algoritma genetik
DESCRIPTION
Algoritma, genetik, pendidikan, genetika, ilmu, pembelajaranTRANSCRIPT
lgoritma Genetik?
Algoritma genetic adalah suatu metoda pencarian (search) acak yang didasarkan atas prinsip evolusi yang terjadi di alam.
Dalam proses evolusi, individu secara terusmenerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. Hanya individu yang kuat yang mampu bertahan, sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan untuk mendapatkan keturunan yang lebih baik.
Genetik?
Cabang biologi yang mempelajari tentang keturunan dan variasi mahluk hidup Informasi genetik manusia tesimpan dalam sel tepatnya di kromosom. Dalam sel manusia kromosom bentuknya berpasangan dan terdapat 23 pasang Kromosom ini terbentuk dari bagian-bagian yang disebut gen Gen inilah yang mengatur properti dan karateristik suatu individu
eg: Warna mata, jenis rambut
Genetik?
Gen akan menentukan sifat individu dan keturunan berikutnya
Kumpulan dari gen yang terdapat dalam sebuah populasi akan menentukan jumlah variasi keturunan yang dimungkinkan
Sejarah
Landasan teoritis untuk Algoritma genetik ini diajukan oleh John Holland dalam bukunya yang berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975, yang kemudian dikembangkan lebih lanjut oleh muridnya David Goldberg.
Proses genetika dari organisme-organisme biologi yang berdasar pada teori evolusi Charles Drawin
Dasar Algoritma Genetik -Populasi-
Populasi adalah kumpulan kromosom (chromosome). Kromosom ini dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.
Dasar Algoritma Genetik -Populasi-
Dasar Algoritma Genetik -Individu-
Individu merupakan ku mpulan gen dalam sistem algoritma genetik bisa dikatakan sama dengan kromosom. Gen ini bisa biner, float, dan kombinatorial.
Individu dalam algoritma genetik dapat juga menyatakan salah satu kemungkinan solusi yang dicari.
Misalkan dalam travel salesman problem individu dapat menyatakan suatu jalur terpendek yang akan ditempuh.
Dasar Algoritma Genetik -Individu-
Dasar Algoritma Genetik -Nilai Fitness-
Sebelum algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness.
Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi
untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan
seleksi alam, akan menekan populasi kearah fitness yang meningkat.
Prinsip Kerja
Prinsip Kerja
Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah disebut di atas yaitu operator reproduksi/seleksi, perkawinan silang dan mutasi. Proses ini dilakukan berulangulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
Prinsip Kerja
Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2.
Beberapa kriteria berhenti yang sering digunakan antara lain:
Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai ?tness tertinggi tidak berubah.
Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.
Beberapa Definisi Penting
Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun karakter.
Allele, nilai dari gen. Kromosom, gabungan gen-gen yang membentuk nilai tertentu. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang
mungkin dari permasalahan yang diangkat
Beberapa Definisi Penting
Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.
Generasi, menyatakan satu-satuan siklus proses evolusi.
Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.
Lebih lengkap semua silakan download di bagian "Download Materi" Diposkan oleh aii1008 di 02.06 Tidak ada komentar: Kirimkan Ini lewat Email BlogThis! Berbagi ke Twitter Berbagi ke Facebook Bagikan ke Pinterest
Pertemuan Logika Fuzzy
Pendahuluan
Pada suatu hari ada seekor kancil sedang meminum air di pinggir sebuah muara sungai. Tiba-tiba seekor buaya datang menyergap dan siap menyantap sang kancil. Namun sang kancil yang terkenal cerdik, mengatakan kepada sang buaya ”Hai raja buaya yang pintar, aku rela menjadi santapanmu asal kamu bisa menjawab pertanyaanku”
"Semua kancil dihutan ini adalah pembohong, apakah saya berkata jujur ?" Kalau si kancil ini jujur artinya penyataan pertama menjadi salah, karena ada satu kancil
yang jujur. Tetapi kalau kancil berbohong artinya pernyataan pertama adalah bohong dan semua
kancil dihutan ini jujur termasuk sang kancil.
