KECERDASAN BUATAN DIKTAT

Transkripsi

1

2 DIKTAT Oleh Ir. Hastha Sunardi, MT FASILKOM UNIVERSITAS IGM 2016 i

3 KATA PENGANTAR Puji dan syukur kepada Yang Maha Memiliki Ilmu, yang telah memberikan jalan bagi saya untuk menghimpun Materi Perkuliahan Kecerdasan Buatan dalam bentuk Diktat yang nantinya tidak hanya dapat digunakan dosen dan mahasiswa di lingkungan Fakultas Ilmu Komputer Universitas Indo Global Mandiri (Universitas IGM) namun untuk semua penuntut ilmu yang membutuhkannya. Diktat ini bersifat rangkuman dari beberapa sumber yang kami cantumkan rujukannya, namun materi disusun berdasarkan pengalaman saya yang telah mengajar matakuliah Kecerdasan Buatan (Artificial Intelligence atau AI) ini. Mungkin sedikit saya jelaskan bahwa Kecerdasan Buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika. Seiring terus berkembangnya Bidang Kecerdasan Buatan, maka materi yang terangkum dalam Diktat ini akan terus disesuaikan, sehingga akan dapat memberikan motivasi kepada pembaca untuk lebih bersungguh-sungguh mendalami kecerdasan buatan, mengingat ilmu ini jika diimplementasikan akan memberikan manfaat yang besar bagi kita semua. Palembang, Januari 2016 Penulis ii

4 DAFTAR ISI HALAMAN MUKA i KATA PENGANTAR ii DAFTAR ISI iii BAB 1. PENDAHULUAN Pengertian Konsep Kerja BAB 2. MASALAH DAN RUANG KEADAAN Definisi Refresentasi Ruang Keadaan Metode Pencarian dan Pelacakan Jenis Metode Pencarian dan Pelacakan BAB 3. PENCARIAN Definisi Pencarian Buta Algoritma Pencarian Buta Implementasi Depth First Search Pencarian Heuristik BAB 4. SISTEM PAKAR Pengertian Sistem Pakar Sejarah Sistem Pakar Tujuan Sistem Pakar Struktur Sistem Pakar Penalaran Maju/Mundur BAB 5. LOGIKA FUZZY Definisi Penggunaan Logika Fuzzy Himpunan Fuzzy Jenis Keanggotaan Implementasi Logika Fuzzy DAFTAR PUSTAKA iii

5 1 BAB Pengertian Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal Ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku kecerdasan buatan. 1.2 Konsep Kerja Kecerdasan Buatan (Artificial Intelegence atau AI), biasanya dihubungkan dengan Ilmu Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi, Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan pengetahuan dari semua bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam upaya menciptakan suatu kecerdasan buatan. Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

6 2 Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namu bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula dengan kemampuan menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik. Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin pintar. Lingkup utama kecerdasan buatan: 1. Sistem pakar. Komputer digunakan sebagai saran untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki para pakar 2. Pengolahan bahasa alami. Dengan pengolahan bahasa alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari. 3. Pengenalan ucapan. Melalui pengenalan ucapan diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan suara. 4. Robotika dan Sistem sensor 5. Computer vision, mencoba untuk dapat mengintrepetasikan gambar atau objek-objek tampak melalui komputer 6. Intelligent Computer aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar

7 3 Keuntungan Kecerdasan Buatan : 1. Kecerdasan buatan lebih bersifat permanen. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya. 2. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke orang lain butuh proses dan waktu lama. Disamping itu suatu keahlian tidak akan pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan terletak pada suatu sistem komputer, pengetahuan tersebuat dapat ditransfer atau disalin dengan mudah dan cepat dari satu komputer ke komputer lain 3. Kecerdasan buatan lebih murah dibanding dengan kecerdasan alami. Menyediakan layanan komputer akan lebih mudah dan lebih murah dibanding dengan harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama. 4. Kecerdasan buatan bersifat konsisten. Hal ini disebabkan karena kecerdasan busatan adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah. 5. Kecerdasan buatan dapat didokumentasikan. Keputusan yang dibuat komputer dapat didokumentasikan dengan mudah dengan melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi. 6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibanding dengan kecerdasan alami 7. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan alami. Keuntungan kecerdasan alami: 1. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun 2. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik 3. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas.

8 4 Beberapa program AI ( ) - Logic Theorist, diperkenalkan pada Dartmouth Conference, dapat membuktikan teoremateorema matematika Sad Sam (Robert K Lindsay 1960), dapat mengetahui kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban berdasarkan fakta yang didengar dalam sebuah percakapan.

9 5 1.1 Definisi Masalah dalam kecerdasan buatan adalah masalah yang dapat dikonversi ke dalam ruang keadaan (mempunyai keadaan awal dan keadaan tujuan) menggunakan sekumpulan aturan tertentu. Sedangkan ruang keadaan adalah suatu ruang yang berisi semua keadaan yang mungkin. Untuk membangun system yang mampu menyelesaikan masalah, perlu dipertimbangkan 4 hal : 1. Mendefinisikan masalah dengan tepat Spesifikasi yang tepat mengenai keadaan awal Solusi yang diharapkan 2. Menganalisis masalah serta mencari beberapa teknik penyelesaian masalah yang sesuai 3. Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah 4. Memilih teknik penyelesaian masalah yang terbaik Posisi Awal : Selalu sama Aturan Legal : Aturan aturan sangat berguna untuk menentukan gerak suatu bidak Untuk mempermudah, Horisontal = Huruf (a,b,c,d,e,f,g,h) Vertical = Angka (1,2,3,4,5,6,7,8) Sebagai contoh : bidak (e,2) ke (e,4)

