 13.15iinput biner dan output bipolar melalui fungsi logika ‘OR’ ............ 161
Tabel 13.17Data ke-2 dengan perubahan bobot terhadap bias ..................... 161
Tabel 13.20 Hasil f (net) melalui input(bipolar) dan output(bipolar) “OR” ...... 162
Tabel 14.1 Fungsi logika ‘or’........................................................................... 165
Tabel 14.2 input biner target bipolar 1 ............................................................ 173

Tabel 15.1 Tes konfisi berhenti ………………………………………..………...183
Kecerdasan Buatan xx
PERTEMUAN I
PENGENALAN KECERDASAN BUATAN
A. Tujuan Pembelajaran
Pada pertemuan ini akan dijelaskan pengetahuan dasar (basic science) tentang
definisi kecerdasan buatan dan sejarahnya, sub bahasan pada pertemuan ini yaitu:
1. Kecerdasan buatan atau artificial intelligence
2. Sejarah artificial intelligence
3. Perbandingan KecerdasanBuatan dengan ProgramKonvensional
4. Bagian KecerdasanBuatan
5. Cabang program Artificial intelligences
6. Kelebihan kecerdasan buatan
7. Jurnal yang berhubungan dengan kecerdasan buatan
8. Peranan kecerdasan buatan saat ini
9. Cabang kecerdasan buatan
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
memahami kecerdasan buatan.
B. Uraian Materi
1. Kecerdasan Buatan
KecerdasanBuatan atau dengan kata lain artificialIntelligence merupakan
suatu proses menanamkan program pada sebuah mesin. Sehingga mesin
tersebut bisa beroperasi layaknya seperti manusia. Kecrdasan buatan banyak
digunakan diberbagai kehidupan sebagai contoh alat pendeteksi penyakit, sistem
lalu lintas dan lainnya. Dalam hal ini algoritma komputer sering digunakan untuk
membuat mesin tersebut.
Kalau berbicara tentang algoritma maka artificial intelligence atau
kecedasan buatan ini pasti bisa di hubungkan dengan bidang matematika dan
tidak menutup kemungkinan bisa dihubungkan dengan bidang lain misalnya
biologi menghasilkan bioinformatika dan laiinnya.
Sejarah mebuktikan bahwa komputer awalnya hanya sebatas alat hitung,
tapi sekarang komputer telah mengkombinasikan berbagai bidang untuk
menghasilkan sebuah produk yang membantu manusia. Misalnya seseorang ahli
georafi harus belajar dan berhubungan dengan seorang pakar untuk membuat
alat pendeteksi posisi banyaknya ikan di sungai.
Kecerdasan Buatan 1
Manusia diwajibkan untuk belajar dan memecahkan banyak persoalan

kehidupan. Persoalan tersebut membawa manusia pada sebuah perjuangan
untuk membuktikan sesuatu melalui proses menelaah dan bernalar. Dengan
demikian bisa dihasalkan sebuah kesimpulan dari permasalahan berdasarkan
pengetahuan yang ada.Sehingga dengan bekal pengetahuan dibantu dengan
algoritma dan metode membuat sebuah komputer menjadi komputer pintar.
2. Sejarah Kecerdasan Buatan

Sebuah sistem yang bagus harus berhubungan dengan kecerdasan
buatan. Banyak penerapan kecerdasan buatan yang telah digunakan untuk
kebutuhan rumah tangga atau kehidupan sehari-hari. Misalnya Ac yang akan
berhawa dingin ketika ada seseorang pada ruangan tersebut. Tentunya AC
tersebut menggunakan algoritma sehingga dikatakan cerdas. Kebutuhan
kecerdasan mulai meningkat setelah 20 tahun terakhir ini, hal ini juga ditandai
dengan semakin meningkatnya kebutuhan. kecerdasan buatan atau artificial in-
telligence mulai muncul sekitar th 1940-an, seiring dengan munculnya komputer
sebagai alat kebutuhan manusia.
RenéDescartes pada permulaan abad ke-17 membuat sebuah perumpaan
hewan dengan tubuh yang terdiri dari beberapa mesin yang bersifat rumit.
Principia Mathematica merupakan pemahaman dari “Bertrand Russell dan
Alfred North Whitehead” sehingga menciptakan logika formal. Kalkulus logis
sebagai pokok utamai artificial intelligence dikemukakan oleh Warren Mc Culloch
dan Walter Pitts pada tahun 1943. Tahun 1951 adalah tahun pertama AI muncul
untuk program permainan naskah oleh Christopher Strachey dan catur oleh Die-
trichPrinz. Tahap berikutnya tahun 1956 John McCarthy menyebutkan
kecerdasan buatan pada sebuah konferensi mengungkapkan sebuah program
bernama Lips. Tes prilaku cerdas yang disebut “Turingtest” merupaka
kecerdasan buatan yang dikemukakan oleh Alan Turing..
Program pertama di bidang matematika terjadi pada tahun 1960-1n dan
1970-an hal ini dilakukan dengan demontrasi Joel Moses.Manusia yang
mempunyai banyak jaringan syaraf melalui perceptrons dikemukakan oleh
Marvin Minsky dan Seymour Papert. BahasaKomputer prolog dikemukakan oleh
Alain Colmerauer. Pada bidang kesehatan Ted Shortliffe membuat Sistem pakar
medis pertama. Dalam bidang lalu lintas Hans Moravec membuat sistem
kendaraan untuk mengendalikan lalu lintas yang berantakan.
Kecerdasan Buatan 2
Tahun 1974 Paul John Werborn menjelaskan tentang Artificial Intelligence

melalui back propagation algorithm yang dicetuskan 1980-an. Banyaknya
program kecerdasan buatan yang dipamerkan tahun 1990-an, terutama Garry
berhasil dikalahkan oleh Deep Blue tahun 1997 pada 6 kompetisi Catur Games.
DARPA (Defence Advanced Research Projects Agensi) yang merupakan
badan proyek pertahanan Amerika dari tahun 2004 merancang sebuah mobil
yang tidak melibatkan manusia melalui GPS berhasil melaju dengan jarak
ratusan mil.
Tabel 1.1 Temuan kecerdasan buatan dalam beberapa tahun

Nomor Tahun Penjelasan
1 1206 The first humanoid Robotic by Al-Jazari
2 1796 Penuang doll the name is Karakuri from japan
3 1941 The First Electronic Computer
4 1949 The First Stored Program By Computer
5 1956 Kecrdasan Buatan pertama kali melalui Dartmouth
Konfrensi
6 1958 Language of LISP
7 1963 (Defence Advanced Research Project Agensi) DARPA
8 1970 The first of Expert System
9 1972 The First Of Language Prolog
10 1986 Alat Based on kecerdasan buatan hinggai $425 juta
11 1994 AC based on NeuroFuzzy sold out
12 2010 AI for Commercial aircraft the name is BOEING 900-ER
13 2011 The first robotic in the restaurant service in Indonesia
14 2012 fuzzy dan selflearning yang digunakan pada expert
system troubleshooting
15 2012 Spam detection with Siytem immune
3. Perbandingan Program Biasa dengan kecerdasan buatan

Program Biasa atau program komputer secara konvenssional alurnya
berdasarkan algorithm, yaitu rumus matematic terhadap suatu penyelesaian.
Algorithm mengarahkan kepada komputee melalui sebuah instruksi hal apa yang
harus dilakukan. Data yang digunakan bisa berupa angka, huruf, simbol melalui
algorithm bisa menuntaskan sebuah problem. Manipulation simbolic merupakan
System untuk kecerdasan buatan based on representasi. Huruf, kata, atau angka
merupakan contoh dari yang berhubungan dengan objek. Objek bisa terdiri dari
beberapa macam contohnya manusia, benda, fakta, pikiran dan lain-lainnya.
Simbol dan objek yang berhubungan menciptakan basic knowledge
menghasilkan problem solving. Perbandingan program biasa dan kecerdasan
buatan terlihat pada Tabel 1.2
Kecerdasan Buatan 3
Tabel 1.2. Perbandingan kecerdasan buatan dan program biasa

Sudut pandang kecerdasan buatan Program Biasa
“Pemrosesan” Simbolic Algoritma
Masukan Not Complete Complete
Approach Research Most of the heuristic Algorithm
Explain Available Not available
Fokuss Knowledge Dataa
Maintenence Cheap Difficult
Berpikirr logic Available Not availabele
4. Bagian KecerdasanBuatan
Kecerdasan buatan merupakan permasalahan yang banyak sekali melalui
evaluasi untuk menghasilakan sebuah teori”. example:
a. Pola, yaitu cara merepresentasikan sebuah fakta ke dalam simbol atau

dengan kata lain logika matematik.
b. Inferensia yaitu pengetahuan dan penalaran yang masuk akal (com-
monsenseknowledgeandreasoning) atau learn form experience.
Sebuah perecanaan dibuat dari fakta umum sehingga timbullah strategi
untuk mencaoai tujuan. Strategi berupa urutan sebagai berikut::
a. Epistemologis yaitu pembelajaran tentang asal-usul,karakter, keterikatan,

knowledge for problem solving.
b. Ontologis yaitu pengetahuan tentang keberadaann dan keabsahan.
c. Heuristiks yaitu metode yang digunakan untuk menemukan suatu pemikiran
dan usulan.
5. Cabang program Artificial intelligences

Artificial intelligences yang terdapat pada Gambar 1.1 terdiri dari beberapa
cabang, yaitu linguistik, Psikologis, philosophy atau Filsafat, alectrical
engineering atau Teknik Elektro, Computer science, management science atau
Ilmu Manajemen dan lain-lain. Expert sistem atau sistem pakar merupakan cang
yang banyak diminati misalnya pembuatan program untuk konsultasi yang
menirukan cara berpikir seorang pakar sehingga bisa menyelesaikan sebuah
problem tertentu. NLP atau nataural language proses yang disebut juga dengan
Pemrosesan Bahasa Alami memberikan kemampuan kepada komputer atau
aplikasi tertentu.NLP terdiri dari:
Kecerdasan Buatan 4
1. Natural language understanding dengan kata lain pemahaman bahasa alami,

merupakan riset tentang pemahaman komputer yang mengerti perintah
manusia.
2. Natural language generation atau dengan kata lain pembangkitan bahasa
alami, merupakan kebalikan dari natural language understanding yaitu
manusia bisa memahami komputer dengan mudah.
Voice Understanding adalah teknik agar komputer mengerti ucapan
manusia. Hal ini sudah bisa dilakukan ketika mengakses google. Misalnya
Seseorang mencari sesuatu melalui ucapan.
Gambar 1.1 Cabang artificial intelligence
Sistem censor dan robotic sekarang juga sangat berkembang. Sebagai

contoh sistem sensor ketika melakukan absensi, alat akan mengenali wajah
melalui sensor atau disebut face recognition. Robotika juga semakin marak
misalnya robot yang digunakan untuk menyiram tanaman atau robot yang
digunakan untuk mendeteksi seseorang yang terkena covid-19.
KomputerVision, yaitu gabungan dari pengenalan pola dan pengolahan
citra. Komputervision banyak digunakan untuk mengontrol proses industri.
Kecerdasan Buatan 5
Machine learning merupakan pemrosesan berdasarkan dari data. Machine

learning terdiri dari supervised learning, unsupervised learning, semi-supervised
learning, reinforcement learning, learning to learn. Aplikasi lain dari kecerdasan
buatan misalnya untuk merangkum berita, pemrograman komputer secara
otomatis, atau menerjemahkan dari suatu bahasa ke bahasa yang lain, serta
aplikasi dalam permainan.
6. Kelebihan kecerdasan buatan dibandingkan kecerdasan alamii

a. Sifat kekal yang dimiliki oleh kecerdsan buatan dibandingkan dengan
kecerdasan alamii yang dimiliki hanya bersifat sementara. Hal ini karena
setiap insan memiliki sifat suka lupa. Kecerdasan buatann tidak akan pernah
berubah sepanjang programmer tidah mengubah codingannya.
b. Kecerdasan buatann sangat mudah disalin atau dipindahkan dari komputer
yang satuu ke komputer lainnya. Berbeda dengan kecerdasan alamii,dimana
cara menyampaikan setiap orang berlainan. Terkadang seseorang sangat
mengusai konsep, materi, teori, metode tapi tidak bisa menyampaikannnya
ke orang lain.
c. Kecerdasann alami lebih mahal daripada kecerdasan buatan. Hanya
menggunakan komputer seseorang sudah menggunakan kecerdasan
buatan. Berbeda dengan kecerdasan alamii yang mempertimbangkan waktu,
jarak, dan uang untuk bertemu dengan seorang pakar.
d. Kecerdasan buatan bisa didokumentasikan kedalam komputer atau alat lain.
Sedangkan kecerdasan alami hanya ada dalam pemikiran manusia.
Kecerdasan Buatan 6
7. Jurnal yang berhubungan dengan kecerdasan buatan
Tabel 1.3 Jurnal yang berhubungan dengan kecerdasan buatan
Kecerdasan Buatan 7
8. Peranan kecerdasan Buatan saat ini

Contoh-contoh diantaranya
a. Teknik searching yang digunakan untuk pencarian rute suatu daerah
menggunakan Global Positioning Systems(GPS).
b. Teknik planning yang digunakan di bidang manufaktur dan robotik. Dimana
teknik tersebut digunakan sebagai software untuk memonitor dan
Kecerdasan Buatan 8
mengeksekusi terhadap perencanaan- perencanaan. Dan masih banyak lagi

penerapan kecerdasan buatan saat ini yang digunakan untuk keperluan
sehari-hari
9. Cabang Kecerdasan Buatan

Kecerdasan buatan banyak sekali penerapannnya diantaranya
permasalahan kehidupan. Kecerdasan buatan juga digunakan untuk pembuktian
sebuah teori, contohnya:
a. Pembelajaran pola atau sering disebut pengenalan pola, pada
pembelajaran ini dilakukan bagaimana caranya untuk merepresentasikan
pengetahuan berupa fakata yang dituliskan dalam bentuk simbol dan
bahasa secara logika matematis.
b. Inferensia, yaitu knowledge serta cara bernalar sesuai logika berdasarkan
experience
Suatu penyelesaian berdasarkan dari fakta mengenai efek samping dari
sebuah aksi. Tujuan pun bisa dicapai berdasarkan keadaan secara khusus.
Dengan keadaan tersebut maka bisa disusun sebuah strategi dengan urutan
tertentu misalnya:
a. Epistemologi,yaitu pemecahan masalah yang memepertimbangkan

keterbatasan suatu knowledge, sifat keadaan dan sumber dari keadaan
tersebut.
b. Ontologi,yaitu keberadaan serta realitas yang perlu dipelajari lebih lanjut
dalam cakupan ilmu.
c. Heuristik,ialah ide atau penyelesaian masalah bisa berupa benda atau yang
laiinya menggunakan suatu teknik tertentu.
C. Soal latihan/Tugas
1. Ceritakan sejarah kecerdasan buatan?
2. Apa pentingnya kecerdasan buatan pada perkembangan ilmu?
3. Bidang apa saja yang memerlukan penerapan kecerdasan buatan? Jelaskan ?
dan mengapa?
4. Ceritakan ruang lingkup kecerdasan buatan?
5. Ceritakan rangkaian pohon dari artificial intelligence?
6. Ceritakan penerapan kecerdasan buatan di bidang kesehatan?
7. Ceritakan penerapan kecerdasan buatan di bidang transportasi?
Kecerdasan Buatan 9
8. Ceritakan kecrdasan buatan pada bidang industri?

9. Ceritakan penerapan kecerdasan buatan pada lingkungan sekitar rumah?
10. Sebutkan dan jelaskan 8 bagian pohon kecerdasan buatan?
11. Ceritakan 1 jurnal lain yang berhubungan dengan kecerdasan buatan?
D. Referensi
Achmad, Balza. 2006. Diktat Mata Kuliah Kecerdasan Buatan. Yogyakarta:
Universitas Gadjah Mada.
Eridani, Dania dkk.2018. Pengenalan dan Analisis Ucapan pada Sistem Kontrol
Perangkat Listrik Menggunakan Arduino Uno.Semarang :Jurnal Teknologi dan
Sistem Komputer. Vo.6 , No.1 :18-24.
Fauset, Laurene. 2000. Fundamental of Neural Network. PrenticeHall.
Jaya, Tri Satria dkk.2016. Penerapan Speech Recognition Pada Permainan Teka-
TekiSilang Menggunakan Metode Hidden Markov Model (Hmm) Berbasis
Desktop. Bengkulu : Jurnal Rekursif. Vol.4, No.1 : 119-129.
Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta:
Graha Ilmu.
Siler, William and J. Buckley, James. 2005. FuzzyExpert System
andFuzzyReasoning. Wiley-Interscience.
Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning.
Informatika Bandung. Bandung.
Kecerdasan Buatan 10
PERTEMUAN 2
MASALAH, RUANG DAN KEADAAN
Pada pertemuan ini akan dijelaskan konsep masalah dan ruang masalah serta
metode pencarian dalam kecerdasan buatan. Setelah menyelesaikan materi pada
pertemuan ini, mahasiswa dapat menganalisis masalah dengan metode pencarian.
Sub pembahasan pada pertemuan ini yaitu:
1. Definisi masalah dalam kecerdasan buatan
2. Masalah, ruang keadaan dan aturan
3. Representasi ruang keadaan dengan Graph
4. Searching sebagai teknik pemecahan masalah
B. Uraian Materi
1. Definisi masalah dalamKecerdasanBuatan
Kecerdasan buatan umumnya memecahkan berbagai masalah yang
dihadapi manusia. Secara umum definisi masalah adalah
kesenjanganantarayangdiharapkan dengan kenyataanyangada. Sebagai contoh
seseorang ingin pintar tapi malas belajar. Tentu saja masalah seperti ini tidak
dapat diselesaikan dengan kecerdasan buatan, sehingga perlu dipahami
pengertian kecerdasan buatan. Menurut SutojoT,MulyantoE,SuhartonoV,2011
“KecerdasanBuatan adalah suatu problem yang membunyai state awal dan state
akhir atau goal dan bisa mengubah keadaan dengan aturan yang digunakan”.
2. Masalah, ruang keadaan dan aturan
beberapa hal yang harus diperhatikan dalam menggambarkan sebuah
masalah:
a. MendefinisikanSuatuRuangKeadaan”
b. MenetapkanSatuatauLebihKeadaanAwal”
c. MenetapkanSatuatauLebihTujuan(Goal)”
d. MenetapkanKumpulanAturan”
Ruangg keadaan berisi berbagai state yang memungkinkan sesuatu.
Misalnya state awal untuk memulai dan state akhir untuk mmengakhiri
pencarian.
Contoh 1. Masalah gelas air (water glass)

Terdapat 2 bak berisi 4 ggalon untuk teko A dan 3 galon untuk teko B.
Ilustrasi (Gambar 2.1). Kasusnya: “Bagaimanakah mengisi tepat 2 galon air ke
dalam tong yang berkapasitas 4 galon”?
Gambar 2.1 Masalah gelasAir

Perumusan:
a. Identifikasi suatu ruang keadaan”

Penyelesaian dari soal ini diberi perumpaan x dan y:
x = bak berisi air 4 galon (tong A);
y = bak berisi air 3 galon (tong B);
Ruang keadaan: (x,y) sedemikian Rupa sehingga x artinya {0,1,2,3,4}
dan y artinya{0,1,2,3}.
b. State mulai dan akhir

1) StateAwal, terdapat 2 tong kosong: (0,0);
2) Tujuan, state saat tong 4 galon berisi tepat 2 galon air: (2,n) untuk
sembarang
c. Keadaan teko air.
Keadaan kedua teko dapat dilihat pada Gambar 2.2
Gambar 2.2 Keadaan teko air.
d. Rule yang digunakan
Rule dideskripsikan padaTabel 2.1.
Tabel 2.1 Rule Bak air.
e. RepresentasiPengetahuan dengan tree.

Penyelesaian dilakukan melalui tree (Gambar 2.3). Setiap bentuk bulat
disebut node. Node mempunyai arti sebuah keadaan. Arah merupakan induk
dan anak. Sehingga solusi bisa ditemukan pada Tabel 2.2.
Gambar 2.3 Representasi ruang keadaan pada masalah teko air

Tabel 2.2 penyelesaian bak A dan B
Contoh 2.1 : petani(farmers), kambing(goats), serigala(wolves) dan sayur-

sayuran(vegetables)
Dengan menggunakan sebuah kapal maka seorang petani akan

menyeberangkan kambing, serigala atau sayuran. Kapal hanya bisa memuat
seorang petani dan satu lainnya. Permasalahnnya ketika sayur ditinggalkan
maka sayur akan dimakan kambing, ketika kambing ditinggalkan maka kambing
di makan serigala. Bagaimana menyelesaikan permaslahan tersebut.
Menyelesaikan:
a. Identifikasi ruang keadaan”

Penyelesaian problem ini memiliki beberapa simbol yaitu
petani(farmers), kambing(goats), serigala (wolves) dan sayur-
sayuran(vegetables). Misalnya (0,1,1,1) yang memiliki arti pada suatu daerah
asal tidak terdapat kambing(goats), terdapat serigala(wolves), terdapat
sayuran(vegetables) dan terdapat petani(farmers).
b. State awal dan state akhir
1) State awal pada dua sisi
Sisi awal=>1,1,1,1
Sisi akhir=>0,0,0,0
2) State akhir
SisiAwal=>0,0,0,0
SisiAkhir=>1,1,1,1
c. Rule
Rule dideskripsikan pada Tabel 2.3.
Tabel 2.3 Rule petani, kambing, serigala dan sayur-sayuran
Tabel 2.4 Penyelesaian Permasalahan
State State Rule

Asal Seberang
(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

3. Representasi ruang keadaan dengan graph
Contoh representasi ruang keadaan yaitu graph keadaan. Dimana Graph
keadaan tersebut melibatkan node. Dimana pada contoh dibawah ini terdiri dari
node yang dipetakan melalui node awal secara bertahap ke node selanjutnya,
seperti ilustrasi dibawah ini:
Z-K-L-M-O-U
Z-K-L-M-O-R-U
Z-N-M-O-U
Z-N-M-O-R-U
Graph yang menemui jalan buntu dan tidak sampai ke tujuan ialah:
Z-K-L-M-O-P-Q
Z-K-L-M-O-S-T
Z-N-M-O-P-Q
Z-N-M-O-S-T
Z-N-S-T
3
4
K L O P Q
6 7
4
4
Z M 8 U
3
5
R 6 1
2 4
S
N
T
2
Gambar 2.4 Graph Keadaan
Gambar 2.4, merupakan Graph yang tak berarah, sehingga menjadi: N-M-
O-S-N, node-node ini akan selalu berulang.
a. Penyelidikan terhadap Tree

Struktur pohon digunakan untuk penyelidikan node yang berulang.
Z ............................................................Tahap-
0
K N ................................................Tahap-
1
.....................................Tahap-2
S M
L
..................................Tahap-3
M
T O
P S R U ............Tahap-4
O
U Q T U ............................Tahap-5
P S R
......................................................................................Tahap-
Q T U
6
Gambar 2.5 Pohon pelacakan
Beberapa node yang terdapat pada pohon, node awal pada tahap-0
disebut “akar”. Node ini bisa dimisalkan sebuah topik. Bebarapa percabangan
dimiliki oleh node ini, dimana percabangan tersebut dinamakan sebagai
“anak” atau disubut jg “successor” sehingga menjadi perantara node
selanjutnya. NOde awal disebut Predecessor. Node yang tidak memiliki anak
disebut “daun” sebagai contoh pada Gambar 2.6 yaitu Q,T,U yang merupakan
the end sebuah tree.
b. Tree pada AND/OR

Gambar 2.6 menjelaskan permasalahan Z akan diselesaikan dengan
alternatif K,L,M.Sehingga ketika salah satu K,L,M tidak terpecahkan maka
masalah Z akan terselesaikan. Berbeda dengan Gambar 2.6, ketika Z hanya
bisa dipecahkan melalui K,L,M. Yang artinya untuk menyelesaikan persoalan
Z, sehingga menyelesaikan alternatif node K, L dan M terlebih dahulu. Tree
yang dimaksudkan yaitu tree pada AND/OR.
K L M
Gambar 2.6 Node AND/OR tahap 1
K L M
Gambar 2.7 Node AND/OR tahap 2
Gambar 2.8 memperlihatkan pencapaian tujuan melalui Tree “AND/OR”.

Pohon tree pada Gambar 2.5 hanya bisa diselesaikan sampai tahap 2 seperti
pada Gambar 2.8.
Z .....................................Tahapan-0
M O Tahapan-1
K L M O N
R U U Tahapan-2
R U U
Gambar 2.8 Tree AND/OR sampai tahapan 2
4. Searching sebagai teknik pemecahan masalah

Berbagai solusi bisa diselesaikan melalui permasalahn seperti di atas.
Biasanya untuk membangun system tersebut, 4 hal perlu di pertimbangkan, yaitu
a. Mengananlisis persoalan teknikpenyelesaian yang cocok
b. Merepentasikan knowledge terhadap permasalahan yanga ada.
c. Mengambil metode terbaik sehingga persoalan terselesaikan.
Banyak lagi teknik penyelesaian masalah yang dapat dipakai, antara lain
searching (pencarian), reasoning(penalaran),planningyaitumemecahproblem ke
dalam bagian terkecil masalahntersebut
C. Soal latihan/tugas
1. Ilustrasikan pada menara hanoi melalui ruang keadaa, state awal dan state akhir
serta tujuan?
2. Diketahui terdapat 2 buah ember, ember pertama bisa menampung 7 liter dan
ember kedua 5 liter. Pada awalnya ember tersebut dalam kondisi kosong.
Informasi tambahannya lagi ember tersebut tidak terdapatukuran yang
menandakan batasan volume. Untuk mengisi ember tersebut terdapat sumur bor.
Pertanyaanya bagaimana kalian bisa mengisi 6 liter air ke dalam ember yang
berkapasitas 7 liter. Sehingga pintu penjara menjadi terbuka dengan catatan
ember nanti akan diletakkan di atas kunci untuk membuka pintu penjara?
3. Ada 3 kanibal dan 3 missionaris akan menyebrangi sungai, ketika kanibal sendiri
dan misionaris sendiri maka kanibal akan memakan misionaris, bagaimana
menyelesaikan permasalahn tersebut menggunakan representasi pengetahuan
dan dan beberapa rule (aturan) sehingga misionaris bisa menyebrangi sungai
dengan selama?
4. Buatlah contoh lain penerapan grap keadaan AND/OR sari 6 level menjadi 2 level
saja?
D. Referensi
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Informatika Bandung. Bandung.
PERTEMUAN 3
METODE SEARCHING
Pada pertemuan ini akan dijelaskan tentang “blind search” dan “heuristic
search” dengan iterasi. Anda harus mampu menjelaskan pencarian buta (blind
search).
B. Uraian Materi
1. Pencarian buta (blind search) dengan iterasi
Blind search atau Un-informed search merupakan pencarian untuk
melacak ruang keadaan. Metode pencarian secara Blind search terdiri dari
beberapa yaitu metode “Breadth First Search(BFS)”, “Dept First Search(DFS)”,
“Deapth limited search (DLS)”, “Uniform Cost Search (UCS)”, “Iterative
deepening search (IDS)”, “Bi-Directional search (BDS)”. Metode Serching secara
“heuristik” terdiri dari generate atau pembangkit dan test atau uji, pendakian bukit
atau hill climbing, Simulate anneling (SA), “Best first search” (pencarian terbaik
lebih dahulu), greedy best first search, A* (A bintang), “Iterative deepening A*
(IDA*)”, “Simplified memory bounded A* “(SMA*), Bi-Directional A*(BDA*),
Modified Bi-Directional A*(MBDA*), Dynamic weighting A* (DWA*).
Metode Breadth-first search (BFS) merupakan bagian dari blind yang
artinya sebelum mengunjungi level n+1 maka yang terlebih dahulu dilakukan
adalah mengunjung level n node. Pencarian dilakukan pada semua simpul dalam
setiap level berurutan dari kiri ke kanan. Jika pada level tertentu tidak ditemukan
solusi maka dilanjutkan pada level berikutnya. Solusi yang diambil adalah solusi
yang terbaik. Dengan kata lain solusi yang complate dan optimal. Hal ini
dilakukan dengan menelusuri satu-persatu sampai level yang paling bawah
(Suyanto, 2007). Simpul yang bersebelahan dengan simpul awal akan dicari
terlebih dahulu (Kristanto A,2004).
Pada kasus ini seperti contoh pada Gambar 3.1 yaitu searching diawali
node awal atau akar (node T) teruske tahapan atau level pertama yaitu K dari
kiri(left) ke kanan(right) yaitu L, Setelah itu beralih ke tahapan berikutnya atau ke
level selanjutnya, mulai dari kiri(left) M ke kanan(right) N sampai ditemukanya
goal (node Q). Gambar 3.1 merupakan metode Breadth-first search (BFS) yang
diadopsi dari buku kecerdasan buatan oleh Sutoju, Mulyanto E, Suhartono V
(2011). Aturan dalam metode ini yaitu Dalam algoritma BFS sebagai anak(child)
yang sudah didatangi kemudian disimpan pada antrian. Antrian ini digunakan
sebagai arah simpul tetangga yang hendak dikunjungi sesuai dengan urutan.
K L
M N O P
R Q
Gambar 3.1 Metode Breadth-first search (BFS)
Untuk memperjelas cara kerja algoritma BFS beserta antrean yang

digunakanya, berikut urutan BFS algorithm.
a. Masukan node Akar kedalam antrian
b. Dapatkan titik untuk mengawali suatu antrian, setelah itu cek apakah
terdapat suatu penyelesaian
c. Apabila terdapat titik solusi, maka searching berakhir
d. Apabila titik penyelesaian, input semua titik pada antrian
e. Apabila antrian tidak terisi atau kosong dan tiap titik telah diperiksa maka
searching selesai.
f. dari poin 2
g. Keuntungan Menjamin ditemukanya solusi yang paling baik (Complete dan
Optimal)
h. Kelemahan Karena BSF harus menyimpan semua node yang dibangkitkan
maka metode ini membutuhkan memori dan waktu yang cukup banyak
Jika Queue tidak kosong, ulangi pencarian mulai
Contoh 1
Misalkan diketahui pohon pelacakan seperti Gambar 3.1 implementasikan

algorithm BFS agar mendapatkan penyelesaian mulai dari titik P hingga titik Q
melalui beberapa iterasi yaitu:
Iterasike 1
Input titik T Pada antrian
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
T
24
Gambar 3.2 Stack Breadth-first search (BFS) iterasi 1 tahap 1
Representasi Ruang Keadaan :
T
24
Gambar 3.3 Repesentasi keadaan Breadth-first search (BFS) iterasi 1
Keluarkan T dari antrian kemudian periksa T merupakan tujuan(Goal)

Antrian
24
Ternyata T ≠ Goal
T punya anak K dan L masukan pada antrian
Antrian
L K
24
Representasi Ruang Keadaan
K L
Gambar 3.6 Repesentasi keadaan BreadthFirstSearch (BFS)

Tahapan(iterasi) 2
Iterasike ke-2
Lempar K dariAntrian periksa K merupakan Tujuan Goal
Antrian
L
25
Ternyata K ≠ Goal
K mempunyai anak(child) M serta N input pada antrian
Antrian
N M L
25
K L
M N
Gambar 3.9 Repesentasi keadaan Breadth-first search (BFS) iterasi 3

Iterasi ke-3
Lempar L dariAntrian lalu periksa L merupakan tjuan(Goal)
Antrian
N M
Ternyata L ≠ Goal
L mempunyai anak(child) O serta P input pada antrian
Antrian
P O N M
K L
O P
M N
Gambar 3.12 Representasi keadaan Breadth-first search (BFS) iterasi 4

