MATERI 8

Materi ini membahas tentang jaringan syaraf tiruan untuk matakuliah kecerdasan buatan

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF BIOLOGIS

• Otak manusia berisi 10 ¹¹ sel syaraf /neuron yang bertugas memproses informasi yang masuk
• Tiap sel syaraf dihubungkan dengan syaraf lain hingga sekitar 10⁴ sinapsis
• Tiap sel bekerja seperi suatu prosessor sederhana
• Tiap sel saling berinteraksi sehingga mendukung kemampuan otak manusia
  

• Komponen utama neuron dapat dikelompokkan menjadi 3 bagian:

>Dendrite : menerima informasi – jalan input soma

>Badan sel/soma : tempat mengolah informasi

>Akson : mengirimkan impuls sinyal ke syaraf lain – jalan output soma

• Sebuah neuron menerima impuls sinyal dari neuron lain melalui dendrite dan mengirim siyal dibangkitkan melalui akson

• Akson dari sel syaraf ini bercabang dan berhubungan dengan dendrite dari sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis.

• Sinapsis adalah unit fungsional antara 2 buah syaraf dimana satu adalah serabus akson dari neuron a sedang satunya adalah dendrite dari neuron b

• Kekuatan sinapsis bias turun/naik tergantung seberapa besar tingkat propagarasi sinyal yang diterima

• Impuls sinyal akan diterima oleh neuron lain jika memenuhi batasan tertentu(nilai ambang)threshold

JARINGAN SYARAF TIRUAN

• Sistem pemprosesan informasi yang mempunyai karakteristik meyerupai jaringan syaraf manusia

• JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia berdasarkan asumsi

• Pemrosesan informasi terjadi pada elemen neuron

• Sinyal mengalir diantara sel syaraf melalui sambungan penghubung

• Setiap sambungan memiliki bobot yang bersesuaian yang digunakan untuk menggandakan sinyal

• Tiap sel syaraf akan menerapkan fungsi aktifitas terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluaran.

• JST dapat belajar dari pengalaman, melakukan generalisasi atas contoh yang didapat.

• Algoritma untuk JST akan langsung beroperasi secara langsung dengan angka

• JST tidak deprogram untuk menghasilkan keluaran tertentu. Semua keluaran yang ditarik didasarkan atas pengalamannya selama mengikuti proses pembelajaran

• Pada proses pembelajaran, ke dalam JST dimasukkan pola input dan output lalu jaringan akan diajari untuk memberikan jawaban yang akan diterima.

• Karakter JST ditentukan oleh Pola hubungan antar neuron (arsitektur jaringan), metode penentuan bobot sambungan(proses belajar jaringan) dan fungsi aktivasi

ARSITEKTUR JST

• Di JST neuron akan dikumpulkan dalam layer yang disebut neuron layers

• Neuron pada satu lapisan akan dihubungkan dengan lapisan sebelum dan sesudahnya.

• Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan(lapisan input->output melalui hidden layer

• Factor terpenting dalam menetukan kelakuakn suatu neuron adalah fungsi aktifasi dan pola bobot

• Umumnya neuron yang terletak pada lapisan yang sama akan memliki keadaan yang sama sehingga pada setiap lapisan yang sama menuron memiliki funsi aktifasi yang sama

• Bila nuron pada suatu layer akan dihubungkan dengan neuron pada layer lain maka setiap neuron pada layer tersebut juga harus dihubungkan dengan setiap neuron pada lapisan lainnya.

• Jenis arsitektur JST

• Jaringan dengan lapisan tunggal(single layer net)

ü Hanya memiliki 1 lapisan dengan bobot terhubung

ü Jaringan ini hanya menerima input kemudian secara langsung mengolahnya menjadi output tanpa melewati hidden layer

• Jaringan dengan banyak lapisan(multilayer net)

ü memiliki 1 atau lebih lapisan yang terletak di antara input layer dan output layer.

