soal uas - cs3243 kma

Ujian Akhir SemesterKecerdasan Mesin dan Artifisial (CS3243)

Dosen: Suyanto, ST, MSc., Warih Maharani, ST, MT, Ririn DA, ST, MTSifat: Take Home Test, Buka Buku, Kalkulator

Perhatian !!! Anda harus menjawab SENDIRI semua pertanyaan di bawah ini secara jelas dan lengkap.

DILARANG KERAS untuk berkomunikasi, bekerjasama, dan meminta bantuan siapapun. Jumlah soal ada 3. Soal nomor 1 dan 2 masing-masing 50 point. Soal nomor 3 adalah bonus

dengan skor 20 point. Jadi total skor adalah 120 point. Gunakan lembar jawaban yang tersedia pada halaman terakhir. Tambahkan NIM dan nama

Anda pada footnote agar bisa ditelusuri jika berkas Anda tercecer. Jawaban diketik komputer, di-print dengan kualitas baik dan dapat dibaca. DILARANG memberikan ralat (menghapus atau menambahkan catatan dengan pena atau apapun) pada jawaban hasil print-out. Adanya ralat menunjukkan bahwa Anda tidak yakin dengan jawaban anda sendiri dan terpengaruh oleh jawaban orang lain. Jawaban yang sepenuhnya ditulis tangan atau jawaban yang terdapat ralat tidak akan dikoreksi (nilainya = 0).

Lembar pernyataan harus ditandatangani oleh setiap mahasiswa yang bersangkutan. Jawaban yang tidak ditandatangani tidak akan dikoreksi (nilainya = 0).

Jawaban hasil print-out (lembar soal tidak perlu di-print) dan sudah ditandatangani dikumpulkan pada- Program Reguler : hari Selasa 09 Juni 2009 pukul 11.00 di Ruang Ujian yang sesuai

jadwal masing-masing mahasiswa.- Program Ekstensi : hari Rabu 10 Juni 2009 pukul 16.00 pada saat UAS mata kuliah DAA.

Mahasiswa yang berhalangan (karena sakit atau hal lain), pengumpulan jawaban boleh diwakilkan ke orang lain. Tidak ada toleransi atas keterlambatan.

1. Perhatikan kasus dunia balok berikut ini.

Bagaimana teknik planning dengan metode Goal Stack Planning (GSP) dapat mengubah kondisi initial menjadi kondisi goal? Jelaskan empat hal berikut ini:a. Komponen-komponen GSP dan fungsinya. [10 points]b. Kelebihan dan kekurangan GSP dibandingkan Constraint Posting. [10 points]c. Jelaskan dengan contoh, bagaimana mengatasi kekurangan GSP. [10 points]d. Lakukan penelusuran GSP sampai dihasilkan solusi optimal. [20 points]

UAS Kecerdasan Mesin dan Artifisial (CS3243) – 113061093 / Sasotya Angga Kurnia page 1 of 16

ON(Z,Y) ON(Y,X) ONTABLE(X) ARMEMPTY

ON(Y,Z) ONTABLE(Z) ONTABLE(X) ARMEMPTY

GoalInitial

Y

Z X

Y

X

Z

2. Tabel berikut ini mengilustrasikan nilai indeks yang berupa A, B, C, D, dan E dari 10 mahasiswa untuk mata kuliah AI pada semester Genap 2007/2008. Setiap komponen nilai berada pada interval [0, 100]. Dosen AI kehilangan informasi tentang aturan penentuan nilai indeks tersebut. Satu hal yang beliau ingat adalah setiap komponen nilai dikonversi menjadi Baik untuk [80, 100], Cukup untuk [60, 80), dan Kurang [0, 60). Selanjutnya, hasil konversi tersebut beliau gunakan untuk membangun aturan penentuan nilai indeks. Bantulah dosen AI tersebut dengan melakukan penelusuran ID3 untuk menghasilkan pohon keputusan dan aturan penentuan nilai indeks. Penting: berikan penjelasan secara detail dari setiap langkah ID3 sebagai bukti bahwa anda menguasai konsep ID3 secara baik. [50 points]

