Kecerdasan Buatan

Eko Travada S
Schoology.com

1
Tujuan
Memberi Pemahaman mengenai Konsep
Kecerdasan Buatan
Memberikan contoh kasus penggunaan

Kecerdasan buatan
Siswa dapat membuat aplikasi dengan

Model Kecerdasan Buatan

2
Referensi dan Tools
[M._Tim_Jones]_Artificial_Intelligence._A_Sys
tems
Materi
Pengertian Kecerdasan Buatan (AI)
Representasi Pengetahuan
Mesin Inferensi
Sistem Pakar
Logika Samar (Fuzzy)
Jaringan Syaraf Tiruan (Neural Network)

3
Tujuan Kecerdasan Buatan
1. Membuat mesin menjadi lebih pintar
(tujuan utama)
2. Memahami apa itu kecerdasan (tujuan
ilmiah)
3. Membuat mesin lebih bermanfaat
(tujuan entrepreneurial)

4
Definisi kecerdasan Buatan
H. A. Simon [1987] :
Kecerdasan buatan (artificial intelligence) merupakan kawasan
penelitian, aplikasi dan instruksi yang terkait dengan pemrograman
komputer untuk melakukan sesuatu hal yang -dalam pandangan
manusia adalah- cerdas
Rich and Knight [1991]:

Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana

membuat komputer melakukan hal-hal yang pada saat ini dapat
dilakukan lebih baik oleh manusia.
Encyclopedia Britannica:

Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang

dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk
simbol-simbol daripada bilangan, dan memproses informasi berdasarkan
metode heuristic atau dengan berdasarkan sejumlah aturan

5
Konsep AI (Artificial
Intelligence)
- Dalam AI algoritma
bergantung kepada
lingkungan yang dibaca
oleh input yang dibaca oleh
sensor kemudian output
atau effecters yang
dihasilkan akan
memanipulasi lingkungan.
Algoritma dalam AI tidak
tetap dapat berubah
bergantung lingkungan dan
output yang ingin dihasilkan
yang dapat memanipulasi
lingkungan.

6
Domain Dalam Kecerdasan
Buatan

7
Domain Penelitian Dalam
AI
Formal tasks (matematika, games)
Mundane task (perception, robotics,

natural language, common sense,

reasoning)
Expert tasks (financial analysis,

medical diagnostics, engineering,

scientific analysis, dll)

8
Domain AI
PERMAINAN (Game)
Kebanyakan permainan dilakukan dengan menggunakan sekumpulan
aturan.
Dalam permainan digunakan apa yang disebut dengan pencarian ruang.
Teknik untuk menentukan alternatif dalam menyimak problema ruang
merupakan sesuatu yang rumit.
Teknik tersebut disebut dengan HEURISTIC.
Permainan merupakan bidang yang menarik dalam studi heuristic
NATURAL LANGUAGE

Suatu teknologi yang memberikan kemampuan kepada komputer untuk

memahami bahasa manusia sehingga pengguna komputer dapat
berkomunikasi dengan komputer dengan menggunakan bahasa sehari -hari.
ROBOTIK DAN SISTEM SENSOR

Sistem sensor, seperti sistem vision, sistem tactile, dan sistem pemrosesan
sinyal jika dikombinasikan dengan AI, dapat dikategorikan kedalam suatu
sistem yang luas yang disebut sistem robotik.

9
Domain AI
EXPERT SYSTEM
Sistem pakar (Expert System) adalah

program penasehat berbasis komputer

yang mencoba meniru proses berpikir dan

pengetahuan dari seorang pakar

dalam menyelesaikan masalah-masalah

spesifik.

10
KONSEP DAN DEFINISI DALAM
KECERDASAN BUATAN
TURING TEST Metode Pengujian Kecerdasan
Turing Test merupakan sebuah metode pengujian

kecerdasan yang dibuat oleh Alan Turing.

Proses uji ini melibatkan seorang penanya (manusia)

dan dua obyek

yang ditanyai. Yang satu adalah seorang manusia dan

satunya adalah sebuah mesin yang akan diuji.

Penanya tidak bisa melihat langsung kepada obyek yg

ditanyai Penanya diminta untuk membedakan mana

jawaban komputer dan mana jawaban manusia
berdasarkan jawaban kedua obyek tersebut.
Jika penanya tidak dapat membedakan mana jawaban

mesin dan mana jawaban manusia maka Turing

berpendapat bahwa mesin yang diuji
tersebut dapat diasumsikan CERDAS. 11
KONSEP DAN DEFINISI DALAM
KECERDASAN BUATAN
PEMROSESAN SIMBOLIK
Komputer semula didisain untuk memproses

bilangan/angka-angka (pemrosesan numerik).

Sementara manusia dalam berpikir dan

menyelesaikan masalah lebih bersifat simbolik,

tidak didasarkan kepada sejumlah rumus atau
melakukan komputasi matematis.
Sifat penting dari AI adalah bahwa AI

merupakan bagian dari ilmu komputer yang

melukan proses secara simbolik dan non-
algoritmik dalam penyelesaian masalah

12
KONSEP DAN DEFINISI DALAM
KECERDASAN BUATAN
HEURISTIC
Istilah Heuristic diambil dari bahasa Yunani

yang berarti menemukan

Heuristic merupakan suatu strategi untuk

melakukan proses pencarian (search)

ruang problema secara selektif, yang
memandu proses
pencarian yang kita lakukan disepanjang

jalur yang memiliki kemungkinan sukses

paling besar.

13
KONSEP DAN DEFINISI DALAM
KECERDASAN BUATAN
PENARIKAN KESIMPULAN (INFERENCING)
AI mencoba membuat mesin memiliki

kemampuan berpikir atau

mempertimbangkan (reasoning)
Kemampuan berpikir (reasoning) termasuk
didalamnya proses penarikan kesimpulan
(inferencing) berdasarkan fakta-fakta dan
aturan dengan
menggunakan metode heuristik atau

metode pencarian lainnya.

14
KONSEP DAN DEFINISI DALAM
KECERDASAN BUATAN
PENCOCOKAN POLA (PATTERN
MATCHING)
AI bekerja dengan metode pencocokan pola

(pattern matching) yang berusaha untuk

menjelaskan obyek, kejadian (events) atau
proses, dalam hubungan logik atau
komputasional.

15
Penyelesaian Masalah
berdasarkan teknik AI
Empat hal untuk membangun sistem atau memecahkan
masalah tertentu :
1. Definisikan masalah dengan jelas
2. Analisis masalah
3. Kumpulkan dan representasikan knowledge
4. Pilih teknik pemecah masalah terbaik dan gunakan untuk
masalah tertentu

Pendefinisian Masalah Sebagai Pencarian Ruang

Keadaan
. Masalah utama dalam membangun sistem berbasis AI adalah

bagaimana mengkonversikan situasi yang diberikan ke dalam

situasi lain yang diinginkan
. menggunakan sekumpulan operasi tertentu.

16
Contoh kasus AI
A Water Jug Problem
Anda diberi dua buah gelas, yang satu ukuran 4

liter dan yang lain 3 liter. Kedua gelas

tidak memiliki skala ukuran. Terdapat pompa yang

dapat digunakan untuk mengisi gelas dengan air.

Bagaimana anda mendapatkan tepat 2 liter air di
dalam gelas 4 ukuran Liter?

Ember 4 Liter

Ember 3 Liter
17
Contoh kasus AI
Ruang masalah untuk masalah di atas
dapat digambarkan sebagai himpunan
pasangan bilangan bulat (x,y) yang terurut,
x = 0, 1, 2, 3, atau 4
y = 0, 1, 2, atau 3;
x menyatakan jumlah air dalam gelas
ukuran 4 liter, dan y menyatakan jumlah
air dalam gelas ukuran 3 liter.
Keadaan mula-mula adalah (0,0). State
tujuan adalah (2,n) untuk setiap nilai n.

18
Contoh kasus AI
Definisikan ruang keadaan dari A Water jug
Problem dengan membuat tabel seperti
berikut :
No Kegiatan Syarat State
1 Mengisi penuh ember 4 (X,Y) ; If x<4 (4,Y)
Liter
2 Mengisi Penuh Ember 3 (X,Y) ; if Y<3 (X,3)
Liter
3 Kosongkan Ember 4 Liter (X,Y); if X>0 (0,Y)

4 Kosongkan Ember 3 Liter (X,Y) ; if Y>0 (X,0)

19
Contoh kasus AI
No Kegiatan Syarat State
5 Tuangkan air dari gelas 3 liter ke (x,y) (4,y-(4-x))
gelas 4 liter sampai gelas 4 liter If x+y 4 and y > 0
penuh
6 Tuangkan air dari gelas 4 liter ke (x,y) (x-(3-y),3)
gelas 3 liter sampai gelas 3 liter If x+y 3 and x > 0
penuh
7 Tuangkan seluruh air dari gelas 3 (x,y) (x+y,0)
liter ke gelas 4 liter If x+y 4 and y > 0

8 Tuangkan seluruh air dari gelas 4 (x,y) (0,x+y)

liter ke gelas 3 liter If x+y 3 and x > 0

20
Solusi atas kasus Water Jug
problem

Jumlah galon Jumlah galon

dalam gelas 4 galon dalam gelas 3 galon
Aturan yang dilakukan
0 0 -
0 3 2
3 0 7
3 3 2
4 2 5
0 2 3
2 0 7

21
Pohon Penurunan
(0,0)

(0,3)
(4,0)

(3,0) (4,3)

(3,3) (4,0)

(4,2)

(0,2)

(2,0)

22
Metode Pencarian Dalam Pohon
Penurunan
Depth First Search
Bread First Search
Best First Search
. Heuristic
. Generate and Test.
. Hill Climbing.
. Steepest-Ascent HC
. Best First Search.

