masalah, ruang, dan pencarian -...

ARTIFICIAL INTELLIGENCE

Andri Pranolo

W : apranolo.tif.uad.ac.id

M : 081392554050

E : andri.pranolo@tif.uad.ac.id

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);