KECERDASAN BUATAN - Eprints Data

Universitas Pamulang Teknik Informatika S-1

Kecerdasan Buatan i

COVER

KECERDASAN BUATAN

Penyusun :

Thoyyibah T

Munawaroh

Niki Ratama

Jl. Surya Kencana No. 1 Pamulang

Gd. A, Ruang 212 Universitas Pamulang

Tangerang Selatan – Banten


Kecerdasan Buatan ii

EDITORIAL

KECERDASAN BUATAN

Penulis :

Thoyyibah T

Munawaroh

Niki Ratama

ISBN : 978-623-6352-26-7

Editor :

Hadi Zakaria

Desain Sampul:

Tri Anggoro Seto

Tata Letak:

Kusworo

Putra

Nara

Penerbit:

Unpam Press

Redaksi:

Jl. Surya Kencana No. 1

R. 212, Gd. A Universitas Pamulang Pamulang | Tangerang Selatan | Banten

Tlp/Fax: 021. 741 2566 – 7470 9855 Ext: 1073

Email: [email protected]

Cetakan pertama, 09 Agustus 2021

Hak cipta dilindungi undang-undang

Dilarang memperbanyak karya tulis ini dalam bentuk dan dengan cara apapun tanpa

izin penerbit.


Kecerdasan Buatan iii

DATA PUBLIKASI UNPAM PRESS

| Lembaga Penerbit dan Publikasi Universitas Pamulang

Gedung A. R.212 Kampus 1 Universitas Pamulang

Jalan Surya Kencana No.1, Pamulang Barat, Tangerang Selatan, Banten.

Website : www.unpam.ac.id I email : [email protected]

Kecerdasan Buatan / Thoyyibah T, Munawaroh, Niki Ratama

ISBN 978-623-6352-26-7

I. Kecerdasan Buatan II. Thoyyibah, III. Munawaroh, IV. Niki Ratama

M163-09082021-01

Ketua Unpam Press: Pranoto

Koordinator Editorial: Aden

Koordinator Hak Cipta: Susanto

Koordinator Produksi: Dameis Surya Anggara

Koordinator Publikasi dan Dokumentasi: Kusworo

Desain Cover: Putut Said Permana

Cetakan pertama, 09 Agustus 2021

Hak cipta dilindungi undang-undang. Dilarang menggandakan dan memperbanyak

sebagian atau seluruh buku ini dalam bentuk dan dengan cara apapun tanpa ijin

penerbit.

http://www.unpam.ac.id/

mailto:[email protected]


Kecerdasan Buatan iv

MATA KULIAH

KECERDASAN BUATAN

IDENTITAS MATA KULIAH Program Studi : Teknik Informatika S-1 Mata Kuliah : Kecerdasan Buatan SKS : 3 Sks Deskripsi Mata Kuliah : Mata kuliah ini merupakan mata kuliah wajib

Program Studi Teknik Informatika S-1 yang membahas tentang Mata kuliah ini memba-has tentang pengenalan kecerdasan bu-atan, masalah, ruang , keadaan, metode searching, representasi pengetahuan, Fuzzy, Jaringan Syaraf Tiruan(JST), algo-ritma genetika, game playing

Capaian Pembelajaran : Setelah menyelesaikan mata kuliah ini ma-hasiswa mampu membangun suatu solusi cerdas dari suatu permasalahan nyata, dengan berbagai metode dalam kecer-dasan komputasional dengan baik.

Ketua Program Studi Ketua Tim Penulis

Teknik Informatika S-1

Achmad Udin Zailani. S. Kom. M. Kom Thoyyibah. T. S. Kom. M. Kom

NIDN: 429058303 NIDN:0423058704


Kecerdasan Buatan v

KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT, karena hanya ridho dan

hidayahnya maka modul yang berjudul “kecerdasan Buatan” jadi terselesaikan. Modul

ini terdiri dari 18 bab. Modul ini merupakan dasar dari kecerdasan buatan dengan

berbagai topik disertai contoh disetiap babnya.

Sasaran utama modul ini adalah mahasiswa teknik informatika. Mahasiswa

diharapkan mampu berpikir akan pentingnya mempelajari dan membuat berbagai

produk atau aplikasi disertai dengan rule yang melibatkan pakar. Akhirnya aplikasi

tersebut bisa menyerupai manusia sehingga membantu berbagai pekerjaan misalnya

AC dan mesin cuci yang menerapkan sistem fuzzy.

Banyak sekali penerapan kecerdasan buatan dalam kehidupan manusia.

Dimana sejarah kecerdasan buatan akan dibahas pada Bab 1. Definisi masalah, ruang

keadaan dan aturan yang penerapannya terdapat pada banyak game terdapat pada bab

2. Metode searching yang biasa digunakan untuk mencari suatu jarak tercepat dan

terpendek menggunakan blind search dan depth first search terdapat pada bab 3 dan

bab 4.

Representasi pengetahuan berupa logika, jaringan semantik, Frame (bingkai),

Script (Naskah) Aturan produksi berupa frame dan atribut objek terdapat pada bab 5 dan

6. Menanamkan pengetahuan pakar paa sebuah sistem disebut sistem pakar, misalnya

sistem pakar pendeteksi penyakit jantung. Sudah banyak sekali penelitian yang

berkaitan dengan sistem pakar misalnya terdapat pada bab 7. Struktur sistem pakar

dengan berbagai rule dengan teknik forward dan backward chaining terdapat pada bab

8. Sietem pakar dengan berbagai kemungkinan dijelaskan pada bab 9. Lotfi A. Zadeh

merancang pola berpikir manusia yang berhubungan dengan angka 0 dan 1 terdapat

pada bab 10. Penggunaan berbagai metode yaitu Tsukamoto, mamdani dan sugeno

terdapat pada bab 11. Penerapan logika fuzzy melalui kontrol frekuensi AC terdapat

pada bab 12. syaraf biologi layaknya otak dengan 10.000.000.000 sel syaraf akan

dijelaskan dengan jaringan syaraf tiruan pada bab 13. Penerapan algoritma delta rule

dan perceptron pada JST terdapat pada bab 14. Bab 15 menceritakan Penggunaan

metode backropagation pada JST.

Sejarah algoritma genetika terdapat pada bab 16. Bab 17 menjelaskan beberapa

proses yang terdapat pada algoritma genetika yaitu proses seleksi dan regenerasi. Bab

18 menceritakan tentang berbagai metode game playing berbasis kecerdasan buatan.


Kecerdasan Buatan vi

Sebagai manusia biasa penulis menyadari bahwa modul ini masih jauh dari

sempurna. Untuk kritik dan saran sangat diharapkan oleh penulis. Penulis juga

mengucapkan banyak terima kasih kepada teman-teman yang telah membantu

penulisan modul ini, serta LP3 Universitas Pamulang yang bersedia menerbitkan modul

ini. Akhir kata semoga modul ini bermanfaat dan mendapatkan ridho dari Allah SWT.

Pamulang, 09 Agustus 2021

Penulis


Kecerdasan Buatan vii

DAFTAR ISI

COVER .......................................................................................................................... i

EDITORIAL ................................................................................................................... ii

DATA PUBLIKASI UNPAM PRESS .............................................................................. iii

MATA KULIAH ............................................................................................................. iv

KATA PENGANTAR ..................................................................................................... v

DAFTAR ISI ................................................................................................................. vii

DAFTAR GAMBAR ...................................................................................................... xii

DAFTAR TABEL ....................................................................................................... xviii

PERTEMUAN I ............................................................................................................. 1

PENGENALAN KECERDASAN BUATAN ..................................................................... 1

A. Tujuan Pembelajaran ........................................................................................... 1

B. Uraian Materi ....................................................................................................... 1

C. Soal latihan/Tugas ............................................................................................... 9

D. Referensi ........................................................................................................... 10

PERTEMUAN 2 .......................................................................................................... 10

MASALAH, RUANG DAN KEADAAN ......................................................................... 11

A. Tujuan Pembelajaran ......................................................................................... 11

B. Uraian Materi ..................................................................................................... 11

C. Soal latihan/tugas .............................................................................................. 20

D. Referensi ........................................................................................................... 21

PERTEMUAN 3 .......................................................................................................... 21

METODE SEARCHING .............................................................................................. 22


B. Uraian Materi ..................................................................................................... 22

C. Soal Latihan/ Tugas ........................................................................................... 33

D. Referensi ........................................................................................................... 33


Kecerdasan Buatan viii

PERTEMUAN 4 .......................................................................................................... 34

DEPTH FIRST SEARCH ............................................................................................ 34


B. Uraian Materi ..................................................................................................... 34

C. Soal Latihan/ Tugas ........................................................................................... 46

D. Referensi ........................................................................................................... 46

PERTEMUAN 5 .......................................................................................................... 47

REPRESENTASI LOGIKA DAN JARINGAN SEMANTIK ............................................ 47

A. TujuanPembelajaran .......................................................................................... 47

B. Uraian Materi ..................................................................................................... 47

C. Soal ................................................................................................................... 57

D. Referensi ........................................................................................................... 58

PERTEMUAN 6 .......................................................................................................... 59

REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI ................................. 59

A. TujuanPembelajaran .......................................................................................... 59

B. Uraian Materi ..................................................................................................... 59

C. Soal ................................................................................................................... 68

D. Referensi ........................................................................................................... 68

PERTEMUAN 7 .......................................................................................................... 69

PENGANTAR EXPERT SYSTEM (SISTEM PAKAR) ................................................. 69


B. Uraian Materi ..................................................................................................... 69

C. Soal Latihan/Tugas ............................................................................................ 78

D. Referensi ........................................................................................................... 79

PERTEMUAN 8 ......................................................................................................... 80

STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG .......... 80


B. Uraian Materi ..................................................................................................... 80


Kecerdasan Buatan ix

C. Latihan soal/Tugas ............................................................................................ 90

D. Referensi ........................................................................................................... 90

PERTEMUAN 9 .......................................................................................................... 91

KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE ............ 91


B. Uraian materi ..................................................................................................... 91

C. Soal Latihan/ Tugas ......................................................................................... 100

D. Referensi ......................................................................................................... 101

PERTEMUAN 10 ...................................................................................................... 102

LOGIKA FUZZY ........................................................................................................ 102

A. Tujuan Pembelajaran ....................................................................................... 102

B. Uraian Materi ................................................................................................... 102

C. Soal latihan/ Tugas .......................................................................................... 111

D. Referensi ......................................................................................................... 112

PERTEMUAN 11 ...................................................................................................... 113

METODE PENYELESAIAN LOGIKA FUZZY ............................................................ 113


B. Uraian Materi ................................................................................................... 113

C. Soal Latihan/Tugas .......................................................................................... 121

D. Referensi ......................................................................................................... 121

PERTEMUAN 12 ...................................................................................................... 123

APLIKASI LOGIKA FUZZY ....................................................................................... 123


B. Uraian Materi ................................................................................................... 123


D. Referensi ......................................................................................................... 132

PERTEMUAN 13 ...................................................................................................... 133

JARINGAN SYARAF TIRUAN .................................................................................. 133


Kecerdasan Buatan x


B. Penjelasan materi ............................................................................................ 133


D. Referensi ......................................................................................................... 143

PERTEMUAN 14 ...................................................................................................... 144

DELTA RULE DAN PERCEPTRON .......................................................................... 144


B. Uraian Materi ................................................................................................... 144


D. Referensi ......................................................................................................... 155

PERTEMUAN 15 ...................................................................................................... 156

ALGORITMA BACKPROPAGATION ........................................................................ 156


B. Uraian Materi ................................................................................................... 156


D. Referensi ......................................................................................................... 167

PERTEMUAN 16 ...................................................................................................... 168

ALGORITMA GENETIKA .......................................................................................... 168


B. Uraian Materi ................................................................................................... 168


D. Referensi ......................................................................................................... 179

PERTEMUAN 17 ...................................................................................................... 180

PROSES PADA ALGORITMA GENETIKA ............................................................... 180


B. Uraian Materi ................................................................................................... 180


D. Referensi ......................................................................................................... 192


Kecerdasan Buatan xi

PERTEMUAN 18 ...................................................................................................... 193

GAME PLAYING ....................................................................................................... 193


B. Uraian Materi ................................................................................................... 193


D. Referensi ......................................................................................................... 208

DAFTAR PUSTAKA .................................................................................................. 209


Kecerdasan Buatan xii

DAFTAR GAMBAR

Gambar 1.1 Cabang artificial intelligence ..................................................... 6

Gambar 2.1 Masalah gelasAir ...................................................................... 13

Gambar 2.2 Keadaan teko air ..................................................................... 14

Gambar 2.3 Representasi ruang keadaan pada masalah teko air .............. 15

Gambar 2.4 Graph Keadaan ........................................................................ 19

Gambar 2.5 Pohon pelacakan ...................................................................... 20

Gambar 2.6 Node AND/OR tahap 1 ............................................................ 21

Gambar 2.7 Node AND/OR tahap 2 ............................................................. 21

Gambar 2.8 Tree AND/OR sampai tahapan 2 .............................................. 22

Gambar 3.1 Metode Breadth-first search (BFS) ........................................... 26

Gambar 3.2 Stack Breadth-first search (BFS) iterasi 1 tahap 1 .................... 27

Gambar 3.3 Repesentasi keadaan Breadth-first search (BFS) iterasi 1 ....... 27



Gambar 3.6 Repesentasi keadaan (BFS) Tahapan(iterasi) 2 ...................... 28



Gambar 3.9 Repesentasi keadaan (BFS) iterasi 3 ...................................... 29

Gambar 3.10 Stack Breadth-first search (BFS) iterasi 3 tahap 1 .................. 30

Gambar 3.11 Stack Breadth-first search (BFS) iterasi 3 tahap 2 .................. 30

Gambar 3.12 Representasi keadaan (BFS) iterasi 4 ................................... 30

Gambar 3.13 Stack Breadth-first search (BFS) iterasi 4 tahap 1 ................. 31


Kecerdasan Buatan xiii


Gambar 3.15 Representasi pengetahuan (BFS) iterasi 5 ............................ 31









Gambar 3.24 Representasi pengetahuan Metode (BFS) iterasi 8 ................ 35

Gambar 3.25 Stack Breadth-first search (BFS) iterasi 8 tahap 1 ................ 35


Gambar 3.27 Representasi pengetahuan (BFS) iterasi 9 ............................. 36


Gambar 4.1 Depth first search ..................................................................... 39

Gambar 4.2 Stack Depth first search iterasi 1 tahap 1 ................................. 41

Gambar 4.3 Representasi pengetahuan iterasi 1 ........................................ 41



Gambar 4.6 Representasi pengetahuan iterasi 2 ........................................ 42





Kecerdasan Buatan xiv

Gambar 4.10 Representasi pengetahuan iterasi 3 ...................................... 43

Gambar 4.11 Stack Depth first search iterasi 3 tahap 1 ............................... 44

















Gambar 4.28 Representasi keadaan iterasi 8 .............................................. 50




Gambar 4.32 Representasi keadaan iterasi 9 .............................................. 51



Kecerdasan Buatan xv


Gambar 4.35 Representasi keadaan akhir ................................................... 53

Gambar 5.1. Representasi jaringan semantik tahapan 1 ............................ 61

Gambar 5.2. Representasi jaringan semantik tahapan 2 ............................. 62

Gambar 5.3 Representasi jaringan semantik tahapan 3 .............................. 62


Gambar 5.5 Representasi jaringan semantik tahapan 5 ............................. 63

Gambar 5.6. Representasi jaringan semantik tahapan 6 ............................. 64



Gambar 6.1 Frame UNPAM ......................................................................... 69

Gambar 6.2 Frame Yayasan Sasmita Jaya .................................................. 72

Gambar 7.1 Diagram representasi sistem pakar .......................................... 84

Gambar 8.1 Struktur sistem pakar ................................................................ 94

Gambar 8.2 Pengembang sistem pakar secara tim ..................................... 95

Gambar 8.3 Iterasi 1 tahap 1 ........................................................................ 97

Gambar 8.4 Iterasi 1 tahap 2 ........................................................................ 98

Gambar 8.5 Iterasi 3 ..................................................................................... 99

Gambar 8.6 Iterasi 4 .................................................................................... 100

Gambar 10.1 Perbedaan logika fuzzy (a) dan logika tegas(biasa) (b) .......... 121

Gambar 10.2 Perbandingan logika tegas (a) dan logika fuzzy (b) ................ 122

Gambar 10.3 temperatur yang dijadikan himpunan ...................................... 123

Gambar 10.4 umur yang dijadikan himpunan ............................................... 123

Gambar 10.5 Contoh keanggotaan himpunan kecepatan ............................ 124


Kecerdasan Buatan xvi

Gambar 10.6 Representasi Linear yang bersifatNaik ................................... 125

Gambar 10.7 Representasi Linear Turun ..................................................... 126

Gambar 10.8 Representasi dalam bentuk Kurva Segitiga ............................ 127

Gambar 10.9 Representasi Kurva Trapesium .............................................. 128

Gambar 10.10 Representasi Kurva Bahu ..................................................... 129

Gambar 10.11 BlokDiagramKontrol logikafuzzy ........................................... 129

Gambar 10.12 Kerangka pada logikaFuzzy ................................................. 130

Gambar 11.1 Grafik IF THEN metode mamdani .......................................... 135

Gambar 12.1 variabel kecepatan yang memiliki Fungsi keanggotaan ......... 134

Gambar 12.2 Fungsi keanggotaan variabel suhu ......................................... 145

Gambar 12.3 fungsi keanggotaan variable frekuensi ................................... 146

Gambar 12.4 Grafik mamdani aturan 1 ....................................................... 149

Gambar 12.5 Grafik mamdani aturan 2 ........................................................ 149



Gambar 13.1 Arsitektur Hebb Rule .............................................................. 155

Gambar 13.2 Arsitektur Hebb Rule dengan logika OR ................................. 156

Gambar 14.1 Arsitektur jaringan pada delta rule data import ....................... 164

Gambar 15.1. Jaringan syaraf Backpropagation .......................................... 180

Gambar 15.2. Jaringan syaraf Backpropagation dengan 1 input.................. 183

Gambar 16.1 Struktur umum algoritma genetika .......................................... 202

Gambar 16.2 Algoritma genetik dalammencari nilai maks ........................... 203

Gambar 16.3 Processing dalam pencarian dan optimasion ......................... 203

Gambar 16.4 Individu pada Processing Algoritma Genetika ........................ 204


Kecerdasan Buatan xvii

Gambar 16.5 Proses seleksi individu maksimum ......................................... 204

Gambar 16.6 Competitian dan Tournament ................................................. 205

Gambar 16.7 Perkawinan silang 2 individu .................................................. 206

Gambar 16.8 Contoh hasil algoritma Genetika 1 .......................................... 206

Gambar 16.9 Contoh hasil algoritma Genetika 2 .......................................... 207

Gambar 16.10 Menentukan nilai maksimal fungsi 2 variabel ....................... 207

Gambar 16.11 Populasi awal pasangan secara acak .................................. 208

Gambar 16.12 Hasil algoritma genetika generasi 1 dan 2 ............................ 208



Gambar 17.1 Teknik pengkodean algoritma genetika .................................. 212

Gambar 17.2 Ilustrasi seleksi dengan Roulette Wheel ................................. 214

Gambar 17.3 Metode rank selection (situasi sebelum ranking) .................... 215

Gambar 17.4 Metode rank selection (situasi setelah ranking) ...................... 225

Gambar 17.5 Contoh tree encoding pada crossover .................................... 229

Gambar 18.1 Algoritma Negascout .............................................................. 230

Gambar 18.2 Algoritma MTDF ..................................................................... 231


Kecerdasan Buatan xviii

DAFTAR TABEL

Tabel 1.1 Temuan kecerdasan buatan dalam beberapa tahun ...................... 3

Tabel 1.2. Perbandingan kecerdasan buatan dan program biasa .................. 4

Tabel 1.3 Jurnal yang berhubungan dengan kecerdasan buatan .................. 8

Tabel 2.1 Rule Bak air. ................................................................................... 14

Tabel 2.2 penyelesaian bak A dan B .............................................................. 16

Tabel 2.3Rule petani, kambing, serigala dan sayur-sayuran .......................... 17

Tabel 2.4Penyelesaian Permasalahan ........................................................... 17

Tabel 5.1 Contoh proposisi............................................................................. 56

Tabel 5.2 Bentuk,arti dan simbol ................................................................... 56

Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi ................... 58

Tabel 5.4 Tabel kebenarannya untuk menunjukan argumen ........................ 59

Tabel 5.5 Tabel beberapa hukum Inferensia .................................................. 60

Tabel 6.1 Frame Teknik Informatika .............................................................. 70

Tabel 6.2 Frame Jaringan 1 ........................................................................... 70

Tabel 6.3 Frame Jaringan 2 .......................................................................... 70

Tabel 6.4 Frame Programming ....................................................................... 71

Tabel 6.5 Frame Programming 1 ................................................................... 71

Tabel 6.6 Frame SMK ................................................................................... 72

Tabel 6.7 Frame Mekanik 1 ............................................................................ 73

Tabel 6.8 Frame Mekanik 2 ........................................................................... 73

Tabel 6.9 Frame Komputer............................................................................. 74

Tabel 6.10 Frame Komputer 1 ....................................................................... 74

Tabel 7.1 Defenisi Expert sistem dari berbagai penulis .................................. 81


Kecerdasan Buatan xix

Tabel 8.1 Rule ke 1 ........................................................................................ 100

Tabel 8.2 rule ke 2 .......................................................................................... 102

Tabel 8.3 rule ke 3 .......................................................................................... 103

Tabel 8.4 rule ke 4 .......................................................................................... 104

Tabel 9.1 tabel probabilitas bersyarat evidence ............................................. 110

Tabel 9.2 Uncertain term ................................................................................ 116

Tabel 10.1 kontrol logika fuzzy dalam bentuk matriks .................................... 131

Tabel 11.1 Jurnal yang berhubungan dengan fuzzy ....................................... 140

Tabel 12.1 penerapanMin untu setiap aturan ................................................. 147

Tabel 12.2 Mengimplementasikan fungsi MIN pada mamdani ....................... 148

Tabel 12.3 Mencari α-predikatSertanilai z terhadap setiapaturan .................. 151

Tabel 13.1 jenis Algoritma pembelajaran dengan supervisi ........................... 155

Tabel 13.2 tahapan Algoritma pelatihan hebb rule ......................................... 156

Tabel 13.3 Fungsi logika or ........................................................................... 156

Tabel 13.4 Data pertama dengan perubahan bobot terhadap bias ................ 157

Tabel 13.5 Data ke-2 dengan perubahan bobot terhadap bias ...................... 157



Tabel 13.8 Hasil perhitungsn f (net) ............................................................... 158

Tabel 13.9 Input biner dan output bipolar menggunakan logika Or ............... 159

Tabel 13.10 Data ke-1 dengan perubahan bobot terhadap bias .................... 159





Kecerdasan Buatan xx

Tabel 13.14Hasil f (net) input biner dan output bipolar logika ‘OR’ ................. 160

Tabel 13.15iinput biner dan output bipolar melalui fungsi logika ‘OR’ ............ 161


Tabel 13.17Data ke-2 dengan perubahan bobot terhadap bias ..................... 161



Tabel 13.20 Hasil f (net) melalui input(bipolar) dan output(bipolar) “OR” ...... 162

Tabel 14.1 Fungsi logika ‘or’........................................................................... 165

Tabel 14.2 input biner target bipolar 1 ............................................................ 173



Tabel 15.1 Tes konfisi berhenti ………………………………………..………...183


Kecerdasan Buatan 1

PERTEMUAN I

PENGENALAN KECERDASAN BUATAN

A. Tujuan Pembelajaran

Pada pertemuan ini akan dijelaskan pengetahuan dasar (basic science) tentang

definisi kecerdasan buatan dan sejarahnya, sub bahasan pada pertemuan ini yaitu:

1. Kecerdasan buatan atau artificial intelligence

2. Sejarah artificial intelligence

3. Perbandingan KecerdasanBuatan dengan ProgramKonvensional

4. Bagian KecerdasanBuatan

5. Cabang program Artificial intelligences

6. Kelebihan kecerdasan buatan

7. Jurnal yang berhubungan dengan kecerdasan buatan

8. Peranan kecerdasan buatan saat ini

9. Cabang kecerdasan buatan

Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu

memahami kecerdasan buatan.

B. Uraian Materi

1. Kecerdasan Buatan

KecerdasanBuatan atau dengan kata lain artificialIntelligence merupakan

suatu proses menanamkan program pada sebuah mesin. Sehingga mesin

tersebut bisa beroperasi layaknya seperti manusia. Kecrdasan buatan banyak

digunakan diberbagai kehidupan sebagai contoh alat pendeteksi penyakit, sistem

lalu lintas dan lainnya. Dalam hal ini algoritma komputer sering digunakan untuk

membuat mesin tersebut.

Kalau berbicara tentang algoritma maka artificial intelligence atau

kecedasan buatan ini pasti bisa di hubungkan dengan bidang matematika dan

tidak menutup kemungkinan bisa dihubungkan dengan bidang lain misalnya

biologi menghasilkan bioinformatika dan laiinnya.

Sejarah mebuktikan bahwa komputer awalnya hanya sebatas alat hitung,

tapi sekarang komputer telah mengkombinasikan berbagai bidang untuk

menghasilkan sebuah produk yang membantu manusia. Misalnya seseorang ahli

georafi harus belajar dan berhubungan dengan seorang pakar untuk membuat

alat pendeteksi posisi banyaknya ikan di sungai.


Kecerdasan Buatan 2

Manusia diwajibkan untuk belajar dan memecahkan banyak persoalan

kehidupan. Persoalan tersebut membawa manusia pada sebuah perjuangan

untuk membuktikan sesuatu melalui proses menelaah dan bernalar. Dengan

demikian bisa dihasalkan sebuah kesimpulan dari permasalahan berdasarkan

pengetahuan yang ada.Sehingga dengan bekal pengetahuan dibantu dengan

algoritma dan metode membuat sebuah komputer menjadi komputer pintar.

2. Sejarah Kecerdasan Buatan

Sebuah sistem yang bagus harus berhubungan dengan kecerdasan

buatan. Banyak penerapan kecerdasan buatan yang telah digunakan untuk

kebutuhan rumah tangga atau kehidupan sehari-hari. Misalnya Ac yang akan

berhawa dingin ketika ada seseorang pada ruangan tersebut. Tentunya AC

tersebut menggunakan algoritma sehingga dikatakan cerdas. Kebutuhan

kecerdasan mulai meningkat setelah 20 tahun terakhir ini, hal ini juga ditandai

dengan semakin meningkatnya kebutuhan. kecerdasan buatan atau artificial in-

telligence mulai muncul sekitar th 1940-an, seiring dengan munculnya komputer

sebagai alat kebutuhan manusia.

RenéDescartes pada permulaan abad ke-17 membuat sebuah perumpaan

hewan dengan tubuh yang terdiri dari beberapa mesin yang bersifat rumit.

Principia Mathematica merupakan pemahaman dari “Bertrand Russell dan

Alfred North Whitehead” sehingga menciptakan logika formal. Kalkulus logis

sebagai pokok utamai artificial intelligence dikemukakan oleh Warren Mc Culloch

dan Walter Pitts pada tahun 1943. Tahun 1951 adalah tahun pertama AI muncul

untuk program permainan naskah oleh Christopher Strachey dan catur oleh Die-

trichPrinz. Tahap berikutnya tahun 1956 John McCarthy menyebutkan

kecerdasan buatan pada sebuah konferensi mengungkapkan sebuah program

bernama Lips. Tes prilaku cerdas yang disebut “Turingtest” merupaka

kecerdasan buatan yang dikemukakan oleh Alan Turing..

Program pertama di bidang matematika terjadi pada tahun 1960-1n dan

1970-an hal ini dilakukan dengan demontrasi Joel Moses.Manusia yang

mempunyai banyak jaringan syaraf melalui perceptrons dikemukakan oleh

Marvin Minsky dan Seymour Papert. BahasaKomputer prolog dikemukakan oleh

Alain Colmerauer. Pada bidang kesehatan Ted Shortliffe membuat Sistem pakar

medis pertama. Dalam bidang lalu lintas Hans Moravec membuat sistem

kendaraan untuk mengendalikan lalu lintas yang berantakan.


Kecerdasan Buatan 3

Tahun 1974 Paul John Werborn menjelaskan tentang Artificial Intelligence

melalui back propagation algorithm yang dicetuskan 1980-an. Banyaknya

program kecerdasan buatan yang dipamerkan tahun 1990-an, terutama Garry

berhasil dikalahkan oleh Deep Blue tahun 1997 pada 6 kompetisi Catur Games.

DARPA (Defence Advanced Research Projects Agensi) yang merupakan

badan proyek pertahanan Amerika dari tahun 2004 merancang sebuah mobil

yang tidak melibatkan manusia melalui GPS berhasil melaju dengan jarak

ratusan mil.

Tabel 1.1 Temuan kecerdasan buatan dalam beberapa tahun

Nomor Tahun Penjelasan

1 1206 The first humanoid Robotic by Al-Jazari

2 1796 Penuang doll the name is Karakuri from japan

3 1941 The First Electronic Computer

4 1949 The First Stored Program By Computer

5 1956 Kecrdasan Buatan pertama kali melalui Dartmouth Konfrensi

6 1958 Language of LISP

7 1963 (Defence Advanced Research Project Agensi) DARPA

8 1970 The first of Expert System

9 1972 The First Of Language Prolog

10 1986 Alat Based on kecerdasan buatan hinggai $425 juta

11 1994 AC based on NeuroFuzzy sold out

12 2010 AI for Commercial aircraft the name is BOEING 900-ER

13 2011 The first robotic in the restaurant service in Indonesia

14 2012 fuzzy dan selflearning yang digunakan pada expert system troubleshooting

15 2012 Spam detection with Siytem immune

3. Perbandingan Program Biasa dengan kecerdasan buatan

Program Biasa atau program komputer secara konvenssional alurnya

berdasarkan algorithm, yaitu rumus matematic terhadap suatu penyelesaian.

Algorithm mengarahkan kepada komputee melalui sebuah instruksi hal apa yang

harus dilakukan. Data yang digunakan bisa berupa angka, huruf, simbol melalui

algorithm bisa menuntaskan sebuah problem. Manipulation simbolic merupakan

System untuk kecerdasan buatan based on representasi. Huruf, kata, atau angka

merupakan contoh dari yang berhubungan dengan objek. Objek bisa terdiri dari

beberapa macam contohnya manusia, benda, fakta, pikiran dan lain-lainnya.

Simbol dan objek yang berhubungan menciptakan basic knowledge

menghasilkan problem solving. Perbandingan program biasa dan kecerdasan

buatan terlihat pada Tabel 1.2


Kecerdasan Buatan 4

Tabel 1.2. Perbandingan kecerdasan buatan dan program biasa

Sudut pandang kecerdasan buatan Program Biasa

“Pemrosesan” Simbolic Algoritma

Masukan Not Complete Complete

Approach Research Most of the heuristic Algorithm

Explain Available Not available

Fokuss Knowledge Dataa

Maintenence Cheap Difficult

Berpikirr logic Available Not availabele

4. Bagian KecerdasanBuatan

Kecerdasan buatan merupakan permasalahan yang banyak sekali melalui

evaluasi untuk menghasilakan sebuah teori”. example:

a. Pola, yaitu cara merepresentasikan sebuah fakta ke dalam simbol atau

dengan kata lain logika matematik.

b. Inferensia yaitu pengetahuan dan penalaran yang masuk akal (com-

monsenseknowledgeandreasoning) atau learn form experience.

Sebuah perecanaan dibuat dari fakta umum sehingga timbullah strategi

untuk mencaoai tujuan. Strategi berupa urutan sebagai berikut::

a. Epistemologis yaitu pembelajaran tentang asal-usul,karakter, keterikatan,

knowledge for problem solving.

b. Ontologis yaitu pengetahuan tentang keberadaann dan keabsahan.

c. Heuristiks yaitu metode yang digunakan untuk menemukan suatu pemikiran

dan usulan.

5. Cabang program Artificial intelligences

Artificial intelligences yang terdapat pada Gambar 1.1 terdiri dari beberapa

cabang, yaitu linguistik, Psikologis, philosophy atau Filsafat, alectrical

engineering atau Teknik Elektro, Computer science, management science atau

Ilmu Manajemen dan lain-lain. Expert sistem atau sistem pakar merupakan cang

yang banyak diminati misalnya pembuatan program untuk konsultasi yang

menirukan cara berpikir seorang pakar sehingga bisa menyelesaikan sebuah

problem tertentu. NLP atau nataural language proses yang disebut juga dengan

Pemrosesan Bahasa Alami memberikan kemampuan kepada komputer atau

aplikasi tertentu.NLP terdiri dari:


Kecerdasan Buatan 5

1. Natural language understanding dengan kata lain pemahaman bahasa alami,

merupakan riset tentang pemahaman komputer yang mengerti perintah

manusia.

2. Natural language generation atau dengan kata lain pembangkitan bahasa

alami, merupakan kebalikan dari natural language understanding yaitu

manusia bisa memahami komputer dengan mudah.

Voice Understanding adalah teknik agar komputer mengerti ucapan

manusia. Hal ini sudah bisa dilakukan ketika mengakses google. Misalnya

Seseorang mencari sesuatu melalui ucapan.

Gambar 1.1 Cabang artificial intelligence

Sistem censor dan robotic sekarang juga sangat berkembang. Sebagai

contoh sistem sensor ketika melakukan absensi, alat akan mengenali wajah

melalui sensor atau disebut face recognition. Robotika juga semakin marak

misalnya robot yang digunakan untuk menyiram tanaman atau robot yang

digunakan untuk mendeteksi seseorang yang terkena covid-19.

KomputerVision, yaitu gabungan dari pengenalan pola dan pengolahan

citra. Komputervision banyak digunakan untuk mengontrol proses industri.


Kecerdasan Buatan 6

Machine learning merupakan pemrosesan berdasarkan dari data. Machine

learning terdiri dari supervised learning, unsupervised learning, semi-supervised

learning, reinforcement learning, learning to learn. Aplikasi lain dari kecerdasan

buatan misalnya untuk merangkum berita, pemrograman komputer secara

otomatis, atau menerjemahkan dari suatu bahasa ke bahasa yang lain, serta

aplikasi dalam permainan.