23
Pencarian Dan Pelacakan
Hal penting dalam menentukan keberhasilan sistem cerdas adalah
kesuksesan dalam pencarian.
Pencarian = suatu proses mencari solusi dari suatu permasalahan
melalui sekumpulan kemungkinan ruang keadaan (state space).
Ruang keadaan = merupakan suatu ruang yang berisi semua
keadaan yang mungkin.
Untuk mengukur perfomansi metode pencarian, terdapat empat
kriteria yang dapat digunakan :

- Completeness : apakah metode tersebut menjamin penemuan solusi

jika solusinya memang ada?

- Time complexity : berapa lama waktu yang diperlukan?

- Space complexity : berapa banyak memori yang diperlukan

- Optimality : apakah metode tersebut menjamin menemukan solusi

yang terbaik jika terdapat beberapa solusi berbeda?

24
Teknik Pencarian
A. Pencarian buta (blind search) : tidak ada informasi awal
yang digunakan dalam proses pencarian

1. Pencarian melebar pertama (Breadth First Search)

2. Pencarian mendalam pertama (Depth First Search)

B. Pencarian terbimbing (heuristic search) : adanya

informasi awal yang digunakan dalam proses pencarian

1. Generate & Test

2. Pendakian Bukit (Hill Climbing)
3. Pencarian Terbaik Pertama (Best First Search)

25
Pencarian Buta (blind search)
Breadth First Search
Semua node pada level n
akan dikunjungi terlebih
dahulu sebelum
mengunjungi node-node
pada level n+1. Pencarian
dimulai dari node akar
terus ke level 1 dari kiri ke
kanan, kemudian
berpindah ke level
berikutnya dari kiri ke
kanan hingga solusi
ditemukan

26
Keuntungan/Kelemahan
Breadth First Search
Keuntungan :
1. tidak akan menemui jalan buntu, menjamin ditemukannya solusi
(jika solusinya memang ada) dan solusi yang ditemukan pasti
yang paling baik
2. jika ada 1 solusi, maka breadth first search akan
menemukannya,jika ada lebih dari 1 solusi, maka solusi minimum
akan ditemukan.
3. Kesimpulan : complete dan optimal

Kelemahan :

4. membutuhkan memori yang banyak, karena harus menyimpan

semua simpul yang pernah dibangkitkan. Hal ini harus dilakukan
agar BFS dapat melakukan penelusuran simpul-simpul sampai di
level bawah

5. membutuhkan waktu yang cukup lama

27
Pencarian Buta (blind
search)
2. Depth First Search
Pencarian dilakukan pada
suatu simpul dalam setiap
level dari yang paling kiri.
Jika pada level yang paling
dalam tidak ditemukan solusi,
maka pencarian dilanjutkan
pada simpul sebelah kanan
dan simpul yang kiri dapat
dihapus dari memori.
Jika pada level yang paling
dalam tidak ditemukan solusi,
maka pencarian dilanjutkan
pada level sebelumnya.
Demikian seterusnya sampai
ditemukan solusi.

28
Keuntungan/Kelemahan Depth
first Search
Keuntungan :

- membutuhkan memori relatif kecil, karena hanya node-node pada

lintasan yang aktif saja yang disimpan

- Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih

banyak lagi dalam ruang keadaan, jadi jika solusi yang dicari berada pada
level yang dalam dan paling kiri, maka DFS akan menemukannya dengan
cepat -> waktu cepat

Kelemahan :

- Memungkinkan tidak ditemukannya tujuan yang diharapkan, karena jika

pohon yang dibangkitkan mempunyai level yang sangat dalam (tak
terhingga) -> tidak complete karena tidak ada jaminan menemukan
solusi

- Hanya mendapat 1 solusi pada setiap pencarian, karena jika terdapat

lebih dari satu solusi yang sama tetapi berada pada level yang berbeda,
maka DFS tidak menjamin untuk menemukan solusi yang paling baik ->
tidak optimal.
29
Heuristic Search
Pencarian buta tidak selalu dapat diterapkan
dengan baik, hal ini disebabkan waktu aksesnya
yang cukup lama & besarnya memori yang
diperlukan. Untuk masalah dengan ruang masalah
yang besar, teknik pencarian buta bukan metode
yang baik karena keterbatasan kecepatan komputer
dan memori.
Metode heuristic search diharapkan bisa
menyelesaikan permasalahan yang lebih besar.
Metode heuristic search menggunakan suatu fungsi
yang menghitung biaya perkiraan (estimasi) dari
suatu simpul tertentu menuju ke simpul tujuan ->
disebut fungsi heuristic
Aplikasi yang menggunakan fungsi heuristic :
Google, Deep Blue Chess Machine

30
Contoh kasus 1

31
Contoh kasus 1
(Penurunan melihat kepada yang paling banyak benar)

32
Contoh kasus 1
(Penurunan melihat kepada yang paling sedikit salah)

33
Contoh kasus 1
(Penurunan melihat kepada yang paling sedikit
Gerakkannya)

34
GENERATE AND TEST
Strategi bangkitkan dan uji (generate and test)
Langkah :
1. Buatlah/bangkitkan sebuah solusi yang memungkinkan.
Untuk sebuah problema hal ini dapat berarti pembuatan
sebuah titik khusus dalam ruang problema.
2. Lakukan pengujian untuk melihat apakah solusi yang dibuat
benarbenar merupakan sebuah solusi, dengan cara
membandingkan titik khusus tersebut dengan goal-nya
(solusi).
3. Jika telah diperoleh sebuah solusi, langkah langkah
tersebut dapat dihentikan. Jika belum, kembalilah ke
langkah pertama.
4. Jika pembangkitan atau pembuatan solusi solusi yang
dimungkinkan dapat dilakukan secara sistematis, maka
prosedur ini akan dapat segera menemukan solusinya, (bila
ada).

35
Contoh Generate And Test
Seorang salesman ingin mengunjungi n kota. Jarak
antara tiap-tiap kota sudah diketahui. Kita ingin
mengetahui ruter terpendek dimana setaip kota hanya
boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota
dengan jarak antara tiap-tiap kota seperti berikut ini :

36
Hill Climbing
Hill climbing (mendaki bukit) merupakan
salah satu variasi metode buat dan uji
(generate and test) dimana umpan balik
yang berasal dari prosedur uji digunakan
untuk memutuskan arah gerak dalam
ruang pencarian (search).
Dalam prosedur Hill Climbing, fungsi uji

dikombinasikan dengan fungsi heuristik

yang menyediakan pengukuran
kedekatan suatu keadaan yang diberikan
dengan tujuan (goal).

37
Prosedur Hill Climbing
1. Buatlah solusi usulan pertama dengan cara yang sama seperti
yang dilakukan dalam prosedur buat dan uji (generate and
test). Periksalah apakah solusi usulan itu merupakan sebuah
solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah
berikutnya.
2. Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan
untuk membuat sekumpulan solusi usulan yang baru.
3. Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-
hal berikut ini
1. Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah
solusi, berhentilah.
2. Jika tidak, periksalah apakah elemen ini merupakan yang terdekat
dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.
4. Ambilah elemen terbaik yang ditemukan di atas dan pakailah
sebagai solusi usulan berikutnya. Langkah ini bersesuaian
dengan langkah dalam ruang problema dengan arah yang
muncul sebagai yang tercepat dalam mencapai tujuan.
5. Kembalilah ke langkah 2.

38
Contoh Hill Climbing

S menyatakan intial state, sedangkan G

menyatakan goal state.
Variable f di setiap state menyatakan biaya antara
state tersebut dengan goal state. Nilai f pada goal
state = 0.

39
Contoh Hill Climbing

Simple HC langsung memilih state B sebagai next state karena

nilai f pada state B lebih kecil dibandingkan nilai f pada state S.
Di sini tidak dipertimbangkan nilai f pada state C.
Misalkan pada akhir iterasi, Simple HC mengembalikan solusi G
yang berada di level 6, padahal ada solusi yang lebih baik pada
level 2. Dengan demikian Simple HC tidak optimal.

40
Best First Search
Terdapat 2 jenis algoritma Best First Search:
Greedy Best First Search, yang hanya
memperhitungkan biaya perkiraan saja.
Algoritma A* yang memperhitungkan gabungan
dua biaya, biaya sebenarnya dan biaya perkiraan.
Secara informal, pseudo code algoritma
Best First Search diilustrasikan berikut ini.

41
Algoritma Best first Search
1. OPEN berisi initial state dan CLOSED masih kosong.
2. Ulangi sampai goal ditemukan atau sampai tidak ada lagi node
di dalam OPEN:
a) Ambil simpul terbaik yang ada di OPEN.
b) Jika simpul tersebut sama dengan goal, maka sukses.
c) Jika tidak, masukkan simpul tersebut ke dalam CLOSED.
d) Bangkitkan semua suksesor dari simpul tersebut.
e) Untuk setiap suksesor kerjakan:
I. Jika suksesor tersebut belum pernah dibangkitkan,
evaluasi suksesor tersebut, tambahkan ke OPEN,
dan catat parent atau orang tuanya.
II. Jika suksesor tersebut sudah pernah dibangkitkan,
ubah parent-nya jika jalur melalui parent ini lebih
baik daripada jalur melalui parent yang
sebelumnya. Selanjutnya perbarui biaya untuk suksesor
tersebut dan nodes lain yang berada di level bawahnya.

42
Greedy Best First Search
Greedy Best First Search hanya
memperhitungkan biaya perkiraan
(estimated cost) saja, yakni:

f(n) = h(n)

. di mana h(n)= perkiraan biaya dari simpul n ke goal.