Sejarah
Aristoteles : Logika Boolean / Biner
0 atau 1
Benar atau Salah
On atau Off
Gelap atau Terang
Tidak ada samar-samar, abu-abu Dasar dari teknologi digital saat ini Jika menggunakan Logika Biner pertanyaan kancil tidak akan ada habisnya
Logika Fuzzy ?
Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lot? A Zadeh dari University of Califonia, Berkeley tahun 1965
Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1
Logika fuzzy merupakan peningkatan dari logika boolean Menggantikan kebenaran boolean dengan tingkat kebenaran Dasar logika fuzzy adalah memformulasikan bilangan antara 0 dan 1 atau lebih tepat 0.0
dan 1.0
Alasan Menggunakan Logika Fuzzy
Konsep logika fuzzy mudah dimengerti.konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
Logika fuzzy sangat flexibel. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para
pakar secara langsung tanpa harus melalui proses pelatihan. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional
Aplikasi Logika Fuzzy
Mesin cuci satu tabung
Masukkan baju, tekan tombol
Mengisi air dengan jumlah yang cukup
Mengisi deterjen dan mencuci dengan waktu yang sesuai.
Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional.
Jika pakaian lebih kotor maka timer dibuat lebih lama.
Aplikasi Logika Fuzzy
Di sinilah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika dan maka (IF THEN).
Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat
kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian supaya lebih hemat dan efisien.
Aplikasi Logika Fuzzy
ABS pada sistem pengereman mobil Patern recognition untuk mengenal tulisan tangan pada mobile device Image Processing Aplikasi Robotic Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat
bekerja sepintar pak polisi lantas. Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan
menyala lebih lama
Skema Dasar Logika Fuzzy
Skema Dasar Logika Fuzzy
Input fuzzy berupa bilangan crisp (tegas) yang dinyatakan dalam himpunan input. Fuzzifikasi merupakan proses untuk mengubah bilangan crisp menjadi nilai keanggotaan
dalam himpunan fuzzy. Fuzzy inference system merupakan bagian pengambilan kesimpulan (reasoning) dan
keputusan. Knowledge base berisi aturan-aturan yang biasanya dinyatakan dengan perintah! IF
THEN Defuzzification merupakan proses untuk merubah nilai output fuzzy menjadi nilai crisp.
Himpunan Crisp
Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan uA[x], memiliki 2 kemungkinan yaitu :
Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Lebih lengkap semua silakan download di bagian "Download Materi" Diposkan oleh aii1008 di 01.35 Tidak ada komentar: Kirimkan Ini lewat Email BlogThis! Berbagi ke Twitter Berbagi ke Facebook Bagikan ke Pinterest
Selasa, 27 Juli 2010
Pertemuan 6
Sistem Pakar (Expert System)
Para Ahli mengemukakan apa itu Sitem Pakar (Expert System):
1. Martin & Oxman 1998
Sistem berbasais komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut.
2. Durkin
Program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh sistem pakar.
3. Giarratano & Riley
Sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar
.
Sistem Pakar (Expert System)
Sistem yang menggunakan pengetahuan manusia yang terekam dalam komputer untuk memecahkan persoalan yang membutuhkan keahlian manusia.
Sistem informasi berbasi komputer yang menggunakan pengetahuan untuk mencapai performa keputusan tingkat tinggi dalam domain persoalan yang sempit.
