Neurofuzzy - Pendahuluan
Neurofuzzy - Pendahuluan
AGENDA
Artificial Intelligence?
Pengertian, Cabang AI, Bagaimana AI bekerj
a.
Hard Computing vs Soft Computing.
Teknik Pemecahan Masalah
Kapan menggunakan AI?
Analitis, Numeris, AI.
Pengertian
Sistem Cerdas
Halaman Depan
Cabang-cabang AI
Pengertian Logical AI
Cabang AI Searching
Representation
AI Bekerja
Pattern Recognition
Halaman Depan
Inference (Kesimpulan)
Learning from Experience
Bagaimana AI bekerja?
Bagian terpenting AI:
Pengertian Knowledge base (basis
pengetahuan), berisi fakta-fakta,
Cabang AI
teori, pemikiran dan hubungan
antara satu dengan lainnya.
AI Bekerja
Inference engine, yaitu
Pengertian
Cabang AI
AI Bekerja
Input: Output:
MASALAH SOLUSI
Knowledge Inference
Base Engine
Teknik Pemecahan Masalah
Conventional Hard Computing
Teknik
Pemecahan Mslh Logika penalaran
berbentuk simbol
Soft Computing Precise
Precise
Models
Models Pencarian & Pemodelan masalah
Hybrid Systems dilakukan secara
numeris (tradisional)
Halaman Depan
Soft Computing
Penalaran melalui
pendekatan
Approximate
Approximate
Models
Models
Pendekatan fungsional &
Pencarian random
Soft Computing
Teknik Soft computing adalah koleksi dari
Pemecahan Mslh
beberapa metodologi yang
Soft Computing bertujuan untuk mengeksploitasi
adanya toleransi terhadap
Hybrid Systems ketidaktepatan, ketidakpastian,
dan kebenaran parsial untuk dapat
Halaman Depan diselesaikan dengan mudah,
robustness, dan biaya
penyelesaiannya murah.
Definisi ini pertama kali
diungkapkan oleh Prof. Lotfi A.
Zadeh pada tahun 1992.
Komponen Soft Computing
Teknik
Pemecahan Mslh
Approximate reasoning:
Fuzzy System;
Soft Computing
Probabilistic Reasoning;
Hybrid Systems Functional Approximation/
Halaman Depan
Randomized Search:
Neural Network (Jaringan
Syaraf)
Evolutionary Algorithm
(Algoritma evolusioner).
Sistem Fuzzy
Konsepnya menggunakan teori
Teknik himpunan.
Pemecahan Mslh
Menggunakan derajat keanggotaan
Soft Computing fuzzy untuk menunjukkan seberapa
besar suatu nilai masuk dalam suatu
Hybrid Systems himpunan fuzzy.
Bidang kajian:
Halaman Depan Fuzzy Inference System
Fuzzy Clustering
Fuzzy Database
Fuzzy Mathematical Programming
Dll.
Jaringan Syaraf Tiruan
Teknik
Menggunakan algoritma pembelajaran
Pemecahan Mslh
untuk mendapatkan bobot-bobot yang
optimum.
Soft Computing Jenis pembelajaran: supervised
learning, dan unsupervised learning.
Hybrid Systems Algoritma pembelajaran yang sudah
dikembangkan, dan paling sering
Halaman Depan
diaplikasikan:
Perceptron
Radial Basis
Backpropagation (sederhana & lanjut)
Self Organizing
Learning Vector Quantization, dll
Algoritma Evolusioner
Teknik
Menggunakan pendekatan teori
Pemecahan Mslh evolusi.
Dipelopori oleh algoritma genetika.
Soft Computing
Terutama digunakan untuk optimasi.
Hybrid Systems Algoritma yang sudah
dikembangkan:
Halaman Depan Algoritma Genetika
Ant System
Fish Schooling
Bird Flocking
Particle Swarm
Probabilistic Reasoning
Teknik Mengakomodasi adanya faktor
Pemecahan Mslh
ketidakpastian.
Soft Computing Teori-teori yang berkembang:
Hybrid Systems Teorema Bayes
Certainty Factor (statistic
Halaman Depan
reasoning)
Teorema Dempster-Shafer
(statistic reasoning)
Hybrid Systems
Teknik
Pemecahan Mslh Setiap komponen dalam Soft
Soft Computing
computing tidak saling
‘berkompetisi’, melainkan justru
Hybrid Systems saling ‘melengkapi’.
Halaman Depan
Hybrid system merupakan
perpaduan antar komponen
dalam soft computing.
Beberapa Hybrid Systems
Teknik
Neuro-fuzzy Systems
Pemecahan Mslh Jaringan syaraf digunakan untuk
membangkitkan fungsi keanggotaan
Soft Computing suatu sistem fuzzy.
Jaringan syaraf digunakan secara
Hybrid Systems
serial dengan sistem fuzzy. Jaringan
syaraf berperan pada saat
Halaman Depan preprocessing dan postprocessing.
ANFIS (Adaptive Network-based Fussy
Inference System). Jaringan syaraf
digunakan untuk
mengimplementasikan Fuzzy inference
System.
Neural Fuzzy Systems
Teknik
Digunakan untuk akuisisi pengetahuan dan
Pemecahan Mslh
pembelajaran.
Soft Computing Jaringan syaraf diinisialisasi dengan
pengetahuan pakar dalam bentuk simbol,
Hybrid Systems kemudian dilatih berdasarkan input-output
sistem nyata.