10 6 IF Bidak putih pada Kotak(e,2), AND Kotak(e,3) Kosong, AND Kotak(e,4) Kosong Then Gerakkan bidak dari (e,2) ke (e,4) Tujuan/Goal : Posisi pada papan catur yang menunjukkan kemenangan seseorang terhadap lawannya. Ditandai posisi Raja yang sudah tidak bisa bergerak lagi. Untuk mendeskripsikan masalah dengan baik, kita harus : Mendefinisikan suatu ruang keadaan Menetapkan satu atau lebih keadaan awal Menetapkan satu atau lebih tujuan Menetapkan kumpulan aturan 2.2 Refresentasi Ruang Keadaan Graph Keadaan Terdiri dari node node yang menunjukkan keadaan yaitu keadaan awal dan keadaan baru yang akan dicapai dengan menggunakan operator. Node node saling dihubungankan dengan menggunakan arc (busur) yang diberi anak panah untuk menunjukkan arah. Contoh lintasan dari M ke T

11 7 M-A-B-C-E-T, M-A-B-C-E-H-T, M-D-C-E-T, M-D-C-E-H-T Yang tidak sampai M-A-B-C-E-F-G, M-A-B-C-E-I-J, M-D-C-E-F-G, M-D-C-E-I-J, M-D-I-J Pohon Pelacakan Struktur pohon digunakan untuk menggambarkan keadaan secara hirarkis Terdiri dari beberapa node, level 0 disebut akar atau keadaan awal Node akar : menunjukkan keadaan awal & memiliki beberapa percabangan yang terdiri atas beberapa node yg disebut anak. Node-node yg tidak memiliki anak disebut daun menunjukkan akhir dari suatu pencarian, dapat berupa tujuan yang diharapkan (goal) atau jalan buntu (dead end). Contoh : Petani, Sayur, Kambing dan Serigala Seorang petani akan menyeberangkan seekor kambing, seekor serigala, dan sayur-sayuran dengan sebuah boat yang melalui sungai. Boat hanya bisa memuat petani dan satu penumpang yang lain (kambing, serigala atau sayursayuran). Jika ditinggalkan oleh petani tersebut, maka sayur-sayuran akan dimakan oleh kambing, dan kambing akan dimakan oleh serigala.

12 8 Penyelesaian masalah secara umum Mendefinisikan suatu ruang keadaan; Menetapkan satu atau lebih keadaan awal; Menetapkan satu atau lebih tujuan; Menetapkan kumpulan aturan. Penyelesaian Identifikasi ruang keadaan Permasalahan ini dapat dilambangkan dengan (JumlahKambing, JumlahSerigala, JumlahSayuran, JumlahBoat). Sebagai contoh: Daerah asal (0,1,1,1) berarti pada daerah asal tidak ada kambing, ada serigala, ada sayuran, dan ada boat. Keadaan Awal Daerah asal: (1,1,1,1) Daerah seberang: (0,0,0,0) Tujuan Daerah asal: (0,0,0,0) Daerah seberang: (1,1,1,1)

13 9 Aturan-aturan : Penyelesaian : 2.3 Metode Pencarian dan Pelacakan Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state space). Ruang keadaan = merupakan suatu ruang yang berisi semua keadaan yang mungkin.

14 10 Untuk mengukur perfomansi metode pencarian, terdapat empat kriteria yang dapat digunakan : Completeness : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada? Time complexity : berapa lama waktu yang diperlukan? Space complexity : berapa banyak memori yang diperlukan Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda? 2.4 Jenis Metode Pencarian dan Pelacakan Dua teknik pencarian dan pelacakan Pencarian buta (blind search) Pencarian melebar pertama (Breadth First Search) Pencarian mendalam pertama (Depth First Search) Pencarian terbimbing (heuristic search) Pendakian Bukit (Hill Climbing) Pencarian Terbaik Pertama (Best First Search) Pencarian Melebar Pertama (Breadth-First Search) Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1 Mulai dari akar terus ke level 1 dari kiri ke kanan Kemudian ke level selanjutnya hingga solusi ditemukan

15 11 Keuntungan Tidak akan menemui jalan buntu Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti yang paling baik Jika ada satu solusi maka bread-first search akan menemukannya Kelemahannya Membutuhkan memori yang cukup banyak Membutuhkan waktu yang cukup lama Pencarian mendalam pertama (Depth-First Search) Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel Keuntungan Memori yang relatif kecil Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi Pencarian buta (Blind search) Kekurangan Memungkinkan tidak ditemukannya tujuan yang diharapkan Hanya akan mendapatkan 1 solusi pada setiap pencarian

16 12 Solusi Tugas 3 Kanibal & 3 Misionaris Meyebrangkan semuanya ke sebrang Jika terdapat lebih banyak kanibal pada satu sisi, maka misionaris akan dimakan oleh kanibal Jika M = Misionaris K = Kanibal M >= K pada satu sisi

17 13

18 Definisi Searching di dalam AI (Artificial Intelligence) adalah salah satu motode penyelesaian masalah dengan pencarian solusi pada suatu permasalahan yang dihadapi. Pelacakan adalah teknik untuk pencarian. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan tidak menemukan. Sehingga pencarian merupakan teknik yang penting dalam AI. Hal penting dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah kesuksesan dalam pencarian dan pencocokan. Pencarian adalah suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan kemungkinan ruang keadaan (state place). Ruang keadaan merupakan suatu ruang yang berisi semua keadaan yang mungkin. Untuk mengukur performansi metode pencarian, terdapat empat kriteria yang dapat digunakan : Completeness (Kelengkapan) : apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada? Time compexity (Kekompleksan waktu) : berapa lama waktu yang diperlukan? Space complexity (Kekompleksan ruang) : berapa banyak memori yang di perlukan? Optimality (Optimal) : apakah metode tersebut menjamin menemukan solusi yang terbaik jika beberapa solusi berbeda? Ada beberapa teknik pelacakan : Pencarian Buta (Blind Search) 1. Pencarian Melebar Pertama (Breadth-First Search) 2. Pencarian Mendalam Pertama (Depth-First Search) Pencarian Terbimbing/Heuristik (Heuristic Search) 1. Pembangkitan dan Pengujian (Generate And Test) 2. Pendakian Bukit (Hill Climbing) 3. Pencarian Terbaik Pertama (Best-First Search) 4. Simulated Annealing

