COVER
KECERDASAN BUATAN
Penyusun :
Thoyyibah T
Munawaroh
Niki Ratama
Kecerdasan Buatan i
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan ii
Universitas Pamulang Teknik Informatika S-1
ISBN 978-623-6352-26-7
M163-09082021-01
MATA KULIAH
KECERDASAN BUATAN
Kecerdasan Buatan iv
Universitas Pamulang Teknik Informatika S-1
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
Universitas Pamulang Teknik Informatika S-1
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.
Penulis
Kecerdasan Buatan vi
Universitas Pamulang Teknik Informatika S-1
DAFTAR ISI
COVER .......................................................................................................................... i
EDITORIAL................................................................................................................... ii
PERTEMUAN I ............................................................................................................. 1
D. Referensi ........................................................................................................... 10
PERTEMUAN 2 .......................................................................................................... 10
D. Referensi ........................................................................................................... 21
PERTEMUAN 3 .......................................................................................................... 21
D. Referensi ........................................................................................................... 33
PERTEMUAN 4 .......................................................................................................... 34
D. Referensi ........................................................................................................... 46
PERTEMUAN 5 .......................................................................................................... 47
A. TujuanPembelajaran.......................................................................................... 47
C. Soal ................................................................................................................... 57
D. Referensi ........................................................................................................... 58
PERTEMUAN 6 .......................................................................................................... 59
A. TujuanPembelajaran.......................................................................................... 59
C. Soal ................................................................................................................... 68
D. Referensi ........................................................................................................... 68
PERTEMUAN 7 .......................................................................................................... 69
D. Referensi ........................................................................................................... 79
PERTEMUAN 8 ......................................................................................................... 80
D. Referensi ........................................................................................................... 90
PERTEMUAN 9 .......................................................................................................... 91
Kecerdasan Buatan ix
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan x
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan xi
Universitas Pamulang Teknik Informatika S-1
DAFTAR GAMBAR
Gambar 2.3 Representasi ruang keadaan pada masalah teko air .............. 15
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
Kecerdasan Buatan xv
Universitas Pamulang Teknik Informatika S-1
Gambar 12.1 variabel kecepatan yang memiliki Fungsi keanggotaan ......... 134
Gambar 14.1 Arsitektur jaringan pada delta rule data import ....................... 164
Gambar 17.3 Metode rank selection (situasi sebelum ranking) .................... 215
Gambar 17.4 Metode rank selection (situasi setelah ranking) ...................... 225
DAFTAR TABEL
Tabel 10.1 kontrol logika fuzzy dalam bentuk matriks .................................... 131
Tabel 13.4 Data pertama dengan perubahan bobot terhadap bias ................ 157
Tabel 13.5 Data ke-2 dengan perubahan bobot terhadap bias ...................... 157
Tabel 13.6 Data ke-3 dengan perubahan bobot terhadap bias ...................... 158
Tabel 13.7 Data ke-4 dengan perubahan bobot terhadap bias ...................... 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
Tabel 13.11 Data ke-2 dengan perubahan bobot terhadap bias .................... 159
Tabel 13.12 Data ke-3 dengan perubahan bobot terhadap bias .................... 160
Tabel 13.13 Data ke-4 dengan perubahan bobot terhadap bias .................... 160
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 13.16 Data ke-1 dengan perubahan bobot terhadap bias .................... 161
Tabel 13.17Data ke-2 dengan perubahan bobot terhadap bias ..................... 161
Tabel 13.18 Data ke-3 dengan perubahan bobot terhadap bias .................... 162
Tabel 13.19 Data ke-4 dengan perubahan bobot terhadap bias .................... 162
Tabel 13.20 Hasil f (net) melalui input(bipolar) dan output(bipolar) “OR” ...... 162
Kecerdasan Buatan xx
Universitas Pamulang Teknik Informatika S-1
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
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 2
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 3
Universitas Pamulang Teknik Informatika S-1
4. Bagian KecerdasanBuatan
Kecerdasan buatan merupakan permasalahan yang banyak sekali melalui
evaluasi untuk menghasilakan sebuah teori”. example:
Kecerdasan Buatan 4
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 5
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 6
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 7
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 8
Universitas Pamulang Teknik Informatika S-1
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
Universitas Pamulang Teknik Informatika S-1
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
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 2
MASALAH, RUANG DAN KEADAAN
A. Tujuan Pembelajaran
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.
