pertemuan 7 model heuristik
DESCRIPTION
spk (dss)TRANSCRIPT
![Page 1: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/1.jpg)
Model Heuristik
Dr. Sri Kusumadewi, S.Si., MT.Materi Kuliah [8]:
(Sistem Pendukung Keputusan)
![Page 2: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/2.jpg)
Model Heuristik Model heuristik.
Model ini akan melakukan pencarian terhadap solusi yang cukup baik melalui serangkaian aturan (rules).
Model ini lebih banyak direpresentasikan dengan menggunakan pemrograman heuristik atau sistem pakar
![Page 3: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/3.jpg)
Aturan Aturan umumnya dibentuk dengan format
IF Anteseden THEN Konsekuen Anteseden berisi aksi atau kondisi atau
fakta yang terjadi Konsekuen berupa reaksi yang dilakukan
jika aksi terjadi atau kondisi bernilai benar.
![Page 4: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/4.jpg)
Aturan Contoh:
Untuk menetapkan suatu daerah akan dipilih sebagai lokasi untuk mendirikan perumahan, telah dihimpun 10 aturan.
Ada 4 atribut yang digunakan, yaitu: harga tanah per meter persegi (C1), jarak daerah tersebut dari pusat kota (C2), ada atau tidaknya angkutan umum di daerah
tersebut (C3), dan keputusan untuk memilih daerah tersebut sebagai
lokasi perumahan (C4).
![Page 5: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/5.jpg)
Aturan Tabel Aturan
Aturan ke-Harga tanah
(C1)
Jarak dari pusat kota
(C2)
Ada angkutan umum(C3)
Dipilih untuk perumahan
(C4)
1 Murah Dekat Tidak Ya
2 Sedang Dekat Tidak Ya
3 Mahal Dekat Tidak Ya
4 Mahal Jauh Tidak Tidak
5 Mahal Sedang Tidak Tidak
6 Sedang Jauh Ada Tidak
7 Murah Jauh Ada Tidak
8 Murah Sedang Tidak Ya
9 Mahal Jauh Ada Tidak
10 Sedang Sedang Ada Ya
![Page 6: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/6.jpg)
Association Rules Association rules dapat dimaknai seperti
halnya kita mengklasifikasikan aturan. Pada association rules, kita tidak hanya
dihadapkan pada bagaimana membentuk aturan dimana konsekuen bernilai benar, namun juga memprediksi aturan-aturan yang terbentuk sebagai kombinasi dari beberapa atribut.
Jumlah aturan yang mungkin terbentuk bisa jadi sangat banyak.
![Page 7: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/7.jpg)
Association Rules Untuk membatasi jumlah aturan tersebut,
dapat dilakukan teknik pemotongan (pruning).
Proses pemotongan tersebut menggunakan suatu acuan: batas pemotongan yang disebut dengan
coverage (jumlah kejadian yang terprediksi benar), dan
nilai akurasi (angka yang menunjukkan perbandingan antara jumlah konsekuen dengan anteseden).
![Page 8: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/8.jpg)
Association Rules Himpuan Item. Item berperan sebagai nilai
atribut yang berpartisipasi. Satu atribut dapat terdiri dari beberapa nilai.
Misal: pada atribut C1, ada 3 nilai yaitu murah, sedang
dan mahal; atribut C2 terdiri-atas 3 nilai yaitu dekat, sedang
dan jauh; atribut C3 terdiri-atas 2 nilai yaitu tidak dan ada;
dan atribut C4 terdiri-atas 2 nilai yaitu ya dan tidak.
![Page 9: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/9.jpg)
Association Rules Contoh:
Pada kasus 1, dapat kita kelompokkan dalam 1, 2, atau 3 item.
Diharapkan setiap kelompok item menyumbangkan lebih dari 1 kejadian.
Pertama, menunjukkan partisipasi atribut (kejadian) dengan satu nilai, misal C1 = murah. Nilai (3) dibelakang murah menunjukkan jumlah aturan yang relevan dengan C1 = murah.
![Page 10: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/10.jpg)
Association Rules Satu item No 1 item
1 C1 = murah (3)
2 C1 = sedang (3)
3 C1 = mahal (4)
4 C2 = dekat (3)
5 C2 = sedang (3)
6 C2 = jauh (4)
7 C3 = ada (4)
8 C3 = tidak (6)
9 C4 = ya (5)
10 C4 = tidak (5)
![Page 11: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/11.jpg)
Association Rules Kedua, menunjukkan partisipasi atribut
(kejadian) dengan 2 nilai. Misal C1 = mahal dan C2 = jauh, ada 2 aturan
yang mengandung kedua nilai tersebut (dengan banyak kejadian > 1).