Biaya yang sebenarnya (actual cost) tidak
diperhitungkan.
Dengan hanya memperhitungkan biaya
perkiraan yang belum tentu kebenarannya
maka algoritma ini menjadi tidak optimal

43
Greedy Best first Search

f(n) = h(n)
h(n) = jarak garis lurus dari node n ke goal
(Bucharest)
44
Greedy Best First Search

45
Greedy Best First Search

Solusi yang ditemukan adalah: Arad, Sibiu, Fagaras, Bucharest.

Ternyata solusi ini tidak optimal karena ada solusi lain yang
lebih baik, yaitu: Arad, Sibiu, Rimnicu Vilcea, Pitesti, Bucharest
yang lebih pendek 32 kilometer.

46
Algoritma A*
Algoritma ini merupakan algoritma Best First
Search yang menggabungkan Uniform Cost
Search dan Greedy Best First Search.
Algoritma ini memperhitungkan biaya dari biaya
sebenarnya ditambah dengan biaya perkiraan.
Dalam notasi matematika dituliskan sebagai:
. f(n) = g(n) + h(n)
. g(n) = biaya sebenarnya untuk mencapai simpul n
. h(n) = perkiraan biaya dari simpul n ke goal.
. f(n) = perkiraan total biaya jalur yang melalui simpul n ke
goal.
Dengan perhitungan biaya seperti ini, algoritma
A* adalah complete dan optimal.

47
A*

f(n) = g(n) + h(n)

g(n) = biaya sebenarnya untuk mencapai sebuah node (kota) n
h(n) = jarak garis lurus dari node n ke goal (Bucharest)

48
A*

49
A*

50
A*

51
A*

Solusi yang ditemukan adalah solusi optimal, yaitu:

Arad, Sibiu, Rimnicu Vilcea, Pitesti, Bucharest.

52
Inferensi
Definisi
Inferensi adalah : Proses yang digunakan dalam Sistem
Pakar untuk menghasilkan informasi baru dari informasi
yang telah diketahui
Dalam sistem pakar proses inferensi dilakukan dalam
suatu modul yang disebut Inference Engine (Mesin
inferensi)
Ketika representasi pengetahuan (RP) pada bagian
knowledge base telah lengkap, atau paling tidak telah
berada pada level yang cukup akurat, maka RP tersebut
telah siap digunakan.
Inference engine merupakan modul yang berisi program
tentang bagaimana mengendalikan proses reasoning.

53
Inferensi
Contoh kasus1:
Misalkan dari Jogjakarta kita akan ke

Bangkok, maka terdapat 2 cara

penyelesaian
Mencari semua penerbangan yang

menuju ke Bangkok (berbasis tujuan)

-backward
Mencari semua penerbangan yang

meninggalkan Jogja (berbasis data) -forward

54
Inferensi dengan Rules
Forward and Backward Chaining
Forward Chaining
Jika premise clause match dengan
situasi,
Maka proses mencoba untuk
mengambil konklusi
Initial Goal
State

55
Inferensi dengan Rules
Forward and Backward Chaining
Backward Chaining
Jika current goal menentukan fakta dalam
konklusi,
Maka proses mencoba untuk menentukan
apakah premise clause match dengan situasi

Goal Initial
State

56
Contoh sederhana dari forward dan
backward chaining seperti berikut ini:
misalkan anda sedang mengemudi dan tiba-tiba
anda melihat mobil polisi dengan cahaya kelap-kelip
dan bunyi sirine. Dengan forward chaining mungkin
anda akan berkesimpulan bahwa polisi ingin anda
atau seseorang untuk berhenti. Itu adalah fakta awal
yang mendukung dua kemungkinan konklusi.
Jika mobil polisi membuntuti dibelakang anda atau
polisi melambaikan tangan memberhentikan anda,
maka kesimpulan lebih lanjut adalah polisi ingin anda
yang berhenti. Dengan mengadopsi ini sebagai suatu
kerja hipotesis, maka anda dapat menggunakan
backward chaining untuk alasanmengapa?

57
Forward Chaining(FC)

Metode ini melakukan pemrosesan berawal

dari sekumpulan data untuk kemudian dilakukan
inferensi sesuai dengan aturan yang diterapkan
hingga diketemukan kesimpulan yang optimal.
Mesin inferensi akan terus melakukan looping

pada prosesnya untuk mencapai hasil keputusan

yang sesuai.
Kelebihan metode forward chaining ini adalah

data baru dapat dimasukkan ke dalam tabel

database inferensi dan kemungkinan untuk
melakukan perubahan inference rules.

58
Contoh: Studi kasus FC
mencari kesimpulan warna dari jaket Levis. Basis
aturan(rule base) terdiri dari 4 aturan if-then :
If X terbuat dari bahan kulit-Then X adalah jaket
Levis
If X terbuat dari bahan parasut-Then X adalah jaket
sport
If X adalah jaket Levis -Then X berwarna hitam
If X adalah jaket sport -Then X berwarna putih
Pada contoh studi kasus diatas, "If X terbuat dari
bahan kulit" direpresentasikan sebagai anteseden
(antecedent), sedangkan"Then X adalah jaket kulit"
direpresentasikan sebagai konsekuen (consequent).
Sehingga dari aturan tersebut diatas, didapatkan
bahwa warna jaket Levis adalah hitam.
59
Backward Chaining

Menggunakan pendekatan goal-driven, dimulai

dari harapan apa yang akan terjadi(hipotesis)
dan kemudian mencari bukti yang mendukung
(atau berlawanan) dengan harapan kita.
Sering hal ini memerlukan perumusan dan

pengujian hipotesis sementara.

Pada metode inferensi dengan backward

chaining akan mencari aturan atau rule yang

memiliki konsekuen (Then klausa..) yang
mengarah kepada tujuan yang
diskenariokan/diinginkan

60
 Contoh: Misalkan terdapat suatu sistem dengan tujuan: Goal_1.
Untuk mencapai tujuan Goal_1 tersebut dibutuhkan fakta A yang
bernilai 1 dan fakta B yang bernilai 1. (Asumsi nilai fakta adalah
boolean1 dan 0). Fakta A sendiri akan diperoleh jika ada fakta C yang
bernilai 1. Bagaimanan rancangan sistem pakar dan aturan yang
akan dibuat:
Langkah1 : Buat aturan standar untuk menyatakan Goal 1
-If A=1 and B=1Then Goal 1
Langkah 2 : Buat aturan yang menyatakan bahwa jika C bernilai 1
maka A
-If C=1Then A=1
Terlihat bahwa konsekuen (Then..) tidak harus mengarah kepada
Goal 1, akan tetapi ditujukan kepada antisendent yang dalam hal ini
adalah A. Dengan demikian sistem akan mengetahui bahwa
antisendent C akan ditanyakan dengan antisendent B untuk
menghasilkan Goal 1.

61
Karakteristik forward dan
backward chaining
Forward Chaining
Perencanaan, monitoring, control
Disajikan untuk masa depan
Antecedent kekonsekuen
Data memandu, penalaran dari
bawah ke atas
Bekerja ke depan untuk
mendapatkan solusi apa yang
yang mengikuti fakta
Breadth first search dimudahkan
Antecedent
menentukanpencarian
Penjelasan tidak difasilitasi
Backward Chaining
diagnosis
disajikan untuk masa lalu
konsekuen ke antecedent
tujuanmemandu,
penalarandariataskebawah
bekerjakebelakanguntukmendapa
tkanfaktayang
mendukunghipotesis
depth first search dimudahkan
Konsekuenmenentukanpencarian
penjelasandifasilitasi
62
Kapan Forward/Backward?

Bergantung pada tujuan dari penalaran

itu sendiri
Untuk mengetahui segala konsekuensi

dari fakta maka forward lebih dianjurkan

Untuk pencapaian tujuan, backward lebih

dianjurkan
Forward biasa digunakan untuk masalah

pengendalian dan peramalan

Backward biasa digunakan untuk masalah

diagnosis

63
Proses Forward/Backward Chaining

Keputusan investasi
A=Memiliki 100juta
B= < 30 tahun
C=Pendidikan Sarjana
D=Pendapatan tahunan <=400juta
E=Investasi di saham
F=Investasi di saham pertumbuhan
G=Investasi di saham IBM
Fakta yg diketahui: Seseorang memiliki 100juta

dan berumur 25 tahun, ingin meminta saran apakah

sebaiknya dia berinvestasi di saham IBM atau tidak

64
Proses Forward/Backward
Chaining
Dalambasis pengetahuan terdapat aturan sebagai berikut:
A1: JIKA seseorang memiliki 100 juta dan memiliki gelar
sarjana MAKA dia sebaiknya berinvestasi melalui saham
A2: JIKA pendapatan tahunan<=400juta dan memiliki gelar
sarjana MAKA dia sebaiknya berinvestasi disaham
pertumbuhan
A3: JIKA seseorang< 30 tahun dan berinvestasi disaham
MAKA sebaiknya berinvestasi disaham pertumbuhan
A4: JIKA seseorang<30 tahun MAKA dia adalah sarjana
A5:JIKA sesorang ingin berinvestasi disaham pertumbuhan
MAKA dia sebaiknya berinvestasi disaham IBM

65
Proses Forward/Backward
Chaining
Aturan diatas dapat juga dituliskan sebagai
berikut:
A1: JIKA A dan C, MAKA E
A2: JIKA D dan C, MAKA F
A3: JIKA B dan E, MAKA F
A4: JIKA B, MAKA C
A5: JIKA F, MAKA G

66
Proses Forward Chaining

67
Solusi dengan Forward Chaining
Step I : IF A and C Then E = R1
Step II : IF B then C A,B,C -> True = R4
Step III : If A and C then E A,B,C -> True =

R2
Step IV : If B ad E then F A,B,C,E,F -> true

= R3
step V : if F then G. G->True

68
Proses Backward Chaining

69
Backward chaining
Inductive

Mundur /ke belakang, dari goal (noda

tujuan) bergerak ke keadaan awal

Diagnosa
Disebabkan oleh apa ?
Apa yang menjadi penyebab ?