Iterasi ke-4
Lempar M dariAntrian lalu periksa M merupakan tujuan(Goal)
Antrian
P O N
Ternyata M ≠ Goal
M bukan memiliki anak(child) sehingga tidak di input pada antrian
Antrian
P O N
K L
M N O
P
Gambar 3.15 Representasi pengetahuan Breadth-first search (BFS) iterasi 5
Iterasike 5
Lempar N pada antrian lalu periksa N merupakan (tujuan)Goal
Antrian
P O
Ternyata N ≠ Goal
N bukan memiliki anak(child), lalu dikeluarkan dari antrian
Antrian
P O
Reperesentsi Ruang Keadaan
K L
M N O
P
Iterasike ke-6
Lempar O dariAntrian kemudian periksa O merupakan Tujuan(Goal)
Antrian
P
Ternyata O ≠ Goal
O mempunyai anak(child) R serta Q, input pada Antrian
Antrian
R Q P
Reprentasi Ruang Keadaan
K L
M N O P
R Q

Iterasike ke-7
Pada iterasi ke-7 sudah terdapat banyak anak(child). Titik awal yaitu T
sementara child(anak) terdiri dari titik atau huruf yang diberi garis bawah seperti
K,L,M,N,O dan lain-lain.
Lempar P dariAntrian lalu periksa P merupakan Tujuan(Goal)
Antrian
R Q
Ternyata P ≠ Goal
P tidakMemiliki anak(child), lalu tidak bisa disertakan pada antrian
Antrian
R Q
Reprentasi Ruang Keadaan
K L
M N O P
R Q
Gambar 3.24 Representasi pengetahuan Metode Breadth-first search (BFS)

iterasi 8
Iterasike 8
Lempar R dariAntrian lalu periksa R merupakan Tujuan(Goal)
Antrian

Ternyata R ≠ Goal
R tidakMemiliki child(anak), sehingga tidak bisa disertakan pada antrian
Antrian
K L
M N O P
R Q
Gambar 3.27 Representasi pengetahuan Metode Breadth-first search (BFS)

iterasi 9
Iterasike 9
Lempar Q dariAntrian lalu periksa Q merupakan tujuan(Goal)
Antrian

Ternyata Q = Goal
Pencarian di hentikan
Penyelesaian Masalah :
Q anaknya(child) O, lalu O anaknya(child) L, serta L anaknya(child) T
T merupakan titik asal(akar) sehingga searching penyelesaian berhenti dan
penyelesaiannya ialah : T-L-O-R
C. Soal Latihan/ Tugas
1. Ilustrasikan gambar di bawah ini dengan metode breadth first search (BFS)
melalui 8 iterasi?
H I
J K L M
O N
2. Carilah 2 jurnal lain yang berhubungan dengan Pencarian (searching)?
D. Referensi
Prasetiyo Y, Dewa SW, Udjulawa D. [Tahun tidak diketahui]. Penerapan algoritma
Breadth first search untuk rancang bangun edugame icon perangkat teknologi
informasi berbasis android. [jurnal dan volume tidak diketahui]
Kristanto A. 2004. Kecerdasan buatan. Graha Ilmu: Yogyakarta.
Informatika Bandung. Bandung
Wijaya E. 2013. Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep
Artificial Intellegencia. Jurnal TIME , Vol. II No 2 : 18-26
PERTEMUAN 4
DEPTH FIRST SEARCH
Pada pertemuan ini akan dijelaskan penggunaan depth first search. Setelah
menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami pencarian
mendalam pertama (Depth-first search).
B. Uraian Materi
1. Memahami pencarian mendalam pertama (Depth-first search)
Depth-first search merupakan bagian dari blind search. Proses ini diulangi
terus hingga ditemukannya goal (node G). Pada pencarian ini dilakukan
searching pada semua anak(child) terlebih dahulu baru setelah itu dilakukan
pencarian pada nodes atau tahap yang selevel.Searching diawali pada nodes
T(akar) ke level diatasnya. Metode inijuga dilakukan dengan menelusuri setiap
kemungkinan path.
K L
M N O P
R Q
Gambar 4.1 Depth first search
Gambar 4.1 merupakan Depth First Search (DFS) . Proses pada DFS
algorithm ini Stackatau tumpukan digunakan untuk menyiman titik(node)yang
telah dikunjungi. Algorithm DFS mengatur stack melalui urutan misalnya masuk
terakhir keluatr pertama. Tahapan proses Depth First Search DFS:

a. Input Titik atau nodesAkar pada stack
b. Gunakan nodes yang paling atas, setelah itu periksa apakah merupakan suatu
penyelesaian.
c. Apabila nodes termasuk penyelesaian maka pencarian berakhir
d. Apabila nodes tidak termasuk penyelesaian maka input semua nodes
child(anak) pada stack
e. Apabila nodes tidak berisi atau kosong, maka periksa seluruh nodes,
searching berakhir
f. Coba kembali mulai dari tahap ke-2
Kelebihan :
a. Hanya nodes yang aktif yang selalu disimpan pada stack sehingga
memerlukan memori yang kecil.
b. Proses ini tidak cukup melelahkan karena tidak mesti memeriksa seluruh
nodes.
Kekurangan:
a. Terkadang Goal(tujuan)tidak sesuai.
b. Untuk setiap searching selalu mendapat 1 penyelesaian
Misalkan diketahui pohon pelacakan seperti Gambar 4.1proses algorithm
DFS terhadap permasalahan mulai T nodes (Start) hingga Q tujuan(Goal).
Interasi ke-1
Input nodes T pada Stack setelah itu perlu ditandai
Tumpukan
Masuk dari pintu kiri, keluar lewat pintu kiri
Gambar 4.2 Stack Depth first search iterasi 1 tahap 1
Representasi keadaan :
Gambar 4.3 Representasi pengetahuan iterasi 1
Keluarkan T dari Stack dan cek.

Stack
Ternyata T ≠ Goal
T memiliki anak(child) K serta L, setelah itu perlu ditandai, input nodes K , L
pada tumpukan.
Stack
K L
Karena T memiliki child(anank), input T sebagai penyelesaian sementtara:

PenyelesaianSementara = [ T ]
Representasi suatu keadaan :
K L
Iterasi ke-2 :
Stack
K L
Solusi sementara = [ T ]
Keluarkan K dari Stack dan cek
Stack
Ternyata K ≠ Goal
K memiliki anak(child) M serta N, setelah itu perlu ditandai, input nodes M,N
pada tumpukan
Stack(tumpukan)
M N L
Karena K memiliki child(anak), input K sebagai penyelesaian sementtara :

PenyelesaianSementara =[ T K ]
Representasi suatu keadaan :
K L
M N
Iterasi ke-3
Stack
M N L
Keluarkan M dari Stack dan cek.

Stack
N L
Ternyata M ≠ Goal
M tidak memiliki child(anak), sehingga tidak terdapat sesuatu yang di input
pada Stack.
Stack
N L
Karena M tidak memiliki child(anak), sehingga M tidak bisa di input sebagai

penyelesaian sementaraa.
PenyelesaianSementara = [ T K ]
K L
M N
Iterasi ke-4 :
Stack
N L
Solusi sementara = [ T K ]
Keluarkan N dari Stack dan cek
Stack
Ternyata N ≠ Goal
N Tidak memiliki anak(child), sehingga tidak ada yang di input pada Stack
Stack
Karena N tidaj memiliki anak(child), sehingga N tidak di input sebagai

penyelesaian sementaraa:
PenyelesaianSementara =[ T K ]
K L
M N
Iterasi ke-5 :
Stack
Solusi sementara = [ T K ]
Keluarkan yang diberitanda pada Stack lalu pakailah untuk meghilangkan
penyelesaian sementara sementara 1 huruf.
Stack

Solusi sementara = [ T K] = [ T ]
Interasi -6
Stack
Masuk dari pintu kiri, keluar dari pintu kiri

Solusi sementara = [ T ]
Keluarkan L dari stack dan cek
Stack

Ternyata L ≠ Goal
L memiliki anak(child) O dan P, perlu ditandai serta input nodes O serta P pada
tumpukan.
Stack
O P
Karena L punya anak, maka L dimasukan ke solusi sementara:

Solusi sementara = [T L]
Representasi keadaan:
K L
M N O P
Iterasi 7
Stack
Masuk dari pintu kiri, keluar lewat pintuk iri
O P
Solusi sementara = [ T L ]
Keluarkan O dari stack dan cek
Stack
Ternyata O ≠ Goal
O memiliki anak(child) R serta Q, perlu ditandai lalu input nodes R serta Q
pada tumpukan.
Stack
Masukdaripintukiri, keluarlewatpintukiri
R Q P
Karena O memiliki anak(child), lalu O diinput sebagai penyelesaian sementara:

Penyelesaian Sementara = [ T L O ]
Reprepensi keadaaan
K L
M N O P
R Q
Gambar 4.28 Representasi keadaan iterasi 8

Iterasi 8
Stack
R Q P

Solusi sementara = [ T L O ]
Keluarkan R dari stack dancek
Stack
Q P

Ternyata R ≠ Goal
R ttidak memiliki child(anaksehingga R tidak di input pada stack
Stack
Q P
Karena R tidakk memiliki anak(child), Sehingga R diinput sebagi penyelesaian

sementtra:
PenyelesaianSementara = [ T L O ]
K L
M N O P
R Q
Gambar 4.32 Representasi keadaan iterasi 9
Iterasi ke-9
Stack
Q P

Solusi sementara = [ T L O ]
Keluarkan Q dari stack dancek
Stack
Q P
Tenyata Q= goal(tujuan), input sebagai penyelesaian sementara serta

searching bkhirer
Penyelesaian= [ T L O Q ]
K L
M N O P
R Q
Gambar 4.35 Representasi keadaan akhir
1. Ilustrasikan gambar di bawah ini dengan metode Depth first search (DFS)
dengan beberapa iterasi?
H I
J K L M
O N
D. Referensi
Siswanto. 2010. Kecerdasan Tiruan. Graha Ilmu edisi 2. Yogyakarta.
Sutojo, T. Edy ,Mulyanto dan Suhartono,Vincent. 2010. Kecerdasan Buatan. Andi
Offset. Yogyakarta.
PERTEMUAN 5
REPRESENTASI LOGIKA DAN JARINGAN SEMANTIK
A. TujuanPembelajaran
Setelah menyelesaikan materi pada peremuan ini, mahasiswa mampu
memahami representasi logika dan jaringan semantik. Uraian terdiri dari representasi
logika dan jaringan semantik.
B. Uraian Materi
1. Representasi logika
Sebelum membahas tentang representasi logika ada baiknya mengetahui
tentang representasi Pengetahuan yaitu metode yang digunakan dalam
menggali pengetahuan dari parapakar. Proses representasi memudahkan dalam
pengambilan keputusan (Turban et al. 2007). Representasi pengetahuan terdiri
dari logika yang presentasikan atau representasi logika, jaringan berupa
semantik, bingkai atau frame, naskah atau script serta terakhir produksi yang
mempunyai aturan. Representasi pengetahuan yang paling tua adalah logika.
Fakta yang sudah ada bisa digunakan untuk menarik kesimpulan logika. Premis
pada logika digunakan sebagai input berbeda dengan kesimpmpulan yang
digunakan sebagai output. Ilmu penalaran disebut juga logika, dimana
berhubungan dengan kalimat dan aturan tertentu dan bisa juga berbentuk
sintaks.
Menurut Kusumadewi S, 2003 “Logika terdiri sintaks(simbol),
semantik(fakta), dan keputusan(inferensi). Logika Preposisi terdiri dari and, or,
not, implikasi, dan ekuivalensi. Kalimat deklaratif terdiri dari kalimat bernilai benar
(1) atau salah (0) atau true false saja tetapi bukan juga keduanya. Nilai
kebenaran berupa salah atau benar. Proposisi dilambangkan dengan p, q , r, x,
y, a, b dan lainnya disebut proposisi atomik. Contoh proposisi terlihat pada Tabel
5.1.
Tabel 5.1 Contoh proposisi
Contoh proposisi Nilai

Perempuan melahirkan True (Benar)
50>75 False (Salah)
Ibukota Sumatera utara adalah Medan True (Benar)
Operator logika digunakan untuk Satu atau lebih proposisi. Proposisi yang
dihasilkan terdiri dari 2 yaitu proposisi majemuk atau compound composition dan
prosisi atomik.Tabel 5.2 merupakan bentuk,arti dan simbol dari Penghubung
logika
Tabel 5.2 Bentuk,arti dan simbol
“Negasi adalah ingkaran contoh kalimat negasi Jika p adalah “ Universitas

pamulang terletak di Viktor”, sehingga ~p merupakan ingkaran dari p dengan
hasil “Universitas pamulang bukan terletak di Viktor” atau “ Tidak benar
Universitas pamulang terlletak di Viktor”.
“Pernyataan majemuk disebut konjungsi jika menggunakan penghubung
AND” melalui simbol “”. Sebagai permisalan P yang merupakan suatu
sentence(kalimat) yaitu Universitas Pamulang adalah nama Kampus. Q contoh
sentences(kalimat)“ SMK Sasmita adalah nama sekolah” untuk itu
kalimat(sentences) “Universitas Pamulang merupakan Kampus serta SMK
Sasmita merupakan sekolah “dinyatakan dengan simbol p  q.”
Pernyataan majemuk menggunakan “ATAU/OR” disebut Disjungsi
melalui simbol notasi “”. Disjungsi etrdiri dari
a. Inklusiff Or
Ialah ketika “kedua pihak benar dalam artian p is true atau q is true atau all is
true”
example :
p : Universitas Pamuang terletak di viktor
q : Universitas Pamulang merupakan bagian Tangerang Selatan
p  q : adalah Universitas Pamuang terletak di viktor atau bagian
Tangerang Selatan
Benar bahwa Universitas Pamuang terletak di viktor sekaligus bagian
Tangerang Selatan
b. Ekslusif Or
Yaitu jika “p is true atau q is true but not all”.
Example :
p : Sayaakan pergi kuliah mengendarai mobil.
q : Saya akan pergi kuliah mengendarai motor.
p  q : Saya akan pergi kuliah mengendarai mobil atau motor.
“JIKA” dan “MAKA” merupakan bagian Implikasi. “implikasi/pernyataan

bersyarat/konditional/ hypothetical dengan notasi “”.
simbol TUbisa di eja seperti ini:
a. Jika T maka U
b. U jika T
c. Tadalah syaratcukupuntuk U
a. U adalahsyaratperluuntuk T
Example
p : Pak Darsono merupakan ketua yayasan Sasmita Jaya.
q : Pak Darsono merupakan penduduk di daerah Pamulang.
p  q : Jika Pak Darsono merupakan ketua yayasan Sasmita Jaya maka
penduduk di daerah Pamulang.
Simbol “T  U” merupakan Biimplikasi atau bikondosional. Ejaanya dibaca
“ T jikadanhanyajika U” .
Example
T : Universitas Pamulang adalah kampus murah.
U : Universitas Pamulang sesuai dengan kondisi ekonomi menengah ke bawah.
T  U Universitas Pamulang adalah kampus murah jika dan hanya jika sesuai
dengan kondisi ekonomi menengah ke bawah.
Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi yang terdiri dua
variabel yaitu “B dan S”.
Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi
Tautologi
Setiap kalimat yang bernilai true, untuk setiap nilai kebenaran komponen-
komponenya disebut tautologi sehingga argumen tersebut merupakan argumen
yang valid (Sutojo, Mulyanto E, Suhartono V, 2011). Disamping itu menurut buku
Maxrizal, 2015 pada buku dasar logika informatika tautologi adalah proposisi
yang bernilai true tidak tergantung pada nilai kebenaran masing-masing
proposisi.
Example
Carilah apakah pendapat berikut bernilai benar atau salah?
Jika Fatih mengerjakan tugas maka mendapatkan nilai yang bagus
Fatih mendapatkan nilai yang bagus
∴ Fatih mengerjakan tugas
Misalkan
p = Fatih mengerjakan tugas
q = Fatih mendapatkan nilai yang bagus
sehingga bisa ditulis sebagai
p-> q (premise1)
q (premise 2)
∴P
Tabel 5.4 Tabel kebenarannya untuk menunjukan argumen
P Q p -> q ((p ->q)/`q) ((p->q)/`q)->p
B B B B B
B S S S B
S B B B S
S S B S B
Tampak pada Gambar 5.4 baris ke-3 bahwa kebenaran I((p –q/`q) -> p adalah F
false. Jadi argumen tersebut bukan tautologi, artinya argumen tersebut invalid.
Inferensi Logika Proposisi
Premis yag digunakan untuk menarik kesimpulan disebut inferensia.Tabel 5.5
merupakan hukum inferensia.
Tabel 5.5 Tabel beberapa hukum Inferensia
2. Jaringan Semantik
Objek yang digunakan sebgaai representasi pengetahuan merupakan
bagian dari jaringan semantik. Grafik atau simbol bisa digunakan sebgai bagian
jaringan semantik.
Contoh
Sebagian kecil darimahasiswa UNPAM sedang memikirkan kondisi Fatih juga
Fadlan. Dari berbagai informasi fatih juga fadlan dalam kondisi seperti:
a. Fatih pegawai yang bekerja terhadap Fadlan.
b. Fatih juga Fadlan merupakanmanusia.
c. Fatih juga Fadlan membantu Yayasan Sasmita melalui Kampus yang di
Viktor.
d. Fatih berumur 30 tahun dan memiliki black eye
e. Fadlan adalah Sekretaris prodi.
f. Seorang sekretaris prodi biasanya mempunyai moobil perusahaaan.

g. Rata-rata karyaawan dalam Yayasan Sasmita mempunyai nametag.
Berikut adalah cara membuat representasi pegetahuan melalui tahapan-
tahapannya.
a. Fatih adalah seorang pegawai dan bekerja untuk Fadlan
Fatih
Bekerja untuk
adalah
Fadlan pegawai
Gambar 5.1. Representasi jaringan semantik tahapan 1
b. Fatih dan Fadlan adalah manusia
adalah
Fadlan Manusia
Bekerja untuk adalah
adalah
Fatih pegawai
c. Fatih dan Fadlan bekerja dalam Yayasan Sasmita dari kampus yang di
Viktor
adalah
kampus yang di Viktor Fadlan Manusia

Bagian dari
Bekerja dalam
adalah
Fatih pegawai
Yayasan Sasmita
Bekerja dalam
Gambar 5.3 Representasi jaringan semantik tahapan 3
d. Fatih berumur 30 tahun dan mempunyai mata berwarna hitam.
kampus yang di Viktor Fadlan adalah

Manusia
Bekerja untuk
adalah
Bagian dari Bekerja dalam
adalah
Fatih pegawai
Yayasan Sasmita
Bekerja dalam umur
30
mempunyai
Warna
Mata Hitam
e. Bejo Fadlan adalah Sekretaris prodi.
Sekretaris prodi
adalah
Kampus yang di Fadlan adalah

Manusia
Viktor
Bagian dari
Bekerja dalam
adalah
Fatih pegawai
Yayasan
Bekerja dalam umur
Sasmita
30
mempunyai
Warna
Mata Hitam

f. Seorang sekretaris prodi biasanya mempunyai mobil perusahaan.
mempunyai
Mobil perusahaan
Sekretaris prodi
adalah
Kampus yang di Fadlan adalah

Manusia
viktor

adalah
Fatih pegawai
Yaysan
Bekerja dalam umur
Sasmita
30
mempunyai
Warna
Mata Hitam
g. Sebagian besar Karyawan dalam Yayasan Samita memiliki Nametag.
mempunyai
Karyawan Nametag
termasuk
Yayasan Sasmita Karyawan
termasuk
mempunyai
Bekerja Mobil perusahaan
Sekretaris Prodi
untuk adalah
Yayasan Sasmita Fadlan adalah

Manusia
untuk termasuk
adalah
Fatih pegawai
Kampus yang di
Bekerja dalam umur
Viktor
30
mempunyai
Warna
Mata Hitam
1) Perluasan jaringan semantik

Perluasan jaringan semantik dilakukan dengan cara menambahkan
nodes serta mengubungkan nodes yang sesuai tersebut. Nodes itu bisa
digunakan untuk banyak objek. “sekretaris” ialah subjek yang serupa dengan
node “pegawai” yang merupakan hubungan “adalah” mulai nodes “Fadlan”
dan nodes “Fatih”.
a) Penambahan objek yang lebih khusus.
Penambahan node “Mata” dan node “Hitam” ialah subjek identik pada
nodes “Fatih”. Fatih mempunyai mata berwana hitamialah informasi
tambahan.
b) Penambahan objek yang lebih umum.

Penambahan node “Pegawai” pada node “Sekretaris prodi” dan node
“Karyawan” menginformasikan bahwa Sekretaris prodi dan pegawai
termasuk dalam Karyawan.
2) Pewarisan(Inheritances) di Jadingan Semantik
“penembahan node disebut inheritance. Node yang ditambahkan
yaitu “hitam” dan “fatih”.
3) Operasi pada Jaringan Semantik
Bertanya pada nodes ialah cara yang bisa digunakan untuk
membangun jaringan semantik. Sebagai contoh ingin memberikan
pertanyaan pada “Fatih”, Apa warna mata Fatih? Untuk menjawab
pertanyaan tersebut diperlukan node “Fatih”, arc “mempunyai”, node “Mata”,
dan arc “Warna” seperti berikut.
Fatih
mempunyai
Warna
Mata Hitam
Kalau dirunut, jawaban untuk pertanyaan tersebut adalah Hitam.
C. Soal
1. Buatlah tabel kebenaran dari ~(pvq) v~( p^q) ?
2. Buatlah jaringan semantik untuk 7 kasus dengan subjek Teknik Informatika?
D. Referensi
Kusumadewi S, 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta.
Graha Ilmu.
Maxrizal. 2015. Dasar Logika Informatika. Yogyakarta. MediaKom.
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence
System. Ed ke-7. United States of America: Prentice Halls.
PERTEMUAN 6
REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI
A. TujuanPembelajaran
memahami Representasi frame, script, dan aturan produksi. Sub materi pada
pertemuan ini yaitu:
1. Frame (bingkai)
2. Script (Naskah)
3. Aturan produksi
B. Uraian Materi
1. Memahami frame (bingkai)
Marvin Minsky merupakan the father of frame yaitu tahun 1970. Frame
menurut Marvin Minsky merupakan objek yang bisa direpresentasikan. Dengan
kata lain deskripsi objek yang berhubungan melalui tabulasi atau disebut juga
bingkai sehingga tabel menjelaskan objek yang ada. Objek yang bisa dipetakan
yang berkaitan disebut juga frame (Priandoyo A, 2004). Plot direpresentasikan
melaui flame berupa atribut yang menjelaskan objek. Subplot ialah knowledge
dari atribut. Beberapa informasi pada plot:
a. Frame yang mempunyai identitas

b. Frame yang mempunyai hubungan dengan frame tetangga
c. Deskripsi yang diperlukan frame
d. Informasi deskripsi tersebut
e. Default frame yang terdapat informasi
f. Kebaruan informasi
Lain halnya dengan subplot yang terdapat banyak nilai yaitu:

a. Values : Atribut yang memiliki nilai
b. Defaults : slot kosong yang tidak memiliki nilai
c. Ranges : kategori informasi
d. IfAdded : Slot yang telah terisi dan mempunyai informasi serta siap untuk
diambil tindakan
e. IfNeeded : Tidak terdapat nilai pada slot sehingga dengan keadaan

tersebut digunakan subslot ini
f. Others : input slot dengan frame ataupun rule bisa juga menggunakan
semantik yang berupa jaringan serta yang laiinya
Lihatlah hierarki knowledge UNPAM di bawah ini
UNPAM
Teknik Mesin Teknik Kimia Teknik Informatika Ekonomi
Jaringan Programmin
g
CISCO Java Web
Packet Tracer Netbeans Notepad+

Gambar 6.1 Frame UNPAM +
Gambar 6.1 tersebut menunjukan knowlede UNPAM yang berupa

hierarki,Bagian yang paling atas merupakan kelas yang bersifat umum. Kelas
yang paling khusus dan bersifat spesifik ditemukan di bagian bawah setelah di
runut secara teratur misalnya kampus. Kelas tertentu berada di posisi bagian
paling bawah.
Untuk setiap objek pada hierarki tersebut kita bisa membuat frame berikut.
Tabel 6.1 Frame Teknik Informatika

Nama Teknik Informatika
Orangtua UNPAM
Anak Jaringan
Komunitas CISCO
Tools Packet Tracer
Tabel 6.1 merupakan pengembangan dari induk kelas UNPAM yaitu teknik
informatika. Anak dari teknik informatika ini yaitu jaringan dengan komunitas
CISCO dan tools yang digunakan yaitu packet tracer.
Tabel 6.2 Frame Jaringan 1

Nama Jaringan
Orangtua Teknik Informatika
Anak CISCO
Tools Packet Tracer
Tabel 6.2 merupakan frame Jaringan dengan anak Cisco dan orang tua teknik
informatika. Untuk mengetahui sifat jaringan maka perlu ditambahkan slot yang
lain mewarisi sifat – sifat jaringan sehingga menghasilkan daftar slot berikut.
Tabel 6.3 Frame Jaringan 2

Nama Jaringan2
Anak CISCO
Coding Ya
Nirkabel Bisa
Topologi Ya
Tabel 6.3 merupakan frame jaringan2 dengan orang tua berupa teknik
informatika. anak berupa CISCO dengan tambahan beberapa slot berupa
coding, nirkabel dan topologi. Slot – slot hasil pewarisan ditunjukan oleh huruf
miring dan tebal.
Tabel 6.4 Frame Programming

Nama Programming
Orang tua Teknik Informatika
Anak Java, Web
Tools Ya
Gambar 6.4 merupakan frame programming dengan orang tua teknik informatika
anak java dan web. Serta slot yang ditambahkan yaitu tools yang artinya baik
java atau web menggunakan sama-sama tools.
Tabel 6.5 Frame Programming 1

Nama Programming
Anak Java, web
Coding “Ya”
Virtual “Ya”
Tools “Ya”
Tabel 6.5 merupakan frame programming 1 dengan orang tua berupa teknik
informatika serta anak berupa java dan web. Rangkaian ini memiliki Slot slot hasil
pewarisan ditunjukkan oleh huruf miring berupa coding, virtual, tools . Contoh lain
mengenai frame misal Knowledge Yayasan Sasmita dalam bentuk hierarki
Yayasan Sasmita
Jaya
UNPAM WITANA SMK UNPAM

VIKTOR
Mekanik Komputer
Motor Jaringan RPL

Gambar 6.2 Frame Yayasan Sasmita Jaya
Gambar 6.2 tersebut Honda

menunjukan hierarkiVirtual Software
pada Yayasan Sasmita Jaya, dengan
kelas yang paling umum yaitu UNPAM Witana, UNPAM Viktor, SMK. Kelas dari
Yayasan Sasmita Jaya yang lebih spesifik akan ditemukan jika hierarki dirunut
ke bawah. Dimana SMK terdiri dari 2 peminatan yaitu mekanik dan komputer.
Mekanik terdiri dari motor dan honda. Komputer pun mengelola jaringan dan RPL
dimana jaringan akan mempunyai anaka berupa virtual dan RPL akan
mempunyai anak berupa software. Untuk lebih jelasnya setiap objek pada
hierarki tersebut kita bisa membuat frame berikut.
Tabel 6.6 Frame SMK

Nama SMK
Orangtua Yayasan Sasmita Jaya
Anak Mekaik
Komunitas Motor
Jenis Honda
Tabel 6.6 merupakan pengembangan dari induk kelas Yayasan Sasmita Jaya
yaitu SMK. Anak dari SMK ini yaitu mekanik dengan komunitas MOTOR dan jenis
yang digunakan yaitu Honda.
Tabel 6.7 Frame Mekanik 1
Nama Mekanik
Orangtua SMK
Anak Motor
Jenis Honda
Tabel 6.7 merupakan frame Mekanik dengan anak Motor dan orang tua SMK
serta jenis yaitu Honda. Untuk mengetahui sifat mekanik maka perlu
ditambahkan slot yang lain mewarisi sifat – sifat mekanik sehingga menghasilkan
daftar slot berikut.
Tabel 6.8 Frame Mekanik 2

Nama Mekanik 1
Orangtua Mekanik
Anak Motor
Jenis 1 Honda
Jenis 2 Yamaha
Tabel 6.8 merupakan frame jaringan mekanik 1 dengan orang tua yaitu mekanik.
Frame ini memiliki \ tambahan beberapa slot berupa Honda dan Yamaha. Slot –
slot hasil pewarisan ditunjukan oleh huruf miring dan tebal
Tabel 6.9 Frame Komputer
Nama Komputer
Orang tua SMK

Anak Jaringan, RPL
Tools Virtual, Software
Tabel 6.9 merupakan frame komputer dengan orang tua SMK anak jaringandan
RPL. Serta slot yang ditambahkan yaitu tools yang artinya Jaringan mengguakan
tools berupa virtual atau RPL meggunakan software tertentu.
Tabel 6.10 Frame Komputer 1
Nama Komputer 1
Orangtua SMK
Anak Virtual, Software
Coding “Ya”
Web “Ya”
Tools “Ya”
Tabel 6.10 merupakan frame komputer 1 dimana memiliki Slot slot hasil
pewarisan ditunjukkan oleh huruf miring berupa coding, web, tools. Coding yag
artinya baik virtual atau pembuatan software bisa dilakukan dengan
memasukkan coding tertentu. Begitupun dengan Slot web bisa digunakan
melalui virtual atau software tertentu. Setelah itu dalam merancang sebuah tools
bisa dilakukan secara virtual dan menggunakan software tertentu.
2. Memahami Script (Naskah)

Sebenarnya scrip sama dengan frame yaitu representasi pengetahuan
berupa karakteristik yang terdiri dari pengalaman dan urutan peristiwa..
Bagian script meliputi :

a. Track, yaitu scriptyang divariasikkan
b. KeadaanInput, Keadaan yangharus diperhatikan sebelumterjadi sesuatu
pada script
c. Prop,Pendukung berupa objek selama terjadi sesuatu
d. Role, karakter
e. Scene(langkah), Adegan pada peristiwa
f. Hasil, Kondisi akhir
example 1 Pendaftaran mahasiswa baru UNPAM

a. Script = Pendaftaran mahasiswa baru UNPAM.
b. Track (jalur) = Daftar Online.
c. Role (Peran) = Pegawai bank, panitia PMB, pengawas ujian, praktisi
lab.
d. Prop = Kampus UNPAM, bank DKI, ruang ujian, toilet,
laboratorium.
e. Kondisi input = Registrasi online dengan input data melalui komputer.
Langkah 1 : Pendaftaran online
a. Buka browser pada komputer atau smsrtphone
b. Calon mahasiswa baru membuka website pmb.unpam.ac.id
c. Calon mahasiswa baru melakukan registrasi
d. Calon mahasiswa baru menerima username dan password
melalui email
e. Calon mahasiswa baru melakukan login
Langkah 2 : Pengisian data
a. Calon mahasiswa baru melakukan pengisian data
b. Calon mahasiswa baru upload kelengkapan data foto dan ijazah
SMA
c. Panitia PMB akan memverifikasi data pendaftaran.
d. Panitia PMB mengirimkan hasil PMB melalui email pendaftar.
Langkah 3 : Pembayaran
a. Calon mahasiswa baru melakukan pembayaran pendaftaran
melalui bank DKI atau bank lainnya.
b. Calon mahasiswa baru menerima nomor peserta .
c. Calon mahasiswa baru mendapatkan lokasi, waktu ujian.
Langkah 4 : Ujian (Tes) masuk
a. Calon mahasiswa baru mengecek lokasi ujian.
b. Calon mahasiswa baru mengecek ruangan ujian.
c. Calon mahasiswa baru melakukan ujian tulis selama 120 menit.
d. Calon mahasiswa baru mengerjakan soal berupa Bahasa inggris,
Bahasa Indonesia, Matematika dan Pengetahuan Umum.
e. Calon mahasiswa baru melalukan tes narkoba melalui urin.
Hasil :
a. Pegawai bank menerima uang transaksi
b. Calon mahasiswa baru menerima hasil cek urin.
c. Calon mahasiswa baru menerima hasil kelulusan melalui website
pmb.unpam.ac.id
d. Jika masih belum lulus masih ada kesempatan pada periode
berikutnya.
Example ke 2 penggunaan script
Contoh script: kelulusan mahasiswa UNPAM

a. Track : Nilai harus terpenuhi dengan sebanyak ketetntuan
SKS daftar sidang
b. Role : Mahasiswa, dosen pembimbing, dosen penguji.
c. Prop : ruang bimbingan, ruang sidang, ruang revisi
d. Kondisi masukan : rumusan masalah yang diangkat pada latar belakang,
kesimpulan yang membahas tujuan yang telah dicapai.
Scene 1 : Pendaftaran
a. Mahasiswa mengecek nilai apakah layak untuk bimbingan
b. Mahasiswa memikirkan permasalahan skripsi
c. Mahasiswa mendaftar sebagai peserta yang ikut skripsi
d. Mahasiswa merancang proposal
e. Mahasiswa mendaftarkan diri untuk sidang proposal
Scane 2 : Menunggu respon dosen

a. Mahasiswa mengirimkan pesan dengan baik dan sopan
b. Mahasiswa menceritakan judul yang diangkat
c. Dosen memberikan tanggapan dan respon
Scane 3 : Sidang proposal

a. Mahasiswa menjelaskan latar belakang
b. Mahasiswa menceritakan identifikasi masalah
c. Mahasiswa menjelaskan tujuan
d. Mahasiswa menceritakan metode pengembangan sistem yang akan
digunakan
Scane 4 : Bimbingan
a. Menyusun daftar pustaka dan abstrak
Scane 5 : Sidang Skripsi

a. Mahasiswa menghubungi dosen pembimbing
b. Mahasiswa meminta tanda tagan persetujuan sidang
c. Mahasiswa mendaftarkan diri untuk melakukan sidang
d. Mahasiswa mndapatkan jadwal untuk sidang skripsi
e. Mahasiswa menunggu di ruang sidang
f. Mahasiswa telah melakukan sidang dan mendapatakan hasil
kelulusan
Scane 6 : Revisi
a. Mahasiswa melakukan revisi 1
b. Mahasiswa menghubungi dosen penguji 1
c. Mahasiswa melakukan revisi 2
d. Mahasiswa manghubungi dosen penguji 2
e. Mahasiswa mendapatkan tanda tangan pengesahan
f. Mahasiswa cetak hard cover
g. Mahasiswa daftar wisuda
Hasil :
a. Mahasiswa lulus kuliah
b. Mahasiswa diwisuda
c. Mahasiswa senang dan membangkakan keluarga
3. Memahami Aturan Produksii

