1.

Computer Vision merupakan suau ilmu dalam mata kuliah teknik informatika yang
memungkinkan sebuah komputer dapat “melihat” objek disekitarnya. Tujuan “melihat” ini
nantinya komputer dapat menganalisis sendiri gambar di didepannya sehingga informasi
tersebut dapat berubah menjadi perintah tertentu. Contohnya seperti cara kerja Scan QR.
ketika kode Scan QR di deteksi oleh komputer (dalam hal ini merupakan smartphone), maka
kode yang telah di scan pada komputer ini akan mengirimkan sebuah kode yang nantinya
akan melaksanakan suatu perintah khusus.

2. Material Implikasi
Jika bulan mengelilingi matahari(True), maka matahari mengelilingi bulan(False), matahari
mengelilingi bumi(False)
Tabel kebenarannya p | q | p=>q
True False False

3. Cara kerja BFS :

Dalam algoritma BFS, simpul anak yang telah dikunjungi disimpan dalam suatu antrian.
Antrian ini digunakan untuk mengacu simpul-simpul yang bertetangga dengannya yang akan
dikunjungi kemudian sesuai urutan pengantrian.
Untuk memperjelas cara kerja algoritma BFS beserta antrian yang digunakannya, berikut
langkah-langkah algoritma BFS:
 Masukkan simpul ujung (akar) ke dalam antrian.
 Ambil simpul dari awal antrian, lalu cek apakah simpul merupakan solusi.
 Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan..
 Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul
tersebut (simpul anak) ke dalam antrian.
 Jika antrian kosong dan setiap simpul sudah dicek, pencarian selesai dan
mengembalikan hasil solusi tidak ditemukan.
 Ulangi pencarian dari langkah kedua.

Ilustrasi Pohon (tree) :

4. Pencarian Hill climbing
Algoritma Hill Climbing adalah salah satu algoritma optimasi yang dapat digunakan untuk
pengambilan keputusan.
Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses
pengujian dilakukan dengan menggunakan fungsi heuristik.
Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur
pengetesan.
Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang
diambil terhadap keadaan-keadaan lainnya yang mungkin.
Simple Hill Climbing

Prosedur :
1. Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan
jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
2. Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada
operator baru yang akan diaplikasikan pada keadaan sekarang:
 Cari operator yang belum pernah digunakan; gunakan operator ini untuk
mendapatkan keadaan yang baru.
 Evaluasi keadaan baru tersebut.
 Jika keadaan baru merupakan tujuan, keluar.
 Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka
jadikan keadaan baru tersebut menjadi keadaan sekarang.
 Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan
iterasi.

5. Kelebihan :
Karena dalam banyak kasus lebih cepat, secara dramatis mengurangi jumlah eksplorasi yang
diperlukan.
Misalkan jika faktor percabangan pohon adalah b dan jarak titik tujuan dari sumber adalah d,
maka kompleksitas pencarian BFS / DFS normal adalah O (b ^ d). Di sisi lain, jika kita
menjalankan dua operasi pencarian maka kompleksitasnya adalah O (b ^ {d / 2}) untuk
setiap pencarian dan kompleksitas total adalah O (b ^ {d / 2} + b ^ {d / 2 }) yang jauh lebih
kecil dari O (b ^ d).

Kekurangan :
kelemahan : terdapat perhitungan yang tidak efisien untuk selalu mengecek apakah node
baru yang dibangkitkan apa sudah pernah dibangkitkan oleh pencarian dari arah yang
berlawanan

6. Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp)
menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-
himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing

Defuzzifikasi adalah langkah terakhir dalam suatu sistem logika fuzzy dimana tujuannya
adalah mengkonversi setiap hasil dari inference engine yang diekspresikan dalam bentuk
fuzzy set kesuatu bilangan real. Hasil konversi tersebut merupakan aksi yang diambil oleh
sistem kendali logika fuzzy.
 Contoh kasus yang dapat dipetakan dengan fuzzy:
1. Manager-gudang mengatakan kepada manager produksi “kita telah mendapat
pesanan lebih besar dalam minggu ini. Tolong dicekkan, berapa banyak jumlah
persediaan kita di gudang. Dan berapa besara barang yang harus akan diproduksi”.
2. Seseorang mengatakan kepada kita “Seberapa sejuk ruangan yang saudara
inginkan ? Saya akan mengatur putaran kipas dalam ruang ini.