19 Pencarian Buta (Blind Search) Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki inforamasi awal, model pencarian ini memiliki tiga ciri ciri utama yaitu: Membangkitkan simpul berdasarkan urutan Kalau ada solusi maka solusi akan ditemukan Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui). Blind Search dan Heuristic Search merupakan sub bahasan yang sifatnya fundamental dalam mata kuliah Kecerdasan Buatan (Artificial Intelligence). Bahkan dalam dunia nyata, kita sering dituntut untuk berpikir dengan cara-cara tersebut. Seperti ketika bermain puzzle, catur, kubus cerdas, atau mengira-ngira rute perjalanan mana yang akan kita tempuh. Semua itu terkait dengan otak kita yang sudah otomatis berpikir dengan algoritma blind search atau heuristic search, atau bahkan lebih kompleks lagi. Lalu apa yang membedakan Blind Search dan Heuristic Search? Blind Search merupakan pencarian asal ketemu. Jika solusi sudah ketemu, maka pencarian akan dihentikan. Jika dibuat skemanya, pencarian buta hanya mengenal tiga bagian, [masalah]- [pencarian]-[solusi]. Misalkan dalam kotak ada 3 kelereng warna merah, 3 biru, dan 3 kuning. Masalahnya adalah, ambillah satu kelereng yang berwarna merah. Solusi, setelah melakukan pencarian, kemudian didapat satu kelereng warna merah, nah, itulah solusinya. Berbeda dengan Heuristic Search, Heuristic Search adalah pencarian bersyarat (terbimbing). Artinya, solusi yang diperoleh adalah solusi yang terbaik, bukan solusi sekali ketemu. Bagianbagiannya adalah [masalah]-[pencarian]-[syarat]-[solusi]. Misal contoh masalah pada kasus di atas, Ambillah kelereng merah yang tidak pecah dan tidak lonjong. Sehingga ketika ketemu kelereng merah dan ada pecahnya, itu masih bukan solusi karena tidak sesuai dengan syarat (tidak pecah dan tidak lonjong).

20 16 Sehingga perbedaan mendasar dari Blind Search dan Heuristic Search adalah : Blind Search merupakan pencarian biasa, sedangkan Heuristic Search adalah pencarian bersyarat Variabel data pada Blind Search tidak mempunyai atribut / informasi tambahan, sedangkan pada Heuristic Search memiliki. Contoh pada kasus di atas, "pecah" dan "lonjong" merupakan atribut dari "kelereng". Konsep Blind Search dan Heuristic Search memiliki beberapa penerapan algoritma. Algoritma yang termasuk Blind Search yaitu Breadth First Search (BFS), Depth First Search (DFS), Uniform Cost Search (UCS), Depth-Limited Search (DLS), Iterative-Deeping Search (IDS), dan Bi-directional search (BDS). Hanya saja yang paling banyak dibahas adalah Breadth First Search (BFS) dan Depth First Search (DFS). Sedangkan untuk contoh algoritma Heuristic Search yaitu Generate and Test, Simple Hill Climbing, Steepest-Ascent Hill Climbing, Simulated Annealing, Greedy, Best-First Search, dan A* (A Star). 1.3 Algoritma Pencarian Buta Pencarian buta merupakan sekumpulan prosedur yang digunakan dalam melacak ruang keadaan. Pencarian berlangsung sampai solusi terakhir ditemukan. Idenya adalah menguji seluruh kemungkinan yang ada untuk menemukan solusi. Adapun algoritma untuk masing-masing pencarian buta adalah : 1). Pencarian Melebar Pertama (Breadth-First Search) Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan sampai ditemukannya solusi. Algoritma : Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

21 17 Bila node pertama, jika GOAL, diganti dengan anak-anaknya dan diletakkan di belakang per level Bila node pertama = GOAL, selesai Keuntungan : Tidak akan menemui jalan buntu Jika ada satu solusi, maka breadth first search akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan. Kelemahan : Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon Kemungkinan ditemukan optimal local 2). Pencarian Mendalam Pertama (Depth-First Search) Pada Depth First Search, proses pencarian akan dilaksanakan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi. Algoritma : Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree Bila node pertama, jika GOAL, node dihapus diganti dengan anak-anaknya dengan urutan L Child Bila node pertama = GOAL, selesai Keuntungan : Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan Menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

22 18 Kelemahan : Kemungkinan terjebak pada optimal lokal Hanya akan mendapatkan 1 solusi pada setiap pencarian 3). Pencarian dengan Mendaki Bukit (Hill Climbing Search) Algoritma : Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree Bila node pertama, jika GOAL, node dihapus diganti dengan anak-anaknya dengan urutan yang paling kecil jaraknya Bila node pertama = GOAL, selesai Keuntungan : Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan Metode hill climbing search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan Kerugian : Algoritma akan berhenti kalau mencapai nilai optimum lokal Perlu menentukan aturan yang tepat 4). Pencarian dengan Best-First Search Algoritma : Bila sebuah antrian, inisialisasi node pertama dengan Root dari tree Bila node pertama, jika GOAL, node dhapus dan diganti dengan anak-anaknya. Selanjutnya keseluruhan node yang ada di Queu di-sort Ascending Bila node pertama = GOAL, selesai Keuntungan : Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan aktif saja yang dismpan