Area Sistem Pakar
Sistem pakar diterapkan untuk mendukung pemecahan masalah, antara lain:
Pembuatan Keputusan (Decision Making) Pemanduan Pengetahuan (Knowledge Fusing) Pembuatan Desain (Designing) Perencanaan (Planning) Prakiraann (Forecasting) Pengaturan (Regulating) Diagnosis (Diagnosing) Perumusan (Prescribing) Penjelasan (Explaining) Pemberian Nasihat (Advising) Pelatihan (Tutoring)
Contoh Sistem Pakar
MYCIN
Diagnosa penyakit miningitis dan infeksi
FOLIO
Membantu memberikan keputusan bagi seseorang manajer dalam hal stok broker dan investasi
XCON & XSEL
Membantu konfigurasi sistem komputer besar
DELTA
Pemeliharaan lokomotif listrik disel
DENDRAL
Mengidentifikasi struktur molekular campuran yang tak kenal
Ciri-ciri Sistem Pakar
Terbatas pada bidang yang spesifik Berdasarkan pada rute atau kaidah tertentu Outputnya bersifat nasihat atau anjuran Output tergantung dari dialog dengan user
Keuntungan Sistem Pakar
Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli Menyimpan pengetahuan dan keahlian para pakar Meningkatkan outpu dan produktivitas Menghemat waktu dalam pengambilan keputusan Menigkatkan kualitas
Kelemahan Sistem Pakar
Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal Sulit dikembangkan
Ketersedian pakar di bidangnya
Tidak 100% bernilai benar
Konsep Dasar Sistem Pakar
Keahlian
Suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperloheh dari pelatihan, membaca atau pengalaman
Contoh bentuk pengetahuan
Fakta-fakta dan teori-teori pada lingkup permasalahan tertentu
Procedur-procedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu
Strategi-strategi global untuk menyelesaikan masalah
Ahli (Pakar)
Seseorang yang memiliki pengetahuan, penilaian, pengalaman, metode tertentu, kemampuan penerapan keahlian dalam memberikan nasihat untuk pemecahan persoalan
Seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalan (domain)
Mengenali & merumuskan permasala
Menyusun kembali pengetahuan jika dipandang perlu
Memcah aturan-aturan jika dibutuhkan
Menentukan relevan tidaknya keahlian mereka
Pengalihan Keahlian
Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli
Pengetahuan yang disimpang di komputer disebut dengan nama basis pengetahuan
Aturan
Kemapuan untuk melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir
Dilakukan permodelan proses berfikir manusias
Disebut meter inferensi (infernce engine)
Kemampuan Menjelaskan
Sebagian besar sistem pakar dibuat dalam bentuk rule-based system
Pengetahuan disimpan dalam bentuk aturan-aturan
Biasanya berbentu IF-THEN
Sistem Pakar VS Sistem Konvesional
Struktur Sistem Pakar
Struktur Sistem Pakar
Basis Pengetahuan
Berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar:
Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam bidang itu
Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus
Mesin Inferensi
Merupakan otak dari sistem pakar
Juga dikenal sebagai penerjemah aturan (rule interpreter)
Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan
Kerja mesin infernsi meliputi:
Menetukan aturan mana akan aplikasi
Menyajikan pertanyaan kepada pemakai, ketika diperlukan
Menambahkan jawaban ke dalam memori Sistem Pakar
Menyimpulkan fakta baru dari sebuah aturan
Menambah fakta tadi ke dalam memori
Blackboard
Aturan dalam memori yang digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementar
Antar Pengguna
Media kominkasi antara user dan progam
Pertanyaan – Jawaban
Menu, Formulir, Grafik
Subsistem Penjelasan
Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan
Mengapa suatu pertanyaan ditanyakan oleh sistem pakar?
Bagaimana konklusi dicapai?
Rencana apa yang digunakan untuk mendapat solusi
Sistem Penyaring Pengetahuan
Seseorang pakar mempunyai sistem penyaring pengetahuan, artinya:
Menganalisa sendiri performa mereka
Belajar dari pengalaman, serta
Meningkatkan pengetahuannya untuk konsultasi berikutnya
Bagaimana Sistem Pakar Melakukan Inferensi?
Sistem Perantaian Maju (Forward Chaing Systems)
Sistem Perantaian Balik (Bacward Chaing Systems)