6. Kelebihan kecerdasan buatan dibandingkan kecerdasan alamii

a. Sifat kekal yang dimiliki oleh kecerdsan buatan dibandingkan dengan

kecerdasan alamii yang dimiliki hanya bersifat sementara. Hal ini karena

setiap insan memiliki sifat suka lupa. Kecerdasan buatann tidak akan pernah

berubah sepanjang programmer tidah mengubah codingannya.

b. Kecerdasan buatann sangat mudah disalin atau dipindahkan dari komputer

yang satuu ke komputer lainnya. Berbeda dengan kecerdasan alamii,dimana

cara menyampaikan setiap orang berlainan. Terkadang seseorang sangat

mengusai konsep, materi, teori, metode tapi tidak bisa menyampaikannnya

ke orang lain.

c. Kecerdasann alami lebih mahal daripada kecerdasan buatan. Hanya

menggunakan komputer seseorang sudah menggunakan kecerdasan

buatan. Berbeda dengan kecerdasan alamii yang mempertimbangkan waktu,

jarak, dan uang untuk bertemu dengan seorang pakar.

d. Kecerdasan buatan bisa didokumentasikan kedalam komputer atau alat lain.

Sedangkan kecerdasan alami hanya ada dalam pemikiran manusia.


Kecerdasan Buatan 7

7. Jurnal yang berhubungan dengan kecerdasan buatan

Tabel 1.3 Jurnal yang berhubungan dengan kecerdasan buatan


Kecerdasan Buatan 8

8. Peranan kecerdasan Buatan saat ini

Contoh-contoh diantaranya

a. Teknik searching yang digunakan untuk pencarian rute suatu daerah

menggunakan Global Positioning Systems(GPS).

b. Teknik planning yang digunakan di bidang manufaktur dan robotik. Dimana

teknik tersebut digunakan sebagai software untuk memonitor dan


Kecerdasan Buatan 9

mengeksekusi terhadap perencanaan- perencanaan. Dan masih banyak lagi

penerapan kecerdasan buatan saat ini yang digunakan untuk keperluan

sehari-hari

9. Cabang Kecerdasan Buatan

Kecerdasan buatan banyak sekali penerapannnya diantaranya

permasalahan kehidupan. Kecerdasan buatan juga digunakan untuk pembuktian

sebuah teori, contohnya:

a. Pembelajaran pola atau sering disebut pengenalan pola, pada

pembelajaran ini dilakukan bagaimana caranya untuk merepresentasikan

pengetahuan berupa fakata yang dituliskan dalam bentuk simbol dan

bahasa secara logika matematis.

b. Inferensia, yaitu knowledge serta cara bernalar sesuai logika berdasarkan

experience

Suatu penyelesaian berdasarkan dari fakta mengenai efek samping dari

sebuah aksi. Tujuan pun bisa dicapai berdasarkan keadaan secara khusus.

Dengan keadaan tersebut maka bisa disusun sebuah strategi dengan urutan

tertentu misalnya:

a. Epistemologi,yaitu pemecahan masalah yang memepertimbangkan

keterbatasan suatu knowledge, sifat keadaan dan sumber dari keadaan

tersebut.

b. Ontologi,yaitu keberadaan serta realitas yang perlu dipelajari lebih lanjut

dalam cakupan ilmu.

c. Heuristik,ialah ide atau penyelesaian masalah bisa berupa benda atau yang

laiinya menggunakan suatu teknik tertentu.

C. Soal latihan/Tugas

1. Ceritakan sejarah kecerdasan buatan?

2. Apa pentingnya kecerdasan buatan pada perkembangan ilmu?

3. Bidang apa saja yang memerlukan penerapan kecerdasan buatan? Jelaskan ?

dan mengapa?

4. Ceritakan ruang lingkup kecerdasan buatan?

5. Ceritakan rangkaian pohon dari artificial intelligence?

6. Ceritakan penerapan kecerdasan buatan di bidang kesehatan?

7. Ceritakan penerapan kecerdasan buatan di bidang transportasi?


Kecerdasan Buatan 10

8. Ceritakan kecrdasan buatan pada bidang industri?

9. Ceritakan penerapan kecerdasan buatan pada lingkungan sekitar rumah?

10. Sebutkan dan jelaskan 8 bagian pohon kecerdasan buatan?

11. Ceritakan 1 jurnal lain yang berhubungan dengan kecerdasan buatan?

D. Referensi

Achmad, Balza. 2006. Diktat Mata Kuliah Kecerdasan Buatan. Yogyakarta:

Universitas Gadjah Mada.

Eridani, Dania dkk.2018. Pengenalan dan Analisis Ucapan pada Sistem Kontrol

Perangkat Listrik Menggunakan Arduino Uno.Semarang :Jurnal Teknologi dan

Sistem Komputer. Vo.6 , No.1 :18-24.

Fauset, Laurene. 2000. Fundamental of Neural Network. PrenticeHall.

Jaya, Tri Satria dkk.2016. Penerapan Speech Recognition Pada Permainan Teka-

TekiSilang Menggunakan Metode Hidden Markov Model (Hmm) Berbasis

Desktop. Bengkulu : Jurnal Rekursif. Vol.4, No.1 : 119-129.

Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta:

Graha Ilmu.

Siler, William and J. Buckley, James. 2005. FuzzyExpert System

andFuzzyReasoning. Wiley-Interscience.

Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning.

Informatika Bandung. Bandung.



PERTEMUAN 2

MASALAH, RUANG DAN KEADAAN


Pada pertemuan ini akan dijelaskan konsep masalah dan ruang masalah serta

metode pencarian dalam kecerdasan buatan. Setelah menyelesaikan materi pada

pertemuan ini, mahasiswa dapat menganalisis masalah dengan metode pencarian.

Sub pembahasan pada pertemuan ini yaitu:

1. Definisi masalah dalam kecerdasan buatan

2. Masalah, ruang keadaan dan aturan

3. Representasi ruang keadaan dengan Graph

4. Searching sebagai teknik pemecahan masalah

B. Uraian Materi

1. Definisi masalah dalamKecerdasanBuatan

Kecerdasan buatan umumnya memecahkan berbagai masalah yang

dihadapi manusia. Secara umum definisi masalah adalah

kesenjanganantarayangdiharapkan dengan kenyataanyangada. Sebagai contoh

seseorang ingin pintar tapi malas belajar. Tentu saja masalah seperti ini tidak

dapat diselesaikan dengan kecerdasan buatan, sehingga perlu dipahami

pengertian kecerdasan buatan. Menurut SutojoT,MulyantoE,SuhartonoV,2011

“KecerdasanBuatan adalah suatu problem yang membunyai state awal dan state

akhir atau goal dan bisa mengubah keadaan dengan aturan yang digunakan”.

2. Masalah, ruang keadaan dan aturan

beberapa hal yang harus diperhatikan dalam menggambarkan sebuah

masalah:

a. MendefinisikanSuatuRuangKeadaan”

b. MenetapkanSatuatauLebihKeadaanAwal”

c. MenetapkanSatuatauLebihTujuan(Goal)”

d. MenetapkanKumpulanAturan”

Ruangg keadaan berisi berbagai state yang memungkinkan sesuatu.

Misalnya state awal untuk memulai dan state akhir untuk mmengakhiri

pencarian.



Contoh 1. Masalah gelas air (water glass)

Terdapat 2 bak berisi 4 ggalon untuk teko A dan 3 galon untuk teko B.

Ilustrasi (Gambar 2.1). Kasusnya: “Bagaimanakah mengisi tepat 2 galon air ke

dalam tong yang berkapasitas 4 galon”?

Gambar 2.1 Masalah gelasAir

Perumusan:

a. Identifikasi suatu ruang keadaan”

Penyelesaian dari soal ini diberi perumpaan x dan y:

x = bak berisi air 4 galon (tong A);

y = bak berisi air 3 galon (tong B);

Ruang keadaan: (x,y) sedemikian Rupa sehingga x artinya {0,1,2,3,4}

dan y artinya{0,1,2,3}.

b. State mulai dan akhir

1) StateAwal, terdapat 2 tong kosong: (0,0);

2) Tujuan, state saat tong 4 galon berisi tepat 2 galon air: (2,n) untuk

sembarang

c. Keadaan teko air.

Keadaan kedua teko dapat dilihat pada Gambar 2.2

Gambar 2.2 Keadaan teko air.



d. Rule yang digunakan

Rule dideskripsikan padaTabel 2.1.

Tabel 2.1 Rule Bak air.

e. RepresentasiPengetahuan dengan tree.

Penyelesaian dilakukan melalui tree (Gambar 2.3). Setiap bentuk bulat

disebut node. Node mempunyai arti sebuah keadaan. Arah merupakan induk

dan anak. Sehingga solusi bisa ditemukan pada Tabel 2.2.



Gambar 2.3 Representasi ruang keadaan pada masalah teko air

Tabel 2.2 penyelesaian bak A dan B

Contoh 2.1 : petani(farmers), kambing(goats), serigala(wolves) dan sayur-

sayuran(vegetables)

Dengan menggunakan sebuah kapal maka seorang petani akan

menyeberangkan kambing, serigala atau sayuran. Kapal hanya bisa memuat

seorang petani dan satu lainnya. Permasalahnnya ketika sayur ditinggalkan

maka sayur akan dimakan kambing, ketika kambing ditinggalkan maka kambing

di makan serigala. Bagaimana menyelesaikan permaslahan tersebut.

Menyelesaikan:



a. Identifikasi ruang keadaan”

Penyelesaian problem ini memiliki beberapa simbol yaitu

petani(farmers), kambing(goats), serigala (wolves) dan sayur-

sayuran(vegetables). Misalnya (0,1,1,1) yang memiliki arti pada suatu daerah

asal tidak terdapat kambing(goats), terdapat serigala(wolves), terdapat

sayuran(vegetables) dan terdapat petani(farmers).

b. State awal dan state akhir

1) State awal pada dua sisi

Sisi awal=>1,1,1,1

Sisi akhir=>0,0,0,0

2) State akhir

SisiAwal=>0,0,0,0

SisiAkhir=>1,1,1,1

c. Rule

Rule dideskripsikan pada Tabel 2.3.

Tabel 2.3 Rule petani, kambing, serigala dan sayur-sayuran



Tabel 2.4 Penyelesaian Permasalahan

3. Representasi ruang keadaan dengan graph

Contoh representasi ruang keadaan yaitu graph keadaan. Dimana Graph

keadaan tersebut melibatkan node. Dimana pada contoh dibawah ini terdiri dari

node yang dipetakan melalui node awal secara bertahap ke node selanjutnya,

seperti ilustrasi dibawah ini:

Z-K-L-M-O-U

Z-K-L-M-O-R-U

Z-N-M-O-U

Z-N-M-O-R-U

Graph yang menemui jalan buntu dan tidak sampai ke tujuan ialah:

Z-K-L-M-O-P-Q

Z-K-L-M-O-S-T

Z-N-M-O-P-Q

Z-N-M-O-S-T

Z-N-S-T

State State Rule

Asal Seberang

(1,1,1,1) (0,0,0,0) 1

(0,1,1,0) (1,0,0,1) 7

(0,1,1,1) (1,0,0,0) 3

(0,0,1,0) (1,1,0,1) 4

(1,0,1,1) (0,1,0,0) 2

(1,0,0,0) (0,1,1,1) 7

(1,0,0,1) (0,1,1,0) 1

(0,0,0,0) (1,1,1,1) Solusi



Gambar 2.4 Graph Keadaan

Gambar 2.4, merupakan Graph yang tak berarah, sehingga menjadi: N-M-

O-S-N, node-node ini akan selalu berulang.

a. Penyelidikan terhadap Tree

Struktur pohon digunakan untuk penyelidikan node yang berulang.

1

2

8

4

7

6

Z

L O

R

T

S N

K

M

P Q

U

4

3

5

4

3

6

4

2



Gambar 2.5 Pohon pelacakan

Beberapa node yang terdapat pada pohon, node awal pada tahap-0

disebut “akar”. Node ini bisa dimisalkan sebuah topik. Bebarapa percabangan

dimiliki oleh node ini, dimana percabangan tersebut dinamakan sebagai

“anak” atau disubut jg “successor” sehingga menjadi perantara node

selanjutnya. NOde awal disebut Predecessor. Node yang tidak memiliki anak

disebut “daun” sebagai contoh pada Gambar 2.6 yaitu Q,T,U yang merupakan

the end sebuah tree.

O

Z

L

O

R

T

S

N K

M

P U

M

S

P S R U

Q T U

Q T U

............................................................Tahap-

0

................................................Tahap-

1

.....................................Tahap-2

..................................Tahap-3

............Tahap-4

............................Tahap-5

......................................................................................Tahap-

6



b. Tree pada AND/OR

Gambar 2.6 menjelaskan permasalahan Z akan diselesaikan dengan

alternatif K,L,M.Sehingga ketika salah satu K,L,M tidak terpecahkan maka

masalah Z akan terselesaikan. Berbeda dengan Gambar 2.6, ketika Z hanya

bisa dipecahkan melalui K,L,M. Yang artinya untuk menyelesaikan persoalan

Z, sehingga menyelesaikan alternatif node K, L dan M terlebih dahulu. Tree

yang dimaksudkan yaitu tree pada AND/OR.

Gambar 2.6 Node AND/OR tahap 1

Gambar 2.7 Node AND/OR tahap 2

Gambar 2.8 memperlihatkan pencapaian tujuan melalui Tree “AND/OR”.

Pohon tree pada Gambar 2.5 hanya bisa diselesaikan sampai tahap 2 seperti

pada Gambar 2.8.

Gambar 2.8 Tree AND/OR sampai tahapan 2

Z

L M K

Z

L M K

Z

L M K O N O M

U U R U U R

.....................................Tahapan-0

Tahapan-1

Tahapan-2



4. Searching sebagai teknik pemecahan masalah

Berbagai solusi bisa diselesaikan melalui permasalahn seperti di atas.

Biasanya untuk membangun system tersebut, 4 hal perlu di pertimbangkan, yaitu

a. Mengananlisis persoalan teknikpenyelesaian yang cocok

b. Merepentasikan knowledge terhadap permasalahan yanga ada.

c. Mengambil metode terbaik sehingga persoalan terselesaikan.

Banyak lagi teknik penyelesaian masalah yang dapat dipakai, antara lain

searching (pencarian), reasoning(penalaran),planningyaitumemecahproblem ke

dalam bagian terkecil masalahntersebut

C. Soal latihan/tugas

1. Ilustrasikan pada menara hanoi melalui ruang keadaa, state awal dan state akhir

serta tujuan?

2. Diketahui terdapat 2 buah ember, ember pertama bisa menampung 7 liter dan

ember kedua 5 liter. Pada awalnya ember tersebut dalam kondisi kosong.

Informasi tambahannya lagi ember tersebut tidak terdapatukuran yang

menandakan batasan volume. Untuk mengisi ember tersebut terdapat sumur bor.

Pertanyaanya bagaimana kalian bisa mengisi 6 liter air ke dalam ember yang

berkapasitas 7 liter. Sehingga pintu penjara menjadi terbuka dengan catatan

ember nanti akan diletakkan di atas kunci untuk membuka pintu penjara?

3. Ada 3 kanibal dan 3 missionaris akan menyebrangi sungai, ketika kanibal sendiri

dan misionaris sendiri maka kanibal akan memakan misionaris, bagaimana

menyelesaikan permasalahn tersebut menggunakan representasi pengetahuan



dan dan beberapa rule (aturan) sehingga misionaris bisa menyebrangi sungai

dengan selama?

4. Buatlah contoh lain penerapan grap keadaan AND/OR sari 6 level menjadi 2 level

saja?

D. Referensi

Sutojo T, Mulyanto E, Suhartono V.2011. kecerdasan buatan. ANDI. Yogyakarta.


Informatika Bandung. Bandung.



PERTEMUAN 3

METODE SEARCHING


Pada pertemuan ini akan dijelaskan tentang “blind search” dan “heuristic

search” dengan iterasi. Anda harus mampu menjelaskan pencarian buta (blind

search).

B. Uraian Materi

1. Pencarian buta (blind search) dengan iterasi

Blind search atau Un-informed search merupakan pencarian untuk

melacak ruang keadaan. Metode pencarian secara Blind search terdiri dari

beberapa yaitu metode “Breadth First Search(BFS)”, “Dept First Search(DFS)”,

“Deapth limited search (DLS)”, “Uniform Cost Search (UCS)”, “Iterative

deepening search (IDS)”, “Bi-Directional search (BDS)”. Metode Serching secara

“heuristik” terdiri dari generate atau pembangkit dan test atau uji, pendakian bukit

atau hill climbing, Simulate anneling (SA), “Best first search” (pencarian terbaik

lebih dahulu), greedy best first search, A* (A bintang), “Iterative deepening A*

(IDA*)”, “Simplified memory bounded A* “(SMA*), Bi-Directional A*(BDA*),

Modified Bi-Directional A*(MBDA*), Dynamic weighting A* (DWA*).

Metode Breadth-first search (BFS) merupakan bagian dari blind yang

artinya sebelum mengunjungi level n+1 maka yang terlebih dahulu dilakukan

adalah mengunjung level n node. Pencarian dilakukan pada semua simpul dalam

setiap level berurutan dari kiri ke kanan. Jika pada level tertentu tidak ditemukan

solusi maka dilanjutkan pada level berikutnya. Solusi yang diambil adalah solusi

yang terbaik. Dengan kata lain solusi yang complate dan optimal. Hal ini

dilakukan dengan menelusuri satu-persatu sampai level yang paling bawah

(Suyanto, 2007). Simpul yang bersebelahan dengan simpul awal akan dicari

terlebih dahulu (Kristanto A,2004).

Pada kasus ini seperti contoh pada Gambar 3.1 yaitu searching diawali

node awal atau akar (node T) teruske tahapan atau level pertama yaitu K dari

kiri(left) ke kanan(right) yaitu L, Setelah itu beralih ke tahapan berikutnya atau ke

level selanjutnya, mulai dari kiri(left) M ke kanan(right) N sampai ditemukanya

goal (node Q). Gambar 3.1 merupakan metode Breadth-first search (BFS) yang

diadopsi dari buku kecerdasan buatan oleh Sutoju, Mulyanto E, Suhartono V



(2011). Aturan dalam metode ini yaitu Dalam algoritma BFS sebagai anak(child)

yang sudah didatangi kemudian disimpan pada antrian. Antrian ini digunakan

sebagai arah simpul tetangga yang hendak dikunjungi sesuai dengan urutan.

Gambar 3.1 Metode Breadth-first search (BFS)

Untuk memperjelas cara kerja algoritma BFS beserta antrean yang

digunakanya, berikut urutan BFS algorithm.

a. Masukan node Akar kedalam antrian

b. Dapatkan titik untuk mengawali suatu antrian, setelah itu cek apakah

terdapat suatu penyelesaian

c. Apabila terdapat titik solusi, maka searching berakhir

d. Apabila titik penyelesaian, input semua titik pada antrian

e. Apabila antrian tidak terisi atau kosong dan tiap titik telah diperiksa maka

searching selesai.

f. dari poin 2

g. Keuntungan Menjamin ditemukanya solusi yang paling baik (Complete dan

Optimal)

h. Kelemahan Karena BSF harus menyimpan semua node yang dibangkitkan

maka metode ini membutuhkan memori dan waktu yang cukup banyak

Jika Queue tidak kosong, ulangi pencarian mulai

Contoh 1

M

T

L

O P

Q R

K

N



Misalkan diketahui pohon pelacakan seperti Gambar 3.1 implementasikan

algorithm BFS agar mendapatkan penyelesaian mulai dari titik P hingga titik Q

melalui beberapa iterasi yaitu:

Iterasike 1

Input titik T Pada antrian

Antrian

Input dari sebelah kiri(left), output dari sebelah kanan

Gambar 3.2 Stack Breadth-first search (BFS) iterasi 1 tahap 1

Representasi Ruang Keadaan :

Gambar 3.3 Repesentasi keadaan Breadth-first search (BFS) iterasi 1

Keluarkan T dari antrian kemudian periksa T merupakan tujuan(Goal)

Antrian



Ternyata T ≠ Goal

T punya anak K dan L masukan pada antrian

Antrian



T

24

L K

24

T

24

24



Representasi Ruang Keadaan

Gambar 3.6 Repesentasi keadaan BreadthFirstSearch (BFS)

Tahapan(iterasi) 2

Iterasike ke-2

Lempar K dariAntrian periksa K merupakan Tujuan Goal

Antrian



Ternyata K ≠ Goal

K mempunyai anak(child) M serta N input pada antrian

Antrian



T

L K

L

25

N M L

25




Gambar 3.9 Repesentasi keadaan Breadth-first search (BFS) iterasi 3

Iterasi ke-3

Lempar L dariAntrian lalu periksa L merupakan tjuan(Goal)

Antrian



Ternyata L ≠ Goal

L mempunyai anak(child) O serta P input pada antrian

Antrian



M

T

L K

N

P O N M

N M




Gambar 3.12 Representasi keadaan Breadth-first search (BFS) iterasi 4

Iterasi ke-4

Lempar M dariAntrian lalu periksa M merupakan tujuan(Goal)

Antrian



Ternyata M ≠ Goal

M bukan memiliki anak(child) sehingga tidak di input pada antrian

Antrian



M

T

L

O P

K

N

P O N

P O N




Gambar 3.15 Representasi pengetahuan Breadth-first search (BFS) iterasi 5

Iterasike 5

Lempar N pada antrian lalu periksa N merupakan (tujuan)Goal

Antrian



Ternyata N ≠ Goal

N bukan memiliki anak(child), lalu dikeluarkan dari antrian

Antrian



M

T

L

O

P

K

N

P O

P O



Reperesentsi Ruang Keadaan


Iterasike ke-6

Lempar O dariAntrian kemudian periksa O merupakan Tujuan(Goal)

Antrian


P


Ternyata O ≠ Goal

O mempunyai anak(child) R serta Q, input pada Antrian

Antrian



M

T

L

O

P

K

N

R Q P



Reprentasi Ruang Keadaan


Iterasike ke-7

Pada iterasi ke-7 sudah terdapat banyak anak(child). Titik awal yaitu T

sementara child(anak) terdiri dari titik atau huruf yang diberi garis bawah seperti

K,L,M,N,O dan lain-lain.

Lempar P dariAntrian lalu periksa P merupakan Tujuan(Goal)

Antrian



Ternyata P ≠ Goal

P tidakMemiliki anak(child), lalu tidak bisa disertakan pada antrian

Antrian



M

T

L

O P

Q R

K

N

R Q

R Q



Reprentasi Ruang Keadaan

Gambar 3.24 Representasi pengetahuan Metode Breadth-first search (BFS)

iterasi 8

Iterasike 8

Lempar R dariAntrian lalu periksa R merupakan Tujuan(Goal)

Antrian



Ternyata R ≠ Goal

R tidakMemiliki child(anak), sehingga tidak bisa disertakan pada antrian

Antrian



M

T

L

O P

Q R

K

N

Q

Q




Gambar 3.27 Representasi pengetahuan Metode Breadth-first search (BFS)

iterasi 9

Iterasike 9

Lempar Q dariAntrian lalu periksa Q merupakan tujuan(Goal)

Antrian



Ternyata Q = Goal

Pencarian di hentikan

Penyelesaian Masalah :

Q anaknya(child) O, lalu O anaknya(child) L, serta L anaknya(child) T

T merupakan titik asal(akar) sehingga searching penyelesaian berhenti dan

penyelesaiannya ialah : T-L-O-R

M

T

L

O P

Q R

K

N



C. Soal Latihan/ Tugas

1. Ilustrasikan gambar di bawah ini dengan metode breadth first search (BFS) melalui 8 iterasi?

2. Carilah 2 jurnal lain yang berhubungan dengan Pencarian (searching)?

D. Referensi

Prasetiyo Y, Dewa SW, Udjulawa D. [Tahun tidak diketahui]. Penerapan algoritma

Breadth first search untuk rancang bangun edugame icon perangkat teknologi

informasi berbasis android. [jurnal dan volume tidak diketahui]

Kristanto A. 2004. Kecerdasan buatan. Graha Ilmu: Yogyakarta.



Informatika Bandung. Bandung

Wijaya E. 2013. Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep

Artificial Intellegencia. Jurnal TIME , Vol. II No 2 : 18-26

J

A

I

L M

N O

H

K



PERTEMUAN 4

DEPTH FIRST SEARCH


Pada pertemuan ini akan dijelaskan penggunaan depth first search. Setelah

menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami pencarian

mendalam pertama (Depth-first search).

B. Uraian Materi

1. Memahami pencarian mendalam pertama (Depth-first search)

Depth-first search merupakan bagian dari blind search. Proses ini diulangi

terus hingga ditemukannya goal (node G). Pada pencarian ini dilakukan

searching pada semua anak(child) terlebih dahulu baru setelah itu dilakukan

pencarian pada nodes atau tahap yang selevel.Searching diawali pada nodes

T(akar) ke level diatasnya. Metode inijuga dilakukan dengan menelusuri setiap

kemungkinan path.

Gambar 4.1 Depth first search

Gambar 4.1 merupakan Depth First Search (DFS) . Proses pada DFS

algorithm ini Stackatau tumpukan digunakan untuk menyiman titik(node)yang

telah dikunjungi. Algorithm DFS mengatur stack melalui urutan misalnya masuk

M

T

L

O P

Q R

K

N



terakhir keluatr pertama. Tahapan proses Depth First Search DFS:

a. Input Titik atau nodesAkar pada stack

b. Gunakan nodes yang paling atas, setelah itu periksa apakah merupakan suatu

penyelesaian.

c. Apabila nodes termasuk penyelesaian maka pencarian berakhir

d. Apabila nodes tidak termasuk penyelesaian maka input semua nodes

child(anak) pada stack

e. Apabila nodes tidak berisi atau kosong, maka periksa seluruh nodes,

searching berakhir

f. Coba kembali mulai dari tahap ke-2

Kelebihan :

a. Hanya nodes yang aktif yang selalu disimpan pada stack sehingga

memerlukan memori yang kecil.

b. Proses ini tidak cukup melelahkan karena tidak mesti memeriksa seluruh

nodes.

Kekurangan:

a. Terkadang Goal(tujuan)tidak sesuai.

b. Untuk setiap searching selalu mendapat 1 penyelesaian

Misalkan diketahui pohon pelacakan seperti Gambar 4.1proses algorithm

DFS terhadap permasalahan mulai T nodes (Start) hingga Q tujuan(Goal).

Interasi ke-1

Input nodes T pada Stack setelah itu perlu ditandai

Tumpukan

Masuk dari pintu kiri, keluar lewat pintu kiri

Gambar 4.2 Stack Depth first search iterasi 1 tahap 1

Representasi keadaan :

Gambar 4.3 Representasi pengetahuan iterasi 1

T

T



Keluarkan T dari Stack dan cek.

Stack



Ternyata T ≠ Goal

T memiliki anak(child) K serta L, setelah itu perlu ditandai, input nodes K , L

pada tumpukan.

Stack



Karena T memiliki child(anank), input T sebagai penyelesaian sementtara:

PenyelesaianSementara = [ T ]

Representasi suatu keadaan :


Iterasi ke-2 :

Stack


K L

T

L K




Solusi sementara = [ T ]

Keluarkan K dari Stack dan cek

Stack



Ternyata K ≠ Goal

K memiliki anak(child) M serta N, setelah itu perlu ditandai, input nodes M,N

pada tumpukan

Stack(tumpukan)



Karena K memiliki child(anak), input K sebagai penyelesaian sementtara :

PenyelesaianSementara =[ T K ]

Representasi suatu keadaan :


K L

L

M N L

T

L K

N M



Iterasi ke-3

Stack



Keluarkan M dari Stack dan cek.

Stack



Ternyata M ≠ Goal

M tidak memiliki child(anak), sehingga tidak terdapat sesuatu yang di input

pada Stack.

Stack



Karena M tidak memiliki child(anak), sehingga M tidak bisa di input sebagai

penyelesaian sementaraa.

PenyelesaianSementara = [ T K ]

M N L

N L

N L





Iterasi ke-4 :

Stack



Solusi sementara = [ T K ]

Keluarkan N dari Stack dan cek

Stack



Ternyata N ≠ Goal

N Tidak memiliki anak(child), sehingga tidak ada yang di input pada Stack

Stack


N L

L

T

L K

M N




Karena N tidaj memiliki anak(child), sehingga N tidak di input sebagai

penyelesaian sementaraa:

PenyelesaianSementara =[ T K ]



Iterasi ke-5 :

Stack



Solusi sementara = [ T K ]

Keluarkan yang diberitanda pada Stack lalu pakailah untuk meghilangkan

penyelesaian sementara sementara 1 huruf.

Stack


L

L

T

L K

M N




Solusi sementara = [ T K] = [ T ]

Interasi -6

Stack

Masuk dari pintu kiri, keluar dari pintu kiri



Solusi sementara = [ T ]

Keluarkan L dari stack dan cek

Stack



Ternyata L ≠ Goal

L memiliki anak(child) O dan P, perlu ditandai serta input nodes O serta P pada

tumpukan.

Stack



Karena L punya anak, maka L dimasukan ke solusi sementara:

Solusi sementara = [T L]

Representasi keadaan:

L

L

O P




Iterasi 7

Stack

Masuk dari pintu kiri, keluar lewat pintuk iri


Solusi sementara = [ T L ]

Keluarkan O dari stack dan cek

Stack



Ternyata O ≠ Goal

O memiliki anak(child) R serta Q, perlu ditandai lalu input nodes R serta Q

pada tumpukan.

Stack

Masukdaripintukiri, keluarlewatpintukiri


O P

P

R Q P

K

T

O M N

L

P



Karena O memiliki anak(child), lalu O diinput sebagai penyelesaian sementara:

Penyelesaian Sementara = [ T L O ]

Reprepensi keadaaan

Gambar 4.28 Representasi keadaan iterasi 8

Iterasi 8

Stack



Solusi sementara = [ T L O ]

Keluarkan R dari stack dancek

Stack



Ternyata R ≠ Goal

R ttidak memiliki child(anaksehingga R tidak di input pada stack

Stack


R Q P

Q P

K

T

R

M N

L

P O

Q




Karena R tidakk memiliki anak(child), Sehingga R diinput sebagi penyelesaian

sementtra:

PenyelesaianSementara = [ T L O ]


Gambar 4.32 Representasi keadaan iterasi 9

Iterasi ke-9

Stack



Solusi sementara = [ T L O ]

Keluarkan Q dari stack dancek

Stack


Q P

Q P

N

K

T

M

L

P O

Q R




Tenyata Q= goal(tujuan), input sebagai penyelesaian sementara serta

searching bkhirer

Penyelesaian= [ T L O Q ]


Gambar 4.35 Representasi keadaan akhir

Q P

N

K

T

M

L

P O

R Q




1. Ilustrasikan gambar di bawah ini dengan metode Depth first search (DFS)

dengan beberapa iterasi?

D. Referensi

Siswanto. 2010. Kecerdasan Tiruan. Graha Ilmu edisi 2. Yogyakarta.

Sutojo, T. Edy ,Mulyanto dan Suhartono,Vincent. 2010. Kecerdasan Buatan. Andi

Offset. Yogyakarta.

J

A

I

L M

N O

H

K



PERTEMUAN 5

REPRESENTASI LOGIKA DAN JARINGAN SEMANTIK

A. TujuanPembelajaran

Setelah menyelesaikan materi pada peremuan ini, mahasiswa mampu

memahami representasi logika dan jaringan semantik. Uraian terdiri dari representasi

logika dan jaringan semantik.

B. Uraian Materi

1. Representasi logika

Sebelum membahas tentang representasi logika ada baiknya mengetahui

tentang representasi Pengetahuan yaitu metode yang digunakan dalam

menggali pengetahuan dari parapakar. Proses representasi memudahkan dalam

pengambilan keputusan (Turban et al. 2007). Representasi pengetahuan terdiri

dari logika yang presentasikan atau representasi logika, jaringan berupa

semantik, bingkai atau frame, naskah atau script serta terakhir produksi yang

mempunyai aturan. Representasi pengetahuan yang paling tua adalah logika.

Fakta yang sudah ada bisa digunakan untuk menarik kesimpulan logika. Premis

pada logika digunakan sebagai input berbeda dengan kesimpmpulan yang

digunakan sebagai output. Ilmu penalaran disebut juga logika, dimana

berhubungan dengan kalimat dan aturan tertentu dan bisa juga berbentuk

sintaks.

Menurut Kusumadewi S, 2003 “Logika terdiri sintaks(simbol),

semantik(fakta), dan keputusan(inferensi). Logika Preposisi terdiri dari and, or,

not, implikasi, dan ekuivalensi. Kalimat deklaratif terdiri dari kalimat bernilai benar

(1) atau salah (0) atau true false saja tetapi bukan juga keduanya. Nilai

kebenaran berupa salah atau benar. Proposisi dilambangkan dengan p, q , r, x,

y, a, b dan lainnya disebut proposisi atomik. Contoh proposisi terlihat pada Tabel

5.1.



Tabel 5.1 Contoh proposisi

Operator logika digunakan untuk Satu atau lebih proposisi. Proposisi yang

dihasilkan terdiri dari 2 yaitu proposisi majemuk atau compound composition dan

prosisi atomik.Tabel 5.2 merupakan bentuk,arti dan simbol dari Penghubung

logika

Tabel 5.2 Bentuk,arti dan simbol

“Negasi adalah ingkaran contoh kalimat negasi Jika p adalah “ Universitas

pamulang terletak di Viktor”, sehingga ~p merupakan ingkaran dari p dengan

hasil “Universitas pamulang bukan terletak di Viktor” atau “ Tidak benar

Universitas pamulang terlletak di Viktor”.

“Pernyataan majemuk disebut konjungsi jika menggunakan penghubung

AND” melalui simbol “”. Sebagai permisalan P yang merupakan suatu

sentence(kalimat) yaitu Universitas Pamulang adalah nama Kampus. Q contoh

sentences(kalimat)“ SMK Sasmita adalah nama sekolah” untuk itu

kalimat(sentences) “Universitas Pamulang merupakan Kampus serta SMK

Sasmita merupakan sekolah “dinyatakan dengan simbol p q.”

Pernyataan majemuk menggunakan “ATAU/OR” disebut Disjungsi

melalui simbol notasi “”. Disjungsi etrdiri dari

a. Inklusiff Or

Ialah ketika “kedua pihak benar dalam artian p is true atau q is true atau all is

true”

Contoh proposisi Nilai

Perempuan melahirkan True (Benar)

50>75 False (Salah)

Ibukota Sumatera utara adalah Medan True (Benar)



example :

p : Universitas Pamuang terletak di viktor

q : Universitas Pamulang merupakan bagian Tangerang Selatan

p q : adalah Universitas Pamuang terletak di viktor atau bagian

Tangerang Selatan

Benar bahwa Universitas Pamuang terletak di viktor sekaligus bagian

Tangerang Selatan

b. Ekslusif Or

Yaitu jika “p is true atau q is true but not all”.

Example :

p : Sayaakan pergi kuliah mengendarai mobil.

q : Saya akan pergi kuliah mengendarai motor.

p q : Saya akan pergi kuliah mengendarai mobil atau motor.