Kecerdasan Buatan 11
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 12
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 13
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 14
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 15
Universitas Pamulang Teknik Informatika S-1
(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
Kecerdasan Buatan 16
Universitas Pamulang Teknik Informatika S-1
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, merupakan Graph yang tak berarah, sehingga menjadi: N-M-
O-S-N, node-node ini akan selalu berulang.
Kecerdasan Buatan 17
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 18
Universitas Pamulang Teknik Informatika S-1
K L M
K L M
Z .....................................Tahapan-0
M O Tahapan-1
K L M O N
R U U Tahapan-2
R U U
Kecerdasan Buatan 19
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 20
Universitas Pamulang Teknik Informatika S-1
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.
Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning.
Informatika Bandung. Bandung.
Kecerdasan Buatan 21
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 3
METODE SEARCHING
A. Tujuan Pembelajaran
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
Kecerdasan Buatan 22
Universitas Pamulang Teknik Informatika S-1
(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
Kecerdasan Buatan 23
Universitas Pamulang Teknik Informatika S-1
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
T
24
Gambar 3.2 Stack Breadth-first search (BFS) iterasi 1 tahap 1
T
24
Gambar 3.3 Repesentasi keadaan Breadth-first search (BFS) iterasi 1
24
Gambar 3.4 Stack Breadth-first search (BFS) iterasi 1 tahap 2
Ternyata T ≠ Goal
T punya anak K dan L masukan pada antrian
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
L K
24
Gambar 3.5 Stack Breadth-first search (BFS) iterasi 1 tahap 3
Kecerdasan Buatan 24
Universitas Pamulang Teknik Informatika S-1
K L
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
L
25
Gambar 3.7 Stack Breadth-first search (BFS) iterasi 2 tahap 1
Ternyata K ≠ Goal
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
N M L
25
Gambar 3.8 Stack Breadth-first search (BFS) iterasi 2 tahap 2
Kecerdasan Buatan 25
Universitas Pamulang Teknik Informatika S-1
K L
M N
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
N M
Ternyata L ≠ Goal
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
P O N M
Kecerdasan Buatan 26
Universitas Pamulang Teknik Informatika S-1
K L
O P
M N
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
P O N
Ternyata M ≠ Goal
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
P O N
Kecerdasan Buatan 27
Universitas Pamulang Teknik Informatika S-1
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
Input dari sebelah kiri(left), output dari sebelah kanan
P O
Ternyata N ≠ Goal
N bukan memiliki anak(child), lalu dikeluarkan dari antrian
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
P O
Kecerdasan Buatan 28
Universitas Pamulang Teknik Informatika S-1
K L
M N O
P
Gambar 3.18 Representasi pengetahuan Breadth-first search (BFS) iterasi 6
Iterasike ke-6
Lempar O dariAntrian kemudian periksa O merupakan Tujuan(Goal)
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
P
Ternyata O ≠ Goal
O mempunyai anak(child) R serta Q, input pada Antrian
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
R Q P
Kecerdasan Buatan 29
Universitas Pamulang Teknik Informatika S-1
K L
M N O P
R Q
R Q
Ternyata P ≠ Goal
P tidakMemiliki anak(child), lalu tidak bisa disertakan pada antrian
Antrian
Input dari sebelah kiri(left), output dari sebelah kanan
R Q
Kecerdasan Buatan 30
Universitas Pamulang Teknik Informatika S-1
K L
M N O P
R Q
Kecerdasan Buatan 31
Universitas Pamulang Teknik Informatika S-1
K L
M N O P
R Q
Kecerdasan Buatan 32
Universitas Pamulang Teknik Informatika S-1
1. Ilustrasikan gambar di bawah ini dengan metode breadth first search (BFS)
melalui 8 iterasi?
H I
J K L M
O N
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.
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning.
Informatika Bandung. Bandung
Wijaya E. 2013. Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep
Artificial Intellegencia. Jurnal TIME , Vol. II No 2 : 18-26
Kecerdasan Buatan 33
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 4
DEPTH FIRST SEARCH
A. Tujuan Pembelajaran
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 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
Kecerdasan Buatan 34
Universitas Pamulang Teknik Informatika S-1
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
Representasi keadaan :
Kecerdasan Buatan 35
Universitas Pamulang Teknik Informatika S-1
Ternyata T ≠ Goal
T memiliki anak(child) K serta L, setelah itu perlu ditandai, input nodes K , L
pada tumpukan.