23 19 Secara kebetulan, metode best first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan Kerugian : Algoritma akan berhenti kalau mencapai nilai optimum lokal Tidak diijinkan untuk melihat satupun langkah sebelumnya 1.4 Implementasi Depth First Search Depth First Search (DFS) merupakan algoritma dasar pada model pencarian Blind Search. DFS termasuk ke dalam model pencarian apa adanya dan asal ketemu. Pada DFS, semua kemungkinan akan dipetakan atau digenerate. Karena solusi yang akan dicapai berbentuk pohon solusi, maka alur pemetaannya adalah diambil dari yang terdalam. Proses pencariannya adalah kebawah dahulu, baru ke samping. Konsep ini kebalikan dari BFS (Breath First Search) yang proses pencariannya kesamping dulu, balu ke bawah (dalam). Oke kita langsung implementasi dan analisa untuk membuktikan alurnya. Harapannya semoga kita semua lebih memahami bagaimana alur DFS dan menyelaraskan antara teori dan implementasinya. Untuk contohnya sederhana sih, kita membuat struktur organisasi, kemudian kita urutkan data pejabat dalam struktur tersebut menggunakan algoritnya DFS, kita urutkan posisinya sesuai dengan algortma DFS. Perhatikan gambar berikut: Berdasarkan teori DFS, yang dicari berawal simpul terdalam / paling awal terlebih dahulu. Setelah itu merambat satu-persatu ke simpul paling ujung. Jadi model pnecariannya adalah menurun. Berbeda dengan BFS yang alur pencariannya menyamping. Alur pencarian pada struktur diatas adalah sebagai berikut:

24 20 Dari Agus, setelah dicek Agus ternyata mempunyai dua bawahan. Periksa bawahan Agus yang pertama, namanya Novan, setelah dicek, Novan punya dua bawahan juga. Periksa bawahan Novan yang pertama, namanya Syauqil, setelah dicek, Syauqil adalah posisi paling bawah / ujung. Periksa bawahan Novan yang kedua, namanya Aji, setelah dicek, dia juga ada di posisi paling bawah sekaligus yang terakhir. Berikutnya periksa bawahan Agus yang kedua, namanya Budi, setelah dicek, ternyata dia punya tiga bawahan. Bawahan Budi yang pertama adalah Wildan dan dia tidak punya bawahan lagi (posisi paling bawah). Bawahan Budi yang kedua adalah Ni'am dan dia juga ada di posisi paling bawah. Bawahan Budi yang ketiga adalah Bayu dan dia juga di posisi paling bawah sekaligus akhir dari pencarian. Script di bawah ini adalah contoh dari DFS yang dibuat dengan PHP. Data yang dipakai adalah data array yang sudah diatur seperti struktur jabatan. Data array ini juga bisa digantikan dengan database. Berikut hasil dari script di bawah ini: 1. <?php 2. /* 1 3. * / \ 4. * * / \ \ \ 6. * * 8. */ $ar[1]['parent']=0; 11. $ar[1]['value']=1; 12. $ar[1]['nama']='agus'; 13. $ar[1]['posisi']='ketua'; $ar[2]['parent']=1; 16. $ar[2]['value']=2; 17. $ar[2]['nama']='novan'; 18. $ar[2]['posisi']='wakil 1'; $ar[3]['parent']=1; 21. $ar[3]['value']=3;

25 $ar[3]['nama']='budi'; 23. $ar[3]['posisi']='wakil 2'; $ar[4]['parent']=2; 26. $ar[4]['value']=4; 27. $ar[4]['nama']='syauqil'; 28. $ar[4]['posisi']='anggota'; $ar[5]['parent']=2; 31. $ar[5]['value']=5; 32. $ar[5]['nama']='aji'; 33. $ar[5]['posisi']='anggota'; $ar[6]['parent']=3; 36. $ar[6]['value']=6; 37. $ar[6]['nama']='wildan'; 38. $ar[6]['posisi']='anggota'; $ar[7]['parent']=3; 41. $ar[7]['value']=7; 42. $ar[7]['nama']='ni\'am'; 43. $ar[7]['posisi']='anggota'; $ar[8]['parent']=3; 46. $ar[8]['value']=8; 47. $ar[8]['nama']='bayu'; 48. $ar[8]['posisi']='anggota'; function dfs($arr,$parent,$base){ 51. global $explc; 52. global $explv; 53. $explc++; for($a=1; $a<=count($arr); $a++){ 56. if($parent==0){ 57. $explv[$explc]['parent'] = $arr[$a-1]['parent']; 58. $explv[$explc]['value'] = $arr[$a-1]['value']; 59. $explv[$explc]['nama'] = $arr[$a-1]['nama']; 60. $explv[$explc]['posisi'] = $arr[$a-1]['posisi']; $explv[$explc]['base'] = $base; 63. } 64. if($arr[$a]['parent']==$parent){ 65. $explv[$explc]['parent'] = $arr[$a]['parent']; 66. $explv[$explc]['value'] = $arr[$a]['value']; 67. $explv[$explc]['nama'] = $arr[$a]['nama']; 68. $explv[$explc]['posisi'] = $arr[$a]['posisi']; $explv[$explc]['base'] = $base; 71. $base++; 72. dfs($arr,$arr[$a]['value'],$base); 73. $base--; 74. } 75. }

26 } function menjorok($jumlah,$tanda){ 79. for($a=0;$a<$jumlah;$a++) echo $tanda; 80. } echo "\n"; 83. global $explv,$explc; 84. $explc = -1; 85. dfs($ar,0,0); 86. for($a=0; $a<$explc; $a++){ 87. echo menjorok($explv[$a]['base'],' ').$explv[$a]['nama']." (".$explv[$a]['posisi'].")\n"; 88. } 89. unset($explc); 90. unset($explv); 91.?> 1.5 Pencarian Heuristik Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinn dan mengorbankan kelengkapan (completeness). Fungsi heuristik digunakan untuk mengevaluasi keadaankeadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. Jenis-jenis Heuristic Searching: 1. Generate and Test. 2. Hill Climbing. 3. Best First Search. 4. Alpha Beta Prunning,Means-End-Anlysis,Constraint Satisfaction, Simulated Anealing, dll

