NAMA : Ananda Dwiky Aldira

NIM :19SA1284

KELAS : IF19E

RANGKUMAN MATERI PENGANTAR SISTEM CERDAS

BAB I

Artificial Intelligence

Kecerdasan buatan (Artificial Intelligence):

Cabang dari ilmu komputer yang fokus pada pengembangan komputer untuk dapat memiliki
kemampuan dan berperilaku seperti manusia

Sistem Cerdas

Sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi,
dan belajar agar dapat bekerja dengan baik jika terjadi perubahan pada lingkungan

•Planning, Learning, Reasoning, Problem solving, Knowledge representation, Perception,

Motion, Manipulation, Social intelligence, Creativity.

Implementasi Konsep AI

Sistem AI

-Knowledge Base

(Fakta, teori, pemikiran)

Input, masalah, pertanyaan,dll.

-Inference Engine

(kemampuan menarik kesimpulan dari pengalaman)

output, solusi, jawaban.

BAB II

Intelligent System

Masalah

Untuk membangun sebuah sistem cerdas, kita harus mendefinisikan masalah dengan jelas.
Identifikasi masalah dengan tepat merupakan langkah awal yang penting agar kita bisa
menemukan metode yang tepat pula.

Secara umum, ada 4 langkah mendefinisikan masalah:

• Mendefinisikan suatu ruang keadaan

• Menetapkan satu atau lebih keadaan awal

• Menetapkan satu atau lebih tujuan

• Menetapkan kumpulan aturan

• Mendefinisikan Ruang Keadaan

Bisa menggunakan beberapa langkah berikut:

• Graf

• Pohon Pelacakan

• Pohon AND/OR

A. METODE BREADTH FIRST SEARCH = A-B-C-D-C-F-E-F-G-C-F-T-T-T-T-F-T-T

B. DEPTH FIRST SEARCH = A-B-C-F-T-F-T-E-T-C-F-T-D-G-T-C-F-T

2. Perbedaan Blind Search dan Heuristic Search=

-Blind Search merupakan pencarian asal. Jika solusi sudah ditemukan, maka pencarian akan
dihentikan.

-Heuristik merupakan sebuah teknik yang mengembangkan efisiensi dalam proses pencarian,
namun dengan kemungkinan mengorbankan kelengkapan (completeness).
3.Kelebihan dan kelemahan hill climbing dan breadth first search

Hill Climbing

-Kelebihan Hill Climbing

 Metode hill climbing berhenti apabila solusinya sudah di temukan tanpa kita harus
membandingkan lagi node-node yang lainnya.
 Pencarian menggunakan hill climbing prosesnya lebih cepat mendekati tujuannya.

-Kekurangan Hill Climbing

 Metode hill climbing node yang akan ditujukan tidak bisa langsung ketujuan tetapi
harus melewati level sedikit demi sedikit demi mendapatkan tujuannya.
 Apabila hill climbing sudah mendapatkan solusi maka dia harus mencari solusi yang
lain untuk membandingkannya karena untuk mencari node awal dengan tujuan yang
dekat.(Ade)

BREADTH FIRST SEARCH

Kelebihan :

Tidak akan menemui jalan buntu.

Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti
yang paling baik.

Jika ada satu solusi maka bread-first search akan menemukannya.

Kelemahan :

Membutuhkan memori yang cukup banyak.

Membutuhkan waktu yang cukup lama.

4.Traveling Salesman Problem (TSP)

Travelling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman

harus mengunjungi semua kota yang mana tiap kota hanya dikunjungi sekali, dan
harus kembali ke kota asal. Masalah utama yang dihadapi sebuah TSP adalah
 bagaimana mencari rute terpendek dari perjalanan seorang salesman dengan biaya
minimum. Penelitian ini bertujuan untuk mengetahui penyelesaian masalah TSP
dengan menggunakan algoritma Hill Climbing baik Simple Hill Climbing (SHC)
maupun Steepest-Ascent Hill Climbing (SAHC). Berdasarkan hasil kajian teori yang
dilakukan, dapat disimpulkan bahwa algoritma Hill Climbing dapat digunakan untuk
menyelesaikan TSP. Algoritma Hill Climbing dalam menyelesaikan masalah TSP
yaitu: menentukan initial state, melakukan pengujian panjang lintasan, melakukan
kombinasi penukaran dua kota, dan kemudian melakukan pengujian terhadap nilai
heuristiknya. Penyelesaian masalah TSP dengan menggunakan algoritma Hill
Climbing masing-masing mempunyai karakteristik yang berbeda-beda. Dalam
menyelesaikan masalah TSP, SHC memilih keadaan yang lebih baik tanpa melakukan
pengujian dikombinasi pertukaran kota pada iterasi yang sama. Sedangkan SAHC
membandingkan keadaan yang lebih baik sebelum memilih keadaan tersebut
sebagai new state. Selanjutnya untuk membantu proses komputasi pada saat
menyelesaikan TSP, dibuat sebuah program dengan model algoritma Hill
Climbing menggunakan MATLAB. Program yang terbentuk memberikan solusi
berupa rute perjalanan yang disajikan dalam bentuk diagram