“JIKA” dan “MAKA” merupakan bagian Implikasi. “implikasi/pernyataan

bersyarat/konditional/ hypothetical dengan notasi “”.

simbol TUbisa di eja seperti ini:

a. Jika T maka U

b. U jika T

c. Tadalah syaratcukupuntuk U

a. U adalahsyaratperluuntuk T

Example

p : Pak Darsono merupakan ketua yayasan Sasmita Jaya.

q : Pak Darsono merupakan penduduk di daerah Pamulang.

p q : Jika Pak Darsono merupakan ketua yayasan Sasmita Jaya maka

penduduk di daerah Pamulang.

Simbol “T U” merupakan Biimplikasi atau bikondosional. Ejaanya dibaca

“ T jikadanhanyajika U” .

Example

T : Universitas Pamulang adalah kampus murah.

U : Universitas Pamulang sesuai dengan kondisi ekonomi menengah ke bawah.

T U Universitas Pamulang adalah kampus murah jika dan hanya jika sesuai

dengan kondisi ekonomi menengah ke bawah.



Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi yang terdiri dua

variabel yaitu “B dan S”.

Tabel 5.3 Merupakan kebenaran and , or, implikasi, ekuivalensi

Tautologi

Setiap kalimat yang bernilai true, untuk setiap nilai kebenaran komponen-

komponenya disebut tautologi sehingga argumen tersebut merupakan argumen

yang valid (Sutojo, Mulyanto E, Suhartono V, 2011). Disamping itu menurut buku

Maxrizal, 2015 pada buku dasar logika informatika tautologi adalah proposisi

yang bernilai true tidak tergantung pada nilai kebenaran masing-masing

proposisi.

Example

Carilah apakah pendapat berikut bernilai benar atau salah?

Jika Fatih mengerjakan tugas maka mendapatkan nilai yang bagus

Fatih mendapatkan nilai yang bagus

∴ Fatih mengerjakan tugas

Misalkan

p = Fatih mengerjakan tugas

q = Fatih mendapatkan nilai yang bagus

sehingga bisa ditulis sebagai

p-> q (premise1)

q (premise 2)

∴ P

Tabel 5.4 Tabel kebenarannya untuk menunjukan argumen

P Q p -> q ((p ->q)/`q) ((p->q)/`q)->p

B B B B B

B S S S B

S B B B S

S S B S B



Tampak pada Gambar 5.4 baris ke-3 bahwa kebenaran I((p –q/`q) -> p adalah F

false. Jadi argumen tersebut bukan tautologi, artinya argumen tersebut invalid.

Inferensi Logika Proposisi

Premis yag digunakan untuk menarik kesimpulan disebut inferensia.Tabel 5.5

merupakan hukum inferensia.

Tabel 5.5 Tabel beberapa hukum Inferensia



2. Jaringan Semantik

Objek yang digunakan sebgaai representasi pengetahuan merupakan

bagian dari jaringan semantik. Grafik atau simbol bisa digunakan sebgai bagian

jaringan semantik.

Contoh

Sebagian kecil darimahasiswa UNPAM sedang memikirkan kondisi Fatih juga

Fadlan. Dari berbagai informasi fatih juga fadlan dalam kondisi seperti:

a. Fatih pegawai yang bekerja terhadap Fadlan.

b. Fatih juga Fadlan merupakanmanusia.

c. Fatih juga Fadlan membantu Yayasan Sasmita melalui Kampus yang di

Viktor.

d. Fatih berumur 30 tahun dan memiliki black eye

e. Fadlan adalah Sekretaris prodi.



f. Seorang sekretaris prodi biasanya mempunyai moobil perusahaaan.

g. Rata-rata karyaawan dalam Yayasan Sasmita mempunyai nametag.

Berikut adalah cara membuat representasi pegetahuan melalui tahapan-

tahapannya.

a. Fatih adalah seorang pegawai dan bekerja untuk Fadlan

Gambar 5.1. Representasi jaringan semantik tahapan 1

b. Fatih dan Fadlan adalah manusia


c. Fatih dan Fadlan bekerja dalam Yayasan Sasmita dari kampus yang di

Viktor

Fadlan

Bekerja untuk

Fatih adalah

pegawai

adalah Manusia

adalah

Bekerja untuk

adalah

Fatih

Fadlan pegawai



Gambar 5.3 Representasi jaringan semantik tahapan 3

d. Fatih berumur 30 tahun dan mempunyai mata berwarna hitam.


kampus yang di Viktor

Yayasan Sasmita

Fadlan

Bekerja untuk

Fatih pegawai

Bekerja dalam

adalah

adalah

Manusia

adalah

Bekerja dalam

Bagian dari

kampus yang di Viktor

Yayasan Sasmita

Fadlan

Bekerja untuk

Fatih

pegawai

adalah

adalah

Manusia

adalah

Bekerja dalam

Bekerja dalam

30

Mata Hitam

umur

mempunyai

Warna

Bagian dari



e. Bejo Fadlan adalah Sekretaris prodi.


f. Seorang sekretaris prodi biasanya mempunyai mobil perusahaan.


Kampus yang di

viktor

Yaysan

Sasmita

Fadlan

Bekerja untuk

Fatih pegawai

adalah

adalah

Manusia

adalah Bekerja dalam

Bekerja dalam

30

Mata Hitam

umur

mempunyai

Warna

Sekretaris prodi adalah

mempunyai Mobil perusahaan

Bagian dari

Kampus yang di

Viktor

Yayasan

Sasmita

Fadlan

Bekerja untuk

Fatih pegawai

adalah

adalah

Manusia

adalah

Bekerja dalam

Bekerja dalam

30

Mata Hitam

umur

mempunyai

Warna

Sekretaris prodi adalah

Bagian dari



g. Sebagian besar Karyawan dalam Yayasan Samita memiliki Nametag.


1) Perluasan jaringan semantik

Perluasan jaringan semantik dilakukan dengan cara menambahkan

nodes serta mengubungkan nodes yang sesuai tersebut. Nodes itu bisa

digunakan untuk banyak objek. “sekretaris” ialah subjek yang serupa dengan

node “pegawai” yang merupakan hubungan “adalah” mulai nodes “Fadlan”

dan nodes “Fatih”.

a) Penambahan objek yang lebih khusus.

Penambahan node “Mata” dan node “Hitam” ialah subjek identik pada

nodes “Fatih”. Fatih mempunyai mata berwana hitamialah informasi

tambahan.

adalah

Yayasan Sasmita

Kampus yang di

Viktor

Fadlan

Bekerja untuk

Fatih pegawai

adalah

adalah

Manusia

adalah

Bekerja dalam

Bekerja dalam

30

Mata Hitam

umur

mempunyai

Warna

Sekretaris Prodi Mobil perusahaan

mempunyai

Karyawan

Yayasan Sasmita

Nametag

Karyawan

Bagian dari

Bekerja

untuk

untuk

mempunyai

termasuk

termasuk

termasuk



b) Penambahan objek yang lebih umum.

Penambahan node “Pegawai” pada node “Sekretaris prodi” dan node

“Karyawan” menginformasikan bahwa Sekretaris prodi dan pegawai

termasuk dalam Karyawan.

2) Pewarisan(Inheritances) di Jadingan Semantik

“penembahan node disebut inheritance. Node yang ditambahkan

yaitu “hitam” dan “fatih”.

3) Operasi pada Jaringan Semantik

Bertanya pada nodes ialah cara yang bisa digunakan untuk

membangun jaringan semantik. Sebagai contoh ingin memberikan

pertanyaan pada “Fatih”, Apa warna mata Fatih? Untuk menjawab

pertanyaan tersebut diperlukan node “Fatih”, arc “mempunyai”, node “Mata”,

dan arc “Warna” seperti berikut.


Kalau dirunut, jawaban untuk pertanyaan tersebut adalah Hitam.

C. Soal

1. Buatlah tabel kebenaran dari ~(pvq) v~( p^q) ?

2. Buatlah jaringan semantik untuk 7 kasus dengan subjek Teknik Informatika?

Fatih

Mata Hitam

mempunyai

Warna



D. Referensi

Kusumadewi S, 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta.

Graha Ilmu.

Maxrizal. 2015. Dasar Logika Informatika. Yogyakarta. MediaKom.


Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence

System. Ed ke-7. United States of America: Prentice Halls.



PERTEMUAN 6

REPRESENTASI FRAME, SCRIPT DAN ATURAN PRODUKSI

A. TujuanPembelajaran


memahami Representasi frame, script, dan aturan produksi. Sub materi pada

pertemuan ini yaitu:

1. Frame (bingkai)

2. Script (Naskah)

3. Aturan produksi

B. Uraian Materi

1. Memahami frame (bingkai)

Marvin Minsky merupakan the father of frame yaitu tahun 1970. Frame

menurut Marvin Minsky merupakan objek yang bisa direpresentasikan. Dengan

kata lain deskripsi objek yang berhubungan melalui tabulasi atau disebut juga

bingkai sehingga tabel menjelaskan objek yang ada. Objek yang bisa dipetakan

yang berkaitan disebut juga frame (Priandoyo A, 2004). Plot direpresentasikan

melaui flame berupa atribut yang menjelaskan objek. Subplot ialah knowledge

dari atribut. Beberapa informasi pada plot:

a. Frame yang mempunyai identitas

b. Frame yang mempunyai hubungan dengan frame tetangga

c. Deskripsi yang diperlukan frame

d. Informasi deskripsi tersebut

e. Default frame yang terdapat informasi

f. Kebaruan informasi

Lain halnya dengan subplot yang terdapat banyak nilai yaitu:

a. Values : Atribut yang memiliki nilai

b. Defaults : slot kosong yang tidak memiliki nilai

c. Ranges : kategori informasi

d. IfAdded : Slot yang telah terisi dan mempunyai informasi serta siap untuk

diambil tindakan



e. IfNeeded : Tidak terdapat nilai pada slot sehingga dengan keadaan

tersebut digunakan subslot ini

f. Others : input slot dengan frame ataupun rule bisa juga menggunakan

semantik yang berupa jaringan serta yang laiinya

Lihatlah hierarki knowledge UNPAM di bawah ini

Gambar 6.1 Frame UNPAM

Gambar 6.1 tersebut menunjukan knowlede UNPAM yang berupa

hierarki,Bagian yang paling atas merupakan kelas yang bersifat umum. Kelas

yang paling khusus dan bersifat spesifik ditemukan di bagian bawah setelah di

runut secara teratur misalnya kampus. Kelas tertentu berada di posisi bagian

paling bawah.

Untuk setiap objek pada hierarki tersebut kita bisa membuat frame berikut.

Tabel 6.1 Frame Teknik Informatika

Nama Teknik Informatika

Orangtua UNPAM

Anak Jaringan

Komunitas CISCO

Tools Packet Tracer

UNPAM

Teknik Mesin Teknik Kimia Teknik Informatika Ekonomi

Jaringan

CISCO

Packet Tracer

Programmin

g

Java Web

Netbeans Notepad+

+



Tabel 6.1 merupakan pengembangan dari induk kelas UNPAM yaitu teknik

informatika. Anak dari teknik informatika ini yaitu jaringan dengan komunitas

CISCO dan tools yang digunakan yaitu packet tracer.

Tabel 6.2 Frame Jaringan 1

Nama Jaringan

Orangtua Teknik Informatika

Anak CISCO

Tools Packet Tracer

Tabel 6.2 merupakan frame Jaringan dengan anak Cisco dan orang tua teknik

informatika. Untuk mengetahui sifat jaringan maka perlu ditambahkan slot yang

lain mewarisi sifat – sifat jaringan sehingga menghasilkan daftar slot berikut.

Tabel 6.3 Frame Jaringan 2

Nama Jaringan2


Anak CISCO

Coding Ya

Nirkabel Bisa

Topologi Ya

Tabel 6.3 merupakan frame jaringan2 dengan orang tua berupa teknik

informatika. anak berupa CISCO dengan tambahan beberapa slot berupa

coding, nirkabel dan topologi. Slot – slot hasil pewarisan ditunjukan oleh huruf

miring dan tebal.

Tabel 6.4 Frame Programming

Nama Programming

Orang tua Teknik Informatika

Anak Java, Web

Tools Ya



Gambar 6.4 merupakan frame programming dengan orang tua teknik informatika

anak java dan web. Serta slot yang ditambahkan yaitu tools yang artinya baik

java atau web menggunakan sama-sama tools.

Tabel 6.5 Frame Programming 1

Nama Programming


Anak Java, web

Coding “Ya”

Virtual “Ya”

Tools “Ya”

Tabel 6.5 merupakan frame programming 1 dengan orang tua berupa teknik

informatika serta anak berupa java dan web. Rangkaian ini memiliki Slot slot hasil

pewarisan ditunjukkan oleh huruf miring berupa coding, virtual, tools . Contoh lain

mengenai frame misal Knowledge Yayasan Sasmita dalam bentuk hierarki

Gambar 6.2 Frame Yayasan Sasmita Jaya

Gambar 6.2 tersebut menunjukan hierarki pada Yayasan Sasmita Jaya, dengan

kelas yang paling umum yaitu UNPAM Witana, UNPAM Viktor, SMK. Kelas dari

Yayasan Sasmita Jaya yang lebih spesifik akan ditemukan jika hierarki dirunut

ke bawah. Dimana SMK terdiri dari 2 peminatan yaitu mekanik dan komputer.

Mekanik terdiri dari motor dan honda. Komputer pun mengelola jaringan dan RPL

dimana jaringan akan mempunyai anaka berupa virtual dan RPL akan

mempunyai anak berupa software. Untuk lebih jelasnya setiap objek pada

hierarki tersebut kita bisa membuat frame berikut.

Yayasan Sasmita

Jaya

UNPAM WITANA SMK UNPAM

VIKTOR

Mekanik

Motor

Honda

Komputer

Jaringan RPL

Virtual Software



Tabel 6.6 Frame SMK

Nama SMK

Orangtua Yayasan Sasmita Jaya

Anak Mekaik

Komunitas Motor

Jenis Honda

Tabel 6.6 merupakan pengembangan dari induk kelas Yayasan Sasmita Jaya

yaitu SMK. Anak dari SMK ini yaitu mekanik dengan komunitas MOTOR dan jenis

yang digunakan yaitu Honda.

Tabel 6.7 Frame Mekanik 1

Nama Mekanik

Orangtua SMK

Anak Motor

Jenis Honda

Tabel 6.7 merupakan frame Mekanik dengan anak Motor dan orang tua SMK

serta jenis yaitu Honda. Untuk mengetahui sifat mekanik maka perlu

ditambahkan slot yang lain mewarisi sifat – sifat mekanik sehingga menghasilkan

daftar slot berikut.

Tabel 6.8 Frame Mekanik 2

Nama Mekanik 1

Orangtua Mekanik

Anak Motor

Jenis 1 Honda

Jenis 2 Yamaha

Tabel 6.8 merupakan frame jaringan mekanik 1 dengan orang tua yaitu mekanik.

Frame ini memiliki \ tambahan beberapa slot berupa Honda dan Yamaha. Slot –

slot hasil pewarisan ditunjukan oleh huruf miring dan tebal

Tabel 6.9 Frame Komputer

Nama Komputer



Orang tua SMK

Anak Jaringan, RPL

Tools Virtual, Software

Tabel 6.9 merupakan frame komputer dengan orang tua SMK anak jaringandan

RPL. Serta slot yang ditambahkan yaitu tools yang artinya Jaringan mengguakan

tools berupa virtual atau RPL meggunakan software tertentu.

Tabel 6.10 Frame Komputer 1

Nama Komputer 1

Orangtua SMK

Anak Virtual, Software

Coding “Ya”

Web “Ya”

Tools “Ya”

Tabel 6.10 merupakan frame komputer 1 dimana memiliki Slot slot hasil

pewarisan ditunjukkan oleh huruf miring berupa coding, web, tools. Coding yag

artinya baik virtual atau pembuatan software bisa dilakukan dengan

memasukkan coding tertentu. Begitupun dengan Slot web bisa digunakan

melalui virtual atau software tertentu. Setelah itu dalam merancang sebuah tools

bisa dilakukan secara virtual dan menggunakan software tertentu.

2. Memahami Script (Naskah)

Sebenarnya scrip sama dengan frame yaitu representasi pengetahuan

berupa karakteristik yang terdiri dari pengalaman dan urutan peristiwa..

Bagian script meliputi :

a. Track, yaitu scriptyang divariasikkan

b. KeadaanInput, Keadaan yangharus diperhatikan sebelumterjadi sesuatu

pada script

c. Prop,Pendukung berupa objek selama terjadi sesuatu

d. Role, karakter

e. Scene(langkah), Adegan pada peristiwa

f. Hasil, Kondisi akhir



example 1 Pendaftaran mahasiswa baru UNPAM

a. Script = Pendaftaran mahasiswa baru UNPAM.

b. Track (jalur) = Daftar Online.

c. Role (Peran) = Pegawai bank, panitia PMB, pengawas ujian, praktisi

lab.

d. Prop = Kampus UNPAM, bank DKI, ruang ujian, toilet,

laboratorium.

e. Kondisi input = Registrasi online dengan input data melalui komputer.

Langkah 1 : Pendaftaran online

a. Buka browser pada komputer atau smsrtphone

b. Calon mahasiswa baru membuka website pmb.unpam.ac.id

c. Calon mahasiswa baru melakukan registrasi

d. Calon mahasiswa baru menerima username dan password

melalui email

e. Calon mahasiswa baru melakukan login

Langkah 2 : Pengisian data

a. Calon mahasiswa baru melakukan pengisian data

b. Calon mahasiswa baru upload kelengkapan data foto dan ijazah

SMA

c. Panitia PMB akan memverifikasi data pendaftaran.

d. Panitia PMB mengirimkan hasil PMB melalui email pendaftar.

Langkah 3 : Pembayaran

a. Calon mahasiswa baru melakukan pembayaran pendaftaran

melalui bank DKI atau bank lainnya.

b. Calon mahasiswa baru menerima nomor peserta .

c. Calon mahasiswa baru mendapatkan lokasi, waktu ujian.

Langkah 4 : Ujian (Tes) masuk

a. Calon mahasiswa baru mengecek lokasi ujian.

b. Calon mahasiswa baru mengecek ruangan ujian.

c. Calon mahasiswa baru melakukan ujian tulis selama 120 menit.

d. Calon mahasiswa baru mengerjakan soal berupa Bahasa inggris,

Bahasa Indonesia, Matematika dan Pengetahuan Umum.

e. Calon mahasiswa baru melalukan tes narkoba melalui urin.



Hasil :

a. Pegawai bank menerima uang transaksi

b. Calon mahasiswa baru menerima hasil cek urin.

c. Calon mahasiswa baru menerima hasil kelulusan melalui website

pmb.unpam.ac.id

d. Jika masih belum lulus masih ada kesempatan pada periode

berikutnya.

Example ke 2 penggunaan script

Contoh script: kelulusan mahasiswa UNPAM

a. Track : Nilai harus terpenuhi dengan sebanyak ketetntuan

SKS daftar sidang

b. Role : Mahasiswa, dosen pembimbing, dosen penguji.

c. Prop : ruang bimbingan, ruang sidang, ruang revisi

d. Kondisi masukan : rumusan masalah yang diangkat pada latar belakang,

kesimpulan yang membahas tujuan yang telah dicapai.

Scene 1 : Pendaftaran

a. Mahasiswa mengecek nilai apakah layak untuk bimbingan

b. Mahasiswa memikirkan permasalahan skripsi

c. Mahasiswa mendaftar sebagai peserta yang ikut skripsi

d. Mahasiswa merancang proposal

e. Mahasiswa mendaftarkan diri untuk sidang proposal

Scane 2 : Menunggu respon dosen

a. Mahasiswa mengirimkan pesan dengan baik dan sopan

b. Mahasiswa menceritakan judul yang diangkat

c. Dosen memberikan tanggapan dan respon

Scane 3 : Sidang proposal

a. Mahasiswa menjelaskan latar belakang

b. Mahasiswa menceritakan identifikasi masalah

c. Mahasiswa menjelaskan tujuan

d. Mahasiswa menceritakan metode pengembangan sistem yang akan

digunakan



Scane 4 : Bimbingan

a. Menyusun daftar pustaka dan abstrak

Scane 5 : Sidang Skripsi

a. Mahasiswa menghubungi dosen pembimbing

b. Mahasiswa meminta tanda tagan persetujuan sidang

c. Mahasiswa mendaftarkan diri untuk melakukan sidang

d. Mahasiswa mndapatkan jadwal untuk sidang skripsi

e. Mahasiswa menunggu di ruang sidang

f. Mahasiswa telah melakukan sidang dan mendapatakan hasil

kelulusan

Scane 6 : Revisi

a. Mahasiswa melakukan revisi 1

b. Mahasiswa menghubungi dosen penguji 1

c. Mahasiswa melakukan revisi 2

d. Mahasiswa manghubungi dosen penguji 2

e. Mahasiswa mendapatkan tanda tangan pengesahan

f. Mahasiswa cetak hard cover

g. Mahasiswa daftar wisuda

Hasil :

a. Mahasiswa lulus kuliah

b. Mahasiswa diwisuda

c. Mahasiswa senang dan membangkakan keluarga

3. Memahami Aturan Produksii

Rule jika maaka berhubungan dengan aturan produksi. Jika merupakan

kata lain if dari sebuah keadaan, maka merupakn kesimpulan berupa konklusi

Contoh :

a. If mau kuliah murah then mendaftarlah di Universitas Pamulang

b. If mau pandai then belajarlah

c. If sukses then berjuanglah

d. If pasar ramai then saya akan belanja sayur

e. If mau bepergian then saya membawa uang

f. If ingin mempuyai teman hidup then menikahlah



Kelebihan aturanProduksi:

a. Simple, tidak terlalu rumit

b. Komputer bisa menyedian implementasi secara straighforwrd

c. Bisa digunakan untuk berbagai kasus

Kekurangan AturanProduksi:

a. Inefisien bisa terjadi pada implementasi yang bersifat sederhana

b. Aturan produksi terkadang sulit digunakan pada bermacam jenis

pengetahuan

C. Soal

1. Buatlah contoh Frame yang melibatkan hierarki pemerintahan?

2. Buatlah contoh script dengan tahapan berobat sebagai pasien yang sedang

sakit di kampus UNPAM?

D. Referensi

Priandoyo A. 2004. Pemodelan basis pengetahuan dengan frame: studi kasus surat

kabar. [Skripsi]. Yogyakarta(ID): Universitas Gajah Mada (UGM).




PERTEMUAN 7

PENGANTAR EXPERT SYSTEM (SISTEM PAKAR)



memahami expert system (sistem pakar). Sub materi pada pertemuan ini yaitu:

1. Definisi expert sistem

2. Representasi sistem pakar

3. Komponen dan bagian utama sistem pakar

4. Konsep dasar Expert system

B. Uraian Materi

1. Definisi expert sistem

Sitem pakar merupakan adopsi dari otak manusia yang dirancang pada

sebuah komputer dengan pemodelan tertentu yang digunakan untuk

menyelesaikan berbagai masalah seperti seorang pakar yang sedang

menangani sesuatu. Ilmu seorang pakar yag ditanamkan pada sebuah komputer

juga bisa digunakan untuk orang awam. Sitem pakar atau expert sistem ini bisa

dijadikan sebagi asistent yang membantu aktivitas para pakar untuk

menyelesaiakna masalahnya. Para pakar bisa bekerja sama untuk menyusun

berbagai kaidah sebagai suatu kesimpulan dengan menggunakan basis

pengetahuan yang digunakan. Base pengetahuan dari berbagai pakar tersebut

kemudian digunakan untuk mengambil suatu kesimpulan untuk menyelesaiakn

berbagai masalah tertentu.

Sistem pakar membutuhkan beberapa unsur untuk merancangnya pada

komputer sehingga menjadi aplikasi yang layak. Beberapa unsur yang digunakan

terdiri dari aturan, para pakar, inferensia, dan ilmu yang diterapkan pada

komputer, serta programmer untuk membangun aplikasinya, serta sistem analis

yang digunakan untuk merancang penggunaan ilmu pada sistem, serta user

yang menggunakan sistem tersebut. Pakar memiliki kemampuan dalam

pengasan ilmu yang di dapatkan secara akademik maupun di luar akademik.

Seorang pakar mempunyai kemampuan untuk menguraikan semua tanggapan

dari user dan berusaha untuk mengembangkan dan memperbaharui berbagai

pengetahuan pada bidang tersebut. Seorang pakar membutuhkan orang lain



atau orang awam untuk dilakukan proses pengalihan pengetahuan dari seorang

pakar ke yang lainnya. Dilain sisi rangkaian proses pengolahan pengetahuan dari

pakar untuk menghasilkan informasi serta fakta disebut inferensia. Banyak sekali

manfaat dari sitem pakar sehingga beberapa definisi expert sistem dari berbagai

penulis patut untuk diketahui seperti terlihat pada Tabel 7.1

Tabel 7.1 Defenisi Expert sistem dari berbagai penulis

Pemecahan masalah merupakan sebuah aktivitas sebagai penerapan dari

adanya sistem pakar. Beberapa alur aktivitas yang dijadikan pemecahan

masalah sebagai berikut:

a. Pengambilan keputusan dan conclusion pada data mentah(dataset disebut

Interpretasi). Pengambilan data mentah ini bisa berupa dataset yang diambil

dari kaggle berupa dataset gambar atau dataset suara, dataset iris dan lainya.

b. Prediksi yaitu perencanaan terhadap keadaan yang akan terjasi melalu akibat,

sebab dan lainnya. Misalnya prediksi cuaaca



c. Gejala bisa disebut diagnosis, dilakukan terhadap situasi yang bersifat

kompleks yang disebabkan malfungsi dengan beberapa gejala yang bisa

diamati melalui diagnosa secara medis, elektromedis dan mekanis serta

berdasarkan hasil scan laboratorium.

d. Merancang konfigurasi design disertai kendala dan tujuan disebut

perancangan, perancangan juga dilakukan dengan memperhatikan beberapa

permasalahan sehingga bisa merancang desain, misalnya perancangan

bangunan yang berbasis internet of thing.

e. Dengan memperhatikan kondisi awal untuk sebuah rencana disebut

perencanaan. Perencanaan juga memperhatikan kebutuhan untuk mencapai

suatu tujuan tertentu. Misalnya ketika akan membangun rumah maka perlu

dilakukan perencanaan keuangan dengan berbagai barang yang akan dibeli.

f. Membandingkan hasil dengan kondisi yang dilakukan merupakan monitoring.

Monitoring juga bisa dilakukan dengan pengamatan sehingga timbullah hasil

sesuai dengan harapan. Misalnya akan membangun sistem pakar penyakit

jantung tentunya yang diperhatikan terlebih dahulu adalah gejala penyakit

jantung sehingga dibuatlah sistem pendeteksi penyakit jantung sesuai

harapan.

g. Menghilangkan malfungsi disebut debugging. Debugging dilakukan untuk

menghindari sebuah kesalahan atau memberikan sesuatu untuk menghindari

kegagalan.

h. Mengoreksi dan deteksi disebut instruksi. Instruksi merupakan sebuah

perintah terhadap suatu kesalahan sehingga timbullah rasa untuk mendeteksi

dilanjutkan perintah untuk mengoreksi terhadap suatu objek.

i. Mengatur keadaan dan tingkah laku disebut kontrol. Kontrol berarti

mengawasi. Sebagai permisalan yaitu kontrol terhadap sutu sistem dimana

sitem tersebut perlu dilakukanperbaikan dan perkiraan untuk mengevaluasi

dan memperbaharui suati sistem

2. Representasi Sistem Pakar

Gambar 7.1 ialah expert system yang direpresentasikan pada sebuah

gambar. Komputer merupakan wadah yang digunakan untuk menyimpan ilmu

dan pengalaman para pakar. Sistem yang dirancang yang akan dijadikan sistem

pakar. Sistem tersebut memiliki kemampuan atau keahlian yang digunakan untuk

menggantikan seorang pakar tersebut. Knowledge pada pakar harus dilakukan



perancangan. Sehingga ilmu atau pengetahuan dari pakar benar-benar

diterapkan pada sebuah sistem. Antar muka sistem juga berhubungan dengan

penerapan knowledge dari pada pakar. Interface atau antar muka memegang

peranan penting dimana dengan menggunakan antarmuka maka representasi

pengetahuan pakar sudah diterapkan pada sebuah sistem. User yang

menggunakan interface tersebut secara mudah disebut interface yang baik buat

user.

Sistem pakar melibatkan sebuah mesin yaitu mesin pengolah fakta. Mesin

ini mempunyai tugas mengawasi dan penyimpanan knowledge. Mesin ini

berguna untuk konsultasi. Mesin ini bisa digunakan untuk memperbaharui atau

menambahkan fakta baru yang akan digunakan. Knowledge pada pakar terdiri

dari 2 yaitu explicit knowledge dan tacit knowledge. Explicit knowledge ialah

pengetahuan pakar dalam bentuk tertulis atau yang sudah didokumenkan. Tacit

knowledge merupakan pengetahuan pada pakar yang bersifat pengalaman.

Misalnya cara seseorang berbicara. Cara seseorang memasak dengan

menggunakan bumbu yang sama tetapi hasilnya bisa berbeda ada yang lebih

enak atau ada yang hambar. Pada sistem pakarknowledge yang diterapkan

biasanya berbentuk explicit knowledge.

Sistem pakar juga menerapkan basis pengetahuan. Fakta dan aturan

merupakan 2 bagian dari basis pengetahuan. Knowledge yang di uraikan secara

lebih rinci merupakan bagian dari fakta. Ide dan pembaharuan ilmu merupakan

aturan dari basispengetahuan. Knowledge base ini sangatlah penting sehingga

sering disebut jantung pada expert sistem.

Representasi ini terdiri dari penyimpanan data, basis pengetahuan, aturan,

mesin pengolah fakta, antar muka, pengguna dan perancang pengetahuan.



Gambar 7.1 Diagram representasi sistem pakar

Sistem pakar terdiri 4 bentuk yaitu:

a. Mandiri, artinya sistem pakar tersebut bisa berdiri sendiri tanpa tergantung

dengan sistem yang lainnya. Misalnya sistem pakar penyakit jantung.

b. Bergabung, sistem pakar yang menggunakan algoritma tertentu atau expert

sistem yang diracang dengan algoritma tertentu misalnya sistem pakar yang

menggunakan algoritma A*(Star) yang digunakan untuk mendiagnosa suatu

penyakit pada tanaman khususnya tanaman jeruk.

c. Tergantung dengan software lain, atau dalam artian sistem pakar yang

menggunakan database. Pakar akan menyimpan pengetahuannya berupa

fakta, pengalaman, ide pada database tertentu misalnya DBMS.

d. Pengabdian, sistem pakar yang yang bersifat pengabdi dimana sistem pakar

tersebut merupakan bagian dari komputer tertentu. Misalnya sistem pakar

untuk mendeteksi data radar.

Basis Pengetahuan Penyimpanan Data Aturan

Mesin

Pengolah

Fakta

Antar Muka

..............................................................................................................

..

Pengguna Perancang

pengetahuan



3. Komponen dan bagian utama expert system

Bagian expert system yaitu:

a. Antarmuka

Antarmuka merupakan wadah untuk berkomunikasi antara sistempakar

dengan user. Semua bentuk informasi pengetahuan, dan perintah diolah oleh

programmer sehingga informasi tersebut bisa dipakai oleh user sebagai

sistem pakar. Antar muka pada sistem pakar terdiri dari 2 yaitu expert system

sebagai input dan Expert system sebagai output.

1) Expert system sebagai input

Antarmuka ini dirancang sebagai komunikasi antara pemakai dan

pakar. Komunikasi tersebut bisa berupa saran dan tanya jawab. User

melakukan pengisian formulir terlebih dahulu kemudian user akan

tergabung pada akun expert sistem tersebut. Kemudian user bisa

melakukan tanya jawab dimana user memilih atau mengklik icon tanya

jawab. Dan pakar akan menjawab dengan expert sistem. Dimana expert

sistem tersebut sudah terdapat banyak pengetahuan dari pakar.

2) Expert system sebagai output

Expert system sebagai output dirancang untuk penyelesaian

berbagai masalah yang ada. Expert system sebagai output terdiri dari

GraphicalUserInterface dan Text-Based.

a) GraphicalUserInterface

Hal ini juga berguna untuk berinteraksi antara pemakai atau

aktor dengan system. Namun disini untuk memaahami system

seorang programmer harus menggunakan icon tertentu atau effek

berupa multimedia seperti unsur video,suara dan laiinya.

Penggunaan bahasa pun harus diperhatikan. Misalnya aplikasi itu

berkembang di Indonesia, ada baiknya interface yang dirancang

pada expert system menggunakan bahasa Indonesia. Bhasa sangat

penting dalam membangun sebuah expert sistem terkadang bahasa

malah dijadikan sebagai pertimbangan yang kedua. Padahal tanpa

menggunakan bahasa yang mudah dipahami informasi yang ada

pada expert sistem tidak akan tersampaikan kepada user. Ketika user

merasa mudah dalam menggunakan sistem terutama expert sistem,

maka expert sistem tersebut sudah memiliki graphical user interface



dengan baik.

b) Text-Based : User interface bisa memudahkan pemakai melalui

unsur perintah berupa sintak atau rumus. Sintak atau rumus tersebut

digunakan untuk memberikan suatu instruksi atau perintah.

Terkadang sistem pakar tersebut cukup rumit karena banyak

menggunakan rumus dan algoritma. Tetapi user

cukupmenggunakan sistem pakar dengan mudah melalui graphical

user interfacenya saja.

b. KnowledgeBases (basis pengetahuan)

KnowledgeBase merupakan cara pandang terhadap pengetahuan

berupa fakta, rumusan, pemahaman dan penyelesaian masalah. Domain

pengetahuan pada sistem pakar disbut dengan knowledge base.

Permasalahan atau sebagai domain problem mengilustrasikan fakta

yang sesuai dengan logika pada teknik penyajian merupakan bagian dari

knowledge base. Domain masalah merupakan suatu hal yang bersifat spesifik

sebagai domain pengetahuan dari para pakar.

Sehingga sistem manajemen basis pengetahuan atau knowledge based

sistem digunakan untuk untuk mengelola pengetahuan dari pakar dengan

Beberapa kemampuan knowledgeBase yaitu:

1) Aturan dan deskripsi

Aturan dan deskripsi ini sangat diperlukan guna pembaharuan dan

informasi-informasi yang bersifat baru. Walaupun terdapat banyak

informasi yang kurang lengkap tetapi penarikan kesimpulan sangat

diperlukan untuk menyelesaikan permasalahan.

2) Kebaruan melalui mekasnisme yang ada

Kebaruan melalui mekasnisme yang ada dilakukan dengan menambah

informasi yang bersifat baru, menghapus informasi yang tidak diperlukan

serta memperbaharui sehingga menjadi lebih menarik berdasarkan basis

pengetahuan dari pakar.