27 23 Pembangkitan dan Pengujian (Generate and Test) Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak kebelakang menuju pada suatu keadaan awal. Algoritma: Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal). Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama. Contoh: Travelling Salesman Problem (TSP) Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat 1 kal i. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini: Penyelesaian dengan metode Generate and Test

28 24 Pendakian Bukit (Hill Climbing) Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin. Algoritma Simple Hill Climbing Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang: Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru. Evaluasi keadaan baru tersebut : Jika keadaan baru merupakan tujuan, keluar Jika bukan tujuan, namun nilainya lebih baik dari pada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang. Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

29 25 Pada Simple Hill Climbing, ada 3 masalah yang mungkin: Algoritma akan berhenti kalau mencapai nilai optimum local Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi Tidak diijinkan untuk melihat satupun langkah sebelumnya. Contoh: TSP dengan Simple Hill Climbing Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi l intasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak: atau sebanyak 6 kombinasi (lihat gambar dibawah). Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi

30 26 Pencarian Terbaik Pertama (Best-First Search) Metode ini merupakan kombinasi dari metode depth-first search dan breadth-first search. Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk. Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan : f (n) = g(n)+ h (n) dimana : f = Fungsi evaluasi g = cost dari ini tial state ke current state h = prakiraan cost dari current state ke goal state Contoh : Misalkan kita memiliki ruang pencarian seperti pada gambar dibawah. Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M dengan node A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h di node A merupakan hasil perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h (n) bernilai ~ jika sudah jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita bisa mengurut nilai untuk setiap node.

31 27

32 28 BAB Pengertian Sistem Pakar Sistem pakar adalah program komputer yang menggunakan pengetahuan pakar untuk mencapai tingkat kinerja yang tinggi pada area yang sempit (Waterman, 1986). Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli (Sri Kusumadewi, 2003, hal 109). Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel & Simon (Turban, 1995). Gambar 4.1 Ilustrasi Sistem pakar Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan orang awam. Contohnya dokter, mekanik, psikolog, dan lain-lain.

33 Sejarah Sistem Pakar Tahap revolusi komputer yang melahirkan sistem pakar sebenarnya dimulai pada awal tahun 70- an, dalam bentuk kemajuan perangkat keras komputer yang ditujukan untuk membuat harga komputer menjadi lebih murah bahkan di bawah prediksi ilmuwan yang paling optimis. Sementara spesialis perangkat keras komputer mengembangkan teknologi microchip, spesialis perangkat lunak orang-orang yang merancang dan membangun program untuk mengontrol komputer meletakkan dasar untuk sebuah terobosan dalam bidang perangkat lunak. Tapi terobosan ini bukan dalam bentuk penemuan cara baru untuk menyandikan informasi dengan sinar laser atau pengembangan microchip yang lebih kecil dan lebih cepat. Penemuan ini lebih mengacu pada terobosan konseptual dalam bidang ilmu komputer dikenal sebagai kecerdasan buatan-kcb. Tujuan dari KCB adalah untuk mengembangkan program komputer yang dapat berpikir berdasar akal manusia, yaitu memecahkan masalah dengan cara yang dianggap cerdas jika dilakukan oleh manusia. Sistem pakar adalah hasil dari upaya penelitian selama 20 tahun untuk menentukan sifat program dalam sistem pakar itu sendiri. Di awal tahun 60-an, ilmuwan KCB berusaha untuk merangsang proses pemikiran yang sulit dengan cara menemukan metode umum untuk menyelesaikan masalah dengan rentang yang luas; ilmuwan menggunakan metode ini untuk program kepentingan umum. Namun, meski terdapat beberapa kemajuan yang menarik, strategi ini tidak menghasilkan terobosan baru. mengembangkan program kepentingan umum dirasakan sangat sulit dan tidak menghasilkan sesuatu yang diharapkan. Semakin banyak kelas masalah yang dapat ditangani oleh sebuah program, maka akan semakin buruk penanganan program tersebut dalam satu masalah tertentu. Ilmuwan KCB memutuskan harus ada cara lain untuk membuat program computer menjadi lebih cerdas. Jika untuk membuat program kepentingan umum dirasa cukup sulit, maka ilmuwan mulai berkonsentrasi untuk mengembangkan metode general atau teknik general yang digunakan pada program yang lebih khusus. Jadi, selama tahun 70-an, peneliti lebih memfokuskan pengembangan dalam teknik-teknik seperti representasi bagaimana untuk memformulasikan masalah sehingga menjadi lebih mudah untuk dipecahkan dan pencarian bagaimana untuk mengontrol pencarian untuk mencari solusi secara cerdas, sehingga proses pencarian yang