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
K L
K L
Iterasi ke-2 :
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Kecerdasan Buatan 36
Universitas Pamulang Teknik Informatika S-1
K L
Solusi sementara = [ T ]
Keluarkan K dari Stack dan cek
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Ternyata K ≠ Goal
K memiliki anak(child) M serta N, setelah itu perlu ditandai, input nodes M,N
pada tumpukan
Stack(tumpukan)
Masuk dari pintu kiri, keluar lewat pintu kiri
M N L
K L
M N
Kecerdasan Buatan 37
Universitas Pamulang Teknik Informatika S-1
Iterasi ke-3
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
M N L
N L
Ternyata M ≠ Goal
M tidak memiliki child(anak), sehingga tidak terdapat sesuatu yang di input
pada Stack.
Stack
Input dari sebelah kiri(left), output dari sebelah kanan
N L
Kecerdasan Buatan 38
Universitas Pamulang Teknik Informatika S-1
Representasi keadaan :
K L
M N
Iterasi ke-4 :
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
N L
Solusi sementara = [ T K ]
Keluarkan N dari Stack dan cek
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Ternyata N ≠ Goal
N Tidak memiliki anak(child), sehingga tidak ada yang di input pada Stack
Stack
Input dari sebelah kiri(left), output dari sebelah kanan
Kecerdasan Buatan 39
Universitas Pamulang Teknik Informatika S-1
K L
M N
Iterasi ke-5 :
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Solusi sementara = [ T K ]
Keluarkan yang diberitanda pada Stack lalu pakailah untuk meghilangkan
penyelesaian sementara sementara 1 huruf.
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Kecerdasan Buatan 40
Universitas Pamulang Teknik Informatika S-1
O P
Kecerdasan Buatan 41
Universitas Pamulang Teknik Informatika S-1
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
Masuk dari pintu kiri, keluar lewat pintu kiri
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
Kecerdasan Buatan 42
Universitas Pamulang Teknik Informatika S-1
K L
M N O P
R Q
R Q P
Q P
Kecerdasan Buatan 43
Universitas Pamulang Teknik Informatika S-1
Q P
K L
M N O P
R Q
Gambar 4.32 Representasi keadaan iterasi 9
Iterasi ke-9
Stack
Masuk dari pintu kiri, keluar lewat pintu kiri
Q P
Kecerdasan Buatan 44
Universitas Pamulang Teknik Informatika S-1
Q P
K L
M N O P
R Q
Kecerdasan Buatan 45
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 46
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 47
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 48
Universitas Pamulang Teknik Informatika S-1
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.
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.
Kecerdasan Buatan 49
Universitas Pamulang Teknik Informatika S-1
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
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
Kecerdasan Buatan 50
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 51
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 52
Universitas Pamulang Teknik Informatika S-1
Fatih
Bekerja untuk
adalah
Fadlan pegawai
adalah
Fadlan Manusia
adalah
Fatih pegawai
c. Fatih dan Fadlan bekerja dalam Yayasan Sasmita dari kampus yang di
Viktor
Kecerdasan Buatan 53
Universitas Pamulang Teknik Informatika S-1
adalah
kampus yang di Viktor Fadlan Manusia
Yayasan Sasmita
Bekerja dalam
Bekerja untuk
adalah
Bagian dari Bekerja dalam
adalah
Fatih pegawai
Yayasan Sasmita
Bekerja dalam umur
30
mempunyai
Warna
Mata Hitam
Kecerdasan Buatan 54
Universitas Pamulang Teknik Informatika S-1
Sekretaris prodi
adalah
Warna
Mata Hitam
mempunyai
Mobil perusahaan
Sekretaris prodi
adalah
Warna
Mata Hitam
Kecerdasan Buatan 55
Universitas Pamulang Teknik Informatika S-1
mempunyai
Karyawan Nametag
termasuk
Yayasan Sasmita Karyawan
termasuk
mempunyai
Bekerja Mobil perusahaan
Sekretaris Prodi
untuk adalah
Warna
Mata Hitam
Kecerdasan Buatan 56
Universitas Pamulang Teknik Informatika S-1
Fatih
mempunyai
Warna
Mata Hitam
C. Soal
Kecerdasan Buatan 57
Universitas Pamulang Teknik Informatika S-1
D. Referensi
Kusumadewi S, 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta.