SUMMATION FUNCTION

• fungsi yang digunakan untuk mencarin rata rata bobot dari semua elemen input.

• Sederhananya adalah dengan mengalikan setiap nilai input X dengan bobotnya Wij dan menjumlahkannya=Si

APLIKASI JST

• Aerospace = autopilot

• Automotive

• Sistem kendali otomatis

• Keuangan perbankan = Pendeteksi uang palsu

• Electronic

• Militer= Pengendali senjata, detector bom

• Pembuatan hardware yang mengimplementasikan JST = Machine vision

• Broadcast = Pencarian klip berita melalui pengenal wajah

• Security = Untuk mengenali mobil dan penjahat

• Medic = Analsis kanker

• Voice recognizer

• Pengenal tulisan

• Mathematic

• Pengenal benda bergerak

• Detector virus

Selengkapnya......

MATERI 7

ALGORITMA GENETIKA

Materi ini membhas tentang sistem pencarian yang mempunyai prinsip evolusi

ALGORITMA GENETIKA

Sejarah
Landasan teoritis untuk Algoritma genetik ini diajukan oleh John Holland dalam bukunya yang berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975, yang kemudian dikembangkan lebih lanjut oleh muridnya David Goldberg. Proses genetika dari organisme-organisme biologi yang berdasar pada teori evolusi Charles Drawin

Pengertian Algoritma Genetik
Algoritma genetic adalah suatu metoda pencarian (search) acak yang didasarkan atas prinsip evolusi yang terjadi di alam. Dalam proses evolusi, individu secara terus menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. Hanya individu yang kuat yang mampu bertahan, sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui
proses perkembangbiakan untuk mendapatkan keturunan yang lebih baik.

Genetik
Cabang biologi yang mempelajari tentang keturunan dan variasi mahluk hidup. Informasi genetik manusia tesimpan dalam sel tepatnya di kromosom. Dalam sel manusia kromosom bentuknya berpasangan dan terdapat 23 pasang Kromosom ini terbentuk dari bagian-bagian yang disebut gen. Gen inilah yang mengatur properti dan karateristik suatu individu eg: Warna mata, jenis rambut. Gen akan menentukan sifat individu dan keturunan berikutnya. Kumpulan dari gen yang terdapat dalam sebuah populasi akan menentukan jumlah variasi keturunan yang dimungkinkan

Dasar Algoritma Genetik

• Populasi, Populasi adalah kumpulan kromosom (chromosome). Kromosom ini dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.
• Individu, Individu merupakan kumpulan gen dalam sistem algoritma genetik bisa dikatakan sama dengan kromosom. Gen ini bisa biner, float, dan kombinatorial.Individu dalam algoritma genetik dapat juga menyatakan salah satu kemungkinan solusi yang dicari. Misalkan dalam travel salesman problem individu dapat menyatakan suatu jalur terpendek yang akan ditempuh.
• Nilai Fitness, Sebelum algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah fitness yang meningkat.

Prinsip Kerja
Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.

Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah disebut di atas yaitu operator reproduksi seleksi, perkawinan silang dan mutasi. Proses ini dilakukan berulangulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.

Prinsip Kerja

Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2.

Beberapa kriteria berhenti yang sering digunakan antara lain:

Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah.

Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.

Beberapa Definisi penting

• Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen Allele, nilai dari gen.

• Kromosom, gabungan gen-gen yang membentuk nilai tertentu. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat

• Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.

• Generasi, menyatakan satu-satuan siklus proses evolusi.

• Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.

Selengkapnya......