34 30 dilakukan tidak akan menggunakan memori komputer yang berlebihan. Namun sekali lagi, strategi ini menciptakan beberapa kemajuan, namun tidak mendapatkan terobosan baru. Hal ini berlangsung sampai akhir dekade 70-an, di mana ilmuwan KCB mulai menyadari suatu hal yang sangat penting: kemampuan penyelesaian masalah dalam suatu program berasal dari pengetahuan yang dimilikinya, bukan dari formalitas dan skema inferensi yang digunakan. Terobosan konseptual dibuat, dan dapat dinyatakan dengan cukup sederhana. Untuk membuat program yang cerdas, sediakan program tersebut dengan pengetahuan spesifik yang berkualitas tentang bidang-bidang masalah tertentu. Kesadaran ini menyebabkan pengembangan program komputer yang mempunyai tujuan khusus, sistem yang menjadi pakar dalam masalah-masalah tertentu. Program ini kemudian disebut sebagai sistem pakar, dan memulai bidang baru dalam lingkup ilmu komputer. Saat ini sudah banyak sistem pakar yang telah dibuat dan di kembangkan di berbagai bidang, seperti: kedokteran, pertanian, ekonomi, elektronika, komputer dan lain-lain. Salah satu sistem pakar yang terkenal adalah MYCIN. MYCIN adalah sistem pakar berbasis-aturan yang mendiagnosis infeksi bakteri pada darah. Sistem ini dikembangkan oleh kelompok peneliti Stanford University pada tahun 1970-an. Dengan bertanya dan melakukan backwardchaining pada basis aturan yang terdiri dari sekitar 500 aturan, MYCIN dapat mengenali sekitar 100 penyebab infeksi bakteri. Dengan demikian MYCIN dapat merekomendasi resep obat yang efektif. MYCIN ini dikembangkan di bidang kedokteran oleh dr. Edward H. Shortliffe di Standford Medical School. Penelitian yang lainnya yaitu sistem pakar yang digunakan untuk mendiagnosis penyakit TBC pada anak. Sistem pakar untuk menangani penyakit TBC pada anak tersebut dirancang untuk memberikan fasilitas diagnosis penyakit anak yang memiliki gejala seperti TBC. Hasil diagnosis memungkinkan untuk diklasifikasikan oleh sistem ke dalam salah satu jenis TBC, namun tidak menutup kemungkinan sistem akan menentukan bahwa pasien bukan menderita penyakit TBC, melainkan penyakit lainnya.

35 Tujuan Sistem Pakar Sistem pakar (expert system) sendiri merupakan paket perangkat lunak atau paket program komputer yang ditujukan sebagai penyedia nasihat dan sarana bantu dalam memecahkan masalah di bidang-bidang spesialisasi tertentu seperti sains, perekayasaan, matematika, kedokteran, pendidikan dan sebagainya. Sistem pakar merupakan merupakan subset dari Artificial Intelegence (Arhami, 2005). Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Beberapa aktivitas pemecahan masalah yang dimaksud seperti (Lestari, 2012): 1. Interpretasi. Membuat kesimpulan atau deskripsi dari sekumpulan data mentah. Pengambilan keputusan dari hasil observasi, termasuk pengenalan ucapan, analisis citra, interpretasi sinyal, dll. 2. Prediksi. Memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu. Contoh: prediksi demografi, prediksi ekonomi, dll. 3. Diagnosis. Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang teramati diagnosis medis, elektronis, mekanis, dll. 4. Perancangan (desain). Menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu. Contoh: perancangan layout sirkuit, bangunan. 5. Perencanaan. Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu. Contoh: perencanaan keuangan, militer, dll. 6. Monitoring. Membandingkan hasil pengamatan dengan kondisi yang diharapkan. Contoh: computer aided monitoring system. 7. Debugging. Menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi. Contoh: memberikan resep obat terhadap kegagalan. 8. Instruksi. Mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subjek. Contoh: melakukan instruksi untuk diagnosis dan debugging. 9. Kontrol. Mengatur tingkah laku suatu environment yang kompleks. Contoh: melakukan kontrol terhadap interpretasi, prediksi, perbaikan dan monitoring kelakukan sistem.

36 Struktur Sistem Pakar Sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi (Kusumadewi, 2003: ). Struktur Sistem pakar Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar pada gambar di atas dijelaskan sebagai berikut: a. Antarmuka Pengguna (User Interface) Antarmuka merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima dari sistem dan menyajikannya ke dalam bentuk yang dapat dimengerti oleh pemakai. b. Basis Pengetahuan

37 33 Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. c. Akuisisi Pengetahuan (Knowledge Acquisition) Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian, dan pengalaman pemakai. d. Mesin/Motor Inferensi (Inference Engine) Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan. e. Workplace/Blackboard Workplace merupakan area dari sekumpulan memori kerja (working memory), digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara. f. Fasilitas Penjelasan Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar, digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan. g. Perbaikan Pengetahuan Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya dan juga mengevaluasi apakah pengetahuan-pengetahuan yang ada masih cocok untuk digunakan di masa mendatang.

38 Penalaran Maju / Mundur Metode forward Chaining dan backward chaining merupakan dua teknik penalaran yang biasa digunakan dalam sistem pakar. Metode backward chaining adalah pelacakan kebelakang yang memulai penalarannya dari kesimpulan (goal), dengan mencari sekumpulan hipotesa-hipotesa menuju fakta-fakta yang mendukung sekumpulan hipotesa-hipotesa tersebut. Sedangkan metode forward chaining adalah pelacakan ke depan yang memulai dari sekumpulan fakta-fakta dengan mencari kaidah yang cocok dengan dugaan/hipotesa yang ada menuju kesimpulan. Pengertian metode forward dan backward chaining di atas, bisa juga dijelaskan seperti di bawah ini (ebook kecerdasaan tiruan, yang bisa Anda download di bawah artikel ini) Metode Penalaran Maju (Forwards Chaining Method) Kadang disebut: data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika AND dan OR sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan. Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis Metode Penalaran Mundur (Backward Chaining Method) Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backwards Chaining inference engine sering disebut: Object-Driven/Goal Driven. Catatan: inference engine adalah bagian dari sistem pakar yang mencoba menggunakan informasi yang diberikan untuk menemukan objek yang sesuai. Inference engine mempunayi 2 kategori yaitu deterministic dan probabilistik. Sedangkan dasar untuk membentuk inference engine

39 35 diantaranya: forwards chaining, backwards chaining dan rule value (merupakan pendahulu dari forward dan backward chaining). Backward Chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Contoh forward dan backward chaining dikutip dari Idhawati Hestiningsih R1 : IF suku bunga turun THEN harga obligasi naik R2 : IF suku bunga naik THEN harga obligasi turun R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah R4 : IF dolar naik THEN suku bunga turun R5 : IF dolar turun THEN suku bunga naik R6 : IF harga obligasi turun THEN beli obligasi Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sebagai berikut : Forward Chaining Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2 suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun, maka kesimpulan yang diambil adalah membeli obligasi. Backward Chaining Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6 diperoleh anteseden harga obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik bernilai benar. Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena diketahui fakta dolar turun.