NIM UTS UAS TUGAS INDEKS40001 80 90 90 A40002 80 60 70 B40003 50 50 40 E40004 45 70 80 A40005 100 50 50 D40006 30 90 93 A40007 50 90 50 B40008 60 60 50 C40009 70 90 65 B40010 100 100 100 A

3. Ini adalah soal bonus. Untuk data-data yang ditunjukkan pada tabel soal nomor 2, gunakan Multi Layer Perceptron (MLP) menggunakan algoritma belajar Propagasi Balik untuk menentukan nilai indeks. Jelaskan hal-hal berikut ini secara singkat:a. Bagaimana arsitektur MLP yang optimum: Jumlah neuron pada lapisan input, hidden,

dan output? [5 point]b. Bagaimana matriks pola input (P) dan targetnya (T)? [5 point]c. Jelaskan proses belajar Propagasi Balik untuk MLP yang anda buat. Anda tidak perlu

menjelaskan rumus-rumusnya. [5 point]d. Apa yang dihasilkan dari proses belajar tersebut dan jelaskan bagaimana menggunakan

MLP hasil pembelajaran tersebut. Anda cukup menjelaskan konsepnya saja, tidak perlu menjelaskan bagaimana pemakaian rumus-rumusnya. [5 point]


Dengan 10 milyar neuron yang dikaruniakan oleh-Nya, anda pasti punya jawaban yang berbeda dengan

siapapun-------------------

Lembar Jawaban UASKecerdasan Mesin dan Artifisial (CS3243)

Nama :

NIM :

Kelas :

Pernyataan: Semua jawaban hasil print-out di bawah ini SAYA KERJAKAN SENDIRI tanpa

berkomunikasi, bekerjasama, maupun meminta bantuan siapapun. Semua jawaban print-out ini

bersifat FINAL dan TIDAK ADA RALAT apapun, baik menghapus atau menambahkan

catatan dengan pena atau peralatan tulis lainnya. Saya bersedia diberi nilai E untuk mata kuliah

ini jika terbukti berkomunikasi, bekerjasama, maupun meminta bantuan siapapun. Dan saya

bersedia diberi nilai 0 untuk UAS ini jika: 1) saya tidak menandatangani lembar jawaban ini;

atau 2) semua jawaban ditulis tangan; atau 3) terdapat ralat dalam bentuk apapun pada semua

lembar jawaban ini.

Tanda Tangan :

1. A.

Initial state : state yang mendefinisikan keadaan awal suatu rangkaian balok

Goal state : state yang merepresentasikan kondisi akhir yang harus dicapai dari suatu

rangkaian balok

Current state : state yang merepresentasikan kondisi yang sedang terjadi saat ini

Balok : suatu media yang akan diuji, yang dapat disusun dan merepresentasikan

initial state dan hendak diubah menjadi goal state

Arm : suatu lengan robot yang berfungsi untuk memindah/merubah komposisi

dari balok/tumpukan balok, sehingga dari initial bisa menjadi goal

Predikat precondition : suatu predikat-predikat yang harus bernilai benar sebelum

pengaplikasian operator

predikat add : suatu predikat –predikat yang bernilai benar setelah pengaplikasian suatu

operator


predikat delete: suatu predikat – predikat yang bernilai salah setelah pengaplikasian suatu

operator

operator ON(A,B) : memberikan hasil balok A menempel diatas balok B

operator ONTABLE (A) : memberikan hasil bahwa balok A menempel diatas permukaan

meja

operator CLEAR(A) : memberikan hasil tidak ada balok yang menempel diatas balok A

operator STACK (A,B) : memberikan hasil balok A ada diatas balok B

operator UNSTACK (A,B) : memberikan hasil mengangkat balok A yang menempel diatas

balok B

operator PICKUP (A) : memberikan hasil balok A terangkat dari permukaan meja

operator PUTDOWN (A): memberikan hasil meletakkan balok A diatas permukaan meja

operator ARMEMPTY : memberikan hasil bahwa ARM robot tidak memegang apa – apa

B.