![Page 12: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/12.jpg)
Association Rules Dua item No 2 item
1 C1 = mahalC2 = jauh (2)
2 C1 = murahC3 = tidak (2)
3 C1 = mahalC3 = tidak (3)
4 C1 = sedangC3 = ada (2)
5 C1 = murahC4 = ya (2)
6 C1 = sedangC4 = ya (2)
7 C1 = mahalC4 = tidak (3)
8 C2 = jauhC3 = ada (3)
9 C2 = dekatC3 = tidak (3)
10 C2 = sedangC3 = tidak (2)
11 C2 = dekatC4 = ya (3)
12 C2 = sedangC4 = ya (2)
13 C2 = jauhC4 = tidak (4)
14 C3 = adaC4 = tidak (3)
15 C3 = tidakC4 = ya (4)
16 C3 = tidakC4 = tidak (2)
![Page 13: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/13.jpg)
Association Rules Ketiga, menunjukkan partisipasi atribut
(kejadian) dengan 3 nilai. Misal C1 = mahal, C2 = jauh dan C4 = tidak,
ada 2 aturan yang mengandung kedua nilai tersebut (dengan banyak kejadian > 1).
![Page 14: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/14.jpg)
Association Rules Tiga item No 3 item
1 C1 = mahalC2 = jauh C4 = tidak (2)
2 C1 = murahC3 = tidak C4 = ya (2)
3 C1 = mahalC3 = tidak C4 = tidak (2)
4 C2 = jauhC3 = ada C4 = tidak (3)
5 C2 = dekatC3 = tidak C4 = ya (3)
![Page 15: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/15.jpg)
Association Rules Dari data tersebut, dapat dibangkitkan beberapa
aturan berdasarkan jumlah item yang tersedia. Misalkan untuk 1 item, C1 = murah, dapat
dibentuk 1 aturan:If – then C1 = murah (3/10)
Artinya: tanpa mempertimbangkan anteseden, terdapat
konsekuen yang memiliki atribut C1 = murah. Angka 3/10 menunjukkan perbandingan (proposisi) antara
jumlah konsekuen (setelah THEN) benar / jumlah anteseden (setelah IF) bernilai benar.
Ada sebanyak 10 kejadian, sedangkan kejadian dengan C1 = murah, ada 3 kejadian, sehingga nilai proposisi = 3/10.
![Page 16: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/16.jpg)
Association Rules Untuk 2 item, C1 = mahal dan C2 = jauh, dapat
dibentuk 3 aturan: If C1 = mahal then C2 = jauh (2/4) If C2 = jauh then C1 = mahal (2/4) If – then C1 = mahal and C2 = jauh (2/10)
Pada aturan pertama, dengan anteseden C1 = mahal, terdapat konsekuen yang memiliki atribut C2 = jauh. Banyaknya kejadian dengan C1 = mahal ada 4 kejadian. Dari 4 kejadian tersebut, yang memiliki konsekuen C2 = jauh, ada 2 kejadian, sehingga nilai proposisi = 2/4.
![Page 17: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/17.jpg)
Association Rules Demikian seterusnya, total terdapat 93 aturan yang
dapat dibentuk seperti: If – then C1 = murah 3/10 If – then C1 = sedang 3/10 If C1 = mahal then C2 = jauh 2/4 If C2 = jauh then C1 = mahal 2/4 If – then C1 = mahal and C2 = jauh 2/10 If C2 = jauh then C1 = mahal and C4 = tidak 2/4 If C4 = tidak then C1 = mahal and C2 = jauh 2/5 If – then C1 = mahal and C2 = jauh and C4 = tidak 2/10
Detil…
![Page 18: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/18.jpg)
Association Rules Selanjutnya, dapat ditentukan tingkat akurasi
yang kita harapkan untuk suatu aturan. Misalkan ditetapkan tingkat akurasi = 100%
(1), hal ini berarti bahwa nilai proposisi suatu aturan harus bernilai 1.
Dengan nilai akurasi 1, maka hanya ada 12 aturan dari 93 aturan tersebut yang dapat digunakan.