Graha Ilmu.
Maxrizal. 2015. Dasar Logika Informatika. Yogyakarta. MediaKom.
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence
System. Ed ke-7. United States of America: Prentice Halls.
Kecerdasan Buatan 58
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 6
REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI
A. TujuanPembelajaran
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
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:
Kecerdasan Buatan 59
Universitas Pamulang Teknik Informatika S-1
UNPAM
Jaringan Programmin
g
Kecerdasan Buatan 60
Universitas Pamulang Teknik Informatika S-1
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 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 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.
Kecerdasan Buatan 61
Universitas Pamulang Teknik Informatika S-1
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 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
Kecerdasan Buatan 62
Universitas Pamulang Teknik Informatika S-1
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 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
Nama Komputer
Kecerdasan Buatan 63
Universitas Pamulang Teknik Informatika S-1
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.
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.
Kecerdasan Buatan 64
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 65
Universitas Pamulang Teknik Informatika S-1
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.
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
Kecerdasan Buatan 66
Universitas Pamulang Teknik Informatika S-1
Scane 4 : Bimbingan
a. Menyusun daftar pustaka dan abstrak
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
Kecerdasan Buatan 67
Universitas Pamulang Teknik Informatika S-1
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).
Kecerdasan Buatan 68
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 7
PENGANTAR EXPERT SYSTEM (SISTEM PAKAR)
A. Tujuan Pembelajaran
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
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
Kecerdasan Buatan 69
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 70
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 71
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 72
Universitas Pamulang Teknik Informatika S-1
Mesin
Pengolah
Fakta
Antar Muka
..............................................................................................................
..
Pengguna Perancang
pengetahuan
Kecerdasan Buatan 73
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 74
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 75
Universitas Pamulang Teknik Informatika S-1
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.
Kecerdasan Buatan 76
Universitas Pamulang Teknik Informatika S-1
d. DevelopmentEngine
Kecerdasan Buatan 77
Universitas Pamulang Teknik Informatika S-1
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?
Kecerdasan Buatan 78
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 79
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 8
STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG
A. Tujuan Pembelajaran
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
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:
Kecerdasan Buatan 80
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 81
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 82
Universitas Pamulang Teknik Informatika S-1
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
Contoh 4.1
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.
Kecerdasan Buatan 83
Universitas Pamulang Teknik Informatika S-1
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
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
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
A3 : IF F THEN C A3 : IF F THEN C
A4 : IF H AND O A4 : IF H AND O
Kecerdasan Buatan 84
Universitas Pamulang Teknik Informatika S-1
Database
Database
B E
F H I J
F G H I J
New Evidence
C O New Evidence
C OB
“Knowledge base“
“Knowledge base”
A1 : IF (B AND I ) THEN
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
Database
Database
I
F G H
F G H I J
J
New Evidence
C OBA
New Evidence
“Knowledge base”
CO B “Knowledge base”
A1 : IF (B AND I) THEN
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
A5 : IF (O AND P ) THEN Q
A5 : IF (O AND P ) THEN Q
Gambar 8.6 Iterasi 4
Kecerdasan Buatan 85
Universitas Pamulang Teknik Informatika S-1
Contoh 4.2
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.
Iterasi ke-1
Fakta :
Hari senin (bukan hari minggu)
Fatih Kuliah
Kecerdasan Buatan 86
Universitas Pamulang Teknik Informatika S-1
Fakta Baru :
Fadlan kuliah
Fakta “Hari senin: memicu rule ke-empat”
“IF (bukan hari minggu) THEN (Mahasiswa UNPAM kuliah)”
sehingga memori kerja menjadi
Fakta :
Hari senin (bukan hari minggu)
Fatih Kuliah
Fakta Baru :
Fadlan kuliah
Mahasiswa UNPAM kuliah
Iterasi ke-2
Kecerdasan Buatan 87
Universitas Pamulang Teknik Informatika S-1
Fadlan kuliah
Mahasisawa UNPAM kuliah
Kuliah tidak libur
Iterasi Ke-3
Kecerdasan Buatan 88
Universitas Pamulang Teknik Informatika S-1
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.