Rule jika maaka berhubungan dengan aturan produksi. Jika merupakan
kata lain if dari sebuah keadaan, maka merupakn kesimpulan berupa konklusi
Contoh :
a. If mau kuliah murah then mendaftarlah di Universitas Pamulang
b. If mau pandai then belajarlah
c. If sukses then berjuanglah
d. If pasar ramai then saya akan belanja sayur
e. If mau bepergian then saya membawa uang
f. If ingin mempuyai teman hidup then menikahlah
Kelebihan aturanProduksi:
a. Simple, tidak terlalu rumit
b. Komputer bisa menyedian implementasi secara straighforwrd
c. Bisa digunakan untuk berbagai kasus
Kekurangan AturanProduksi:
a. Inefisien bisa terjadi pada implementasi yang bersifat sederhana
b. Aturan produksi terkadang sulit digunakan pada bermacam jenis
pengetahuan
C. Soal
1. Buatlah contoh Frame yang melibatkan hierarki pemerintahan?
2. Buatlah contoh script dengan tahapan berobat sebagai pasien yang sedang
sakit di kampus UNPAM?
D. Referensi
Priandoyo A. 2004. Pemodelan basis pengetahuan dengan frame: studi kasus surat
kabar. [Skripsi]. Yogyakarta(ID): Universitas Gajah Mada (UGM).
PERTEMUAN 7
PENGANTAR EXPERT SYSTEM (SISTEM PAKAR)
memahami expert system (sistem pakar). Sub materi pada pertemuan ini yaitu:
1. Definisi expert sistem
2. Representasi sistem pakar
3. Komponen dan bagian utama sistem pakar
4. Konsep dasar Expert system
B. Uraian Materi
1. Definisi expert sistem
Sitem pakar merupakan adopsi dari otak manusia yang dirancang pada
sebuah komputer dengan pemodelan tertentu yang digunakan untuk
menyelesaikan berbagai masalah seperti seorang pakar yang sedang
menangani sesuatu. Ilmu seorang pakar yag ditanamkan pada sebuah komputer
juga bisa digunakan untuk orang awam. Sitem pakar atau expert sistem ini bisa
dijadikan sebagi asistent yang membantu aktivitas para pakar untuk
menyelesaiakna masalahnya. Para pakar bisa bekerja sama untuk menyusun
berbagai kaidah sebagai suatu kesimpulan dengan menggunakan basis
pengetahuan yang digunakan. Base pengetahuan dari berbagai pakar tersebut
kemudian digunakan untuk mengambil suatu kesimpulan untuk menyelesaiakn
berbagai masalah tertentu.
Sistem pakar membutuhkan beberapa unsur untuk merancangnya pada
komputer sehingga menjadi aplikasi yang layak. Beberapa unsur yang digunakan
terdiri dari aturan, para pakar, inferensia, dan ilmu yang diterapkan pada
komputer, serta programmer untuk membangun aplikasinya, serta sistem analis
yang digunakan untuk merancang penggunaan ilmu pada sistem, serta user
yang menggunakan sistem tersebut. Pakar memiliki kemampuan dalam
pengasan ilmu yang di dapatkan secara akademik maupun di luar akademik.
Seorang pakar mempunyai kemampuan untuk menguraikan semua tanggapan
dari user dan berusaha untuk mengembangkan dan memperbaharui berbagai
pengetahuan pada bidang tersebut. Seorang pakar membutuhkan orang lain
atau orang awam untuk dilakukan proses pengalihan pengetahuan dari seorang
pakar ke yang lainnya. Dilain sisi rangkaian proses pengolahan pengetahuan dari
pakar untuk menghasilkan informasi serta fakta disebut inferensia. Banyak sekali
manfaat dari sitem pakar sehingga beberapa definisi expert sistem dari berbagai
penulis patut untuk diketahui seperti terlihat pada Tabel 7.1
Tabel 7.1 Defenisi Expert sistem dari berbagai penulis
Pemecahan masalah merupakan sebuah aktivitas sebagai penerapan dari

adanya sistem pakar. Beberapa alur aktivitas yang dijadikan pemecahan
masalah sebagai berikut:
a. Pengambilan keputusan dan conclusion pada data mentah(dataset disebut

Interpretasi). Pengambilan data mentah ini bisa berupa dataset yang diambil
dari kaggle berupa dataset gambar atau dataset suara, dataset iris dan lainya.
b. Prediksi yaitu perencanaan terhadap keadaan yang akan terjasi melalu akibat,
sebab dan lainnya. Misalnya prediksi cuaaca
c. Gejala bisa disebut diagnosis, dilakukan terhadap situasi yang bersifat

kompleks yang disebabkan malfungsi dengan beberapa gejala yang bisa
diamati melalui diagnosa secara medis, elektromedis dan mekanis serta
berdasarkan hasil scan laboratorium.
d. Merancang konfigurasi design disertai kendala dan tujuan disebut
perancangan, perancangan juga dilakukan dengan memperhatikan beberapa
permasalahan sehingga bisa merancang desain, misalnya perancangan
bangunan yang berbasis internet of thing.
e. Dengan memperhatikan kondisi awal untuk sebuah rencana disebut
perencanaan. Perencanaan juga memperhatikan kebutuhan untuk mencapai
suatu tujuan tertentu. Misalnya ketika akan membangun rumah maka perlu
dilakukan perencanaan keuangan dengan berbagai barang yang akan dibeli.
f. Membandingkan hasil dengan kondisi yang dilakukan merupakan monitoring.
Monitoring juga bisa dilakukan dengan pengamatan sehingga timbullah hasil
sesuai dengan harapan. Misalnya akan membangun sistem pakar penyakit
jantung tentunya yang diperhatikan terlebih dahulu adalah gejala penyakit
jantung sehingga dibuatlah sistem pendeteksi penyakit jantung sesuai
harapan.
g. Menghilangkan malfungsi disebut debugging. Debugging dilakukan untuk
menghindari sebuah kesalahan atau memberikan sesuatu untuk menghindari
kegagalan.
h. Mengoreksi dan deteksi disebut instruksi. Instruksi merupakan sebuah
perintah terhadap suatu kesalahan sehingga timbullah rasa untuk mendeteksi
dilanjutkan perintah untuk mengoreksi terhadap suatu objek.
i. Mengatur keadaan dan tingkah laku disebut kontrol. Kontrol berarti
mengawasi. Sebagai permisalan yaitu kontrol terhadap sutu sistem dimana
sitem tersebut perlu dilakukanperbaikan dan perkiraan untuk mengevaluasi
dan memperbaharui suati sistem
2. Representasi Sistem Pakar
Gambar 7.1 ialah expert system yang direpresentasikan pada sebuah

gambar. Komputer merupakan wadah yang digunakan untuk menyimpan ilmu
dan pengalaman para pakar. Sistem yang dirancang yang akan dijadikan sistem
pakar. Sistem tersebut memiliki kemampuan atau keahlian yang digunakan untuk
menggantikan seorang pakar tersebut. Knowledge pada pakar harus dilakukan
perancangan. Sehingga ilmu atau pengetahuan dari pakar benar-benar

diterapkan pada sebuah sistem. Antar muka sistem juga berhubungan dengan
penerapan knowledge dari pada pakar. Interface atau antar muka memegang
peranan penting dimana dengan menggunakan antarmuka maka representasi
pengetahuan pakar sudah diterapkan pada sebuah sistem. User yang
menggunakan interface tersebut secara mudah disebut interface yang baik buat
user.
Sistem pakar melibatkan sebuah mesin yaitu mesin pengolah fakta. Mesin
ini mempunyai tugas mengawasi dan penyimpanan knowledge. Mesin ini
berguna untuk konsultasi. Mesin ini bisa digunakan untuk memperbaharui atau
menambahkan fakta baru yang akan digunakan. Knowledge pada pakar terdiri
dari 2 yaitu explicit knowledge dan tacit knowledge. Explicit knowledge ialah
pengetahuan pakar dalam bentuk tertulis atau yang sudah didokumenkan. Tacit
knowledge merupakan pengetahuan pada pakar yang bersifat pengalaman.
Misalnya cara seseorang berbicara. Cara seseorang memasak dengan
menggunakan bumbu yang sama tetapi hasilnya bisa berbeda ada yang lebih
enak atau ada yang hambar. Pada sistem pakarknowledge yang diterapkan
biasanya berbentuk explicit knowledge.
Sistem pakar juga menerapkan basis pengetahuan. Fakta dan aturan
merupakan 2 bagian dari basis pengetahuan. Knowledge yang di uraikan secara
lebih rinci merupakan bagian dari fakta. Ide dan pembaharuan ilmu merupakan
aturan dari basispengetahuan. Knowledge base ini sangatlah penting sehingga
sering disebut jantung pada expert sistem.
Representasi ini terdiri dari penyimpanan data, basis pengetahuan, aturan,
mesin pengolah fakta, antar muka, pengguna dan perancang pengetahuan.
Penyimpanan Data Basis Pengetahuan

Aturan
Mesin
Pengolah
Fakta
Antar Muka
..............................................................................................................
..
Pengguna Perancang
pengetahuan
Gambar 7.1 Diagram representasi sistem pakar
Sistem pakar terdiri 4 bentuk yaitu:

a. Mandiri, artinya sistem pakar tersebut bisa berdiri sendiri tanpa tergantung
dengan sistem yang lainnya. Misalnya sistem pakar penyakit jantung.
b. Bergabung, sistem pakar yang menggunakan algoritma tertentu atau expert
sistem yang diracang dengan algoritma tertentu misalnya sistem pakar yang
menggunakan algoritma A*(Star) yang digunakan untuk mendiagnosa suatu
penyakit pada tanaman khususnya tanaman jeruk.
c. Tergantung dengan software lain, atau dalam artian sistem pakar yang
menggunakan database. Pakar akan menyimpan pengetahuannya berupa
fakta, pengalaman, ide pada database tertentu misalnya DBMS.
d. Pengabdian, sistem pakar yang yang bersifat pengabdi dimana sistem pakar
tersebut merupakan bagian dari komputer tertentu. Misalnya sistem pakar
untuk mendeteksi data radar.
3. Komponen dan bagian utama expert system

Bagian expert system yaitu:
a. Antarmuka
Antarmuka merupakan wadah untuk berkomunikasi antara sistempakar

dengan user. Semua bentuk informasi pengetahuan, dan perintah diolah oleh
programmer sehingga informasi tersebut bisa dipakai oleh user sebagai
sistem pakar. Antar muka pada sistem pakar terdiri dari 2 yaitu expert system
sebagai input dan Expert system sebagai output.
1) Expert system sebagai input
Antarmuka ini dirancang sebagai komunikasi antara pemakai dan

pakar. Komunikasi tersebut bisa berupa saran dan tanya jawab. User
melakukan pengisian formulir terlebih dahulu kemudian user akan
tergabung pada akun expert sistem tersebut. Kemudian user bisa
melakukan tanya jawab dimana user memilih atau mengklik icon tanya
jawab. Dan pakar akan menjawab dengan expert sistem. Dimana expert
sistem tersebut sudah terdapat banyak pengetahuan dari pakar.
2) Expert system sebagai output
Expert system sebagai output dirancang untuk penyelesaian

berbagai masalah yang ada. Expert system sebagai output terdiri dari
GraphicalUserInterface dan Text-Based.
a) GraphicalUserInterface
Hal ini juga berguna untuk berinteraksi antara pemakai atau

aktor dengan system. Namun disini untuk memaahami system
seorang programmer harus menggunakan icon tertentu atau effek
berupa multimedia seperti unsur video,suara dan laiinya.
Penggunaan bahasa pun harus diperhatikan. Misalnya aplikasi itu
berkembang di Indonesia, ada baiknya interface yang dirancang
pada expert system menggunakan bahasa Indonesia. Bhasa sangat
penting dalam membangun sebuah expert sistem terkadang bahasa
malah dijadikan sebagai pertimbangan yang kedua. Padahal tanpa
menggunakan bahasa yang mudah dipahami informasi yang ada
pada expert sistem tidak akan tersampaikan kepada user. Ketika user
merasa mudah dalam menggunakan sistem terutama expert sistem,
maka expert sistem tersebut sudah memiliki graphical user interface
dengan baik.
b) Text-Based : User interface bisa memudahkan pemakai melalui
unsur perintah berupa sintak atau rumus. Sintak atau rumus tersebut
digunakan untuk memberikan suatu instruksi atau perintah.
Terkadang sistem pakar tersebut cukup rumit karena banyak
menggunakan rumus dan algoritma. Tetapi user
cukupmenggunakan sistem pakar dengan mudah melalui graphical
user interfacenya saja.
b. KnowledgeBases (basis pengetahuan)

KnowledgeBase merupakan cara pandang terhadap pengetahuan
berupa fakta, rumusan, pemahaman dan penyelesaian masalah. Domain
pengetahuan pada sistem pakar disbut dengan knowledge base.
Permasalahan atau sebagai domain problem mengilustrasikan fakta
yang sesuai dengan logika pada teknik penyajian merupakan bagian dari
knowledge base. Domain masalah merupakan suatu hal yang bersifat spesifik
sebagai domain pengetahuan dari para pakar.
Sehingga sistem manajemen basis pengetahuan atau knowledge based
sistem digunakan untuk untuk mengelola pengetahuan dari pakar dengan
Beberapa kemampuan knowledgeBase yaitu:
1) Aturan dan deskripsi
Aturan dan deskripsi ini sangat diperlukan guna pembaharuan dan
informasi-informasi yang bersifat baru. Walaupun terdapat banyak
informasi yang kurang lengkap tetapi penarikan kesimpulan sangat
diperlukan untuk menyelesaikan permasalahan.
2) Kebaruan melalui mekasnisme yang ada
Kebaruan melalui mekasnisme yang ada dilakukan dengan menambah
informasi yang bersifat baru, menghapus informasi yang tidak diperlukan
serta memperbaharui sehingga menjadi lebih menarik berdasarkan basis
pengetahuan dari pakar.
3) Query yang digunakan sangat penting untuk pencarian.
Query sangat penting pada sebuah aplikasi terutama expert sistem.
Query akan memudahkan user untuk mencari informasi yang diperlukan
dengan cepat. Ketika expert sistem tidak menggunakan query aplikasi
tersebut akan menimbulkan keresahan terhadap pengguna,karena
aplikasi akan melakukan proses dalam waktu yang lama atau loading
secara terus-menerus.
4) integrasi dari berbagai pengetahuan
Entegrasi berbagai pengetahuan terkadang sangat diperlukan, hal ini
karena aplikasi tersebut membutuhkan pakar lebih dari seorang. Misalnya
sistem pakar pendeteksi penyakit hewan, tentunya yang diperluan dari
pakar 1 adalah informasi penyakit hewan tersebut. Ditambah pakar 2
yang mengetahui lokasi yang cocok untuk perkembangan hewan tersebut
5) Jawaban
Expert sistem harusnya menyiadakan menu konsultasi. Dimana user
bertanya sistem menjawa. Ketika tidak terdapat jawaan dari pertanyaan
user harusnya pakar melalui programmer memperbaharui knowledge
yang akan digunakan.
6) Pendalaman data
Pendalaman data ini berupa penggalian kembali data dari pakar. Cara
berpikir secara induktif perlu dilakukan pada proses penggalian data ini.
Pengalian data ini melibatkan aturan atau rule baru untuk menyelesaikan
berbagai masalah dari kasus yang ada.
c. InferenceEngine (mesin inferensi)
kemampuan bernalar serta berpikir kritis untu mengananalisis suatu

knowledge sangat diperlukan pada inferensia engine. Tak pada expert sistem
serng disebut mesin inferensia. Pada mesin inferensia ini terjadi manipulasi
data, dengan memperhatikan rule atau aturan serta beberapa fakta untuk
menyelesaikan masalah dan menarik suatu kesimpulan. Banyak strategi yang
digunakan pada mesin inferensia terutama pada tahap proses. Strategi yang
digunakan yaitu pengendalian serta strategi penalaran. Strategi pada
penalaran dibagi menjadi 2 yaitu penalaran yang bersifat pasti atau disebut
exact reasononingasoning atau penalaran secara tak pasti. dan penalaran
yang bersifat inexact r Menganalisis pengetahuan serta menarik kesimpulan.
Ketersediaan pengetahuan untuk diolah merupakan bagian dari penalaran
yang bersifat pasti. Tetapi dilainsisi ketika pengetahuan tersebut tidak tersedia
dalam artian perlu pengalian pengetahuan baru disebut penalaran tak pasti.
Penalaran juga mempertimbangkan strategi berupa pengendalian sehingga
menjadi terarah. pengendalian ini terdiri dari 3 jenis yaitu fordward chainig,
backward chaining serta campuran atau gabungan dari keduanya.
d. DevelopmentEngine
Development Engine, diperlukan dalam membuat ExperSystem melaui

bahasa pemrogramann. Hal ini dilakukan agar expert sistem menggunakan
aturan atau yang sering disebut rule set. Terdapat 2 pendekatan pada
developmentengine ini yaitu:
1) Language programming
Language programming atau yang sering disebut bahasa pemrograman.
Hal ini digunakan sebagai representasi sebuah simbol sebagai
peengetahuan yang digunakan misalnya lisp pada tahun 1959 dan prolog
pada tahun 1972.
2) Sistem pakar Shell
Sistem pakar shell merupakan sebuah prosesor dimana mengolah
permasalahan secara domain dengan penambahan berupa pengetahuan
yang cocok. Sehingga sistem pakar shell lebih cepat dalam hal proses
daripada language programming.
4. Konsep Dasar Expert System
Expert system atau kepakaran menurut buku kecerdasa buatan karya

Sutojo T, Mulyanto E, Suhartono V (2011) merupakan suatu knowlegde yang
didapatkan dari prose berupa diklat atau laiinya. Kepakaran merupakan
pengetahuan yang terdapat pada seorang pakar. Seorang pakar akan lebih cepat
menyimpulkan dan mengambil keputusan daripada yang bukan pakar.
Kepakaran diperoleh dari berbagai proses berupa membaca, belajar,
memperhatikan, dan berlatih. Pengetahuan yang terdapat pada pakar terdiri
dari:
a. Permasalahn yang bisa dikatakan fakta
b. Beberapa permasalahn yang mengacu pada sejumlah teori
c. Dari permasalahan tersebut diabuatlah aturan
d. Permasalahan yang memerlukan aturan heuristic
e. Pemecahan masalah yang menggunakan strategi secara global
f. Meta knowledge atau pemetaan pengetahuan
Seorang pakar pastinya mempunyai pengalaman serta pengetahuan dan
bisa menyelesaikan masalah menggunakan metode khusus untuk menarik

kesimpulan. Pakar bisa menjelsakan semua pengetauan yang ada. Pakar juga
bisa menasehati terkait pengetahuan demi kebaruan dan menghasilkan yang
terbaik. Pakar juga bisa menyusun kembali pengetahuannya denganguna. pakar
berbagai rule yang digunakan dan mengubah pengetahuannya menjadi sebuah
produk yang berguna.sehingga dengan berbagai kemampuan harusnya pakar
bisa menyelesaikan berbagai permasalan seperti berikut:
a. Merumuskan persoalan
b. Menyelesaiakn persoalan dengan efektif
c. Menjelaskan penyelesaiannya
d. Pengalaman dijadikan guru terbesar
e. Merancang pengetahuan baru
f. Menggunakan aturan untuk menyelesaikan persoalan
g. Membuat kebaruan knowledge
Transfer pengetahuan atau memindahkan pengetahuan dari pakar ke

dalam komputer agar bisa digunakan oleh user memiliki 4 komponen:
a. Pengambilan pengetahuan
Pengambilan pengetahuan ini atau sering disebut akuisisi pengetahuan

didapat dari pakar. Pakar memberikan pengetahuan berupa explicit
knowledge dan tacit knowledge. Pakar memberikan pengetahuan berupa
buku dan dokumen merupakan explicit knowledge dari pakar. Pakar
menceritakan pengalamannya dan menerapkannya pada sistem disebut tacit
knowledge.
b. Penerapan pengetahuan pada komputer dengan bantuan programmer dan
sistem analis.
c. Inferensia pada pengetahuan yang digunakan untuk menyelesaikan masalah.
d. Transfer pengetahuan kepada user. User sangat berperan dalam hal ini.
Dimana user sebagai pengguana akan memanfaatkan pengetahuan dari
pakar yang berguna untuk menyelesaikan masalahnya.
C. Soal Latihan/Tugas
1. Contoh aplikasi dan pengembangan sistem pakar?
2. Ceritakan kenapa sistem pakar itu penting dalam kehidupan?
3. Kenapa seorang pakar harus memperhatikan komponen expert sistem?
4. Apa pentingnya query pada sistem pakar ? Jelaskan?
5. Ceritakan tentang tacit knowledge dan explicit knowlge yang ada pada para
pakar?
6. Ceritakan tentang definisi sistem pakar dari berbagai penulis?
D. Referensi
Ishak Zunaidi M, Sadiman. 2013). Rule Base Expert System dengan metode forward
chaining untuk memprediksi kualitas Kain Batik. SAINTIKOM. Vol. 12 No.
3:1978-6603
Naser, A. dan Zaiter, A. 2008. An Expert System For Diagnosing Eye Disease Using
Clips. Journal of Theoretical and Applied Information Technology. 2005 -
2008 JATIT
Pasaribu JS. 2015. Implementasi Sistem Pakar untuk diagnosa penyakit mata pada
manusia. SENTIKA. 2089-9815
Turban, Efraim. Decision support and expert systems Management support

systems(fourth edition). Prentice-Hall International, Inc. 1995.
PERTEMUAN 8
STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG
memahami struktur sistem pakar dan tim pengembang,. Sub materi pada pertemuan
ini yaitu:
1. Struktur sistem pakar
2. Tim pengembang sistem pakar
3. Rule sebagai teknik representasi pengetahuan
4. Teknik inferensia forward chaining
5. Teknik inferensia backward chaining
6. Research expert system
B. Uraian Materi
1. Struktur sistem pakar
Lingkungan pengembangan dan lingkungan konsultasi merupakan dua
bagian pokok struktur sistem pakar. Lingkungan pengembangan digunakan oleh
pakar dan lingkungan konsultasi digunakan oleh user. Lingkungan pengembang
terdiri dari basis pengetahuan yang dikumpulkan melalui tahapan knowledge en-
giner dengan proses akuisisi pengetahuan dari pakar. Pada tahap ini pun dil-
akukan perbaikan pengetahuan jika terdapat kesalahan. Lingkungan konsultasi
merupakan lingkungan yang khusus digunakan oleh user. Dimana user pada
lingkungan ini melihat fakta kejadian dengan perantara interface dengan be-
berapa aksi yang direkomendasikan. Aksi tersebut kemudian dioleh pada mesin
inferensia dengan proses workplace misalnya solusi atau rencana.
Gambar 8.1 merupakan bagian- bagian yang terlibat pada struktur sistem
pakar terdiri dari pemakai dan laiinnya yang termasuk ke dalam bagian pertama
yaitu lingkungan konsultasi. Bagian kedua yaitu lingkungan pengembang dimana
pada bagian ini terdapat basis pengetahuan, knowledge ingineer, akuisisi penge-
tahuan, pakar, perbaikan pengetahuan yang terhubung dengan mesin inferensia.
Gambar ini mengacu pada struktur sistem pakar yang terdapat pada buku kecer-
dasan buatan karya Sutojo T, Mulyanto E, Suhartono V(2011). Struktur sistem
pakar terdiri dari:
Gambar 8.1 Struktur sistem pakar
a. Akuisisi Pengetahuan
Sub system dari pakar digunakan sebagai basis pengetahuan
membentuk representasi sebagai representasi pengetahuan. Source penge-
tahuan berasal dari berbagai sumber misalnya dari kepakaran seseorang, dari
internet, buku dan lain-lain.
b. Basic Knowledge
Basic pengetahuan sebagai bahan dasar dan sumber permasalahan
yang bisadiformulasikan. Bagian dari basic pengetahuan, terdiri dari:
1) Fact atau fakta situasi dan kondisi dari permasalahan yang sebenarnya
2) Base rule, aturan untuk memecahkan suatu permasalahan
c. Inferencing machine
Mesin inferensi ini memandu proses penalaran dengan kaidah, model
dan fakta yang tersimpan pada basic knowledge untuk menarik suatu
kesimpulan. pengetahuan untuk mencapai solusi atau kesimpulan. Teknik
yang digunakan sebagai pengendalian pada mesin inferensia terdiri dari for-
ward chaining, backward chaining, serta combine dari kedua teknik tersebut
d. Blackboardd
BlackBoard merupakan daerah pada memora sebagai basic

pengetahuan. BlackBoard terdiri dari:
1) Rencana : Bagaimana masalah tersebut bisa dihadapi
2) Agenda : Eksekusi dari berbagai permasalahan yanga da
3) Solusi : Algoritma yang digunakan sebagai penyelesaian
e. User Interface
User interface ini digunakan sebagai antarmuka pemakai dengan
aplikasi atau sistem pakar. User interface biasanya supaya mudah dipahami
terdapat gambar, grafik dan menu-menu tertentu.
2. Pengembang sistem pakar secara tim
Gambar 8.2 Pengembang sistem pakar secara tim
Tim pengembang sistem pakar adalah orang-orang yang terlibat pada

penyelesaian suatu expert system. Tim pengembanga sistem pakar terdiri dari:
a. Project manager adalah orang yang terlibat sebagai pemimpin suatu
pembuatan expert sistem.
b. Knowledge enginer adalah orang yang menguji sebuah sistem.
c. Programmer adalah orang yang membuat codingan sehingga jadilah sebuah
sistem yang berguna.
d. Domain expert adalah orang yang digunakan sebagai pakar artinya ilmu
yang ada akan ditanamkan pada sistem tersebut misalnya sistem pakar
pendeteksi penyakit hewan berarti yang terlibat sebagai domain expert
adalah dokter hewan.
e. Terakhir end user adalah orang yang menggunakan sistem pakar.
3. Pengetahuanyang direpresentasikan berupa Rule
If dan Then merupakan bagian dari rule. Dimana If adalah fakta (evidance)atau
kenyataan sertaThen merupakan kesimpulan.
Biasanya rule mempunyai penghubung berupa AND atau Or serta bisa juga
kombinasinya. Namun alangkah baiknya penggunaan penghubung tidak secara
bersamaan pada sebuah rule.
IF (R1 AND R2 AND R3 …………AND Rn) THEN O
IF (R1 OR R2 OR R3 ………… OR Rn) THEN O
sebuah fakta bisa memili kesimpulan yang berbeda dan banyak
IF R THEN (O1 AND O2 AND O3 ……. AND On)
R sebagai fakta, Osebagai kesimpulan.
4. Teknik inferensia forward chaining
Teknik ini menggunakan rule teratas untuk memulainya. Teknik ini

menggunakan fakta untuk mengeksekusi rule. Rule hanya bisa digunakan sekali.
Setelah rule selesai di eksekusi makan akan digunakan rule yang baru.
Contoh 4.1
Berikut expert system yang memiliki 5 rule (aturan)
A1 : IF (B AND I) THEN A
A2 : IF (C AND G AND J) THEN B
A3 : IF F THEN C
A4 : IF H THEN O
A5 : IF (O AND P) THEN Q
Fakta-fakta : F, G, H, I,J mempunyai nilai benar
Goal : Tentukan apakah nilai A bernilai benaar atau salah
Pada saat rule tidak bisa lagi dieksekusi maka maka searching A bernilai betul
dan goal terletak pada A. Hal ini dilakukan dengan beberapa iterasi, iterasi 1 pada
Gambar8.3 dan Gambar 8.4. Iterasi 2 pada Gambar 8.5 dan iterasi 3 pada
Gambar 8.6.
Iterasi ke – 1
Database
Database
F G H I J
F G H I J
New Evidence
“Knowledge base “
“Knowledge base”
A1 : IF ( B AND I ) THEN
A1 : IF (B AND I ) THEN
A2 : IF ( C AND G AND J ) THEN B
A3 : IF F THEN C
A3 : IF F THEN C
A4 : IF H AND O
A4 : IF H AND O
A5 : IF (O AND P ) THEN Q
Gambar 8.3 Iterasi 1 tahap 1
Database Database
F G I J F G H I J
New evidence
New Evidence CO
“Knowledge base” “Knowledge base”
C
A1 : IF (B AND I ) THEN A1 : IF (B AND I ) THEN
A2 : IF ( C AND G AND J ) THEN B A2 : IF ( C AND G AND J ) THEN B
A3 : IF F THEN C A3 : IF F THEN C
A4 : IF H AND O A4 : IF H AND O
A5 : IF (O AND P ) THEN Q A5 : IF (O AND P ) THEN Q
Gambar 8.4 Itrasi 1 tahap 2
Database
Database
B E
F H I J
F G H I J
New Evidence
C O New Evidence
C OB
“Knowledge base“

A3 : IF F THEN C
A3 : IF F THEN C
A4 : IF H AND O
A4 : IF H AND O
A5 : IF (O AND P ) THEN Q A5 : IF (O AND P ) THEN Q
Gambar 8.5 Iterasi 3
Database
Database
I
F G H
F G H I J
J
New Evidence
C OBA
New Evidence
CO B “Knowledge base”
A1 : IF (B AND I) THEN

A3 : IF F THEN C
A3 : IF F THEN C
A4 : IF H AND O
A4 : IF H AND O
Gambar 8.6 Iterasi 4
Contoh 4.2
Berikut adalah contoh sistem pakar yang menggunakan 10 rule berikut.