70
Forward-Chaining
Deductive

Maju / ke depan, dari keadaan awal

menuju ke tujuan (goal)

Apa akibatnya ?

Mengakibatkan apa ?

71
Backward atau
Forward ?
Contoh 1.
Anda ingin terbang dari Denver ke Tokyo
dan tidak ada penerbangan langsung
antara kedua kota tersebut. Jadi, anda
harus menemukan connecting flight dari
Denver yang berakhir di Tokyo. (BW dan
FW)
Contoh 2
Mobil anda mogok dan anda ingin mencari
tahu mengapa mobil tersebut mogok ?

72
Backward atau
Forward ?
IF the car over heats. THEN the car
will stall
IF the car stalls. THEN it will cost me

money, AND I will be late getting

home

IF the car is tuned AND the battery is

weak, THEN not enough current will
reach the starter.
IF not enough current reaches the

starter. THEN the car will not start.

73
Struktur Sistem Pakar
Lingkungan Pengembangan : Digunakan
untuk memasukkan pengetahuan dalam
sistem pakar
Lingkungan Konsultasi : digunakan oleh

pengguna yang bukan pakar untuk

memperoleh pengetahuan pakar

74
Arsitektur Sistem Pakar

75
Penjelasan Arsitektur
1. Antarmuka Pengguna (User Interface)
Merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya
ke dalam bentuk yang dapat sistem dan menyajikannya ke dalam bentuk yang
dimengerti oleh pemakai.
2. Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi,
dan penyelesaian masalah. Komponen sistem pakar ini disusun atas 2 elemen
dasar, yaitu :
- fakta : informasi tentang obyek dalam area permasalahan tertentu
- aturan : informasi tentang cara bagaimana memperoleh fakta baru dari fakta
yang telah diketahui.
3. Akuisisi Pengetahuan
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian

dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program

komputer. Dalam tahap ini knowledge selanjutnya ditransfer ke dalam basis
pengetahuan. pakar, dilengkapi dengan buku, basis data, laporan penelitian dan
pemakai.

76
Penjelasan Arsitektur
Metoda Akuisisi Pengetahuan
- Wawancara
Metode yang paling banyak digunakan, yang melibatkan pembangun
pakar secara langsung dalam suatu wawancara
- Analisis protokol
Dalam metode ini pakar diminta untuk melakukan suatu pekerjaan dan
mengungkapkan proses Pekerjaan tersebut direkam, dituliskan, dan
- Observasi pada pekerjaan pakar
Pekerjaan dalam bidang tertentu yang dilakukan pakar direkam dan
diobservasi
- Induksi aturan dari contoh
Induksi adalah suatu proses penalaran dari khusus ke umum. Suatu

sistem induksi aturan diberi diketahui. Setelah diberikan beberapa

dapat membuat aturan yang benar untuk kasus dapat digunakan untuk
menilai kasus lain yang hasilnya tidak

77
Penjelasan Arsitektur
4. Mesin/Motor Inferensi (inference engine)
Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh
pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer
yang memberikan dalam basis pengetahuan dan dalam kesimpulan.

5. Workplace / Blackboard
Workplace merupakan area dari sekumpulan memori kerja (working memory),
digunakan untuk merekam kejadian yang sedang berlangsung sementara. Ada 3
keputusan yang dapat direkam
- Rencana : bagaimana menghadapi masalah
- Agenda : aksi-aksi yang potensial yang sedang menunggu untuk dieksekusi
- Solusi : calon aksi yang akan dibangkitkan

6. Fasilitas Penjelasan
Adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar.
Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem
pakar secara interaktif melalui Pertanyaan :
mengapa suatu pertanyaan ditanyakan oleh sistem pakar ?

bagaimana konklusi

mengapa ada alternatif yang dibatalkan ?

rencana apa yang digunakan untuk mendapatkan solusi ?

78
Basis Pengetahuan
BASIS PENGETAHUAN (KNOWLEDGE BASE)
Basis pengetahuan berisi pengetahuan bentuk pendekatan basis pengetahuan :
Penalaran berbasis aturan (rule)
Pada penalaran berbasis aturan, pengetahuan aturan berbentuk IF-THEN. Bentuk ini
digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan
tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara digunakan apabila
dibutuhkan penjelasan tentang jejak solusi.

Contoh : aturan identifikasi hewan

Rule 1 : IF hewan berambut dan menyusui THEN hewan mamalia
Rule 2 : IF hewan mempunyai sayap dan bertelur THEN hewan j
Rule 3 : IF hewan mamalia dan memakan daging THEN hewan karnivora
Dst...

Penalaran berbasis kasus (case

Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi dicapai sebelumnya,
kemudian akan ditentukan sekarang (fakta yang ada). Bentuk ini digunakan apabila user
menginginkan untuk tahu lebih banyak lagi pada kasus digunakan bila kita telah
Pengetahuan.

79
MESIN INFERENSI (INFERENCE
ENGINE)
Ada 2 cara penalaran melalui inferensi :
1. Forward Chaining

2. Backward Chaining

Contoh :
. R1 : IF suku bunga turun THEN harga obligasi naik

. R2 : IF suku bunga naik THEN harga obligasi turun

. R3 : IF suku bunga tidak berubah THEN harga obligasi tidak

berubah
. R4 : IF dolar naik THEN suku bunga turun

. R5 : IF dolar turun THEN suku bunga naik

. R6 : IF harga obligasi turun THEN beli obligasi

Apabila diketahui bahwa dolar turun, maka untuk memutuskan

apakah akan membeli obligasi atau tidak dapat ditunjukkan
sebagai berikut :

80
Mesin Inferensi
Forward Chaining
Dari fakta dolar turun, berdasarkan Rule 5, diperoleh
konklusi suku bunga naik. Dari Rule 2 suku bunga naik
menyebabkan harga obligasi turun. Dengan Rule 6, jika
Harga obligasi turun, maka kesimpulan diambil adalah
membeli obligasi
Backward Chaining
Dari solusi yaitu membeli obligasi, dengan
menggunakan Rule 6 diperoleh anteseden harga
obligasi turun. Dari Rule 2 dibuktikan harga obligasi
turun bernilai benar jika suku bunga naik bernilai benar.
Dari Rule 5 suku bunga naik bernilai memang bernilai
benar, karena diketahui fakta dolar turun.

81
Langkah Pembuatan Sistem
pakar

82
Contoh knowledge base

83
Contoh Knowledge Base
JENIS KERUSAKAN
A1 = MONITOR RUSAK
A2 = MEMORI RUSAK

A3 = HDD RUSAK
A4 = VGA RUSAK
A5 = SOUND CARD RUSAK

A6 = OS BERMASALAH
A7 = APLIKASI RUSAK
A8 = PSU RUSAK

A9 = PROSESOR RUSAK
A10 = MEMORY KURANG (PERLU UPGRADE MEMORY)
A11 = MEMORY VGA KURANG (PERLU UPGRADE VGA)

A12 = CLOCK PROSOR KURANG TINGGI (PERLU UP

A13 = KABEL IDE RUSAK
A14 = KURANG DAYA PADA PSU (PERLU UPGRADE PSU)

A15 = PERANGKAT USB RUSAK

A16 = KEYBOARD RUSAK
A17 = MOUSE RUSAK

84
Contoh Knowledge Base

85
Fuzzy logic

86
Pengantar
Logika fuzzy pertama kali
dikembangkan oleh Lotfi
A. Zadeh melalui
tulisannya pada tahun
1965 tentang teori
himpunan fuzzy.
Lotfi Asker Zadeh adalah
seorang ilmuwan Amerika
Serikat berkebangsaan
Iran dari Universitas
California di Barkeley,

87
Pengantar
Meskipun logika fuzzy dikembangkan di Amerika, namun ia lebih populer
dan banyak diaplikasikan secara luas oleh praktisi Jepang dengan
mengadaptasikannya ke bidang kendali (control).
Saat ini banyak dijual produk elektronik buatan Jepang yang menerapkan
prinsip logika fuzzy, seperti mesin cuci, AC, dan lain-lain.
Fuzzy logic sudah diterapkan pada banyak bidang, mulai dari teori kendali
hingga inteligensia buatan.

88
Penerapan Logika Fuzzy
Logika fuzzy umumnya diterapkan pada
masalah masalah yang mengandung unsur
ketidakpastian (uncertainty), ketidaktepatan
(imprecise), noisy, dan sebagainya.
Logika fuzzy menjembatani bahasa mesin

yang presisi dengan bahasa manusia yang

menekankan pada makna atau arti
(significance).
Logika fuzzy dikembangkan berdasarkan

bahasa manusia (bahasa alami)

89
Penerapan Fuzzy Logic

90
Contoh-contoh masalah yang mengandung
ketidakpastian:
Contoh 1: Seseorang dikatakan tinggi jika
tinggi badannya lebih dari 1,7 meter.
Bagaimana dengan orang yang mempunyai

tinggi badan 1,6999 meter atau 1,65 meter,

apakah termasuk kategori orang tinggi?
Menurut persepsi manusia, orang yang

mempunyai tinggi badan sekitar 1,7 meter

dikatakan kurang lebih tinggi atau agak
tinggi.