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.
Kecerdasan Buatan 89
Universitas Pamulang Teknik Informatika S-1
“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
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Turban, Efraim. 1995. Decision support and expert systems Management support
systems(fourth edition). Prentice-Hall International, Inc.
Kecerdasan Buatan 90
Universitas Pamulang Teknik Informatika S-1
PERTEMUAN 9
KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE
A. Tujuan Pembelajaran
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
Kecerdasan Buatan 91
Universitas Pamulang Teknik Informatika S-1
c. Bayes Teorem
Teori bayes dengan faktayang bersifat tunggal E serta kesimpulan yang
bersifat tunggal H sebagai berikut:
melalui:
Kecerdasan Buatan 92
Universitas Pamulang Teknik Informatika S-1
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)
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
Kecerdasan Buatan 93
Universitas Pamulang Teknik Informatika S-1
Jawab :
Permasalahan ini merupakan teori bayes dengan fakta tunggal E dan
kesimpulannjamak H1,H2, H3 melalui rumus ini :
jadi,
Kecerdasan Buatan 94
Universitas Pamulang Teknik Informatika S-1
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 :
Kecerdasan Buatan 95
Universitas Pamulang Teknik Informatika S-1
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,
Kecerdasan Buatan 96
Universitas Pamulang Teknik Informatika S-1
Kecerdasan Buatan 97
Universitas Pamulang Teknik Informatika S-1
Catatan:
Kecerdasan Buatan 98
Universitas Pamulang Teknik Informatika S-1
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’
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)’
Example
Kecerdasan Buatan 99
Universitas Pamulang Teknik Informatika S-1
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:
D. Referensi
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Turban, Efraim. 1995. Decision support and expert systems Management support
systems(fourth edition). Prentice-Hall International, Inc.
PERTEMUAN 10
LOGIKA FUZZY
A. Tujuan Pembelajaran
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.
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.
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
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
Rumus:
𝑏−𝑥
; 𝑎≤𝑥≤𝑏
µ(x)={ 𝑏−𝑎 .............................................(10.2).
Derajat
0; 𝑥≥
Rumus:
Derajat
Keanggotaan
Derajat
Keanggotaan
Gambar 10.9 Representasi Kurva Trapesium
Derajat
Keanggotaan
(x)
Domain
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
gambar tersebut yaitu inferensia engine yang menggunakan fuzzy rule base
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.
D. Referensi
Kusumadewi, S, dan Purnomo, H, 2010. Aplikasi Logika Fuzzy Sistem Pendukung
Keputusan. Graha Ilmu. Yogyakarta.
Sutojo, T. Edy ,Mulyanto dan Suhartono,Vincent. 2010. Kecerdasan Buatan. Andi
Offset. Yogyakarta.
PERTEMUAN 11
METODE PENYELESAIAN LOGIKA FUZZY
A. Tujuan Pembelajaran
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
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
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
c. Probabilistik OR 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.
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
2) Implikasi
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
C. Soal Latihan/Tugas
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
PERTEMUAN 12
APLIKASI LOGIKA FUZZY
A. Tujuan Pembelajaran
Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu
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.
[A4] JIKA suhu RENDAH DAN kecepatan LAMBAT KEMUDIAN frekuensi
KECIL.
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”
[A2] JIKA suhu RENDAH DAN kecepatan LAMBAT KEMUDIAN frekuensi
KECIL
= 2*kec-4000”
[A3] JIKA suhu TINGGI DAN kecepatanCEPAT KEMUDIAN frekuensi KECIL
=0,5kec+2000”
[A4] JIKA suhu RENDAH DAN kecepatan LAMBAT KEMUDIAN frekuensi
KECIL.
“= kec +700”
Solusi : Tsukamoto Method
Tahap ke-1: Fuzzifikasii
a. Kecempatan; terdiridariatas LAMBAT and CEPAT seperti terlihat pada
Gambar 12.1
b. Suhu terdiri atas 2 himp fuzzy, yaitu RENDAH sertaTINGGI (Gambar 12.2)
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
c. Frekuensi; terdiridariatas 2 himp fuzzy, yaitu KECIL and BESAR terlihat paga
Gambar 12.3
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
0,6; z ≥5000
Tahap ke-4:Defuzzyfikasi
Persaamaan yang dipakai untuk mencari nilai frekuensi AC
C. Soal Latihan/Tugas
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
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
PERTEMUAN 13
JARINGAN SYARAF TIRUAN
A. Tujuan Pembelajaran
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.
