Perbaikan UTS. Telah ada tugas, merangkum paper, tujuan: Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH:

Transkripsi

1 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.

2 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 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.

3 Mengenai UAS Materi yang diujikan: Penalaran Fuzzy (Mamdani & Sugeno) Pembelajaran (pembelajaran mesin & jaringan syaraf tiruan) Waktu 75 (?) menit, terbuka (?)

4 Contoh Soal Sistem Fuzzy Husni

5 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.

6 Fungsi Keanggotaan Trapesium & Segitig

7 Contoh: Sprinkler Control System Sensor suhu menerima panas 37 Sensor kelembaban menerima nilai 12% Berapa lama Durasi penyiraman harus dilakukan oleh Sprinkler?

8 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?

9

10 2: Inferensi (Penalaran) Berikut ini rangkuman aturan (rule) yang diberikan pakar Sprinkler, ada kemungkinan output: Lama, Sedang, Singkat. Dingin Sejuk Normal Hangat Panas Kering 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

11 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

12 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

13

14 3: Defuzzification (Mamdani) Y* = (( )*1/5 + ( )*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

15 2: Inferensi (Sugeno) Menggunakan fungsi keanggotaan Singleton. Derajat keanggotaan 1 untuk nilai crisp tertentu dan 0 untuk semua nilai crisp yang lain.

16 Output Model Sugeno

17 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

18 Contoh: Seleksi Penerima Beasiswa Ada 100 beasiswa. Jumlah kandidat ada 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?

19 1: Fuzzification Misal input IPK dibagi menjadi 3: Buruk (0 2.75), Cukup (2 3.25), Bagus (2.75 4)

20 1: Fuzzification Misal input Penghasilan Ortu dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.

21 2: Inferensi Pakar memberikan aturan Nilai Kelayakan (NK) penerima beasiswa berikut: Kecil Sedang Besar Sangat Besar Buruk Rendah Rendah Rendah Rendah Cukup Tinggi Rendah Rendah Rendah Bagus Tinggi Tinggi Rendah Rendah Hanya ada 2: Rendah dan Tinggi. Misal: menggunakan fungsi Trapesium

22 2: Inferensi Gunakan Tabel Aturan, Fungi Keanggotaan Input dan Output untuk NK dari A dan B. Semakin besar NK maka semakin layak menerima beasiswa.

23 ... 3: Defuzzification