3) Query yang digunakan sangat penting untuk pencarian.

Query sangat penting pada sebuah aplikasi terutama expert sistem.

Query akan memudahkan user untuk mencari informasi yang diperlukan

dengan cepat. Ketika expert sistem tidak menggunakan query aplikasi

tersebut akan menimbulkan keresahan terhadap pengguna,karena



aplikasi akan melakukan proses dalam waktu yang lama atau loading

secara terus-menerus.

4) integrasi dari berbagai pengetahuan

Entegrasi berbagai pengetahuan terkadang sangat diperlukan, hal ini

karena aplikasi tersebut membutuhkan pakar lebih dari seorang. Misalnya

sistem pakar pendeteksi penyakit hewan, tentunya yang diperluan dari

pakar 1 adalah informasi penyakit hewan tersebut. Ditambah pakar 2

yang mengetahui lokasi yang cocok untuk perkembangan hewan tersebut

5) Jawaban

Expert sistem harusnya menyiadakan menu konsultasi. Dimana user

bertanya sistem menjawa. Ketika tidak terdapat jawaan dari pertanyaan

user harusnya pakar melalui programmer memperbaharui knowledge

yang akan digunakan.

6) Pendalaman data

Pendalaman data ini berupa penggalian kembali data dari pakar. Cara

berpikir secara induktif perlu dilakukan pada proses penggalian data ini.

Pengalian data ini melibatkan aturan atau rule baru untuk menyelesaikan

berbagai masalah dari kasus yang ada.

c. InferenceEngine (mesin inferensi)

kemampuan bernalar serta berpikir kritis untu mengananalisis suatu

knowledge sangat diperlukan pada inferensia engine. Tak pada expert sistem

serng disebut mesin inferensia. Pada mesin inferensia ini terjadi manipulasi

data, dengan memperhatikan rule atau aturan serta beberapa fakta untuk

menyelesaikan masalah dan menarik suatu kesimpulan. Banyak strategi yang

digunakan pada mesin inferensia terutama pada tahap proses. Strategi yang

digunakan yaitu pengendalian serta strategi penalaran. Strategi pada

penalaran dibagi menjadi 2 yaitu penalaran yang bersifat pasti atau disebut

exact reasononingasoning atau penalaran secara tak pasti. dan penalaran

yang bersifat inexact r Menganalisis pengetahuan serta menarik kesimpulan.

Ketersediaan pengetahuan untuk diolah merupakan bagian dari penalaran

yang bersifat pasti. Tetapi dilainsisi ketika pengetahuan tersebut tidak tersedia

dalam artian perlu pengalian pengetahuan baru disebut penalaran tak pasti.

Penalaran juga mempertimbangkan strategi berupa pengendalian sehingga

menjadi terarah. pengendalian ini terdiri dari 3 jenis yaitu fordward chainig,



backward chaining serta campuran atau gabungan dari keduanya.

d. DevelopmentEngine

Development Engine, diperlukan dalam membuat ExperSystem melaui

bahasa pemrogramann. Hal ini dilakukan agar expert sistem menggunakan

aturan atau yang sering disebut rule set. Terdapat 2 pendekatan pada

developmentengine ini yaitu:

1) Language programming

Language programming atau yang sering disebut bahasa pemrograman.

Hal ini digunakan sebagai representasi sebuah simbol sebagai

peengetahuan yang digunakan misalnya lisp pada tahun 1959 dan prolog

pada tahun 1972.

2) Sistem pakar Shell

Sistem pakar shell merupakan sebuah prosesor dimana mengolah

permasalahan secara domain dengan penambahan berupa pengetahuan

yang cocok. Sehingga sistem pakar shell lebih cepat dalam hal proses

daripada language programming.

4. Konsep Dasar Expert System

Expert system atau kepakaran menurut buku kecerdasa buatan karya

Sutojo T, Mulyanto E, Suhartono V (2011) merupakan suatu knowlegde yang

didapatkan dari prose berupa diklat atau laiinya. Kepakaran merupakan

pengetahuan yang terdapat pada seorang pakar. Seorang pakar akan lebih cepat

menyimpulkan dan mengambil keputusan daripada yang bukan pakar.

Kepakaran diperoleh dari berbagai proses berupa membaca, belajar,

memperhatikan, dan berlatih. Pengetahuan yang terdapat pada pakar terdiri

dari:

a. Permasalahn yang bisa dikatakan fakta

b. Beberapa permasalahn yang mengacu pada sejumlah teori

c. Dari permasalahan tersebut diabuatlah aturan

d. Permasalahan yang memerlukan aturan heuristic

e. Pemecahan masalah yang menggunakan strategi secara global

f. Meta knowledge atau pemetaan pengetahuan

Seorang pakar pastinya mempunyai pengalaman serta pengetahuan dan



bisa menyelesaikan masalah menggunakan metode khusus untuk menarik

kesimpulan. Pakar bisa menjelsakan semua pengetauan yang ada. Pakar juga

bisa menasehati terkait pengetahuan demi kebaruan dan menghasilkan yang

terbaik. Pakar juga bisa menyusun kembali pengetahuannya denganguna. pakar

berbagai rule yang digunakan dan mengubah pengetahuannya menjadi sebuah

produk yang berguna.sehingga dengan berbagai kemampuan harusnya pakar

bisa menyelesaikan berbagai permasalan seperti berikut:

a. Merumuskan persoalan

b. Menyelesaiakn persoalan dengan efektif

c. Menjelaskan penyelesaiannya

d. Pengalaman dijadikan guru terbesar

e. Merancang pengetahuan baru

f. Menggunakan aturan untuk menyelesaikan persoalan

g. Membuat kebaruan knowledge

Transfer pengetahuan atau memindahkan pengetahuan dari pakar ke

dalam komputer agar bisa digunakan oleh user memiliki 4 komponen:

a. Pengambilan pengetahuan

Pengambilan pengetahuan ini atau sering disebut akuisisi pengetahuan

didapat dari pakar. Pakar memberikan pengetahuan berupa explicit

knowledge dan tacit knowledge. Pakar memberikan pengetahuan berupa

buku dan dokumen merupakan explicit knowledge dari pakar. Pakar

menceritakan pengalamannya dan menerapkannya pada sistem disebut tacit

knowledge.

b. Penerapan pengetahuan pada komputer dengan bantuan programmer dan

sistem analis.

c. Inferensia pada pengetahuan yang digunakan untuk menyelesaikan masalah.

d. Transfer pengetahuan kepada user. User sangat berperan dalam hal ini.

Dimana user sebagai pengguana akan memanfaatkan pengetahuan dari

pakar yang berguna untuk menyelesaikan masalahnya.

C. Soal Latihan/Tugas

1. Contoh aplikasi dan pengembangan sistem pakar?

2. Ceritakan kenapa sistem pakar itu penting dalam kehidupan?

3. Kenapa seorang pakar harus memperhatikan komponen expert sistem?

4. Apa pentingnya query pada sistem pakar ? Jelaskan?



5. Ceritakan tentang tacit knowledge dan explicit knowlge yang ada pada para

pakar?

6. Ceritakan tentang definisi sistem pakar dari berbagai penulis?

D. Referensi

Ishak Zunaidi M, Sadiman. 2013). Rule Base Expert System dengan metode forward

chaining untuk memprediksi kualitas Kain Batik. SAINTIKOM. Vol. 12 No.

3:1978-6603

Naser, A. dan Zaiter, A. 2008. An Expert System For Diagnosing Eye Disease Using

Clips. Journal of Theoretical and Applied Information Technology. 2005 -

2008 JATIT

Pasaribu JS. 2015. Implementasi Sistem Pakar untuk diagnosa penyakit mata pada

manusia. SENTIKA. 2089-9815


Turban, Efraim. Decision support and expert systems Management support

systems(fourth edition). Prentice-Hall International, Inc. 1995.



PERTEMUAN 8

STRUKTUR EXPERT SYSTEM (SISTEM PAKAR) DAN TIM PENGEMBANG



memahami struktur sistem pakar dan tim pengembang,. Sub materi pada pertemuan

ini yaitu:

1. Struktur sistem pakar

2. Tim pengembang sistem pakar

3. Rule sebagai teknik representasi pengetahuan

4. Teknik inferensia forward chaining

5. Teknik inferensia backward chaining

6. Research expert system

B. Uraian Materi

1. Struktur sistem pakar

Lingkungan pengembangan dan lingkungan konsultasi merupakan dua

bagian pokok struktur sistem pakar. Lingkungan pengembangan digunakan oleh

pakar dan lingkungan konsultasi digunakan oleh user. Lingkungan pengembang

terdiri dari basis pengetahuan yang dikumpulkan melalui tahapan knowledge en-

giner dengan proses akuisisi pengetahuan dari pakar. Pada tahap ini pun dil-

akukan perbaikan pengetahuan jika terdapat kesalahan. Lingkungan konsultasi

merupakan lingkungan yang khusus digunakan oleh user. Dimana user pada

lingkungan ini melihat fakta kejadian dengan perantara interface dengan be-

berapa aksi yang direkomendasikan. Aksi tersebut kemudian dioleh pada mesin

inferensia dengan proses workplace misalnya solusi atau rencana.

Gambar 8.1 merupakan bagian- bagian yang terlibat pada struktur sistem

pakar terdiri dari pemakai dan laiinnya yang termasuk ke dalam bagian pertama

yaitu lingkungan konsultasi. Bagian kedua yaitu lingkungan pengembang dimana

pada bagian ini terdapat basis pengetahuan, knowledge ingineer, akuisisi penge-

tahuan, pakar, perbaikan pengetahuan yang terhubung dengan mesin inferensia.

Gambar ini mengacu pada struktur sistem pakar yang terdapat pada buku kecer-

dasan buatan karya Sutojo T, Mulyanto E, Suhartono V(2011). Struktur sistem

pakar terdiri dari:



Gambar 8.1 Struktur sistem pakar

a. Akuisisi Pengetahuan

Sub system dari pakar digunakan sebagai basis pengetahuan

membentuk representasi sebagai representasi pengetahuan. Source penge-

tahuan berasal dari berbagai sumber misalnya dari kepakaran seseorang, dari

internet, buku dan lain-lain.

b. Basic Knowledge

Basic pengetahuan sebagai bahan dasar dan sumber permasalahan

yang bisadiformulasikan. Bagian dari basic pengetahuan, terdiri dari:

1) Fact atau fakta situasi dan kondisi dari permasalahan yang sebenarnya

2) Base rule, aturan untuk memecahkan suatu permasalahan

c. Inferencing machine

Mesin inferensi ini memandu proses penalaran dengan kaidah, model

dan fakta yang tersimpan pada basic knowledge untuk menarik suatu

kesimpulan. pengetahuan untuk mencapai solusi atau kesimpulan. Teknik

yang digunakan sebagai pengendalian pada mesin inferensia terdiri dari for-

ward chaining, backward chaining, serta combine dari kedua teknik tersebut

d. Blackboardd



BlackBoard merupakan daerah pada memora sebagai basic

pengetahuan. BlackBoard terdiri dari:

1) Rencana : Bagaimana masalah tersebut bisa dihadapi

2) Agenda : Eksekusi dari berbagai permasalahan yanga da

3) Solusi : Algoritma yang digunakan sebagai penyelesaian

e. User Interface

User interface ini digunakan sebagai antarmuka pemakai dengan

aplikasi atau sistem pakar. User interface biasanya supaya mudah dipahami

terdapat gambar, grafik dan menu-menu tertentu.

2. Pengembang sistem pakar secara tim

Gambar 8.2 Pengembang sistem pakar secara tim

Tim pengembang sistem pakar adalah orang-orang yang terlibat pada

penyelesaian suatu expert system. Tim pengembanga sistem pakar terdiri dari:

a. Project manager adalah orang yang terlibat sebagai pemimpin suatu

pembuatan expert sistem.

b. Knowledge enginer adalah orang yang menguji sebuah sistem.

c. Programmer adalah orang yang membuat codingan sehingga jadilah sebuah

sistem yang berguna.

d. Domain expert adalah orang yang digunakan sebagai pakar artinya ilmu

yang ada akan ditanamkan pada sistem tersebut misalnya sistem pakar

pendeteksi penyakit hewan berarti yang terlibat sebagai domain expert

adalah dokter hewan.

e. Terakhir end user adalah orang yang menggunakan sistem pakar.



3. Pengetahuanyang direpresentasikan berupa Rule

If dan Then merupakan bagian dari rule. Dimana If adalah fakta (evidance)atau

kenyataan sertaThen merupakan kesimpulan.

Biasanya rule mempunyai penghubung berupa AND atau Or serta bisa juga

kombinasinya. Namun alangkah baiknya penggunaan penghubung tidak secara

bersamaan pada sebuah rule.

IF (R1 AND R2 AND R3 …………AND Rn) THEN O

IF (R1 OR R2 OR R3 ………… OR Rn) THEN O

sebuah fakta bisa memili kesimpulan yang berbeda dan banyak

IF R THEN (O1 AND O2 AND O3 ……. AND On)

R sebagai fakta, Osebagai kesimpulan.

4. Teknik inferensia forward chaining

Teknik ini menggunakan rule teratas untuk memulainya. Teknik ini

menggunakan fakta untuk mengeksekusi rule. Rule hanya bisa digunakan sekali.

Setelah rule selesai di eksekusi makan akan digunakan rule yang baru.

Contoh 4.1

Berikut expert system yang memiliki 5 rule (aturan)

A1 : IF (B AND I) THEN A

A2 : IF (C AND G AND J) THEN B

A3 : IF F THEN C

A4 : IF H THEN O

A5 : IF (O AND P) THEN Q

Fakta-fakta : F, G, H, I,J mempunyai nilai benar

Goal : Tentukan apakah nilai A bernilai benaar atau salah

Pada saat rule tidak bisa lagi dieksekusi maka maka searching A bernilai betul

dan goal terletak pada A. Hal ini dilakukan dengan beberapa iterasi, iterasi 1 pada

Gambar8.3 dan Gambar 8.4. Iterasi 2 pada Gambar 8.5 dan iterasi 3 pada

Gambar 8.6.



Iterasi ke – 1

Gambar 8.3 Iterasi 1 tahap 1

Gambar 8.4 Itrasi 1 tahap 2

“Knowledge base”

A1 : IF (B AND I ) THEN

A2 : IF ( C AND G AND J ) THEN B

A3 : IF F THEN C

A4 : IF H AND O

A5 : IF (O AND P ) THEN Q




A3 : IF F THEN C

A4 : IF H AND O


Database

F G H I J

New evidence

CO

Database

F G I J

New Evidence

C

H

“Knowledge base “

A1 : IF ( B AND I ) THEN


A3 : IF F THEN C

A4 : IF H AND O


Database

G H I J

F

Database

F G H I J

New Evidence

C




A3 : IF F THEN C

A4 : IF H AND O




Gambar 8.5 Iterasi 3

Gambar 8.6 Iterasi 4

E

“Knowledge base“



A3 : IF F THEN C

A4 : IF H AND O





A3 : IF F THEN C

A4 : IF H AND O


Database

F G H I J

New Evidence

C OB

Database

F

B

H I J

New Evidence

C O


A1 : IF (B AND I) THEN


A3 : IF F THEN C

A4 : IF H AND O





A3 : IF F THEN C

A4 : IF H AND O


Database

F G H I J

New Evidence

C OBA

Database

F G H

J

New Evidence

CO B

I



Contoh 4.2

Berikut adalah contoh sistem pakar yang menggunakan 10 rule berikut.

Rule ke-1 terlihat pada Tabel 8.1

Tabel 8.1 Rule ke 1

Dari rule di atas terdapat evidence (fakta) sebagai berikut:

“Hari senin (bukan hari minggu )”

“Fatih kuliah “

Ini Berarti kedua fakta tersebut tersimpan di dalam memori kerja. Ingin

dibuktikan apakah fakta “Fatih belajar di kampus UNPAM” dan “Fadlan tidak

kuliah” bernilai benar.

Langkah-langkah inferensi forward chaining adalah sebagai berikut.

Berdasarkan fakta-fakta yang ada, sisem pakar berusaha menelusuri rule-rule

dari bagian IF, yang dimuali dari rule ke-1 sampai dengan rule-10.

Iterasi ke-1

Fakta “Fatih Kuliah memicu rule ke-2”

IF (Fatih kuliah) THEN (Fadlan kuliah)

Sehingga memori kerja berubah menjadi :

Fakta :

Hari senin (bukan hari minggu)

Fatih Kuliah



Fakta Baru :

Fadlan kuliah

Fakta “Hari senin: memicu rule ke-empat”

“IF (bukan hari minggu) THEN (Mahasiswa UNPAM kuliah)”

sehingga memori kerja menjadi

Fakta :


Fatih Kuliah

Fakta Baru :

Fadlan kuliah

Mahasiswa UNPAM kuliah

Rule ke-2 seperti Tabel 8.2

Tabel 8.2 rule ke 2

Iterasi ke-2

Fakta baru “Mahasiswa UNPAM kuliah memicu rule ke-9”

“IF (Mahasiswa UNPAM kuliah) THEN (Kuliah tidak libur)”


Fakta :


Fatih s kuliah

Fakta Baru :



Fadlan kuliah

Mahasisawa UNPAM kuliah

Kuliah tidak libur

Rule ke-3 terlihat pada Tabel 8.3

Tabel 8.3 Rule ke 3

Iterasi Ke-3

Fakta baru “Kuliah tidak libur memicu rule ke-10”

“IF (Kuliah tidak libur) THEN (Fatih belajar di kampus UNPAM)”


Fakta :


Fatih kuliah

Fakta Baru :

Fadlan kuliah

Mahasiswa UNPAM kuliah

Kuliah tidak libur

Fatih belajar di kampus UNPAM

Rule ke-4 terdapat pada Tabel 8.4



Tabel 8.4 Rule ke-4

Sampai di sini, rule sudah selesai. Oleh karena fakta “Fatih belajar di

kampus UNPAM” terdapat dalam memori kerja, maka terbukti bahwa fakta

tersebut bernial benar. Sedangkan fakta “Fadlan tidak kuliah” bernilai salah.

5. Teknik inferensia backward chaining

Metode yang dikerjakan secara mundur disebut backward chaining. Proses

ini diakhiri dengan pencarian dan dimulai dengan goal.

6. Research yang berkaitan dengan expert system

a. “Expert System dan Aplikasinya dalam Auditing: Suatu Metode Mempelajari

Pertimbangan Materialitas”

“Penelitian ini dilakukan oleh Erni Suryandari (2001), Universitas

Muhammadiyah Yogyakarta”. Expert system yang dilakukan di bidang

akuntansi. Penelitian ini dilakukan untuk mengurangi risiko audit.

b. “Penerapan metode failure and effect analysis ( FMEA ) dan expert system (

sistem pakar )”

“Penelitian ini dilakukan oleh Nurlailah Badariah , Dedy Sugiarto, dan

Chani Anugerah (2016)”. Penelitian ini dilakukan pada perusaan PT. KUI

dimana expert sistem yang dirancang berupa quality kontrol produk alat berat

perusahaan. Dengan adanya expert system ini maka akan mengurangi

kerugian perusahaan terutama bila barang yang dikirim dalam keadaan cacat.

c. “Implementasi fuzzy expert system untuk analisa penyakit dalam pada

manusia”



“Penelitian ini dilakukan oleh Leo Willyanto Santoso, Rolly Intan, dan

Feky Sugianto (2008), Universitas Kristen Petra Fakultas Teknologi Industri”.

Penelitian ini menggunakan sistem fuzzy dengan menanamkan banyak rule

base yang digunakan. Penelitian ini melibatkan dokter dan pasien.. dimana

pasien akan menceritakan berbagai gejala yang diderita pasien, sehingga

dokter bisa menggunakan alat melalui prediksi sistem fuzzy yang digunakan.

C. Latihan soal/Tugas

1. Buatlah contoh permasalahan yang menggunakan sistem pakar disertai

minimal 10 rule?

2. Reviewlah 5 jurnal yang berhubungan dengan sistem pakar, analisislah tim yag

terlibat pada permasalah yang diangkat pada sitem pakar tersebut serta

jelaskan latar belakag dan rule yang digunakan?

D. Referensi

Cecep R, Dini Destiani SF, Dhami Johar D. (2014). Perancangan Sistem Pakar

Untuk Diagnosis Penyakit Amenorea Dengan Menggunakan Metode Expert

System Development Life Cycle , Jurnal Algoritma, No. 1 Vol. 11.

Deby S, Uning L, Edhy S. (2015). Sistme Pakar Untuk Diagnosa Penyakit Kucing

Berbasis Web Menggunakan Framework Codegniter Web Based Exspert

System For Diagnosing Cat Disease Using Codeigniter Framework, Jurnal

Teknik Informatika, No. 1 Vol. 3.

Erni Suryandi. (2001). Expert System dan Aplikasinya dalam Auditing , Jurnal

Akuntansi dan Investasi, No. 2 Vol. 2.

Leo Willyanto S, Rolly Intan, Feky Sugianto. (2008). Implementasi Fuzzy Expert

System Untuk Analisis Penyakit Dalam Pada Manusia , Jurnal Teknlogi

Industri.

Nurlailah Badariah , Dedy Sugiarto, dan Chani Anugerah. 2016. Penerapan metode

failure and effect analysis ( FMEA ) dan expert system ( sistem pakar ).

Seminar Nasional Sains dan Teknologi. 2460 – 8416


Turban, Efraim. 1995. Decision support and expert systems Management support

systems(fourth edition). Prentice-Hall International, Inc.



PERTEMUAN 9

KETIDAKPASTIAN EXPERT SYSTEM (SISTEM PAKAR) BERBASIS RULE


Seteleh menyelesaikan materi pada pertemuan ini, mahasiswa mampu

memahami Ketidakpastian sistem pakar berbasis rule.

B. Uraian materi

1. Ketidakpastian sistem pakar berbasis rule

a. Probabilitas

Probabilitas ini dilakukan terhadap peristiwa yang diberi nama E dandilakukan

sebanyak n diantara N

P(E)=n/N, dengan batas-batas : 0 ≤ P(E) ≤ 1. . . . . . . . .. . . . (9.1)

Apabila P(E) =0 , dengan hasil peristiwa tersebut mustahil, dilain sisi apabila

P(E)=1, dengan hasil E nyata. Sehingga ketika Ē adalah bukan E, maka

hasilnya“

P(Ē) = 1 – P(Ē) . . . . . . . . . . . . . . . . . . .. . . .(9.2)

b. Probabilitas bersyarat

Probabilitas bersyarat dilakukan apabila peristiwa B didahulukan disebut

P(A|B) dengan rumus:

P(A|B)= 𝑃(𝐴∩𝐵)

𝑃(𝐵) . . . . . . . . . . . . . . . . . .(9-4)

atau sebaliknya

Karena, P(A∩B) = P(B∩A), makadiperoleh:

(9.5)

Example:

P(Fatih mengalami gejala Covid | Fatih merasakan flu) = 0,8

Mempunyai aturan yang samaa denganberikut

IF Fatih merasakan flu THEN Fatih mengalami gejala Covid (0,8)

Mempunyai aturan yang sama dengan berikut



“JIka Fatih mengalami flu, maka probabilitas(kemungkinan) Fatih gejala Covid

adalah 0,8”

c. Bayes Teorem

Teori bayes dengan faktayang bersifat tunggal E serta kesimpulan yang

bersifat tunggal H sebagai berikut:

melalui:

“p(H|E)” = Kenumgkinan kesimpulan H dengan fakta E

“p(E|H)” = kemungkinan timbulnya fakta E, apabila

kesimpulan H terjadi.

“p(H)” =Kemungkinan kesimpulan H tidak memandang

fakta

“P(E)” = kemungkinan fakta E tidak memandang apapun.

Example

Apabila, p(Covid) = 0,4 p(flu) = 0,3 P(covid|flu) = 0,75

a. “Hitunglah value dari P(covid|flu) ?”

b. “Hitunglah value dari P(covid|flu) jika p(covid) = 0,1 ?”

answer:

Tetapi kemungkinan harus diantara 0 dan 1.Apanya yang salah?

Perlu diperhatikan: p(covid) dengan ≥ p(covid ∩ flue)

p(covid) dengan ≥ p(covid ∩ flue)

p(covid ∩ flue) = p(covid ∩ flue) x P(covid)

= 0,75 0,3=0,225

sehingga, p(covid) ≥ 0,225

Untuk nilai p(covid) = 0,1 tidak sesuai dengan kriteria maka hitungan tidak

benar.



Teori bayes untuk fakta tunggal E serta kesimpulan ganda 1, H2 ……, Hn

adalah

(9.7)

Dengan:

p(Hᵢ|E)” = kemungkina kesimpulan Hᵢ terjadi jika faktaE terjadi.

p(E|Hᵢ) = kemungkinan timbulnya fakta E apabila kesimpulan Hᵢ

terjadi.

p(H)” = kemungkinan kesimpulan Hᵢ tidak melihatfakta apapun

N” = banyaknya kesimpulan yang terjadi

Untuk fakta ganda E1,E2……, En dan kesimpulan ganda H1,H2……,Hn ialah:

p(Hᵢ|E2 … Em)=p(E1 E2…Em |Hᵢ)×p(Hᵢ)

∑ p(E1 E2…Em |Hk)𝑛𝑘=1

∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙ (4 − 8) (9.8)

“Untuk mengaplikasikan persamaan (9.8), harus dilihat terlebih

dahuluprobabilitas bersayarat melalui semua evidence-evidence.sehingga,

aturan(9.8) diganti dengan persamaan (9.9)”.

p(Hᵢ|E2 … Em )=p(E1| Hᵢ)|Hᵢ)×p(E2|Hᵢ ×…× p(Em|Hᵢ)× p(Em |Hᵢ× p(Hᵢ)

∑ p(E1|Hk) × 𝑛𝑘=1 p(E2|Hk) ×…× p(Em |Hk)×p(Hk)

∙∙∙∙∙∙∙∙ (4 − 9)(9-9)

Contoh

“Table 9.1 berikut menunjukan kemungkinana secara bersyarat evidence

E1,E2,E3 dan H1 H2 dan H3 sebagai hipotesisnya. Sebagai contoh

pengamatan terhadap evidence E3, hitung kemungkinan terjadi hipotesis” :

a. H1 apabila awalnya hanya fakta E3 yang bisa di amati

b. H2 apabila awalnya hanya fakta E3 yang bisa di amati

c. H3 apabila awalnya hanya fakta E3 yang bisa di amati

Tabel 9.1 tabel probabilitas bersyarat evidence



Jawab :

Permasalahan ini merupakan teori bayes dengan fakta tunggal E dan

kesimpulannjamak H1,H2, H3 melalui rumus ini :

jadi,

Terlihat fakta E3 teramati, sehingga kesimpulan terhadap H1 mengalami

pengurangan serta H2 menjadi sama. Di lain sisi conclution terhadap H3

meningkat, nyaris menyamai H1 serta H2

Setelah mengamati kesimpuan E3 lalu fakta E1, carilah kemungkinanterjadi

sengan kesimpulan ?

a. H1 apabila teramati dengan fakta E1

b. H2 apabila teramati dengan fakta E1



c. H3 apabila teramati dengan fakta E1

Jawab:

Permasalah ini merupakan teori bayes dengan fakta yang bersifat jamak

E1, E3 melalui kesimpulan yang bersifat jamak H1, H2, dan H3 dengan rumus

ini:

p(Hᵢ|E1E3) =0,3 × 0,6 × 0,4

0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25 = 0,19

p(H1|E1E3) =0,3 × 0,6 × 0,4

0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25 = 0,19

p(H2|E1E3) =0,8 × 0,7 × 0,35

0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25 = 0,52

p(3ᵢ|E1E3) =0,5 × 0,9 × 0,25

0,3 × 0,6 × 0,4 + 0,8 × 0,70,35 + 0,5 × 0,9 × 0,25 = 0,29

Melalui pengamatan fakta E1, kemudian diamati pula fakta E2, hitunglah

kemungkinan terjadi kesimpulan:

a. H1 apabila kemudian teraamati dengan fakta E2.

b. H2 apabila kemudian teraamati dengan fakta E2.

c. H3 apabila kemudian teraamati dengan fakta E2.

Answer :



d. Certainty Factor (FaktorKepastian)

Tahun 1975 menurut Shortliffe dan Buchanan “Certainty Factor

Teorem(CF) diusulkan untuk menelaah suatu ketidak mungkinan (inexact

reasoning) kepakaran seseorang. Kepakaran seorang ahli melalui pernyataan

mungkin, kemungkinan besar, hampir pasti. certainty factor (CF) yang

digunakan mendeskripsikan keyakinan pada permasalahan tertentu”.

CF dibagi menjadi 2 yaitu”:

1) E. H. Shortliffe dan B. G. Buchanan mengusulkan “Metode Net Belie “

Di mana:

CF (Rule) = Faktor kepastian

MB(H,E) = Tingkat kepercayaanya suatu hipotesa H,apabila

perumpamaan E ( 0< E<1)”

MD(H,E) = Pengukuran ketidakpercayaanya H,apabila perumpa-

maan E (0< E<1)””

P(H) = Kemungkinan Fakta hipotesis H

P(H|E) = Kemungkinan H true melalui fact E”

Contoh

“Apabila ada kepakaran terhadap penyakit kelamin melalui penyakit phi-

mosis dengan kemungkinan 0.02. Dari data suatu lingkungan

menerangkan 100 0rang terserang penyakit phimosis, 40 orang dengan

gejala kulit berminyak. Melalui asumsi H=Phimosisdan E=KulitBerminyak,



hitunglah factor kemungkinan penyakit kulit berminyak bisa menyebabkan

penyakit phimosis”

Answer:

2) Wawancara secara langsung terhadap expert

Tabel berikut merupakan Nilai CF dengan memperhatikan term yang ada.

Contoh 4.9

Pakar:

“jika bersin dan

“Jika bersin dan susah bernapas,maka hampirdipastkan(Almost cer-

tainly)penyakitnya ialah Covid.”

“Aturan: IF ( bersin AND susah bernapas) THEN penyakitt =Covid (CF

= 0.8)”



Tabel 9.2 Uncertain term

e. Menghitung Certainly Factor Gabungan

Aturan yang digunakan sebagi berikut:

IF F1 AND F2…….AND Fn THEN G (CF aturan)”

Atau IF F1 OR F2…….OR Fn THEN G (CF aturan)”

Yang mana:

F1 … Fn :” Evidenceyang digunakan

G : “Kesimpulan

CF Aturan : Tingkatan terjadinya kesimpulan dengan keyakinan H

disebabkan oleh evidence F1 …Fn

1) Fakta E tunggal serta kesimpulan H tunggal dengan aturannya

IF F THEN G (CF aturan)

CF(G,F) = CF(F) x CF(aturan)………………………………………… (9.13)

Catatan:



Pada praktiknya, expert menentukan nilai CF berupa rule, sedangkan

nilai yang digunakan user(pengguna) disebut nilai CF(F) .

Example

“IF bulan ini kemarau (CF = 0.4) THEN bulan depan banjir 0,24.”

2) ‘evidence F Rule ganda dengan dan G tunggal sebagai Hipotesisnya’

‘IF F1 AND F2 ….. AND Fn THEN G (CF Rule)’

‘CF(G,F) = min [CF(F1), CF(F2, …., CF (Fn)] x CF (rule)’ ………(9-14)

‘IF F1 ORF2 ….. ORFn THEN G (CF Rule’

‘CF(G,F) = max [CF(F1), CF(F2, …., CF (Fn)] x CF (rule)’ …..….(9-15)

Example

‘IF bersin (CF =0,3) AND susah bernafas (CF = 0,2) AND hidung

tersumbat (CF = 0,7) THEN penyakit = Covid-19 (CF =0,3)’

‘CF (Covid-19, bersin ∩ susah bernafas ∩hidung tersumbat)

=min[0,4;0,2;0,7] x0,3 = 0,2x0,3 =0,06’

‘dalam artian apabila gejala bersin,susah bernafas serta hidung

tersumbat, sehingga tingkat kepastian terkena Covid-19 ialah 0,06.’

Example

‘IFbersin (CF= 0,4) OR susah bernafas(CF = 0,2) OR hidung

tersumbat(CF = 0,7) THEN penyakit = Covid-19(CF = 0,3)’

‘CF (Covid-19, bersinᶸ susah bernafasᶸ hidung tersumbat

)=max[0,4;0,2;0,7] x0,3 = 0,7 x0,3=0,21’

‘dalam artian apabila gejala bersin,susah bernafas serta hidung

tersumbat, maktingkat kepastian penyakit Covid-19 adalah 0,21’



3) ‘dua buah rule dikombinasikan dengan evidence yang berbeda (F1 dan

F2), dengan acuan tetap menggunakan hipotesis yang sama’

Example

Aturan1:IF Gatal Then penyakit=Scabies (CF=0,8)

Aturan2: IF Lebam Then penyakit=Scabies (CF=0,6)

HitungCF gabunganjika :

1) CF(gatal)=1 dan CF(lebam)=1

2) CF(gatal)=1 dan C(lebam)=-1

3) CF(bgatal=- dan CF(lebam)=-1

Answer:


Jika diketahui terdapat Aturan1:IF Kutuan Then penyakit=Gatal (CF=0,8)

Aturan2: IF ketombe Then penyakit=Gatal (CF=0,6)

HitungCF gabunganjika :

1. CF(kutuanl)=1 dan CF(ketombe)=1



2. CF(kutuan)=1 dan C(ketombe)=-1

3. CF(kutuan=- dan CF(ketombe)=-1

D. Referensi


Turban, Efraim. 1995. Decision support and expert systems Management support

systems(fourth edition). Prentice-Hall International, Inc.



PERTEMUAN 10

LOGIKA FUZZY


Setelah menyelesaikan materi [ada pertemuan ini, mahasiswa mampu

menerapkan operasi Fuzzy secara umum . Sub materi pada pertemuan ini yaitu:

1. Memahami pengertian logika fuzzy.

2. Perbedaan Logika Fuzzy dan LogikaTegas

3. Himpunan fuzzy

4. Dasar logika Fuzzy

5. Cara Kerja Kontrol Logika Fuzzy

B. Uraian Materi

1. Menjelaskan pengertian logika fuzzy

Logika fuzzy merupakan bidang pada artificial intelligence yang sedang

berkembang pesat. Banyak sekali pengaplikasian logika fuzzy pada kehidupan

secara nyata. Misalnya pada dunia ransportasi logika fuzzy telah banyak

mengembangkan mobil yang dilakukan tanpa pengendara yang dilakukan

dengan menggunakan perintah saja. Peralatan rumah tangga misalnya mesin

cuci yang dirancang menggunakan sensor optik untuk mengetahui kualitas

kotoran. AC yang sering digunakan menggunakan logika fuzzy dimana AC akan

terasa dingin ketika ada seseorang diruangan tersebut. Fuzzy merupakan bagian

dari artificial intelligence (AI).Telah banyak persoalan yang diselesaiakn dengan

logika fuzzy persoalan lainnya misalnya Penyedot debu, Rice cooker dan lainya.