40 36 Kedua teknik penalaran di atas (forward dan backward chaining) dipengaruhi oleh tiga macam teknik penelusuran (searching) yaitu: 1. Teknik Depth-First Search Adalah teknik penelusuran data pada node-node secara vertical dan sudah terdefinisi, misalnya kiri ke kanan, keuntungan pencarian dengan teknik ini adalah bahwa penelurusan masalah dapat di gali secara mendalam sampai di temukannya kapasitas suatu solusi yang optimal. Kekurangan teknik penelesuran ini adalah membutuhkan waktu yang sangat lama untuk ruang lingkup masalah yang besar. Gambar Teknik Depth First Search 2. Teknik Breadth-First Search Adalah teknik penelusuran data pada semua node dalam satu level atau salah satu tingkatan sebelum ke level atau tingkatan di bawahnya. Keuntungan pencarian daengan teknik ini adalah sama dengan depth first search, hanya saja penelusuran dengan tehnik ini mempunyai nilai tambah, dimana semua node akan di cek secara menyeluruh pada setiap tingkatan node. Kekurangan teknik penelusuran ini terletak pada waktu yang dibutuhkan yang sangat lama apabila solusi berada dalam posisi node terakhir sehingga menjadi tidak efisien. Kekurangan dalam implementasi juga perlu di pertimbangkan, misalnya teknik penelusuran menjadi tidak interaktif antara suatu topik dengan topik yang lain atau harus melompat dari satu topik ke topik yang lain sebelum topik tersebut selesai di telusuri.

41 37 Gambar Teknik Breadth First Search 3. Teknik Best-First Search Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk melakukan panduan pencarian ke arah node tempat dimana solusi berada. Pencarian jenis ini dikenal juga sebagai heuristic. Pendekatan yang dilakukan adalah mencari solusi yang terbaik berdasarkan pengetahuan yang dimiliki sehingga penelusuran dapat ditentukan harus di mulai dari mana dan bagaimana menggunakan proses terbaik untuk mencari solusi. Keuntungan jenis pencarian ini adalah mengurangi beban komputasi karena hanya solusi yang memberikan harapan saja yang diuji dan akan berhenti apabila solusi sudah mendekati yang terbaik. Ini merupakan model yang menyerupai cara manusia mengambil solusi yang dihasilkan merupakan solusi yang mutlak benar. Gambar Teknik Best First Search

42 38 Artikel singkat pengertian metode forward dan backward chaining sistem pakar diatas, merupakan gambaran singkat dari landasan untuk pembuatan aplikasi sistem pakar. Latihan Soal : Ada dua metode inferensi yang dapat digunakan, yaitu: Forward Chaining Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Contoh : Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu : R1 : if A and B then C R2 : if C then D R3 : if A and E then F R4 : if A then G R5 : if F and G then D R6 : if G and E then H R7 : if C and H then I R8 : if I and A then J R9 : if G then J R10 : if J then K Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K bernilai benar. Proses penalaran forward chaining terlihat pada gambar dibawah :

43 39. Gambar Forward Chaining Backward Chaining Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. Contoh : Seperti pada contoh forward chining, terdapat 10 aturan yang sama pada basis pengetahuan dan fakta awal yang diberikan hanya A dan E. ingin membuktikan apakah K bernilai benar. Proses penalaran backward chaining terlihat pada gambar berikut :.. Gambar Backward Chaining Contoh KASUS Sistem Pakar Penasehat Keuangan Kasus : user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM? Variabel-variabel yang digunakan: A = memiliki uang $ untuk investasi B = berusia < 30 tahun C = tingkat pendidikan pada level college D = pendapatan minimum pertahun $ E = investasi pada bidang Sekuritas (Asuransi) F = investasi pada saham pertumbuhan (growth stock) G = investasi pada saham IBM

44 40 Setiap variabel dapat bernilai TRUE atau FALSE FAKTA YANG ADA: Diasumsikan si user (investor) memiliki data: o Memiliki uang $ (A TRUE) o Berusia 25 tahun (B TRUE) Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock? RULES R1 : IF seseorang memiliki uang $ untuk berinvestasi AND dia berpendidikan pada level college THEN dia harus berinvestasi pada bidang sekuritas R2 : IF seseorang memiliki pendapatan per tahun min $ AND dia berpendidikan pada level college THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks) R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham pertumbuhan R4 : IF seseorang berusia 22 tahun THEN dia berpendidikan college R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM. Rule simplification: R1: IF A and C, THEN E R2: IF D and C, THEN F R3: IF B and E, THEN F R4: IF B, THEN C R5: IF F, THEN G Solusi dengan Forward Chaining : Step I : IF A and C Then E = R1 Step II : IF B then C A,B,C -> True = R4 Step III : If A and C then E A,B,C -> True = R2 Step IV : If B ad E then F A,B,C,E,F -> true = R3 step V : if F then G. G->True