BAB III

Representasi Pengetahuan dalam Sistem Kecerdasan Buatan

dijelaskan bahwa setiap user maupun pengguna antar muka dapat mengerti akan dasar
pengetahuan tentang mesin sistem kecerdasan buatan dari pengetahuan sang ahli maupun
orang yang dinilai lebih tahu tentang kecerdasan buatan. Sehingga dapat menarik minat
pengguna antar muka tersebut untuk membuat suatu project sistem kecerdasan buatan untuk
pemakaian sendiri maupun kebutuhan publik. Pengetahuan tersebut bisa pengetahuan ahli
tentang domain, dan pengetahuan ini juga yang diperlukan oleh suatu sistem untuk dapat
beroperasi. Pengetahuan ini mungkin mewakili suatu aturan untuk mengoperasikan suatu
mesin sprinkle api. Ada beberapa cara, pengetahuan ini harus dimasukkan ke sistem dengan
cara tertentu. Yang kemudian dapat dimanfaatkan dalam program dan algoritma yang
biasanya dituliskan dalam mesin antarmuka untuk membuat suatu keputusan yang tepat dan
bisa mendapatkan fakta dari pengetahuan ini. Suatu pengetahuan harus diwakili dengan cara
yang mudah digunakan untuk pemrograman dan juga untuk mempermudah mesin komputer
dan antarmuka mesin untuk memahaminya. Ada beberapa cara untuk mempermudah tersebut
yaitu dengan menggunakan logika, aturan, frame dan semantic network.

Ada 3 persyaratan sistem termasuk untuk mewakili semua jenis kemampuan pengetahuan

yaitu :

Pengetahuan representasi menggunakan aturan misalnya ‘’jika tingkat inflasi turun, maka
harga emas turun’’Jika data yang dibutuhkan tersebut tidak ada dalam sistem, maka mintalah
dari pengguna. Program yang digunakan seperti Basic, C++, Cobol, dst dapat digunakan
untuk bekerja pada pengetahuan procedural berdasarkan aturan sedangkan Sql dapat
digunakan untuk bekerja pada tipe pengetahuan deklaratif berdasarkan aturan.

Pengetahuan menggunakan jaringan semantik dapat digunakan untuk mempresentasikan

objek pengetahuan. Node dari relasi grafik antar objek dapat dilihat sebagai penghubung
antar grafik

Ada pula pengetahuan tentang representasi menggunakan frame. Representasi pengetahuan

menggunakan frame yaitu data yang diatur dalam potongan-potongan yang sangat
modular.Contohnya :

Anak laki laki (frame tersebut)

Adalah seseorang (kerangka orang tua) Jenis

kelamin laki-laki (nilai contoh)

Usia dibawah 12 tahun (lampiran prosedur)

BAB IV

SISTEMPAKAR/ EXPERT SYSTEM

KONSEP DASAR

• Definisi: Sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar

komputer dapat menyelesaikan masalah seperti yang biasa
dilakukanolehparaahli,dansistempakaryangbaikdirancangagardapat menyelesaikan suatu
permasalahan tertentu dengan meniru kerja dari paraahli.

To put it simply , Sistem pakar adalah suatu program yang dapat menirukan seorang pakar.
Konsep dasar system pakar terdiri dari 6 hal,yaitu:

1. Expertise :Keahlian yang diperoleh,bisadari training , reading atau experience

2. Expert : Untuk dapat dikualifikasikan sebagai pakar, harus mampu: mengenal dan
merumuskan, memecahkan masalah, menentukan dan menjelaskan, serta belajar dari
pengalaman

3. Transferring Expertise : memindahkan keahlian seorang pakar ke komputer atau manusia

lain yang bukan pakar

4. Inferencing :system pakar harus memiliki kemampuan nalar sehingga mampu mengambil
keputusan

5. Rule : untuk membangun sistem pakar, pengetahuan disimpan dalam bentuk aturan-aturan
sebagai prosedur pemecahan masalah

6. Explanation Capability : sistem pakar harus mampu menjelaskan darimana sebuah

solusi/rekomendasi diperoleh

CIRI-CIRISISTEMPAKAR

• Terbatas pada domain keahliantertentu.