Fuzzy juga mulai di lakukan pada dunia otomotif. Fuzzy juga bisa digunakan

untuk mengatur lalu lintas.Dilain sisi dunia pendidikan juga mulai melirik fuzzy.

Perkiraan fuzzy banyak digunakan pada kehidupan. Namun terkadang fuzzy

hanya bisa digunakan pada sistem operasi tertentu. Terkadang aplikasi juga

banyak menggunakan parameter sehingga menimbulkan kerumitan tertentu.

Solusi yang digunakan pada tahap aplikasi yang bersifat open source juga masih

tergolong sedikit. Dengaan permasalahan tersebut terkadang fuzzy cenderung

dirancang dengan menitikberatkan aspek fleksibilitasnya.

Lotfi A. Zadeh pada tahun1965 mengemukakan tentang fuzzy dan

menjadikan lotfi A. Zadeh sebagai the father of fuzzy.Zadeh menjelaskan fuzzy



menyerupai pola berpikir manusia dalam bentuk matematis. Sistem yang akan

dirancang sangat berpengaruh atau memperhatikan pengalaman serta informasi

pengetahuan tertentu. Fuzzy merupakan berhubungan dengan angka 0 dan 1

atau juga bisa keduanya. Fuzzy ini merupakan perluasan dari himpunan klasik.

Logika fuzzy terdiri dari masukan, proses serta keluaran yang dijadikan sebagai

cara kerjanya. Logika fuzzy juga berhubungan dengan true atau kebenaran dan

false atau kesalahan. Hasil yang digunakan pada logika fuzzy biasanya tidak

sesalu sesuai atau tidak selalu konstan dengan masukan yang digunakan.

2. Perbedaan Logika Fuzzy dan LogikaTegas

Logika fuzzy dan logika tegas atau biasa jelas berbeda. perbedaannya

yaitu logika tegas hanya menggunakan 0 dan 1 sedangkan logika fuzzy

menggunakan himpunan 0 hingga 1 terlihat pada Gambar 10.1.

Gambar 10.1 Perbedaan logika fuzzy (a) dan logika tegas(biasa) (b)

Ilustrasi gambar 10.1 (a) diatas ketika pada saat suatu nilai lebih dari

maupun sama dengan 10 maka betul atau y=1, sedangkan ketika nilai x tidak

mencapai 10 ialah salah dengan kata lain angka 7,8,9 dan di bawahnya termasuk

salah. Lain halnya dengan gambar 10.1 (b) ketika nilai 0,1,2,3,4,5,7,8 bisa

dikatakan benar atau bisa dikatakan salah.

Ilustrasi lain misalnya pada Gambar 10.2 ketika seseorang memiliki umur

di atas 17 maka bisa dikatakan dewasa. Lain halnya ketika dibawah 17 yang

ditandai warna kuning (a) maka termasuk anak-anak.



Gambar 10.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)

3. Himpunan fuzzy

Dalam himpunan fuzzy dikenal sebuah fuzzy set yang digunakan

representasi variabel berupa bahasa atau disebut linguistik variabel. Dimana di

dalam variabel tersebutpun terdapat fungsi keanggotaan. Nilai 0 dan 1

digunakan sebagai fungsi keanggotaan suatu himpunan fuzzy. Himpunan fuzzy

juga digunakan untuk memperkirakan suatu. suhu pada Gambar 10.3 ini

menggunakan temperatur secara horizontal yaitu dingin,sejuk,normaldan hangat

serta panas sebagai himpunan variabel suatu temperatur atau suhu. Sedangkan

secara vertikal menggunakan 0 dan 1.

Gambar 10.3 temperatur yang dijadikan himpunan

Himpunan variabel suatu umur digolongkan ke dalam 3 kategori muda tua,

dewasa atau parobaya serta sangat tua terlihat pada Gambar 10.4. Gambar

tersebut merepresentasikan nilai vertikal dengan 0; 0,25; 0,5 dan 1. Sedangkan

pada posisi horizontal yang direpresentasikan dengan umur, dimana umur 0

sampai 25 termasuk muda. Umur 25 sampai 65 termasuk parobaya. Umur 65

tahun sampai keatas termasuk kategori tua.



Gambar 10.4 umur yang dijadikan himpunan

Kasus yang lain misalnya himpunan variabel kecepatan yang dijadikan

himpunan misalnya, lambat, lambat sekali, cepat,cepat sekali,sedang

ditunjukkkan pada Gambar 10.5 berikut. Gambar tersebut secara vertikal dengan

range 0 dan 1. Secara horizontal terdiri dari lambar sekali dengan kecepatan

antara 0rpm sampai 25rpm. Kategori lambar yaitu terkecil 12rpm sampai 43rpm.

Kategori sedang terkecil 37rpm dan terbesar 63rpm. Kategori cepat terkecil

57rpm dan terbesar 68rpm. Kategori cepat sekali nilai terkecil 75rpm dan terbesar

100rpm

Gambar 10.5 Contoh keanggotaan himpunan kecepatan



4. Dasar logika Fuzzy

a. Fungsi Keanggotaan atau MembershipFunction

Fungsi keanggotaan atau membershipfunction memperlihatkan nilai

keanggotaan yang terdapat pemetaan berupa titik input atau dengan

sebutan lain berupa derajay keanggotaan. Pendekatan fungsi sering

digunakan untuk keanggotaan pada fuzzy. Interval nilai keanggotaan antara

0 sampai 1. Terdapat 4 fungsi keanggotaan yang sering digunakan pada

logika fuzzy.

1) Representasi Linier”

Pada tahapan ini menggunakan garis lurus sebagai derajat

keanggotaan biasanya digunakan pada konsep yang dirasa kurang

jelas.Pada representasi linear, pemetaan input ke derajat keanggotaan

nyadigambarkan sebagai suatu gari lurus. Fuzzy yang bersifat linier

dibagi menjadi 2 yaitu kesatu, nilai keanggotaan nol yang bergerak

kenanan mengarah ke nilai yang lebih tinggi terdapat paga Gambar

10.6. kedua adalah kebalikannnya yaitu nilai yang tinggi bergerak ke

arah kiri menurun kearah derajat keanggotaan yang rendah ilustrasi

terdapat pada Gambar 10.7.

Gambar 10.6 Representasi Linear yang bersifat Naik

Rumus :

µ (x)={

0 ; 𝑥 ≤ 𝑎𝑥−𝑎

𝑏−𝑎 𝑎 ≤ 𝑥 ≤ 𝑏

1; 𝑥 = 𝑏

..................................................................(10.1)

Kurva pada Gambar 10.7 terdapat garis yang merupakan kebalikan

Derajat

Keanggotaan



kurva yang pertama. Derajat keanggotaan tertinggi terletak pada sumbu

vertikal yang terletak sebelah kiri dengan angka 1. Kemudian mengarah

ke nilai keanggotaan terendah pada posisi horizontal dengan nilai b.

Gambar 10.7 Representasi Linear Turun

Rumus:

µ(x)={𝑏−𝑥

𝑏−𝑎; 𝑎 ≤ 𝑥 ≤ 𝑏

0; 𝑥 ≥ .............................................(10.2).

2) Representasi dalam bentuk Kurva Segitiga

Representasi ini merupakan penggabungan antara 2 garis yang

terlihatpada ilustrasi Gambar 10.8. Gambar tersebut merepresentasikan

sumbu horizontal dan vertikal. Dimana pada sumbu vertikal terdapat nilai

range terendah yaitu 0 dan nilai range tertinggi yaitu 1. Sumbu sebelah

kiri tersebut kemudian mengarah ke sumbu horizontal yang berada di

sebalah kanan. Dimana sumbu horizontal berbentuk segitiga dengan

range terendah yaitu a, range tertinggi yaitu c dan range menengah yaitu

b.

Derajat



Gambar 10.8 Representasi dalam bentuk Kurva Segitiga

Rumus:

3) Representasi dalam bentuk kurvaTrapesium

Kurva pada Gambar 10.9 merupakan kurva dalam bentuk

trapesium. Pada kurva tersebut terdapat segitiga pada sisi kiri dan

kanannya. Nilai keanggotaan terdiri dari angka 0 dan 1 terletak pada

posisi vertikal yang mengarah ke sumbu horizontal dengan range

terendah yaitu a sampai b, dan range tertinggi yaitu c sampai d. Rumus

yang digunakan untuk kurva trapesium terletak pada persamaan 10.4

Gambar 10.9 Representasi Kurva Trapesium

Derajat

Keanggotaan

Derajat

Keanggotaan

(x)



4) Representasi dalam bentuk Kurva Bahu

Representasi ini menyerupai kurva dalam bentuk segitiga. Kurva

yang dalam bentuk segitiga terletak pada posisi tengah kurva. Hal ini bisa

dilihat pada Gambar 10.10 dimana segitiganya bisa berpengaruh pada

sisi kanan dan kiri. Posisi kanan dan kiri tersebut akan mengalami kondisi

terendah dan tertinggi atau naik dan turun. Misalnya kondisi daerah yang

memiliki cuaca yang panas ke cuaca yang penghujan atau dingin. Namun

terkadang posisi yang terletak pada kiri dan kanan tidak mengalami

perubahan. Misalnya cuaca yang panas tidak berubah kedingain atau

penghujan. Dalam artian kondisi tetap tinggi atau naik. Kurva himpunan

fuzzy ini dikatakan bahu karena terdapat nilai tertinggi sebalah kiri dan

kanannya. Pada sumbu vertikal terdapat. Derajat keanggotaan dengan

range terendah yaitu 0 dan range tertinggi yaitu 1. Sumbu vertikal disebut

juga bahu kiri. Sumbu horizontal disebut dengan domain. Pada sumbu

horizontal ini terdapat domain waktu.

Gambar 10.10 Representasi Kurva Bahu

Rumus:

µ(x)= {

1 ; 0 ≤ 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑐 ≤ 𝑥 ≤ 𝑑𝑏−𝑥

𝑏−𝑎; 𝑎 ≤ 𝑥 ≤ 𝑏

𝑥−𝑏

𝑐−𝑏; 𝑏 ≤ 𝑥 ≤ 𝑐

..................................(10.5)

Domain

Derajat

Keanggotaan

(x)

Bahu kanan Bahukiri



5. Cara Kerja Kontrol Logika Fuzzy

Tahapan dalam kontrol logika fuzzy terdiri dari 4 yaitu:

1. Fuzzifikasi

2. Aturan dasar (fuzzyrule)

3. Mesin penalaran atau inference engine

4. Defuzzifikasi.

Gambar 10.11 merupakan gambar diagram logika fuzzy. Gambar tersebut

diawali dengan fuzzifier sebagai tahap pertama. Tahap kedua sesuai dengan

Gambar 10.11 BlokDiagramKontrol logika fuzzy

gambar tersebut yaitu inferensia engine yang menggunakan fuzzy rule base

sebagai acuannya. Tahap terakhir yaitu menghitung defuzzifier untuk menarik

suatu kesimpulan yang menyelesaikan masalah.

Gambar 10.12 Kerangka pada logika Fuzzy

Gambar 10.12 memiliki alur pertama berupa masukkan nilai tegas



kemudian masuk ke alur kedua yaitu fuzzifikasi. Setelah itu alur ketiga yaitu

proses penalaran atau sering disebut inferensia engine, pada proes penalaran

inilah dimasukkan aturan fuzzy sebagai fuzzy rule base. setelah itu alur keempat

yaitu defuzzifikasi. Terakhir akan terjadi keluaran hasil yang digunakan untuk

menarik kesimpulan sebagai penyelesaian masalah.

6. Aturan Dasar Fuzzy

Aturan dasar fuzzy biasanya menggunakan implikasi berupa JIKA dan

MAKA. Sebagai contoh JIKA R=D dan S=E maka T=F, dengan menggunakan

contoh rule tersebut maka dibuatlah beberapa variabel yaitu:

a. JIKA ruangan dengan suhu panas

b. JIKA kecepatan kipas angin dalam kondisi yang sangat lambat

c. MAKA agar kecepatan kipas angin tinggi perlu menaikkan sumber frekuensi

pada kondisi yang sangat tinggi

Apabila aturan tersebut melibatkan pakar, maka untuk pengendalian

karakteristik objek. Perlu dilakukan perhitungan aturan dasar kontrol fuzzy dalam

bentuk matriks seperti yang terlihat pada Tabel 10.1 dimana X sebagai suhu dan

Y sebagai kecepatan.

Tabel 10.1 kontrol logika fuzzy dalam bentuk matriks

C. Soal latihan/ Tugas

1. Ceritakan tentang logika fuzzy?

2. Apa perbedaan logika fuzzy dengan logika tegas(biasa)? Jelaskan dan berikan

contohnya?

3. Apa yang melatarbelakangi penggunaan logika fuzzydibandingkan dengan

logika konvensional?

4. Sebutkan tahapan – tahapan dalam mencari nilai fuzzy dan jelaskan !

5. Apa yang dimaksud dengan fuzzifikasi, dan berikan contoh kasus nya?



D. Referensi

Kusumadewi, S, dan Purnomo, H, 2010. Aplikasi Logika Fuzzy Sistem Pendukung

Keputusan. Graha Ilmu. Yogyakarta.


Offset. Yogyakarta.



PERTEMUAN 11

METODE PENYELESAIAN LOGIKA FUZZY



menganalisis dengan menggunakan linear programming, metode tsukamoto, metode

sugeno. Sub materi pada pertemuan ini yaitu:

1. Linear Programming

2. Metode Tsukamoto

3. Metode Mamdani

4. Metode Sugeno

5. Penelitian yang berhubungan dengan fuzzy

B. Uraian Materi

1. Linear Programming

Program linier programming sering digunakan untuk memecahkan

berbagai permasalahan. Namun pada kenyataannya pendekatan secara linier

programming mempunyai banyak kesulitan , misalnya sering terjadi tidak

akuratnya dalam menyelesaikan masalah. Sehingga dilakukan pendekatan teori

fuzzy. Teori himpunan fuzzy ini banyak sekali manfaatnya. Diantaranya bisa

merumuskan tidak pastian untuk menyelesaikan masalah pada kehidupan

sehari-hari.

Linear programming merupakan metode pada logika fuzzy yang digunakan

untuk memecahkan berbagai masalah. Metode ini menggunakan perbandingan

fuzzy melalui ranking fuction. Linier programming juga menggunakan beberapa

parameter bilangan fuzzy.

Banyak sekali bidang yang sudah membutuhkan penerapan fuzzy. Bidang

awal tersebut misalnya sains yaitu untuk memodelkan matematika. Bidang kedua

misalnya aplikasi yaitu industri untuk menelaah kesalahan lalu lintas atau

pengaturan lampu lalu lintas. Bidang ketiga misalnya kontrol contohnya sistem

kontrol AC, sistem kontrol kulkas, sistem kontrol rice cooker.dan masih banyak

lagi bidang laiinya yang menerapkan teori fuzzy.

Menurut para ahli telah banyak permasalahn yang bisa dipecahkan dengan

pendekatan fuzzy linier rogramming. Biasanya metode fuzzy yang sesuai yaitu



dengan menggunakan function. Dalam hal itu diberi permisalan sebuah fuzzy

yang disejajarkan dengan crisp mode, sehingga bisa mengambil solusi yang

paling optimal.

Disamping itu dual simplex algorithm juga merupaka bagian dari ranking

function yang bisa digunakan untuk menyelesaikan banyak masalah. Sebagai

permisalan terdapat beberapa parameter yang termasuk dalam fuzzy untuk

menyelesaikan permasalahan fuzzy linier programming. Penggunaan fungsi

tujuan, variabel keputusan dan laiinya digunakan sebagai koefisien digunakan

untuk menyelesaikan permasalahan.

Pada awalnya sebelum menggunakan fuzzy yang terlebih dahulu dipelajari

yaitu linier programming untuk mencari niai yang paling optimal.penggunaan

linier programming ini sangat penting sebagai contoh sering digunakan untuk

mencari keuntungan seting-tingginya dengan biaya yang paling rendah. suatu

nilai yang dalam keadaan samar atau belum diketahui benar atau salahnya

disebut logika fuzzy. dengan kata lain penyamaran bisa masuk kategori 0 atau 1,

hitam atau putih, benar atau salah. sedangkan logika fuzzy hanya menggunakan

0 atau 1 saja.

The father of logika fuzzy berasal dari universitas California< barkeley

tahun 1965 ialah Dr. Lotfi Zadeh. Logika fuzzy juga mempunyai kelebihan yaitu

kemampuan bernalar secara bahasa atau disebut linguistik reasoning. Dengan

menggunakan reasoning lingusitik maka tdak perlu menggunakan persamaan

dan model matematika. Contoh penggunaan logika fuzzy pertama yaitu tahun

1990 dengan ditemukannnya mesin cuci. Mesin cuci tersebut berhasil diproduksi

oleh perusaan Matsushita Electic Industrial Company. Sistem tersebut dirancang

untuk mengenali pakaian yang kotor dengan putarannya serta berapa banyak

jumlah pakaian yang akan dibersihkan.

Beberapa input yang digunakan untuk mengolah mesin cuci ini misalnya,

seberapa kotornya pakaian, jenis kotorannya.kemudian mesin cuci akan

bergerak sesuai dengan instruksi sensor berupa sensor optik. Sensor ini pun bisa

menentukan jenis kotoran apakah termasuk keringat, apakah minyak, atau pakah

kotoran tanah.

2. Metode Tsukamoto

Penalaran mononton yang diperluas disebut dengan metode tsukamoto.

Metode ini menggunakan aturan if-then yang menghasilkan himpunan fuzzy



dengan keanggotaan sebagai fungsinya.Hasil akhir dari metode tsukamoyo ini

yaitu inferensia dengan rata-rata terbobot. Berikut model yang digunakan oleh

tsukamoto:

Himpunan fuzzy yang terdiri dari A,B,C

Dengan menggunakan 2 aturan(rule)

Tahapan metode Tsukamoto terdiri dari fuzzyfikasi, aturan(rule), inferensia

dan terakhir proses perhitungan defuzzyfikasii seperti dibawah ini:

a. Fuzzyfikasii

b. Menentukan fuzzy sebagai basis pengetahuan dengan rule tertentu misalnya menggunakan JiKA... MAKA

c. menggunakan fungsi Min atau fungsi implikasi untuk menghasilkan niai α-predikat terhadap setiap rule atau disebut(α1, α1, α1,…. αn) hal ini biasanya disebut Mesin Inferensi

d. mencari nilai rata-rata atau yang sering disebut Defuzzyfikasi melalui rumus dibawah ini:

3. Metode Mamdani

Metode ini disebut juga metode makasimal dan minimal dan the father of

metode mamdani ialah Ebrahim Mamdani tahun1975. Terdapat 4 tahapan

mamdani yaitu:

a. pertama membentuk himpunan

Variabel masukan sebagai input dan variabel keluaran sebagai output

Pada Metode Mamdani ini bisa menjadi satu atau lebih pada himpunan fuzzy.

b. kedua membuat aturan (rule)

Tahap kedua ini yaitu menggunakan aturan sebagai rule melalui nilai



min sebagai fungsi implikasinya.

c. ketiga komposisi

Tahap ketiga berupa komposisi ini yang merupakan korelasi anatr

aturan. Metode mamdani yang digunakan pada tahaap komposisi ini terdiri

dari 3 yaitu yang pertama max, yang kedua additive dan terakhir probabilistik

OR (probor).

d. terakhir sama seperti tsukamoto yaitu defuzzyfikasii.

Gambar 11.1 Grafik IF THEN metode mamdani

Berikut merupakan penjelasan dari tahap ketida pada metode mamdani:

a. Maksimum method

Metode ini diselesaikan dengan mengambil nilai maksimum. Nilai

maksimum tersebut diarahkan ke hasil atau autput melalui instruksi OR.

Himpunan fuzzy digunakan sebagai output terhadap setiap proposisisi.

Rumusnya sebagai berikut:

b. Additivee (Sum) Method

Bounded sum dilakukan terhadap semua hasil(output), melalui rumus:

aturan sama seperti max method

http://3.bp.blogspot.com/-I03dZIJj0aY/UkQd9iQqGFI/AAAAAAAAAjs/6z4B4SQD0eU/s1600/fuzzy001.gif



c. Probabilistik OR Method

Produck dilakukan terhadap semua hasil, melalui rumus:

aturan sama seperti max and sum method

d. Penegasan (defuzzy)

Masukan dari proses akhir ini merupakan himpunan yang dihasilkan dari

beberapa aturan. Sedangkan keluarannya berupa bilangan yang disebut

domain yang terdapat pada himpunan fuzzy yang digunakan. Nilai scrip yang

digunakan sebagai keluaran dengan mempertimbangkan range yang

tersebut.

Beberapa metode sebagai komposisi pada aturan defuzzy mamdan

terdiri dari:

1) Centroid method

Centroid Metode ini menggunakan titik pusat sebagai daerah fuzzy

dengan pertimbangan solusi script.

2) Bisektor method

Pada Bisektor method ini Nilai yang diambil yaitu melalui nilai seluruh

yang dibagi dua atau disebut keanggotaan value darisolusi scipt sebagai

nilai domain.

3) Mean of Maximum method

Mean of Maximum method dilakukan dengan cara memperoleh nilai

average dari yang maksimal.

4) Largest of Maximum method

Largest of Maximum method dilakukan dengan cara memperoleh nilai

terbesar dari yang sebagai maksimum sebagai keanggotaan.

5) Smallest of Maximum method

Smallest of Maximum method dilakukan dengan cara memperoleh nilai

terkecil dari yang sebagai maksimum sebagai keanggotaan.

4. Sugeno Method

Merode sugeno ini memiliki kemiripan dengan metode mamdani. Dengan

keluaran yang bukan berupa himpunan fuzzy. Metode ini menggunakan

persamaan linier. Dimana metode ini menggunakan singleton sebagai himpunan



fuzzy. Kemudian himpunan fuzzy tersebut digunakan sebagai fungsi

keanggotaan pada titik tertentu dimana terdapat nilai yang digunakan. Nilai 0

terletak di luar penggunaan titik tersebut.

Terdapat 2 model pada sugeno method ini:

a. Orde 0 pada sugeno method

Orde 0 pada sugeno method mempunyai bentuk yang menggunakan

persamaan berikut JIKA (Y1 adalah B1) ATAU (Y2 adalah B2) ATAU (Y3

adalah B3) ATAU (YN adalah BN) MAKA z=k

dengan Bi ialah himpunan pada fuzzy ke-i dengan sebutan antesenden,

sedangkan k merupakan konstanta yang bersifat tegas sebagai dengan

sebutan konsekuen.

b. Orde 1 pada sugeno method

Orde 1 pada sugeno method mempunyai bentuk yang menggunakan

persamaan berikut JIKA (Y1 adalah B1) ATAU (Y2 adalah B2) ATAU (Y3

adalah B3) ATAU (YN adalah BN) MAKA z= p1*Y1+… + pN*YN+q dengan Bi

ialah himpunan pada fuzzy ke-i dengan sebutan antesenden, sedangkan Pi

merupakan konstanta ke i serta q juga termasuk konstanta yang bersifat tegas

sebagai dengan sebutan konsekuen.

Langkah sugeno method:

1) Himpunan fuzzy yang di bentuk

Himpunan fuzzy yang di bentuk dilakukan dengan mengidentifikasi

variabel sebagai input yang kemudian dikirimkan ke dalam fuzyy

himpunan berupa true logic atau nilai kebenaran yang menggunakan

premis dengan pertimbangan basis pengetahuan. Pada tahap ini juga

dilakukan dengan memperoleh nilai menjadi anggota himpunan fuzzy

yang cocok.

2) Implikasi

Relasi fuzzy mempunyai aturan sebagai proposisi berdasarkan

basis pengetahuan.relasi fuzzy ini berhubungan dengan aturan tertentu.

Bentuk yang sering digunakan pada fuzzy sebagai fungsi Implikasi pada

sugeno terdiri dari:

a. JIKA X adalah C kemudian Y adalah D. x serta y merupakan sskalar,

C serta D ialah himpunan fuzzy sehingga menjadi IF x is C THEN y is



D. Himpunan ini bisa diperluas menjadi JIKA (Y1 adalah C1) ATAU

(Y2 adalah C2) ATAU (Y3 adalah C3) ATAU (YN adalah CN) MAKA y

adalah C menggunakan operatur AND atau OR.

aturan yang mengikuti IF atau JIKA disebut antesenden, sedangkan

aturan yang mengikuti THEN atau MAKA disebut dengan konsekuen.

Fungsi dengan nilai minimum akan memotong keluaran berupa fuzzy

sebagai fungsi implikasi.

b. fungsi min yang digunakan untuk skala output yang disebut juga

sebagi fungsi Dot sebagai product pada penggunaan sugeno method

ini.

3) Defuzzification

Proses defuzzification ini melibatkan masukan dan keluaran.

Dimana masukan berupa komposisi dari himpunan fuzzy. Serta keluaran

berupa nilai atau yang disebut crisp. Fuzzy yang menggunakan aturan

JIKA MAKA pada rumus R= JIKA x1 adalah k dan xn adalah Ank MAKA

y adalah Bk, dengan ketentuan A1k dan Bk secara terurut merupakan

himpunan fuzzy pada Ui R (U serta V ialah domain secara fisik),

i=1,2,3,4,5,6,7,8.....n serta x=(x1,x2,x3,x4,x5,x6......, xn). Sehingga

penggunaan U dan V digunakan sebagai variabel masukan dan keluaran

dengan kata lain linguistik dari sistem fuzzy.

Pemetaan pada suatu himpunan fuzzy sering juga disebut dengan

defuzification. Defuzification menghasilkan masukan berupa himpunan

fuzzy. Himpunan fuzzy untuk menghasilkan nilai. Perhitungan sugene

dengan mencari rata-rata (WA) : WA=(〖a_1 z_( 1)+a〗_2 z_( 2 )+a_3

z_( 3 )+ … a_n z_( n ) )/(〖a_1+a〗_2+a_3+… a_n )

Banyak sekali bidang yang sudah menerapkan himpunan inferensia

fuzzy. Misalnya penggunaan inferensia fuzzy untuk menghitung kalori

yubuh secara harian. Dimana kondisi tersebut mempertimbangkan

kebutuhan tiap manusia yang cenderung berbeda. Sebenarnya sudah

terdapat rumus untuk menghitung hal tersebut, tetapi cukup rumit ketika

pasien tidak mendapatkan informasi yang jelas. Penerapan inferensia

fuzzy cukup penting dengan metode TSK atau yang sering disebut

TAKAGI SUGENO KANG. Metose ini menggunakan 7 variabel yaitu

umur, berat, tinggi, suhu, aktivitas sehari-hari, latar belakang penyakit



serta 1 penggunaan variabel secara crisp yaitu gender seseorang apakah

perempuan atau laki-laki. Rule pada IF atau JIKA berifat anteseden

MAKA THEN atau MAKA bersifat kosekuen.

Tabel 11.1 Jurnal yang berhubungan dengan fuzzy




1. Ceritakan dengan bahasa kalian sendiri apa yang dimaksud dengan linier

programming?

2. Apayang dimaksud dengan metode Tsukamoto? Jelaskan?

3. Apayang dimaksud dengan metode Mamdani? Jelaskan?

4. Apayang dimaksud dengan metode sugeno? Jelaskan!

5. Carilah 3 Jurnal lain yang berhubungan dengan fuzzy mamdani dan berikan

penjelasan tentang jurnal tersebut?

D. Referensi

Fernando D. 2017. Clustering Interaksi Antara Protein Dan Proses Biologis Yang

Terkait Dengan Diabetes Mellitus Tipe 2 Menggunakan Fuzzy K-Partite.

[Tesis]. Institut Pertanian Bogor.

Hutabarat NB. 2017. Penggabungan Fitur Morfologi, Fuzzy Local Binary Pattern,

dan Fuzzy Color Histogram untuk Aplikasi Mobile Identifikasi Penyakit Daun



Tanaman Jabon (Anthocephalus cadamba (Roxb.) Miq). [Tesis]. Institut

Pertanian Bogor.

Maniswari SD, Rusdinar A, Purnama B .2015.Smart traffic light menggunakan

image processing dan metode fuzzy logic. E-Proceeding of engineering. Vol 2

No 2:2355-9365.

Kusumadewi, S, dan Purnomo, H, 2010. Aplikasi Logika Fuzzy Sistem Pendukung

Keputusan. Graha Ilmu. Yogyakarta.


Offset. Yogyakarta.



PERTEMUAN 12

APLIKASI LOGIKA FUZZY



menentukan perhitungan logika fuzzy. Sub materi pada pertemuan ini yaitu:

1. Memahami Sistem kontrol frekuensi putar AC

2. Logika fuzzy

B. Uraian Materi

1. Sistem control frekuensi putar AC

Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol

dengan 3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer,

suhu pada suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut

memiliki kecepatan putar terbesar yaitu 5000 rpm dan terkecil 1000 rpm. Suhu

ruangan terbesar yaitu 600 kelvin dan terkecil 100 kelvin. Dilain sisi AC tersebut

memiliki frekuensi terbesar sebanyak 7000 rpm dan terkecil yaitu 2000 rpm.

Sistem kontrol memiliki 4 aturan yaitu:

[A1] JIKA suhu TINGGI DAN kecepatan LAMBAT KEMUDIAN frekuensi KECIL.

[A2] JIKA suhu RENDAH DAN kecepatan LAMBAT KEMUDIAN frekuensi

KECIL.

[A3] JIKA suhu TINGGI DAN kecepatanCEPAT KEMUDIAN frekuensi KECIL.


KECIL.

2. Aplikasi Logika fuzzy

Jika angka sensor suhu menunjukkan 300 kelvin, dilain sisi AC memiliki

kecepatan 4000 rpm pada saat berputar. Berapakah sistem kontrol tersebut

bisa menghasilkan sumber frekuensi?Buatlah penyelesaian melalui tsukamoto

method,mamdani method dan sugeno method dimana arutan yang digunakan

sugeno yaitu

[A1] JIKA suhu TINGGI DAN kecepatan LAMBAT KEMUDIAN frekuensi

KECIL.



= 0,5*kec + 1700”


KECIL

= 2*kec-4000”

[A3] JIKA suhu TINGGI DAN kecepatanCEPAT KEMUDIAN frekuensi KECIL

=0,5kec+2000”


KECIL.

“= kec +700”

Solusi : Tsukamoto Method

Tahap ke-1: Fuzzifikasii

a. Kecempatan; terdiridariatas LAMBAT and CEPAT seperti terlihat pada

Gambar 12.1

Gambar 12.1 variabel kecepatan yang memiliki Fungsi keanggotaan

Kecepatan yang diguanakan400rpm yaitu:



b. Suhu terdiri atas 2 himp fuzzy, yaitu RENDAH sertaTINGGI (Gambar 12.2)

Gambar 12.2 Fungsi keanggotaan variabel suhu

1, y≤ 100

µRENDAHNYA[y]= =600−y

500 , 100 ≤ y ≤ 600

0, y ≥ 600

0, y ≤ 100

µTINGGI[y]= =y−100

500 , 100 ≤ y ≤ 600

1, y ≥ 600

Suhu yang digunakan 300 KELVIN yaitu:

µRENDAH[300] = (600-300)/500 = 0,6”

µTINGGI[300] =(300-100)/50 = 0,4”

c. Frekuensi; terdiridariatas 2 himp fuzzy, yaitu KECIL and BESAR terlihat paga

Gambar 12.3



Gambar 12.3 fungsi keanggotaan variable frekuensi

1, z ≤ 2000

µKECIL[z]= =7000−z

5000 , 2000 ≤ z ≤ 7000

0 z ≥ 7000

0, z ≤ 2000

µBESAR[z]= =z−2000

5000 , 2000 ≤ z ≤ 7000

1, z ≥ 7000

Tahap ke-2 :pembekuan Rule

Dalamtahapini rule-rule yang dibentuksesuaidengan yang diketahuidalamsoal,



Tahap ke-3: Mesin Inferensia

Tabel 12.1 penerapanMin untu setiap aturan

Tahap ke-4: Defuzzifikasii

Hasil defizifikasi dengan rumus dibawah ini

Sehingga frekuensi yang digunakan mestinya 4983



Solusi :Metode mamdani

Tahap ke-3 :Mesin Inferensia

Tabel 12.2 Mengimplementasikan fungsi MIN pada mamdani

Gambar 12.4 Grafik mamdani aturan 1






Aturan mamdani dengan MAX

himpunan fuzzy yang baru. Carinilai a1 dan a2.

Sehingga himpunaan fuzzy yang baru menjadi:

0,25; z ≤ 3250

µ[z]= (z-2000) /5000; 3250 ≤ z ≤ 5000

0,6; z ≥5000

Tahap ke-4: Defuzzyfikasi

Pada tahap ini metode centroid digunakan.



Jadi, system control menghasilkan sumber frekuensi putar AC sebanyak

4247,74

Solusi Sugendo Method

Tahap ke-3:Inferensia

Tabel 12.3 Mencari α-predikatSertanilai z terhadap setiapaturan:



Tahap ke-4:Defuzzyfikasi

Persaamaan yang dipakai untuk mencari nilai frekuensi AC

Sehingga frekuensi AC mestinya 4230 rpm


1. Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol dengan

3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer, suhu pada

suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut memiliki

kecepatan putar terbesar yaitu 7000 rpm dan terkecil 3000 rpm. Suhu ruangan

terbesar yaitu 800 kelvin dan terkecil 300 kelvin. Dilain sisi AC tersebut memiliki

frekuensi terbesar sebanyak 9000 rpm dan terkecil yaitu 4000 rpm. Sistem

kontrol memiliki 4 aturan yaitu:


KECIL.


KECIL.



KECIL.

2. Terdapat AC pada sebuah ruangan. AC tersebut memiliki sistem kontrol dengan

3 variabel. Variabel tersebut yaitu kecepatan pada saat AC berputer, suhu pada

suhu ruangan tersebut dan sumber frekuensi putar AC. AC tersebut memiliki

kecepatan putar terbesar yaitu 8000 rpm dan terkecil 4000 rpm. Suhu ruangan

terbesar yaitu 900 kelvin dan terkecil 400 kelvin. Dilain sisi AC tersebut memiliki

frekuensi terbesar sebanyak 10000 rpm dan terkecil yaitu 5000 rpm. Sistem

kontrol memiliki 4 aturan yaitu:


KECIL.




KECIL.



KECIL.

