ARTIFICIAL INTELLIGENCE Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ
Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E :
[email protected] Informatics Engineering, Universitas Ahmad Dahlan, Yogyakarta - 2015
POKOK BAHASAN 1.
2. 3. 4.
5. 6. 7. 8. 9.
Masalah, Ruang Keadaan, dan Pencarian Refresentasi Pengetahuan Metode Inferensi Penalaran (Penentuan Ketidakpastian dan Keyakinan) Sistem Pakar Pengolahan Bahasa Alami Jaringan Syaraf Tiruan Logika Fuzzy Algoritma Genetika
12 NOVEMBER 2015 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. statistik.
1. TEOREMA BAYES Bentuk Th. Bayes : P(Hi| P(Hi|E)= p(E| p(E|Hi)*p(Hi) nΣ k=1 p(E| 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 bintikbintik-bintik diwajahnya. Dokter menduga bahwa Ia terkena cacar dengan : 1. Probabilitas munculnya bintik-bintik diwajah, jika Si Joko terkena cacar; p(Bintik2 p(Bintik2Cacar)= 0,8. 2. Probabilitas Si Joko cacar tanpa memandang gejala apapun;; P(Cacar P(Cacar) Cacar) = 0,4. 3. Probabilitas munculnya bintik-bintik di wajah, jika Si Joko Alergi; P(Bintik2 P(Bintik2Alergi)= 0,3. 0,3 4. Probabilitas Si Joko alergi tanpa memandang gejala apapun; p(Alergi p(Alergi) Alergi) = 0,7. 5. Probabilitas munculnya bintik-bintik di wajah, jika Si Joko jerwatan;; P(Bintik2 P(Bintik2Jerawatan)= 0,9. 0,9 6. Probabilitas Si Joko jerawatan tanpa memandang gejala apapun; p(Jerawatan p(Jerawatan) Jerawatan) = 0,5.
Maka diperoleh : a) Probabilitas Si Joko terkena cacar karena bintikbintik-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 bintikbintik-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 bintikbintik-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)________________ (0.8) * (0.4)+ (0.3)*(0.7) + (0.9) * (0.5)
= 0.45 = 0.459 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 fungsifungsifungsi non linier yang sangat kompleks. kompleks. logika fuzzy didasarkan kepada bahasa alami logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan
PENERAPAN APLIKASI LOGIKA FUZZY
Manajemen dan pengambilan Keputusan, seperti manajemen basis data yang didasarkan kepada logika fuzzy, fuzzy, tata letak pabrik yang didasarkan kepada logika fuzzy, 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 µA[x], memiliki 2 kemungkinan, 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
TUA
SETENGAH BAYA
Dari gambar di atas (HIMPUNAN TEGAS) dapat dilihat : Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µ (µMUDA [34] = 1); Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µ (µMUDA [35] = 0); Apabila seseorang berusia 35 tahun kuran 1 hari, maka ia dikatakan TIDAK MUDA (µ (µMUDA [35 th – 1 hr] = 0); Apabila seseorang berusia 35 tahun, maka ia dikatakan SETENGAH TUA (µ (µSETENGAH TUA [35] = 1); Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK SETENGAH TUA (µ (µSETENGAH TUA [34] = 0); Apabila seseorang berusia 35 tahun, maka ia dikatakan SETENGAH TUA (µ (µSETENGAH TUA [35] = 1); Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK SETENGAH TUA (µ (µSETENGAH TUA [35 th – 1hr ] = 0);
MUDA
SETENGAH BAYA
0.5 0.25 UMUR (TAHUN)
TUA
Pada gambar di atas bentuk HIMPUNAN FUZZY dapat dilihat : 10 Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan (µ (µMUDA [40] = 0.25); namun dia juga termasuk dalam himpunan SETENGAH TUA dengan (µ (µSETENGAH TUA [40] = 0.5); Sseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan (µ (µTUA [50] = 0,25); namun dia juga termasuk himpunan SETENGAH TUA dengan (µSETENGAH TUA [50] = 0.5);