MATERI 6

LOGIKA FUZZY

Materi ini membahas tentang matakuliah Kecerdasan Buatan tentang Logika Fuzzy

LOGIKA FUZZY

PENGERTIAN

• Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965
• Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1
• Logika fuzzy merupakan peningkatan dari logika boolean
• Menggantikan kebenaran boolean dengan tingkat kebenaran
• Dasar logika fuzzy adalah memformulasikan bilangan antara 0 dan 1 atau lebih tepat 0.0 dan 1.0

ALASAN MENGGUNAKAN LOGIKA FUZZY

• Konsep logika fuzzy mudah dimengerti.konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
• Logika fuzzy sangat flexibel.
• Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
• Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
• Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional

APLIKASI LOGIKA FUZZY

• ABS pada sistem pengereman mobil
• patern recognition untuk mengenal tulisan tangan pada mobile device
• image processing
• aplikasi robotik
• Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat bekerja sepintar pak polisi lantas. Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan menyala lebih lama
• Input fuzzy berupa bilangan crisp (tegas) yang dinyatakan dalam himpunan input.
• Fuzzifikasi merupakan proses untuk mengubah bilangan crisp menjadi nilai keanggotaan dalam himpunan fuzzy.
• Fuzzy inference system merupakan bagian pengambilan kesimpulan (reasoning) dan keputusan.
• Knowledge base berisi aturan-aturan yang biasanya dinyatakan dengan perintah IF …. THEN….
• Defuzzification merupakan proses untuk merubah nilai output fuzzy menjadi nilai crisp.

HIMPINAN CRISP

• Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan uA[x], memiliki 2 kemungkinan yaitu :
• satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
• nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan

Selengkapnya......

MATERI 5

SISTEM PAKAR

Materi ini membahas tentang seputar Sistem Pakar yaitu dimana sistem yang digunakan untuk menyelesaikan masalah.

SISTEM PAKAR

Sistem Pakar digunakan untuk mendukung pemecahan masalah antara lain :

1. Pembuatan Keputusan (Decision Making)
2. Pemaduan Pengetahuan (Knowledge Fusing)
3. Pembuatan Design (Designing)
4. Perencanaan (Planning)
5. Perkiraan/Prakiraan (Forecasting)
6. Pengaturan (Regulating)
7. Pengendalian (Controling)
8. Diagnosis (Diagnosing)
9. Perumusan (Prescribing)
10. Penjelasan (Explanning)
11. Pemberian Nasihat (Advising)
12. Pelatihan (Tutoring)

Contoh Sistem Pakar :

1. MYCIN : Diagnosa penyakit miningitis & infeksi
2. FOLIO : Membantu memberikan keputusan bagi seorang manager dalam hal stok broker & investasi
3. XCON & XSEL : Membantu konfigurasi sistem komputer besar
4. DELTA : Pemeliharaan lokomotif listrik diesel
5. DENDRAL : Mengidentifikasi struktur molekular

Ciri - ciri Sistem Pakar :

• Terbatas pada bidang yang spesifik
  
• Berdasarkan pada rule atau kaidah tertentu
• Outputnya bersifat nasihat & anjuran
• Outputnya tergantung dari dialog dengan user

Keuntungan Sistem Pakar :

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
• Menyimpan pengetahuan & keahlian para pakar
• Meningkatkan Output & produktifitas
  
• Menghemat waktu & Pengambilan keputusan
• Meningkatkan kualitas

Kelemahan Sistem Pakar :

• Biaya yang diperlukan untuk membuat & memeliharanya sangat mahal
  
• Sulit dikembangkan
• Ketersediaan pakar di bidangnya
• Tidak 100% bernilai benar

Konsep Dasar :

• Keahlian
• Ahli
  
• Pengalihan keahlian
• Aturan
  
• Inferensi

Struktur Sistem Pakar :

• Basis pengetahuan
• Mesin Inferensi
• Blackboard
• Interface pengguna
• Subsistem penjelasan
• Sistem penyaring pengetahuan
  

Selengkapnya......