Jika angka sensor suhu menunjukkan 600 kelvin, dilain sisi AC memiliki

kecepatan 6000 rpm pada saat berputar. Berapakah sistem kontrol tersebut

bisa menghasilkan sumber frekuensi?Buatlah penyelesaian melalui tsukamoto

method,mamdani method dan sugeno method dimana arutan yang digunakan

sugeno yaitu

D. Referensi




PERTEMUAN 13

JARINGAN SYARAF TIRUAN


Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami

tentang jaringan syaraf tiruan. Sub materi pada pertemuan ini yaitu:

1. Jaringan Syaraf Tiruan

2. Jenis-jenis Algoritma pembelajaran dengan supervisi

B. Penjelasan materi

1. (JST)Jaringan Syaraf Tiruan

The father of Jaringan Syaraf Tiruan (JST) yaitu neurophysiologist waren

Culloch dan Logician Walter Pits pada tahun 1943. Jaringan syaraf tiruan ini sudah

dikembangkan jauh sebelum komputer digunakan. Jaringan syaraf tiruan terinspirasi

dari sel syaraf biologi atau percabangan otak manusia. JST ini sering digunakan

untuk menyelesaikan masalah yang berhubungan dengan pengenalan pola dan

klasifikasi.

Jaringan syaraf tiruan sering juga disebut neural network. Jaringan ini berupa

syaraf biologi layaknya otak dengan 10.000.000.000 sel syaraf. Dimana otak

tersebut terdiri dari 2 input dan output. Input disebut dendrits. Output disebut axon.

Dendrit dan axon ini kemudian dihubungkan dengan synapse. Syaraf mengirimkan

signal berupa electro chemixal yang terdapat pada axon. Signal tersebut menembus

synapse ke syaraf yang lain menggunakan batasan tertentu. Batasan inilah yang

disebut dengan threshold atau dengan kata lain sebagai nilai ambang.

2. Jenis-jenis Algoritma pembelajaran dengan supervisi

Menurut buku kecerdasan buatan oleh Sutojo et al (2011), algoritma

pembelajaran dengan supervisi terdiri dari 7 seperti terlihat pada Tabel 13.1.



Tabel 13.1 jenis Algoritma pembelajaran dengan supervisi

Pada modul 13 ini hanya membahas tentang algorithm of supervised with hebb

rule method.

a. Hebb Rule Method

Hebb rule mthod menggunakan bobot sebagai w dan bias secara iterative.

Metode hebb rule ini merupaka metode pertama yang digunakan pada algoritma

supervisi. Jaringan ini menggunakan input dan output dengan penambahan bias

seperti terdapat pada Gambar 13.1

.

Gambar 13.1 Arsitektur Hebb Rule

Gambar 13.1 merupakan arsitektur jaringan hebb rule. Pada arsitektur ini

terdiri dari X yang merupakan input, W yang merupakan bobot, net dan f net

X1

Net=

∑xw+b

X2

1

X3

F(net)

W1

W2

W3

b

y



merupakan lapisan tersembunyi serta y merupakan output. Algoritma pelatihan

Hebb rule ini terlihat pada Tabel 13.2:

Tabel 13.2 tahapan Algoritma pelatihan hebb rule

Contoh 6.5

Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan hebb

rule melalui masukan dan keluaran berikut:

1) masukan biner, keluaran biner

2) Masukanbiner dan keluaran bipolarr

3) Masukan bipolar dan keluaran bipolar

Jawab

1) masukan biner, keluaran biner

Tabel 13.3 Fungsi logika or



Gambar 13.2 Arsitektur Hebb Rule dengan logika OR

Algoritma pelatihan Hebb:

Inisialisasii bobotdan bias:w1=0,w2=0,b=0

Tabel 13.4 Data pertama dengan perubahan bobot terhadap bias

“Data ke-2,x1 = 0,x2 = 1y = 1(target)”

Tabel 13.5 Data ke-2 dengan perubahan bobot terhadap bias

X1

Net=

∑xw+b

X2

1

F(net)

W1

W2

b

y





“Data ke-4,x1=1,x2=1y=1(target)”


‘Di sini diperoleh nilai bbobot dan biassebagai berikut : w1 = 2w2 = 2b = 3’

Tabel 13.8 Hasil perhitungsn f (net)

Pada Tabel 13.8 bisa dilihat bahwa f(net) tidak sesuai dengan target.



2) Tabel 13.9 Input biner dan output bipolar menggunakan fungsi logika Or

Tabel 13.9 Input biner dan output bipolar menggunakan fungsi logika Or

Alrgoritma pelatihan Hebb:

“Inisial bobotdan biass,w1=0,w2=0,b=0”

“Data ke-1,x1 =0,x2 = 0y =-1(target)”










‘Di sini dihasilkannilai bobot danbias sebagai berikut:w1=2,w2 = 2 danb 2’



Tabel 13.14Hasil f (net) input biner dan output bipolar melalui fungsi

logika ‘OR’

3) Fungsilogika “OR” melalui input(bipolar) dan output(bipolar)

Tabel 13.15iinput biner dan output bipolar melalui fungsi logika ‘OR’

Algoritma pelatihan Hebb:

“Inisialisasii bobotdan biass,w1=0,w2 = 0b 0”

“Data ke-1,x1 = -1,x2 =-1y =-1(target)”


“Data ke-2,x1 =- 1,x2 = 1y = 1(target)”



Tabel 13.17Data ke-2 dengan perubahan bobot terhadap bias

“Data ke-3,x1 = 1,x2 = -1y = 1(target)”




‘Di sini dihasilkan bobott dan bias sebagai berikut: w1= 2w2 = 2 danb = 2’



Tabel 13.20 Hasil f (net) melalui input (bipolar) dan output (bipolar)

dengan “OR”

Melalui fungsi OR terlihat target tidak sesuai (sama) dengan f(net)

sehingga bisa disimpulkan bahwa fungsi OR tidak dikenali oleh jaringan.


Kerjakan sebuah fungsi logikaa “AND” untuk mendapatkan sebuah jaringan hebb


1. Masukan biner, keluaran biner

2. Masukan biner dan keluaran bipolarr



3. Masukan bipolar dan keluaran bipolar

D. Referensi

Sudarsono A. 2016. Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan

Penduduk menggunakan metode Backpropagation (Studi Kasus di Kota

Bengkulu). Jurnal Media Infotama Vol. 12 No. 1: 1858 – 2680.

Solikhun, Safii M, Trisno A. 2017. Jaringan Syaraf Tiruan untuk Memprediksi Tingkat

Pemahaman Siswa terhadap Mata Pelajaran dengan Menggunakan Algoritma

Backpropagation. Jurnal Sains Komputer & Informatika (J-SAKTI). Volume (1) No.

1: ISSN:2548-9771/EISSN: 2549-7200



PERTEMUAN 14

DELTA RULE DAN PERCEPTRON


Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu memahami

penggunaan Delta Rule dan perceptron yang merupakan bagian algoritma pembelajaran

dengan supervisi. Sub materi pada pertemuan ini yaitu:

1. Delta Role

2. Perceptron

B. Uraian Materi

1. Delta Rule

Selama pelatihan pola, delta rule akan mengubah bobot dengan cara

meminimalkan eror antara output jaringan y dengan target t. gambar 6.19 adalah

arsitektur jaringan delta rule untuk dua input.

Gambar 14.1 Arsitektur jaringan pada delta rule data import

Algoritma pada delta rule ini digunakan untuk memperbaiki bobot ke sekian atau ke

– i (untuk pada setiap polanya):

‘w (baru) = w (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋𝑖 ’

Dengan :

‘Xi = vector input, y = output jaringan, t = target, 𝛼 = learning rate’

Pelatihan akan dinyatakan selesai jika epoch bernilai nol.

F(net)

∑xw

W2y

W1

y_in



Contoh 14.1

Buatlah jaringan saraf tiruan menggunakan logika “OR” dengan input(biner) dan

keluaran(biner) sesuai Tabel 14.1

Tabel 14.1 Fungsi logika ‘or’

Gunakan algoritma pelatihan delta rule, bila ditentukan nilai learning rate (𝛼) = 0,2

dan dengan bobot w1=0,1 danw2=0,3serta fungsi aktivitas yang digunakan adalah

fungsi undak biner, dengan 𝜃=0,5.

Jawab :

Epoch ke -1

------------------------------------------------------------------------------------------------------

‘Data pertama (x1 = 0,x2 = 0,target t = 0)’

‘y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 0. 0,1+ 0.0,3 = 0’

Fungsi aktivasi : y = {0, 𝑗𝑖𝑘𝑎 𝑥 < 0,51, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5

Hasil aktivasi y = 0

Eror = (t-y) = (0-0) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 0. 0 =0,1

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,3 + 0,2. 0. 0 =0,3

-----------------------------------------------------------------------------------------------

‘Data ke dua (x1 = 0,x2 = 1,target t = 1)’

‘y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 0. 0,1+ 0.0,3 = 0,3’



Eror = (t-y) = (1-0) = 1

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 1. 0 =0,1



w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,3 + 0,2. 1. 1 =0,5

------------------------------------------------------------------------------------------------------

Data ke tiga(x1 = 1,x2 = 0,target t = 1)’

‘Menghasilkan bobot baru yaitu w1 = 0,1 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 1. 0,1+ 0.0,5 = 0,1’



Eror = (t-y) = (1-0) = 1

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,1 + 0,2. 1. 1 =0,3

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 1. 0 =0,5

-------------------------------------------------------------------------------------------------

‘Data ke empat (x1 = 1,x2 = 1,target t = 1)’

w1 = 0,3 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,3+ 1.0,5 = 0,8’



Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 1 =0,3

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

Epoch ke – 2

------------------------------------------------------------------------------------------------

‘ Data ke pertama(x1 = 0,x2 = 0,target t = 0)’

w1 = 0,3 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘0. 0,3+ 0.0,5 = 0’



Eror = (t-y) = (0-0) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 0 =0,3

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5



-------------------------------------------------------------------------------------------------

Data kedua (x1 = 0,x2 = 1,target t = 1)’

w1 = 0,3 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘0. 0,3+ 1.0,5 = 0,5’



Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 0. 0 =0,3

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

-------------------------------------------------------------------------------------------------

Data ketiga(x1 = 1,x2 = 0,target t = 1)’

w1 = 0,3 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,3+ 0.0,5 = 0,3’



Eror = (t-y) = (1-0) = 1

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,3 + 0,2. 1. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 1. 0 =0,5

-------------------------------------------------------------------------------------------------

Data ke empat (x1 = 1,x2 = 1,target t = 1)’

w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,5+ 1.0,5 = 1’



Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

Epoch ke -3

-------------------------------------------------------------------------------------------------

Data ke -1 (x1 = 0,x2 = 0,target t = 0)’



w1 = 0,5 dan w2 = 0,5’

‘y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 0. 0,5+ 0.0,5 = 0’



Error = (t-y) = (0-0) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 0. 0,5+ 1.0,5 = 0,5’

Fungsi Aktivasi : y = {0, 𝑗𝑖𝑘𝑎 𝑥 < 0,51, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5


Error = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

-------------------------------------------------------------------------------------------------


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,5+ 0.0,5 = 0,5’



Error = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5

-------------------------------------------------------------------------------------------------


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 =’1. 0,5+ 1.0,5 = 1’





Error = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

Epoch ke -4

-----------------------------------------------------------------------------------------------


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘0. 0,5+ 0.0,5 = 0’



Eror = (t-y) = (0-0) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5

-------------------------------------------------------------------------------------------------

Data ke -2,(x1 = 0,x2 = 1,target t = 1)’

w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = 0. 0,5+ 1.0,5 = 0,5’

Fungsi ‘aktivasi : y’ = {0, 𝑗𝑖𝑘𝑎 𝑥 < 0,51, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5


Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 0 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

-------------------------------------------------------------------------------------------------


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,5+ 0.0,5 = 0,5’



Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5



w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 0 =0,5

-------------------------------------------------------------------------------------------------


w1 = 0,5 dan w2 = 0,5’

y_in = ∑ 𝑥𝑖𝑤𝑖𝑖 = ‘1. 0,5+ 1.0,5 = 1’



Eror = (t-y) = (1-1) = 0

w1 (baru) = w1 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋1 = 0,5 + 0,2. 0. 1 =0,5

w2 (baru) = w2 (lama) + 𝛼 (𝑡 − 𝑦) ∗ 𝑋2 = 0,5 + 0,2. 0. 1 =0,5

-------------------------------------------------------------------------------------------------

pada epoch ke-4 diperoleh nilai eror = 0 untuk semua data. Oleh karena itu,

proses pembelajaran dihentikan dan di proleh bobot w1 = 0,5 dan w2 = 0,5.

2. Perceptron

The Father of perceptron adalah Rosenblatt (1962) dan Minsky- Papert (1969).

Model ini terdiri dari beberapa tahap:

a. Tahap awal yaitu mengenal bobot dan bias

b. Langkah kedua

1) aktivasi input x1=s;

2) mencari keluaran

y_in = 𝑏 + ∑ 𝑥𝑖𝑤𝑖𝑖

3) menggunakan aktivasi

Fungsi aktivasi : y = {

1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 𝜃0, 𝑗𝑖𝑘𝑎 − 𝜃 ≤ 𝑦𝑖𝑛 ≤ 𝜃−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −𝜃

c. membandingkan bobot

W1 (baru) = W1(lama) + a*t*X1

W2 (baru) = W2(lama) + a*t*X2

B(baru) = b(lama) + a*t

Jika y=t maka tidak terjadi perubahan bobot dan bias



W1 (baru) = W1(lama)

W2 (baru) = W2(lama)

b(baru) = b(lama)

3. iterasi terus dilakukan sampai batas yang diperluka

Contoh

1) Dengan menggunakan tabel dibawah ini buatlah JST dengan model

perceptron, dilakukan sampai 2 epoch

Tabel 14.2 input biner target bipolar 1

X1 X2 OR

0

0

1

1

0

1

0

1

-1

-1

-1

1

Diketahui nilai learning rate (𝛼) = 0,8 dan bobot awal yang dipilih w1 = 0 dan

w2 = 0 bias b=0 dengan 𝜃=0,5.

Hasil aktivasi y = -1

Epoch ke 1

Data ke-1 (X1 = 0, X2 = 0 target t = -1)

Y _in = b + ∑ xi wi = 0 + 0. 0 + 0. = 0


1, 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 > 0.50, 𝑗𝑖𝑘𝑎 − 0.5 ≤ 𝑦𝑖𝑛 ≤ 0.5−1, 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 < −0.5


(sama dengan target t = -1, maka tidak dilakukan perubahan bobot dan

bias)

Bobot dan bias tetap:

W1 (baru) = W1(lama) + a*t*X1 = 0 + 0,8 * (-1).0 = 0

W2 (baru) = W2(lama) + a*t*X2 = 0 + 0,8 * (-1).0 = 0

B(baru) = b(lama) + a*t = 0 + 0,8 * (-1) = -0,8



-------------------------------------------------------------------------

Data ke-2 (X1 = 0, X2 = 1 tareget t = -1)

Y _in = b + ∑ xi wi = -0,8+ 0. 0+1.0 = -0,8





bias)


W1 (baru) = W1(lama) = 0


B(baru) `= b(lama) = -0,8

------------------------------------------------------------------------


Y _in = b + ∑ xi wi = -0.8+ 1. 0 + 0. 0 = - 0,8





bias)

Perubahan bobot dan bias:




Data ke-4 (X1 = 1, X2 = 1 target t = 1)

y _in = b + ∑ xi wi = -0,8 + 1. 0 + 1. 0 = -0,8




(tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot

dan bias)




W1 (baru) = W1(lama) + a*t*X1 = 0+ 0,8 * (1).1 = 0,8

W2 (baru) = W2(lama) + a*t*X2 = 0+ 0,8 * (1).1 = 0,8

B(baru) = b(lama) + a*t = -0,8 + 0,8 * (1) = 0

Epoch ke 2

Dari epoch 1 diperoleh data w1=0,8 w2=0,8 b=0


Y _in = b + ∑ xi wi = 0 + 0. 0,8 + 0.0,8 = 0





bias)


W1 (baru) = W1(lama) + a*t*X1 = 0,8 + 0,8 * (-1).0 = 0,8

W2 (baru) = W2(lama) + a*t*X2 = 0,8 + 0,8 * (-1).0 = 0,8

B(baru) = b(lama) + a*t = 0 + 0,8 * (-1) = -0,8

-------------------------------------------------------------------------

Data ke-2 (X1 = 0, X2 = 1 tareget t = -1)

Y _in = b + ∑ xi wi = -0,8+ 0. 0,8+1.0,8 = 0





bias)


W1 (baru) = W1(lama) + a*t*X1 = 0,8 + 0,8 * (-1).0 = 0,8



W2 (baru) = W2(lama) + a*t*X2 = 0,8 + 0,8 * (-1).1 = 0

B(baru) = b(lama) + a*t = -0,8 + 0,8 * (-1) = -1,6

------------------------------------------------------------------------


Y _in = b + ∑ xi wi = -1,6+ 1. 0,8 + 0. 0 = - 0,8





bias)


W1 (baru) = W1(lama) = 0,8



Data ke-4 (X1 = 1, X2 = 1 target t = 1)

y _in = b + ∑ xi wi = -1,6 + 1. 0,8 + 1. 0 = -0,8




(tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot

dan bias)


W1 (baru) = W1(lama) + a*t*X1 = 0,8+ 0,8 * (1).1 = 1,6

W2 (baru) = W2(lama) + a*t*X2 = 0+ 0,8 * (1).1 = 0,8

B(baru) = b(lama) + a*t = -1,6 + 0,8 * (1) = -0,8


1. Kerjakan sebuah fungsi logikaa “OR” untuk mendapatkan sebuah jaringan Delta




a. output bipolar, input biner


2. Dengan menggunakan tabel dibawah ini buatlah JST model perceptron terhadap 2

epoch?


Diketahui nilai learning rate (𝛼) = 0,8 dan bobot w1 = 0 dan w2 = 0 bias b=0 dengan

𝜃=0,5.

D. Referensi


X1 X2 Target

0

0

1

1

0

1

0

1

-1

1

1

1



PERTEMUAN 15

ALGORITMA BACKPROPAGATION


Pada pertemuan ini akan dijelaskan penggunaan algoritma Backpropagation,

setelah menyelesaikan materi ini, mahasiswa mampu menerapkan Backpropagation.

B. Uraian Materi

1. Backpropagation

Meminimalkan kuadrat error merupakan bagian dari Backpropagation melalui

metode penurunan gradien. Beberapa langkah dalam pelatihan sebuah jaringan

yaitu perambatan secara maju dengan istilah lain forward propagation, perambatan

secara balik, langkah terakhir yaitu perubahan bobot dan bias. Gambar 15.1 adalah

Arsitektur jaringan dari input, hidden, dan output pada setiap layer layer.

Gambar 15.1. Jaringan syaraf Backpropagation



Tahapan Algoritma backpropagation

a. Inisialasi (ambillah nilai secara random)

b. Nilai bernilai salah kondisi akan berhenti, sehingga proses tetap dikerjakan :

Tahap Umpan maju (forward)

a. Unit masukan (Xi, i=1,2,3,…,n) mendapatkan signal Xi dan melanjutkan signal Xi

ke seluruh unit pada lapisan yang tak diketahui.

b. Tiap Unit yang tidak diketahui (Zi, j=1,2,3,…,x) mejumlahkan bobot signal input

dengan persamaan berikut,

Z_injk = v0j + ∑ni=1 xivij

lalu menerapkan fungsi aktivasi untuk menghitung signal ouput-nya:

Zj = f(z_inj)

c. Setiap unit output (Yk, k= 1,2,3,..,m) menjumlahan signal masukan bobot Dan

menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya-nya:

Yk = f(tk –yk) f(y_ink)

Tahap perambatan-balik(Backpropagation)

a. Setiap unit keluaran (Yk, k=1,2,3,..m) mendapatkan pola masukan pelatihan,

kemudian menghitung galat dengan persamaan dibawah ini.

Sk = (tk –yk) f’(y_ink)

f’ adalah turunan dari fungsi aktivasi

kemudian menghitung kereksi bobot dengan persamaan dibawah ini,

∆wjk = αδk xj

dan menghitung koreksi bias

∆w0k = αδ k.

b. Setiap unit tersembunyi (Zj,j = 1,2,3,…,x) SUM delta masukannya (dari unit-unit

yang berada pada lapisan di kanannya):



Untuk menghitung informasi eror, kalikan nilai dengan turunan dari fungsi

aktivasinya :

` Si= S_inj f (z_inj)

Kemudian hitung koreksi bobot denagn persamaan berikut :

∆Vjk= a Sj xi

Setelah itu, hitung juga koreksi bias dengan persamaan berikut:

∆V0j =a Sj

Tahap revisi bobot dan bias

c. Setiap unit (Yk, k = 1,2,3…,x) merevisi bobot dan bias (j = 0,1,2,…,p) Wjk(baru)

= Wjk(lama) + ∆Wjk, Setiap unit yang tidak terlihat (Zj, j= 1,2,3,…,p) direvisi

bobot dan bias (i = 0,1,2,…,n) dengan persamaan berikut.

Vij(baru) = Vij(lama) + ∆Vij

Gambar 15.2. Jaringan syaraf Backpropagation dengan 1 input



Tes konfisi berhenti

Tabel 15. 1 Tes konfisi berhenti

X1 X2 Target

0 0 0

0 1 1

1 0 1

1 1 0

o 1 masukan lapisan, dengan 2 syaraf (x1 dan x2)

o 1 lapisan tersembunyi dengan 4 syaraf (z1, z2, z3, dan z4)

Fungsikan aktivasi sigmoid z = 1 / 1 + e-z_in

o 1 keluaran lapisan dengan 1 syaraf

Fungsikan aktivasi sigmoid y = 1 / 1 + e-y_in

Jawab :

Insialisasi bobot

Semua nilai bobot dan bias awal di tentukan dibawah ini.

Bobot awal masukkan ke lapisan tersembunyi :

V11 = 0,1V12 = 0,2 V13 = 0,3 V14 = 0,4

V11 = 0,1 V12 = 0,2 V13 = 0,3 V14 = 0,4

Bobot awal bias lapisan tersembunyi :

v01 = 0,1 v02 = 0,2 v03 = 0,3 v04 = 0,4

Bobot awal lapisan tersembunyi ke lapisan keluaran:

w1 = 0,1 w2 = 0,2 w3 = 0,3 w4 = 0,4

Bobot awal bias ke lapisan keluaran:

w0 = 0,5

penentuan yang dibutuhkan oleh jaringan :



learning rate (𝛼) = 1

maksimal Epoch = 1500

target error = 0,02

pelatihan jaringan :

Epoch ke -1 :

----------------------------------------------------------------------------------------------

Data ke = 1 (x1 = 0, x2 = 0, target T = 0)

Tahap perambatan maju (feed forward)

Operasi pada lapisan tersembunyi:

Z_in1 = v01 + v11*x1 + v21*x2

= 0,1 + 0,1 *0 + 0,1*0

= 0,1

Z_in2 = v02 + v12*x1 + v22*x2

= 0,2 + 0,2 *0 + 0,2*0

= 0,2

Z_in3 = v03 + v13*x1 + v23*x2

= 0,3 + 0,3 *0 + 0,3*0

= 0,3

Z_in4 = v04 + v14*x1 + v24*x2

= 0,4 + 0,4 *0 + 0,4*0

= 0,4

Lapisan tersembunyi berfungsi saat aktivasi : Zi =1

1+𝑒−𝑧𝑖𝑛

Z1 =1

1+𝑒−0,1 =0,5250 Z2 =1

1+𝑒−0,2 =0,5498

Z3 =1

1+𝑒−0,3 =0,5744 Z4 =1

1+𝑒−0,4 =0,5987

Operasi pada lapisan keluaran:

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.

=0,5+(0,1*0,5250)+(0,2*0,5498)+(0,3*0,5744)+(0,4*0,5987)

=1,0743

Fungsi aktivasi pada output layer : y=1

1+𝑒−𝑦_𝑖𝑛



y=1

1+𝑒−1,0743 =0,7454

melihat galat(iterasi berhenti bila|galat|≤0.01)

error =0-0,7454=-0,7454

jumlah kuadrat galat =(-0,7454)2=0,5556

Tahap perambatan balik (Backpropagation)

𝛿 = (T1 − y) ∗ (1

1 + 𝑒−𝑦_𝑖𝑛) ∗ [(1 −

1

1 + 𝑒−𝑦_𝑖𝑛)]

𝛿 = (0 − 0,7454) ∗ (1

1+𝑒−1,0743) ∗ [(1 −1

1+𝑒−1,0743)]= -0,1415

∆w1=𝛼 ∗ 𝛿 ∗ Z1

∆w1=1 ∗ (−0,1415) ∗ 0,52501=-0,0743

∆w2=𝛼 ∗ 𝛿 ∗ Z2

∆w2=1 ∗ (−0,1415) ∗ 0,5498=-0,0778

∆w3=𝛼 ∗ 𝛿 ∗ Z3

∆w3=1 ∗ (−0,1415) ∗ 0,5498=-0,0778

∆w3=𝛼 ∗ 𝛿 ∗ Z3

∆w3=1 ∗ (−0,1415) ∗ 0,5744=-0,0813

∆w4=𝛼 ∗ 𝛿 ∗ Z4

∆w4=1 ∗ (−0,1415) ∗ 0,5987=-0,0874

∆w0=𝛼 ∗ 𝛿

∆w0=1 ∗ (−0,1415)=-0,1415

𝛿in1=𝛿 ∗ w1=-0,1415*0,1=-0,0141

𝛿in2=𝛿 ∗ w2=-0,1415*0,2=-0,0283

𝛿in3=𝛿 ∗ w3=-0,1415*0,3=-0,0425

𝛿in4=𝛿 ∗ w4=-0,1415*0,4=-0,0566

𝛿1= 𝛿in1∗ (1

1+𝑒−𝑧_𝑖𝑛1) ∗ [(1 −1

1+𝑒−𝑧_𝑖𝑛1)]= -0,0141(1

1+𝑒−0,1) ∗ [(1 −1

1+𝑒−0,1)]= - 0,0035

𝛿2= 𝛿in2∗ (1

1+𝑒−𝑧_𝑖𝑛2) ∗ [(1 −1

1+𝑒−𝑧_𝑖𝑛2)]= -0,0283(1

1+𝑒−0,2) ∗ [(1 −1

1+𝑒−0,2)]= - 0,0070



𝛿3= 𝛿in3∗ (1

1+𝑒−𝑧_𝑖𝑛3) ∗ [(1 −1

1+𝑒−𝑧_𝑖𝑛3)]= -0,0425(1

1+𝑒−0,3) ∗ [(1 −1

1+𝑒−0,3)]= - 0,0104

𝛿4= 𝛿in4∗ (1

1+𝑒−𝑧_𝑖𝑛4) ∗ [(1 −1

1+𝑒−𝑧_𝑖𝑛4)]= -0,0566(1

1+𝑒−0,4) ∗ [(1 −1

1+𝑒−0,4)]= - 0,0136

∆v11=𝛼 ∗ 𝛿1 *x11=1*(-0,0035)*0=0

Demikian juga ∆v12=∆v13=∆v14=∆v21=∆v22=∆v23=∆v24=0

∆v01=𝛼 ∗ 𝛿1 =1*(-0,0035)*=-0,0035

∆v01=𝛼 ∗ 𝛿1 =1*(-0,0070)*=-0,0070

∆v01=𝛼 ∗ 𝛿1 =1*(-0,0104)*=-0,0104

∆v01=𝛼 ∗ 𝛿1 =1*(-0,0035)*=-0,0136

Tahap perubahan bobot dan bias

V11(baru)=v11(lama)+ ∆v11=0,1+0=0,9562

V12(baru)=v12(lama)+ ∆v12=0,2+0=0,7762

V13(baru)=v13(lama)+ ∆v13=0,3+0=0,1623

V14(baru)=v14(lama)+ ∆v14=0,4+0=0,2886

V21(baru)=v21(lama)+ ∆v21=0,1+0=0,1962

V22(baru)=v22(lama)+ ∆v22=0,2+0=0,6133

V23(baru)=v23(lama)+ ∆v23=0,3+0=0,0311

V24(baru)=v24(lama)+ ∆v24=0,4+0=0,9711

V01(baru)=v01(lama)+ ∆v11=0,1+0=0,0965

V02(baru)=v02(lama)+ ∆v02=0,2+0=0,1930

V03(baru)=v03(lama)+ ∆v03=0,3+0=0,1960

V04(baru)=v04(lama)+ ∆v04=0,4+0=0,3864

w1 (baru)=w1(lama)+ ∆w1=0,1-0,0743=0,0257

w2 (baru)=w2(lama)+ ∆w2=0,2-0,778=0,1222

w3 (baru)=w3(lama)+ ∆w3=0,3-0,0813=0,2187

w4 (baru)=w4(lama)+ ∆w4=0,4-0,0847=0,3153

w0 (baru)= w0 (lama)+ ∆w0=0,5-0,1415=0,3585

Bobot awal bias lapisan tersembunyi :



V01=2,4618 V02=-0,3884 V03=-1,4258 V04=-0,6994

Bobot awal lapisan tersembunyi ke lapisan keluaran :

W1=-7,0997 W2=3,5782 W3=6,9212 W4=-0,7503

Bobot awal bias ke lapisan keluaran :

W0=0,6571

mari kita uji jaringan untuk setiap data.

--------------------------------------------------------------------

uji data ke-1 (X1=0 X2=0 target T=0)

Operasi pada lapisan tersembunyi :

Z_in1 = V01 +(V11*X1)+(V21*X2)

=2,4618 +(5,8716*0)+(-48532*0)

=2,4618

Z_in2 = V02 +(V12*X1)+(V22*X2)

=-0,3884 +(3,6067*0)+(2,8082*0)

=-0,3884

Z_in3 = V03 +(V13*X1)+(V23*X2)

=-1,4258 +(3,4877*0)+(-5,1943*0)

=-1,4258

Z_in4 = V04 +(V14*X1)+(V24*X2)

=-0,6994 +(-0,0704*0)+(0,7636*0)

=-0,6994

Fungsi aktivasi pada lapisan tersembunyi : Zi =1


Z1 =1

1+𝑒−2,4618 =0,9214 Z2 =1

1+𝑒0,3884 =0,4041

Z3 =1

1+𝑒1,4258 =0,1938 Z4 =1

1+𝑒0,6994 =0,3319

Operasi pada lapisan keluaran :

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.

=0,6571+(0,9214*-7,0997)+(0,4041*3,5782)+(0,1938*6,9212)+(0,3319*-0,7503)



=-3,3468

Fungsi aktivasi pada lapisan keluaran : y=1


y=1

1+𝑒3,3468 =0,0340

fungsi aktivasi : T= {0, 𝑗𝑖𝑘𝑎 𝑦 < 0,51, 𝑗𝑖𝑘𝑎 𝑦 ≥ 0,5

hasil aktivasi :T =0 (sama dengan target)

--------------------------------------------------------

uji data ke-2 (X1=0 X2=1 target =1)


Z_in1 = V01 +(V11*X1)+(V21*X2)

=2,4618 +(5,8716*0)+(-48532*1)

=-2,3914

Z_in2 = V02 +(V12*X1)+(V22*X2)

=-0,3884 +(3,6067*0)+(2,8082*1)

=2,4144

Z_in3 = V03 +(V13*X1)+(V23*X2)

=-1,4258 +(3,4877*0)+(-5,1943*1)

=-6,6201

Z_in4 = V04 +(V14*X1)+(V24*X2)

=-0,6994 +(-0,0704*0)+(0,7636*1)

=0,0642

Fungsi aktivasi pada lapisan keluaran : Zi =1


Z1 =1

1+𝑒2,3914 =0,0838 Z2 =1

1+𝑒−2,4144 =0,9179

Z3 =1

1+𝑒6,6201 =0,0013 Z4 =1

1+𝑒−0,0642 =0,5160


Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.

=0,6571+(0,0838*-7,0997)+(0,9179*3,5782)+(0,0013*6,9212)+(0,5160*-0,7503)

=2,9684

Fungsi aktivasi pada output layer : y=1




y=1

1+𝑒−2,9684 =0,9511



--------------------------------------------------------

uji data ke-3 (X1=1 X2=0 target =1)


Z_in1 = V01 +(V11*X1)+(V21*X2)

=2,4618 +(5,8716*1)+(-48532*0)

=8,3334

Z_in2 = V02 +(V12*X1)+(V22*X2)

=-0,3884 +(3,6067*1)+(2,8082*0)

=3,2183

Z_in3 = V03 +(V 13*X1)+(V23*X2)

=-1,4258 +(3,4877*1)+(-5,1943*0)

=2,0619

Z_in4 = V04 +(V14*X1)+(V24*X2)

=-0,6994 +(-0,0704*1)+(0,7636*0)

=-0,7064

Fungsi aktivasi pada hidden layer : Zi =1


Z1 =1

1+𝑒−8,3334 =0,9998 Z2 =1

1+𝑒−3,2183 =0,9615

Z3 =1

1+𝑒−2,0619 =0,8871 Z4 =1

1+𝑒0,7064 =0,3304

Operasi pada lapisan keluaran:

Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.

=0,6571+(0,9998*-7,0997)+(0,9615*3,5782)+(0,8871*6,9212)+(0,3304*-0,7503)

=2,8918

Fungsi aktivasi pada lapisan keluaran: y=1


y=1

1+𝑒−2,8918 =0,9474





--------------------------------------------------------

Uji data ke-4 (X1=1 X2=1 target =1)


Z_in1 = V01 +(V11*X1)+(V21*X2)

=2,4618 +(5,8716*1)+(-48532*1)

=3,4802

Z_in2 = V02 +(V12*X1)+(V22*X2)

=-0,3884 +(3,6067*1)+(2,8082*1)

=6,0211

Z_in3 = V03 +(V13*X1)+(V23*X2)

=-1,4258 +(3,4877*1)+(-5,1943*1)

=-3,1324

Z_in4 = V04 +(V14*X1)+(V24*X2)

=-0,6994 +(-0,0704*1)+(0,7636*1)

=-0,0062

Fungsi aktivasi pada lapisan tersembunyi : Zi =1


Z1 =1

1+𝑒−3,4802 =0,9701 Z2 =1

1+𝑒−6,0211 =0,9976

Z3 =1

1+𝑒3,1324 =0,0418 Z4 =1

1+𝑒0,0064 =0,4985


Y_in = W0 +Z1*W1+Z2*W2+Z3*W3+Z4*W4.

=0,6571+(0,9701*-7,0997)+(0,9976*3,5782)+(0,0418*6,9212)+(0,4985*-0,7503)

=-2,7457

Fungsi aktivasi pada lapisan keluaran: y=1


y=1

1+𝑒2,7457 =0,0603



dengan nilai bobot dan bias tersebut, jaringan dapat mengenali fungsi logika

XOR dengan baik.