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
Contoh 6.5
Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan hebb
rule melalui masukan dan keluaran berikut:
Jawab
X1
W1
Net= F(net) y
X2 W2
∑xw+b
b
“Data ke-4,x1=1,x2=1y=1(target)”
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
Tabel 13.14Hasil f (net) input biner dan output bipolar melalui fungsi
logika ‘OR’
Tabel 13.15iinput biner dan output bipolar melalui fungsi logika ‘OR’
‘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”
C. Soal Latihan/Tugas
Kerjakan sebuah fungsi logikaa “AND” untuk mendapatkan sebuah jaringan hebb
rule melalui masukan dan keluaran berikut:
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
A. Tujuan Pembelajaran
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
Fungsi aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Hasil aktivasi y = 0
Eror = (t-y) = (1-0) = 1
w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 1. 0 =0,1
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
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 = 0,3 + 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
Fungsi aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Hasil aktivasi y = 1
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
Fungsi aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Hasil aktivasi y = 0
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
Fungsi aktivasi : y = {
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
Hasil aktivasi y = 1
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)’
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)
W2 (baru) = W2(lama)
b(baru) = b(lama)
Contoh
1) Dengan menggunakan tabel dibawah ini buatlah JST dengan model
perceptron, dilakukan sampai 2 epoch
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
Hasil aktivasi y = 0
(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
-------------------------------------------------------------------------
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
Fungsi aktivasi : y = {0, 𝑗𝑖𝑘𝑎 − 0.5 ≤ 𝑦𝑖𝑛 ≤ 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
Hasil aktivasi y = -1
(sama dengan target t = -1, maka tidak dilakukan perubahan bobot dan
bias)
Bobot dan bias tetap:
W1 (baru) = W1(lama) = 0
W2 (baru) = W2(lama) = 0
B(baru) `= b(lama) = -0,8
------------------------------------------------------------------------
Data ke-3 (X1 = 1, X2 = 0 target t = -1)
Y _in = b + ∑ xi wi = -0.8+ 1. 0 + 0. 0 = - 0,8
1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.5
Fungsi aktivasi : y = {0, 𝑗𝑖𝑘𝑎 − 0.5 ≤ 𝑦𝑖𝑛 ≤ 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
Hasil aktivasi y = -1
(sama dengan target t = -1, maka tidak dilakukan perubahan bobot dan
bias)
Perubahan bobot dan bias:
W1 (baru) = W1(lama) = 0
W2 (baru) = W2(lama) = 0
B(baru) `= b(lama) = -0,8
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
Fungsi aktivasi : y = {0, 𝑗𝑖𝑘𝑎 − 0.5 ≤ 𝑦𝑖𝑛 ≤ 0.5
−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5
Hasil aktivasi y = -1
(tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot
dan bias)
Epoch ke 2
Dari epoch 1 diperoleh data w1=0,8 w2=0,8 b=0
Data ke-1 (X1 = 0, X2 = 0 target t = -1)
Y _in = b + ∑ xi wi = 0 + 0. 0,8 + 0.0,8 = 0
C. Soal Latihan/Tugas
1. Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan Delta
rule melalui masukan dan keluaran berikut:
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
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
PERTEMUAN 15
ALGORITMA BACKPROPAGATION
A. Tujuan Pembelajaran
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.
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)
∆wjk = αδk xj
∆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 :
∆Vjk= a Sj xi
∆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
X1 X2 Target
0 0 0
0 1 1
1 0 1
1 1 0
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 :
----------------------------------------------------------------------------------------------
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
1
y=1+𝑒 −1,0743 =0,7454
∆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
--------------------------------------------------------------------
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
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
=-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)
Operasi pada lapisan keluaran :
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
1
Fungsi aktivasi pada output layer : y=
1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 −2,9684 =0,9511
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
fungsi aktivasi : T= {
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
hasil aktivasi :T =1 (sama dengan target)
--------------------------------------------------------
uji data ke-3 (X1=1 X2=0 target =1)
Operasi pada lapisan tersembunyi :
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
1
Fungsi aktivasi pada lapisan keluaran: y=1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 −2,8918 =0,9474
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
fungsi aktivasi : T= {
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
1 1
Z3 =1+𝑒 3,1324 =0,0418 Z4 =1+𝑒 0,0064 =0,4985
1
Fungsi aktivasi pada lapisan keluaran: y=1+𝑒 −𝑦_𝑖𝑛
1
y=1+𝑒 2,7457 =0,0603
0, 𝑗𝑖𝑘𝑎 𝑦 < 0,5
fungsi aktivasi : T= {
1, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5
hasil aktivasi :T =1 (sama dengan target)
dengan nilai bobot dan bias tersebut, jaringan dapat mengenali fungsi logika
XOR dengan baik.