MATERI 4

PENCARIAN

Materi ini membahas lanjutan dari materi sebelumnya,di materi ini kita akan membahas lebih dalam tentang Pencarian Heuristik

PENCARIAN

Ada empat metode pencarian heuristik :

• Pembangkit dan Pengujian (Generate & Test)
• Pendakian Bukit (Hill Climbing)
• Pencarian terbaik pertama (Best First Search)
• Simulated Annealing

Pencarian terbaik pertama (Best First Search)
Pengertian : Metode best-first search ini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut.
1. Penentuan node berikutnya adalah node yang terbaik yang pernah di bangkitkan
2. Menggunakan informasi

• Biaya perkiraan
Biaya sebenarnya

3. Terdapat dua jenis

• Greedy Best First Search = biaya perkiraan f(n)=h(n)
• A* = f(n)=g(n) + h(n)

Keuntungan :

• Memperbolehkan kembali ke node pada level lebih rendah meskipun node pada level terendah tersebut memiliki nilai heuristik lebih rendah

Untuk mengimplementasikan metode ini menggunakan graph keadaan,dibutuhkan 2 antrian yang berisi node-node yaitu :

• OPEN,Merupakan node yang telah dibangkitkan namun belum di uji
• CLOSED,Merupkan node yang telah di bangkitkan dan telah di uji

ALGORITMA

• Tempatkan node awal A pada antrian OPEN
• Kerjakan langkah-langkah berikut hingga tujuan ditemukan atau antrian OPEN sudah kosong :
• Ambil node terbaik dari OPEN
• Bangkitkan semua successornya
• Untuk tiap-tiap successor kerjakan :
• Jika node tersebut belum pernah dibangkitkan sebelumnya,evaluasi node tersebut dan masukkan ke OPEN;
• Jika node tersebut sudah pernah dibangkitkansebelumnya,ubah parent jika lintasan baru lebih menjanjikan.Hapus node tersebut dari antrian OPEN.
  

Selengkapnya......

MATERI 3

PENCARIAN
Materi ini membahas tentang bagaimana sebuah pencarian data ataupun pelacakan suatu data dengan berbagai macam metode yang ada.

PENCARIAN DAN PELACAKAN

Hal yang terpenting dalam menentukan keberhasilan sistem ceersas adalah kesuksesan fadalam pencarian.
pengertian pencarian : proses mencari solusi dari suatu permasalahan melalui sekumpilan kemungkinan ruang keadaan.
Untuk mengukur performansi metode pencarian,terdapat empat kriteria yang dapat di gunakan :

• Completeness : apakah metode tersebut menjamin penemuan solusi jika solusi memang da ?
• Time Complexity : berapa lama waktu yang diperluakan
• Space Complexity : berapa banyak memori yang diperlukan
• Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda

Dua Teknik Pencarian & Pelacakan

1. Pencarian Buta (Blind Search)

• Pencarian Melebar pertama (Breadth-First Search)
• Pencarian mendalam pertama (Depth-First Search)

2. Pencarian Terbimbing (Heuristic Search)

• Pendakian Bukit (Hill Climbing)
• Pencarian Terbaik Pertama (Best First Search)

PENCARIAN MELEBAR PERTAMA

• Semua node pada level n akan dikunjungi terlebihy dahulusebelum level n+1
• Mulai dari akar terus ke level 1 dari kiri ke kanan
• Keuntungan : Tidak menemui jalan buntu,Menjamin di temukannya solusi yang paling baik,Jika ada satu solusi maka Bredth-First Search akan menemukannya
• Kelemahan : Membutuhkan memori yang cukup banyak

PENCARIAN MENDALAM PERTAMA

• Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel
• Keuntungan : Memori relatif kecil,Secara kebetulan akan menemukan solusi tanpa harus meguji lebih banyak lagi

PENCARIAN HEURISTIK

• Pencarian buta tidak selalu dapat diterapkan dengan baik
• Metode Heuristic Search diharapkan bisa menyelesaikan permasalahan yang lebih besar
• Mettode Heuristic Search menggunakan suatu fungsi yang menghitung biaya perkiraan dari suatu simpul tertentu menuju ke simpul tujuan

Ada 4 Metode Pencarian Heuristik

• Pembangkit & Pengujian (Generate & Test)
• Pendakian bukit (Hill Climbing)
• Pencarian terbaik pertama (Best First Search)
• Simulated Annealing