1. Tentukan nilai perubahan bobot dan bias jika diketahui:

Bobot awal ke hidden layer:

V11=5,8716 V12=3,6067 V13=3,4877 V14= -0,0704

V21= -4,8532 V22=2,8028 V23= -5,1943 V24=0,7636

Dengan learning rate (α)=1

Bobot awal bias ke hidden layer dan output layer

V01=0,1 V02=0,2 V03=0,3 V04= 0,4

W1= 0.5

X1=0

W2=0,7

X2= 0

W3= 0,8

W4= 0,9

W0= 0.6

V11=0,8116 V12=0,6062 V13=0,4777 V14= -0,0714

V21= -1,8532 V22=0,8023 V23= -1,1043 V24=0,7936

D. Referensi


Offset. Yogyakarta.



PERTEMUAN 16

ALGORITMA GENETIKA


Setelah menyelesaikan pada pertemuan ini, mahasiswa mampu menjelaskan

Algoritma genetika. Sub materi pada pertemuan ini yaitu:

1. Definisi algoritma genetika

2. Sejarah algoritma genetika

3. Tahapan Proses Algoritma Genetik

4. Struktur umum algoritma genetika

5. Studi Kasus Algoritma Genetik

B. Uraian Materi

1. Definisi Algoritma Genetika

Algoritma Evolusi adalah istilah umum yang dibagi menjadi empat :

a. Genetic Algoritm

b. genetic programming,

c. evolution strategies, dan

d. evolutionary programmin).

Akan Tetapi, perubahan algoritma yang terkenal dan sering dijadikan bahan

penelitian adalah genetic algorithm.

Algoritma genetika (AG) adalah perubahan berkembangnya masa komput-

erisasi dalam bahasan artificial intelligence. Kemunculan algoritma

ini gagasan dari teori evolusi Darwin (walaupun nyatanya salah) . seperti evo-

lusi biologi perubahann yang terjadi pada Algoritma genetik konsepnya mirip.

Algoritma genetika adalah teknik searching nilai optimal secara stochastic

berdasarkan penyeleksian alam. Caranya sangat berbeda dengan algoritma

optimasi lainnya, bisa kita lihat dibawah ini .

a. memanfaatkan hasil pengkodean dari ukuran,bukan ukuran itu sendiri.

b. Bekerja pada perkumpulan bukan pada sesuatu yang tidak biasa.

c. Memakai nilai satu-satunya pada fungsi dalam prosesnya. Tidak memakai fungsi

luar atau ilmu luar lainnya.



d. memakai fungsi transisi kemungkinan.

Algoritma Genetika merupakan algoritma searching menunjukan untuk pen-

carian solusi dari suatu masalah, bisa menggunakan satu variable bisa juga

multivariable. Cara ini meniru kinerja dari genetika alam yaitu untuk menemukan

semua susunan gen yang terbaik dalam tubuh makhluk hidup.

Dasar dari Algoritma Genetika itu sendiri adalah teori evolusi Darwin, yang

memaparkan prinsip dasar terciptanya banyak macam – macam makhluk hidup

yang ada sekarang ini. Makhluk hidup yang bisa beradaptasi lebih baik terhadap

lingkungannya akan memiliki kesempatan yang lebih banyak untuk mempertahan-

kan hidup dan berkembangbiak sehingga mempengaruhi jumlah populasi spesies

yang bersangkutan.

Dalam perkembangannya, metode Algoritma Genetika banyak digunakan oleh

banyak keilmuan. Algoritma ini dipakai untuk menyelesaikan semua kasus yang

memiliki solusi lebih dari 2, dimana tidak ada solusi yang terbaik. Sehingga dalam

menyelesaikan masalah tersebut akan memerlukan waktu yang tidak sebentar.

Setiap solusi Algoritma Genetika diwakili oleh suatu individu atau satu kromosom.

Keuntungan Algoritma Genetika adalah sifat cara searching yang lebih optimal,

tanpa menggunakan ruang yang besar dalam pencarian, dan lengkap.

2. Sejarah Algoritma Genetik

Asal mula perkembangan dari algoritma genetika (genetic algorithm)

dimulai tahun 1960. Pada saat itu, I. Rochenberg menulis buku yang mempu-

nyai judul “Evolution Strategies” memaparkan mengenai evolusi komputer

(computer evolutionary) lalu dikembangkan oleh peneliti lain. Algoritma genetik

a sendiri pertama kali dikembangkan oleh John Holland dan rekannya serta

mahasiswanya pada tahun 1970-an di New York Amerika Serikat . ter-

bukti dengan adanya buku yang ditulis oleh Holland yang ber-

judul “Adaptation in Natural and Artificial System” terbit pada tahun 1975.

Tujuannya hanya mempelajari fenomena adaptasi yang ada di alam dan di lakukan

percobaan secara komputerisasi.

John Koza meneliti suatu program yang berkembang dengan memakai

algoritma genetika Tujuh belas tahun setelahnya. Program yang terkenal dengan



metode “Genetic Programming” tersebut dibuat menggunakan LISP . Sampai saat

ini algoritma genetika ini terus dipakai untuk menyelesaikan permasalahan yang

sulit diselesaikan dengan memakai algoritma konvensional.

Algoritma Genetika Holland adalah sebuah cara untuk memindahkan suatu

populasi kromosom (terdiridari bit-bit 1 dan 0 ) kepopulasi baru dengan

menggunakan “ seleks alam “ dan operator genetic seperti :

a. Crossover

pertukaran bagian kecil dari dua kromosom

b. Mutasi

pergantian secara random nilai gen di beberapa lokasi pada kromosom,

c. Inversion

Membalikkan runutan beberapa gen yang berunut dalam kromosom.

Dasar teori inilah yang menjadi dasar kebanyakan program yang

menggunakan Algoritma Genetika.

3. Tahapan Proses Algoritma Genetik

Algoritma genetika dapat melalui lima tahap yaitu :

a. Pembentukan awal populasi

Langkah awal membuat sebuah populasi untuk gen- gen yang banyak dan ter-

baik.

b. Mencari Fitness Cost

Individu atau gen yang sudah dibentuk dicari fitness cost-nya sebagai nilai

komparasi antara individu satu dengan individu yang satunya.

c. Pengurutan (Sorting)

Individu yang ada pada populasi di urutkan dari fitness costnya. Untuk

mendapatkan solusi terbaik.

d. Proses Regenerasi

Proses ini terdapat dua metode yaitu :

1) Elitism Method

Semua individu yang hanya mengelami proses regenerasi

2) Non Elitms

Seluruh individu dilibatkan pada metode ini .



e. Tahapan looping

Setelah selesainya proses regenerasi, maka akan dilakukan looping. Looping

ini di ulang sampai sejumlah generasi yang ditargetkan.

4. Kelebihan Algoritma Genetik

Kelebihan - kelebihan dari Algoritma Genetika adalah :

a. Variable distrik atau kontinu yang dioptimalkan,

b. Tidak membutuhkan informasi derivatif,

c. Berbarengan pencarian dari sebuah sampel yang luas pada permukaan biaya,

d. Erat kaitannya dengan sekumpulan besar variabel,

e. Bagus untuk komputer paralel,

f. Mengoptimalkan permukaan variable dengan biaya yang sangat kompleks (GA

bias melompat dari minimum lokal),

g. Menentukan daftar variabel yang optimal, tidak hanya solusi tunggal,

h. Variabel dapat disandikan sehingga optimasi bisa dilakukan dengan

mengkodekan variabel, dan

i. Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis

fungsi.

http://informatika.web.id/category/komputer



5. Struktur Umum Algoritma Genetik

Ilustrasi diagram alir struktur algoritma genetik:

Gambar 16.1 Struktur umum algoritma genetika

Inisialisasi populasi pertama atau bisa disebut penginputan populasi,

sebanyak kromosan yang diperluan akan di inisialisasi secara random. Kemudian

dihitung nilai fitness dan dilanjutkan dengan dilakukan seleksi dengan menggunakan

metode rodaroullete, tournament atau ranking. Lalu di kawin silang (crossover) dan

di lakukan mutasi. Setelah melalui banyak generasi maka algoritma ini akan terhenti

sebanyak generasi yang diperlukan.

https://4.bp.blogspot.com/-kbg2Kdm0nog/WHKyzrPOgMI/AAAAAAAAAG0/q2Fbc2ccOfUDZ-zUvixwdI9pAJC0t8eVwCLcB/s1600/index.png



6. Contoh studi kasus

a. Fungsi F(x)=e-2x.sin(3x) menggunakan Algoritma genetik dalam mencari nilai maks.

Fungsi di atas bila digambarkan akan menjadi:

Gambar 16.2 Algoritma genetik dalam mencari nilai maks

Bisa dilihat dari gambar bahwa hasil ada pada nilai 0<x<1 Jadi jika menggunakan 8

bit biner didefinisikan :

00000000 0

11111111 1

Gambar 16.3 processing Dalam pencarian dan Optimasion



Processing Algoritma Genetika Dalam pencarian dan Optimasion

Definisi beberapa individu dinyatakan dalam 8 gen biner, dengan batas 0 sampai

dengan 1, berarti 1 bit setara dengan 2-8 .

Sebagai contoh:

1000 1001 = (1 2 8,0+ 8,0 + 1,0)/ 2 5 6,0 = 0.5 35 2

0011 0100 = (4,0 +1 6,0+32,0 )/2 56,0 = 0.2031

0101 0010 = (2,0+16,0+64,0)/256,0 = 0.3203

Gambar 16.4 individu pada processing Algoritma Genetika

Fungsi Fitness : fungsi f(x), karena nilai maks yang akan di cari.

Membangkitkan Populasi Awal

Individu maksimum

contohnya ada 10 individu dalam 1 populasi, maka 10 individu dibangkitkan dengan 8

gen biner yang akan dibangkitkan secara random.

Gambar 16.5 Proses seleksi individu maksimum



Seleksi

Seleksi adalah proses pemilihan calon induk, metode metode yang bisa digunakan

dalam proses seleksi ini antara lain:

a. Mesin Roulette (Roulette Wheel),

b. Competition dan Tournament.

Gambar 16.6 Competition dan Tournament

(Perkawinan Silang) adalah proses kombinasi anatara 2 individu untuk memperoleh

banyak individu baru dengan nilai fitnes lebih baik seperti yang diharapkan. Pasangan

yang mengikuti metode perkawinan silang ditentukan dengan nilai kemungkinan, jadi

tidak semua pasangan yang menggunakan metode ini.

Gambar 16.7 Perkawinan silang 2 individu



Pempropesan perubahan gen dengan nilai inversi diri sendiri disebut dengan mutasi

gen, gen 0 menjadi 1 dan gen 1 jadi 0.

Gambar 16.8 contoh Hasil Algoritma Genetika 1

Gambar 16.9 contoh Hasil Algoritma Genetika 2



Gambar 16.10 Menentukan nilai maksimal fungsi 2 variabel

16.11 Populasi awal pasangan secara acak



Gambar 16.12 Hasil algoritma genetika generasi 1 dan 2






1. Apa yang dimaksud algoritma genetika jelaskan disertai sejarahnya?

2. Sebutkan 5 contoh pengaplikasian algoritma genetika?

3. Carilah permasalahan lain yang dapat diselesaikan dengan Algoritma Genetika!

4. Implementasikan program untuk salah satu permasalahan di atas!

D. Referensi

Kusumadewi, Sri. 2003. Artificial Intellegence – Teknik dan Aplikasinya. Yogyakarta :

Graha Ilmu.

Basuki, Achmad. 2003. Algoritma Genetika : Suatu Alternatif Penyelesaian

Permasalahan Searching, Optimasi dan Machine Learning. Surabaya : Politeknik

Elektronika Negeri Surabaya PENS – ITS.

Martiana, Barakbah, Yuliana Setiowati. 2014. Modul Ajar Kecerdasan Buatan. Sura-

baya : Politeknik Elektronika Negeri Surabaya PENS – ITS.



PERTEMUAN 17

PROSES PADA ALGORITMA GENETIKA


Setelah menyelesaikan pada pertemuan ini, mahasiswa mampu menerapkan

Proses pada algoritma genetika . Sub materi pada pertemuan ini yaitu:

1. Komponen algoritma genetika

2. Proses seleksi

3. Proses Regenerasi

4. Perkembangan Metode Penjadwalan

5. Contoh Pemakaian algoritma genetika

B. Uraian Materi

1. Komponen Algoritma Genetika

Komponen algoritma genetika yang perlu diketahui yaitu teknik pengkodean,

individu, pembangkitan populasi, fungsi fitnes dan seleksi.

a. Teknik Pengkodean

Pada proses pengkodean, gen dipresentasikan dalam bentuk string bit,

tree, array, elemen permutasi dan program, bilangan real, atau representasi

lainnya yang bisa di terapkan untuk operator genetika. Teknik pengodean ada

beberapa macam yang bisa dilakukan dalam genetic Algoritm, contohnya binary

encoding, permutation encoding, value encoding, dan yang terakhir tree encod-

ing.

Gambar 17.1 Teknik pengkodean algoritma genetika

http://3.bp.blogspot.com/-4bKLHqwQHtY/U_V5FrZmM9I/AAAAAAAAAD4/U2rhT2N1Hrw/s1600/algoritma+genetika.JPG



b. Membangkitkan Populasi

Kebanyakan metode optimasi klasik memasukkan urutan deterministik dan

komputasi berdasarkan gradien atau turunan dengan orde lebih tinggi dari fungsi

objektif. Metode ini diterapkan pada titik tunggal dalam space search.

Pendekatan point to point ini dapat menyebar pada lokal optimal. Algoritma

genetika menampilkan mutiple directional search dengan menjaga populasi dari

solusi potensial (Berlianty & Arifin 2010). Membangkitkan populasi awal adalah

proses membangkitkan sejumlah individu secara acak atau

melalui procedure tertentu. Ukuran untuk populasi tergantung pada masalah

yang akan diselesaikan dan jenis operator genetika yang akan

diimplementasikan. Setelah ukuran populasi ditentukan, kemudian

dilakukan pembangkitan populasi awal.

Teknik dalam pembangkitan populasi awal ini ada beberapa cara,

diantaranya adalah sebagai berikut:

1) Seperti pada metode random seach, pencarian solusi dimulai dari suatu titik

uji tertentu. Titik uji tersebut dianggap sebagai alternative solusi yang disebut

sebagai populasi.

2) Random Generator adalah melibatkan pembangkitan bilangan random untuk

nilai setiap gen sesuai dengan representasi kromosom yang digunakan.

3) Pendekatan tertentu (memasukan nilai tertentu kedalam gen) Cara ini adalah

dengan memasukan nilai tertentu kedalam gen dari populasi awalyang

dibentuk.

4) Permutasi Gen Cara ini adalah penggunaan permutasi josephus dalam

permasalahan kombinatorial seperti TSP.

c. Fungsi fitness

Suatu individu atau kromosom dievaluasi berdasarkan suatu fungsi tertentu

sebagai ukuran performasinya. Fungsi yang digunakan untuk mengukur nilai

kecocokan atau derajat optimalitas suatu kromosom disebut dengan fitness

function.Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal

solusi yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan

seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus



penjadwalan perkuliahan semakin kecil jumlah pelanggaran yang dihasilkan

maka solusi yang dihsilkan akan semakin baik.

2. Proses Seleksi

Operasi seleksi dilakukan dengan memperhatikan fitness dari tiap individu,

manakah yang dapat dipergunakan untuk generasi selanjutnya. Seleksi ini

digunakan untuk mendapatkan calon induk yang baik, semakin tinggi nilai fitnessnya

maka semakin besar juga kemungkinan individu tersebut terpilih. Terdapat beberapa

macam cara seleksi untuk mendapatkan calon induk yang baik, diantaranya adalah

seleksi roulette wheel, steady state, tournament dan rank. Proses seleksi yang biasa

digunakan adalah mesin roulette (roulette wheel).

Beberapa penjelasan tentang keempat metode seleksi di atas adalah sebagai

berikut :

a. Roulette Wheel

Calon induk yang akan dipilih berdasarkan nilai fitness yang dimilikinya,

semakin baik individu tersebut yang ditunjukkan dengan semakin besar nilai

fitnessnya akan mendapatkan kemungkinan yang lebih besar untuk terpilih

sebagai induk. Misalkan saja roulette wheel merupakan tempat untuk

menampung seluruh kromosom dari tiap populasi, maka besarnya tempat dari

roulette wheel tersebut menunjukkan seberapa besar nilai fitness yang dimiliki

oleh suatu kromosom, semakin besar nilai fitness tersebut, maka semakin besar

pula tempat yang tersedia. Ilustrasinya terlihat pada Gambar 17.2.

Gambar 17.2 Ilustrasi seleksi dengan Roulette Wheel

b. Steady State

Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan

dengan mempertahankan individu yang terbaik. Pada setiap generasi, akan

dipilih beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk,

sedangkan kromosom-kromosom yang memiliki nilai fitness terburuk akan

https://3.bp.blogspot.com/-FLrprtwLm0o/WGD7HOYW1cI/AAAAAAAAAHo/-yJqaazTyycob40fKyr_l1I9JVC8kmx3gCLcB/s1600/2.PNG



digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan

terdapat beberapa populasi yang bertahan.

c. Tournament

Dalam metode seleksi tournament sejumlah individu dipilih secara acak dan

kemudian menentukan fitnessnya. Kebanyakan metode seleksi ini digunakan

pada binary, dimana hanya dua individu yang dipilih.

d. Rank

Seleksi ini memperbaiki proses seleksi yang sebelumnya yaitu roulette

wheel karena pada seleksi tersebut kemungkinan salah satu kromosom

mempunyai nilai fitness yang mendominasi hingga 90% bisa terjadi, sehingga

nilai fitness yang lain akan mempunyai kemungkinan yang sangat kecil sekali

untuk terpilih. Sehingga dalam seleksi rank, dilakukan perumpamaan sesuai

dengan nilai fitnessnya, nilai fitness terkecil diberi nilai 1, yang terkecil kedua

diberi nilai 2, dan begitu seterusnya sampai yang terbagus diberi nilai N (jumlah

kromosom dalam populasi). Nilai tersebut yang akan diambil sebagai presentasi

tepat yang tersedia. Ilustrasinya dapat dilihat seperti pada Gambar 17.3 dan 17.4

berikut :

Gambar 17.3 Metode rank selection (situasi sebelum ranking)

Gambar 17.4 Metode rank selection (situasi setelah ranking)

https://2.bp.blogspot.com/-b4JPXmc6LWk/WGD7jCh5jTI/AAAAAAAAAHw/JE4fNAyXcHcvjVlGo_8s3TyuMqyLk_r9gCLcB/s1600/4.PNG

https://1.bp.blogspot.com/-cViyc7WBZ3U/WGD7Y1YuMeI/AAAAAAAAAHs/65_-KC4-03IqOIM2CLLjVrsdtuwYinDrgCLcB/s1600/3.PNG



3. Proses Regenerasi

Dalam proses regenerasi ini dilakukan tiga buah proses utama yang dipilih

secara acak untuk setiap generasi. Namun pemilihan secara acak ini berdasarkan

persentase tertentu. Ketiga proses tersebut adalah mutasi, kawin silang, atau

reproduksi. Dari ketiga proses ini prosentase kemungkinan proses tersebut

dijalankan terhadap suatu generasi adalah sama. Karena masing-masing proses

mempunyai kemungkinan menghasilkan gen terbaik. Sekalipun dalam proses

regenerasi tidak dibawa sifat gen induknya, namun ada kemungkinan menghasilkan

gen terbaik. Kemudian dilakukan proses seleksi dan pengulangan proses regenerasi

sejumlah generasi.

a. Proses Mutasi

Mutasi juga merupakan salah satu operator penting dalam algoritma genetika

selain crossover. Metode dan tipe mutasi yang dilakukan juga tergantung pada

encoding dan permasalahan yang diangkat. Berdasarkan encodingnya terdapat

beberapa macam, diantaranya adalah sebagai berikut :

1) Binary Encoding

Melakukan inversi pada bit yang terpilih, 0 menjadi 1 dan sebaliknya, 1

menjadi 0.

Contoh : 11001001 => 10001001

2) Permutation Encoding

Memilih dua nilai dari gen dan menukarnya.

Contoh : ( 1 2 3 4 5 8 9 7 ) => ( 1 8 3 4 5 6 2 9 7 )

Beberapa operator mutasi telah diciptakan untuk representasi permutasi,

seperti metode inversion, insertion, displacement, dan reciprocal exchange

mutation.

a) Inversion Mutation

Inversion mutation memilih dua posisi dalam sebuah kromosom dengan

cara acak dan kemudian menginversikan substring di antara dua posisi

tersebut.

b) Insertion Mutation

Insertion Mutation memilih sebuah gen dengan cara acak dan



memasukkan ke dalam kromosom dengan cara acak pula.

c) Displacement Mutation

Displacement Mutation memilih sebuah sub/sekelompok gen dengan cara

acak kemudian memasukkan ke dalam kromosom dengan cara acak.

d) Reciprocal Exchange Mutation (REM)

Reciprocal Exchange Mutation memilih dua posisi secara acak, kemudian

menukar dua gen dalam posisi tersebut.

3) Value Encoding

Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan

pada

salah satu gen dalam kromosom.

Contoh : ( 1.29 5.68 2.86 4.11 5.55 ) => ( 1.29 5.68 2.73 4.22 5.55 )

4) Tree Encoding

Node yang terpilih akan diubah. Karena proses mutasi juga merupakan

salah satu operator dasar dalam algoritma genetika, sehingga sama dengan

crossover, mutasi juga memerlukan probabilitas dengan proses yang sama

seperti pada probabilitas crossover. Individu dengan nilai probabilitas yang

lebih kecil dari probabilitas yang telah ditentukan yang akan melewati proses

mutasi. Nilai probabilitas mutasi ini menunjukkan seberapa sering gen

tertentu dari kromosom yang telah diproses dengan crossover akan melewati

mutasi. Jika tidak ada proses mutasi, maka offspring yang dihasilkan akan

sama dengan hasil individu setelah proses crossover, tanpa ada perubahan

sedikitpun. Proses mutasi ini biasanya dilakukan untuk mencegah terjadinya

local optimum, proses mutasi ini sebaiknya tidak terlalu sering dilakukan

karena proses algoritma genetika akan cepat berubah menjadi random

search. Pada probabilitas mutasi, jika terlalu rendah akan mengakibatkan

banyak gen yang berguna tidak sempat untuk dimanfaatkan dan jika terlalu

besar akan menyebabkan offspring kehilangan sifat dari induknya dan tidak

akan dapat memanfaatkan lagi proses evolusi alamiah.



b. Proses Kawin Silang

Proses kawin silang (crossover) adalah salah satu operator penting dalam

algoritma genetika, metode dan tipe crossover yang dilakukan tergantung dari

encoding dan permasalahan yang diangkat. Ada beberapa cara yang bisa

digunakan untuk melakukan crossover sesuai dengan encodingnya yang

dijelaskan sebagai berikut:

1) Binary Encoding

a. Crossover Satu Titik

Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya

dari induk pertama digunakan dan sisanya dilanjutkan dengan nilai biner

dari induk kedua.

Contoh :11001011 + 11011111 = 11001111

b. Crossover Dua Titik

Memilih dua titik tertentu, lalu nilai biner sampai titik crossover pertama

pada induk pertama digunakan, dilanjutkan dengan nilai biner dari titik

pertama sampai titik kedua dari induk kedua, kemudian sisanya

melanjutkan nilai biner dari titik kedua pada induk pertama lagi.

Contoh :11001011 + 11011111 = 11011111

c. Crossover Uniform

Nilai biner yang digunakan dipilih secara random dari kedua induk.

Contoh :11001011 + 11011101 = 11011111

d. Crossover Aritmatik

Suatu operasi aritmetika digunakan untuk menghasilkan offspring yang

baru.

Contoh :11001011 + 11011111 = 11001001 (AND)

2) Permutation Encoding

Memilih satu titik tertentu, nilai permutasi sampai titik crossover pada induk

pertama digunakan lalu sisanya dilakukan scan terlebih dahulu, jika nilai



permutasi pada induk kedua belum ada pada offspring nilai tersebut

ditambahkan.

Contoh :(123456789) + (453689721) = 12345689

3) Value Encoding

Semua metode crossover pada binary crossover bisa digunakan.

4) Tree Encoding

Memilih satu titik tertentu dari tiap induk, dan menggabungkan tree dibawah

titik pada induk pertama dan tree di bawah titik pada induk kedua.

Gambar 17.5 Contoh tree encoding pada crossover

c. Kondisi Berhenti

Offspring merupakan kromosom baru yang dihasilkan setelah melalui

proses-proses di atas. Kemudian pada offspring tersebut dihitung fitnessnya

apakah sudah optimal atau belum, jika sudah optimal berarti offspring tersebut

merupakan solusi optimal, tetapi jika belum optimal maka akan diseleksi kembali,

begitu seterusnya sampai terpenuhi kriteria berhenti.

4. Perkembangan Metode Penjadwalan

Sekarang ini banyak ditemukan metode dan algoritma-algoritma yang dibuat

untuk tujuan memecahkan persoalan-persoalan yang ada. Kemudian pada

perkembangannya metode atau algoritma tersebut mulai diterapkan untuk

memecahkan persoalan penjadwalan, antara lain algoritma semut atau Ant Colony

Optimization (ACO) dengan pendekatan Max Min Ant System (MMAS), Taboo

Search, dan teknik pewarnaan graf (Coloring Graph).

https://4.bp.blogspot.com/--yQOSQ6i9tQ/WGD70avWOwI/AAAAAAAAAH0/y4-_fD4JKjkUe2Fdy04bN7Hjy831LkYVgCEw/s1600/5.PNG



a. Ant Colony Optimization

Ant Colony Optimization (ACO) terinspirasi oleh koloni-koloni semut dalam

mencari makan. Semut-semut tersebut meninggalkan zat (pheromone) di jalan

yang mereka lalui. Algoritma ACO ini merupakan algoritma pencarian

berdasarkan probabilistik berbobot, sehingga butir pencarian dengan bobot yang

lebih besar akan berakibat memiliki kemungkinan terpilih yang lebih besar pula.

b. Tabu Search

Tabu Search adalah salah satu metode metaheuristik yang dipergunakan

untuk memecahkan permasalahan-permasalahan optimasi global. Tabu Search

merupakan suatu teknik optimasi yang menggunakan short-term memory untuk

menjaga agar proses pencarian tidak terjebak pada nilai optimum lokal. Metode

ini menggunakan Tabu List untuk menyimpan sekumpulan solusi yang baru saja

dievaluasi. Selama proses optimasi, pada setiap iterasi solusi yang akan

dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List untuk melihat

apakah solusitersebut sudah ada pada Tabu List. Apabila solusi tersebut sudah

ada, maka akan dievaluasi lagi pada iterasi berikutnya. Kemudian bila sudah tidak

ada lagi solusi yang menjadi anggota Tabu List, maka nilai terbaik yang baru saja

diperoleh merupakan solusi yang sebenarnya.

c. Coloring Graph

Teknik pewarnaan graf merupakan salah satu subjek yang menarik dan

terkenal dalam bidang graf. Teori-teori mengenainya telah banyak dikembangkan

dan berbagai algoritma dengan kelebihan dan kelemahan masing-masing telah

dibuat untuk menyelesaikannya. Aplikasi dari teknik ini juga telah banyak

diterapkan di berbagai bidang, salah satunya adalah membuat jadwal.

Perencanaan jadwal disini khususnya diterapkan pada pekerjaan-pekerjaan atau

hal-hal yang saling terkait, misalnya hal-hal yang berlangsung pada waktu yang

sama, atau pekerjaan yang menggunakan sumber daya yang sama, dan

sebagainya. Teknik pewarnaan graf akan membuat jadwal kerja yang dapat

menghasilkan hasil yang maksimum dengan cara yang paling efisien.

5. Contoh pemakaian algoritma genetika

Pada contoh pemakaian algoritma genetika kali ini yaitu menggunakan sebuah



persamaan, dimana persamaan tersebut terdiri dari variabel a,b,c dan d. Dengan

persamaan sebagai berikut: a + 2b + 3c + 4d = 20. Langkah penyelesaian

persamaan terdiri dari beberapa tahap yaitu:

a. Pembentukan kromosom

Pembentukan kromosom ini terdiri dari beberapa gen yaitu a,b,c,d. Variabel

a terdiri dari nilai 1-20. Variabel b,c,d terdiri dari nilai 0-10.

b. Inisialisasi

Pada proses ini dilakukan dengan memberikan nilai gen pada tahap awal.

Pada tahap ini akan diberikan permisalan sebanyak 6 populasi yaitu:

Kromosom1= [14;07;05;10] = sebagai[a;b;c;d]





Kromosom6= [22;07;09;013 = sebagai[a;b;c;d]

c. Evaluasi Kromosom

Evaluasi kromosom dilakukan dengan menginput variabel a,b,c,d pada

persamaan berikut sebagai fungsi objektif.

fungsiobjektif(kromosom) =(a + 2b + 3c + 4d) – 20

1) Fungsiobjektif melalui kromosom 1 = (( 14 + 2*7 + 3*5 + 4*10 ) - 20)

= ((14 + 14 + 15 + 40 ) - 20)

=(63 - 20) = 43

2) Fungsiobjektif melalui kromosom 2 = (( 4+ 2*3 + 3*10 + 4*15 ) - 20)

= (( 4 + 6 + 30 + 60 ) - 20)

= (100 - 20) = 80


= (( 12 + 12 + 15 + 24 ) - 20)

= (63 - 20) = 43


= (( 22 + 6+ 36 + 32 ) - 20)



= (96 - 20) = 76

5) Fungsiobjektif melalui kromosom 5 = (( 3+ 2*6 + 3*5 + 4*11 ) - 20)

= (( 3+ 12+ 15 + 44 ) - 20)

= (74 - 20) = 54


= (( 22 + 14 + 27 + 12) - 20)

= (75 - 20) = 55

Sehingga average dari ke enam nilai kromosom yaitu = (43+80+43+76+54+55)/6

= 351 / 6 = 58.5

d. Seleksi kromosom

Tahap selanjutnya yaitu seleksi kromosom dengan fungsi fitness = (1 / (1 +

fungsi_objektif))

Sehingga perhitungan menjadi berikut:

1) fitness1 = 1 / 44 = 0.0227

2) fitness2 = 1 / 81= 0.0123

3) fitness3 = 1 / 44 = 0.0227

4) fitness4 = 1 / 77 = 0.0129

5) fitness5 = 1 / 55 = 0.0181

6) fitness6 = 1 / 56 = 0.0178

7) total nilai fitness = 0.0227 + 0.0123+ 0.0227 + 0.0129 + 0.0181 + 0.0178

= 0.1065

Langkah selanjutnya mencari kemungkinan atau probabilitas : “P[i] = fitness[i] /

total_fitness”

P1= 0.0227 / 0.1065 = 0.2131

P2 = 0.0123/ 0.1065 = 0.1154

P3 = 0.0227/ 0.1065 = 0.2131

P4 = 0.0129/ 0.1065 = 0.1211

P5 = 0.0181 / 0.1065 = 0.1699

P6 = 0.0178 / 0.1065 = 0.1671

Langkah selanjutnya yaitu mencari nilai komulatif dengan proses dibawah ini:

C1= 0.2131



C2= 0.2131+ 0.1154= 0.3285

C3= 0.2131 + 0.1154+ 0.2131= 0.5416

C4= 0.2131+ 0.1154+ 0.2131+ 0.1211= 0.6627

C5= 0.2131+ 0.1154+ 0.2131+ 0.1211+ 0.1699= 0.8326

C6= 0.2131+ 0.1154+ 0.2131+ 0.1211+ 0.1699+ 0.1671= 0,9997

Langkah selanjutnya yaitu membangkitkan R dalam range 0-1. Jika R[k] < C[1]

maka pilih kromosom 1 sebagai induk, selain itu pilih kromosom ke-k sebagai

induk dengan syarat C[k-1] < R < C[k]. Dengan permisalan

R1= 0.301

R2 = 0.484

R3 = 0.209

R4 = 0.722

R5 = 0.598

R6 = 0.401

Apabila Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih

kecil daripada C[2] maka pilih Kromosom[2] sebagai kromosom pada populasi

baru,sehingga menjadi:

Kromosom1= Kromosom2

Kromosom2 = Kromosom2





Kromosom baru hasil proses seleksi :

Kromosom1 = 14;03;10;05

Kromosom2 = 14;03;10;05

Kromosom3 = 14;07;05;10

Kromosom4 = 03;06;05;11

Kromosom5 = 14;03;10;05

Kromosom6 = 12;06;05;06




1. Carilah nilai komulatif dari variabel gen berikut ini:






Kromosom6= [24;09;11;15 = sebagai[a;b;c;d]

2. Carilah nilai komulatif dari variabel gen berikut ini:

Kromosom1= 18;11;09;14= sebagai[a;b;c;d]

Kromosom2=08;07;14;09= sebagai[a;b;c;d]

Kromosom3= 16;10;09;10 = sebagai[a;b;c;d]

Kromosom4= 26;07;16;12 = sebagai[a;b;c;d]

Kromosom5=07;10;09;15]= sebagai[a;b;c;d]

Kromosom6=26;11;13;17= sebagai[a;b;c;d]

3. Carilah penerapan algoritma genetika dalam kehidupan sehari-hari?

D. Referensi

Basuki, Achmad. 2003. Algoritma Genetika : Suatu Alternatif Penyelesaian

Permasalahan Searching, Optimasi dan Machine Learning. Surabaya : Politeknik

Elektronika Negeri Surabaya PENS – ITS.

Kusumadewi, Sri. 2003. Artificial Intellegence – Teknik dan Aplikasinya. Yogyakarta :

Graha Ilmu



PERTEMUAN 18

GAME PLAYING


Setelah menyelesaikan materi pada pertemuan ini, mahasiswa mampu menganalisis

game palying. Sub materi pada pertemuan ini yaitu:

1. Definisi Game playing

2. Metode penggunaan game

3. Mode Game AI

4. Finite State Machine (FSM)

5. Sistem berbasis aturan (Rule Based System)

6. Algoritma AI

7. Algoritma Dijkstra

8. Kompleksitas Kesalahan

9. Aplikasi Game playing

B. Uraian Materi

1. Definisi Game Playing

Game pada sebuah AI adalah sebuah aplikasi yang menjadikan sebuah

hiburan kepada seseorang atau para pemain yang memainkan game tersebut,

didalam sebuah game banyak sekali mengandung sebuah objek dari sebuah

pemodelan yang udah didesain pada software tertentu, dalam pembentukan objek

didalam sebuah game menjadikan objek tersebut hidup dan mendapatkan

karakternya, tidak kalah dari itu didalam sebuah game juga terdapat beberapa objek

yang bisa disebut sebagai lawan atau musuh dari objek karakter utama game.