Kelebihan :

1. lebih mudah di implementasikan

2. tidak memerlukan banyak pengecekan kondisi

Kekurangan :

1. menggunakan satu stack

2. linear planning

3. bisa jadi hasilnya tidak efisien

C.

a. mendelomposisikan goal state dengan efisien, yaitu dengan cara menuliskan operatornya

dari dasar (dari permukaan meja) menuju ke permukaan paling atas, setelah itu baru

menuju pada susunan balok yang lainya, contoh :

Dengan kondisi goal state seperti itu maka sebaiknya kita menuliskan operator –

operatornya seperti ini :

ONTABLE (A) ^ ON (B,A) ^ ON (C,B) ^ ONTABLE (D) ^ ON (D,E)


C

A

B

D

E

Jangan seperti ini :

ON (C,B) ^ ON (B,A) ^ ON (E,D) ^ ONTABLE (A) ^ ONTABLE (D)

Dengan begitu maka pasangan yang saling menghilangkan seperti STACK (C,B)

UNSTACK (C,B) dapat diminilaisir, sehingga hasil akhir yang didapat bisa lebih efisien.

b. Dengan selalu meletakan sesuatu yang berada di ARM ke atas meja, misal hasil

UNSTACK diletakan diatas meja, jangan diletakan diatas tumpukan lainya, karena hal ini

dapat menyebabkan kondisi yang saling menghilangkan seperti STACK dan UNSTACK,

contoh :

Pada contoh ini ketika kita melakukan UNSTACK (C,B) maka setelah itu balok C

dilakukan operasi PUTDOWN(C) jangan STACK (C,D). Meskipun ini dapat

memperpanjang langkah (jika tujuannya memang ON(C,D)) tetapi langkah ini dapat

menghilangkan ketidak efisiensi dari GSP, misal tujuan akhirnya ON (B,D) dan ON(C,A)

dan dengan meletakan segala sesuatu yang di ARM yang didapat dari proses UNSTACK

ke atas meja, maka akan lebih fleksibel ketika balok itu akan di susun kembali.

D.

Langkah 1

ONTABLE (X) ^

ON (Y,X) ^

ON (Z,Y) ^

ARMEMPTY

ONTABLE (X) ^ ON (Y,X) ^ ON (Z,Y) ^ ARMEMPTY


A

B

C

D

D

C

A

B

ON(Z,Y) ON(Y,X) ONTABLE(X) ARMEMPTY

ON(Y,Z) ONTABLE(Z) ONTABLE(X) ARMEMPTY

GoalInitial

Y

Z X

Y

X

Z

Y

Z X

Langkah 2

ONTABLE (X) ^

ARMEMPTY ^

ON (Y,Z) ^

CLEAR (Y) ^

UNSTACK (Y,Z) ^

HOLDING (Y) ^

CLEAR (X) ^

STACK (Y,X) ^

ON (Y,X) ^

ARMEMPTY

ON (Z,Y) ^

ARMEMPTY


Langkah 3

ONTABLE (X) ^

ARMEMPTY ^

ON (Y,Z) ^

CLEAR (Y) ^

UNSTACK (Y,Z) ^

HOLDING (Y) ^

CLEAR (X) ^

STACK (Y,X) ^

ARMEMPTY

ON (Y,X) ^

ONTABLE (Z) ^

CLEAR (Z) ^

ARMEMPTY ^

PICKUP (Z)^

HOLDING (Z) ^

CLEAR (Y) ^

STACK (Z,Y) ^


Y

Z X

Y

Z X

Y

Z

X

ON (Z,Y) ^

ARMEMPTY


Note :

Gambar pada bagian kanan merupakan current state pada setiap langkah,

Bagian bold merupakan operator yang sedang dilaksanakan (beberapa operator precondition

belum terpenuhi,sehingga perlu disusun)

2. Konversi data olah sesuai dengan soal (menjadi tiga jenis)

Baik [80,100], Cukup [60,80],Kurang [0,60]