Rule ke-1 terlihat pada Tabel 8.1
Tabel 8.1 Rule ke 1
Dari rule di atas terdapat evidence (fakta) sebagai berikut:
“Hari senin (bukan hari minggu )”

“Fatih kuliah “
Ini Berarti kedua fakta tersebut tersimpan di dalam memori kerja. Ingin
dibuktikan apakah fakta “Fatih belajar di kampus UNPAM” dan “Fadlan tidak
kuliah” bernilai benar.
Langkah-langkah inferensi forward chaining adalah sebagai berikut.
Berdasarkan fakta-fakta yang ada, sisem pakar berusaha menelusuri rule-rule

dari bagian IF, yang dimuali dari rule ke-1 sampai dengan rule-10.
Iterasi ke-1
Fakta “Fatih Kuliah memicu rule ke-2”

IF (Fatih kuliah) THEN (Fadlan kuliah)
Sehingga memori kerja berubah menjadi :
Fakta :
Hari senin (bukan hari minggu)
Fatih Kuliah
Fakta Baru :
Fadlan kuliah
Fakta “Hari senin: memicu rule ke-empat”
“IF (bukan hari minggu) THEN (Mahasiswa UNPAM kuliah)”
sehingga memori kerja menjadi
Fakta :
Fatih Kuliah
Fakta Baru :
Fadlan kuliah
Mahasiswa UNPAM kuliah
Rule ke-2 seperti Tabel 8.2

Tabel 8.2 rule ke 2
Iterasi ke-2
Fakta baru “Mahasiswa UNPAM kuliah memicu rule ke-9”

“IF (Mahasiswa UNPAM kuliah) THEN (Kuliah tidak libur)”

Fakta :
Fatih s kuliah
Fakta Baru :
Fadlan kuliah
Mahasisawa UNPAM kuliah
Kuliah tidak libur
Rule ke-3 terlihat pada Tabel 8.3

Tabel 8.3 Rule ke 3
Iterasi Ke-3
Fakta baru “Kuliah tidak libur memicu rule ke-10”

“IF (Kuliah tidak libur) THEN (Fatih belajar di kampus UNPAM)”

Fakta :
Fatih kuliah
Fakta Baru :
Fadlan kuliah
Mahasiswa UNPAM kuliah
Kuliah tidak libur
Fatih belajar di kampus UNPAM
Rule ke-4 terdapat pada Tabel 8.4
Tabel 8.4 Rule ke-4
Sampai di sini, rule sudah selesai. Oleh karena fakta “Fatih belajar di
kampus UNPAM” terdapat dalam memori kerja, maka terbukti bahwa fakta
tersebut bernial benar. Sedangkan fakta “Fadlan tidak kuliah” bernilai salah.
5. Teknik inferensia backward chaining
Metode yang dikerjakan secara mundur disebut backward chaining. Proses

ini diakhiri dengan pencarian dan dimulai dengan goal.
6. Research yang berkaitan dengan expert system
a. “Expert System dan Aplikasinya dalam Auditing: Suatu Metode Mempelajari

Pertimbangan Materialitas”
“Penelitian ini dilakukan oleh Erni Suryandari (2001), Universitas
Muhammadiyah Yogyakarta”. Expert system yang dilakukan di bidang
akuntansi. Penelitian ini dilakukan untuk mengurangi risiko audit.
b. “Penerapan metode failure and effect analysis ( FMEA ) dan expert system (
sistem pakar )”
“Penelitian ini dilakukan oleh Nurlailah Badariah , Dedy Sugiarto, dan
Chani Anugerah (2016)”. Penelitian ini dilakukan pada perusaan PT. KUI
dimana expert sistem yang dirancang berupa quality kontrol produk alat berat
perusahaan. Dengan adanya expert system ini maka akan mengurangi
kerugian perusahaan terutama bila barang yang dikirim dalam keadaan cacat.
c. “Implementasi fuzzy expert system untuk analisa penyakit dalam pada

manusia”
“Penelitian ini dilakukan oleh Leo Willyanto Santoso, Rolly Intan, dan
Feky Sugianto (2008), Universitas Kristen Petra Fakultas Teknologi Industri”.
Penelitian ini menggunakan sistem fuzzy dengan menanamkan banyak rule
base yang digunakan. Penelitian ini melibatkan dokter dan pasien.. dimana
pasien akan menceritakan berbagai gejala yang diderita pasien, sehingga
dokter bisa menggunakan alat melalui prediksi sistem fuzzy yang digunakan.
C. Latihan soal/Tugas
1. Buatlah contoh permasalahan yang menggunakan sistem pakar disertai
minimal 10 rule?
2. Reviewlah 5 jurnal yang berhubungan dengan sistem pakar, analisislah tim yag
terlibat pada permasalah yang diangkat pada sitem pakar tersebut serta
jelaskan latar belakag dan rule yang digunakan?
D. Referensi
Cecep R, Dini Destiani SF, Dhami Johar D. (2014). Perancangan Sistem Pakar
Untuk Diagnosis Penyakit Amenorea Dengan Menggunakan Metode Expert
System Development Life Cycle , Jurnal Algoritma, No. 1 Vol. 11.
Deby S, Uning L, Edhy S. (2015). Sistme Pakar Untuk Diagnosa Penyakit Kucing
Berbasis Web Menggunakan Framework Codegniter Web Based Exspert
System For Diagnosing Cat Disease Using Codeigniter Framework, Jurnal
Teknik Informatika, No. 1 Vol. 3.
Erni Suryandi. (2001). Expert System dan Aplikasinya dalam Auditing , Jurnal
Akuntansi dan Investasi, No. 2 Vol. 2.
Leo Willyanto S, Rolly Intan, Feky Sugianto. (2008). Implementasi Fuzzy Expert
System Untuk Analisis Penyakit Dalam Pada Manusia , Jurnal Teknlogi
Industri.
Nurlailah Badariah , Dedy Sugiarto, dan Chani Anugerah. 2016. Penerapan metode
failure and effect analysis ( FMEA ) dan expert system ( sistem pakar ).
Seminar Nasional Sains dan Teknologi. 2460 – 8416
Turban, Efraim. 1995. Decision support and expert systems Management support
systems(fourth edition). Prentice-Hall International, Inc.
PERTEMUAN 9
KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE
Seteleh menyelesaikan materi pada pertemuan ini, mahasiswa mampu
memahami Ketidakpastian sistem pakar berbasis rule.
B. Uraian materi
1. Ketidakpastian sistem pakar berbasis rule
a. Probabilitas
Probabilitas ini dilakukan terhadap peristiwa yang diberi nama E dandilakukan
sebanyak n diantara N
P(E)=n/N, dengan batas-batas : 0 ≤ P(E) ≤ 1. . . . . . . . .. . . . (9.1)
Apabila P(E) =0 , dengan hasil peristiwa tersebut mustahil, dilain sisi apabila
P(E)=1, dengan hasil E nyata. Sehingga ketika Ē adalah bukan E, maka
hasilnya“
P(Ē) = 1 – P(Ē) . . . . . . . . . . . . . . . . . . .. . . .(9.2)
b. Probabilitas bersyarat
Probabilitas bersyarat dilakukan apabila peristiwa B didahulukan disebut
P(A|B) dengan rumus:
𝑃(𝐴∩𝐵)
P(A|B)= 𝑃(𝐵)
. . . . . . . . . . . . . . . . . .(9-4)
atau sebaliknya
Karena, P(A∩B) = P(B∩A), makadiperoleh:
(9.5)
Example:
P(Fatih mengalami gejala Covid | Fatih merasakan flu) = 0,8
Mempunyai aturan yang samaa denganberikut
IF Fatih merasakan flu THEN Fatih mengalami gejala Covid (0,8)
Mempunyai aturan yang sama dengan berikut
“JIka Fatih mengalami flu, maka probabilitas(kemungkinan) Fatih gejala Covid

adalah 0,8”
c. Bayes Teorem
Teori bayes dengan faktayang bersifat tunggal E serta kesimpulan yang
bersifat tunggal H sebagai berikut:
melalui:
“p(H|E)” = Kenumgkinan kesimpulan H dengan fakta E

“p(E|H)” = kemungkinan timbulnya fakta E, apabila
kesimpulan H terjadi.
“p(H)” =Kemungkinan kesimpulan H tidak memandang
fakta
“P(E)” = kemungkinan fakta E tidak memandang apapun.
Example
Apabila, p(Covid) = 0,4 p(flu) = 0,3 P(covid|flu) = 0,75
a. “Hitunglah value dari P(covid|flu) ?”
b. “Hitunglah value dari P(covid|flu) jika p(covid) = 0,1 ?”
answer:
Tetapi kemungkinan harus diantara 0 dan 1.Apanya yang salah?

Perlu diperhatikan: p(covid) dengan ≥ p(covid ∩ flue)
p(covid) dengan ≥ p(covid ∩ flue)
p(covid ∩ flue) = p(covid ∩ flue) x P(covid)
= 0,75 0,3=0,225
sehingga, p(covid) ≥ 0,225
Untuk nilai p(covid) = 0,1 tidak sesuai dengan kriteria maka hitungan tidak
benar.
Teori bayes untuk fakta tunggal E serta kesimpulan ganda 1, H2 ……, Hn

adalah
(9.7)
Dengan:
p(Hᵢ|E)” = kemungkina kesimpulan Hᵢ terjadi jika faktaE terjadi.
p(E|Hᵢ) = kemungkinan timbulnya fakta E apabila kesimpulan Hᵢ
terjadi.
p(H)” = kemungkinan kesimpulan Hᵢ tidak melihatfakta apapun
N” = banyaknya kesimpulan yang terjadi
Untuk fakta ganda E1,E2……, En dan kesimpulan ganda H1,H2……,Hn ialah:
p(E1 E2…Em |Hᵢ)×p(Hᵢ)
p(Hᵢ|E2 … Em)= ∑𝑛
∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙ (4 − 8) (9.8)
𝑘=1 p(E1 E2…Em |Hk)
“Untuk mengaplikasikan persamaan (9.8), harus dilihat terlebih

dahuluprobabilitas bersayarat melalui semua evidence-evidence.sehingga,
aturan(9.8) diganti dengan persamaan (9.9)”.
p(E1| Hᵢ)|Hᵢ)×p(E2|Hᵢ ×…× p(Em|Hᵢ)× p(Em |Hᵢ× p(Hᵢ)

p(Hᵢ|E2 … Em )= ∙∙∙∙∙∙∙∙ (4 − 9)(9-9)
𝑘=1 p(E1|Hk) × p(E2|Hk) ×…× p(Em |Hk)×p(Hk)
∑𝑛
Contoh
“Table 9.1 berikut menunjukan kemungkinana secara bersyarat evidence
E1,E2,E3 dan H1 H2 dan H3 sebagai hipotesisnya. Sebagai contoh
pengamatan terhadap evidence E3, hitung kemungkinan terjadi hipotesis” :
a. H1 apabila awalnya hanya fakta E3 yang bisa di amati
b. H2 apabila awalnya hanya fakta E3 yang bisa di amati
c. H3 apabila awalnya hanya fakta E3 yang bisa di amati
Tabel 9.1 tabel probabilitas bersyarat evidence
Jawab :
Permasalahan ini merupakan teori bayes dengan fakta tunggal E dan
kesimpulannjamak H1,H2, H3 melalui rumus ini :
jadi,
Terlihat fakta E3 teramati, sehingga kesimpulan terhadap H1 mengalami

pengurangan serta H2 menjadi sama. Di lain sisi conclution terhadap H3
meningkat, nyaris menyamai H1 serta H2
Setelah mengamati kesimpuan E3 lalu fakta E1, carilah kemungkinanterjadi
sengan kesimpulan ?
a. H1 apabila teramati dengan fakta E1
b. H2 apabila teramati dengan fakta E1
c. H3 apabila teramati dengan fakta E1

Jawab:
Permasalah ini merupakan teori bayes dengan fakta yang bersifat jamak
E1, E3 melalui kesimpulan yang bersifat jamak H1, H2, dan H3 dengan rumus
ini:
0,3 × 0,6 × 0,4
p(Hᵢ|E1E3) = = 0,19
0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25
0,3 × 0,6 × 0,4
p(H1|E1E3) = = 0,19
0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25
0,8 × 0,7 × 0,35
p(H2|E1E3) = = 0,52
0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25
0,5 × 0,9 × 0,25
p(3ᵢ|E1E3) = = 0,29
0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25
Melalui pengamatan fakta E1, kemudian diamati pula fakta E2, hitunglah
kemungkinan terjadi kesimpulan:
a. H1 apabila kemudian teraamati dengan fakta E2.
b. H2 apabila kemudian teraamati dengan fakta E2.
c. H3 apabila kemudian teraamati dengan fakta E2.
Answer :
d. Certainty Factor (FaktorKepastian)

Tahun 1975 menurut Shortliffe dan Buchanan “Certainty Factor
Teorem(CF) diusulkan untuk menelaah suatu ketidak mungkinan (inexact
reasoning) kepakaran seseorang. Kepakaran seorang ahli melalui pernyataan
mungkin, kemungkinan besar, hampir pasti. certainty factor (CF) yang
digunakan mendeskripsikan keyakinan pada permasalahan tertentu”.
CF dibagi menjadi 2 yaitu”:
1) E. H. Shortliffe dan B. G. Buchanan mengusulkan “Metode Net Belie “
Di mana:
CF (Rule) = Faktor kepastian
MB(H,E) = Tingkat kepercayaanya suatu hipotesa H,apabila
perumpamaan E ( 0< E<1)”
MD(H,E) = Pengukuran ketidakpercayaanya H,apabila perumpa-
maan E (0< E<1)””
P(H) = Kemungkinan Fakta hipotesis H
P(H|E) = Kemungkinan H true melalui fact E”
Contoh
“Apabila ada kepakaran terhadap penyakit kelamin melalui penyakit phi-
mosis dengan kemungkinan 0.02. Dari data suatu lingkungan
menerangkan 100 0rang terserang penyakit phimosis, 40 orang dengan
gejala kulit berminyak. Melalui asumsi H=Phimosisdan E=KulitBerminyak,
hitunglah factor kemungkinan penyakit kulit berminyak bisa menyebabkan

penyakit phimosis”
Answer:
2) Wawancara secara langsung terhadap expert
Tabel berikut merupakan Nilai CF dengan memperhatikan term yang ada.

Contoh 4.9
Pakar:
“jika bersin dan
“Jika bersin dan susah bernapas,maka hampirdipastkan(Almost cer-
tainly)penyakitnya ialah Covid.”
“Aturan: IF ( bersin AND susah bernapas) THEN penyakitt =Covid (CF
= 0.8)”
Tabel 9.2 Uncertain term
e. Menghitung Certainly Factor Gabungan

Aturan yang digunakan sebagi berikut:
IF F1 AND F2…….AND Fn THEN G (CF aturan)”
Atau IF F1 OR F2…….OR Fn THEN G (CF aturan)”
Yang mana:
F1 … Fn :” Evidenceyang digunakan
G : “Kesimpulan
CF Aturan : Tingkatan terjadinya kesimpulan dengan keyakinan H
disebabkan oleh evidence F1 …Fn
1) Fakta E tunggal serta kesimpulan H tunggal dengan aturannya
IF F THEN G (CF aturan)
CF(G,F) = CF(F) x CF(aturan)………………………………………… (9.13)
Catatan:
Pada praktiknya, expert menentukan nilai CF berupa rule, sedangkan

nilai yang digunakan user(pengguna) disebut nilai CF(F) .
Example
“IF bulan ini kemarau (CF = 0.4) THEN bulan depan banjir 0,24.”
2) ‘evidence F Rule ganda dengan dan G tunggal sebagai Hipotesisnya’
‘IF F1 AND F2 ….. AND Fn THEN G (CF Rule)’
‘CF(G,F) = min [CF(F1), CF(F2, …., CF (Fn)] x CF (rule)’ ………(9-14)
‘IF F1 ORF2 ….. ORFn THEN G (CF Rule’
‘CF(G,F) = max [CF(F1), CF(F2, …., CF (Fn)] x CF (rule)’ …..….(9-15)
Example
‘IF bersin (CF =0,3) AND susah bernafas (CF = 0,2) AND hidung
tersumbat (CF = 0,7) THEN penyakit = Covid-19 (CF =0,3)’
‘CF (Covid-19, bersin ∩ susah bernafas ∩hidung tersumbat)

=min[0,4;0,2;0,7] x0,3 = 0,2x0,3 =0,06’
‘dalam artian apabila gejala bersin,susah bernafas serta hidung

tersumbat, sehingga tingkat kepastian terkena Covid-19 ialah 0,06.’
Example
‘IFbersin (CF= 0,4) OR susah bernafas(CF = 0,2) OR hidung

tersumbat(CF = 0,7) THEN penyakit = Covid-19(CF = 0,3)’
‘CF (Covid-19, bersinᶸ susah bernafasᶸ hidung tersumbat

)=max[0,4;0,2;0,7] x0,3 = 0,7 x0,3=0,21’
‘dalam artian apabila gejala bersin,susah bernafas serta hidung

tersumbat, maktingkat kepastian penyakit Covid-19 adalah 0,21’
3) ‘dua buah rule dikombinasikan dengan evidence yang berbeda (F1 dan
F2), dengan acuan tetap menggunakan hipotesis yang sama’
Example
Aturan1:IF Gatal Then penyakit=Scabies (CF=0,8)
Aturan2: IF Lebam Then penyakit=Scabies (CF=0,6)
HitungCF gabunganjika :
1) CF(gatal)=1 dan CF(lebam)=1
2) CF(gatal)=1 dan C(lebam)=-1
3) CF(bgatal=- dan CF(lebam)=-1
Answer:

Jika diketahui terdapat Aturan1:IF Kutuan Then penyakit=Gatal (CF=0,8)
Aturan2: IF ketombe Then penyakit=Gatal (CF=0,6)
HitungCF gabunganjika :
1. CF(kutuanl)=1 dan CF(ketombe)=1

2. CF(kutuan)=1 dan C(ketombe)=-1

3. CF(kutuan=- dan CF(ketombe)=-1
D. Referensi
Turban, Efraim. 1995. Decision support and expert systems Management support
systems(fourth edition). Prentice-Hall International, Inc.

PERTEMUAN 10
LOGIKA FUZZY
Setelah menyelesaikan materi [ada pertemuan ini, mahasiswa mampu
menerapkan operasi Fuzzy secara umum . Sub materi pada pertemuan ini yaitu:
1. Memahami pengertian logika fuzzy.
2. Perbedaan Logika Fuzzy dan LogikaTegas
3. Himpunan fuzzy
4. Dasar logika Fuzzy
5. Cara Kerja Kontrol Logika Fuzzy
B. Uraian Materi
1. Menjelaskan pengertian logika fuzzy
Logika fuzzy merupakan bidang pada artificial intelligence yang sedang
berkembang pesat. Banyak sekali pengaplikasian logika fuzzy pada kehidupan
secara nyata. Misalnya pada dunia ransportasi logika fuzzy telah banyak
mengembangkan mobil yang dilakukan tanpa pengendara yang dilakukan
dengan menggunakan perintah saja. Peralatan rumah tangga misalnya mesin
cuci yang dirancang menggunakan sensor optik untuk mengetahui kualitas
kotoran. AC yang sering digunakan menggunakan logika fuzzy dimana AC akan
terasa dingin ketika ada seseorang diruangan tersebut. Fuzzy merupakan bagian
dari artificial intelligence (AI).Telah banyak persoalan yang diselesaiakn dengan
logika fuzzy persoalan lainnya misalnya Penyedot debu, Rice cooker dan lainya.
Fuzzy juga mulai di lakukan pada dunia otomotif. Fuzzy juga bisa digunakan
untuk mengatur lalu lintas.Dilain sisi dunia pendidikan juga mulai melirik fuzzy.
Perkiraan fuzzy banyak digunakan pada kehidupan. Namun terkadang fuzzy
hanya bisa digunakan pada sistem operasi tertentu. Terkadang aplikasi juga
banyak menggunakan parameter sehingga menimbulkan kerumitan tertentu.
Solusi yang digunakan pada tahap aplikasi yang bersifat open source juga masih
tergolong sedikit. Dengaan permasalahan tersebut terkadang fuzzy cenderung
dirancang dengan menitikberatkan aspek fleksibilitasnya.
Lotfi A. Zadeh pada tahun1965 mengemukakan tentang fuzzy dan
menjadikan lotfi A. Zadeh sebagai the father of fuzzy.Zadeh menjelaskan fuzzy

menyerupai pola berpikir manusia dalam bentuk matematis. Sistem yang akan
dirancang sangat berpengaruh atau memperhatikan pengalaman serta informasi
pengetahuan tertentu. Fuzzy merupakan berhubungan dengan angka 0 dan 1
atau juga bisa keduanya. Fuzzy ini merupakan perluasan dari himpunan klasik.
Logika fuzzy terdiri dari masukan, proses serta keluaran yang dijadikan sebagai
cara kerjanya. Logika fuzzy juga berhubungan dengan true atau kebenaran dan
false atau kesalahan. Hasil yang digunakan pada logika fuzzy biasanya tidak
sesalu sesuai atau tidak selalu konstan dengan masukan yang digunakan.
2. Perbedaan Logika Fuzzy dan LogikaTegas

Logika fuzzy dan logika tegas atau biasa jelas berbeda. perbedaannya
yaitu logika tegas hanya menggunakan 0 dan 1 sedangkan logika fuzzy
menggunakan himpunan 0 hingga 1 terlihat pada Gambar 10.1.
Gambar 10.1 Perbedaan logika fuzzy (a) dan logika tegas(biasa) (b)
Ilustrasi gambar 10.1 (a) diatas ketika pada saat suatu nilai lebih dari
maupun sama dengan 10 maka betul atau y=1, sedangkan ketika nilai x tidak
mencapai 10 ialah salah dengan kata lain angka 7,8,9 dan di bawahnya termasuk
salah. Lain halnya dengan gambar 10.1 (b) ketika nilai 0,1,2,3,4,5,7,8 bisa
dikatakan benar atau bisa dikatakan salah.
Ilustrasi lain misalnya pada Gambar 10.2 ketika seseorang memiliki umur
di atas 17 maka bisa dikatakan dewasa. Lain halnya ketika dibawah 17 yang
ditandai warna kuning (a) maka termasuk anak-anak.

Gambar 10.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)
3. Himpunan fuzzy
Dalam himpunan fuzzy dikenal sebuah fuzzy set yang digunakan
representasi variabel berupa bahasa atau disebut linguistik variabel. Dimana di
dalam variabel tersebutpun terdapat fungsi keanggotaan. Nilai 0 dan 1
digunakan sebagai fungsi keanggotaan suatu himpunan fuzzy. Himpunan fuzzy
juga digunakan untuk memperkirakan suatu. suhu pada Gambar 10.3 ini
menggunakan temperatur secara horizontal yaitu dingin,sejuk,normaldan hangat
serta panas sebagai himpunan variabel suatu temperatur atau suhu. Sedangkan
secara vertikal menggunakan 0 dan 1.
Gambar 10.3 temperatur yang dijadikan himpunan
Himpunan variabel suatu umur digolongkan ke dalam 3 kategori muda tua,

dewasa atau parobaya serta sangat tua terlihat pada Gambar 10.4. Gambar
tersebut merepresentasikan nilai vertikal dengan 0; 0,25; 0,5 dan 1. Sedangkan
pada posisi horizontal yang direpresentasikan dengan umur, dimana umur 0
sampai 25 termasuk muda. Umur 25 sampai 65 termasuk parobaya. Umur 65
tahun sampai keatas termasuk kategori tua.

Gambar 10.4 umur yang dijadikan himpunan
Kasus yang lain misalnya himpunan variabel kecepatan yang dijadikan

himpunan misalnya, lambat, lambat sekali, cepat,cepat sekali,sedang
ditunjukkkan pada Gambar 10.5 berikut. Gambar tersebut secara vertikal dengan
range 0 dan 1. Secara horizontal terdiri dari lambar sekali dengan kecepatan
antara 0rpm sampai 25rpm. Kategori lambar yaitu terkecil 12rpm sampai 43rpm.
Kategori sedang terkecil 37rpm dan terbesar 63rpm. Kategori cepat terkecil
57rpm dan terbesar 68rpm. Kategori cepat sekali nilai terkecil 75rpm dan terbesar
100rpm
Gambar 10.5 Contoh keanggotaan himpunan kecepatan

4. Dasar logika Fuzzy
a. Fungsi Keanggotaan atau MembershipFunction

Fungsi keanggotaan atau membershipfunction memperlihatkan nilai
keanggotaan yang terdapat pemetaan berupa titik input atau dengan
sebutan lain berupa derajay keanggotaan. Pendekatan fungsi sering
digunakan untuk keanggotaan pada fuzzy. Interval nilai keanggotaan antara
0 sampai 1. Terdapat 4 fungsi keanggotaan yang sering digunakan pada
logika fuzzy.
1) Representasi Linier”
Pada tahapan ini menggunakan garis lurus sebagai derajat
keanggotaan biasanya digunakan pada konsep yang dirasa kurang
jelas.Pada representasi linear, pemetaan input ke derajat keanggotaan
nyadigambarkan sebagai suatu gari lurus. Fuzzy yang bersifat linier
dibagi menjadi 2 yaitu kesatu, nilai keanggotaan nol yang bergerak
kenanan mengarah ke nilai yang lebih tinggi terdapat paga Gambar
10.6. kedua adalah kebalikannnya yaitu nilai yang tinggi bergerak ke
arah kiri menurun kearah derajat keanggotaan yang rendah ilustrasi
terdapat pada Gambar 10.7.
Derajat
Keanggotaan
Gambar 10.6 Representasi Linear yang bersifat Naik
Rumus :
0; 𝑥≤𝑎
𝑥−𝑎
µ (x)={𝑏−𝑎 𝑎 ≤ 𝑥 ≤ 𝑏..................................................................(10.1)
1; 𝑥=𝑏
Kurva pada Gambar 10.7 terdapat garis yang merupakan kebalikan

kurva yang pertama. Derajat keanggotaan tertinggi terletak pada sumbu

vertikal yang terletak sebelah kiri dengan angka 1. Kemudian mengarah
ke nilai keanggotaan terendah pada posisi horizontal dengan nilai b.
Gambar 10.7 Representasi Linear Turun
Rumus:
𝑏−𝑥
; 𝑎≤𝑥≤𝑏
µ(x)={ 𝑏−𝑎 .............................................(10.2).
Derajat
0; 𝑥≥
2) Representasi dalam bentuk Kurva Segitiga

Representasi ini merupakan penggabungan antara 2 garis yang
terlihatpada ilustrasi Gambar 10.8. Gambar tersebut merepresentasikan
sumbu horizontal dan vertikal. Dimana pada sumbu vertikal terdapat nilai
range terendah yaitu 0 dan nilai range tertinggi yaitu 1. Sumbu sebelah
kiri tersebut kemudian mengarah ke sumbu horizontal yang berada di
sebalah kanan. Dimana sumbu horizontal berbentuk segitiga dengan
range terendah yaitu a, range tertinggi yaitu c dan range menengah yaitu
b.

Gambar 10.8 Representasi dalam bentuk Kurva Segitiga
Rumus:
Derajat
Keanggotaan
3) Representasi dalam bentuk kurvaTrapesium

Kurva pada Gambar 10.9 merupakan kurva dalam bentuk
trapesium. Pada kurva tersebut terdapat segitiga pada sisi kiri dan
kanannya. Nilai keanggotaan terdiri dari angka 0 dan 1 terletak pada
posisi vertikal yang mengarah ke sumbu horizontal dengan range
terendah yaitu a sampai b, dan range tertinggi yaitu c sampai d. Rumus
yang digunakan untuk kurva trapesium terletak pada persamaan 10.4
Derajat
Keanggotaan
Gambar 10.9 Representasi Kurva Trapesium
Kecerdasan Buatan (x) 108

4) Representasi dalam bentuk Kurva Bahu

Representasi ini menyerupai kurva dalam bentuk segitiga. Kurva
yang dalam bentuk segitiga terletak pada posisi tengah kurva. Hal ini bisa
dilihat pada Gambar 10.10 dimana segitiganya bisa berpengaruh pada
sisi kanan dan kiri. Posisi kanan dan kiri tersebut akan mengalami kondisi
terendah dan tertinggi atau naik dan turun. Misalnya kondisi daerah yang
memiliki cuaca yang panas ke cuaca yang penghujan atau dingin. Namun
terkadang posisi yang terletak pada kiri dan kanan tidak mengalami
perubahan. Misalnya cuaca yang panas tidak berubah kedingain atau
penghujan. Dalam artian kondisi tetap tinggi atau naik. Kurva himpunan
fuzzy ini dikatakan bahu karena terdapat nilai tertinggi sebalah kiri dan
kanannya. Pada sumbu vertikal terdapat. Derajat keanggotaan dengan
range terendah yaitu 0 dan range tertinggi yaitu 1. Sumbu vertikal disebut
juga bahu kiri. Sumbu horizontal disebut dengan domain. Pada sumbu
horizontal ini terdapat domain waktu.
Bahukiri Bahu kanan
Derajat
Keanggotaan
(x)
Domain
Gambar 10.10 Representasi Kurva Bahu
Rumus:
1; 0 ≤ 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑐 ≤ 𝑥 ≤ 𝑑
𝑏−𝑥
µ(x)= { 𝑏−𝑎
; 𝑎≤𝑥≤𝑏 ..................................(10.5)
𝑥−𝑏
; 𝑏≤𝑥≤𝑐
𝑐−𝑏

5. Cara Kerja Kontrol Logika Fuzzy

Tahapan dalam kontrol logika fuzzy terdiri dari 4 yaitu:
1. Fuzzifikasi
2. Aturan dasar (fuzzyrule)
3. Mesin penalaran atau inference engine
4. Defuzzifikasi.
Gambar 10.11 merupakan gambar diagram logika fuzzy. Gambar tersebut

diawali dengan fuzzifier sebagai tahap pertama. Tahap kedua sesuai dengan
Gambar 10.11 BlokDiagramKontrol logika fuzzy
gambar tersebut yaitu inferensia engine yang menggunakan fuzzy rule base
sebagai acuannya. Tahap terakhir yaitu menghitung defuzzifier untuk menarik

suatu kesimpulan yang menyelesaikan masalah.
Gambar 10.12 Kerangka pada logika Fuzzy
Gambar 10.12 memiliki alur pertama berupa masukkan nilai tegas

kemudian masuk ke alur kedua yaitu fuzzifikasi. Setelah itu alur ketiga yaitu
proses penalaran atau sering disebut inferensia engine, pada proes penalaran
inilah dimasukkan aturan fuzzy sebagai fuzzy rule base. setelah itu alur keempat
yaitu defuzzifikasi. Terakhir akan terjadi keluaran hasil yang digunakan untuk
menarik kesimpulan sebagai penyelesaian masalah.
6. Aturan Dasar Fuzzy

Aturan dasar fuzzy biasanya menggunakan implikasi berupa JIKA dan
MAKA. Sebagai contoh JIKA R=D dan S=E maka T=F, dengan menggunakan
contoh rule tersebut maka dibuatlah beberapa variabel yaitu:
a. JIKA ruangan dengan suhu panas
b. JIKA kecepatan kipas angin dalam kondisi yang sangat lambat
c. MAKA agar kecepatan kipas angin tinggi perlu menaikkan sumber frekuensi
pada kondisi yang sangat tinggi
Apabila aturan tersebut melibatkan pakar, maka untuk pengendalian
karakteristik objek. Perlu dilakukan perhitungan aturan dasar kontrol fuzzy dalam
bentuk matriks seperti yang terlihat pada Tabel 10.1 dimana X sebagai suhu dan
Y sebagai kecepatan.
Tabel 10.1 kontrol logika fuzzy dalam bentuk matriks
C. Soal latihan/ Tugas

1. Ceritakan tentang logika fuzzy?
2. Apa perbedaan logika fuzzy dengan logika tegas(biasa)? Jelaskan dan berikan
contohnya?
3. Apa yang melatarbelakangi penggunaan logika fuzzydibandingkan dengan
logika konvensional?
4. Sebutkan tahapan – tahapan dalam mencari nilai fuzzy dan jelaskan !
5. Apa yang dimaksud dengan fuzzifikasi, dan berikan contoh kasus nya?