Halaman Depan Pengetahuan dalam bentuk simbol yang
diperoleh dari pelatihan tersebut kemudian
direpresentasikan dalam logika fuzzy.
Fuzzy Neural Network
Lapisan-lapisan pada jaringan syaraf,
melakukan operasi-operasi: fuzzifikasi dan
defuzzy, dari input dan output crisp.
Teknik Fuzzy Genetic Algorithms
Pemecahan Mslh
Kemampuan optimasi dari GA
Soft Computing
digunakan untuk memilih aturan-
Hybrid Systems
aturan terbaik untuk fuzzy
inference system.
Halaman Depan Neuro-genetic Systems
GA digunakan sebagai sarana
untuk mengukur performansi
pembelajaran dari jaringan
syaraf.
Menggunakan AI: kapan?
Masalah:
Analitis Carilah nilai minimum dari: y=x2+2x-3;
pada kawasan [-10 10].
Numeris
Dengan mudah dapat diselesaikan
AI secara analitis.
Solusi eksak, Nilai Minimum = -4,
Halaman Depan terletak pada x=-1.
Untuk masalah sederhana yang bisa
diselesaikan secara analitis,
selesaikanlah secara ANALITIS.
f(x)=x 2+2x-3
120
Analitis
100
Numeris 80
AI 60
y
40
Halaman Depan
20
minimum
-20
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
Masalah:
Analitis Carilah akar persamaan:
Numeris f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)
+5sin(2x2-5x) / cos(x3-2x),
AI dekat dengan 3.
Halaman Depan
Sangat sulit untuk diselesaikan secara
analitis, gunakan pendekatan
METODE NUMERIS: (Metode biseksi,
regulafalsi, secant, Newton).
Hasil=3,0846.
sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x)
300
Analitis 200
y=0, x dekat dengan 3
100
Numeris
0
AI -100
y
-200
Halaman Depan
-300
-400
-500
-600
1 1.5 2 2.5 3 3.5 4 4.5 5
x
Masalah:
Analitis Carilah nilai minimum dari:
f(x)= sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x2-
Numeris 5x) /cos(x3-2x),
dekat pada kawasan [1 5].
AI Sangat sulit untuk diselesaikan secara analitis.
Secara numeris memungkinkan, namun
Halaman Depan kumungkinan diperoleh nilai minimum lokal
sangat tinggi. Cara terbaik gunakan
pendekatan ARTIFICIAL INTELLIGENCE
(Simulated Annealing, Algoritma Genetika).
Nilai minimum=-547.3730, pada x=133
sin(x)cos(x)-2x+3sin(x)ln(x)+5sin(2x 2-5x)/cos(x 3-2x)
300
Analitis 200
100
Numeris
0
AI -100
y
-200
Halaman Depan
-300
-400
-500
minimum global
-600
1 1.5 2 2.5 3 3.5 4 4.5 5
x
Bekal Ilmu untuk SC
Analitis
ALJABAR KALKULUS LOGIKA
Numeris
KOMPUTASI NUMERIS
AI
Halaman Depan
SOFT
COMPUTIN
G
JARINGAN SARAF TIRUAN
Latar Belakang
Kemampuan manusia dalam memproses
informasi, mengenal wajah, tulisan, dsb.
Kemampuan manusia dalam mengidentifikasi
wajah dari sudut pandang yang belum pernah
dialami sebelumnya.
Bahkan anak-anak dapat melakukan hal tsb.
Kemampuan melakukan pengenalan meskipun
tidak tahu algoritma yang digunakan.
Proses pengenalan melalui penginderaan
berpusat pada otak sehingga menarik untuk
mengkaji struktur otak manusia
Latar belakang
Dipercayai bahwa
kekuatan komputasi
otak terletak pada
hubungan antar sel-sel
syaraf
organisasi hierarkis
kemampuan menebak
banyaknya jumlah
hubungan
w 1
w
w n if wixi >= , output = 1
2
x1 x2 xn
Fungsi-fungsi aktivasi
AND
Fungsi AND
X1 X2 Y
X1 1 0 0 0
0 1 0
Y 1 0 0
1 1 1
Threshold=2
X2 1
INPUT: x1 = 1, x2 = -1
.75*1 + .75*-1 = 0 < 1 OUTPUT: -1
.75 .75
INPUT: x1 = -1, x2 = 1
.75*-1 + .75*1 = 0 < 1 OUTPUT: -1
x1 x2
INPUT: x1 = -1, x2 = -1
.75*-1 + .75*-1 = -1.5 < 1 OUTPUT: -1
OR
Fungsi OR
X1 X2 Y
X1 2 0 0 0
0 1 1
Y 1 0 1
1 1 1
Threshold=2
X2 2
INPUT: x1 = 1, x2 = 1
INPUT: x1 = 1, x2 = -1
INPUT: x1 = -1, x2 = 1
INPUT: x1 = -1, x2 = -1
AND-NOT
Fungsi AND-NOT
X1 X2 Y
X1 2 0 0 0
0 1 0
Y 1 0 1
1 1 0
Threshold=2
X2 -1
2
X1 X2 Y
X1 Z1 2 0 0 0
-1
0 1 1
Y
1 0 1
-1
Threshold=2 1 1 0
X2 Z2 2
2
Threshold=2
Sinonim untuk
Single-Layer,
Feed-Forward
Network
Dipelajari
pertama kali
pada tahun 50-
an
W2
Y X1 Y
W2
W3
Threshold=2
Threshold=0
X2
X2
DONE!
1 x1 x2