NIM UTS UAS TUGAS INDEKS40001 BAIK BAIK BAIK A40002 BAIK CUKUP CUKUP B40003 KURANG KURANG KURANG E40004 KURANG CUKUP BAIK A40005 BAIK KURANG KURANG D40006 KURANG BAIK BAIK A40007 KURANG BAIK KURANG B40008 CUKUP CUKUP KURANG C40009 CUKUP BAIK CUKUP B40010 BAIK BAIK BAIK A

Langkah 1

Rekursif level 0 ke 1

Mencari best classifier

KumpulanSample berupa semua sample data = [4,3,1,1,1] ; AtributTarget = ‘Indeks’ ;

KumpulanAtribut = {UTS, UAS, TUGAS}

Values(UTS) = Baik, Cukup, Kurang

S = [4,3,1,1,1] |S| = 10, Entropy (S) = 2,0464

SBaik = [2,1,0,1,0], |SBaik| = 4, Entropy (SBaik) = 1,5

SCukup = [0,1,1,0,0,], |SCukup| = 2, Entropy (SCukup) = 1

SKurang = [2,1,0,0,1], |SKurang| = 4, Entropy (SKurang) = 1,5

Gain(S,UTS) = Entropy(S) – (4/10) Entropy (SBaik) – (2/10) Entropy (SCukup) – (4/10) Entropy

(SKurang)


Y

Z

X

= 0,6464

Values(UAS) = Baik, Cukup, Kurang

S = [4,3,1,1,1] |S| = 10, Entropy (S) = 2,0464

SBaik = [3,2,0,0,0], |SBaik| = 5, Entropy (SBaik) = 0,970951

SCukup = [1,1,1,0,0], |SCukup| = 3, Entropy (SCukup) = 1,58496

SKurang = [0,0,0,1,1], |SKurang| = 2, Entropy (SKurang) = 1

Gain(S,UAS) = Entropy(S) – (5/10) Entropy (SBaik) – (3/10) Entropy (SCukup) – (2/10)

Entropy (SKurang)

= 0,8853

Values(TUGAS) = Baik, Cukup, Kurang

S = [4,3,1,1,1] |S| = 10, Entropy (S) = 2,0464

SBaik = [4,0,0,0,0], |SBaik| = 4, Entropy (SBaik) = 0

SCukup = [0,2,0,0,0], |SCukup| = 2, Entropy (SCukup) = 0


Gain(S,UTS) = Entropy(S) – (4/10) Entropy (SBaik) – (2/10) Entropy (SCukup) – (4/10) Entropy

(SKurang)

= 1.2464

Dengan demikian maka yang menjadi best classifier adalah nilai TUGAS dan akan

diletakkan sebagai root. Dan didapat data seperti ini :

KumpulanSample berupa SampleBaik = [4,0,0,0,0], AtributTarget = ‘Indeks’, KumpulanAtribut =

{UTS,UAS}

Langkah 2

Rekursif Level 1 Iterasi ke 1

KumpulanSample berupa SampleBaik = [4,0,0,0,0], AtributTarget = ‘Indeks’, KumpulanAtribut =

{UTS,UAS}

Karena semua sample pada iterasi ini menghasilkan nilai A, maka fungsi ini akan berhenti dan

menghasilkan simpul tunggal Root dengan variable ‘A’


Langkah 3


KumpulanSample berupa SampleCukup = [0,2,0,0,0], AtributTarget = ‘Indeks’, KumpulanAtribut

= {UTS,UAS}

Langkah 4

Rekursif Level 1 Iterasi 2

KumpulanSample berupa SampleCukup = [0,2,0,0,0], AtributTarget = ‘Indeks’, KumpulanAtribut

= {UTS,UAS}

Karena pada sample ini tidak didapat sample selain dengan nilai ‘B’, maka akan dibentuk satu

simpul dengan nilai yang sering muncul, yaitu ‘B’

