MASALAH, RUANG, DAN PENCARIAN -...
Transcript of MASALAH, RUANG, DAN PENCARIAN -...
ARTIFICIAL INTELLIGENCE
Andri Pranolo
W : apranolo.tif.uad.ac.id
M : 081392554050
Informatics Engineering, Universitas Ahmad Dahlan, Yogyakarta - 2014
Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ
POKOK BAHASAN1. Masalah, Ruang Keadaan, dan
Pencarian
2. Refresentasi Pengetahuan
3. Metode Inferensi
4. Penalaran (Penentuan Ketidakpastian
dan Keyakinan)
5. Sistem Pakar
6. Pengolahan Bahasa Alami
7. Jaringan Syaraf Tiruan
8. Logika Fuzzy
9. Algoritma Genetika
PERTEMUAN 6, 9 OKTOBER 2014
Pokok Bahasan :
Metode Inferensi dan penalaran dengan metode bayes
Outcome:
Mahasiswa memahami bagaimana metode inferensi dapat
memecahkan masalah dalam Kecerdasan Buatan
Referensi:
[1] Kusumadewi, S. Artificial Intelligence: Teknik dan Aplikasinya,
Graha Ilmu, Yogyakarta, 2003
[2] Komputer Masa Depan, Pengenalan Artificial Intelligence,
Suparman & Marlan, Andi Offset, 2007
[3] Konsep Kecerdasan Buatan: Anita Desiani & Muhammad
Arhami, Andi Offset, 2006
[4] Artificial Intelligence, Searching, Reasoning, Planning, and
Learning, Suyanto, Penerbit Informatika, 2007
[5] Bahan-bahan dari Internet
JENIS-JENIS PENALARAN
1 . Penalaran monotonis
Penelaran yang sifatnya statis, tidak bisa
berubah faktanya
Ciri:
Konsisten
Pengetahuannya lengkap
2. Penalaran Non Monotonis
Suatu penalaran dimana adanya penambahan
fakta baru mengakibatkan konsistenan disebut
dengan “penalaran Non Monotonis”.
Ciri :
Mengandung ketidakpastian;
adanya perubahan pada pengetahuan.
Adanya penambahan fakta baru dapat mengubah
konklusi yang sudah terbentuk
Untuk mengatasi ketidakpastian pada penalaran
non monotonis, maka digunakan penalaran
statistik.
1. TEOREMA BAYES
Bentuk Th. Bayes :
P(Hi|E)= p(E|Hi)*p(Hi)n k=1 p(E|Hk)*p(Hk)
Dengan P(Hi|E) = probabilitas hiposesis Hi, benar jika
diberikan evidence E.
P(E|Hi) =probabilitas munculnya evidence E, jika diketahui hipotesis Hi benar
P(Hi)=probabilitas hipotesis Hi (menurut hasil sebelumnya ) tanpa memandang evidence apapun.
n = jumlah hipotesis yang mungkin.
CONTOH KASUS
Si Joko mengalami gejala bintik-bintik diwajahnya. Doktermenduga bahwa Ia terkena cacar dengan :
