TUGAS TAMBAHAN KECERDASAN BUATAN

NIM : 14060050

Nama : Sandi Sundari

1. Logika Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar samar. Suatu nilai dapat

bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang

memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang

memiliki nilai 1 atau 0 (ya atau tidak). Logika Fuzzy merupakan seuatu logika yang

memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori

logika fuzzy suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar

keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya.

Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan

logika digital yang hanya memiliki dua nilai 1 atau 0.

Logika Fuzzy, yang dalam bahasa Indonesia dapat diartikan sebagai Logika Kabur

atau Logika Samar, dapat dikatakan sebagai logika baru yang sudah lama. Hal ini karena

ilmu tentang logika fuzzy secara modern dan metodis ditemukan pada tahun 1965, namun

konsep logika fuzzy sudah melekat pada diri manusia, sejak manusia ada. Konsep logika

fuzzy dapat dengan mudah kita temukan pada perilaku manusia dalam kesehariannya,

misalnya:

a. Pedal gas kendaraan akan kita tekan dengan tekanan tertentu sesuai kecepatan yang

kita inginkan. (Berapa besar tekanan yang kita berikan?)

b. Kita cenderung memberi hadiah kepada seseorang dengan nilai tertentu sesuai

dengan manfaat orang tersebut kepada kita. (Berapa besar nilai hadiah yang akan

kita berikan?)

c. Kita akan marah kepada orang yang merugikan kita. (Berapa besar kemarahan kita?)

Kita tidak bisa menjawab dengan pasti pertanyaan-pertanyaan yang muncul di atas. Inilah

beberapa contoh kasus yang bisa dijelaskan menggunakan konsep logika fuzzy. Sebagai

contoh adalah robot yang menggunakan fuzzy logic dapat memprediksikan kapan ia harus

bertindak atau menghindar saat ada halangan di depannya dengan hanya ada peringatan

awas dan tanpa ada hitungan matematis yang diberikan oleh user. Sedangkan robot yang

menggunakan alogaritma pemrograman konvensional tidak akan dapat memutuskan sendiri

untuk menghindar dari halangan yang ada di depannya.

Perangkat lunak kecerdasan buatan membuat baik penggunaan logika fuzzy di

daerah yang tidak memiliki aturan yang jelas atau nilai-nilai absolut. Dalam setiap kasus di

mana jawabannya akan kadang-kadang atau mungkin, logika fuzzy sangat membantu.

a. Dalam Kredit: logika fuzzy dapat digunakan untuk membantu mengevaluasi kredit

peminjam. Kadang-kadang, peminjam yang memiliki skor kredit yang rendah harus

diberikan kredit, jika mereka memiliki atribut positif lainnya, seperti pendapatan

yang stabil dan aset yang cukup. Baca lebih lanjut di Aplikasi Logika Fuzzy untuk

Perbankan dan Pinjaman.

b. Dalam Robotika: Logika Fuzzy sangat berguna dalam membantu robot memutuskan

apa yang harus dilakukan dengan input sensorik. Setiap jenis kontak akan

memerlukan respon yang berbeda, tergantung pada sejumlah faktor.

c. Dalam Business: Aplikasi Logika Fuzzy dapat membantu eksekutif mengevaluasi

keputusan berdasarkan sejumlah kriteria. Aplikasi logika fuzzy dapat digunakan

untuk berbagai solusi AI. Jenis algoritma pengolahan informasi bisa sangat sulit

untuk membuat, tetapi hasilnya sangat besar.

2. Script program yang berfungsi untuk implementasi decision tree (kasus

penerimaan pasangan lamaran hidup).

3. Soal Materi E-Learning Kecerdasan

Buatan A. Jelaskan istilah berikut ini.

a. Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut

dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara

yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui

pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan.

Representasi Linear: Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana

dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

Representasi Kurva Segitiga: Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear)

Representasi Kurva Trapesium: Kurva Segitiga pada dasarnya seperti bentuk

segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1

Representasi Kurva Bentuk Bahu: Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan

turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke

PANAS). Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami

perubahan. Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan

temperatur akan tetap berada pada kondisi PANAS. Himpunan fuzzy bahu, bukan

segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak

dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. b. Ada 2 fungsi Sigmoid diantaranya:

Fungsi sigmoid biner adalah Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner

memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan

untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0

sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai

outputnya 0 atau 1. y=f(x)= 1/(1+e^(-sx) ) dengan dengan: f'(x)= sf(x)[1-f(x)]

Fungsi sigmoid bipolar adalah Fungsi sigmoid bipolar hampir sama dengan fungsisigmoid biner, hanya saja output dari fungsi ini memiliki range antara -1 sampai 1.

c. Algoritma genetika memberikan suatu pilihan bagi penentuan nilai parameter dengan

meniru cara reproduksi genetik, pembentukan kromosom baru serta seleksi alami

seperti terjadi pada mahluk hidup.

Inisialisasi populasi awal dilakukan untuk menghasilkan solusi awal dari suatu

permasalahan algoritma gen etika. Inisialisasi ini dilakukan secara acak sebanyak jumlah

kromosom/populasi yang diinginkan. Selanjutnya dihitung nilai fitness d an seterusnya

dilakukan seleksi dengan menggunakan metode roda roullete, tournament atau ranking.

Kemudian dilakukan perkawinan silang (crossover) dan mutasi. Setelah mel alui beberapa

generasi maka algoritma ini akan berhenti sebanyak generasi yang diinginkan.

AG bekerja dengan pe ngkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan dan bukan parameter itu sendiri. Se bagai contoh

untuk mendapatkan minimum dari fungsi f(x)=y=x4+2x

3+5, AG tidak secara

langsung mencari nilai x atau y, tetapi terlebih dahulu merepresentasikan x dalam

bentuk string biner.

AG melakukan pencaria n pada sebuah populasi dari sejumlah individu-individu yang merupakan solusi permas alahan bukan hanya dari sebuah individu.

AG merupakan informas i fungsi objektif (fitness), sebagai cara untuk mengevaluasi

individu yang mempunya i solusi terbaik, bukan turunan dari suatu fungs i. AG menggunakan aturan-aturan transisi peluang, bukan aturan-aturan deterministik.

B. Tunjukan Input layer dan hidden layer pada jaringan syaraf tiruan

C. Apa yang anda ketahui tentang Backpropagation Pengertian Backpropagation merupakan sebuah metode sistematik pada jaringan saraf

tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya

digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot

yang ada pada lapisan tersembunyinya. Backpropagation adalah pelatihan jenis

terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai

kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.

Arsitektur Backpropagation

dimana:

X = Masukan (input).

Vij = Bobot pada lapisan tersembunyi.

Wij = Bobot pada lapisan keluaran.

Voj = Bias pada lapisan tersembunyi

Woj = Bias pada lapisan tersembunyi dan lapisan keluaran.

J = 1,2,3,..,n.

n = Jumlah unit pengolah pada lapisan tersembunyi.

k = Jumlah unit pengolah pada lapisan keluaran.

Y = Keluaran hasil.

Arsitektur algoritma backpropagation terdiri dari tiga layer, yaitu input layer, hidden layer dan

output layer. Pada input layer tidak terjadi proses komputasi, namun terjadi pengiriman sinyal

input X ke hidden layer. Pada hidden dan output layer terjadi proses komputasi terhadap bobot

dan bias dan dihitung pula besarnya output dari hidden dan output layer tersebut berdasarkan

fungsi aktivasi tertentu. Dalam algoritma backpropagation ini digunakan fungsi aktivasi

sigmoid biner, karena output yang diharapkan bernilai antara 0 sampai 1.