Perbaikan UTS • Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS • Apakah tugas tsb telah dikerjakan dengan baik? • Contoh yang SALAH: – Paper tidak terkait / berbasis WEB – Tidak ada unsur kecerdasan buatan – Paper terbit sebelum 2008
• Silakan diperbaiki (bagi yang merasa salah) dan dikumpulkan, terakhir 04 Desember 2013.
Tugas Baru, Perbaikan UAS • Mirip dengan tugas sebelumnya, merangkum Paper yang membahas tentang aplikasi web yang melibatkan konsep kecerdasan buatan. • Hanya paper yang terbit 2011 s.d 2013 • Dikumpulkan minggu terakhir kuliah, 18 Desember 2013.
• Kata kunci umum: Web Intelligent system • Web, dapat diwakili (lebih fokus): personalization, recommender system, social network (sentiment analysis & opinion mining), web retrieval/web mining, search engine • Intelligent dapat diwakilkan dengan: expert system, machine learning, fuzzy system, genetic algorithm, neural network, swarm intelligent, ant algorithm, bio-inspired.
Mengenai UAS • Materi yang diujikan: – Penalaran Fuzzy (Mamdani & Sugeno) – Pembelajaran (pembelajaran mesin & jaringan syaraf tiruan)
• Waktu 75 (?) menit, terbuka (?)
Contoh Soal Sistem Fuzzy Husni
Harus diingat! • Tahapan kerja sistem Fuzzy: Fuzzification Inferensi Defuzzification • Fungsi Keanggotaan yang sering digunakan: Trapesium, kemudian Segitiga • Model Penalaran (inferensi) yang banyak digunakan: Mamdani, kemudian Sugeno. • Metode defuzzification yang sering digunakan: Centroid dan Weighted Average.
Fungsi Keanggotaan Trapesium & Segitig
Contoh: Sprinkler Control System • Sensor suhu menerima panas 37 • Sensor kelembaban menerima nilai 12% • Berapa lama Durasi penyiraman harus dilakukan oleh Sprinkler?
1: Fuzzification • Misal digunakan fungsi keanggotaan Trapesium dengan lima variabel linguistik untuk Suhu Udara: Dingin, Sejuk, Normal, Hangat dan Panas. • Suhu 37 masuk dalam Hangat & Panas. • Untuk Kelembaban, ada 3, juga trapesium: Kering, Lembab dan Basah • Kelembaban 12% masuk dalam Kering & Lembab • Bagaimana menghitung derajat keanggotaan dari suatu nilai Crisp?
2: Inferensi (Penalaran) • Berikut ini rangkuman aturan (rule) yang diberikan pakar Sprinkler, ada kemungkinan output: Lama, Sedang, Singkat.
Kering
Dingin
Sejuk
Normal Hangat Panas
Lama
Lama
Lama
Lama
Lama
Lembab Singkat Singkat Sedang Sedang Sedang Basah
Singkat Singkat Singkat Singkat Singkat
• Ada 15 rule. Misal: – IF Suhu = Dingin AND Kelembaban = Kering THEN Durasi = Lama
Inferensi Mamdani • Ada 4 input: Hangat (2/3), Panas (1/3), Kering (4/5) dan Lembab (1/5) • Aturan yang berlaku hanya 4: –
– – –
IF Suhu Hangat AND Kelembaban Kering THEN Durasi Lama IF Suhu Hangat AND Kelembaban Lembab THEN Durasi Sedang IF Suhu Panas AND Kelembaban Kering THEN Durasi Lama IF Suhu Panas AND Kelembaban Lembab THEN Durasi Sedang
Inferensi Mamdani – – –
–
• •
IF Suhu Hangat (2/3) AND Kelembaban Kering (4/5) THEN Durasi Lama (2/3) IF Suhu Hangat (2/3) AND Kelembaban Lembab (1/5) THEN Durasi Sedang (1/5) IF Suhu Panas (1/3) AND Kelembaban Kering (4/5) THEN Durasi Lama (1/3) IF Suhu Panas (1/3) AND Kelembaban Lembab (1/5) THEN Durasi Sedang (1/5)
Karena 2 fakta disambung dengan AND, ambil nilai minnya. Jika dengan OR ambil max-nya. Jika ada 2 hasil berbeda derajat keanggotaan, ambil nilai max-nya
3: Defuzzification (Mamdani)
Y* = ((24+28+32+36+40)*1/5 + (48+60+70+80+90)*2/3)/ (1/5+1/5+1/5+/15+1/5)+(2/3+2/3+2/3+2/3+2/3) = 310.4/4.33 = 60.97
2: Inferensi (Sugeno) •
Menggunakan fungsi keanggotaan Singleton. Derajat keanggotaan 1 untuk nilai crisp tertentu dan 0 untuk semua nilai crisp yang lain.
Output Model Sugeno
3: Defuzzification (Sugeno) • Jika digunakan metode Height, diperoleh hasil crisp 60 (nilai tertinggi)
• Jika digunakan Weighted Average, diperoleh: y*=(1/5(40) + 2/3(60))/(1/5+2/3) = 55.38
Contoh: Seleksi Penerima Beasiswa • Ada 100 beasiswa. Jumlah kandidat ada 5000. • Penilaian diutamakan pada IPK dan Penghasilan Orang Tua per bulan. • Si A, IPK 3.00, Penghasilan Ortu 10 Jt per bulan • Si B, IPK 2.99, Penghasilan Ortu 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 dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.
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 Rendah 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.
3: Defuzzification • ...