1. Probabilitas munculnya bintik-bintik diwajah, jika Si Jokoterkena cacar; p(Bintik2Cacar)= 0,8.
2. Probabilitas Si Joko cacar tanpa memandang gejala apapun; P(Cacar) = 0,4.
3. Probabilitas munculnya bintik-bintik di wajah, jika Si JokoAlergi; P(Bintik2Alergi)= 0,3.
4. Probabilitas Si Joko alergi tanpa memandang gejala apapun;p(Alergi) = 0,7.
5. Probabilitas munculnya bintik-bintik di wajah, jika Si Jokojerwatan; P(Bintik2Jerawatan)= 0,9.
6. Probabilitas Si Joko jerawatan tanpa memandang gejalaapapun; p(Jerawatan) = 0,5.
Maka diperoleh :
a) Probabilitas Si Joko terkena cacar karena bintik-bintik di wajahnya adalah :
P(CacarBintik2) = __________P(Bintik2Cacar)* P(Cacar)______________________
P(Bintik2Cacar)* P(Cacar)+ (Bintik2Alergi)* P(Alergi)+ P(Bintik2Jerawatan)* P(Jerawatan)
P(CacarBintik2) = (0.8) * (0.4) = 0.32 = 0.327
(0.8) * (0.4)+ (0.3)*(0.7) + (0.9) * (0.5) 0.98
b) Probabilitas Si Joko terkena alergi karena bintik-bintik di wajahnya adalah :
P(AlegiBintik2) = ______________P(Bintik2Alergi)*P(Alergi)____________________
P(Bintik2Cacar)* P(Cacar)+ P(Bintik2Alergi)* P(Alergi)+ P(Bintik2Jerawatan)* P(Jerawatan)
P(AlegiBintik2) = (0.3) * (0.7)________________ = 0.21 = 0.214
(0.8) * (0.4)+ (0.3)*(0.7) + (0.9) * (0.5) 0.98
b) Probabilitas Si Joko terkena jerawatan karena bintik-bintik di wajahnya adalah :
P(AlegiBintik2) = ______________P(Bintik2jerawatan)*P(jerawatan)____________________
P(Bintik2Cacar)* P(Cacar)+ P(Bintik2Alergi)* P(Alergi)+ P(Bintik2Jerawatan)* P(Jerawatan)
P(AlegiBintik2) = (0.8) * (0.4)________________ = 0.45 = 0.459
(0.8) * (0.4)+ (0.3)*(0.7) + (0.9) * (0.5) 0.98
2. LOGIKA KABUR (FUZZY LOGIC)
DEFINISI :
SUATU CARA YANG TEPAT UNTUK MEMETAKAN SUATU RUANG INPUT KE DALAM SUATU RUANG OUTPUT.
CONTOH :
1) Manager pergudangan mengatakan pada manager produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manager produksi akan menetapkan jumlah barang yang harus diproduksi besok hari.
2) Pelayanan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.
ALASAN MENGGUNAKAN FUZZY LOGIC
Konsep logika fuzzy mudah dimengerti
logika fuzzy sangat fleksibel
logika fuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks.
logika fuzzy didasarkan kepada bahasa alami
logika fuzzy dapat membangun danmengaplikasikan pengalaman-pengalamanpara pakar secara langsung tanpa harusmelalui proses pelatihan
PENERAPAN APLIKASI LOGIKA FUZZY
Manajemen dan pengambilan Keputusan, seperti manajemen basis data yang didasarkan kepada logika fuzzy, tata letak pabrik yang didasarkan kepada logika fuzzy, dll
Sistem Pakar dalam penentuan suatu penyakit
Riset Operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
HIMPUNAN FUZZY
Himpunan tegas (Crisp Set) A didefinisikan : item X yang
ada pada himpunan A, yang sering ditulis dengan A[x],
memiliki 2 kemungkinan, yaitu :
Satu ( 1 ), yang berarti bahwa suatu item menjadi
anggota dalam suatu himpunan
Nol ( 0 ), yang berarti bahwa suatu item tidak menjadi
anggota dalam suatu himpunan
CONTOH FUZZY
Misal diketahui klasifikasi sebagai berikut:
Muda umur < 35 tahun
Setengah Baya 35 ≤ 55 tahun
Tua Umur > 55 Tahun
Nilai keanggotaan secara grtafis, himpunan MUDA, PAROBAYA dan TUA, dapat dilihat pada gambar berikut :
CONTOH FUZZY
MUDA
SETENGAH
BAYA
TUA
Dari gambar di atas (HIMPUNAN TEGAS) dapat dilihat :
Apabila seseorang berusia 34 tahun, maka ia dikatakanMUDA (MUDA [34] = 1);
Apabila seseorang berusia 35 tahun, maka ia dikatakanTIDAK MUDA (MUDA [35] = 0);
Apabila seseorang berusia 35 tahun kuran 1 hari, maka ia dikatakan TIDAK MUDA (MUDA [35 th – 1 hr] = 0);
Apabila seseorang berusia 35 tahun, maka ia dikatakanSETENGAH TUA (SETENGAH TUA [35] = 1);
Apabila seseorang berusia 34 tahun, maka ia dikatakanTIDAK SETENGAH TUA (SETENGAH TUA [34] = 0);
Apabila seseorang berusia 35 tahun, maka ia dikatakanSETENGAH TUA (SETENGAH TUA [35] = 1);
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK SETENGAH TUA (SETENGAH TUA [35 th –1hr ] = 0);
0.5
0.25
MUDA SETENGAH BAYA TUA
UMUR (TAHUN)
Pada gambar di atas bentuk HIMPUNAN FUZZY dapat dilihat :
10 Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan (MUDA [40] = 0.25); namun dia juga termasuk dalam himpunan SETENGAH TUA dengan (SETENGAH TUA [40] = 0.5);
Sseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan (TUA [50] = 0,25); namun dia juga termasuk himpunan SETENGAH TUA dengan (SETENGAH TUA [50] = 0.5);