D. Referensi
Kusumadewi, S, dan Purnomo, H, 2010. Aplikasi Logika Fuzzy Sistem Pendukung
Keputusan. Graha Ilmu. Yogyakarta.
Offset. Yogyakarta.

PERTEMUAN 11
METODE PENYELESAIAN LOGIKA FUZZY
menganalisis dengan menggunakan linear programming, metode tsukamoto, metode
sugeno. Sub materi pada pertemuan ini yaitu:
1. Linear Programming
2. Metode Tsukamoto
3. Metode Mamdani
4. Metode Sugeno
5. Penelitian yang berhubungan dengan fuzzy
B. Uraian Materi
1. Linear Programming
Program linier programming sering digunakan untuk memecahkan
berbagai permasalahan. Namun pada kenyataannya pendekatan secara linier
programming mempunyai banyak kesulitan , misalnya sering terjadi tidak
akuratnya dalam menyelesaikan masalah. Sehingga dilakukan pendekatan teori
fuzzy. Teori himpunan fuzzy ini banyak sekali manfaatnya. Diantaranya bisa
merumuskan tidak pastian untuk menyelesaikan masalah pada kehidupan
sehari-hari.
Linear programming merupakan metode pada logika fuzzy yang digunakan
untuk memecahkan berbagai masalah. Metode ini menggunakan perbandingan
fuzzy melalui ranking fuction. Linier programming juga menggunakan beberapa
parameter bilangan fuzzy.
Banyak sekali bidang yang sudah membutuhkan penerapan fuzzy. Bidang
awal tersebut misalnya sains yaitu untuk memodelkan matematika. Bidang kedua
misalnya aplikasi yaitu industri untuk menelaah kesalahan lalu lintas atau
pengaturan lampu lalu lintas. Bidang ketiga misalnya kontrol contohnya sistem
kontrol AC, sistem kontrol kulkas, sistem kontrol rice cooker.dan masih banyak
lagi bidang laiinya yang menerapkan teori fuzzy.
Menurut para ahli telah banyak permasalahn yang bisa dipecahkan dengan
pendekatan fuzzy linier rogramming. Biasanya metode fuzzy yang sesuai yaitu

dengan menggunakan function. Dalam hal itu diberi permisalan sebuah fuzzy
yang disejajarkan dengan crisp mode, sehingga bisa mengambil solusi yang
paling optimal.
Disamping itu dual simplex algorithm juga merupaka bagian dari ranking
function yang bisa digunakan untuk menyelesaikan banyak masalah. Sebagai
permisalan terdapat beberapa parameter yang termasuk dalam fuzzy untuk
menyelesaikan permasalahan fuzzy linier programming. Penggunaan fungsi
tujuan, variabel keputusan dan laiinya digunakan sebagai koefisien digunakan
untuk menyelesaikan permasalahan.
Pada awalnya sebelum menggunakan fuzzy yang terlebih dahulu dipelajari
yaitu linier programming untuk mencari niai yang paling optimal.penggunaan
linier programming ini sangat penting sebagai contoh sering digunakan untuk
mencari keuntungan seting-tingginya dengan biaya yang paling rendah. suatu
nilai yang dalam keadaan samar atau belum diketahui benar atau salahnya
disebut logika fuzzy. dengan kata lain penyamaran bisa masuk kategori 0 atau 1,
hitam atau putih, benar atau salah. sedangkan logika fuzzy hanya menggunakan
0 atau 1 saja.
The father of logika fuzzy berasal dari universitas California< barkeley
tahun 1965 ialah Dr. Lotfi Zadeh. Logika fuzzy juga mempunyai kelebihan yaitu
kemampuan bernalar secara bahasa atau disebut linguistik reasoning. Dengan
menggunakan reasoning lingusitik maka tdak perlu menggunakan persamaan
dan model matematika. Contoh penggunaan logika fuzzy pertama yaitu tahun
1990 dengan ditemukannnya mesin cuci. Mesin cuci tersebut berhasil diproduksi
oleh perusaan Matsushita Electic Industrial Company. Sistem tersebut dirancang
untuk mengenali pakaian yang kotor dengan putarannya serta berapa banyak
jumlah pakaian yang akan dibersihkan.
Beberapa input yang digunakan untuk mengolah mesin cuci ini misalnya,
seberapa kotornya pakaian, jenis kotorannya.kemudian mesin cuci akan
bergerak sesuai dengan instruksi sensor berupa sensor optik. Sensor ini pun bisa
menentukan jenis kotoran apakah termasuk keringat, apakah minyak, atau pakah
kotoran tanah.
2. Metode Tsukamoto
Penalaran mononton yang diperluas disebut dengan metode tsukamoto.
Metode ini menggunakan aturan if-then yang menghasilkan himpunan fuzzy

dengan keanggotaan sebagai fungsinya.Hasil akhir dari metode tsukamoyo ini

yaitu inferensia dengan rata-rata terbobot. Berikut model yang digunakan oleh
tsukamoto:
Himpunan fuzzy yang terdiri dari A,B,C

Dengan menggunakan 2 aturan(rule)
Tahapan metode Tsukamoto terdiri dari fuzzyfikasi, aturan(rule), inferensia

dan terakhir proses perhitungan defuzzyfikasii seperti dibawah ini:
a. Fuzzyfikasii
b. Menentukan fuzzy sebagai basis pengetahuan dengan rule tertentu misalnya
menggunakan JiKA... MAKA
c. menggunakan fungsi Min atau fungsi implikasi untuk menghasilkan niai α-
predikat terhadap setiap rule atau disebut(α1, α1, α1,…. αn) hal ini biasanya
disebut Mesin Inferensi
d. mencari nilai rata-rata atau yang sering disebut Defuzzyfikasi melalui rumus
dibawah ini:
3. Metode Mamdani
Metode ini disebut juga metode makasimal dan minimal dan the father of
metode mamdani ialah Ebrahim Mamdani tahun1975. Terdapat 4 tahapan
mamdani yaitu:
a. pertama membentuk himpunan
Variabel masukan sebagai input dan variabel keluaran sebagai output
Pada Metode Mamdani ini bisa menjadi satu atau lebih pada himpunan fuzzy.
b. kedua membuat aturan (rule)
Tahap kedua ini yaitu menggunakan aturan sebagai rule melalui nilai

min sebagai fungsi implikasinya.

c. ketiga komposisi
Tahap ketiga berupa komposisi ini yang merupakan korelasi anatr
aturan. Metode mamdani yang digunakan pada tahaap komposisi ini terdiri
dari 3 yaitu yang pertama max, yang kedua additive dan terakhir probabilistik
OR (probor).
d. terakhir sama seperti tsukamoto yaitu defuzzyfikasii.
Gambar 11.1 Grafik IF THEN metode mamdani
Berikut merupakan penjelasan dari tahap ketida pada metode mamdani:

a. Maksimum method
Metode ini diselesaikan dengan mengambil nilai maksimum. Nilai
maksimum tersebut diarahkan ke hasil atau autput melalui instruksi OR.
Himpunan fuzzy digunakan sebagai output terhadap setiap proposisisi.
Rumusnya sebagai berikut:
b. Additivee (Sum) Method
Bounded sum dilakukan terhadap semua hasil(output), melalui rumus:
aturan sama seperti max method

c. Probabilistik OR Method
Produck dilakukan terhadap semua hasil, melalui rumus:
aturan sama seperti max and sum method
d. Penegasan (defuzzy)
Masukan dari proses akhir ini merupakan himpunan yang dihasilkan dari
beberapa aturan. Sedangkan keluarannya berupa bilangan yang disebut
domain yang terdapat pada himpunan fuzzy yang digunakan. Nilai scrip yang
digunakan sebagai keluaran dengan mempertimbangkan range yang
tersebut.
Beberapa metode sebagai komposisi pada aturan defuzzy mamdan

terdiri dari:
1) Centroid method
Centroid Metode ini menggunakan titik pusat sebagai daerah fuzzy
dengan pertimbangan solusi script.
2) Bisektor method
Pada Bisektor method ini Nilai yang diambil yaitu melalui nilai seluruh
yang dibagi dua atau disebut keanggotaan value darisolusi scipt sebagai
nilai domain.
3) Mean of Maximum method
Mean of Maximum method dilakukan dengan cara memperoleh nilai
average dari yang maksimal.
4) Largest of Maximum method
Largest of Maximum method dilakukan dengan cara memperoleh nilai
terbesar dari yang sebagai maksimum sebagai keanggotaan.
5) Smallest of Maximum method
Smallest of Maximum method dilakukan dengan cara memperoleh nilai
terkecil dari yang sebagai maksimum sebagai keanggotaan.
4. Sugeno Method
Merode sugeno ini memiliki kemiripan dengan metode mamdani. Dengan
keluaran yang bukan berupa himpunan fuzzy. Metode ini menggunakan
persamaan linier. Dimana metode ini menggunakan singleton sebagai himpunan

fuzzy. Kemudian himpunan fuzzy tersebut digunakan sebagai fungsi

keanggotaan pada titik tertentu dimana terdapat nilai yang digunakan. Nilai 0
terletak di luar penggunaan titik tersebut.
Terdapat 2 model pada sugeno method ini:
a. Orde 0 pada sugeno method
Orde 0 pada sugeno method mempunyai bentuk yang menggunakan

persamaan berikut JIKA (Y1 adalah B1) ATAU (Y2 adalah B2) ATAU (Y3
adalah B3) ATAU (YN adalah BN) MAKA z=k
dengan Bi ialah himpunan pada fuzzy ke-i dengan sebutan antesenden,
sedangkan k merupakan konstanta yang bersifat tegas sebagai dengan
sebutan konsekuen.
b. Orde 1 pada sugeno method
Orde 1 pada sugeno method mempunyai bentuk yang menggunakan

persamaan berikut JIKA (Y1 adalah B1) ATAU (Y2 adalah B2) ATAU (Y3
adalah B3) ATAU (YN adalah BN) MAKA z= p1*Y1+… + pN*YN+q dengan Bi
ialah himpunan pada fuzzy ke-i dengan sebutan antesenden, sedangkan Pi
merupakan konstanta ke i serta q juga termasuk konstanta yang bersifat tegas
sebagai dengan sebutan konsekuen.
Langkah sugeno method:
1) Himpunan fuzzy yang di bentuk
Himpunan fuzzy yang di bentuk dilakukan dengan mengidentifikasi

variabel sebagai input yang kemudian dikirimkan ke dalam fuzyy
himpunan berupa true logic atau nilai kebenaran yang menggunakan
premis dengan pertimbangan basis pengetahuan. Pada tahap ini juga
dilakukan dengan memperoleh nilai menjadi anggota himpunan fuzzy
yang cocok.
2) Implikasi
Relasi fuzzy mempunyai aturan sebagai proposisi berdasarkan

basis pengetahuan.relasi fuzzy ini berhubungan dengan aturan tertentu.
Bentuk yang sering digunakan pada fuzzy sebagai fungsi Implikasi pada
sugeno terdiri dari:
a. JIKA X adalah C kemudian Y adalah D. x serta y merupakan sskalar,
C serta D ialah himpunan fuzzy sehingga menjadi IF x is C THEN y is

D. Himpunan ini bisa diperluas menjadi JIKA (Y1 adalah C1) ATAU
(Y2 adalah C2) ATAU (Y3 adalah C3) ATAU (YN adalah CN) MAKA y
adalah C menggunakan operatur AND atau OR.
aturan yang mengikuti IF atau JIKA disebut antesenden, sedangkan
aturan yang mengikuti THEN atau MAKA disebut dengan konsekuen.
Fungsi dengan nilai minimum akan memotong keluaran berupa fuzzy
sebagai fungsi implikasi.
b. fungsi min yang digunakan untuk skala output yang disebut juga
sebagi fungsi Dot sebagai product pada penggunaan sugeno method
ini.
3) Defuzzification
Proses defuzzification ini melibatkan masukan dan keluaran.
Dimana masukan berupa komposisi dari himpunan fuzzy. Serta keluaran
berupa nilai atau yang disebut crisp. Fuzzy yang menggunakan aturan
JIKA MAKA pada rumus R= JIKA x1 adalah k dan xn adalah Ank MAKA
y adalah Bk, dengan ketentuan A1k dan Bk secara terurut merupakan
himpunan fuzzy pada Ui R (U serta V ialah domain secara fisik),
i=1,2,3,4,5,6,7,8.....n serta x=(x1,x2,x3,x4,x5,x6......, xn). Sehingga
penggunaan U dan V digunakan sebagai variabel masukan dan keluaran
dengan kata lain linguistik dari sistem fuzzy.
Pemetaan pada suatu himpunan fuzzy sering juga disebut dengan
defuzification. Defuzification menghasilkan masukan berupa himpunan
fuzzy. Himpunan fuzzy untuk menghasilkan nilai. Perhitungan sugene
dengan mencari rata-rata (WA) : WA=(〖a_1 z_( 1)+a〗_2 z_( 2 )+a_3
z_( 3 )+ … a_n z_( n ) )/(〖a_1+a〗_2+a_3+… a_n )
Banyak sekali bidang yang sudah menerapkan himpunan inferensia

fuzzy. Misalnya penggunaan inferensia fuzzy untuk menghitung kalori
yubuh secara harian. Dimana kondisi tersebut mempertimbangkan
kebutuhan tiap manusia yang cenderung berbeda. Sebenarnya sudah
terdapat rumus untuk menghitung hal tersebut, tetapi cukup rumit ketika
pasien tidak mendapatkan informasi yang jelas. Penerapan inferensia
fuzzy cukup penting dengan metode TSK atau yang sering disebut
TAKAGI SUGENO KANG. Metose ini menggunakan 7 variabel yaitu
umur, berat, tinggi, suhu, aktivitas sehari-hari, latar belakang penyakit

serta 1 penggunaan variabel secara crisp yaitu gender seseorang apakah

perempuan atau laki-laki. Rule pada IF atau JIKA berifat anteseden
MAKA THEN atau MAKA bersifat kosekuen.
Tabel 11.1 Jurnal yang berhubungan dengan fuzzy

1. Ceritakan dengan bahasa kalian sendiri apa yang dimaksud dengan linier
programming?
2. Apayang dimaksud dengan metode Tsukamoto? Jelaskan?
3. Apayang dimaksud dengan metode Mamdani? Jelaskan?
4. Apayang dimaksud dengan metode sugeno? Jelaskan!
5. Carilah 3 Jurnal lain yang berhubungan dengan fuzzy mamdani dan berikan
penjelasan tentang jurnal tersebut?
D. Referensi
Fernando D. 2017. Clustering Interaksi Antara Protein Dan Proses Biologis Yang
Terkait Dengan Diabetes Mellitus Tipe 2 Menggunakan Fuzzy K-Partite.
[Tesis]. Institut Pertanian Bogor.
Hutabarat NB. 2017. Penggabungan Fitur Morfologi, Fuzzy Local Binary Pattern,
dan Fuzzy Color Histogram untuk Aplikasi Mobile Identifikasi Penyakit Daun

Tanaman Jabon (Anthocephalus cadamba (Roxb.) Miq). [Tesis]. Institut

Pertanian Bogor.
Maniswari SD, Rusdinar A, Purnama B .2015.Smart traffic light menggunakan
image processing dan metode fuzzy logic. E-Proceeding of engineering. Vol 2
No 2:2355-9365.
Kusumadewi, S, dan Purnomo, H, 2010. Aplikasi Logika Fuzzy Sistem Pendukung
Keputusan. Graha Ilmu. Yogyakarta.
Offset. Yogyakarta.

PERTEMUAN 12
APLIKASI LOGIKA FUZZY
menentukan perhitungan logika fuzzy. Sub materi pada pertemuan ini yaitu:
1. Memahami Sistem kontrol frekuensi putar AC
2. Logika fuzzy
B. Uraian Materi
1. Sistem control frekuensi putar AC
Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol
dengan 3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer,
suhu pada suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut
memiliki kecepatan putar terbesar yaitu 5000 rpm dan terkecil 1000 rpm. Suhu
ruangan terbesar yaitu 600 kelvin dan terkecil 100 kelvin. Dilain sisi AC tersebut
memiliki frekuensi terbesar sebanyak 7000 rpm dan terkecil yaitu 2000 rpm.
Sistem kontrol memiliki 4 aturan yaitu:
[A1] JIKA suhu TINGGI DAN kecepatan LAMBAT KEMUDIAN frekuensi KECIL.
[A2] JIKA suhu RENDAH DAN kecepatan LAMBAT KEMUDIAN frekuensi
KECIL.
[A3] JIKA suhu TINGGI DAN kecepatanCEPAT KEMUDIAN frekuensi KECIL.
KECIL.
2. Aplikasi Logika fuzzy
Jika angka sensor suhu menunjukkan 300 kelvin, dilain sisi AC memiliki
kecepatan 4000 rpm pada saat berputar. Berapakah sistem kontrol tersebut
bisa menghasilkan sumber frekuensi?Buatlah penyelesaian melalui tsukamoto
method,mamdani method dan sugeno method dimana arutan yang digunakan
sugeno yaitu
[A1] JIKA suhu TINGGI DAN kecepatan LAMBAT KEMUDIAN frekuensi
KECIL.

= 0,5*kec + 1700”
KECIL
= 2*kec-4000”
[A3] JIKA suhu TINGGI DAN kecepatanCEPAT KEMUDIAN frekuensi KECIL
=0,5kec+2000”
KECIL.
“= kec +700”
Solusi : Tsukamoto Method
Tahap ke-1: Fuzzifikasii
a. Kecempatan; terdiridariatas LAMBAT and CEPAT seperti terlihat pada
Gambar 12.1
Gambar 12.1 variabel kecepatan yang memiliki Fungsi keanggotaan
Kecepatan yang diguanakan400rpm yaitu:

b. Suhu terdiri atas 2 himp fuzzy, yaitu RENDAH sertaTINGGI (Gambar 12.2)
Gambar 12.2 Fungsi keanggotaan variabel suhu
1, y≤ 100
600−y
µRENDAHNYA[y]= = 500
, 100 ≤ y ≤ 600
0, y ≥ 600
0, y ≤ 100
y−100
µTINGGI[y]= = 500
, 100 ≤ y ≤ 600
1, y ≥ 600
Suhu yang digunakan 300 KELVIN yaitu:

µRENDAH[300] = (600-300)/500 = 0,6”
µTINGGI[300] =(300-100)/50 = 0,4”
c. Frekuensi; terdiridariatas 2 himp fuzzy, yaitu KECIL and BESAR terlihat paga
Gambar 12.3

Gambar 12.3 fungsi keanggotaan variable frekuensi
1, z ≤ 2000
7000−z
µKECIL[z]= = , 2000 ≤ z ≤ 7000
5000
0 z ≥ 7000
0, z ≤ 2000
z−2000
µBESAR[z]= = , 2000 ≤ z ≤ 7000
5000
1, z ≥ 7000
Tahap ke-2 :pembekuan Rule

Dalamtahapini rule-rule yang dibentuksesuaidengan yang diketahuidalamsoal,

Tahap ke-3: Mesin Inferensia
Tabel 12.1 penerapanMin untu setiap aturan
Tahap ke-4: Defuzzifikasii

Hasil defizifikasi dengan rumus dibawah ini
Sehingga frekuensi yang digunakan mestinya 4983

Solusi :Metode mamdani

Tahap ke-3 :Mesin Inferensia
Tabel 12.2 Mengimplementasikan fungsi MIN pada mamdani
Gambar 12.4 Grafik mamdani aturan 1

Aturan mamdani dengan MAX
himpunan fuzzy yang baru. Carinilai a1 dan a2.
Sehingga himpunaan fuzzy yang baru menjadi:

0,25; z ≤ 3250
µ[z]= (z-2000) /5000; 3250 ≤ z ≤ 5000
0,6; z ≥5000
Tahap ke-4: Defuzzyfikasi

Pada tahap ini metode centroid digunakan.

Jadi, system control menghasilkan sumber frekuensi putar AC sebanyak

4247,74
Solusi Sugendo Method

Tahap ke-3:Inferensia
Tabel 12.3 Mencari α-predikatSertanilai z terhadap setiapaturan:

Tahap ke-4:Defuzzyfikasi
Persaamaan yang dipakai untuk mencari nilai frekuensi AC
Sehingga frekuensi AC mestinya 4230 rpm
1. Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol dengan

3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer, suhu pada
suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut memiliki
kecepatan putar terbesar yaitu 7000 rpm dan terkecil 3000 rpm. Suhu ruangan
terbesar yaitu 800 kelvin dan terkecil 300 kelvin. Dilain sisi AC tersebut memiliki
frekuensi terbesar sebanyak 9000 rpm dan terkecil yaitu 4000 rpm. Sistem
kontrol memiliki 4 aturan yaitu:

KECIL.
KECIL.
KECIL.
2. Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol dengan

3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer, suhu pada
suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut memiliki
kecepatan putar terbesar yaitu 8000 rpm dan terkecil 4000 rpm. Suhu ruangan
terbesar yaitu 900 kelvin dan terkecil 400 kelvin. Dilain sisi AC tersebut memiliki
frekuensi terbesar sebanyak 10000 rpm dan terkecil yaitu 5000 rpm. Sistem
kontrol memiliki 4 aturan yaitu:
KECIL.


KECIL.
KECIL.
Jika angka sensor suhu menunjukkan 600 kelvin, dilain sisi AC memiliki
kecepatan 6000 rpm pada saat berputar. Berapakah sistem kontrol tersebut
bisa menghasilkan sumber frekuensi?Buatlah penyelesaian melalui tsukamoto
method,mamdani method dan sugeno method dimana arutan yang digunakan
sugeno yaitu
D. Referensi

PERTEMUAN 13
JARINGAN SYARAF TIRUAN
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami
tentang jaringan syaraf tiruan. Sub materi pada pertemuan ini yaitu:
1. Jaringan Syaraf Tiruan
2. Jenis-jenis Algoritma pembelajaran dengan supervisi
B. Penjelasan materi
1. (JST)Jaringan Syaraf Tiruan
The father of Jaringan Syaraf Tiruan (JST) yaitu neurophysiologist waren
Culloch dan Logician Walter Pits pada tahun 1943. Jaringan syaraf tiruan ini sudah
dikembangkan jauh sebelum komputer digunakan. Jaringan syaraf tiruan terinspirasi
dari sel syaraf biologi atau percabangan otak manusia. JST ini sering digunakan
untuk menyelesaikan masalah yang berhubungan dengan pengenalan pola dan
klasifikasi.
Jaringan syaraf tiruan sering juga disebut neural network. Jaringan ini berupa
syaraf biologi layaknya otak dengan 10.000.000.000 sel syaraf. Dimana otak
tersebut terdiri dari 2 input dan output. Input disebut dendrits. Output disebut axon.
Dendrit dan axon ini kemudian dihubungkan dengan synapse. Syaraf mengirimkan
signal berupa electro chemixal yang terdapat pada axon. Signal tersebut menembus
synapse ke syaraf yang lain menggunakan batasan tertentu. Batasan inilah yang
disebut dengan threshold atau dengan kata lain sebagai nilai ambang.
2. Jenis-jenis Algoritma pembelajaran dengan supervisi
Menurut buku kecerdasan buatan oleh Sutojo et al (2011), algoritma
pembelajaran dengan supervisi terdiri dari 7 seperti terlihat pada Tabel 13.1.

Tabel 13.1 jenis Algoritma pembelajaran dengan supervisi
Pada modul 13 ini hanya membahas tentang algorithm of supervised with hebb
rule method.
a. Hebb Rule Method
Hebb rule mthod menggunakan bobot sebagai w dan bias secara iterative.
Metode hebb rule ini merupaka metode pertama yang digunakan pada algoritma
supervisi. Jaringan ini menggunakan input dan output dengan penambahan bias
seperti terdapat pada Gambar 13.1
.
X1
W1
X2
W2 F(net) y
Net=
X3 W3 ∑xw+b
b
1
Gambar 13.1 Arsitektur Hebb Rule

Gambar 13.1 merupakan arsitektur jaringan hebb rule. Pada arsitektur ini
terdiri dari X yang merupakan input, W yang merupakan bobot, net dan f net

merupakan lapisan tersembunyi serta y merupakan output. Algoritma pelatihan

Hebb rule ini terlihat pada Tabel 13.2:
Tabel 13.2 tahapan Algoritma pelatihan hebb rule
Contoh 6.5
Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan hebb
rule melalui masukan dan keluaran berikut:
1) masukan biner, keluaran biner

2) Masukanbiner dan keluaran bipolarr
3) Masukan bipolar dan keluaran bipolar
Jawab
1) masukan biner, keluaran biner
Tabel 13.3 Fungsi logika or

X1
W1
Net= F(net) y
X2 W2
∑xw+b
b
Gambar 13.2 Arsitektur Hebb Rule dengan logika OR
Algoritma pelatihan Hebb:

Inisialisasii bobotdan bias:w1=0,w2=0,b=0
Tabel 13.4 Data pertama dengan perubahan bobot terhadap bias
“Data ke-2,x1 = 0,x2 = 1y = 1(target)”

Tabel 13.5 Data ke-2 dengan perubahan bobot terhadap bias


“Data ke-4,x1=1,x2=1y=1(target)”
‘Di sini diperoleh nilai bbobot dan biassebagai berikut : w1 = 2w2 = 2b = 3’

Tabel 13.8 Hasil perhitungsn f (net)
Pada Tabel 13.8 bisa dilihat bahwa f(net) tidak sesuai dengan target.

2) Tabel 13.9 Input biner dan output bipolar menggunakan fungsi logika Or
Tabel 13.9 Input biner dan output bipolar menggunakan fungsi logika Or
Alrgoritma pelatihan Hebb:

“Inisial bobotdan biass,w1=0,w2=0,b=0”
“Data ke-1,x1 =0,x2 = 0y =-1(target)”



‘Di sini dihasilkannilai bobot danbias sebagai berikut:w1=2,w2 = 2 danb 2’

Tabel 13.14Hasil f (net) input biner dan output bipolar melalui fungsi
logika ‘OR’
3) Fungsilogika “OR” melalui input(bipolar) dan output(bipolar)
Tabel 13.15iinput biner dan output bipolar melalui fungsi logika ‘OR’
Algoritma pelatihan Hebb:
“Inisialisasii bobotdan biass,w1=0,w2 = 0b 0”

“Data ke-1,x1 = -1,x2 =-1y =-1(target)”
“Data ke-2,x1 =- 1,x2 = 1y = 1(target)”

Tabel 13.17Data ke-2 dengan perubahan bobot terhadap bias
“Data ke-3,x1 = 1,x2 = -1y = 1(target)”
‘Di sini dihasilkan bobott dan bias sebagai berikut: w1= 2w2 = 2 danb = 2’

Tabel 13.20 Hasil f (net) melalui input (bipolar) dan output (bipolar)
dengan “OR”
Melalui fungsi OR terlihat target tidak sesuai (sama) dengan f(net)

sehingga bisa disimpulkan bahwa fungsi OR tidak dikenali oleh jaringan.
Kerjakan sebuah fungsi logikaa “AND” untuk mendapatkan sebuah jaringan hebb
1. Masukan biner, keluaran biner
2. Masukan biner dan keluaran bipolarr

3. Masukan bipolar dan keluaran bipolar
D. Referensi
Sudarsono A. 2016. Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan
Penduduk menggunakan metode Backpropagation (Studi Kasus di Kota
Bengkulu). Jurnal Media Infotama Vol. 12 No. 1: 1858 – 2680.
Solikhun, Safii M, Trisno A. 2017. Jaringan Syaraf Tiruan untuk Memprediksi Tingkat
Pemahaman Siswa terhadap Mata Pelajaran dengan Menggunakan Algoritma
Backpropagation. Jurnal Sains Komputer & Informatika (J-SAKTI). Volume (1) No.
1: ISSN:2548-9771/EISSN: 2549-7200

PERTEMUAN 14
DELTA RULE DAN PERCEPTRON
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami
penggunaan Delta Rule dan perceptron yang merupakan bagian algoritma pembelajaran
dengan supervisi. Sub materi pada pertemuan ini yaitu:
1. Delta Role
2. Perceptron
B. Uraian Materi
1. Delta Rule
Selama pelatihan pola, delta rule akan mengubah bobot dengan cara
meminimalkan eror antara output jaringan y dengan target t. gambar 6.19 adalah
arsitektur jaringan delta rule untuk dua input.
W1
F(net)
∑xw y_in
W2y
Gambar 14.1 Arsitektur jaringan pada delta rule data import
Algoritma pada delta rule ini digunakan untuk memperbaiki bobot ke sekian atau ke
– i (untuk pada setiap polanya):
‘w (baru) = w (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋𝑖 ’
Dengan :
‘Xi = vector input, y = output jaringan, t = target, 𝛼 = learning rate’
Pelatihan akan dinyatakan selesai jika epoch bernilai nol.