Pembangkit & Pengujian (Generate & Test)

• Pada prinsipnya metode ini merupakan penggabungan antara Depth-First Search dengan pelacakan mundur,yaitu bergerak ke belakang menuju pada suatu keadaan awal
• Algoritma :
  

1. Bangkitkan suatu kemungkinan solusi
2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara mebandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang di harapkan
3. Jika soulsi ditemukan ,keluar.Jika tidak ulangi langkah pertama

• Kelemahan : Perlu membangkitkan semua kemungkinan sebelum dilakuka pengujian,Membutuhkan Waktu yang lama dalam pencariannya

Pendakian Bukit (Hill Climbing)

• Metode ini hampir sama dengan metode pembangkitan & pengujian hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik
• Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan

Simple Hill Climbing

• Algoritma :

1. Mulai dari keadaan awal, lakukan pengetesan,jika merupakan tujuan maka berhenti dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
2. Kerjakan Llangkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan di aplikasiakan pada keadaan sekarang
3. Cari operator yang belum digunakan sebagai keadann awal
4. Evaluasi keadaan awal tersebut
5. Jika keadaan merupakan tujuan maka keluar
6. Jika bukan keadaan tujuan,namun nilainya lebih baik daripada keadaan sekarang,maka jadikan keadaan baru tersebut menjadi keadaan sekarang.
7. Jika keadaan baru tidak lebih baik daripada keadaan sekarang maka lanjutkan iterasi.
   

Steepest Ascent Hill Climbing

• Steepest Ascent Hill Climbing sebenarnya hampir sama dengan simple hill climbing hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri
  
• Algoritma :

1. Mulai dari keadaan awal lakukan pengujian,jiak merupakan tujuan maka berhenti dan jika tidak,lanjutkan dengan keadaan sekarang sebagai keadaan awal
2. Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan pada keadaan sekarang
3. Tentukan SUCC sebagai nilai heuristic terbaik dari success or successor
4. Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang
   
5. Gunakan operator tersebut dan bentuk keadaan baru
6. Evaluasi keadaan baru tersebut
7. Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang,ubah node SUCC menjadi keadaan sekarang
   

Selengkapnya......

MATERI 2

MASALAH,RUANG KEADAN dan PENCARIAN

Materi ini membahas tentang bagaimana menganalisis suatu masalah,keadaan yang mungkin terjadi serta pencarian penyelesaian suatu masalah dalam membuat project yang berkaitan dengan kecerdasan buatan.

MASALAH,RUANG KEADAAN dan PENCARIAN

SISTEM AI
Input->Computer->output
Masalah->Computer->Jawaban
Pertanyaan->computer->Solusi

MASALAH
untuk membangun sistem yang mampu untuk menyelesaikan suatu masalah perlu mempertimbangkan 4 hal yaitu :

1. Mendefinisikan masalah dengan tepat
2. Menganalisis masalah
3. Mencari beberapa teknik penyelesaian masalah yang sesuai
4. Mempresentasikan pengetahuan yang perlu untuk menyelesaikan maslah
5. Memilih teknik penyelesaian masalah yang terbaik

RUANG KEADAAN (State Space)
Suatu ruang yang berisi semua keadaan yang mungkin sehingga secara umumuntuk mendeskripsikan masalah yang baik harus :

• Mendefinisikan suatu ruang keadaan
• Menetapkan satu atau lebih keadaan awal
• Menetapkan satu atau lebih tujuan
• Menetapkan kumpulan aturan

Ada beberapa cara untuk mempresentasikan Ruang keadan :

• Graph Keadaan
• Pohon Pelacakan

METODE PENCARIAN dan PELACAKAN
Dua Teknik pencarian dan pelacakan :

1. Pencarian Buta(Blind Search)
2. Pencarian Terbimbing (Heuristic Search)
   

Selengkapnya......