Peranan sebuah kecerdasan buatan didalam game adalah sebagai pengendali atau

sebuah pemikiran yang otomatis untuk memainkan game tersebut, dengan

kecerdasan buatan juga akan terjadi interaksi alami yang dilakaukan lawan atau

objek tokoh utama dalam mengikuti rule game tersebut. Contoh media interaksi

ialah:

a. Penglihatan (vision)

b. Suara (voice), ucapan (speech)

c. Gerakan anggota badan ( gesture)



Beberapa unsur didalam Artificial Intelligence adalah sebuah elemen, elemen

– elemen didalam sebuah game di terapkan sealami mungkin, selayaknya sebuah

kehidupan yang dilakukan manusia, selain itu dalam implementasikan Artificial

Intelligence didalam sebuah game terdapat sebuah algoritma, algoritma ini nanti

akan menggabungkan beberapa intruksi penyampaian yang akan di sambungkan

kembali ke beberapa elemen bertujuan untuk menjalankan perintah atau tujuan ter-

tentu, contoh beberapa algoritma yang dapat diimplementasikan ke aturan game

adalah, algoritma tree, atau pohon keputusan, didalam sebuah pohon keputusan

terdapat beberapa aturan yang menyerupai cabang keputusan, dimana setiap kepu-

tusan yang diambil akan membuat rule-nya tersendiri dan ceritanya sendiri, namun

tree selain mudah dipahami, algoritma ini akan menjadi nilai representasi yang mem-

iliki nilai kelemahan yang cukup besar, kelemahannya salah satunya adalah nilai

representasi pohon keputusan akan menjadi sangat luas dan sangat banyak, se-

makin panjang cerita yang dibuat maka semakin panjang juga sebuah rule dari tree

ini akan dibuat, dan akan menjadikan sebuah percabangan yang banyak didalam

percabangan.

Dalam mengimplementasikan sebuah objek dimana objek tersebut dibuat

sebelumnya menggunakan beberapa software untuk membuat objek 3 dimensi, sa-

lah satu softwarenya adalah blender, blender adalah salah satu untuk membuah ob-

jek 3 dimensi, dan dapat membuat animasi didalamnya, setelah dibuat

menggunakan software tersebut maka objek dapat di buka pada aplikasi pembuat

game, salah satu aplikasi yang dapat mengimplementasikan game 3 dimensi adalah

unity, unity adalah software untuk membuat game berbasis 2 dimensi atau 3 dimensi,

yang dapat di terapkan ke permainan smartphone.

a. Beberapa karakteristik dan batasan game

Karakteristik adalah sebuah identitas yang digambarkan berdasarkan

penyampaian atau bentuk ciri – ciri, didalam sebuah game beberapa karakteristik

dan batasan game yang dimainkan oleh dua pemain atau dua player, baik

manusia atau kecerdasan buatan itu sendiri, pergantian dalam permainan dalam

melangkah dengan karakteristik sebagai berikut :

1) Perfect Information Game : Kedua pemain yang bermain game dapat

menggunakan akses pada game atau sama – sama memiliki akses dalam



pengkontrolan game dan dapat melihat informasi yang lengkap terkait game

tersebut, sehingga tidak ada sesuatu ketidak tahuan atau yang menutupi

informasi bagi lawan mainnya.

2) No Determined by Chances : Tidak menggunaka objek yang melibatkan

probabilitas, contonya adalah dengan menggunaka sebuah dadu

3) No Phsychological Factors : Tidak menggunakan emosional yang melibat-

kan psikologi, seperti sebuah gertakan.

4) No Oversight Errors. Smart Opponent : Mempunyai lawan yang setara dengan

pemahamannya dalam sebuah game sehingga menjadikan seimbang dalam

permainannya, dan menghindari salah langkah.

2. Metode penggunaan game

a. Prosedur Minimax

The Game of Nim: Sejumlah dari sekumpulan token ditempatkan pada se-

buah meja di antara lawan yang terdiri dua lawan. Pada masing-masing gerakan

pemain harus membagi tumpukan token menjadi dua tumpukan tak kosong dari

berbagai ukuran. Jadi, 6 token dapat dibagi menjadi 5 dan 1, 4 dan 2, tetapi tidak

3 dan 3. Pemain pertama yang mampu bergerak kehilangan permainan. Untuk

sejumlah kecil token ruang pencarian dapat dicari secara mendalam. Dalam

permainan dua-orang, Anda harus mengasumsikan bahwa lawan Anda memiliki

pengetahuan yang sama yang Anda lakukan dan berlaku sebaik yang Anda

lakukan. Jadi pada setiap tahap permainan Anda harus menganggap lawan

membuat langkah terbaik yang tersedia. Ini adalah dasar dari prosedur minimax.

Dalam minimax, para pemain yang disebut sebagai MAX (pemain) dan MIN

(lawan). Keduanya mencoba untuk memaksimalkan gerakan mereka. MAX

pemain, mencoba untuk memaksimalkan nilainya. Dan MIN adalah lawan

mencoba untuk meminimalkan skor MAX.

Prosedur Minimax pada Pencarian Ruang Lengkap

1) Label setiap tingkat dari ruang pencarian sesuai dengan yang bergerak itu di

tingkat itu.



2) Mulai di node daun, setiap label simpul daun dengan 1 atau 0 tergantung

pada apakah itu adalah kemenangan bagi MAX (1) atau MIN (0).

3) Merambat ke atas: jika negara induk MAX, memberikan MAX anak-anaknya.

4) Merambat ke atas: jika negara induk MIN, MIN memberikan anak-anaknya.

Pencarian minimax merupakan pencarian nilai terbaik dari nilai-nilai

evaluasi yang didapat dari berbagaimacam cara untuk menghitung nilai evaluasi

tersebut. Pencarian ini bekerja dengan cara menelusuri segala kemungkinan

yang terjadi pada papan dengan melakukan pencarian untuk beberapa langkah

kedepan (Aske Plaat, 1994). Berbagai macam metode yang dapat digunakan

dalam pencarian minimax, beberapa di antaranya adalah Negascout dan MTDF.

b. Negascout

Negascout adalah sebuah metode atau teknik dimana melakukan

pencarian minimax dengan pemiliran dimana bahwa langkah pertama yang

diambil adalah sebuah langkah yang diasumsikan menjadi langkah yang baik

dalam permainannya, dan langkah selanjutnya adalah merupakan langkah yang

buruk.(Aske Plaat, 1994). Dan bila terdapat sebuah langkah yang baik dari

langkah pertama maka akan terjadi sebuah langkah yang dapat menimbulkan

proses research atau dapat diartikan pencarian ulang, Berikut penjelasan

algoritma Negascout yang dijabarkan pada Gambar 18.1.



Gambar 18.1 Algoritma Negascout

Pada implementasi didalam gambar terseubt, pertama syarat dalam

melakukan sebuah pencarian ulang atau research adalah dengan jika suatu nilai

dari t lebih besar dari B, lebih kecil dari beta dan buakan suatu anak pertama dari

node yang diproses (i>1), dan node itu harus memiliki sebuah anak dimana

pengertian logikanya adalah sebagai berikut (depth>1). Syarat t lebih kecil dari

beta diperlukan karena jika t lebih besar dari beta, maka beta pruning akan

diproses sehingga proses research tidak akan terjadi.

c. Memory-enhanced Test Driver value f (MTDF)

Pencarian pada MTDF menggunakan bound sebagai tempat penyimpanan

nilai minimax, dimana bound tersebut terbagi menjadi 2 macam, yaitu

upperbound dan lowerbound yang menunjukkan rentang dimana nilai minimax

berada. Cara kerja dari algoritma mtdf adalah dengan cara melakukan

serangkaian pemanggilan algoritma alpha beta secara berulang-ulang. Berikut

penjelasan algoritma MTDF yang dijabarkan pada Gambar 18.2. Pada algoritma

Gambar 18.2, parameter f merupakan nilai perkiraan. Jika nilai dari parameter

tersebut mendekati nilai minimax maka proses pemanggilan terhadap algoritma

alpha beta akan semakin sedikit. Minimal dilakukan dua kali proses pemanggilan,



dimana untuk menentukan nilai dari upperbound dan lowerbound . Proses

pemanggilan algoritma alpha beta akan berhenti jika nilai dari lowerbound lebih

besar dari upperbound. Algoritma alpha beta yang digunakan sedikit berbeda

dengan algoritma alpha beta konvensional.

Gambar 18.2 Algoritma MTDF

Dimana pada algoritma alpha beta with memory menyimpan nilai

upperbound dan lowerbound tiap-tiap node, yang nantinya digunakan untuk

perbandingan dengan nilai alpha dan beta yang didapat.

d. Prosedur Alpha-Beta

Alpha-beta pruning adalah prosedur untuk mengurangi jumlah perhitungan

dan mencari selama minimax. Minimax adalah pencarian dua-pass, satu lulus

digunakan untuk menetapkan nilai-nilai heuristik ke node pada kedalaman dan

yang kedua digunakan untuk menyebarkan nilai-nilai sampai pohon.

Alpha-beta hasil pencarian secara mendalam-pertama. Sebuah nilai alpha

adalah nilai awal atau sementara terkait dengan node MAX. Karena MAX node

diberi nilai maksimum antara anak-anak mereka, nilai alpha tidak dapat

menurunkan, hanya bisa naik. Sebuah nilai beta adalah nilai awal atau sementara

terkait dengan node MIN. Karena node MIN diberi nilai minimum antara anak-

anak mereka, nilai beta tidak pernah dapat meningkatkan, hanya bisa turun.



Misalnya, alpha node MAX = 6. Kemudian cari tidak perlu

mempertimbangkan setiap cabang yang berasal dari keturunan MIN yang

memiliki nilai beta yang kurang-dari-atau-sama dengan 6. Jadi, jika Anda tahu

bahwa node MAX memiliki alpha 6, dan Anda tahu bahwa salah satu keturunan

MIN yang memiliki beta yang kurang dari atau sama dengan 6, Anda tidak perlu

mencari lebih jauh di bawah simpul MIN. Ini disebut pemangkasan alpha.

Alasannya adalah bahwa tidak peduli apa yang terjadi di bawah simpul MIN,

tidak dapat mengambil nilai yang lebih besar dari 6. Jadi nilainya tidak dapat

diperbanyak sampai dengan (alpha) orangtua MAX nya.

Demikian pula, jika nilai beta node MIN itu = 6, anda tidak perlu mencari

lebih jauh di bawah MAX keturunan yang telah memperoleh nilai alpha dari 6 atau

lebih. Ini disebut pemangkasan beta.

Alasannya lagi adalah bahwa apa pun yang terjadi di bawah simpul MAX,

tidak dapat mengambil nilai yang kurang dari 6. Jadi nilainya tidak dapat

diperbanyak sampai dengan (beta) MIN orangtua nya.

Aturan untuk Alpha-beta Pemangkasan

1) Pemangkasan Alpha: pencarian dapat dihentikan di bawah setiap simpul MIN

memiliki nilai beta kurang dari atau sama dengan nilai alpha dari setiap

leluhur MAX nya.

2) Pemangkasan Beta: Pencarian bisa dihentikan di bawah setiap simpul MAX

memiliki nilai alpha lebih besar dari atau sama dengan nilai beta dari setiap

leluhur MIN nya.

e. Fungsi Evaluasi Dalam Permainan Othello

1) Table

Edge Table merupakan wadah untuk menyimpan nilai-nilai mobility dari

papan permainan. Cara kerja edge table adalah dengan hanya mengevaluasi

satu sisi papan, yang mana selanjutnya hanya perlu mencerminkannya

kesemua sisi-sisi pada papan permainan.

2) Mobility

Mobility merupakan jumlah langkah yang dapat dimainkan oleh pemain



pada tiap kali kesempatan. Jumlah langkah ini didapat dengan mengevaluasi

pola pada satu sisi papan dan selanjutnya disimpan kedalam edge table.

3) Liberties

Liberties digunakan untuk menampung jumlah petak kosong yang

berada disekeliling tiap-tiap petak pada papan. Setelah proses penyimpanan

nilai-nilai liberties dilakukan, selanjutnya nilai-nilai yang disimpan tersebut

akan diproses oleh frontier untuk mengetahui jumlah disc yang berbatasan

dengan petak kosong.

4) Potensial Mobility atau Frontier

Frontier merupakan jumlah disc yang berbatasan dengan petak

kosong. Jika terjadi kondisi dimana semakin banyak frontier yang didapat,

maka akan semakin jelek pula posisinya, karena semakin banyak frontier

memungkinkan lawan untuk mendapatkan semakin banyak mobility

tambahan pada beberapa langkah ke depan dan juga mengurangi mobility-

nya sendiri.

5) Penguasaan Corner

Penguasaan corner merupakan penguasaan terhadap posisi-posisi

pojok dari papan, karena disc yang diletakkan pada posisi tersebut tidak

dapat dirubah atau dibalik.

3. Mode Game AI

a. Pathfinding

Pathfinding paling mudah ditemui pada game-game bertipe strategi dimana

kita menunjuk satu tokoh untuk digerakkan ke lokasi tertentu dengan mengklik

lokasi yang hendak dituju. Si tokoh akan segera bergerak ke arah yang

ditentukan, dan secara “cerdas” dapat menemukan jalur terpendek ataupun

menghindari dari rintangan-rintangan yang ada. Salah satu algoritma pathfindin

yang cukup umum dan yang paling banyak digunakan utnuk mencari jarak

terpendek secara efisien adalah algoritma A*.



Secara umum, algoritma A* adalah mendefinisikan area pencarian menjadi

sekumpulan node-node (tiles). Titik awal dan titik akhir ditentukan terlebih dulu

untuk mulai penelusuran pada tiap-tiap node yang memungkinkan untuk

ditelusuri. Dari sini, akan diperoleh skor yang menunjukkan besarnya biaya untuk

menempuh jalur yang ditemukan, ditambah dengan nilai heuristik yang

merupakan nilai biaya estimasi dari node yang ada menuju tujuan akhir. Iterasi

akan dilakukan hingga akhirnya mencapai target yang dituju.

b. Jaringan Saraf Tiruan (Neural Network)

Neural network cukup baik ketika diterapkan pada kasus-kasus yang

sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan

metode tradisional. Penerapannya seringkali pada game-game yang memerlukan

kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau

ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer

mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan

memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami

komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan

saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang

dihasilkan menjadi semakin akurat (semakin cerdas).

c. Algoritma Genetis (Genetic Algorithm)

Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang

dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan

lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan

pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom

dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis,

akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap

langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang

terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang

dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk

merespons perubahan-perubahan tingkah laku user.



d. Algoritma, Struktur Data, dan Representasi

1) Decision tree

Decision Tree adalah salah satu metode klasifikasi yang paling banyak

digunakan dala membuat sebuah pemodelan dimana mudah dipahami, da-

lam sebuah bentuk struktur decision tree ini dibentuk seperti struktur

percabangan sebuah pohon yang membentuk hirarkii. Konsep dari decion

tree ini adalah mengubah sebuah data menjadi bentuk pohon keputusan dan

menuangkan beberapa kejadian didalam setiap percbangan tersebut, kelebi-

han dari sebuah pohon keputusan atau algoritma decision tree ini adalah

dapat mem-break down sebuah proses dalam pengambilan keputusan yang

begitu kompleks dan menjadikan dalam bentuk yang lebih simpel sehingga

dalam pengambilan sebuah keputusannya dapat lebih menginterpretasikan

solusi dari permasalahan.

2) Kelebihan

a) Pengambilan keputusan didalam algoritma yang sebelumnya kompleks

menjadi mudah dalam pemahaman dan spesifik dan simpel.

b) Tidak ada perhitungan yang mengeliminasi, dikarnakan hanya

menggunakan sebuah struktur hierarki pohon keputusan.

c) Memiliki feature dan internal yang tidak sama dalam pemilihannya dikar-

nakan memiliki bentuk yang fleksibel.

d) Dapat menghindari sebuah permasalahan dikarnakan menggunakan

sebuah kriteria yang memiliki jumlah sedikit didalam sebuah node internal

dan tanpa mengurangi sebuah kualitas didalam keputusannya, hasil tetap

memiliki kualitasnya.

3) Kekurangan

a) Terjadi percabangan yang sangat banyak bila kasus dan pembahasan

memiliki bentuk yang sangat panjang, dimana kelas – kelas dan kriteria

yang digunakan dalam hal tersebut sangat banyak, dan dapat

menyebabkan waktu yang dibutuhkannya menjadi lama dalam keputusan

yang dihasilkan, serta memory yang diperlukan cukup besar.



b) Memiliki tingkat eror yang besar bila kasus eror terjadi pada cabang sebe-

lumnya, hal tersebut akan mengakibatkan eror pada cabang dibawahnya.

c) Sulitnya menentukan desain yang memiliki bentuk optimal, dimana kuali-

tas sebuah pohon keputusan dari algoritma ini sangat mengutamakan op-

timal pada saat desain pohon keputusan.

4. Finite State Machines (FSM)

FSM atau Finite State Machines adalah sebuah metode perancangan dari

sebuah pengendali dari sebuah prinsip kerja sistem, dimana prinsip kerja sistem

menggunakan tiga hal, State (Keadaan), Event (kejadian) dan Action (aksi). Dari tiga

hal tersebut dapat dipahami bahwa pengendali atau pengontrol memiliki sebuah

kondisi. Pada saat kondisi dimana periode untuk waktu yang signifikan, sistem

memulai dengan kondisi keadaan aktif atau state on, metode ini sering digunakan

untuk sebuah perancangan sebuah perangkat lunak atau software aplikasi,

Penggunaan pada metode ini pada kenyataannya diimplementasikan menjadi

sebuah bentuk modeling sebagai basis untuk perancangan protokol-protokol

komunikasi, perancangan perangkat lunak game, aplikasi WEB dan sebagainya.

Finite State Machine(FSM) ini memiliki kelebihan dan kekurangan,antara lain :

a. Kelebihan

1) Dalam melakukan implementasi dapat dilakukan dengan mudah dan cepat

2) Dapat memudahkan proses debugging.

3) Proses komputasi yg minimal, karena sejatinya FSM hanyalah conditional

statement yang dikemas dalam bentuk yang lebih elegan.

4) Fleksibel, dikarnakan dapat digabungkan dengan penggunaan metode dan

algoritma lainnya.

b. Kekurangan

1) Behaviour mudah dalam prediksinya, tidak ada searching didalamnya.

2) Karena mudah diimplementasi, kadang programmer langsung tembak di

eksekusi tanpa melakukan desain FSM terlbih dahulu. Biasanya akan terjadi

FSM yang terfragmentasi

3) Ketika terjadi sebuah batasan yang menipis, akan timbul State Oscillation.



5. Sistem berbasis aturan (Rule Based System)

adalah suatu program komputer yang memproses informasi yang terdapat di

dalam working memory dengan sekumpulan aturan yang terdapat di dalam basis

pengetahuan menggunakan mesin inferensi untuk menghasilkan informasi baru.

Sebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah

assertions set, yang secara kolektif membentuk working memory, dan sebuah rule

set yang menentukan aksi pada assertions set. RBS secara relatif adalah model

sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak

peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam

kerjanya.

a. Kelebihan

1) Availability-bertambah, intelligent tutor, intelligent dB, danger-reduced,

performance

2) multiple expertise, reability-bertambah, explanation steady, unemotional and

complete response

b. Kekurangan

Jika terlalu banyak aturan, sistem menjadi sulit dalam me-maintain performance

dan Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu

masalah.

6. Algoritma AI

Algoritma AI atau Artificial Intelligence adalah sebuah teknik yang terdapat

disebuah sistem cerdas, dan sudah banyak sekali diterapkan pada beberapa bidang,

salah satunya adalah bidang pembelajaran, kesehatan, game, dan pendidikan,

kehidupan sehari – hari pun tak lepas dari sebuah sistem cerdas ini, salah satunya

adalah penggunaan mesin cuci, pada penggunaan mesin cuci dimana didalamnya

sudah diimplementasi sistem cerdas, maka alat tersebut akan mengoperasikannya

sendiri, dari awal sampai akhir, solusi penggunaan sistem cerdas juga dimanfaatkan

industri dalam meningkatkan sebuah produksi didalamnya, semakin tepat nilai yang

dihasilkan kecerdasan tersebut maka semakin baik untuk kemajuan perusahaan

tersebut.



Algoritma AI ini juga menjadikan pemodelan yang sebalumnya susah akan

menjadi mudah bila diterapkan pada tempat yang sesuai, banyak sekali teknik

didalam sebuah algoritma ini diantaranya sebuah metode fuzzy, didalam sebuah

metode fuzzy terdapat beberapa algoritma, contonya algoritma tsukamoto, algoritma

mamdani dan algoritma sugeno, implementasi algoritma tersebut dapat diterapkan

dibeberapa masing – masing kasusnya, begitu juga dengan metode sistem pakar,

metode sistem pakar adalah sebagian dari kecerdasan buatan dimana didalamnya

terdapat algoritmanya, contohnya adalah algoritma forward chaininig dan algoritma

certainty factor, dan banyak lagi pengkelompokan sebuah metode kecerdasan

buatan.

Tujuan dari kecerdasan buatan dan algoritmanya adalah menjadi sebuah alat

untuk mengatasi permasalahan yang terjadi dan menyelesaikannya dengan cara

dan teknik tersebut, dengan cara tersebut dapat menghasilkan solusi dan

pemanfaatan yang terasa bagi pemakai kecerdasan buatan tersebut, pengoperasian

beberapa alat yang menanamkan algoritma AI pun akan menjadi sebuah teknologi

yang mendukung perkembangan dalam kemajuan zaman.

7. Algoritma Dijkstra

Algoritma Dijkstra atau aturan yang membahas optimalisasi dari jarak dikenal

pada umumnya sebagai algoritma rakus (greedy algorithm), penggunaan dari

algoritma ini adalah untuk mengatasi permasalahan dan memecahkan suatu jarak

dengan mencari sebuah jarak terpendek, dan digambarkan dengan bentuk graf

berarah, dengan bobot yang bukan nilai negatif, sebagai contohnya adalah sebuah

graf yang dilambangkan jarak antara suatu kota untuk menentukan sebuah jarak

atau rute terpendek dari sebuah jalur. Tujuan dari algoritma ini adalah mencari serta

menemukan sebuah rute terpendek yang dilihat berdasarkan nilai bobot terkecil dari

suatu titik yang satu ke titik yang lain. Dan kelemahan dari algoritma ini adalah se-

makin banyak titik maka akan mengakibatkan waktu yang digunakan dalam pros-

esnya lama juga.

a. Urutan Logika Algoritma Dijkstra

1) Memberikan sebuah nilai dari jarak kepada sebuah titik awal ke titik yang

lainnya, dan selanjutnya set nilai 0 pada sebuah node awal menyebabkan

nilai tak hingga terhadap node lainnya



2) Membuat set pada semua node, dari node yang belum ditempati hingga node

keberangkatan

3) Dimana node keberangkatan, membuat suatu pertimbangan kepada node

yang belum ditempati dan menghitung sebuah jarak dari titik node keber-

angkatan

4) Setelah selesai mempertimbangkan setiap jarak terhadap node tetangga,

tandai node yang telah terjamah sebagai “Node terjamah”. Node terjamah

tidak akan pernah di cek kembali, jarak yang disimpan adalah jarak terakhir

dan yang paling minimal bobotnya.

5) Set “Node belum terjamah” dengan jarak terkecil (dari node keberangkatan)

sebagai “Node Keberangkatan” selanjutnya dan lanjutkan dengan kembali ke

step 3.

8. Kompleksitas Kesalahan

Sebuah konteks didalam sebuah kecerdasan buatan terutama pada sebuah

video game, tindak kecurangan mendukung kepada programmer dimana mereka

akan memberikan sebuah akses informasi kepada seorang pemain lainnya. Di con-

tohkan pada sebuah game sederhana, jika seorang yang bermain game yang seha-

rusnya didalam game tersebut membutuhkan usaha untuk mendapatkan sebuah

nilai tertentu, seseorang tersebut tidak membutuhkan waku yang lama untuk

mendapatkan nilai tersebut bahkan tanpa usaha pun mereka dapat dengan mudah

mendapatkan nilai tersebut, hal ini akan mengandung ketidak harusan terhadap se-

buah game dan akan menjadikan kompleksitas kesalahan, yang tidak seharusnya

terjadi pada game tersebut.

Kesalahan pu n sering terjadi kapada alat yang menerapkan sebuah kecer-

dasan buatan didalamnya, contoh lainnya adalah sebuah mesin cuci otomatis, di-

mana seharusnya mecin cuci akan menentukan sebuah waktu untuk menentukan

waktu mencuci yang dilihat berdasarkan berat cucian dan mesin cuci akan menen-

tukan banyaknya air yang dibutuhkan, bila kesalahan kompleksitas terjadi maka

akan menyebabkan kesalahan dalam menentukan waktu proses mencuci, hal ini

akan menjadi kerusakan atau kesalahan pada sistem cerdasnya dan perlu di pro-

gram ulang pada mesin cuci tersebut.



9. Aplikasi Game playing

Game Playing (permainan game) merupakan bidang AI yang sangat populer

berupa permainan antara manusia melawan mesin yang memiliki intelektual untuk

berpikir. Dalam game playing sendiri memiliki beberapa karakteristik dan batasan

tertentu. Selain itu metode yang digunakan pun beragam tergantung game apa yang

dibuat dan proses penyelesaiannya, karena, berbeda game, berbeda juga metode

yang dipakai dalam menyelesaikannya. Banyak jenis game yang menggunakan AI

atau Artificial Intelligence, mulai dari game jaman dahulu hingga game modern

seperti sekarang ini, seperti Catur, Othello, Tic Tac Toe, Counter Strike, Gran

Turismo. Permainan game laiinnya yaitu permainan catur, permainan dengan

permasalahan ember dan air (Dahria, 2008). Game sendiri memiliki berbagai genre

atau tipe permainan, seperti racing, FPS, RPG, MMORPG, dan lain sebagainya.

Game sendiri sekarang sudah banyak tersedia di berbagai platform seperti PC,

Konsol dan Android. Tidak sedikit pula game yang ternyata banyak yang memiliki

manfaat dan nilai positif, seperti meningkatkan kerja otak, menghilangkan stress,

meningkatkan semangat positif, menumbuhkan kreatifitas dan kemampuan dalam

memecahkan masalah, dan lain sebagainya. Dengan demikian, game tidak hanya

dipandang sebagai hal yang negative dan membuang-buang waktu, game juga

dapat menjadi hal yang positif apabila kita dapat dengan bijak dalam

menggunakannya.


1. Dengan menggunakan tahapan metode game carilah 1 jenis game AI dan jelaskan

metode dan serta tahapannya?

2. Buatlah sebuah game yang menerapkan kecerdasan buatan menggunakan unity 2d

atau 3d

3. Buatlah implementasi metode kecerdasan buatan kedalam sebuah sistem aplikasi



D. Referensi

Dahria M. 2008. Kecerdasan buatan(artifial intelligence). Jurnal SAINTIKON. Vol 5 No.2


Offset. Yogyakarta



DAFTAR PUSTAKA

Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta: Graha

Ilmu.


Informatika Bandung. Bandung




Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System.

Ed ke-7. United States of America: Prentice Halls.



RENCANA PEMBELAJARAN SEMESTER (RPS)

Program Studi : Teknik Informatika S-1 Semester : 6 Deskripsi Mata Kuliah : Mata kuliah ini merupakan mata kuliah wajib Program Studi

Teknik Informatika S-1 yang membahan tentang Mata kuliah ini membahas tentang pengenalan kecer-dasan buatan, masalah, ruang , keadaan, metode searching, representasi penge-tahuan, Fuzzy, Jaringan Syaraf Tiru-an(JST), algoritma genetika, game playing

Penyusun : 1. Thoyyibah. T. S. Kom. M. Kom (Ketua)

2. Munawaroh, S.Kom.,M.Kom 3. Niki Ratama, S.Kom.,M.Kom

Mata Kuliah/Kode : Kecerdasan Buatan / TPL0403

Prasyarat : --

SKS : 3 SKS

Kurikulum

Capaian Pembelajaran

:

:

KKNI

Setelah menyelesaikan mata kuliah ini ma-

hasiswa mampu membangun suatu solusi

cerdas dari suatu permasalahan nyata,

dengan berbagai metode dalam kecer-

dasan komputasional dengan baik.

PERTEMUAN KE-

KEMAMPUAN AKHIR YANG DIHARAPKAN

BAHAN KAJIAN

(MATERI AJAR)

METODE

PEMBELAJARAN

PENGALAMAN

BELAJAR

MAHASISW

A

KRITERIA PENILAIAN

BOBOT NILAI

(1) (2) (3) (

4

)

(5) (6) (7)

1 Memahami konsep kecerdasan buatan

Pengenalan Kecerdasan Buatan

1. Kecerdasan buatan,

2. Sejarah kecerdasan buatan

3. Perbandingan AI dengan program konvensional,

4. Cabang kecerdasan buatan,

5. Bidang aplikasi kecerdasan buatan,

6. Keuntungan kecerdasan buatan dan kecerdasan alami,

7. Jurnal yang berhungan dengan kecerdasan buatan

Ceramah, Diskusi dan Latihan

Latihan 1 Ketepatan jawaban 5%

2 Memahami masalah, ruang dan keadaan

Masalah, Ruang dan Keadaan

1. Definisi masalah dalam kecerdasan

buatan,

2. Masalah, ruang keadaan dan





aturan,

3. Representasi ruang keadaan

dengan Graph,

4. Searching sebagai teknik

pemecahan masalah

3 Mampu medeskripsikan

metode Searching

Metode Searching Ceramah, Diskusi dan Latihan


4 Mampu memahami

pencarian mendalam

pertama (Depth first

search)

Pencarian mendalam pertama (depth

first search)



5 Mampu memahami

Representasi logika, jaringan

semantik

Representasi logika,Jaringan semantik Ceramah, Diskusi dan Latihan


6 Mampu memahami

Representasi Frame

(Bingkai), Script (Naskah),

Aturan Produksi.

Frame (Bingkai), Script (Naskah), Aturan Produksi


Tugas 6 Ketepatan penalaran

5%

7 Mampu memahami

Pengantar Expert system

(sistem pakar)

Pengantar Expert System 1. Definisi expert sistem, 2. Bentuk sistem pakar, 3. Komponen dan bagian utama

sistem pakar, 4. Konsep dasar sistem pakar, 5. Ciri-ciri, keuntungan dan

kelemahan sistem pakar.

Ceramah dan

Latihan


8 Mampu memahami Struktur

Expert system (sistem pakar)

dan Tim Pengembang

Struktur Expert system (sistem pakar) dan Tim Pengembang 1. Struktur sistem pakar, 2. Tim pengembang sistem pakar, 3. Rule sebagai teknik representasi

pengetahuan, 4. Teknik inferensia forward chaining, 5. Teknik inferensia backward

chaining, 6. Jurnal yang berhubungan dengan

sistem pakar

Ceramah dan

Latihan

Latihan 8 Ketepatan penalaran

5%



9 Mampu menerapkan

Ketidakpastian sistem pakar

berbasis rule

Ketidakpastian sistem pakar berbasis

rule


Latihan 9 Ketepatan penalaran

5%

UTS

10 Mampu memahami Logika

Fuzzy

Logika Fuzzy

1. Memahami pengertian logika fuzzy,

2. Perbedaan logika fuzzy dan logika

tegas,

3. Himpunan fuzzy,

4. Dasar logika fuzzy,

5. Cara kerja kontrol logika fuzzy


Latihan 10 ketepatan penalaran 5%

11 Mampu menganalisis

penyelesaian fuzzy dengan

bentuk Metode Penyelesaian

Metode Penyelesaian Logika Fuzzy 1. Linear Programming, 2. metode Tsukamoto, 3. Metode Mamdani, 4. Metode Sugeno, 5. Penelitian yang berhubungan

dengan fuzzy



12 Mahasiswa mampu

menganilis permsalahan

dengan menggunakan

Logika Fuzzy

Aplikasi Logika Fuzzy 1. Memahami sistem kontrol

frekuensi putar AC, 2. Aplikasi Logika Fuzzy



13 Mampu menerapkan

Jaringan syaraf tiruan

Jaringan syaraf tiruan

1. Memahami jaringan syaraf tiruan,

2. Perbedaan JST dengan metode

konvensional,

3. penelitian yang berhubungan

dengan JST, Jenis-jenis algoritma

pembelajaran dengan supervisi



5%



14 Mampu menerapkan delta

rule dan perceptron.

Delta rule, perceptron Ceramah, Diskusi dan Latihan


15 Mampu menerapkan

algoritma

backpropagation.

Backpropagation Ceramah, Diskusi dan Latihan


16 Mampu mendeskripsikan

Algoritma genetika

Algoritma genetika 1. Definisi algoritma genetika, 2. Sejarah algoritma genetika, 3. Tahapan proses algoritma

genetika, 4. Struktur algoritma genetika, 5. Karakteristik algoritma genetika, 6. Aplikasi algoritma genetika, 7. Proses algoritma genetika, 8. Membuat generasi awal, 9. Hal-hal yang harus diperhatikan

dalam algoritma genetika



17 Mampu mengaplikasikan

proses Algoritma genetika

Proses Algoritma Genetika 1. Komponen algoritma genetika, 2. Proses seleksi, 3. Proses regenerasi, 4. Proses mutasi, 5. Proses kawin silang, 6. Kondisi berhenti, 7. Perkembangan metode

penjadwakan, Ant Colony Optimization, Tabu search, Coloring Graph, Contoh pemakaian algoritma genetika



7%

18 Mampu mengaplikasikan

Game Playing

Game Playing 1. Definisi game playing, 2. metode penggunaan game, 3. Mode Game AI, 4. Sistem berbasis aturan (Rule

Based System), 5. Algoritma AI, 6. Algoritma Djikstra, 7. Kompleksitas kesalahan, Aplikasi

game playing


Latihan 18 Ketepatan jawaban

7%



UAS

Referensi:

Kusumadewi, Sri. 2003. ArtificialIntelligence (Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

Suyanto.2007. Artificial intelegence searching, reasoning, planning dan learning. Informatika Bandung. Bandung




Turban E, Aroson JE, Liang TP.2007. Decision Support System and Intelligence System. Ed ke-7. United States of America: Prentice Halls.

Ketua Program Studi S1 Teknik Informatika

Tangerang Selatan, 21 Maret 2021

Ketua Tim Penyusun

Mata Kuliah Kecerdasan Buatan

Achmad Udin Zailani, S.Kom. M.Kom Thoyyibah. T, S.Kom, M.Kom

NIDN. 0429058303 NIDN. 0423058704

KECERDASAN BUATAN - Eprints Data

Documents