91
Contoh-contoh masalah yang mengandung
ketidakpastian:
Contoh 2: Kecepatan pelan didefinisikan di
bawah 20 km/jam. Bagaimana dengan
kecepatan 20,001 km/jam, apakah masih
dapat dikatakan pelan? Manusia mungkin
mengatakan bahwa kecepatan 20,001
km/jam itu agak pelan.

Ketidapastian dalam kasus kasus ini

disebabkan oleh kaburnya pengertian agak,
kurang lebih, sedikit, dan sebagainya .

92
Himpunan Fuzzy
Logika fuzzy dikembangkan dari teori himpunan
fuzzy.
Himpunan klasik yang sudah dipelajari selama ini

disebut himpunan tegas (crisp set).

Di dalam himpunan tegas, keanggotaan suatu unsur

di dalam himpunan dinyatakan secara tegas,

apakah objek tersebut anggota himpunan atau
bukan.
Untuk sembarang himpunan A, sebuah unsur x

adalah anggota himpunan apabila x terdapat atau

terdefinisi di dalam A.
Contoh:

93
Himpunan Fuzzy
Fungsi karakteristik, dilambangkan dengan X, mendefinisikan apakah
suatu unsur dari semesta pembicaraan merupakan anggota suatu
himpunan atau bukan:

Contoh

Misalkan X = {1, 2, 3, 4, 5, 6} dan , yang dalam hal ini A =

{1, 2, 5}. Kita menyatakan A sebagai
A = {(1,1), (2,1), (3,0), (4,0), (5,1), (6,0) }
Keterangan: (2,1) berarti Xa(2) = 1; (4,0) berarti Xa(4) = 0,

94
Derajat keanggotaan di Logika
Fuzzy
Sekarang, tinjau V = himpunan kecepatan
pelan (yaitu v = 20 km/jam).
Apakah kecepatan v = 20,01 km/jam

termasuk ke dalam himpunan kecepatan

pelan?
Menurut himpunan tegas, 20,01 km/jam V
, tetapi menurut himpunan fuzzy, 20,01
km/jam tidak ditolak ke dalam himpunan V,
tetapi diturunkan derajat keanggotaannya.

95
Derajat keanggotan di Logika
Fuzzy
Di dalam teori himpunan fuzzy,
keanggotaan suatu elemen di dalam
himpunan dinyatakan dengan derajat
keanggotaan (membership values) yang
nilainya terletak di dalam selang [0, 1].
Derajat keanggotaan ditentukan dengan
fungsi keanggotaan:

bandingkan fungsi keanggotaan pada teori

himpunan tegas:

96
Derajat keanggotaan
Arti derajat keanggotaan:
Jika maka x adalah anggota penuh
dari himpunan A
Jika maka x bukan anggota
himpunan A
Jika dengan maka x adalah
anggota himpunan A dengan derajat
keanggotaan sebesar

97
Cara Menulis Himpunan
Fuzzy
Cara-Cara Menuliskan Himpunan Fuzzy:
Cara 1: Sebagai himpunan pasangan berurutan

Contoh 5. Misalkan

X = { becak, sepeda motor, mobil kodok(VW), mobil kijang, mobil carry }

A = himpunan kendaraan yang nyaman dipakai untuk bepergian jarak jauh oleh
keluarga besar (terdiri dari ayah, ibu, dan empat orang anak)
Didefinisikan bahwa,

maka, dalam himpunan fuzzy,

A = { (becak, 0), (sepeda motor, 0.1), (mobil kodok, 0.5), (mobil kijang, 1),
(mobil carry, 0.8) }

98
Cara menulis Himpunan
Fuzzy
Cara 2: Dinyatakan dengan menyebut fungsi keanggotaan.

Cara ini digunakan bila anggota himpunan fuzzy bernilai menerus

(riil). Contoh 6. Misalkan

A = himpunan bilangan riil yang dekat dengan 2

maka, dalam himpunan fuzzy,

99
Cara Menulis Himpunan
Fuzzy
Cara 3: Dengan menuliskan sebagai

Untuk X diskrit, atau

untuk X menerus (continue).

10
0
Contoh Himpunan Fuzzy
(i) diskrit
X = himpunan bilangan bulat positif
A = bilangan bulat yang dekat 10
= { 0.1/7 + 0.5/8 + 1.0/10, 0.8/11 + 0.5/12 +
0.1/13 }
(ii) menerus
X = himpunan bilangan riil positif
A = bilangan riil yang dekat 10

10
1
Perbandingan Crisp Set dan
Fuzzy Set
Pada crisp set batas-batas himpunan tegas
Pada fuzzy set batas-batas himpunan kabur

10
2
Atribut di Himpunan Fuzzy
Himpunan fuzzy mempunyai dua atribut:
1. Lingusitik: penamaan grup yang mewakili
kondisi dengan menggunakan bahasa alami
Contoh: PANAS, DINGIN, TUA, MUDA,
PELAN, dsb
2. Numerik: nilai yang menunjukkan ukuran
variabel fuzzy
Contoh: 35, 78, 112, 0, -12, dsb

10
3
Komponen System Fuzzy
1. Variabel fuzzy
Contoh: umur, kecepatan, temperatur, dsb

2. Himpunan fuzzy
Grup yang mewakili kondisi tertentu dalam suatu variabel fuzzy
Contoh: Variabel temperatur air dibagi menjadi 3 himpunan fuzzy: PANAS,
DINGIN, SEJUK, dsb

3. Semesta pembicaraan
Keseluruhan nilai yang diperbolehkan untuk dioperasikan dengan variabel fuzzy
Contoh: semesta pembicaraan variabel umur adalah

4. Domain
Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu
himpunan fuzzy Contoh:
DINGIN = [0, 15]
MUDA = [0, 35]

10
4
Contoh
Contoh 8: Misalkan variabel umur dibagi
menjadi 3 kategori
MUDA : umur < 35 tahun
PARUHBAYA : 35 < umur < 55 tahun
TUA : umur > 55 tahun

10
5
Contoh

10
6
Fungsi Keanggotan Fuzzy

10
7
Fungsi Keanggotan Fuzzy

10
8
Fungsi Keanggotan Fuzzy

10
9
Contoh Soal Fungsi Linier
Fungsi keanggotaan untuk
himpunan PANAS pada
variabel temperatur
ruangan seperti terlihat di
gambar
PANAS[32] = (32-25)/(35-25)
= 7/10 = 0,7

Fungsi keanggotaan untuk

himpunan DINGIN pada
variabel temperatur
ruangan seperti terlihat
pada Gambar
DINGIN[20] = (30-20)/(30-15)
= 10/15 = 0,667

11
0
 Contoh Soal
Fungsi keanggotaan untuk
himpunan TUA pada variabel
umur seperti terlihat pada
Gambar dengan kurva S
TUA[50] = 1 2((60-50)/(60-
35))2
= 1 2(10/25)2
= 0,68

Fungsi keanggotaan untuk

himpunan MUDA pada
variabel umur seperti
terlihat pada Gambar 7.18.
MUDA[37] = 2((50-37)/(50-20))2
= 2(13/30)2
= 0,376

11
1
Contoh Soal Kurva Segitiga
Fungsi keanggotaan kurva
segitiga untuk himpunan
NORMAL pada variabel
temperatur
ruangan seperti terlihat pada
Gambar
NORMAL[23] = (23-15)/(25-15)
= 8/10 = 0,8

Fungsi keanggotaan kurva

trapesium untuk himpunan
NORMAL pada variabel
temperatur ruangan seperti
terlihat pada Gambar

NORMAL[23] = (35-32)/(35-27)
= 3/8 = 0,375

11
2
Contoh soal kurva Lonceng
Fungsi keanggotaan untuk himpunan PAROBAYA
pada variabel umur
seperti terlihat pada Gambar 7.20.
1/2BAYA[42] = 1 - 2((45-42)/(45-35))2
= 1 - 2(3/10)2
= 0,82
1/2BAYA[51] = 2((55-51)/(55-45))2
= 2(4/10)2
= 0,32

11
3
Contoh Soal
Contoh persoalan: Sebuah pabrik memproduksi
sepatu setiap hari. Permintaan sepatu dari distributor
tidak tentu, kadang naik dan kadang turun.
Permintaan tertinggi pernah mencapai 5000
pasang/hari, dan permintaan terkecil 1000
pasang/hari. Persediaan sepatu di gudang juga
bervariasi. Paling banyak mencapai 600
pasang/hari, dan sedikitnya mencapai 100
pasang/hari.

Gambarkan fungsi keanggotaan yang cocok untuk

permintaan dan persediaan sepatu.

