Kecerdasan Buatan Pertemuan 10 (Review)
Faktor Kepastian Sistem Penalaran Fuzzy Mamdani Pembelajaran Mesin ID3 Husni
[email protected] http://Komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2013
Outline • Sistem Pakar & Pembelajaran • Faktor Kepastian / Certainty Factor (CF) • Penalaran Fuzzy Model Mamdani
Sistem Pakar & Pembelajaran • Sistem Pakar – Semua pengetahuan/rule, berasal dari Pakar – Tidak ada pembelajaran, hanya penalaran – Peran manusia DOMINAN
• Pembelajaran – Data/Informasi (database), bukan dari pakar, tetapi dari rangkuman peristiwa (fakta) yang terjadi. – Ada pembelajaran, 2 fase: pelatihan & testing – Tidak ada campur tangan langsung dari Manusia
Contoh: Prediksi dengan CF • Diketahui bahwa hari ini Hujan, Curah hujan hari ini rendah (dengan CF 0.8), Temperatur hari ini dingin (dengan CF 0.9). Pakar harus memprediksi apakah cuaca besok. Basis pengetahuan berisi rules berikut: • Rule 1:
• Rule 2: • Rule 3:
IF Hari ini Hujan THEN Besok Hujan {CF=0.5} IF Hari ini Kering THEN Besok Kering {CF=0.5} IF Hari ini Hujan AND Curah Hujan Rendah THEN Besok Kering {CF=0.6}
• Rule 4:
• Rule 5:
• Rule 6:
IF Hari ini Hujan AND Curah Hujan Rendah AND Temperatur Dingin THEN Besok Kering {CF=0.7} IF Hari ini Kering AND Temperatur panas THEN Besok Hujan {CF=0.65} IF Hari ini Hujan AND Temperatur Panas AND Langit Mendung THEN Besok Hujan {CF=0.55}
Penyelesaian • Buat Pohon Penalaran yang memperlihatkan apa yang diprediksi, yaitu Cuaca Besok: Hujan atau Kering. • Hitung CF dari bagian THEN (konsekuen) dari setiap Rule • Hitung CF dari “Besok Hujan” dan “Besok Kering” • CF yang lebih besar menunjukkan bahwa Hipotesis itu lebih “pasti” terjadi.
Hipotesis Besok Hujan
Hipotesis Besok Kering
0.56
Contoh: Prediksi dengan Fuzzy • Pabrik Tekstil memproduksi pakaian Merk Tertentu. • Dalam 1 bulan terakhir, permintaan terbesar mencapai 5000 potong per hari, permintaan terkecil 1000 potong per hari. • Persediaan barang di gudang tiap bulan paling banyak 600 potong dan persediaan terkecil 100 potong. • Perusahaan ini hanya mampu memproduksi pakaian paling banyak 7000 potong per hari. • Dengan alasan tertentu, pabrik harus memproduksi setidaknya 2000 potong pakaian. • Berapa potong pakaian yang harus diproduksi apabila ada permintaan 4000 potong dan persediaan adalah 300 potong.
Aturan yang tersedia • [R1] : IF Permintaan TURUN And Persediaan BANYAK THEN Produksi BERKURANG • [R2] : IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG • [R3] : IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH • [R4] : IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH
1: Fuzzification • Input : 1. Permintaan[1000 5000] {TURUN NAIK} 2. Persediaan[100 600] {SEDIKIT BANYAK} • Output: Jumlah Produksi[2000 7000] {BERKURANG BERTAMBAH}
Input: Permintaan & Persediaan
Output: Jumlah Produksi
2: Inferensi Model Mamdani • Perhatikan Aturan yang digunakan berdasarkan input yang diberikan pada Masalah • Berapa potong pakaian jenisX, Y dan Z yang harus diproduksi apabila terdapat permintaan sejumlah 4000 potong dan persediaan di gudang terdapat300 potong. • 4000 : termasuk dalam kategori turun dan naik • 300 : termasuk dalam kategori banyak dan sedikit • Jadi, Semua Aturan/ Rule digunakan
Penerapan Rule R1 • IF Permintaan TURUN And Persediaan BANYAK THEN Produksi BERKURANG
Penerapan Rule R2 • IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG
Penerapan Rule R3 • IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH
Penerapan Rule R4 • IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH
Agregasi • Gabungkan semua hasil. Jika ada yang GANDA, ambil nilai MAX.