Contoh 14.1
Buatlah jaringan saraf tiruan menggunakan logika “OR” dengan input(biner) dan
keluaran(biner) sesuai Tabel 14.1
Tabel 14.1 Fungsi logika ‘or’
Gunakan algoritma pelatihan delta rule, bila ditentukan nilai learning rate (𝛼) = 0,2
dan dengan bobot w1=0,1 danw2=0,3serta fungsi aktivitas yang digunakan adalah
fungsi undak biner, dengan 𝜃=0,5.
Jawab :
Epoch ke -1
------------------------------------------------------------------------------------------------------
‘Data pertama (x1 = 0,x2 = 0,target t = 0)’
‘y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 0. 0,1+ 0.0,3 = 0’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
Fungsi aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Hasil aktivasi y = 0
Eror = (t-y) = (0-0) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 0. 0 =0,1
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,3 + 0,2. 0. 0 =0,3
-----------------------------------------------------------------------------------------------
‘Data ke dua (x1 = 0,x2 = 1,target t = 1)’
‘y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 0. 0,1+ 0.0,3 = 0,3’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-0) = 1
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 1. 0 =0,1

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,3 + 0,2. 1. 1 =0,5

------------------------------------------------------------------------------------------------------
Data ke tiga(x1 = 1,x2 = 0,target t = 1)’
‘Menghasilkan bobot baru yaitu w1 = 0,1 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 1. 0,1+ 0.0,5 = 0,1’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-0) = 1
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 1. 1 =0,3
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 1. 0 =0,5
-------------------------------------------------------------------------------------------------
‘Data ke empat (x1 = 1,x2 = 1,target t = 1)’
w1 = 0,3 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,3+ 1.0,5 = 0,8’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 1 =0,3
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
Epoch ke – 2
------------------------------------------------------------------------------------------------
‘ Data ke pertama(x1 = 0,x2 = 0,target t = 0)’
w1 = 0,3 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘0. 0,3+ 0.0,5 = 0’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (0-0) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 0 =0,3
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5

-------------------------------------------------------------------------------------------------
Data kedua (x1 = 0,x2 = 1,target t = 1)’
w1 = 0,3 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘0. 0,3+ 1.0,5 = 0,5’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 0 =0,3
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
-------------------------------------------------------------------------------------------------
Data ketiga(x1 = 1,x2 = 0,target t = 1)’
w1 = 0,3 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,3+ 0.0,5 = 0,3’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-0) = 1
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 1. 1 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 1. 0 =0,5
-------------------------------------------------------------------------------------------------
Data ke empat (x1 = 1,x2 = 1,target t = 1)’
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,5+ 1.0,5 = 1’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
Epoch ke -3
-------------------------------------------------------------------------------------------------
Data ke -1 (x1 = 0,x2 = 0,target t = 0)’

w1 = 0,5 dan w2 = 0,5’

‘y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 0. 0,5+ 0.0,5 = 0’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Error = (t-y) = (0-0) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 0. 0,5+ 1.0,5 = 0,5’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
Fungsi Aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Error = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
-------------------------------------------------------------------------------------------------
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,5+ 0.0,5 = 0,5’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Error = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5
-------------------------------------------------------------------------------------------------
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 =’1. 0,5+ 1.0,5 = 1’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5

Error = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
Epoch ke -4
-----------------------------------------------------------------------------------------------
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘0. 0,5+ 0.0,5 = 0’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (0-0) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5
-------------------------------------------------------------------------------------------------
Data ke -2,(x1 = 0,x2 = 1,target t = 1)’
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = 0. 0,5+ 1.0,5 = 0,5’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
Fungsi ‘aktivasi : y’ = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
-------------------------------------------------------------------------------------------------
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,5+ 0.0,5 = 0,5’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5

-------------------------------------------------------------------------------------------------
w1 = 0,5 dan w2 = 0,5’
y_in = ∑𝑖 𝑥𝑖 𝑤𝑖 = ‘1. 0,5+ 1.0,5 = 1’
0, 𝑗𝑖𝑘𝑎 𝑥 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Eror = (t-y) = (1-1) = 0
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5
w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5
-------------------------------------------------------------------------------------------------
pada epoch ke-4 diperoleh nilai eror = 0 untuk semua data. Oleh karena itu,
proses pembelajaran dihentikan dan di proleh bobot w1 = 0,5 dan w2 = 0,5.
2. Perceptron
The Father of perceptron adalah Rosenblatt (1962) dan Minsky- Papert (1969).
Model ini terdiri dari beberapa tahap:
a. Tahap awal yaitu mengenal bobot dan bias
b. Langkah kedua
1) aktivasi input x1=s;
2) mencari keluaran
y_in = 𝑏 + ∑𝑖 𝑥𝑖 𝑤𝑖
3) menggunakan aktivasi
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 𝜃
Fungsi aktivasi : y = { 0, 𝑗𝑖𝑘𝑎 − 𝜃 ≤ 𝑦𝑖𝑛 ≤ 𝜃
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −𝜃
c. membandingkan bobot
W1 (baru) = W1(lama) + a*t*X1

W2 (baru) = W2(lama) + a*t*X2
B(baru) = b(lama) + a*t
Jika y=t maka tidak terjadi perubahan bobot dan bias

W1 (baru) = W1(lama)
W2 (baru) = W2(lama)
b(baru) = b(lama)
3. iterasi terus dilakukan sampai batas yang diperluka
Contoh
1) Dengan menggunakan tabel dibawah ini buatlah JST dengan model
perceptron, dilakukan sampai 2 epoch
Tabel 14.2 input biner target bipolar 1

X1 X2 OR
0 0 -1
0 1 -1
1 0 -1
1 1 1
Diketahui nilai learning rate (𝛼) = 0,8 dan bobot awal yang dipilih w1 = 0 dan
w2 = 0 bias b=0 dengan 𝜃=0,5.
Hasil aktivasi y = -1
Epoch ke 1
Data ke-1 (X1 = 0, X2 = 0 target t = -1)
Y _in = b + ∑ xi wi = 0 + 0. 0 + 0. = 0
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
Fungsi aktivasi : y = {0, 𝑗𝑖𝑘𝑎 − 0.5 ≤ 𝑦𝑖𝑛 ≤ 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
(sama dengan target t = -1, maka tidak dilakukan perubahan bobot dan
bias)
Bobot dan bias tetap:
W1 (baru) = W1(lama) + a*t*X1 = 0 + 0,8 * (-1).0 = 0
W2 (baru) = W2(lama) + a*t*X2 = 0 + 0,8 * (-1).0 = 0
B(baru) = b(lama) + a*t = 0 + 0,8 * (-1) = -0,8

-------------------------------------------------------------------------
Data ke-2 (X1 = 0, X2 = 1 tareget t = -1)
Y _in = b + ∑ xi wi = -0,8+ 0. 0+1.0 = -0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
bias)
W1 (baru) = W1(lama) = 0
B(baru) `= b(lama) = -0,8
------------------------------------------------------------------------
Y _in = b + ∑ xi wi = -0.8+ 1. 0 + 0. 0 = - 0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
bias)
Perubahan bobot dan bias:
Data ke-4 (X1 = 1, X2 = 1 target t = 1)
y _in = b + ∑ xi wi = -0,8 + 1. 0 + 1. 0 = -0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
(tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot
dan bias)

W1 (baru) = W1(lama) + a*t*X1 = 0+ 0,8 * (1).1 = 0,8
W2 (baru) = W2(lama) + a*t*X2 = 0+ 0,8 * (1).1 = 0,8
B(baru) = b(lama) + a*t = -0,8 + 0,8 * (1) = 0
Epoch ke 2
Dari epoch 1 diperoleh data w1=0,8 w2=0,8 b=0
Y _in = b + ∑ xi wi = 0 + 0. 0,8 + 0.0,8 = 0
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5

−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
bias)
W1 (baru) = W1(lama) + a*t*X1 = 0,8 + 0,8 * (-1).0 = 0,8
W2 (baru) = W2(lama) + a*t*X2 = 0,8 + 0,8 * (-1).0 = 0,8
B(baru) = b(lama) + a*t = 0 + 0,8 * (-1) = -0,8

-------------------------------------------------------------------------
Data ke-2 (X1 = 0, X2 = 1 tareget t = -1)
Y _in = b + ∑ xi wi = -0,8+ 0. 0,8+1.0,8 = 0
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
bias)
W1 (baru) = W1(lama) + a*t*X1 = 0,8 + 0,8 * (-1).0 = 0,8

W2 (baru) = W2(lama) + a*t*X2 = 0,8 + 0,8 * (-1).1 = 0
B(baru) = b(lama) + a*t = -0,8 + 0,8 * (-1) = -1,6

------------------------------------------------------------------------
Y _in = b + ∑ xi wi = -1,6+ 1. 0,8 + 0. 0 = - 0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
bias)
W1 (baru) = W1(lama) = 0,8
Data ke-4 (X1 = 1, X2 = 1 target t = 1)
y _in = b + ∑ xi wi = -1,6 + 1. 0,8 + 1. 0 = -0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
(tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot
dan bias)
W1 (baru) = W1(lama) + a*t*X1 = 0,8+ 0,8 * (1).1 = 1,6
W2 (baru) = W2(lama) + a*t*X2 = 0+ 0,8 * (1).1 = 0,8
B(baru) = b(lama) + a*t = -1,6 + 0,8 * (1) = -0,8
1. Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan Delta

a. output bipolar, input biner
2. Dengan menggunakan tabel dibawah ini buatlah JST model perceptron terhadap 2
epoch?
X1 X2 Target
0 0 -1
0 1 1
1 0 1
1 1 1
Diketahui nilai learning rate (𝛼) = 0,8 dan bobot w1 = 0 dan w2 = 0 bias b=0 dengan
𝜃=0,5.
D. Referensi

PERTEMUAN 15
ALGORITMA BACKPROPAGATION
Pada pertemuan ini akan dijelaskan penggunaan algoritma Backpropagation,
setelah menyelesaikan materi ini, mahasiswa mampu menerapkan Backpropagation.
B. Uraian Materi
1. Backpropagation
Meminimalkan kuadrat error merupakan bagian dari Backpropagation melalui
metode penurunan gradien. Beberapa langkah dalam pelatihan sebuah jaringan
yaitu perambatan secara maju dengan istilah lain forward propagation, perambatan
secara balik, langkah terakhir yaitu perubahan bobot dan bias. Gambar 15.1 adalah
Arsitektur jaringan dari input, hidden, dan output pada setiap layer layer.
Gambar 15.1. Jaringan syaraf Backpropagation

Tahapan Algoritma backpropagation
a. Inisialasi (ambillah nilai secara random)

b. Nilai bernilai salah kondisi akan berhenti, sehingga proses tetap dikerjakan :
Tahap Umpan maju (forward)
a. Unit masukan (Xi, i=1,2,3,…,n) mendapatkan signal Xi dan melanjutkan signal Xi

ke seluruh unit pada lapisan yang tak diketahui.
b. Tiap Unit yang tidak diketahui (Zi, j=1,2,3,…,x) mejumlahkan bobot signal input
dengan persamaan berikut,
Z_injk = v0j + ∑ni=1 xivij
lalu menerapkan fungsi aktivasi untuk menghitung signal ouput-nya:
Zj = f(z_inj)
c. Setiap unit output (Yk, k= 1,2,3,..,m) menjumlahan signal masukan bobot Dan
menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya-nya:
Yk = f(tk –yk) f(y_ink)
Tahap perambatan-balik(Backpropagation)
a. Setiap unit keluaran (Yk, k=1,2,3,..m) mendapatkan pola masukan pelatihan,

kemudian menghitung galat dengan persamaan dibawah ini.
Sk = (tk –yk) f’(y_ink)
f’ adalah turunan dari fungsi aktivasi
kemudian menghitung kereksi bobot dengan persamaan dibawah ini,
∆wjk = αδk xj
dan menghitung koreksi bias
∆w0k = αδ k.
b. Setiap unit tersembunyi (Zj,j = 1,2,3,…,x) SUM delta masukannya (dari unit-unit
yang berada pada lapisan di kanannya):

Untuk menghitung informasi eror, kalikan nilai dengan turunan dari fungsi
aktivasinya :
` Si= S_inj f (z_inj)
Kemudian hitung koreksi bobot denagn persamaan berikut :
∆Vjk= a Sj xi
Setelah itu, hitung juga koreksi bias dengan persamaan berikut:
∆V0j =a Sj
Tahap revisi bobot dan bias
c. Setiap unit (Yk, k = 1,2,3…,x) merevisi bobot dan bias (j = 0,1,2,…,p) Wjk(baru)
= Wjk(lama) + ∆Wjk, Setiap unit yang tidak terlihat (Zj, j= 1,2,3,…,p) direvisi
bobot dan bias (i = 0,1,2,…,n) dengan persamaan berikut.
Vij(baru) = Vij(lama) + ∆Vij
Gambar 15.2. Jaringan syaraf Backpropagation dengan 1 input

Tes konfisi berhenti
Tabel 15. 1 Tes konfisi berhenti
X1 X2 Target
0 0 0
0 1 1
1 0 1
1 1 0
o 1 masukan lapisan, dengan 2 syaraf (x1 dan x2)

o 1 lapisan tersembunyi dengan 4 syaraf (z1, z2, z3, dan z4)
Fungsikan aktivasi sigmoid z = 1 / 1 + e-z_in

o 1 keluaran lapisan dengan 1 syaraf
Fungsikan aktivasi sigmoid y = 1 / 1 + e-y_in
Jawab :
Insialisasi bobot
Semua nilai bobot dan bias awal di tentukan dibawah ini.
Bobot awal masukkan ke lapisan tersembunyi :
V11 = 0,1V12 = 0,2 V13 = 0,3 V14 = 0,4
V11 = 0,1 V12 = 0,2 V13 = 0,3 V14 = 0,4
Bobot awal bias lapisan tersembunyi :
v01 = 0,1 v02 = 0,2 v03 = 0,3 v04 = 0,4
Bobot awal lapisan tersembunyi ke lapisan keluaran:
w1 = 0,1 w2 = 0,2 w3 = 0,3 w4 = 0,4
Bobot awal bias ke lapisan keluaran:
w0 = 0,5
penentuan yang dibutuhkan oleh jaringan :

learning rate (𝛼) = 1

maksimal Epoch = 1500
target error = 0,02
pelatihan jaringan :
Epoch ke -1 :
----------------------------------------------------------------------------------------------
Data ke = 1 (x1 = 0, x2 = 0, target T = 0)
Tahap perambatan maju (feed forward)
Operasi pada lapisan tersembunyi:
Z_in1 = v01 + v11*x1 + v21*x2
= 0,1 + 0,1 *0 + 0,1*0
= 0,1
Z_in2 = v02 + v12*x1 + v22*x2
= 0,2 + 0,2 *0 + 0,2*0
= 0,2
Z_in3 = v03 + v13*x1 + v23*x2
= 0,3 + 0,3 *0 + 0,3*0
= 0,3
Z_in4 = v04 + v14*x1 + v24*x2
= 0,4 + 0,4 *0 + 0,4*0
= 0,4
1
Lapisan tersembunyi berfungsi saat aktivasi : Zi =1+𝑒−𝑧
𝑖𝑛
1 1
Z1 =1+𝑒 −0,1 =0,5250 Z2 =1+𝑒 −0,2 =0,5498
1 1
Z3 =1+𝑒 −0,3 =0,5744 Z4 =1+𝑒 −0,4 =0,5987
Operasi pada lapisan keluaran:

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.
=0,5+(0,1*0,5250)+(0,2*0,5498)+(0,3*0,5744)+(0,4*0,5987)
=1,0743
1
Fungsi aktivasi pada output layer : y=1+𝑒 −𝑦_𝑖𝑛

1
y=1+𝑒 −1,0743 =0,7454
melihat galat(iterasi berhenti bila|galat|≤0.01)

error =0-0,7454=-0,7454
jumlah kuadrat galat =(-0,7454)2=0,5556
Tahap perambatan balik (Backpropagation)
1 1
𝛿 = (T1 − y) ∗ ( −𝑦_𝑖𝑛
) ∗ [(1 − )]
1+𝑒 1 + 𝑒 −𝑦_𝑖𝑛
1 1
𝛿 = (0 − 0,7454) ∗ (1+𝑒 −1,0743 ) ∗ [(1 − 1+𝑒 −1,0743 )]= -0,1415
∆w1=𝛼 ∗ 𝛿 ∗ Z1
∆w1=1 ∗ (−0,1415) ∗ 0,52501=-0,0743
∆w2=𝛼 ∗ 𝛿 ∗ Z2
∆w2=1 ∗ (−0,1415) ∗ 0,5498=-0,0778
∆w3=𝛼 ∗ 𝛿 ∗ Z3
∆w3=1 ∗ (−0,1415) ∗ 0,5498=-0,0778
∆w3=𝛼 ∗ 𝛿 ∗ Z3
∆w3=1 ∗ (−0,1415) ∗ 0,5744=-0,0813
∆w4=𝛼 ∗ 𝛿 ∗ Z4
∆w4=1 ∗ (−0,1415) ∗ 0,5987=-0,0874
∆w0=𝛼 ∗ 𝛿
∆w0=1 ∗ (−0,1415)=-0,1415
𝛿 in1=𝛿 ∗ w1=-0,1415*0,1=-0,0141
𝛿 in2=𝛿 ∗ w2=-0,1415*0,2=-0,0283
𝛿 in3=𝛿 ∗ w3=-0,1415*0,3=-0,0425
𝛿 in4=𝛿 ∗ w4=-0,1415*0,4=-0,0566
1 1 1 1
𝛿 1= 𝛿 in1∗ (1+𝑒 −𝑧_𝑖𝑛1 ) ∗ [(1 − 1+𝑒 −𝑧_𝑖𝑛1 )]= -0,0141(1+𝑒 −0,1 ) ∗ [(1 − 1+𝑒 −0,1 )]= - 0,0035
1 1 1 1
𝛿 2= 𝛿 in2∗ (1+𝑒 −𝑧_𝑖𝑛2 ) ∗ [(1 − 1+𝑒 −𝑧_𝑖𝑛2 )]= -0,0283(1+𝑒 −0,2 ) ∗ [(1 − 1+𝑒 −0,2 )]= - 0,0070

1 1 1 1
𝛿 3= 𝛿 in3∗ (1+𝑒 −𝑧_𝑖𝑛3 ) ∗ [(1 − 1+𝑒 −𝑧_𝑖𝑛3 )]= -0,0425(1+𝑒 −0,3 ) ∗ [(1 − 1+𝑒 −0,3 )]= - 0,0104
1 1 1 1
𝛿 4= 𝛿 in4∗ (1+𝑒 −𝑧_𝑖𝑛4 ) ∗ [(1 − 1+𝑒 −𝑧_𝑖𝑛4 )]= -0,0566(1+𝑒 −0,4 ) ∗ [(1 − 1+𝑒 −0,4 )]= - 0,0136
∆v11=𝛼 ∗ 𝛿 1 *x11=1*(-0,0035)*0=0
Demikian juga ∆v12=∆v13=∆v14=∆v21=∆v22=∆v23=∆v24=0
∆v01=𝛼 ∗ 𝛿 1 =1*(-0,0035)*=-0,0035
∆v01=𝛼 ∗ 𝛿 1 =1*(-0,0070)*=-0,0070
∆v01=𝛼 ∗ 𝛿 1 =1*(-0,0104)*=-0,0104
∆v01=𝛼 ∗ 𝛿 1 =1*(-0,0035)*=-0,0136
Tahap perubahan bobot dan bias
V11(baru)=v11(lama)+ ∆v11=0,1+0=0,9562
V12(baru)=v12(lama)+ ∆v12=0,2+0=0,7762
V13(baru)=v13(lama)+ ∆v13=0,3+0=0,1623
V14(baru)=v14(lama)+ ∆v14=0,4+0=0,2886
V21(baru)=v21(lama)+ ∆v21=0,1+0=0,1962
V22(baru)=v22(lama)+ ∆v22=0,2+0=0,6133
V23(baru)=v23(lama)+ ∆v23=0,3+0=0,0311
V24(baru)=v24(lama)+ ∆v24=0,4+0=0,9711
V01(baru)=v01(lama)+ ∆v11=0,1+0=0,0965
V02(baru)=v02(lama)+ ∆v02=0,2+0=0,1930
V03(baru)=v03(lama)+ ∆v03=0,3+0=0,1960
V04(baru)=v04(lama)+ ∆v04=0,4+0=0,3864
w1 (baru)=w1(lama)+ ∆w1=0,1-0,0743=0,0257
w2 (baru)=w2(lama)+ ∆w2=0,2-0,778=0,1222
w3 (baru)=w3(lama)+ ∆w3=0,3-0,0813=0,2187
w4 (baru)=w4(lama)+ ∆w4=0,4-0,0847=0,3153
w0 (baru)= w0 (lama)+ ∆w0=0,5-0,1415=0,3585

Bobot awal bias lapisan tersembunyi :

V01=2,4618 V02=-0,3884 V03=-1,4258 V04=-0,6994
Bobot awal lapisan tersembunyi ke lapisan keluaran :

W1=-7,0997 W2=3,5782 W3=6,9212 W4=-0,7503
Bobot awal bias ke lapisan keluaran :

W0=0,6571
mari kita uji jaringan untuk setiap data.
--------------------------------------------------------------------
uji data ke-1 (X1=0 X2=0 target T=0)
Operasi pada lapisan tersembunyi :
Z_in1 = V01 +(V11*X1)+(V21*X2)
=2,4618 +(5,8716*0)+(-48532*0)
=2,4618
Z_in2 = V02 +(V12*X1)+(V22*X2)

=-0,3884 +(3,6067*0)+(2,8082*0)
=-0,3884
Z_in3 = V03 +(V13*X1)+(V23*X2)

=-1,4258 +(3,4877*0)+(-5,1943*0)
=-1,4258
Z_in4 = V04 +(V14*X1)+(V24*X2)
=-0,6994 +(-0,0704*0)+(0,7636*0)
=-0,6994
1
Fungsi aktivasi pada lapisan tersembunyi : Zi =
1+𝑒−𝑧𝑖𝑛
1 1
Z1 =1+𝑒 −2,4618 =0,9214 Z2 =1+𝑒 0,3884 =0,4041
1 1
Z3 =1+𝑒 1,4258 =0,1938 Z4 =1+𝑒 0,6994 =0,3319
Operasi pada lapisan keluaran :

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.
=0,6571+(0,9214*-7,0997)+(0,4041*3,5782)+(0,1938*6,9212)+(0,3319*-0,7503)

=-3,3468
1
Fungsi aktivasi pada lapisan keluaran : y=1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 3,3468 =0,0340
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
fungsi aktivasi : T= {
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
hasil aktivasi :T =0 (sama dengan target)
--------------------------------------------------------
uji data ke-2 (X1=0 X2=1 target =1)
Z_in1 = V01 +(V11*X1)+(V21*X2)
=2,4618 +(5,8716*0)+(-48532*1)
=-2,3914
Z_in2 = V02 +(V12*X1)+(V22*X2)
=-0,3884 +(3,6067*0)+(2,8082*1)
=2,4144
Z_in3 = V03 +(V13*X1)+(V23*X2)
=-1,4258 +(3,4877*0)+(-5,1943*1)
=-6,6201
Z_in4 = V04 +(V14*X1)+(V24*X2)
=-0,6994 +(-0,0704*0)+(0,7636*1)
=0,0642
1
Fungsi aktivasi pada lapisan keluaran : Zi =1+𝑒−𝑧
𝑖𝑛
1 1
Z1 =1+𝑒 2,3914 =0,0838 Z2 =1+𝑒 −2,4144 =0,9179
1 1
Z3 =1+𝑒 6,6201 =0,0013 Z4 =1+𝑒 −0,0642 =0,5160

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.
=0,6571+(0,0838*-7,0997)+(0,9179*3,5782)+(0,0013*6,9212)+(0,5160*-0,7503)
=2,9684
1
Fungsi aktivasi pada output layer : y=
1+𝑒 −𝑦_𝑖𝑛

1
y=1+𝑒 −2,9684 =0,9511
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
--------------------------------------------------------
uji data ke-3 (X1=1 X2=0 target =1)
Z_in1 = V01 +(V11*X1)+(V21*X2)
=2,4618 +(5,8716*1)+(-48532*0)
=8,3334
Z_in2 = V02 +(V12*X1)+(V22*X2)
=-0,3884 +(3,6067*1)+(2,8082*0)
=3,2183
Z_in3 = V03 +(V 13*X1)+(V23*X2)
=-1,4258 +(3,4877*1)+(-5,1943*0)
=2,0619
Z_in4 = V04 +(V14*X1)+(V24*X2)
=-0,6994 +(-0,0704*1)+(0,7636*0)
=-0,7064
1
Fungsi aktivasi pada hidden layer : Zi =1+𝑒−𝑧
𝑖𝑛
1 1
Z1 = =0,9998 Z2 = =0,9615
1+𝑒 −8,3334 1+𝑒 −3,2183
1 1
Z3 = =0,8871 Z4 = =0,3304
1+𝑒 −2,0619 1+𝑒 0,7064
Operasi pada lapisan keluaran:

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.
=0,6571+(0,9998*-7,0997)+(0,9615*3,5782)+(0,8871*6,9212)+(0,3304*-0,7503)
=2,8918
1
Fungsi aktivasi pada lapisan keluaran: y=1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 −2,8918 =0,9474
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5


--------------------------------------------------------
Uji data ke-4 (X1=1 X2=1 target =1)
Z_in1 = V01 +(V11*X1)+(V21*X2)
=2,4618 +(5,8716*1)+(-48532*1)
=3,4802
Z_in2 = V02 +(V12*X1)+(V22*X2)
=-0,3884 +(3,6067*1)+(2,8082*1)
=6,0211
Z_in3 = V03 +(V13*X1)+(V23*X2)
=-1,4258 +(3,4877*1)+(-5,1943*1)
=-3,1324
Z_in4 = V04 +(V14*X1)+(V24*X2)
=-0,6994 +(-0,0704*1)+(0,7636*1)
=-0,0062
1
Fungsi aktivasi pada lapisan tersembunyi : Zi =
1+𝑒−𝑧𝑖𝑛
1 1
Z1 =1+𝑒 −3,4802 =0,9701 Z2 =1+𝑒 −6,0211 =0,9976
1 1
Z3 =1+𝑒 3,1324 =0,0418 Z4 =1+𝑒 0,0064 =0,4985

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.
=0,6571+(0,9701*-7,0997)+(0,9976*3,5782)+(0,0418*6,9212)+(0,4985*-0,7503)
=-2,7457
1
Fungsi aktivasi pada lapisan keluaran: y=1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 2,7457 =0,0603
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
dengan nilai bobot dan bias tersebut, jaringan dapat mengenali fungsi logika
XOR dengan baik.

1. Tentukan nilai perubahan bobot dan bias jika diketahui:
Bobot awal ke hidden layer:
V11=5,8716 V12=3,6067 V13=3,4877 V14= -0,0704
V21= -4,8532 V22=2,8028 V23= -5,1943 V24=0,7636
Dengan learning rate (α)=1
Bobot awal bias ke hidden layer dan output layer
V01=0,1 V02=0,2 V03=0,3 V04= 0,4
W1= 0.5 W2=0,7 W3= 0,8 W4= 0,9
X1=0 X2= 0 W0= 0.6
V11=0,8116 V12=0,6062 V13=0,4777 V14= -0,0714
V21= -1,8532 V22=0,8023 V23= -1,1043 V24=0,7936
D. Referensi
Offset. Yogyakarta.

PERTEMUAN 16
ALGORITMA GENETIKA
Setelah menyelesaikan pada pertemuan ini, mahasiswa mampu menjelaskan
Algoritma genetika. Sub materi pada pertemuan ini yaitu:
1. Definisi algoritma genetika
2. Sejarah algoritma genetika
3. Tahapan Proses Algoritma Genetik
4. Struktur umum algoritma genetika
5. Studi Kasus Algoritma Genetik
B. Uraian Materi
1. Definisi Algoritma Genetika
Algoritma Evolusi adalah istilah umum yang dibagi menjadi empat :
a. Genetic Algoritm
b. genetic programming,
c. evolution strategies, dan
d. evolutionary programmin).
Akan Tetapi, perubahan algoritma yang terkenal dan sering dijadikan bahan
penelitian adalah genetic algorithm.
Algoritma genetika (AG) adalah perubahan berkembangnya masa komput-
erisasi dalam bahasan artificial intelligence. Kemunculan algoritma
ini gagasan dari teori evolusi Darwin (walaupun nyatanya salah) . seperti evo-
lusi biologi perubahann yang terjadi pada Algoritma genetik konsepnya mirip.
Algoritma genetika adalah teknik searching nilai optimal secara stochastic
berdasarkan penyeleksian alam. Caranya sangat berbeda dengan algoritma
optimasi lainnya, bisa kita lihat dibawah ini .
a. memanfaatkan hasil pengkodean dari ukuran,bukan ukuran itu sendiri.
b. Bekerja pada perkumpulan bukan pada sesuatu yang tidak biasa.
c. Memakai nilai satu-satunya pada fungsi dalam prosesnya. Tidak memakai fungsi
luar atau ilmu luar lainnya.

d. memakai fungsi transisi kemungkinan.
Algoritma Genetika merupakan algoritma searching menunjukan untuk pen-

carian solusi dari suatu masalah, bisa menggunakan satu variable bisa juga
multivariable. Cara ini meniru kinerja dari genetika alam yaitu untuk menemukan
semua susunan gen yang terbaik dalam tubuh makhluk hidup.
Dasar dari Algoritma Genetika itu sendiri adalah teori evolusi Darwin, yang
memaparkan prinsip dasar terciptanya banyak macam – macam makhluk hidup
yang ada sekarang ini. Makhluk hidup yang bisa beradaptasi lebih baik terhadap
lingkungannya akan memiliki kesempatan yang lebih banyak untuk mempertahan-
kan hidup dan berkembangbiak sehingga mempengaruhi jumlah populasi spesies
yang bersangkutan.
Dalam perkembangannya, metode Algoritma Genetika banyak digunakan oleh
banyak keilmuan. Algoritma ini dipakai untuk menyelesaikan semua kasus yang
memiliki solusi lebih dari 2, dimana tidak ada solusi yang terbaik. Sehingga dalam
menyelesaikan masalah tersebut akan memerlukan waktu yang tidak sebentar.
Setiap solusi Algoritma Genetika diwakili oleh suatu individu atau satu kromosom.
Keuntungan Algoritma Genetika adalah sifat cara searching yang lebih optimal,
tanpa menggunakan ruang yang besar dalam pencarian, dan lengkap.
2. Sejarah Algoritma Genetik

Asal mula perkembangan dari algoritma genetika (genetic algorithm)
dimulai tahun 1960. Pada saat itu, I. Rochenberg menulis buku yang mempu-
nyai judul “Evolution Strategies” memaparkan mengenai evolusi komputer
(computer evolutionary) lalu dikembangkan oleh peneliti lain. Algoritma genetik
a sendiri pertama kali dikembangkan oleh John Holland dan rekannya serta
mahasiswanya pada tahun 1970-an di New York Amerika Serikat . ter-
bukti dengan adanya buku yang ditulis oleh Holland yang ber-
judul “Adaptation in Natural and Artificial System” terbit pada tahun 1975.
Tujuannya hanya mempelajari fenomena adaptasi yang ada di alam dan di lakukan
percobaan secara komputerisasi.
John Koza meneliti suatu program yang berkembang dengan memakai
algoritma genetika Tujuh belas tahun setelahnya. Program yang terkenal dengan

metode “Genetic Programming” tersebut dibuat menggunakan LISP . Sampai saat

ini algoritma genetika ini terus dipakai untuk menyelesaikan permasalahan yang
sulit diselesaikan dengan memakai algoritma konvensional.
Algoritma Genetika Holland adalah sebuah cara untuk memindahkan suatu
populasi kromosom (terdiridari bit-bit 1 dan 0 ) kepopulasi baru dengan
menggunakan “ seleks alam “ dan operator genetic seperti :
a. Crossover
pertukaran bagian kecil dari dua kromosom
b. Mutasi
pergantian secara random nilai gen di beberapa lokasi pada kromosom,
c. Inversion
Membalikkan runutan beberapa gen yang berunut dalam kromosom.
Dasar teori inilah yang menjadi dasar kebanyakan program yang
menggunakan Algoritma Genetika.
3. Tahapan Proses Algoritma Genetik

Algoritma genetika dapat melalui lima tahap yaitu :
a. Pembentukan awal populasi
Langkah awal membuat sebuah populasi untuk gen- gen yang banyak dan ter-
baik.
b. Mencari Fitness Cost
Individu atau gen yang sudah dibentuk dicari fitness cost-nya sebagai nilai
komparasi antara individu satu dengan individu yang satunya.
c. Pengurutan (Sorting)
Individu yang ada pada populasi di urutkan dari fitness costnya. Untuk
mendapatkan solusi terbaik.
d. Proses Regenerasi
Proses ini terdapat dua metode yaitu :
1) Elitism Method
Semua individu yang hanya mengelami proses regenerasi
2) Non Elitms
Seluruh individu dilibatkan pada metode ini .

e. Tahapan looping
Setelah selesainya proses regenerasi, maka akan dilakukan looping. Looping
ini di ulang sampai sejumlah generasi yang ditargetkan.
4. Kelebihan Algoritma Genetik
Kelebihan - kelebihan dari Algoritma Genetika adalah :

a. Variable distrik atau kontinu yang dioptimalkan,
b. Tidak membutuhkan informasi derivatif,
c. Berbarengan pencarian dari sebuah sampel yang luas pada permukaan biaya,
d. Erat kaitannya dengan sekumpulan besar variabel,
e. Bagus untuk komputer paralel,
f. Mengoptimalkan permukaan variable dengan biaya yang sangat kompleks (GA
bias melompat dari minimum lokal),
g. Menentukan daftar variabel yang optimal, tidak hanya solusi tunggal,
h. Variabel dapat disandikan sehingga optimasi bisa dilakukan dengan
mengkodekan variabel, dan
i. Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis
fungsi.

5. Struktur Umum Algoritma Genetik

Ilustrasi diagram alir struktur algoritma genetik:
Gambar 16.1 Struktur umum algoritma genetika
Inisialisasi populasi pertama atau bisa disebut penginputan populasi,

sebanyak kromosan yang diperluan akan di inisialisasi secara random. Kemudian
dihitung nilai fitness dan dilanjutkan dengan dilakukan seleksi dengan menggunakan
metode rodaroullete, tournament atau ranking. Lalu di kawin silang (crossover) dan
di lakukan mutasi. Setelah melalui banyak generasi maka algoritma ini akan terhenti
sebanyak generasi yang diperlukan.