11
4
Jawaban Contoh Soal

11
5
Jawaban Contoh Soal

11
6
Penggunaan Dari fungsi
Keanggotan dari contoh
Jika permintaan = 4000 pasang sepatu, maka

11
7
Operator Dasar Zadeh dalam
Himpunan Fuzzy
Operator AND :
Operator ini berhubungan dengan operasi interseksi pada
himpunan. predikat sebagai hasil operasi dengan operator
AND diperoleh dengan mengambil nilai keanggotaan terkecil
antar elemen pada himpunanhimpunan yang bersangkutan.
AB = min(A[x], B[y])

Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA

adalah 0,6 (MUDA[27]=0,6); dan nilai keanggotaan Rp
2.000.000,- pada himpunan penghasilan TINGGI adalah 0,8
(GAJITINGGI[2x106]=0,8); maka predikat untuk usia MUDA dan
berpenghasilan TINGGI adalah:
MUDAGAJITINGGI = min(MUDA[27] GAJITINGGI[2x106)
= min(0,6; 0,8) = 0,6

11
8
Operator Dasar Zadeh dalam Himpunan Fuzzy
(lanjutan)
Operator OR
Operator ini berhubungan dengan operasi union pada
himpunan. predikat sebagai hasil operasi dengan
operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada himpunan
himpunan yang bersangkutan.
AB = max(A[x], B[y])

Dari contoh slide 105 dapat dihitung nilai predikat

untuk usia MUDA atau berpenghasilan TINGGI adalah:
MUDAGAJITINGGI = max(MUDA[27], GAJITINGGI[2x106)
= max(0,6; 0,8)
= 0,8

11
9
Operator Dasar Zadeh dalam
Himpunan Fuzzy (lanjutan)
Operator NOT
Operator ini berhubungan dengan operasi komplemen pada
himpunan. predikat sebagai hasil operasi dengan operator
NOT diperoleh dengan mengurangkan nilai keanggotaan
elemen pada himpunan yang bersangkutan dari 1.
A = 1-A[x]

Dari contoh slide 105 dapat dihitung nilai predikat untuk

usia TIDAK MUDA
adalah:
MUDA [27] = 1 - MUDA[27]
= 1 - 0,6
= 0,4

12
0
Penalaran Monoton
Jika 2 daerah fuzzy direlasikan dengan
implikasi sederhana sebagai berikut:
IF x is A THEN y is B
transfer fungsi:
y = f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa
harus melalui komposisi dan dekomposisi
fuzzy. Nilai output dapat diestimasi secara
langsung dari nilai keanggotaan yang
berhubungan dengan antesedennya.

12
1
Penalaran Monoton
(Contoh)
Misalkan ada 2 himpunan fuzzy: TINGGI (menunjukkan tinggi badan orang
Indonesia) dan BERAT (menunjukkan berat badan orang Indonesia) seperti
terlihat pada Gambar berikut Relasi antara kedua himpunan diekspresikan
dengan aturan tunggal sebagai berikut:
IF TinggiBadan is TINGGI THEN BeratBadan is BERAT
Implikasi secara monoton akan menyeleksi daerah fuzzy A dan B dengan
algoritma sebagai berikut:
Untuk suatu elemen x pada domain A, tentukan nilai keanggotannya dalam
daerah fuzzy A, yaitu: A[x];
Pada daerah fuzzy B, nilai keanggotaan yang berhubungan dengan tentukan
permukaan fuzzy-nya. Tarik garis lurus ke arah domain. Nilai pada sumbu
domain, y, merupakan solusi dari fungsi implikasi tersebut. Dapat dituliskan:
yB = f(A[x],DB)

12
2
Penalaran Monoton
Seseorang yang memiliki tinggi badan
165 cm, memiliki derajat keanggotaan
0,75 pada daerah fuzzy TINGGI;
diperoleh dari: TINGGI[165] = (165
150)/(170 150) = 15/20 = 0,75
Nilai ini dipetakan ke daerah fuzzy BERAT
yang akan memberikan solusi
beratbadan orang tersebut yaitu 59,4
kg; diperoleh dari: BERAT[y] = S(y;
40,55,70) = 0,75 Karena 0,75 > 0,5
maka letak y adalah antara 52,5 sampai
70, sehingga:

1-2[(70-y)/(70-40)]2 = 0,75
1-2(70-y)2/900 = 0,75
2(70-y)2/900 = 0,25
(70-y)2 = 112,5
(70-y) = +(112,5)

y = 70 +10,6 ---> ambil (-) nya, karena

nilainya harus < 70
y = 59,4
12
3
Fungsi Implikasi
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B
adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut sebagi anteseden,
sedangkan proposisi yang mengikuti THEN
disebut sebagai konsekuen.
Proposisi ini dapat diperluas dengan
menggunakan operator fuzzy, seperti:
IF (x1 is A1) (x2 is A2) (x3 is A3) ...... (xN

is AN) THEN y is B
dengan adalah operator (misal: OR atau AND).

12
4
Fungsi Implikasi
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
a. Min (minimum). Fungsi ini akan memotong output himpunan
fuzzy. Gambar a berikut menunjukkan salah satu contoh
penggunaan fungsi min.
b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy.
Gambar b menunjukkan salah satu contoh penggunaan fungsi dot.

12
5
Sistem Inferensi Fuzzy
a. Metoda Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang
berbentuk IF-Then harus direpresentasikan dengan suatu
himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan -predikat (fire
strength). Hasil akhirnya diperoleh dengan menggunakan
rata-rata terbobot.

12
6
Sistem Inferensi Fuzzy
b. Metode Mamdani
Metode Mamdani sering juga dikenal dengan
nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada
tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi (aturan)
3. Komposisi aturan
4. Penegasan (deffuzy)

12
7
Contoh Kasus
Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Daridata 1 bulan
terakhir, permintaan terbesar hingga mencapai 5000 kemasan/hari, dan permintaan terkecil
sampai 1000 kemasan/hari. Persediaan barang digudang terbanyak sampai 600
kemasan/hari, dan terkecil pernah sampai 100kemasan/hari. Dengan segala
keterbatasannya, sampai saat ini, perusahaan barumampu memproduksi barang maksimum
7000 kemasan/hari, serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan
memproduksi paling tidak 2000 kemasan. Apabila proses produksi perusahaan tersebut
menggunakan 4 aturan
fuzzy sbb:
[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;
{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang BERKURANG;
[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH;
[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH;
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan
sebanyak 4000 kemasan, dan persediaan di gudang masih 300
kemasan?

12
8
Solusi Tsukamoto
Ada 3 variabel fuzzy yang akan dimodelkan,
yaitu:
Permintaan; terdiri-atas 2 himpunan fuzzy,
yaitu: NAIK dan TURUN

12
9
Lanjutan
Persediaan; terdiri-atas 2 himpunan fuzzy,
yaitu: SEDIKIT dan BANYAK

13
0
Lanjutan -
Produksi barang; terdiri-atas 2 himpunan
fuzzy, yaitu: BERKURANG dan BERTAMBAH

13
1
Lanjutan
Sekarang kita
cari nilai z
untuk setiap
aturan dengan
menggunakan
fungsi MIN
pada aplikasi
fungsi
implikasinya

13
2
Lanjutan

13
3
Lanjutan

13
4
Metoda Mamdani
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel
output dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan
adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari
beberapa aturan, maka inferensi diperoleh dari kumpulan
dan korelasi antar aturan. Ada 3 metode yang digunakan
dalam melakukan inferensi sistem fuzzy, yaitu: max,
additive dan probabilistik OR (probor). Untuk kasus ini
digunakan metode Max

13
5
Penegasan (defuzzy)
metode defuzzifikasi
pada komposisi aturan
MAMDANI :
Metode Centroid
(Composite Moment)
Pada metode ini, solusi
crisp diperoleh dengan
cara mengambil titik
pusat (z*)
daerah fuzzy. Secara
umum dirumuskan:

13
6
Solusi Mamdani (Studi
kasus)
Kembali pada contoh yang sama di slide seperti pada contoh slide 119 Himpunan
fuzzy pada setiap variabel juga sama seperti penyelesaian pada contoh tersebut.
Sekarang kita awali dengan mengaplikasikan fungsi implikasi untuk setiap aturan.
Karena menggunakan Metode MAMDANI, maka fungsi implikasi yang kita
gunakan adalah fungsi MIN.
Aplikasi fungsi implikasi:
[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang
BERKURANG;

13
7
Studi Kasus (lanjutan)
[R2] IF Permintaan TURUN
And Persediaan SEDIKIT
THEN Produksi Barang
BERKURANG;

[R3] IF Permintaan NAIK

And Persediaan BANYAK
THEN Produksi Barang
BERTAMBAH;

13
8
Studi kasus (lanjutan)
[R4] IF Permintaan
NAIK And
Persediaan SEDIKIT
THEN Produksi
Barang
BERTAMBAH;

13
9
Studi Kasus (lanjutan)
Dari hasil aplikasi fungsi implikasi dari tiap
aturan, digunakan metode MAX untuk
melakukan komposisi antar semua aturan

daerah hasil kita bagi menjadi 3 bagian, yaitu

A1,
A2, dan A3. Sekarang kita cari nilai a1 dan a2.
(a1 2000)/5000 = 0,25 ---> a1 = 3250
(a2 2000)/5000 = 0,60 ---> a2 = 5000

Dengan demikian, fungsi keanggotaan untuk

hasil komposisi ini adalah:

140
Studi kasus , Penegasan
Defuzzy
Penegasan (defuzzy)
Metode penegasan yang
akan kita gunakan adalah
metode centroid. Untuk
itu, pertama-tama kita
hitung dulu momen untuk
setiap daerah.

Sehingga didapatkan
jumlah makanan kaleng
jenis ABC yang harus
diproduksi sebanyak
4248 kemasan.

141
Basis data Fuzzy
Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data
tersebut dipandang oleh user. Misalkan kita memiliki data karyawan yang
tersimpan pada tabel DT_KARYAWAN dengan field NIP, nama, tgl lahir, th masuk,
dan gaji per bulan seperti pada Tabel 7.1

14
2
Basis data Fuzzy
Kemudian dari tabel DT_KARYAWAN, kita oleh menjadi suatu
tabel temporer untuk menghitung umur karyawan dan masa
kerjanya. Tabel tersebut kita beri nama dengan tabel
KARYAWAN (Tabel 7.2)

14
3
Basis data Fuzzy
Pada kenyataannya, seseorang kadang membutuhkan
informasi dari data-data yang bersifat ambiguous.
Apabila hal ini terjadi, maka kita menggunakan
basisdata fuzzy. Selama ini, sudah ada beberapa
penelitian tentang basisdata fuzzy.