C. Soal Latihan/Tugas
D. Referensi
Sutojo, T. Edy ,Mulyanto dan Suhartono,Vincent. 2010. Kecerdasan Buatan. Andi
Offset. Yogyakarta.
PERTEMUAN 16
ALGORITMA GENETIKA
A. Tujuan Pembelajaran
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.
e. Tahapan looping
Setelah selesainya proses regenerasi, maka akan dilakukan looping. Looping
ini di ulang sampai sejumlah generasi yang ditargetkan.
Bisa dilihat dari gambar bahwa hasil ada pada nilai 0<x<1 Jadi jika menggunakan 8
bit biner didefinisikan :
00000000 0
11111111 1
Definisi beberapa individu dinyatakan dalam 8 gen biner, dengan batas 0 sampai
dengan 1, berarti 1 bit setara dengan 2-8 .
Sebagai contoh:
Fungsi Fitness : fungsi f(x), karena nilai maks yang akan di cari.
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.
Pempropesan perubahan gen dengan nilai inversi diri sendiri disebut dengan mutasi
gen, gen 0 menjadi 1 dan gen 1 jadi 0.
C. Soal Latihan/Tugas
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
A. Tujuan Pembelajaran
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
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
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.
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 :
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
c) Displacement Mutation
Displacement Mutation memilih sebuah sub/sekelompok gen dengan cara
acak kemudian memasukkan ke dalam kromosom dengan cara acak.
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.
1) Binary Encoding
c. Crossover Uniform
Nilai biner yang digunakan dipilih secara random dari kedua induk.
Contoh :11001011 + 11011101 = 11011111
d. Crossover Aritmatik
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.
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.
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.
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]
Kromosom2= [04;03;10;05] = sebagai[a;b;c;d]
Kromosom3= [12;06;05;06] = sebagai[a;b;c;d]
Kromosom4= [22;03;12;08] = sebagai[a;b;c;d]
Kromosom5= [03;06;05;11] = 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
3) Fungsiobjektif melalui kromosom 3 = (( 12 + 2*6 + 3*5 + 4*6 ) - 20)
= (( 12 + 12 + 15 + 24 ) - 20)
= (63 - 20) = 43
4) Fungsiobjektif melalui kromosom 4 = (( 22 + 2*3 + 3*12 + 4*8 ) - 20)
= (( 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
6) Fungsiobjektif melalui kromosom 6 = (( 22 + 2*7 + 3*9 + 4*3 ) - 20)
= (( 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
C. Soal Latihan/Tugas
D. Referensi
PERTEMUAN 18
GAME PLAYING
A. Tujuan Pembelajaran
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)
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.
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.
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.
b. Negascout
d. Prosedur Alpha-Beta
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.
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.
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
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.
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.
6. Algoritma AI
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
C. Soal Latihan/Tugas
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
DAFTAR PUSTAKA
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System.
Ed ke-7. United States of America: Prentice Halls.
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
Kecerdasan Buatan 210
Universitas Pamulang Teknik Informatika S-1
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
Kecerdasan Buatan 211
Universitas Pamulang Teknik Informatika S-1
9 Mampu menerapkan Ketidakpastian sistem pakar berbasis Ceramah, Latihan 9 Ketepatan 5%
Ketidakpastian sistem pakar rule Diskusi dan penalaran
Latihan
berbasis rule
UTS
Referensi:
Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.
Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning. Informatika Bandung. Bandung
Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.
Kristanto A. 2004. Kecerdasan buatan. Graha Ilmu: Yogyakarta.
Siswanto. 2010. Kecerdasan Tiruan. Graha Ilmu edisi 2. Yogyakarta.
Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System. Ed ke-7. United States of America: Prentice Halls.