• Dapat memberikan penalaran untuk data yang tidak pasti.

• Dapat mengemukakan rangkaian alasan-alasan yang diberikan dengan cara yang bisa
dipahami.

• Berdasarkan aturan atau rule tertentu.

• Dirancang untuk dapat dikembangkan secara bertahap agar bisa menghasilkan informasi
yang lebih baik dan akurat.

• Pengetahuan dan mekanisme penalaran jelast erpisah.

• Keluarnya bersifat anjuran/rekomendasi

PEMINDAHAN SISTEM PAKAR

• 4 aktifitas yang dilakukan untuk memindahkan kepakaran:

1. Knowledge Acquisition (memperoleh pengetahuan dari pakar)

2. Knowledge Representation (merepresentasikan pengetahuan ke komputer)

3. Knowledge Inferencing (mengolah pengetahuan untuk menghasilkan kesimpulan)

4. Knowledge Transferring (memindahkan pengetahuan kepengguna)

STRUKTUR SISTEM PAKAR

• Sistem pakar terdiri dari 2 bagian:

• Komponen-komponenyang terdapat dalam arsitektur/struktur sistem pakar sebagai berikut:

1. User interface 2. Knowledge base 3. Knowledge a cquisition 4. Inference engine 5.
Workplace 6. Fasilitas penjelasan 7. Perbaikan pengetahuan

TUJUAN SISTEM PAKAR

• Sistem pakar dikembangkan dengan tujuan sebagai penyedia nasihat dan sarana bantu
dalam memecahkan masalah di bidang-bidang spesialisasi tertentu seperti sains,
perekayasaan, matematika, kedokteran, Pendidikan dan sebagainya

KATEGORI SISTEM PAKAR

Secara umum ada beberapa kategori dan area permasalahan system pakar:

1. Interpretasi:pengambilan keputusan atau deskripsi tingkat tinggi dari sekumpulan data

mentah

2. Proyeksi:memprediksi akibat-akibat yang dimungkinkan dari situasi-situasi tertentu

3. Diagnosis:menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada

gejala-gejala yang teramati

4. Desain: menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-

tujuan kinerja tertentu

5. Perencanaan:merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah

tujuan

6. Pengawasan: membandingkan tingkah laku suatu sistem yang teramati dengan tingkah laku
yang diharapkan darinya

7. Pelacakan dan perbaikan:menentukan dan mengimplementasikan cara-cara untuk

mengatasi malfungsi
8. Instruksi:mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subjek

9. Pengendalian:mengatur tingkahlaku suatu environtment yang kompleks

10. Seleksi:mengidentifikasi pilihan terbaik dari sekumpulan( list )

11. Simulasi:pemodelan interaksi antara komponen-komponen sistem

KELEBIHAN DAN KEKURANGAN SISTEM PAKAR

Keuntungan:
1. Meningkatkan output dan produktivitas
2. Meningkatkan proses pengambilan keputusan
3. Meningkatkan proses dan kualitas produk
4. Handal dan fleksibel
5. Integrasi beberapa pendapat pakar
6. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti
7. Memberikan pelatihan
8. Kemampuan untuk memecahkan masalah yang kompleks
Kekurangan:
1. Kesulitan pengumpulan pengetahuan
2. Beberapa sistem pakar terlalu mahal
3. Tidak dapat memberikan kami 100% rekomendasi yang sangat berkualitas, perlu diuji
secara menyeluruh oleh para ahli
BAB V

INFERENSI DALAM SISTEM PAKAR

Pada pertemuan sebelumnya kita sudah mengenal tentang Sistem Pakar. Salah satu konsep
dasar sistem pakar yaitu adanya proses inferencing atau proses nalar sehingga mampu
menghasilkan informasi baru atau solusi atau
rekomendasidariinformasiataufaktayangtelahdiketahui.

Inferensipadasistempakardapatdilakukandengan2carayaitu:

1.Forward Chaining

Yaitu pencocokan fakta atau pernyataan dimulai dari IF dulu atau dari keadaan awal. Dengan
kata lain, penalaran dimulai dari fakta dulu untuk menguji kebenaran hipotesis.
2. Backward Chaining

Yaitu pencocokan fakta atau pernyataan dimulai dari THEN dulu, atau dimulai dari
hipotesa,baru dicocokkan dengan fakta atau keadaan awal dan menguji kebenaran yang dicari
pada basis pengetahuan.