3: Defuzzification • Gunakan COA/COG
Contoh: Penentuan Beasiswa dengan Penalaran Fuzzy • Ada 100 beasiswa. Jumlah kandidat ada 5000. • Nilai kelayakan (NK) penerima beasiswa ditentukan berdasarkan IPK dan Penghasilan Orang Tua (POT) per bulan. • Si A: IPK 3.00, Penghasilan Ortu 10 Jt per bulan • Si B: IPK 2.99, POT 1 jt per bulan. • Siapa yang lebih berhak menerima Beasiswa, A atau B?
1: Fuzzification • Misal input IPK dibagi menjadi 3: Buruk (0 – 2.75), Cukup (2 – 3.25), Bagus (2.75 – 4)
1: Fuzzification • Misal input Penghasilan Ortu (POT) dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.
A: IPK 3.00 POT 10 juta • • • •
µIPKBagus(3.00) = (3-2.75)/(3.25-2.75) = 0.5 µIPKCukup(3.00) = -(3-3.25)/(3.25-2.75) = 0.5 µPOTBesar(10) = -(10-12)/(12-7) = 2/5=0.4 µPOTSgtBesar(10) = (10-7)/(12-7) = 3/5=0.6
B: IPK 2.99 POT 1 juta • • • •
µIPKBagus(2.99) = (2.99-2.75)/(3.25-2.75) = 0.48 µIPKCukup(2.99) = -(2.99-3.25)/(3.25-2.75) = 0.52 µPOTSedang(1) = 0 µPOTKecil(1) = 1
2: Inferensi • Pakar memberikan aturan Nilai Kelayakan (NK) penerima beasiswa berikut: Kecil Sedang Besar Sangat Besar Buruk Rendah Rendah Rendah Rendah
Cukup Tinggi Bagus Tinggi
Rendah Rendah Rendah Tinggi Tinggi Rendah
• Hanya ada 2: Rendah dan Tinggi. Misal: menggunakan fungsi Trapesium
2: Inferensi • Gunakan Tabel Aturan, Fungi Keanggotaan Input dan Output untuk NK dari A dan B. Semakin besar NK maka semakin layak menerima beasiswa.
A: IPK=Bagus(0.5), IPK=Cukup(0.5) POT=Besar(0.4), POT=SgtBesar(0.6) • • • •
IPK=Cukup(0.5) AND POT=Besar(0.4) THEN NK=Rendah(0.4) IPK=Cukup(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5) IPK=Bagus(0.5) AND POT=Besar(0.4) THEN NK=Tinggi(0.4) IPK=Bagus(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5)
NK=Rendah(0.4) NK=Rendah(0.5) NK=Rendah(0.5)
B: IPK=Bagus(0.48), IPK=Cukup(0.52) POT=Kecil(1), POT=Sedang(0) • • • •
IPK=Cukup(0.52) AND POT=Kecil(1) THEN NK=Tinggi(0.52) IPK=Cukup(0.52) AND POT=Sedang(0) THEN NK=Rendah(0) IPK=Bagus(0.48) AND POT=Kecil(1) THEN NK=Tinggi(0.48) IPK=Bagus(0.48) AND POT=Sedang(0) THEN NK=Tinggi(0) NK=Tinggi(0.52) NK=Tinggi(0.48) NK=Tinggi(0)
3: Defuzzification • Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B. NK akhir dari A: IPK 3, POT 10 jt: • Y* = ((10+20+30+40+50+60)*0.5 + (70+80+90+100) * 0.4)/(6*0.5 + 4 * 0.4) • (105 + 136)/4.6 = 52.39
3: Defuzzification • Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B. NK akhir dari B: IPK 2.99, POT 1 jt: • Y* = (70+80) * 0.52/(2*0.52) • (150) * 0.52/1.04 = 75
• Artinya, NK dari B jauh lebih tinggi daripada NK dari A. Sehingga B lebih berhak menerima beasiswa.