Langkah 5

Rekursif Level 0 Itersi 3

KumpulanSample berupa SampleKurang = [0,1,1,1,1], AtributTarget = ‘Indeks’, KumpulanAtribut

= {UTS,UAS}


Langkah 6


KumpulanSample berupa SampleKurang = [0,1,1,1,1], AtributTarget = ‘Indeks’, KumpulanAtribut

= {UTS,UAS}

Karena tidak ada nilai dominan maka kita tidak dapat memberikan nilai lagsung, dikarenakan

nilai yang muncul pada 4 buah data ini tidak memiliki kesamaan. Untuk itu perlu dilakukan

proses ID3 lagi,dengan melakukan perhitungan information gain untuk atribut UTS dan UAS.

Tetapi KumpulanSample yang diperhitungkan adalah SampleKurang dengan 4 sample data, yaitu

[0,1,1,1,1], berarti S = SampleKurang

Values(UTS) = Baik, Cukup, Kurang

S = SampleKurang = [0,1,1,1,1], |S| = 4

S = 0,1,1,1,1], |S| = 4, Entropy (S) = 2





Entropy (SKurang)

= 1,5

Values(UAS) = Baik, Cukup, Kurang

S = SampleKurang = [0,1,1,1,1], |S| = 4

S = 0,1,1,1,1], |S| = 4, Entropy (S) = 2





Entropy (SKurang)

= 1,5


Pada langkah ini kita menemukan nilai yang sama antara UTS dan UAS, dengan nilai yang

sama maka kita bebas menentukan mana yang akan digunakan, namun bedasarkan

perhitungan pertama karena didapat nilai gain dari UAS lebih besar dari UTS, maka yang

akan diambil adalah nilai gain dari UAS dan node yang akan diletakan adalah UAS, maka

SampleBaik terdapat satu sample [0,1,0,0,0], AtributTarget =’Indeks’,KumpulanAtribut

{UTS}

Langkah 7


Karena hanya terdapat satu sample maka nilai sample tersebut juga akan menjadi nilai dari

sample yang paling banyak muncul, maka akan lagsung di bentuk node dari leaf sebelumnya

dengan nilai atribut ‘B’

Langkah 8


Pada langkah ini kita menggunakan sample yang belum terpangil, yaitu SampleCukup dan

disini hanya terdapat satu sample [0,0,1,0,0],AtributTarget= ‘Indeks’,KumpulanAtribut

={UTS}


Langkah 9


Melakukan fungsi ID3 dengan informasi Samplecukup=[0,0,1,0,0],AtributTarget =

‘Indeks’,KumpulanAtribut = {UTS}. Namun karena hanya terdapat satu sample maka sama

dengan langkah sebelumnya maka akan dibuat node dari leaf sebelumnya denga nilai atribut

‘C’

Langkah 10


Informasi yang digunakan adalah SampleKurang = [0,0,0,1,1], AtributTarget = ‘Indeks’,

KunpulanAtribut = {UTS}


Langkah 11


SampleKurang = [0,0,0,1,1], AtributTarget = ‘Indeks’, KunpulanAtribut = {UTS}

Karena tidak ada nilai dominan maka kita tidak dapat memberikan nilai lagsung,

dikarenakan nilai yang muncul pada 2 buah data ini tidak memiliki kesamaan. Untuk itu

perlu dilakukan proses ID3 lagi,dengan melakukan perhitungan information gain untuk

atribut yang tersisa yaitu UTS. Tetapi KumpulanSample yang diperhitungkan adalah

SampleKurang dengan 2 sample data, yaitu [0,0,0,1,1], berarti S = SampleKurang

Langkah 12


Kembali menggunkan funsi ID3 dengan informasi yang didapat dari atribut UTS, yaitu

SampleBaik = [0,0,0,1,0], AtributTarget = ‘Indeks’, KumpulanAtribut {}. Dikarenakan

sample ini hanya memiliki satu sample, maka nilai tersebut akan menjadi node dari leaf

sebelumnya dengan nilai atribut ‘D’


Langkah 13


Pada langkah ini kita menggunakan sample selanjutnya, yaitu SampleCukup = [0,0,0,0,0],