KETIDAKPASTIAN

Pada bab sebelumnya, kita telah mempelajari teknik penalaran atau inferensi dengan model
yang lengkap dan konsisten. Namun pada kenyataannya,ada banyak sekali permasalahan
didunia ini yang tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran,
dengan adanya penambahan fakta baru, mengakibatkan sebuah ketidak konsistenan . Ketidak
konsistenan ini disebut Penalaran Non-Monotonis,ciri-cirinya adalah:

1. Mengandung ketidakpastian

2. Adanya perubahan pada pengetahuan

3. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah dibentuk

Sumber ketidakpastian:

1. Data

Kehilangan data, Data ganda, Data tidak dapat diandalkan, Inconsistency data

2. Pengetahuan pakar
Antara pakar satu dengan yang lain tidak konsisten, Kualitas pemahaman
dalam pengetahuan dan pengamatan
3. Representasi pengetahuan
Keterbatasan model pada system riil
4. Proses inferensi
Deduktif: hasil yang diperoleh benar, tapi pada system salah, Induktif:
konklusi baru tidak ditemukan dengan baik, Metode penalaran tidak valid

Tools utama yang dapat digunakan untuk mengukur derajat kepercayaan adalah teori
probabilitas. Probabilitas menyediakan cara untuk merangkum segala ketidak pastian.Ketidak
pastian dapat ditangani dengan beberapa pendekatan,yaitu:

-Teori Bayes
Teori Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan
pengaruh yang didapat dari pengujian. Teori bayes menerangkan hubungan antara
probabilitas terjadinya hipotesis Hi dengan terdapat fakta ( evidence ) E telah terjadi dan
probabilitas terjadinya evidence E dengan syarat hipotesis Hi telah terjadi Teori ini
didasarkan pada prinsip bahwa jika terdapat tambahan informasi atau evidence , maka nilai
probabilitas dapat diperbaiki.

-Certainty Factor

Certainty factor menyatakan belief dalam suatu event (atau fakta atau hipotesis) yang
didasarkan Pada evidence,dinyatakan dengan notasi:

CF[h,e] = MB[h,e] – MD[h,e]

CF=factor kepastian (certaintyfactor)

MB = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e dengan nilai antara
0 sampai1( measure of belief )

MD=ukuran ketidak percayaan terhadap hipotesish,jika diberikan evidence e dengan nilai

antara 0 sampai1( measure of disbelief )

BAB VI

FUZZY LOGIC

KELEBIHAN FUZZY LOGIC

Fuzzy logic dapat mengontrol system yang kompleks, non-linier, dan system yang sulit
direpresentasikan secara matematis. Beberapa kelebihan lainnya antara lain:

1. Konsep fuzzy logic lebih mudah dimengerti

2. Fuzzy logic bersifat fleksibel

3. Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat

4. Fuzzy logic mampu memodelkan fungsi-fungsi non-linier yang sangat kompleks

5. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar

secara langsung tanpa harus melalui pelatihan

6. Fuzzy logic dapat bekerja sama dengan teknik-teknik kendali secara konvensional
7. Fuzzy logic didasarkan pada Bahasa Alami

APLIKASI FUZZY LOGIC

Fuzzy logic banyak digunakan diberbagai bidang seperti

teknologi,industry,bisnis,manajemen, pertanian,transportasi,danmedis.Berikut beberapa
contoh aplikasi fuzzy logic :

1. Industri,menciptakan service robot untuk melayani kebutuhan manusia

2. Bisnis,memperkirakan naik turunnya saham atau memperkirakan keuntungan penjualan

3. Manajemen,system penggajian karyawan

4. Psikologi,menganalisis perilaku masyarakat,atau pencegahan dan investigasi kriminal

5. Pertanian,meramal cuaca sebelum petani memulai bercocok tanam

6. Kereta bawah tanah dengan sistem kontrol untuk pemberhentian otomatis pada area
tertentu

7. Kehidupan sehari-hari,digunakan pada mesin cuci dan pemanas/pendingin ruangan

HIMPUNAN FUZZY

Himpunan fuzzy adalah himpunan yang mengandung elemen-elemen derajat keanggotaan

yang bervariasi dalam himpunan tersebut. Sebuah anggota elemen fuzzy tidak perlu
lengkap,dengan catatan berada pada semesta yang sama.

FUNGSI KEANGGOTAAN

Fungsi keanggotaan ( membership function ) adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam nilai keanggotaanya yang memiliki interval 0
sampai1.Beberapa fungsi keanggotaan fuzzy logic :

1. Representasi linear

2. Representasi kurva segitita

3. Representasi kurva trapesium

4. Representasi kurva bentuk bahu

5. Representasi kurva S