Salah satu diantaranya adalah model Tahani.

Basisdata fuzzy model Tahani masih tetap
menggunakan relasi standar, hanya saja model ini
menggunakan teori himpunan fuzzy untuk
mendapatkan informasi pada query-nya.

14
4
Karyawan Berdasar umurnya

14
5
Karyawan berdasar Masa
Kerjanya

14
6
Karyawan Berdasar Gaji

14
7
Basis data Fuzzy
Query1:
Siapa saja-kah karyawan yang masih muda tapi memiliki gaji
tinggi?
SELECT NAMA
FROM KARYAWAN
WHERE (Umur = MUDA) and (Gaji = TINGGI)

14
8
Basis data Fuzzy
Query2:
Siapa saja-kah karyawan yang masih muda atau karyawan yang memiliki gaji
tinggi?
SELECT NAMA
FROM KARYAWAN
WHERE (Umur = MUDA) or (Gaji = TINGGI)

14
9
Basis data Fuzzy
Query3:
Siapa saja-kah karyawan yang masih muda tapi masa kerjanya sudah lama?
SELECT NAMA
FROM KARYAWAN
WHERE (Umur = MUDA) and (MasaKerja = LAMA)

15
0
Basis data Fuzzy
Query4:
Siapa saja-kah karyawan yang parobaya dan gajinya sedang, atau karyawan
yang parobaya tapi masa kerjanya sudah lama?
SELECT NAMA
FROM KARYAWAN
WHERE (Umur = PAROBAYA) and
[(Gaji = SEDANG) atau (MasaKerja = LAMA)]

15
1
Pengenalan Jaringan
Syaraf Tiruan

15
2
Jaringan Syaraf Biologi
Struktur otak manusia sangat kompleks &
rumit
Otak terdiri neuron-neuron dan sinapsis

(penghubung)
Neuron bekerja berdasarkan impuls/sinyal
Manusia memiliki 1012 neuron dan 6.1018

sinapsis mengenali pola, melakukan

perhitungan, mengontrol organ2 tubuh
Mempunyai kemampuan membentuk sendiri

pola berdasarkan pengalaman.

15
3
 Dendrit menerima sinyal dari neuron lain
Sinyal berupa impulse elekrik dikirim melalui
celah sinaptik
Sinyal dapt dpt diperkuat/diperlemah di celah
sinaptik
Soma menjumlahkan semua sinyal-sinyal
yang masuk
Jika kuat dan melebihi batas akan diteruskan ke
sel lain melalui axon

15
4
 Neural biologi merupakan sistem yang fault
tolerant :
Manusia dapat mengenali sinyal input yang agak
berbeda dari yang pernah diterima sebelumnya.
Otak manusia tetap mampu bekerja meskipun
beberapa neuronnya tidak mampu bekerja
dengan baik
. Sebuah neuron rusak, neuron lain dpt dilatih
menggantikan fungsi sel yang rusak.

15
5
Jaringan Syaraf Tiruan
Sistem pemroses informasi memiliki karakter mirip
dengan jaringan syaraf biologi
Dibentuk debagai generalisasi model matematika

dari Jar. Syaraf Biologi

Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron)
Sinyal dikirimkan diantara neuron2 melalui penghubung2
Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal
Untuk menentukan output, setiap neuron menggunakan
fungsi aktifitas (nonlinier) dikenakan pada jumlah input
yang diterima.
. Besar output selanjutnya dibandingkan dengan batas ambang

15
6
15
7
 3 ketentuan JST :
Pola hubungan antar neuron (arsitektur jaringan)
Metode untuk menentukan bobot penghubung
(metode training/learning/algoritma)
Fungsi aktivasi
. Pengambilan keputusan, pengenalan pola, prediksi

15
8
Kegunaan JST
Jaringansaraf tiruan pada umumnya digunakan untuk
tugas atau pekerjaan yang kurang praktis jika
dikerjakan secara manual.

Kegunaan Dalam Kehidupan Nyata

Perkiraan Fungsi, atau Analisis Regresi, termasuk

prediksi time series dan modeling.

Klasifikasi, termasuk pengenalan pola dan pengenalan

urutan, serta pengambil keputusan dalam pengurutan.

Pengolahan data, termasuk penyaringan,

pengelompokan, dan kompresi.

Robotik

15
9
Kedudukan JST dalam
informatika
Banyak teknik algoritma JST yang tersedia
yang memiliki arsitektur yang sangat
beragam dan canggih
Komputer digital berkecepatan tinggi
Aplikasi yang sangat luas

16
0
Contoh aplikasi JST
Robert Hecht-Nielsen, seorang kontributor
dalam bidang jaringan saraf, melihat bahwa
aplikasi-aplikasi jaringan saraf selama
beberapa tahun ini umumnya berpusat
pada tiga bidang utama, yaitu analisis data,
pengenalan pola, dan fungsi kendali.

16
1
 Analisis data bidang aplikasi potensial mencakup pemrosesan
aplikasi pinjaman, analisis perdagangan komoditas, peramalan
runtut waktu, prediksi panen, meteorologi, analisis pasar, pola
aktivitas konsumen, penegakan hukum yang melibatkan
pencarian catatan kriminal.
Pengenalan pola optical character recognition melibatkan cek
yang ditulis tangan dan alamat surat yang ditulis tangan.
Masalah-masalah pengenalan pola juga terdapat dalam bidang
inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat
cacat yang tidak mudah dikenali.
Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi
fungsi-fungsi seperti operasi peralatan mesin. Sebagai contoh,
suatu alat yang cukup kaku memegang blok metal menjadi rentan
untuk rusak dalam operasi kecepatan tinggi. Sensor yang
mendeteksi getaran dan tekanan dapat memberikan petunjuk
real-time mengenai kelemahan-kelemahan operasi dengan
sebuah jaringan saraf dilatih untuk mengenali kelemahan-
kelemahan multi dimensional.

16
2
Contoh Aplikasi lain
AVCO Financial Services, di Irvine, California,
menggunakan sistem jaringan saraf untuk
menganalisis risiko kredit. Sistem ini diujikan
pada lebih dari 100.000 kasus kredit. Dalam
artikelnya New York Times melaporkan bahwa
dalam satu uji terlihat indikasi akan adanya
kenaikan laba sebesar 27% jika digunakan
sistem jaringan saraf dibanding bila
menggunakan sistem evaluasi dengan
menggunakan komputer yang sebelumnya
dipakai AVCO.

16
3
 Intel mengembangkan aplikasi kecil yang
menyelidiki keekspresifan pembicaraan
manusia. Dengan membatasi sistem hanya
untuk pembicara tunggal pada satu waktu
dan dengan membatasi kosa kata (sekitar
100 kata atau frase), sistem ini mampu
mengenali suara manusia dengan
ketepatan 99%. Sistem pemasukan data
yang dikendalikan suara ini telah banyak
digunakan dalam berbagai aplikasi
manufaktur sejak tahun 1983.

16
4
Biological Neural Network

16
5
 Model Neuron Tanpa bias
Masukan /Inputs
p1

w1 Penjumlahan Fungsi Aktifasi

p2 n=pi.wi
w2

.
F(y)
a=f(n)

.
. wi
pi
Bobot/Weight = bisa diatur

16
6
 Model Neuron dengan bias
Masukan /Inputs
p1
w1 Penjumlahan Fungsi Aktivasi

p2 n=pi.wi
w2
.
F(y)
a=f(n)
.
.
wi b (Bias)=Fix
pi Bobot/Weight = bisa diatur

16
7
Neuron Sederhana

16
8
Model Matematis
P=input/masukan i= banyaknya input
W=bobot/weight
Keluaran Penjumlah -> n = pi.wi
(Jumlah semua Input(pi) dikali bobot (wi)
Output/Keluaran Neuron=

a = f(n) f=fungsi aktivasi

16
9
Fungsi Aktivasi
Beberapa fungsi aktivasi a=f(n)

1 Jika n 0
Hardlimit function a =
0 Jika n < 0

Linear Function a = n

Sigmoid Function a = 1 /( 1+ e-n )

17
0
Grafik Fungsi Aktivasi

Hardlimiter Purelinear

a=f(n)
Sigmoid

17
1
Kegunaan Aktivasi

Untuk pengambilan keputusan biasanya

digunakan Hardlimit

Untuk pengenalan pola/jaringan back

propagation biasanya digunakan sigmoid

Untuk prediksi/aproksimasi linear

biasanya digunakan linear

17
2
Model McCulloch and Pitts

Neuron menghitung jumlah bobot dari setiap sinyal input

dan membandingkan hasilnya dengan nilai bias/threshold,
b. Jika input bersih kurang dari threshold, output neuron
adalah -1. Tetapi, jika input bersih lebih besar dari atau
sama dengan threshold, neuron diaktifkan dan outputnya
ditetapkan +1 (McCulloch and Pitts, 1943).

Fungsi aktivasi ini disebut Fungsi

i
Tanda (Sign Function).
n pi wi Sehingga output aktual dari
i 1
neuron dapat ditunjukkan dengan:

1 jika n b i

a
1 jika n b
a sign

p w b
i 1
i

i

17
3
Perceptron

Perceptron (Rosenblatt, 1958): JST training

yang sederhana dipakaikan prosedur
algoritma training yang pertama kali.
Terdiri dari neuron tunggal dengan bobot
synaptic yang diatur dan hard limiter.

Operasinya didasarkan pada model

neuron McCulloch dan Pitts.

