Leonardo Steven 37279 IF541 E UTS
Leonardo Steven 37279 IF541 E UTS
1.
User interface : Mekanisme di mana user dan sistem saling berkomunikasi (tampilan).
Explanation facility : Menjelaskan alasan dan kegunaan dari expert system kepada
user.
Working memory : Database global yang berisi fakta yang digunakan oleh rules.
Inference engine : Membuat kesimpulan mengenai aturan atau rules mana yang
dipenuhi dan diprioritaskan.
Agenda : List prioritas dari rules yang dibuat oleh inference engine yang mana
patternnya dipenuhi oleh fakta atau objek di working memory.
Knowledge acquisition facility : Cara otomatis untuk user memasukkan pengetahuan
ke sistem dengan melewati explicit coding yang dilakukan oleh knowledge engineer.
Knowledge base : Mencakup rules dari expert system.
2. Empat Metode yang dapat digunakan dalam tahapan Knowledge Acquisition adalah
Observation - Temui ahlinya segera untuk memecahkan masalah
Problem Description - Para ahli menjelaskan masalah dari setiap kategori pemecahan
masalah
Procedures for testing - Para ahli mengevaluasi dan mengkritik prototipe aturan dan
struktur kontrol dari sistem yang dibangun
3.
2 2 2
Fungsi: f ( x 1 , x 2 , x3 ) =10 ×( x 1−1) +20 ×(x 2−2) +30 ×(x 3 −3)
Posisi Awal (x)
Nama Partikel X1 X2 X3
Partikel 01 8 9 1
Partikel 02 9 6 1
Partikel 03 3 5 10
Partikel 04 10 2 10
Partikel 05 10 5 8
Kecepatan Awal (Velocity)
Nama Partikel X1 X2 X3
Partikel 01 0.3 0.1 0.8
Partikel 02 0.8 0.9 0.8
Partikel 03 0.5 0.9 0.9
Partikel 04 0.4 0.6 0.8
Partikel 05 0.5 0.2 0.2
Iterasi 01
Tentukan pBest
Partikel X1 X2 X3 F(pBest)
Partikel 01 8 9 1 1590
Partikel 02 9 6 1 1080
Partikel 03 3 5 10 1690
Partikel 04 10 2 10 2280
Partikel 05 10 5 8 1740
Tentukan gBest
Iterasi02
pBest
Partikel X1 X2 X3
Partikel 1 8 9 1
Partikel 2 9 6 1
Partikel 3 3 5 10
Partikel 4 10 2 10
Partikel 5 10 5 8
gBest
Partikel 4 2280
w 0.5
c1 1
c2 2
r1 0.2
r2 0.3
Partikel X1 X2 X3
Partikel 1 9.35 4.85 6.80
Partikel 2 10.00 4.05 6.80
Partikel 3 7.45 3.65 10.45
Partikel 4 10.20 2.30 10.40
Partikel 5 10.25 3.30 9.30
Partikel X1 X2 X3 f(pBest)
Partikel 1 8.00 9.00 1.00 1590.00
Partikel 2 10.00 4.05 6.80 1327.25
Partikel 3 7.45 3.65 10.45 2135.55
Partikel 4 10.20 2.30 10.40 2491.00
Partikel 5 10.25 3.30 9.30 2080.13
Partikel Fitness
Partikel 1 1590.00
Partikel 2 1327.25
Partikel 3 2135.55
Partikel 4 2491.00
Partikel 5 2080.13
Iterasi 3
w 0.5
c1 1
c2 2
r1 0.2
r2 0.3
Partikel X1 X2 X3
Partikel 1 10.27 2.08 10.70
Partikel 2 10.62 2.03 11.86
Partikel 3 11.33 2.17 10.65
Partikel 4 10.30 2.45 10.60
Partikel 5 10.35 1.85 10.61
Tentukan pBest iter-3
Partikel Fitness
Partikel 1 2637.21
Partikel 2 3280.44
Partikel 3 2819.98
Partikel 4 2601.75
Partikel 5 2611.10
gBest max(Fitness) 3280.44
Tentukan gBest
Sampai dengan iterasi ketiga (terakhir) diperoleh nilai fungsi maksimum (gBest)
sebesar 3280.44 berada pada Partikel 2 dengan posisi [10.62, 2.03, 11.86]
4.