6. Contoh studi kasus
a. Fungsi F(x)=e-2x.sin(3x) menggunakan Algoritma genetik dalam mencari nilai maks.

Fungsi di atas bila digambarkan akan menjadi:
Gambar 16.2 Algoritma genetik dalam mencari nilai maks
Bisa dilihat dari gambar bahwa hasil ada pada nilai 0<x<1 Jadi jika menggunakan 8
bit biner didefinisikan :
00000000 0
11111111 1
Gambar 16.3 processing Dalam pencarian dan Optimasion

Processing Algoritma Genetika Dalam pencarian dan Optimasion
Definisi beberapa individu dinyatakan dalam 8 gen biner, dengan batas 0 sampai
dengan 1, berarti 1 bit setara dengan 2-8 .
Sebagai contoh:
1000 1001 = (1 2 8,0+ 8,0 + 1,0)/ 2 5 6,0 = 0.5 35 2
0011 0100 = (4,0 +1 6,0+32,0 )/2 56,0 = 0.2031
0101 0010 = (2,0+16,0+64,0)/256,0 = 0.3203
Gambar 16.4 individu pada processing Algoritma Genetika
Fungsi Fitness : fungsi f(x), karena nilai maks yang akan di cari.
Membangkitkan Populasi Awal
Individu maksimum
contohnya ada 10 individu dalam 1 populasi, maka 10 individu dibangkitkan dengan 8

gen biner yang akan dibangkitkan secara random.
Gambar 16.5 Proses seleksi individu maksimum

Seleksi
Seleksi adalah proses pemilihan calon induk, metode metode yang bisa digunakan
dalam proses seleksi ini antara lain:
a. Mesin Roulette (Roulette Wheel),
b. Competition dan Tournament.
Gambar 16.6 Competition dan Tournament
(Perkawinan Silang) adalah proses kombinasi anatara 2 individu untuk memperoleh

banyak individu baru dengan nilai fitnes lebih baik seperti yang diharapkan. Pasangan
yang mengikuti metode perkawinan silang ditentukan dengan nilai kemungkinan, jadi
tidak semua pasangan yang menggunakan metode ini.
Gambar 16.7 Perkawinan silang 2 individu

Pempropesan perubahan gen dengan nilai inversi diri sendiri disebut dengan mutasi
gen, gen 0 menjadi 1 dan gen 1 jadi 0.
Gambar 16.8 contoh Hasil Algoritma Genetika 1
Gambar 16.9 contoh Hasil Algoritma Genetika 2

Gambar 16.10 Menentukan nilai maksimal fungsi 2 variabel
16.11 Populasi awal pasangan secara acak

Gambar 16.12 Hasil algoritma genetika generasi 1 dan 2

1. Apa yang dimaksud algoritma genetika jelaskan disertai sejarahnya?
2. Sebutkan 5 contoh pengaplikasian algoritma genetika?
3. Carilah permasalahan lain yang dapat diselesaikan dengan Algoritma Genetika!
4. Implementasikan program untuk salah satu permasalahan di atas!
D. Referensi
Kusumadewi, Sri. 2003. Artificial Intellegence – Teknik dan Aplikasinya. Yogyakarta :
Graha Ilmu.
Basuki, Achmad. 2003. Algoritma Genetika : Suatu Alternatif Penyelesaian
Permasalahan Searching, Optimasi dan Machine Learning. Surabaya : Politeknik
Elektronika Negeri Surabaya PENS – ITS.
Martiana, Barakbah, Yuliana Setiowati. 2014. Modul Ajar Kecerdasan Buatan. Sura-
baya : Politeknik Elektronika Negeri Surabaya PENS – ITS.

PERTEMUAN 17
PROSES PADA ALGORITMA GENETIKA
Setelah menyelesaikan pada pertemuan ini, mahasiswa mampu menerapkan
Proses pada algoritma genetika . Sub materi pada pertemuan ini yaitu:
1. Komponen algoritma genetika
2. Proses seleksi
3. Proses Regenerasi
4. Perkembangan Metode Penjadwalan
5. Contoh Pemakaian algoritma genetika
B. Uraian Materi
1. Komponen Algoritma Genetika

Komponen algoritma genetika yang perlu diketahui yaitu teknik pengkodean,
individu, pembangkitan populasi, fungsi fitnes dan seleksi.
a. Teknik Pengkodean
Pada proses pengkodean, gen dipresentasikan dalam bentuk string bit,
tree, array, elemen permutasi dan program, bilangan real, atau representasi
lainnya yang bisa di terapkan untuk operator genetika. Teknik pengodean ada
beberapa macam yang bisa dilakukan dalam genetic Algoritm, contohnya binary
encoding, permutation encoding, value encoding, dan yang terakhir tree encod-
ing.
Gambar 17.1 Teknik pengkodean algoritma genetika

b. Membangkitkan Populasi
Kebanyakan metode optimasi klasik memasukkan urutan deterministik dan
komputasi berdasarkan gradien atau turunan dengan orde lebih tinggi dari fungsi
objektif. Metode ini diterapkan pada titik tunggal dalam space search.
Pendekatan point to point ini dapat menyebar pada lokal optimal. Algoritma
genetika menampilkan mutiple directional search dengan menjaga populasi dari
solusi potensial (Berlianty & Arifin 2010). Membangkitkan populasi awal adalah
proses membangkitkan sejumlah individu secara acak atau
melalui procedure tertentu. Ukuran untuk populasi tergantung pada masalah
yang akan diselesaikan dan jenis operator genetika yang akan
diimplementasikan. Setelah ukuran populasi ditentukan, kemudian
dilakukan pembangkitan populasi awal.
Teknik dalam pembangkitan populasi awal ini ada beberapa cara,
diantaranya adalah sebagai berikut:
1) Seperti pada metode random seach, pencarian solusi dimulai dari suatu titik
uji tertentu. Titik uji tersebut dianggap sebagai alternative solusi yang disebut
sebagai populasi.
2) Random Generator adalah melibatkan pembangkitan bilangan random untuk
nilai setiap gen sesuai dengan representasi kromosom yang digunakan.
3) Pendekatan tertentu (memasukan nilai tertentu kedalam gen) Cara ini adalah
dengan memasukan nilai tertentu kedalam gen dari populasi awalyang
dibentuk.
4) Permutasi Gen Cara ini adalah penggunaan permutasi josephus dalam
permasalahan kombinatorial seperti TSP.
c. Fungsi fitness
Suatu individu atau kromosom dievaluasi berdasarkan suatu fungsi tertentu

sebagai ukuran performasinya. Fungsi yang digunakan untuk mengukur nilai
kecocokan atau derajat optimalitas suatu kromosom disebut dengan fitness
function.Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal
solusi yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan
seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus

penjadwalan perkuliahan semakin kecil jumlah pelanggaran yang dihasilkan

maka solusi yang dihsilkan akan semakin baik.
2. Proses Seleksi
Operasi seleksi dilakukan dengan memperhatikan fitness dari tiap individu,
manakah yang dapat dipergunakan untuk generasi selanjutnya. Seleksi ini
digunakan untuk mendapatkan calon induk yang baik, semakin tinggi nilai fitnessnya
maka semakin besar juga kemungkinan individu tersebut terpilih. Terdapat beberapa
macam cara seleksi untuk mendapatkan calon induk yang baik, diantaranya adalah
seleksi roulette wheel, steady state, tournament dan rank. Proses seleksi yang biasa
digunakan adalah mesin roulette (roulette wheel).
Beberapa penjelasan tentang keempat metode seleksi di atas adalah sebagai
berikut :
a. Roulette Wheel
Calon induk yang akan dipilih berdasarkan nilai fitness yang dimilikinya,
semakin baik individu tersebut yang ditunjukkan dengan semakin besar nilai
fitnessnya akan mendapatkan kemungkinan yang lebih besar untuk terpilih
sebagai induk. Misalkan saja roulette wheel merupakan tempat untuk
menampung seluruh kromosom dari tiap populasi, maka besarnya tempat dari
roulette wheel tersebut menunjukkan seberapa besar nilai fitness yang dimiliki
oleh suatu kromosom, semakin besar nilai fitness tersebut, maka semakin besar
pula tempat yang tersedia. Ilustrasinya terlihat pada Gambar 17.2.
Gambar 17.2 Ilustrasi seleksi dengan Roulette Wheel

b. Steady State
Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan
dengan mempertahankan individu yang terbaik. Pada setiap generasi, akan
dipilih beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk,
sedangkan kromosom-kromosom yang memiliki nilai fitness terburuk akan

digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan
terdapat beberapa populasi yang bertahan.
c. Tournament
Dalam metode seleksi tournament sejumlah individu dipilih secara acak dan
kemudian menentukan fitnessnya. Kebanyakan metode seleksi ini digunakan
pada binary, dimana hanya dua individu yang dipilih.
d. Rank
Seleksi ini memperbaiki proses seleksi yang sebelumnya yaitu roulette
wheel karena pada seleksi tersebut kemungkinan salah satu kromosom
mempunyai nilai fitness yang mendominasi hingga 90% bisa terjadi, sehingga
nilai fitness yang lain akan mempunyai kemungkinan yang sangat kecil sekali
untuk terpilih. Sehingga dalam seleksi rank, dilakukan perumpamaan sesuai
dengan nilai fitnessnya, nilai fitness terkecil diberi nilai 1, yang terkecil kedua
diberi nilai 2, dan begitu seterusnya sampai yang terbagus diberi nilai N (jumlah
kromosom dalam populasi). Nilai tersebut yang akan diambil sebagai presentasi
tepat yang tersedia. Ilustrasinya dapat dilihat seperti pada Gambar 17.3 dan 17.4
berikut :
Gambar 17.3 Metode rank selection (situasi sebelum ranking)
Gambar 17.4 Metode rank selection (situasi setelah ranking)

3. Proses Regenerasi
Dalam proses regenerasi ini dilakukan tiga buah proses utama yang dipilih
secara acak untuk setiap generasi. Namun pemilihan secara acak ini berdasarkan
persentase tertentu. Ketiga proses tersebut adalah mutasi, kawin silang, atau
reproduksi. Dari ketiga proses ini prosentase kemungkinan proses tersebut
dijalankan terhadap suatu generasi adalah sama. Karena masing-masing proses
mempunyai kemungkinan menghasilkan gen terbaik. Sekalipun dalam proses
regenerasi tidak dibawa sifat gen induknya, namun ada kemungkinan menghasilkan
gen terbaik. Kemudian dilakukan proses seleksi dan pengulangan proses regenerasi
sejumlah generasi.
a. Proses Mutasi
Mutasi juga merupakan salah satu operator penting dalam algoritma genetika
selain crossover. Metode dan tipe mutasi yang dilakukan juga tergantung pada
encoding dan permasalahan yang diangkat. Berdasarkan encodingnya terdapat
beberapa macam, diantaranya adalah sebagai berikut :
1) Binary Encoding
Melakukan inversi pada bit yang terpilih, 0 menjadi 1 dan sebaliknya, 1
menjadi 0.
Contoh : 11001001 => 10001001
2) Permutation Encoding
Memilih dua nilai dari gen dan menukarnya.
Contoh : ( 1 2 3 4 5 8 9 7 ) => ( 1 8 3 4 5 6 2 9 7 )
Beberapa operator mutasi telah diciptakan untuk representasi permutasi,
seperti metode inversion, insertion, displacement, dan reciprocal exchange
mutation.
a) Inversion Mutation
Inversion mutation memilih dua posisi dalam sebuah kromosom dengan
cara acak dan kemudian menginversikan substring di antara dua posisi
tersebut.
b) Insertion Mutation
Insertion Mutation memilih sebuah gen dengan cara acak dan

memasukkan ke dalam kromosom dengan cara acak pula.
c) Displacement Mutation
Displacement Mutation memilih sebuah sub/sekelompok gen dengan cara
acak kemudian memasukkan ke dalam kromosom dengan cara acak.
d) Reciprocal Exchange Mutation (REM)

Reciprocal Exchange Mutation memilih dua posisi secara acak, kemudian
menukar dua gen dalam posisi tersebut.
3) Value Encoding
Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan
pada
salah satu gen dalam kromosom.
Contoh : ( 1.29 5.68 2.86 4.11 5.55 ) => ( 1.29 5.68 2.73 4.22 5.55 )
4) Tree Encoding
Node yang terpilih akan diubah. Karena proses mutasi juga merupakan
salah satu operator dasar dalam algoritma genetika, sehingga sama dengan
crossover, mutasi juga memerlukan probabilitas dengan proses yang sama
seperti pada probabilitas crossover. Individu dengan nilai probabilitas yang
lebih kecil dari probabilitas yang telah ditentukan yang akan melewati proses
mutasi. Nilai probabilitas mutasi ini menunjukkan seberapa sering gen
tertentu dari kromosom yang telah diproses dengan crossover akan melewati
mutasi. Jika tidak ada proses mutasi, maka offspring yang dihasilkan akan
sama dengan hasil individu setelah proses crossover, tanpa ada perubahan
sedikitpun. Proses mutasi ini biasanya dilakukan untuk mencegah terjadinya
local optimum, proses mutasi ini sebaiknya tidak terlalu sering dilakukan
karena proses algoritma genetika akan cepat berubah menjadi random
search. Pada probabilitas mutasi, jika terlalu rendah akan mengakibatkan
banyak gen yang berguna tidak sempat untuk dimanfaatkan dan jika terlalu
besar akan menyebabkan offspring kehilangan sifat dari induknya dan tidak
akan dapat memanfaatkan lagi proses evolusi alamiah.

b. Proses Kawin Silang

Proses kawin silang (crossover) adalah salah satu operator penting dalam
algoritma genetika, metode dan tipe crossover yang dilakukan tergantung dari
encoding dan permasalahan yang diangkat. Ada beberapa cara yang bisa
digunakan untuk melakukan crossover sesuai dengan encodingnya yang
dijelaskan sebagai berikut:
1) Binary Encoding
a. Crossover Satu Titik

Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya
dari induk pertama digunakan dan sisanya dilanjutkan dengan nilai biner
dari induk kedua.
Contoh :11001011 + 11011111 = 11001111
b. Crossover Dua Titik

Memilih dua titik tertentu, lalu nilai biner sampai titik crossover pertama
pada induk pertama digunakan, dilanjutkan dengan nilai biner dari titik
pertama sampai titik kedua dari induk kedua, kemudian sisanya
melanjutkan nilai biner dari titik kedua pada induk pertama lagi.
Contoh :11001011 + 11011111 = 11011111
c. Crossover Uniform
Nilai biner yang digunakan dipilih secara random dari kedua induk.
Contoh :11001011 + 11011101 = 11011111
d. Crossover Aritmatik
Suatu operasi aritmetika digunakan untuk menghasilkan offspring yang

baru.
Contoh :11001011 + 11011111 = 11001001 (AND)
2) Permutation Encoding
Memilih satu titik tertentu, nilai permutasi sampai titik crossover pada induk
pertama digunakan lalu sisanya dilakukan scan terlebih dahulu, jika nilai

permutasi pada induk kedua belum ada pada offspring nilai tersebut
ditambahkan.
Contoh :(123456789) + (453689721) = 12345689
3) Value Encoding
Semua metode crossover pada binary crossover bisa digunakan.
4) Tree Encoding
Memilih satu titik tertentu dari tiap induk, dan menggabungkan tree dibawah
titik pada induk pertama dan tree di bawah titik pada induk kedua.
Gambar 17.5 Contoh tree encoding pada crossover
c. Kondisi Berhenti
Offspring merupakan kromosom baru yang dihasilkan setelah melalui
proses-proses di atas. Kemudian pada offspring tersebut dihitung fitnessnya
apakah sudah optimal atau belum, jika sudah optimal berarti offspring tersebut
merupakan solusi optimal, tetapi jika belum optimal maka akan diseleksi kembali,
begitu seterusnya sampai terpenuhi kriteria berhenti.
4. Perkembangan Metode Penjadwalan

Sekarang ini banyak ditemukan metode dan algoritma-algoritma yang dibuat
untuk tujuan memecahkan persoalan-persoalan yang ada. Kemudian pada
perkembangannya metode atau algoritma tersebut mulai diterapkan untuk
memecahkan persoalan penjadwalan, antara lain algoritma semut atau Ant Colony
Optimization (ACO) dengan pendekatan Max Min Ant System (MMAS), Taboo
Search, dan teknik pewarnaan graf (Coloring Graph).

a. Ant Colony Optimization

Ant Colony Optimization (ACO) terinspirasi oleh koloni-koloni semut dalam
mencari makan. Semut-semut tersebut meninggalkan zat (pheromone) di jalan
yang mereka lalui. Algoritma ACO ini merupakan algoritma pencarian
berdasarkan probabilistik berbobot, sehingga butir pencarian dengan bobot yang
lebih besar akan berakibat memiliki kemungkinan terpilih yang lebih besar pula.
b. Tabu Search
Tabu Search adalah salah satu metode metaheuristik yang dipergunakan
untuk memecahkan permasalahan-permasalahan optimasi global. Tabu Search
merupakan suatu teknik optimasi yang menggunakan short-term memory untuk
menjaga agar proses pencarian tidak terjebak pada nilai optimum lokal. Metode
ini menggunakan Tabu List untuk menyimpan sekumpulan solusi yang baru saja
dievaluasi. Selama proses optimasi, pada setiap iterasi solusi yang akan
dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List untuk melihat
apakah solusitersebut sudah ada pada Tabu List. Apabila solusi tersebut sudah
ada, maka akan dievaluasi lagi pada iterasi berikutnya. Kemudian bila sudah tidak
ada lagi solusi yang menjadi anggota Tabu List, maka nilai terbaik yang baru saja
diperoleh merupakan solusi yang sebenarnya.
c. Coloring Graph
Teknik pewarnaan graf merupakan salah satu subjek yang menarik dan
terkenal dalam bidang graf. Teori-teori mengenainya telah banyak dikembangkan
dan berbagai algoritma dengan kelebihan dan kelemahan masing-masing telah
dibuat untuk menyelesaikannya. Aplikasi dari teknik ini juga telah banyak
diterapkan di berbagai bidang, salah satunya adalah membuat jadwal.
Perencanaan jadwal disini khususnya diterapkan pada pekerjaan-pekerjaan atau
hal-hal yang saling terkait, misalnya hal-hal yang berlangsung pada waktu yang
sama, atau pekerjaan yang menggunakan sumber daya yang sama, dan
sebagainya. Teknik pewarnaan graf akan membuat jadwal kerja yang dapat
menghasilkan hasil yang maksimum dengan cara yang paling efisien.
5. Contoh pemakaian algoritma genetika

Pada contoh pemakaian algoritma genetika kali ini yaitu menggunakan sebuah

persamaan, dimana persamaan tersebut terdiri dari variabel a,b,c dan d. Dengan
persamaan sebagai berikut: a + 2b + 3c + 4d = 20. Langkah penyelesaian
persamaan terdiri dari beberapa tahap yaitu:
a. Pembentukan kromosom
Pembentukan kromosom ini terdiri dari beberapa gen yaitu a,b,c,d. Variabel
a terdiri dari nilai 1-20. Variabel b,c,d terdiri dari nilai 0-10.
b. Inisialisasi
Pada proses ini dilakukan dengan memberikan nilai gen pada tahap awal.
Pada tahap ini akan diberikan permisalan sebanyak 6 populasi yaitu:
Kromosom1= [14;07;05;10] = sebagai[a;b;c;d]
Kromosom6= [22;07;09;013 = sebagai[a;b;c;d]
c. Evaluasi Kromosom
Evaluasi kromosom dilakukan dengan menginput variabel a,b,c,d pada
persamaan berikut sebagai fungsi objektif.
fungsiobjektif(kromosom) =(a + 2b + 3c + 4d) – 20
1) Fungsiobjektif melalui kromosom 1 = (( 14 + 2*7 + 3*5 + 4*10 ) - 20)
= ((14 + 14 + 15 + 40 ) - 20)
=(63 - 20) = 43
2) Fungsiobjektif melalui kromosom 2 = (( 4+ 2*3 + 3*10 + 4*15 ) - 20)
= (( 4 + 6 + 30 + 60 ) - 20)
= (100 - 20) = 80
= (( 12 + 12 + 15 + 24 ) - 20)
= (63 - 20) = 43
= (( 22 + 6+ 36 + 32 ) - 20)

= (96 - 20) = 76
5) Fungsiobjektif melalui kromosom 5 = (( 3+ 2*6 + 3*5 + 4*11 ) - 20)
= (( 3+ 12+ 15 + 44 ) - 20)
= (74 - 20) = 54
= (( 22 + 14 + 27 + 12) - 20)
= (75 - 20) = 55
Sehingga average dari ke enam nilai kromosom yaitu = (43+80+43+76+54+55)/6
= 351 / 6 = 58.5
d. Seleksi kromosom
Tahap selanjutnya yaitu seleksi kromosom dengan fungsi fitness = (1 / (1 +
fungsi_objektif))
Sehingga perhitungan menjadi berikut:
1) fitness1 = 1 / 44 = 0.0227
2) fitness2 = 1 / 81= 0.0123
3) fitness3 = 1 / 44 = 0.0227
4) fitness4 = 1 / 77 = 0.0129
5) fitness5 = 1 / 55 = 0.0181
6) fitness6 = 1 / 56 = 0.0178
7) total nilai fitness = 0.0227 + 0.0123+ 0.0227 + 0.0129 + 0.0181 + 0.0178
= 0.1065
Langkah selanjutnya mencari kemungkinan atau probabilitas : “P[i] = fitness[i] /
total_fitness”
P1= 0.0227 / 0.1065 = 0.2131
P2 = 0.0123/ 0.1065 = 0.1154
P3 = 0.0227/ 0.1065 = 0.2131
P4 = 0.0129/ 0.1065 = 0.1211
P5 = 0.0181 / 0.1065 = 0.1699
P6 = 0.0178 / 0.1065 = 0.1671
Langkah selanjutnya yaitu mencari nilai komulatif dengan proses dibawah ini:
C1= 0.2131

C2= 0.2131+ 0.1154= 0.3285

C3= 0.2131 + 0.1154+ 0.2131= 0.5416
C4= 0.2131+ 0.1154+ 0.2131+ 0.1211= 0.6627
C5= 0.2131+ 0.1154+ 0.2131+ 0.1211+ 0.1699= 0.8326
C6= 0.2131+ 0.1154+ 0.2131+ 0.1211+ 0.1699+ 0.1671= 0,9997
Langkah selanjutnya yaitu membangkitkan R dalam range 0-1. Jika R[k] < C[1]
maka pilih kromosom 1 sebagai induk, selain itu pilih kromosom ke-k sebagai
induk dengan syarat C[k-1] < R < C[k]. Dengan permisalan
R1= 0.301
R2 = 0.484
R3 = 0.209
R4 = 0.722
R5 = 0.598
R6 = 0.401
Apabila Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih
kecil daripada C[2] maka pilih Kromosom[2] sebagai kromosom pada populasi
baru,sehingga menjadi:
Kromosom1= Kromosom2
Kromosom2 = Kromosom2
Kromosom baru hasil proses seleksi :

Kromosom1 = 14;03;10;05
Kromosom2 = 14;03;10;05
Kromosom3 = 14;07;05;10
Kromosom4 = 03;06;05;11
Kromosom5 = 14;03;10;05
Kromosom6 = 12;06;05;06

1. Carilah nilai komulatif dari variabel gen berikut ini:

Kromosom6= [24;09;11;15 = sebagai[a;b;c;d]
2. Carilah nilai komulatif dari variabel gen berikut ini:
Kromosom1= 18;11;09;14= sebagai[a;b;c;d]

Kromosom2=08;07;14;09= sebagai[a;b;c;d]
Kromosom3= 16;10;09;10 = sebagai[a;b;c;d]
Kromosom4= 26;07;16;12 = sebagai[a;b;c;d]
Kromosom5=07;10;09;15]= sebagai[a;b;c;d]
Kromosom6=26;11;13;17= sebagai[a;b;c;d]
3. Carilah penerapan algoritma genetika dalam kehidupan sehari-hari?
D. Referensi
Basuki, Achmad. 2003. Algoritma Genetika : Suatu Alternatif Penyelesaian

Permasalahan Searching, Optimasi dan Machine Learning. Surabaya : Politeknik
Elektronika Negeri Surabaya PENS – ITS.
Kusumadewi, Sri. 2003. Artificial Intellegence – Teknik dan Aplikasinya. Yogyakarta :

Graha Ilmu

PERTEMUAN 18
GAME PLAYING
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu menganalisis
game palying. Sub materi pada pertemuan ini yaitu:
1. Definisi Game playing
2. Metode penggunaan game
3. Mode Game AI
4. Finite State Machine (FSM)
5. Sistem berbasis aturan (Rule Based System)
6. Algoritma AI
7. Algoritma Dijkstra
8. Kompleksitas Kesalahan
9. Aplikasi Game playing
B. Uraian Materi
1. Definisi Game Playing
Game pada sebuah AI adalah sebuah aplikasi yang menjadikan sebuah
hiburan kepada seseorang atau para pemain yang memainkan game tersebut,
didalam sebuah game banyak sekali mengandung sebuah objek dari sebuah
pemodelan yang udah didesain pada software tertentu, dalam pembentukan objek
didalam sebuah game menjadikan objek tersebut hidup dan mendapatkan
karakternya, tidak kalah dari itu didalam sebuah game juga terdapat beberapa objek
yang bisa disebut sebagai lawan atau musuh dari objek karakter utama game.
Peranan sebuah kecerdasan buatan didalam game adalah sebagai pengendali atau
sebuah pemikiran yang otomatis untuk memainkan game tersebut, dengan
kecerdasan buatan juga akan terjadi interaksi alami yang dilakaukan lawan atau
objek tokoh utama dalam mengikuti rule game tersebut. Contoh media interaksi
ialah:
a. Penglihatan (vision)
b. Suara (voice), ucapan (speech)
c. Gerakan anggota badan ( gesture)

Beberapa unsur didalam Artificial Intelligence adalah sebuah elemen, elemen

– elemen didalam sebuah game di terapkan sealami mungkin, selayaknya sebuah
kehidupan yang dilakukan manusia, selain itu dalam implementasikan Artificial
Intelligence didalam sebuah game terdapat sebuah algoritma, algoritma ini nanti
akan menggabungkan beberapa intruksi penyampaian yang akan di sambungkan
kembali ke beberapa elemen bertujuan untuk menjalankan perintah atau tujuan ter-
tentu, contoh beberapa algoritma yang dapat diimplementasikan ke aturan game
adalah, algoritma tree, atau pohon keputusan, didalam sebuah pohon keputusan
terdapat beberapa aturan yang menyerupai cabang keputusan, dimana setiap kepu-
tusan yang diambil akan membuat rule-nya tersendiri dan ceritanya sendiri, namun
tree selain mudah dipahami, algoritma ini akan menjadi nilai representasi yang mem-
iliki nilai kelemahan yang cukup besar, kelemahannya salah satunya adalah nilai
representasi pohon keputusan akan menjadi sangat luas dan sangat banyak, se-
makin panjang cerita yang dibuat maka semakin panjang juga sebuah rule dari tree
ini akan dibuat, dan akan menjadikan sebuah percabangan yang banyak didalam
percabangan.
Dalam mengimplementasikan sebuah objek dimana objek tersebut dibuat

sebelumnya menggunakan beberapa software untuk membuat objek 3 dimensi, sa-
lah satu softwarenya adalah blender, blender adalah salah satu untuk membuah ob-
jek 3 dimensi, dan dapat membuat animasi didalamnya, setelah dibuat
menggunakan software tersebut maka objek dapat di buka pada aplikasi pembuat
game, salah satu aplikasi yang dapat mengimplementasikan game 3 dimensi adalah
unity, unity adalah software untuk membuat game berbasis 2 dimensi atau 3 dimensi,
yang dapat di terapkan ke permainan smartphone.
a. Beberapa karakteristik dan batasan game
Karakteristik adalah sebuah identitas yang digambarkan berdasarkan
penyampaian atau bentuk ciri – ciri, didalam sebuah game beberapa karakteristik
dan batasan game yang dimainkan oleh dua pemain atau dua player, baik
manusia atau kecerdasan buatan itu sendiri, pergantian dalam permainan dalam
melangkah dengan karakteristik sebagai berikut :
1) Perfect Information Game : Kedua pemain yang bermain game dapat
menggunakan akses pada game atau sama – sama memiliki akses dalam

pengkontrolan game dan dapat melihat informasi yang lengkap terkait game
tersebut, sehingga tidak ada sesuatu ketidak tahuan atau yang menutupi
informasi bagi lawan mainnya.
2) No Determined by Chances : Tidak menggunaka objek yang melibatkan
probabilitas, contonya adalah dengan menggunaka sebuah dadu
3) No Phsychological Factors : Tidak menggunakan emosional yang melibat-
kan psikologi, seperti sebuah gertakan.
4) No Oversight Errors. Smart Opponent : Mempunyai lawan yang setara dengan
pemahamannya dalam sebuah game sehingga menjadikan seimbang dalam
permainannya, dan menghindari salah langkah.
2. Metode penggunaan game
a. Prosedur Minimax
The Game of Nim: Sejumlah dari sekumpulan token ditempatkan pada se-
buah meja di antara lawan yang terdiri dua lawan. Pada masing-masing gerakan
pemain harus membagi tumpukan token menjadi dua tumpukan tak kosong dari
berbagai ukuran. Jadi, 6 token dapat dibagi menjadi 5 dan 1, 4 dan 2, tetapi tidak
3 dan 3. Pemain pertama yang mampu bergerak kehilangan permainan. Untuk
sejumlah kecil token ruang pencarian dapat dicari secara mendalam. Dalam
permainan dua-orang, Anda harus mengasumsikan bahwa lawan Anda memiliki
pengetahuan yang sama yang Anda lakukan dan berlaku sebaik yang Anda
lakukan. Jadi pada setiap tahap permainan Anda harus menganggap lawan
membuat langkah terbaik yang tersedia. Ini adalah dasar dari prosedur minimax.
Dalam minimax, para pemain yang disebut sebagai MAX (pemain) dan MIN
(lawan). Keduanya mencoba untuk memaksimalkan gerakan mereka. MAX
pemain, mencoba untuk memaksimalkan nilainya. Dan MIN adalah lawan
mencoba untuk meminimalkan skor MAX.
Prosedur Minimax pada Pencarian Ruang Lengkap

1) Label setiap tingkat dari ruang pencarian sesuai dengan yang bergerak itu di
tingkat itu.

2) Mulai di node daun, setiap label simpul daun dengan 1 atau 0 tergantung
pada apakah itu adalah kemenangan bagi MAX (1) atau MIN (0).
3) Merambat ke atas: jika negara induk MAX, memberikan MAX anak-anaknya.
4) Merambat ke atas: jika negara induk MIN, MIN memberikan anak-anaknya.
Pencarian minimax merupakan pencarian nilai terbaik dari nilai-nilai

evaluasi yang didapat dari berbagaimacam cara untuk menghitung nilai evaluasi
tersebut. Pencarian ini bekerja dengan cara menelusuri segala kemungkinan
yang terjadi pada papan dengan melakukan pencarian untuk beberapa langkah
kedepan (Aske Plaat, 1994). Berbagai macam metode yang dapat digunakan
dalam pencarian minimax, beberapa di antaranya adalah Negascout dan MTDF.
b. Negascout
Negascout adalah sebuah metode atau teknik dimana melakukan

pencarian minimax dengan pemiliran dimana bahwa langkah pertama yang
diambil adalah sebuah langkah yang diasumsikan menjadi langkah yang baik
dalam permainannya, dan langkah selanjutnya adalah merupakan langkah yang
buruk.(Aske Plaat, 1994). Dan bila terdapat sebuah langkah yang baik dari
langkah pertama maka akan terjadi sebuah langkah yang dapat menimbulkan
proses research atau dapat diartikan pencarian ulang, Berikut penjelasan
algoritma Negascout yang dijabarkan pada Gambar 18.1.