Contoh kasus Defuzzy

contoh implementasi :
1. Implementasi pada pembangunan sistem optimalisasi lampu lalu lintas
  - Fuzzikasi :
Pada tahap ini akan dilakukan juga perhitungan. Untuk setiap data akan dilakukan
proses fuzzifikasi dengan masukan data adalah sebagai berikut : a. Panjang antrian
kendaraan pada jalur yang diatur: panjang antrian kendaraan yang akan diatur untuk
menambahkan durasi lampu hijau dengan melihat kepadatan jalan. b. Panjang antrian
kendaraan pada jalur selanjutnya: panjang antrian yang akan dikurangkan dengan
durasi lampu hijau dengan melihat kepadatannya. c. Lebar jalan jalur yang akan
diatur: lebar jalan yang nantinya akan diatur sesuai dengan jalur kepadatannya. d.
Lebar jalan jalur selanjutnya: lebar jalan yang nantinya akan diatur setelahnya sesuai
dengan jalur kepadatannya.
    
    - Defuzzikasi :
     Tahap selanjutnya adalah deffuzifikasi dimana hasil dari semua perhitungan dengan
menggunakan data dari dalam basis data pada bagian aturan dikumpulkan menjadi
satu, lalu akan ditarik sebuah kesimpulan mencari nilai pada masing-masing
rule yang memiliki nilai µ pada output-nya dengan metode Mamdani MOM (Mean of
Maximum) yaitu diambil nilai ratarata domain samar yang memiliki nilai maksimum
pada nilai yang dianut pada variabel outputnya, dengan menghitung khususnya pada
grafik segitiga

contoh implementasi pada sistem parkir truk :

Fuzzifikasi
Pada tahap fuzzifikasi, pertama akan dicari derajat keanggotaan untuk x = 20 dan φ =
300, untuk y diabaikan. Dilihat dari Gambar 3, terlihat bahwa x = 20 mempunyai
derajat keanggotaan yang tidak nol untuk label LE dan LC. Dari Tabel 3, derajat
keanggotaan x = 20 untuk label

sementara untuk label yang lain derajat keanggotaannya = 0.

Sedangkan dari Gambar 3, terlihat bahwa φ = 300 mempunyai derajat
keanggotaan yang tidak nol untuk label RU dan RV. Kemudian dari Tabel 4, derajat
keanggotaan φ = 300 untuk label
 sementara untuk label yang lain derajat keanggotaannya = 0

Defuzzifikasi
Menurut aturan “and”
untuk : 
[1] min [0,413 ; 0,656] = 0,413 
[2] min [0,413 ; 0,06] = 0,06 
[3] min [0,174 ; 0,656] = 0,174 
[4] min [0,174 ; 0,06] = 0,06
Karena terdapat label output yang sama pada contoh di atas, yaitu pada aturan [1] dan
[4], di mana label untuk θ adalah NS, maka berlaku aturan “or” yaitu
sehingga max [0,413 ; 0,06] = 0,413. Maka,
untuk proses defuzzifikasi dalam contoh ini, nilai yang dipakai dalam label NS adalah
= 0,413

Dengan menggunakan rumus defuzzifikasi pada persamaan (4), maka output θ yang
sesungguhnya adalah

Setelah melalui proses fuzzifikasi, rule evaluation dan defuzzifikasi,

selanjutnya ditentukan posisi truk sekarang setelah bergerak dengan sudut setir yang
dihasilkan (θ). Dengan menggunakan persamaan (6), (7) dan (8), maka dapat
ditentukan
 Maka sekarang, truk berada pada posisi (x, y, φ) = (20,9 ; 20,436 ;
25,8220). Ilustrasi pergerakan truk dari posisi awal (x,y, φ) = (20 ; 20 ; 300) ke
posisi (x,y, φ) = (20,9 ; 20,436 ; 25,8220) dapat dilihat pada Gambar 5
Karena masih belum mencapai posisi loading dock/set point (xf, yf, φf)
= (50, 100, 900), maka ketiga proses di atas diulangi lagi. Pengulangan terus
dilakukan sampai truk mencapai posisi yang diinginkan. Pada kenyataannya,
posisi akhir truk tidak dapat mencapai (x,y,φ) = (50, 100, 900) dengan
sempurna (masih ada selisih atau error). Namun, jika sistem ini direalisasikan,
selama selisih ini dianggap tidak terlalu besar, atau dengan kata lain error-nya
masih dapat ditoleransi, maka pengaturan dianggap berhasil. Proses yang sama
dapat dilakukan untuk setiap posisi awal truk