AtributTarget = ‘Indeks’, KumpulanAtribut {}. Namun karena tidak ada yang menjadi

sample pada lagkah ini maka kita harus lagsung membuat node, dangan mengacu pada nilai

diatasnya (UAS) untuk kasus ini hanya terdapat 2 nilai yaitu ‘D’dan’E’ dank arena nilai ‘D’

telah digunakan pada sample sebelumnya yang memilki derajat yang lebih baik, maka untuk

sample ini akan dibentuk node dengan nilai atribut ‘E’

Langkah 14


Kembali memangil fungsi ID3 dengan sample yang tersisa, maka akan didapat informasi

berikut : SampleKurang = [0,0,0,0,1], AtributTarget = ‘Indeks’, KumpulanAtribut = {}. Namun

karena hanya terdapat satu sample, maka dapat dibuat langsung sebuah node dengan nilai

sesuai dengan nilai pada atribut sample yaitu ‘E’

3. A.


Tidak ada aturan untuk menentukan MLP optimum, namun sebisa mungkin kita dapat

menerka jumlah neuron yang diperlukan, dan jumlah neuron tersebut haruslah dapat

merepresentaasikan inputan yang mungkin diinputkan. Untuk kasus no 2, maka jumlah

neuron lapisan input adalah tiga (didapat dari jenis inputan yang berjumlah tiga

{UTS,UAS,TUGAS}). Sedangkan jumlah neuron hidden layer adalah 2, didapat dari rumus

yang biasa digunakan, meskipun ini bukan merupakan jaminan. Terakhir jumlah neuron

output layer adalah 1 dimana outputan yang dikehendaki adalah suatu nilai indeks

B.

Disini pola output dari nilai a,b,c,d,e direpresentasikan berturut – turut menjadi suatu nilai

1,2,3,4,5

C.

- Perhitungan maju

Input bobot yang telah ditentukan pada inisialisasi awal (W1) yang didapat dengan

random , kita dapat menghitung keluaran dari hidden layer dangan menggunakan

fungsi aktivasi sigmoid, metode ini dipilih karena dirasa cocok untuk

mereperesentasikan perubahan dari nilai – nilai yang ada

selanjutnya hasilnya digunakan untuk mendapatkan keluaran dari output layer. Dan

disini kita menggunakan fungsi aktivasi linear, dengan rumus


Keluaran dari A2 kemudian dibandingkan dengan target yang diinginkan.

Galat(error) yang dihasilkan merupakan selisih dari target dan A2, sesuai dengan

rumus

Sedangkan nilai galat keseluruhan dinyatakan dengan rumus

Dan normalnya dalam suatu tahapan tidak didapat hasil yang diinginkan, untuk itu

akan dilakukan perhitungan mundur

- Perhitungan mundur

Nilai galat yang didapat akan digunakan sebagai parameter dalam pelatihan dan

proses ini akan berhenti ketika galat sudah dapat diterima. Nilai galat akan

dikembalikan kembali ke layer - layer didepannya agar neuron pada layer tertentu

akan memperbaiki nilai bobotnya.

Neuron akan memperbaiki bobot jaringan dengan rumus

TW1 = W1

TB1 = B1 + dB1

TW2 = W2 + dB2

TB2 = B2 + dB2

Setelah itu maka akan didapat bobot – bobot sinaptis jaringan yang baru

D.

Pada kasus ini akan didapatkan inputan berupa 3 jenis yaitu UTS,UAS,TUGAS. Ketiga

inputan tersebut akan diperoses dengan perhitungan maju, namun biasanya hasil yang

dihasilkan belumlah sesuai dan untuk membuatnya sesuai maka akan dikoreksi terhadap

perubahan – perubahan konstanta yang akan digunakan dan proses ini disebut perhitungan

mundur. Kedua langkah tersebut terus diulang dan berhenti ketika nilainya telah sesuai, atau

ketika telah melakukan sekian kali perhitungan.


soal uas - cs3243 kma

Documents