1 1 2 3 4 22
2 1 3 2 4 24
3 1 4 3 2 22
4 1 4 2 3 24
Iterasi 1
Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 1-2-3-4 0,045455 0,26087 0,260869565
2 1-3-2-4 0,041667 0,23913 0,5
3 1-4-3-2 0,045455 0,26087 0,760869565
4 1-4-2-3 0,041667 0,23913 1
Total fitness 0,174242
Avg fitness 0,043561
Proses Crossover
Crossover rate 0,5
k1 1
k2 3
Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate.
crossover dilakukan
Parent 1
1 2 3 4
4 2 3 1
Parent 2
1 4 3 2
2 4 3 1
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan
Parent 3
1 2 3 4
Parent 4
1 3 2 4
Swap Mutation
Mutation rate = 0.4
Parent 1
nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate, maka mutasi
terjadi
4 2 3 1
3 2 4 1
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi
2 4 3 1
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
1 2 3 4
3 2 1 4
Parent 4
nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka mutasi tidak terjadi
1 3 2 4
Iterasi 2
Lintasan baru
Lintasan Rute Total Jarak
1 3 2 4 1 24
2 2 4 3 1 18
3 3 2 1 4 22
4 1 3 2 4 24
Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 3-2-4-1 0,041667 0,226027 0,226027397
2 2-4-3-1 0,055556 0,30137 0,52739726
3 3-2-1-4 0,045455 0,246575 0,773972603
4 1-3-2-4 0,041667 0,226027 1
Total fitness 0,184343
Avg fitness 0,046086
Proses Crossover
Crossover rate 0,5
k1 1
k2 3
Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate Maka crossover dilakukan
Parent 1
3 2 4 1
1 2 4 3
Parent 2
3 2 1 4
4 2 1 3
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan
Parent 3
3 2 4 1
Parent 4
2 4 3 1
Swap Mutation
Parent 1
nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate, maka mutasi
terjadi
1 2 4 3
4 2 1 3
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi
4 2 1 3
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
3 2 4 1
4 2 3 1
Parent 4
nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka mutasi tidak
terjadi
2 4 3 1
Iterasi 3
Lintasan baru
Lintasan Rute Total Jarak
1 4 2 1 3 18
2 4 2 1 3 18
3 4 2 3 1 24
4 2 4 3 1 18
Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 4-2-1-3 0,055556 0,266667 0,266666667
2 4-2-1-3 0,055556 0,266667 0,533333333
3 4-2-3-1 0,041667 0,2 0,733333333
4 2-4-3-1 0,055556 0,266667 1
Total fitness 0,208333
Avg fitness 0,052083
Proses Crossover
Crossover rate 0,5
k1 1
k2 3
Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate Maka crossover dilakukan
Parent 1
4 2 1 3
3 2 1 4
Parent 2
4 2 1 3
3 2 1 4
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan
Parent 3
4 2 1 3
Parent 4
2 4 3 1
Swap Mutation
Parent 1 nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
3 2 1 4
1 2 3 4
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi
3 2 1 4
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
4 2 1 3
1 2 4 3
Parent 4 nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi
2 4 3 1
Hasil
Lintasan Rute Total
Jarak
1 1 2 3 4 22
2 3 2 1 4 22
3 1 2 4 3 18
4 2 4 3 1 18
Maka didapatkan lintasan 3 dan lintasan 4 sebagai lintasan dengan jarak terpendek, yaitu
18.
5. Rumus untuk cari nilai desirability
1
η x , y=
jarak antar kota xy
Initial Parameter
alpha 1
beta 1
rho 0.03
m-semut 4
jum. Iterasi 3
Tabel desireability
d(x,y) 1 2 3 4
1 0 0.20 0.17 0.10
2 0.20 0 0.25 0.25
3 0.17 0.25 0 0.33
4 0.10 0.25 0.33 0
Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0.5 0.5 0.5
2 0.5 0 0.5 0.5
3 0.5 0.5 0 0.5
4 0.5 0.5 0.5 0
Alpha 1
Beta 1
Rho 0.03
Iterasi 1
Hitung Solusi Partial Koloni
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0.17 0.10
2 0.20 0 0 0.25
3 0.17 0.25 0 0
4 0.10 0.10 0 0
Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0 0.5 0.5
2 0.5 0 0 0.5
3 0.5 0.5 0 0
4 0.5 0.5 0 0
Alpha 1
Beta 1
Rho 0.03
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0 0,10
2 0,20 0 0 0
3 0,17 0 0 0
4 0,10 0 0 0
Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0 0 0,5
2 0,5 0 0 0
3 0,5 0 0 0
4 0,5 0 0 0
Rute Terpilih
Semut ke- Rute Terpilih Fitness (Panjang rute yang Total
dilalui)
1 [1,2,3,4] 5 4 3 10 22
2 [2,3,4,1] 4 3 10 5 22
3 [3,4,2,1] 3 4 5 6 18
4 [4,3,2,1] 3 4 5 10 22
Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0
Pheromone Global
Tabel Pheromone
1 2 3 4
1 0 0,19 0,06 0,14
2 0,19 0 0,14 0,06
3 0,06 0,14 0 0,19
4 0,14 0,06 0,19 0
Pheromone Awal
Tabel Pheromone
1 2 3 4
1 0 0,5 0,5 0,5
2 0,5 0 0,5 0,5
3 0,5 0,5 0 0,5
4 0,5 0,5 0,5 0
Buat tabel Pheromone baru dengan cara : ((1 – rho) * Pheromone Awal) + Pheromone
Global
Pheromone Baru
Tabel Pheromone
1 2 3 4
1 0 0,68 0,54 0,62
2 0,68 0 0,62 0,54
3 0,54 0,62 0 0,68
4 0,62 0,54 0,68 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0,20 0,17 0,10
2 0,20 0 0,25 0,25
3 0,17 0,25 0 0,33
4 0,10 0,25 0,33 0
Iterasi 2
Tabel Pheromone
1 2 3 4
1 0 0 0,54 0,62
2 0,68 0 0 0,54
3 0,54 0,62 0 0
4 0,62 0,54 0 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0,17 0,10
2 0,20 0 0 0,25
3 0,17 0,25 0 0
4 0,10 0,25 0 0
Rute Terpilih
Semut ke- Rute Fitness (Panjang rute yang dilalui) Total
Terpilih
1 [1,2,3,4] 5 4 3 10 22
2 [4,3,2,1] 3 4 5 10 22
3 [3,4,2,1] 3 4 5 6 18
4 [2,3,4,1] 4 3 10 5 22
Buat Tabel Pheromone baru untuk setiap semut.
Pheromone Awal
Tabel Pheromone
1 2 3 4
1 0 0,5 0,5 0,5
2 0,5 0 0,5 0,5
3 0,5 0,5 0 0,5
4 0,5 0,5 0,5 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0,20 0,17 0,10
2 0,20 0 0,25 0,25
3 0,17 0,25 0 0,33
4 0,10 0,25 0,33 0
Iterasi 3
Tabel Pheromone
1 2 3 4
1 0 0 0,54 0,62
2 0,68 0 0 0,54
3 0,54 0,62 0 0
4 0,62 0,54 0 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0,17 0,10
2 0,20 0 0 0,25
3 0,17 0,25 0 0
4 0,10 0,25 0 0
Tabel Pheromone
1 2 3 4
1 0 0 0 0,62
2 0 0 0 0,54
3 0,54 0 0 0
4 0,62 0 0 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0 0,10
2 0 0 0 0,25
3 0,17 0 0 0
4 0,10 0 0 0
Iterasi maksimal 3
Stopping Criteria Iterasi Maks atau T_new = 0
Parameter Penurunan Suhu (c) 0.3
X0 1-2-4-3
Iterasi ke- Jalur (r) Alt.Jalur
X1 4-2-1-3 0.25 4-1-2-3
X2 4-1-3-2 0.75 4-3-1-2
X3 2-4-3-1 0.12 1-3-4-2
Iterasi 01
Kalau selisih ∆E bernilai 0 kebawah, maka solusi X1 diterima tanpa melakukan aturan
metropolis
Iterasi 02
Kalau selisih Delta E bernilai 0 kebawah, maka solusi X2 diterima tanpa melakukan aturan
Metropolis
Nilai Delta E positif, maka akan melakukan aturan Metropolis agar solusi dapat diterima
Nilai random pada iterasi kedua, (r) = 0.75
Hitung nilai Probabilitas terhadap temperatur iterasi hasil perubahan pada iterasi hasil
perubahan pada iterasi sebelumnya. Gunakan Hukum Bolztman | Probabilitas = 0,41913
Bandingkan (r) dengan nilai Probabilitas
r < Probabilitas, solusi diterima
r >= Probabilitas, solusi tidak diterima, ulangi Langkah 01
Karena nilai r < Probabilitas, maka solusi pada iterasi ke-4 diterima
Solusi tetap tidak diterima meskipun sudah menggunakan random number, maka
mengambil solusi alternatif baru
Iterasi 03
Kalau selisih ∆E bernilai 0 kebawah, maka solusi X2 diterima tanpa melakukan aturan
Metropolis
Update nilai temperature, simpan solusi X3 sebagai hasil iterasi 3
Reduce Temperatur Menjadi T_new 0.621
Solusi Alternatif 2-4-3-1 Berjarak = 18
Jalur lintasan terpendek yaitu 2-4-3-1 dengan total lintasan 18