Gambar 18.1 Algoritma Negascout
Pada implementasi didalam gambar terseubt, pertama syarat dalam

melakukan sebuah pencarian ulang atau research adalah dengan jika suatu nilai
dari t lebih besar dari B, lebih kecil dari beta dan buakan suatu anak pertama dari
node yang diproses (i>1), dan node itu harus memiliki sebuah anak dimana
pengertian logikanya adalah sebagai berikut (depth>1). Syarat t lebih kecil dari
beta diperlukan karena jika t lebih besar dari beta, maka beta pruning akan
diproses sehingga proses research tidak akan terjadi.
c. Memory-enhanced Test Driver value f (MTDF)
Pencarian pada MTDF menggunakan bound sebagai tempat penyimpanan

nilai minimax, dimana bound tersebut terbagi menjadi 2 macam, yaitu
upperbound dan lowerbound yang menunjukkan rentang dimana nilai minimax
berada. Cara kerja dari algoritma mtdf adalah dengan cara melakukan
serangkaian pemanggilan algoritma alpha beta secara berulang-ulang. Berikut
penjelasan algoritma MTDF yang dijabarkan pada Gambar 18.2. Pada algoritma
Gambar 18.2, parameter f merupakan nilai perkiraan. Jika nilai dari parameter
tersebut mendekati nilai minimax maka proses pemanggilan terhadap algoritma
alpha beta akan semakin sedikit. Minimal dilakukan dua kali proses pemanggilan,

dimana untuk menentukan nilai dari upperbound dan lowerbound . Proses

pemanggilan algoritma alpha beta akan berhenti jika nilai dari lowerbound lebih
besar dari upperbound. Algoritma alpha beta yang digunakan sedikit berbeda
dengan algoritma alpha beta konvensional.
Gambar 18.2 Algoritma MTDF
Dimana pada algoritma alpha beta with memory menyimpan nilai

upperbound dan lowerbound tiap-tiap node, yang nantinya digunakan untuk
perbandingan dengan nilai alpha dan beta yang didapat.
d. Prosedur Alpha-Beta
Alpha-beta pruning adalah prosedur untuk mengurangi jumlah perhitungan

dan mencari selama minimax. Minimax adalah pencarian dua-pass, satu lulus
digunakan untuk menetapkan nilai-nilai heuristik ke node pada kedalaman dan
yang kedua digunakan untuk menyebarkan nilai-nilai sampai pohon.
Alpha-beta hasil pencarian secara mendalam-pertama. Sebuah nilai alpha

adalah nilai awal atau sementara terkait dengan node MAX. Karena MAX node
diberi nilai maksimum antara anak-anak mereka, nilai alpha tidak dapat
menurunkan, hanya bisa naik. Sebuah nilai beta adalah nilai awal atau sementara
terkait dengan node MIN. Karena node MIN diberi nilai minimum antara anak-
anak mereka, nilai beta tidak pernah dapat meningkatkan, hanya bisa turun.

Misalnya, alpha node MAX = 6. Kemudian cari tidak perlu

mempertimbangkan setiap cabang yang berasal dari keturunan MIN yang
memiliki nilai beta yang kurang-dari-atau-sama dengan 6. Jadi, jika Anda tahu
bahwa node MAX memiliki alpha 6, dan Anda tahu bahwa salah satu keturunan
MIN yang memiliki beta yang kurang dari atau sama dengan 6, Anda tidak perlu
mencari lebih jauh di bawah simpul MIN. Ini disebut pemangkasan alpha.
Alasannya adalah bahwa tidak peduli apa yang terjadi di bawah simpul MIN,
tidak dapat mengambil nilai yang lebih besar dari 6. Jadi nilainya tidak dapat
diperbanyak sampai dengan (alpha) orangtua MAX nya.
Demikian pula, jika nilai beta node MIN itu = 6, anda tidak perlu mencari
lebih jauh di bawah MAX keturunan yang telah memperoleh nilai alpha dari 6 atau
lebih. Ini disebut pemangkasan beta.
Alasannya lagi adalah bahwa apa pun yang terjadi di bawah simpul MAX,
tidak dapat mengambil nilai yang kurang dari 6. Jadi nilainya tidak dapat
diperbanyak sampai dengan (beta) MIN orangtua nya.
Aturan untuk Alpha-beta Pemangkasan
1) Pemangkasan Alpha: pencarian dapat dihentikan di bawah setiap simpul MIN

memiliki nilai beta kurang dari atau sama dengan nilai alpha dari setiap
leluhur MAX nya.
2) Pemangkasan Beta: Pencarian bisa dihentikan di bawah setiap simpul MAX
memiliki nilai alpha lebih besar dari atau sama dengan nilai beta dari setiap
leluhur MIN nya.
e. Fungsi Evaluasi Dalam Permainan Othello
1) Table
Edge Table merupakan wadah untuk menyimpan nilai-nilai mobility dari
papan permainan. Cara kerja edge table adalah dengan hanya mengevaluasi
satu sisi papan, yang mana selanjutnya hanya perlu mencerminkannya
kesemua sisi-sisi pada papan permainan.
2) Mobility
Mobility merupakan jumlah langkah yang dapat dimainkan oleh pemain

pada tiap kali kesempatan. Jumlah langkah ini didapat dengan mengevaluasi
pola pada satu sisi papan dan selanjutnya disimpan kedalam edge table.
3) Liberties
Liberties digunakan untuk menampung jumlah petak kosong yang
berada disekeliling tiap-tiap petak pada papan. Setelah proses penyimpanan
nilai-nilai liberties dilakukan, selanjutnya nilai-nilai yang disimpan tersebut
akan diproses oleh frontier untuk mengetahui jumlah disc yang berbatasan
dengan petak kosong.
4) Potensial Mobility atau Frontier

Frontier merupakan jumlah disc yang berbatasan dengan petak
kosong. Jika terjadi kondisi dimana semakin banyak frontier yang didapat,
maka akan semakin jelek pula posisinya, karena semakin banyak frontier
memungkinkan lawan untuk mendapatkan semakin banyak mobility
tambahan pada beberapa langkah ke depan dan juga mengurangi mobility-
nya sendiri.
5) Penguasaan Corner
Penguasaan corner merupakan penguasaan terhadap posisi-posisi
pojok dari papan, karena disc yang diletakkan pada posisi tersebut tidak
dapat dirubah atau dibalik.
3. Mode Game AI
a. Pathfinding
Pathfinding paling mudah ditemui pada game-game bertipe strategi dimana

kita menunjuk satu tokoh untuk digerakkan ke lokasi tertentu dengan mengklik
lokasi yang hendak dituju. Si tokoh akan segera bergerak ke arah yang
ditentukan, dan secara “cerdas” dapat menemukan jalur terpendek ataupun
menghindari dari rintangan-rintangan yang ada. Salah satu algoritma pathfindin
yang cukup umum dan yang paling banyak digunakan utnuk mencari jarak
terpendek secara efisien adalah algoritma A*.

Secara umum, algoritma A* adalah mendefinisikan area pencarian menjadi

sekumpulan node-node (tiles). Titik awal dan titik akhir ditentukan terlebih dulu
untuk mulai penelusuran pada tiap-tiap node yang memungkinkan untuk
ditelusuri. Dari sini, akan diperoleh skor yang menunjukkan besarnya biaya untuk
menempuh jalur yang ditemukan, ditambah dengan nilai heuristik yang
merupakan nilai biaya estimasi dari node yang ada menuju tujuan akhir. Iterasi
akan dilakukan hingga akhirnya mencapai target yang dituju.
b. Jaringan Saraf Tiruan (Neural Network)
Neural network cukup baik ketika diterapkan pada kasus-kasus yang

sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan
metode tradisional. Penerapannya seringkali pada game-game yang memerlukan
kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau
ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer
mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan
memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami
komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan
saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang
dihasilkan menjadi semakin akurat (semakin cerdas).
c. Algoritma Genetis (Genetic Algorithm)
Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang

dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan
lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan
pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom
dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis,
akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap
langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang
terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang
dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk
merespons perubahan-perubahan tingkah laku user.

d. Algoritma, Struktur Data, dan Representasi
1) Decision tree
Decision Tree adalah salah satu metode klasifikasi yang paling banyak
digunakan dala membuat sebuah pemodelan dimana mudah dipahami, da-
lam sebuah bentuk struktur decision tree ini dibentuk seperti struktur
percabangan sebuah pohon yang membentuk hirarkii. Konsep dari decion
tree ini adalah mengubah sebuah data menjadi bentuk pohon keputusan dan
menuangkan beberapa kejadian didalam setiap percbangan tersebut, kelebi-
han dari sebuah pohon keputusan atau algoritma decision tree ini adalah
dapat mem-break down sebuah proses dalam pengambilan keputusan yang
begitu kompleks dan menjadikan dalam bentuk yang lebih simpel sehingga
dalam pengambilan sebuah keputusannya dapat lebih menginterpretasikan
solusi dari permasalahan.
2) Kelebihan
a) Pengambilan keputusan didalam algoritma yang sebelumnya kompleks
menjadi mudah dalam pemahaman dan spesifik dan simpel.
b) Tidak ada perhitungan yang mengeliminasi, dikarnakan hanya
menggunakan sebuah struktur hierarki pohon keputusan.
c) Memiliki feature dan internal yang tidak sama dalam pemilihannya dikar-
nakan memiliki bentuk yang fleksibel.
d) Dapat menghindari sebuah permasalahan dikarnakan menggunakan
sebuah kriteria yang memiliki jumlah sedikit didalam sebuah node internal
dan tanpa mengurangi sebuah kualitas didalam keputusannya, hasil tetap
memiliki kualitasnya.
3) Kekurangan
a) Terjadi percabangan yang sangat banyak bila kasus dan pembahasan
memiliki bentuk yang sangat panjang, dimana kelas – kelas dan kriteria
yang digunakan dalam hal tersebut sangat banyak, dan dapat
menyebabkan waktu yang dibutuhkannya menjadi lama dalam keputusan
yang dihasilkan, serta memory yang diperlukan cukup besar.

b) Memiliki tingkat eror yang besar bila kasus eror terjadi pada cabang sebe-
lumnya, hal tersebut akan mengakibatkan eror pada cabang dibawahnya.
c) Sulitnya menentukan desain yang memiliki bentuk optimal, dimana kuali-
tas sebuah pohon keputusan dari algoritma ini sangat mengutamakan op-
timal pada saat desain pohon keputusan.
4. Finite State Machines (FSM)
FSM atau Finite State Machines adalah sebuah metode perancangan dari
sebuah pengendali dari sebuah prinsip kerja sistem, dimana prinsip kerja sistem
menggunakan tiga hal, State (Keadaan), Event (kejadian) dan Action (aksi). Dari tiga
hal tersebut dapat dipahami bahwa pengendali atau pengontrol memiliki sebuah
kondisi. Pada saat kondisi dimana periode untuk waktu yang signifikan, sistem
memulai dengan kondisi keadaan aktif atau state on, metode ini sering digunakan
untuk sebuah perancangan sebuah perangkat lunak atau software aplikasi,
Penggunaan pada metode ini pada kenyataannya diimplementasikan menjadi
sebuah bentuk modeling sebagai basis untuk perancangan protokol-protokol
komunikasi, perancangan perangkat lunak game, aplikasi WEB dan sebagainya.
Finite State Machine(FSM) ini memiliki kelebihan dan kekurangan,antara lain :
a. Kelebihan
1) Dalam melakukan implementasi dapat dilakukan dengan mudah dan cepat
2) Dapat memudahkan proses debugging.
3) Proses komputasi yg minimal, karena sejatinya FSM hanyalah conditional
statement yang dikemas dalam bentuk yang lebih elegan.
4) Fleksibel, dikarnakan dapat digabungkan dengan penggunaan metode dan
algoritma lainnya.
b. Kekurangan
1) Behaviour mudah dalam prediksinya, tidak ada searching didalamnya.
2) Karena mudah diimplementasi, kadang programmer langsung tembak di
eksekusi tanpa melakukan desain FSM terlbih dahulu. Biasanya akan terjadi
FSM yang terfragmentasi
3) Ketika terjadi sebuah batasan yang menipis, akan timbul State Oscillation.

5. Sistem berbasis aturan (Rule Based System)
adalah suatu program komputer yang memproses informasi yang terdapat di

dalam working memory dengan sekumpulan aturan yang terdapat di dalam basis
pengetahuan menggunakan mesin inferensi untuk menghasilkan informasi baru.
Sebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah
assertions set, yang secara kolektif membentuk working memory, dan sebuah rule
set yang menentukan aksi pada assertions set. RBS secara relatif adalah model
sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak
peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam
kerjanya.
a. Kelebihan
1) Availability-bertambah, intelligent tutor, intelligent dB, danger-reduced,
performance
2) multiple expertise, reability-bertambah, explanation steady, unemotional and
complete response
b. Kekurangan
Jika terlalu banyak aturan, sistem menjadi sulit dalam me-maintain performance
dan Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu
masalah.
6. Algoritma AI
Algoritma AI atau Artificial Intelligence adalah sebuah teknik yang terdapat

disebuah sistem cerdas, dan sudah banyak sekali diterapkan pada beberapa bidang,
salah satunya adalah bidang pembelajaran, kesehatan, game, dan pendidikan,
kehidupan sehari – hari pun tak lepas dari sebuah sistem cerdas ini, salah satunya
adalah penggunaan mesin cuci, pada penggunaan mesin cuci dimana didalamnya
sudah diimplementasi sistem cerdas, maka alat tersebut akan mengoperasikannya
sendiri, dari awal sampai akhir, solusi penggunaan sistem cerdas juga dimanfaatkan
industri dalam meningkatkan sebuah produksi didalamnya, semakin tepat nilai yang
dihasilkan kecerdasan tersebut maka semakin baik untuk kemajuan perusahaan
tersebut.

Algoritma AI ini juga menjadikan pemodelan yang sebalumnya susah akan

menjadi mudah bila diterapkan pada tempat yang sesuai, banyak sekali teknik
didalam sebuah algoritma ini diantaranya sebuah metode fuzzy, didalam sebuah
metode fuzzy terdapat beberapa algoritma, contonya algoritma tsukamoto, algoritma
mamdani dan algoritma sugeno, implementasi algoritma tersebut dapat diterapkan
dibeberapa masing – masing kasusnya, begitu juga dengan metode sistem pakar,
metode sistem pakar adalah sebagian dari kecerdasan buatan dimana didalamnya
terdapat algoritmanya, contohnya adalah algoritma forward chaininig dan algoritma
certainty factor, dan banyak lagi pengkelompokan sebuah metode kecerdasan
buatan.
Tujuan dari kecerdasan buatan dan algoritmanya adalah menjadi sebuah alat
untuk mengatasi permasalahan yang terjadi dan menyelesaikannya dengan cara
dan teknik tersebut, dengan cara tersebut dapat menghasilkan solusi dan
pemanfaatan yang terasa bagi pemakai kecerdasan buatan tersebut, pengoperasian
beberapa alat yang menanamkan algoritma AI pun akan menjadi sebuah teknologi
yang mendukung perkembangan dalam kemajuan zaman.
7. Algoritma Dijkstra
Algoritma Dijkstra atau aturan yang membahas optimalisasi dari jarak dikenal
pada umumnya sebagai algoritma rakus (greedy algorithm), penggunaan dari
algoritma ini adalah untuk mengatasi permasalahan dan memecahkan suatu jarak
dengan mencari sebuah jarak terpendek, dan digambarkan dengan bentuk graf
berarah, dengan bobot yang bukan nilai negatif, sebagai contohnya adalah sebuah
graf yang dilambangkan jarak antara suatu kota untuk menentukan sebuah jarak
atau rute terpendek dari sebuah jalur. Tujuan dari algoritma ini adalah mencari serta
menemukan sebuah rute terpendek yang dilihat berdasarkan nilai bobot terkecil dari
suatu titik yang satu ke titik yang lain. Dan kelemahan dari algoritma ini adalah se-
makin banyak titik maka akan mengakibatkan waktu yang digunakan dalam pros-
esnya lama juga.
a. Urutan Logika Algoritma Dijkstra
1) Memberikan sebuah nilai dari jarak kepada sebuah titik awal ke titik yang
lainnya, dan selanjutnya set nilai 0 pada sebuah node awal menyebabkan
nilai tak hingga terhadap node lainnya

2) Membuat set pada semua node, dari node yang belum ditempati hingga node
keberangkatan
3) Dimana node keberangkatan, membuat suatu pertimbangan kepada node
yang belum ditempati dan menghitung sebuah jarak dari titik node keber-
angkatan
4) Setelah selesai mempertimbangkan setiap jarak terhadap node tetangga,
tandai node yang telah terjamah sebagai “Node terjamah”. Node terjamah
tidak akan pernah di cek kembali, jarak yang disimpan adalah jarak terakhir
dan yang paling minimal bobotnya.
5) Set “Node belum terjamah” dengan jarak terkecil (dari node keberangkatan)
sebagai “Node Keberangkatan” selanjutnya dan lanjutkan dengan kembali ke
step 3.
8. Kompleksitas Kesalahan
Sebuah konteks didalam sebuah kecerdasan buatan terutama pada sebuah

video game, tindak kecurangan mendukung kepada programmer dimana mereka
akan memberikan sebuah akses informasi kepada seorang pemain lainnya. Di con-
tohkan pada sebuah game sederhana, jika seorang yang bermain game yang seha-
rusnya didalam game tersebut membutuhkan usaha untuk mendapatkan sebuah
nilai tertentu, seseorang tersebut tidak membutuhkan waku yang lama untuk
mendapatkan nilai tersebut bahkan tanpa usaha pun mereka dapat dengan mudah
mendapatkan nilai tersebut, hal ini akan mengandung ketidak harusan terhadap se-
buah game dan akan menjadikan kompleksitas kesalahan, yang tidak seharusnya
terjadi pada game tersebut.
Kesalahan pu n sering terjadi kapada alat yang menerapkan sebuah kecer-

dasan buatan didalamnya, contoh lainnya adalah sebuah mesin cuci otomatis, di-
mana seharusnya mecin cuci akan menentukan sebuah waktu untuk menentukan
waktu mencuci yang dilihat berdasarkan berat cucian dan mesin cuci akan menen-
tukan banyaknya air yang dibutuhkan, bila kesalahan kompleksitas terjadi maka
akan menyebabkan kesalahan dalam menentukan waktu proses mencuci, hal ini
akan menjadi kerusakan atau kesalahan pada sistem cerdasnya dan perlu di pro-
gram ulang pada mesin cuci tersebut.

9. Aplikasi Game playing
Game Playing (permainan game) merupakan bidang AI yang sangat populer

berupa permainan antara manusia melawan mesin yang memiliki intelektual untuk
berpikir. Dalam game playing sendiri memiliki beberapa karakteristik dan batasan
tertentu. Selain itu metode yang digunakan pun beragam tergantung game apa yang
dibuat dan proses penyelesaiannya, karena, berbeda game, berbeda juga metode
yang dipakai dalam menyelesaikannya. Banyak jenis game yang menggunakan AI
atau Artificial Intelligence, mulai dari game jaman dahulu hingga game modern
seperti sekarang ini, seperti Catur, Othello, Tic Tac Toe, Counter Strike, Gran
Turismo. Permainan game laiinnya yaitu permainan catur, permainan dengan
permasalahan ember dan air (Dahria, 2008). Game sendiri memiliki berbagai genre
atau tipe permainan, seperti racing, FPS, RPG, MMORPG, dan lain sebagainya.
Game sendiri sekarang sudah banyak tersedia di berbagai platform seperti PC,
Konsol dan Android. Tidak sedikit pula game yang ternyata banyak yang memiliki
manfaat dan nilai positif, seperti meningkatkan kerja otak, menghilangkan stress,
meningkatkan semangat positif, menumbuhkan kreatifitas dan kemampuan dalam
memecahkan masalah, dan lain sebagainya. Dengan demikian, game tidak hanya
dipandang sebagai hal yang negative dan membuang-buang waktu, game juga
dapat menjadi hal yang positif apabila kita dapat dengan bijak dalam
menggunakannya.
1. Dengan menggunakan tahapan metode game carilah 1 jenis game AI dan jelaskan
metode dan serta tahapannya?
2. Buatlah sebuah game yang menerapkan kecerdasan buatan menggunakan unity 2d
atau 3d
3. Buatlah implementasi metode kecerdasan buatan kedalam sebuah sistem aplikasi

D. Referensi
Dahria M. 2008. Kecerdasan buatan(artifial intelligence). Jurnal SAINTIKON. Vol 5 No.2

Offset. Yogyakarta

DAFTAR PUSTAKA
Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta: Graha

Ilmu.

Informatika Bandung. Bandung
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System.
Ed ke-7. United States of America: Prentice Halls.

RENCANA PEMBELAJARAN SEMESTER

(RPS)
Program Studi : Teknik Informatika S-1 Mata Kuliah/Kode : Kecerdasan Buatan / TPL0403
Semester : 6 Prasyarat : --
Deskripsi Mata Kuliah : Mata kuliah ini merupakan mata kuliah wajib Program Studi
SKS : 3 SKS
Teknik Informatika S-1 yang membahan tentang Mata
kuliah ini membahas tentang pengenalan kecer-dasan Kurikulum : KKNI
buatan, masalah, ruang , keadaan, metode searching, Capaian Pembelajaran : Setelah menyelesaikan mata kuliah ini ma-
representasi penge-tahuan, Fuzzy, Jaringan Syaraf Tiru- hasiswa mampu membangun suatu solusi
an(JST), algoritma genetika, game playing cerdas dari suatu permasalahan nyata,
Penyusun : 1. Thoyyibah. T. S. Kom. M. Kom (Ketua) dengan berbagai metode dalam kecer-
2. Munawaroh, S.Kom.,M.Kom
dasan komputasional dengan baik.
3. Niki Ratama, S.Kom.,M.Kom
PENGALAMAN
PERTEMUAN KEMAMPUAN AKHIR BAHAN KAJIAN METOD KRITERIA BOBOT
KE- YANG DIHARAPKAN E BELAJAR PENILAIAN NILAI
(MATERI AJAR) PEMBEL MAHASISW
AJARAN A
(1) (2) (3) ( (5) (6) (7)
4
)
1 Memahami konsep Pengenalan Kecerdasan Buatan Ceramah, Latihan 1 Ketepatan jawaban 5%
kecerdasan buatan 1. Kecerdasan buatan, Diskusi dan
Latihan
2. Sejarah kecerdasan buatan
3. Perbandingan AI dengan program
konvensional,
4. Cabang kecerdasan buatan,
5. Bidang aplikasi kecerdasan buatan,
6. Keuntungan kecerdasan buatan
dan kecerdasan alami,
7. Jurnal yang berhungan dengan
kecerdasan buatan
2 Memahami masalah, ruang Masalah, Ruang dan Keadaan Ceramah, Latihan 2 Ketepatan jawaban 5%
dan keadaan 1. Definisi masalah dalam kecerdasan Diskusi dan
Latihan
buatan,
2. Masalah, ruang keadaan dan
aturan,
3. Representasi ruang keadaan
dengan Graph,
4. Searching sebagai teknik
pemecahan masalah
3 Mampu medeskripsikan Metode Searching Ceramah, Latihan 3 Ketepatan jawaban 5%
metode Searching Diskusi dan
Latihan
4 Mampu memahami Pencarian mendalam pertama (depth Ceramah, Latihan 4 Ketepatan jawaban 5%
pencarian mendalam first search) Diskusi dan
Latihan
pertama (Depth first
search)
5 Mampu memahami Representasi logika,Jaringan semantik Ceramah, Latihan 5 Ketepatan jawaban 5%
Representasi logika, jaringan Diskusi dan
Latihan
semantik
6 Mampu memahami Frame (Bingkai), Script (Naskah), Ceramah, Tugas 6 Ketepatan 5%
Representasi Frame Aturan Produksi Diskusi dan penalaran
(Bingkai), Script (Naskah), Latihan
Aturan Produksi.
7 Mampu memahami Pengantar Expert System Ceramah dan Latihan 7 Ketepatan jawaban 5%
Pengantar Expert system 1. Definisi expert sistem, Latihan
(sistem pakar) 2. Bentuk sistem pakar,
3. Komponen dan bagian utama
sistem pakar,
4. Konsep dasar sistem pakar,
5. Ciri-ciri, keuntungan dan
kelemahan sistem pakar.
8 Mampu memahami Struktur Struktur Expert system (sistem pakar) Ceramah dan Latihan 8 Ketepatan 5%
Expert system (sistem pakar) dan Tim Pengembang Latihan penalaran
dan Tim Pengembang 1. Struktur sistem pakar,
2. Tim pengembang sistem pakar,
3. Rule sebagai teknik representasi
pengetahuan,
4. Teknik inferensia forward chaining,
5. Teknik inferensia backward
chaining,
6. Jurnal yang berhubungan dengan
sistem pakar
9 Mampu menerapkan Ketidakpastian sistem pakar berbasis Ceramah, Latihan 9 Ketepatan 5%
Ketidakpastian sistem pakar rule Diskusi dan penalaran
Latihan
berbasis rule
UTS
10 Mampu memahami Logika Logika Fuzzy Ceramah, Latihan 10 ketepatan penalaran 5%

Fuzzy 1. Memahami pengertian logika fuzzy, Diskusi dan
2. Perbedaan logika fuzzy dan logika Latihan
tegas,
3. Himpunan fuzzy,
4. Dasar logika fuzzy,
5. Cara kerja kontrol logika fuzzy
11 Mampu menganalisis Metode Penyelesaian Logika Fuzzy Ceramah, Latihan 11 Ketepatan jawaban 5%
penyelesaian fuzzy dengan 1. Linear Programming, Diskusi dan
bentuk Metode Penyelesaian 2. metode Tsukamoto, Latihan
3. Metode Mamdani,
4. Metode Sugeno,
5. Penelitian yang berhubungan
dengan fuzzy
12 Mahasiswa mampu Aplikasi Logika Fuzzy Ceramah, Latihan 12 Ketepatan jawaban 5%
menganilis permsalahan 1. Memahami sistem kontrol Diskusi dan
dengan menggunakan frekuensi putar AC, Latihan
2. Aplikasi Logika Fuzzy
Logika Fuzzy
13 Mampu menerapkan Jaringan syaraf tiruan Ceramah, Tugas 13 Ketepatan 5%

Jaringan syaraf tiruan 1. Memahami jaringan syaraf tiruan, Diskusi dan penalaran
Latihan
2. Perbedaan JST dengan metode
konvensional,
3. penelitian yang berhubungan
dengan JST, Jenis-jenis algoritma
pembelajaran dengan supervisi

14 Mampu menerapkan delta Delta rule, perceptron Ceramah, Latihan 14 Ketepatan jawaban 7%
rule dan perceptron. Diskusi dan
Latihan
15 Mampu menerapkan Backpropagation Ceramah, Latihan 15 Ketepatan jawaban 7%
algoritma Diskusi dan
Latihan
backpropagation.
16 Mampu mendeskripsikan Algoritma genetika Ceramah, Latihan 16 Ketepatan jawaban 7%
Algoritma genetika 1. Definisi algoritma genetika, Diskusi dan
2. Sejarah algoritma genetika, Latihan
3. Tahapan proses algoritma
genetika,
4. Struktur algoritma genetika,
5. Karakteristik algoritma genetika,
6. Aplikasi algoritma genetika,
7. Proses algoritma genetika,
8. Membuat generasi awal,
9. Hal-hal yang harus diperhatikan
dalam algoritma genetika
17 Mampu mengaplikasikan Proses Algoritma Genetika Ceramah, Tugas 17 Ketepatan 7%
proses Algoritma genetika 1. Komponen algoritma genetika, Diskusi dan penalaran
2. Proses seleksi, Latihan
3. Proses regenerasi,
4. Proses mutasi,
5. Proses kawin silang,
6. Kondisi berhenti,
7. Perkembangan metode
penjadwakan, Ant Colony
Optimization, Tabu search,
Coloring Graph, Contoh
pemakaian algoritma genetika
18 Mampu mengaplikasikan Game Playing Ceramah, Latihan 18 Ketepatan 7%
Game Playing 1. Definisi game playing, Diskusi dan jawaban
2. metode penggunaan game, Latihan
3. Mode Game AI,
4. Sistem berbasis aturan (Rule
Based System),
5. Algoritma AI,
6. Algoritma Djikstra,
7. Kompleksitas kesalahan, Aplikasi
game playing
UAS
Referensi:
Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.
Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning. Informatika Bandung. Bandung
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System. Ed ke-7. United States of America: Prentice Halls.
Tangerang Selatan, 21 Maret 2021

Ketua Program Studi S1
Teknik Informatika Ketua Tim Penyusun
Mata Kuliah Kecerdasan Buatan
Achmad Udin Zailani, S.Kom. M.Kom Thoyyibah. T, S.Kom, M.Kom

NIDN. 0429058303 NIDN. 0423058704

TPL0403 - Kecerdasan Buatan-Full PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

TPL0403 - Kecerdasan Buatan-Full PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Universitas Pamulang Teknik Informatika S-1

Jl. Surya Kencana No. 1 Pamulang

Cetakan pertama, 09 Agustus 2021

Hak cipta dilindungi undang-undang

DATA PUBLIKASI UNPAM PRESS

Gedung A. R.212 Kampus 1 Universitas Pamulang

Kecerdasan Buatan / Thoyyibah T, Munawaroh, Niki Ratama

I. Kecerdasan Buatan II. Thoyyibah, III. Munawaroh, IV. Niki Ratama

Ketua Unpam Press: Pranoto

Cetakan pertama, 09 Agustus 2021

Hak cipta dilindungi undang-undang. Dilarang menggandakan dan memperbanyak

Kecerdasan Buatan iii

IDENTITAS MATA KULIAH

Ketua Program Studi Ketua Tim Penulis

Achmad Udin Zailani. S. Kom. M. Kom Thoyyibah. T. S. Kom. M. Kom

Pamulang, 09 Agustus 2021

DATA PUBLIKASI UNPAM PRESS ..............................................................................iii

MATA KULIAH ............................................................................................................. iv

KATA PENGANTAR ..................................................................................................... v

DAFTAR ISI .................................................................................................................vii

DAFTAR GAMBAR ......................................................................................................xii

DAFTAR TABEL ....................................................................................................... xviii

PENGENALAN KECERDASAN BUATAN..................................................................... 1

A. Tujuan Pembelajaran ........................................................................................... 1

B. Uraian Materi ....................................................................................................... 1

C. Soal latihan/Tugas ............................................................................................... 9

MASALAH, RUANG DAN KEADAAN ......................................................................... 11

A. Tujuan Pembelajaran ......................................................................................... 11

B. Uraian Materi ..................................................................................................... 11

C. Soal latihan/tugas .............................................................................................. 20

METODE SEARCHING .............................................................................................. 22

A. Tujuan Pembelajaran ......................................................................................... 22

B. Uraian Materi ..................................................................................................... 22

C. Soal Latihan/ Tugas ........................................................................................... 33

Kecerdasan Buatan vii

DEPTH FIRST SEARCH ............................................................................................ 34

A. Tujuan Pembelajaran ......................................................................................... 34

B. Uraian Materi ..................................................................................................... 34

C. Soal Latihan/ Tugas ........................................................................................... 46

REPRESENTASI LOGIKA DAN JARINGAN SEMANTIK ............................................ 47

B. Uraian Materi ..................................................................................................... 47

REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI................................. 59

B. Uraian Materi ..................................................................................................... 59

PENGANTAR EXPERT SYSTEM (SISTEM PAKAR) ................................................. 69

A. Tujuan Pembelajaran ......................................................................................... 69

B. Uraian Materi ..................................................................................................... 69

C. Soal Latihan/Tugas ............................................................................................ 78

STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG .......... 80

A. Tujuan Pembelajaran ......................................................................................... 80

B. Uraian Materi ..................................................................................................... 80

Kecerdasan Buatan viii

C. Latihan soal/Tugas ............................................................................................ 90

KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE ............ 91

A. Tujuan Pembelajaran ......................................................................................... 91

B. Uraian materi ..................................................................................................... 91

C. Soal Latihan/ Tugas ......................................................................................... 100

D. Referensi ......................................................................................................... 101

PERTEMUAN 10 ...................................................................................................... 102

LOGIKA FUZZY ........................................................................................................ 102

A. Tujuan Pembelajaran ....................................................................................... 102

B. Uraian Materi ................................................................................................... 102

C. Soal latihan/ Tugas .......................................................................................... 111

D. Referensi ......................................................................................................... 112