![Page 19: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/19.jpg)
Association Rules Aturan-aturan yang terbentuk dengan akurasi 100%
No Aturan Coverage AkurasiAsal
aturan
1 If C2 = jauh then C4 = tidak 4 100% 47
2 If C2 = dekat then C3 = tidak 3 100% 35
3 If C2 = dekat then C4 = ya 3 100% 41
4 If C2 = jauh and C3 = ada then C4 = tidak 3 100% 80
5 If C3 = ada and C4 = tidak then C2 = jauh 3 100% 82
6 If C2 = dekat and C3 = tidak then C4 = ya 3 100% 87
![Page 20: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/20.jpg)
Association Rules
No Aturan Coverage AkurasiAsal
aturan
7 If C2 = dekat and C4 = ya then C3 = tidak 3 100% 88
8 If C2 = dekat then C3 = tidak and C4 = ya 3 100% 90
9 If C1 = mahal and C2 = jauh then C4 = tidak 2 100% 59
10 If C1 = murah and C3 = tidak then C4 = ya 2 100% 66
11 If C1 = murah and C4 = ya then C3 = tidak 2 100% 67
12 If C3 = tidak and C4 = tidak then C1 = mahal 2 100% 75
![Page 21: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/21.jpg)
Sistem Pakar Secara umum, sistem pakar (expert system)
adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.
Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli.
Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli.
![Page 22: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/22.jpg)
Sistem Pakar Ada 4 komponen utama dalam sistem
pakar, yaitu: Basis Pengetahuan (knowledge base) Motor inferensi (inference engine) Antarmuka Fasilitas penjelasan
![Page 23: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/23.jpg)
Sistem Pakar Basis pengetahuan berisi pengetahuan-
pengetahuan dalam penyelesaian masalah, tentu saja di dalam domain tertentu.
Ada 2 bentuk pendekatan basis pengetahu-an yang sangat umum digunakan, yaitu: Penalaran berbasis aturan (Rule-Based
Reasoning) Penalaran berbasis kasus (Case-Based
Reasoning).
![Page 24: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/24.jpg)
Pada penalaran berbasis aturanpenalaran berbasis aturan: Pengetahuan direpresentasikan dengan
menggunakan aturan berbentuk: IF-THEN. Bentuk ini digunakan apabila terdapat
sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan.
Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi.
Sistem Pakar
![Page 25: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/25.jpg)
Pada penalaran berbasis kasus:penalaran berbasis kasus: Basis pengetahuan akan berisi solusi-solusi
yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada).
Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip).
Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.
Sistem Pakar
![Page 26: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/26.jpg)
Sistem Pakar Inference engine:
Forward ChainingForward Chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
Backward ChainingBackward Chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut dicari harus dicari fakta-fakta yang ada dalam basis pengetahuan.
![Page 27: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/27.jpg)
Contoh: Ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan hanya: AA & EE (artinya: A dan E bernilai benar). Ingin dibuktikan apakah K bernilai benar (hipotesis: K)?
No.No. AturanAturan
R-1R-1 IF A & B THEN C
R-2R-2 IF C THEN D
R-3R-3 IF A & E THEN F
R-4R-4 IF A THEN G
R-5R-5 IF F & G THEN D
R-6R-6 IF G & E THEN H
R-7R-7 IF C & H THEN I
R-8R-8 IF I & A THEN J
R-9R-9 IF G THEN J
R-10R-10 IF J THEN K
Sistem Pakar
![Page 28: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/28.jpg)
Forward ChainingForward Chaining Munculnya fakta baru pada saat inferensi:
AturanAturan Fakta BaruFakta Baru
R-3R-3 FF
R-4R-4 GG
R-5R-5 DD
R-6R-6 HH
R-9R-9 JJ
R-10R-10 KK
Sistem Pakar
![Page 29: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/29.jpg)
Sistem Pakar Alur inferensi:
A
E
Fakta
Fakta
R-3 F
GR-4
DR-5
HR-6
J KR-9 R-10
![Page 30: Pertemuan 7 Model Heuristik](https://reader033.vdokumen.com/reader033/viewer/2022052223/55cf9bb5550346d033a71952/html5/thumbnails/30.jpg)
Backward ChainingBackward Chaining Alur inferensi:
J I
A
C
H
A
B
KR-10
R-8 R-7 R-1
Fakta
Tidak diketahui
(a) Pertama: Gagal
J G AKR-10 R-9 R-4
Fakta
(b) Kedua: Sukses
Sistem Pakar