Jumlah input yang telah diboboti

dipakaikan kepada hard limiter:
menghasilkan output +1 jika input positif
dan -1 jika negatif mengklasifikasikan
output ke dalami
dua area A1 dan A2.

p w b 0
i 1
i i
17
4
Proses Belajar

Target = Nilai yang diinginkan, Output = Nilai yang keluar

dari neuron
Proses Compare (membandingkan) antara output dengan
target,
Jika terjadi perbedaan maka weight/bobot di adjust/atur
sampai nilai ouput=
(mendekati) nilai target 17
5
 Proses Belajar
Target
Masukan
p1
Keluaran
w1 n=pi.wi a=f(n)
+
p2 w2 -
.
F(y)
.
. wi b
pi Error=target-a

Error digunakan untuk pembelajaran /mengatur bobot

176
Analog

Target apa yang anda inginkan

Input/masukan Kekurangan dan

kelebihan/potensi anda

Bobot seberapa besar usaha anda

Output hasil dari potensi and kelemahan

dikalikan dengan usaha terhadap potensi or
kelemahan

Error Kesalahan/Introspeksi diri perkuat

potensi or/and lemahkan kekurangan

17
7
Proses Belajar

Masukan n=p1.w1
w1 F(y)
p1 a=f(n)
Bobot

17
8
 Proses Belajar jika masukan
positif
tuk masukan positif penambahan bobot menyebabkan peningkatan kelu
Target
(10)
(6)
Masukan Keluaran
(3) n=p1.w1 a=f(n)
+
p1 w1 -
(2)
F(y)
F=linear
Karena e 0 maka
keluaran a hrs dinaikan e=10-6=4 (+)
untuk menaikan a maka Error=target-a
naikan nilai w1 karena
masukan positif
w1 next= w1 old + delta
w1 17
9
 Proses Belajar jika masukan
negatif
k masukan negatif penambahan bobot menyebabkan penurunan keluara
Target
(10)
(-6)
Masukan Keluaran
(3) n=p1.w1 a=f(n)
+
p1 w1 -
(-2)
F(y)
F=linear
Karena e 0 maka e=10-(-6)=16 (
keluaran a hrs dinaikan
untuk menaikan a maka Error=target-a
turunkan nilai w1
karena masukan negatif
w1 next= w1 old + (-
delta w1) 18
0
Proses Perceptron Belajar

Pada awalnya bobot dibuat kecil untuk menjaga

jangan sampai terjadi perbedaan yang sangat
besar dengan target.

Bobot awal adalah dibuat random, umumnya

dalam interval [-0.5 0.5]

Keluaran adalah proses jumlah perkalian antara

masukan dengan bobot.

Jika terjadi perbedaan antara keluaran dengan

target, e(k) = a(k) t(k), k = iterasi ke- 1, 2, 3,
maka:

Bobot diupdate/diatur sedikit demi sedikit

untuk mendapatkan keluaran yang sesuai
dengan target

w(k+1) = w(k) + w(k)

18
1
Perceptron Learning Rule
(Rosenblatt, 1960)

e(k) = a(k) t(k) , k = iterasi ke- 1, 2, 3,

..
a(k) = keluaran neuron
t(k) = target yang diinginkan
e(k) = error/kesalahan

w(k+1) = w(k) + w(k)

w(k) = kec belajar x masukan x error

= x p(k) x e(k)

= learning rate -> kecepatan belajar

(0< 1)

besar belajar cepat tidak stabil 182

Langkah Pembelajaran
1. Langkah pertama : Inisialisasi Awal
. Mengatur bobot w1, w2, ..., wn interval [-0.5 0.5],
mengatur bias/threshold b, mengatur kec
pembelajaran , fungsi aktivasi
2. Langkah kedua : Menghitung keluaran
. Mengaktifkan perceptron dengan memakai
masukan p1(k), p2(k), ..., pi(k) dan target yang
dikehendaki t(k). Hitunglah output aktual pada
iterasi ke-k = 1
i
a (k ) step pi ( p ) wi ( p ) b
i 1

. i adalah jumlah input perceptron dan step adalah

fungsi aktivasi

18
3
 Langkah ke tiga : Menghitung error
e(k) = t(k) a(k) t(k) = target,a(t)=keluaran
perceptron
Langkah ke empat : Mengatur Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w(k+1) bobot baru w(k) bobot yg lalu
wi(p) adalah pengkoreksian bobot pada iterasi
k, yang dihitung dengan:
wi(p) = x pi(k) x e(k)
Langkah ke lima : pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah
ke langkah ke dua dan ulangi proses sampai
keluaran=target or mendekati target.

18
4
Melatih Perceptron:
Operasi OR
Variabel Input OR
x1 x2 Fd
0 0 0
0 1 1
1 0 1
1 1 1

18
5
 x1 Fd=target
Fungsi OR
x2

p1
w1 n=pi.
wi +
F(y) -
error

p2
w2 a=f(n)
b
Perceptron

18
6
Contoh Pembelajaran
1. Langkah pertama : Inisialisasi Awal
. Mengatur bobot w1, w2 interval [-0.5 ~ 0.5], w1(1)=0.3
w2(1)=0.1, mengatur bias/threshold b=0.2, mengatur
kec pembelajaran =0.2, fungsi aktivasi-> step
2. Langkah kedua : Menghitung keluaran
. Mengaktifkan perceptron dengan memakai masukan
p1(k), p2(k) dan target yang dikehendaki t(k). Hitunglah
output aktual pada2 iterasi ke-k = 1

a(1) step

pi (1)wi (1) b
i 1
n(1) p1 (1).w1 (1) p2 (1).w2 (1) b
1 jika n(1) 0
a (1)
0 jika n(1) 0
18
7
n(1) p1 (1).w1 (1) p2 (1).w2 (1) b
n(1) 0 X 0.3 0 X 0.1 0.2
n(1) 0.2 (negatif )
maka
a(1) 0

18
8
 Langkah ke tiga : Menghitung error
e(k) = t(k) a(k)
e(1) = 0 0 = 0
Langkah ke empat : Mengatur Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w1(2) = 0.3(1) + w1(1)
w1(1) = x pi(1) x e(1)
= 0.2 x 0 x 0 = 0
maka w1(2) = 0.3(1) + 0 = 0.3 (tidak berubah)
wi(k+1) = wi(k) + wi(k)
w2(2) = 0.3(1) + w2(1)
w2(1) = x pi(1) x e(1)
= 0.2 x 0 x 0 = 0
maka w2(2) = 0.1(1) + 0 = 0.1 (tidak berubah)
Langkah ke lima : pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah ke langkah ke dua dan ulangi
proses sampai keluaran=target or mendekati target.

18
9

K=2
w1(2)= 0.3 w2(2)=0.1, p1(2)=0, p2(2)=1
target(2)=Fd(2)=1

Hitung keluaran:
n(2) p1 (2).w1 (2) p2 (2).w2 (2) b
n(2) 0. X 0.3 1 X 0.1 0.2
n(2) 0.1
n(2) 0
a (2) 0

19
0
 Hitung error
e(2)= target(2) a(2)
= 1 0 =1 (ada error)
Mengatur Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w1(3) = 0.3(2) + w1(2)
w1(2) = x p1(1) x e(1)
= 0.2 x 0 x 1 = 0
maka w1(3) = 0.3(1) + 0 = 0.3 (tidak berubah)
wi(k+1) = wi(k) + wi(k)
w2(3) = 0.1(2) + w2(2)
w2(1) = x p2(1) x e(1)
= 0.2 x 1 x 1 = 0.2
maka w2(3) = 0.1(1) + 0.2 = 0.3 (berubah sebelumnya w 2(2)=0.1)

19
1
Pembelajaran Fungsi Or
Pembelajaran Fungsi Or

P1 P2 Keluaran

0 0 0

0 1 1

1 0 1 Bobot -0.5 0.5

1 1 1 Bias

Belajar 0 1

Bias 0.2

Belajar 0.2
Bobot
Interasi W1 W2 Keluaran Output Error W1(K+n) W2(k+n) p1 p2
1 0.3 0.1 -0.2 0 0 0.3 0.1 0 0
2 0.3 0.1 -0.1 0 1 0.3 0.3 0 1
3 0.3 0.3 0.1 1 0 0.3 0.3 0 1
4 0.3 0.3 0.1 1 0 0.3 0.3 1 0
5 0.3 0.3 0.4 0 1 0.5 0.5 1 1

19
2
Pembelajaran fungsi AND
Pembelajaran Fungsi AND

P1 P2 Keluaran

0 0 0

0 1 0

1 0 0

1 1 1

Bias 0.2

Belajar 0.2
Bobot
Interasi W1 W2 Keluaran Output Error W1(K+n) W2(k+n) p1 p2
1 0.3 0.1 -0.2 0 0 0.3 0.1 0 0
2 0.3 0.1 -0.1 0 0 0.3 0.1 0 1
4 0.3 0.1 0.1 1 -1 0.1 0.1 1 0
5 0.1 0.1 -0.1 0 0 0.1 0.1 1 0
6 0.1 0.1 0 1 0 0.1 0.1 1 1

19
3
Pembelajaran Fungsi XOR
Pembelajaran Fungsi XOR

P1 P2 Keluaran

0 0 0

0 1 1

1 0 1

1 1 0

Bias 0.2

Belajar 0.2
Bobot
Interasi W1 W2 Keluaran Output Error W1(K+n) W2(k+n) p1 p2
1 0.3 0.1 -0.2 0 0 0.3 0.1 0 0
2 0.3 0.1 -0.1 0 1 0.3 0.3 0 1
4 0.3 0.3 0.1 1 0 0.3 0.3 0 1
5 0.3 0.3 0.1 1 0 0.3 0.3 1 0
6 0.3 0.3 0.4 1 -1 0.1 0.1 1 1
7 0.1 0.1 -0.2 0 0 0.1 0.1 1 1

19
4