45 41 Kesimpulan : Cocok untuk investasi saham IBM Solusi dengan Backward Chaining : Kebalikan dari Forward Chaining Penyelesaian Soal Lain : Backward Chaining Sekarang mari kita membahas dari topik sebelumnya yaitu Forward Chaining. Apakah ada yang masih ingat tentang Forward Chaining? Sebelum membahas tentang Forward Chaining mari kita ulas sebentar tentang definisi Forward Chaining. Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai (bernilai TRUE) maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru diperoleh konklusi. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Intinya adalah forward chaining adalah dari Data ke Tujuan/goal. Contoh: A1 = suhu tubuh >= 38 0 C A2 = batuk A3 = pilek A4 = batuk yang terus menerus A5 = nafas berbunyi P1 = demam biasa P2 = batuk biasa P3 = influensa / infeksi virus P4 = batuk rejan P5 = infeksi saluran nafas Kaidah kaidah pada basis pengetahuan meliputi : R1 = IF A1 THEN P1

46 42 R2 = IF A2 THEN P2 R3 = IF P1 AND (P1 OR A3) THEN P3 R4 = IF P3 AND A4 THEN P4 R5 = IF P3 And A5 THEN P5 Fakta fakta yang diperoleh dari unsur adalah demam, batuk, dan batuk tersebut lebih sering di malam hari (A1, A2,A4) Jelaskan bagaimana sisitem pakar memperoleh kesimpulan jika tehnik inferensi yang digunakan adalah : Pelacakan yang berawal dari data (forward chaining) Pelacakan yang berawal dari kesimpulan (backward chaining) Langkah- langkan forward chaining : Langkah1 : A1, A2, A4 adalah fakta Cari fakta baru yang memiliki A1 dan A2 pada sisi JIKA R1 = IF A1 THEN P1 R2 = IF A2 THEN P2 Fakta baru yang ada P1, P2, A4 Langkah 2 : Cari fakta baru yang memiliki P1, P2, A4 pada sisi JIKA R3 = IF P1 AND (P2 OR A3) THEN P4 Fakta A3 tidak ditemukan, jadi : R3 = IF P1 AND P2 THEN P3 Fakta baru yang ada P3 dan A4 Langkah 3 : Cari fakta baru yang memiliki P3 dan A4 pada sisi JIKA R4 = IF P3 AND A4 THEN P4

47 43 Kesimpulannya P4 atau Batuk Rejan Nah setelah tahu definisi dan contoh dari Forward Chaining, sekarang beralih ke Backward Chaining yang merupakan topik kita hari ini: Backward Chaining Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. Intinya adalah dari Goal lalu dicari data-datanya. Sekarang penyelesaiannya menggunakan Backward Chaining. Langkah- langkan backward chaining : Langkah1 : Cari fakta baru yang memiliki P1 dan P2 pada sisi MAKA R1 = IF A1 THEN P1 R2 = IF A2 THEN P2 Fakta baru yang ada A1, A2, A4 Langkah 2 : Cari fakta baru yang memiliki P3 pada sisi MAKA R3 = IF P1 AND (P2 OR A3) THEN P4 Fakta A3 tidak ditemukan, jadi : R3 = IF P1 AND P2 THEN P3 Fakta baru yang ada P1 dan P2 Langkah 1 : Kesimpulannya P4 atau Batuk Rejan Cari fakta baru yang memiliki P4 pada sisi MAKA

48 44 R4 = IF P3 AND A4 THEN P4 Fakta baru yang ditemukan P3 dan A4 Forward chaining Forward chaining merupakan salah satu metode penalaran atau inferensi untuk menyelesaikan suatu masalah. Chain (rantai) berarti suatu perkalian inferensi yang menghubungkan suatu permasalahan dengan solusinya. Forward chaining adalah suatu rantai yang dicari atau dilewati/ dilintasi dari suatu permasalahan untuk memperoleh solusinya. Forward chaining juga dapat digambarkan dengan penalaran dari fakta menuju konklusi yang terdapat pada fakta. Operasi dari sistem forward chaining dimulai dengan memasukkan sekumpulan fakta yang diketahui ke dalam memori kerja (working memory), kemudian menurunkan fakta baru berdasarkan aturan yang premisnya cocok dengan fakta yang diketahui. Proses ini dilanjutkan sampai dengan mencapai goal atau tidak ada lagi aturan yang premisnya cocok dengan fakta yang diketahui. Karakteristik Forward Chaining - Perencanaan, monitoring dan control - Disajikan untuk masa depan - Antecedent ke konsekuen - Data memandu, penalaran dari bawah ke atas - Bekerja ke depan untuk mendapatkan solusi apa yang mengikuti fakta - Breadth first search dimudahkan - Antecedent menentukan pencarian - Penjelasan tidak difasilitasi Forward chaining disebut juga penalaran dari bawah ke atas karena penalaran dimulai dari evidence (bukti) pada level bawah menuju konklusi pada level atas didasarkan pada fakta. Forward chaining merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg tersedia dan baru konklusi diperoleh

49 45 Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Contoh Kasus Sistem Pakar: Penasihat Keuangan Kasus : Seorang user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM? Variabel-variabel yang digunakan: A = memiliki uang $ untuk investasi B = berusia < 30 tahun C = tingkat pendidikan pada level college D = pendapatan minimum pertahun $ E = investasi pada bidang Sekuritas (Asuransi) F = investasi pada saham pertumbuhan (growth stock) G = investasi pada saham IBM Setiap variabel dapat bernilai TRUE atau FALSE FAKTA YANG ADA: Diasumsikan si user (investor) memiliki data: Memiliki uang $ (A TRUE) Berusia 25 tahun (B TRUE) Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock? Peraturan R1 : IF seseorang memiliki uang $ untuk berinvestasi AND dia berpendidikan pada level college THEN dia harus berinvestasi pada bidang sekuritas R2 : IF seseorang memiliki pendapatan per tahun min $ AND dia berpendidikan pada level college THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks) R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham pertumbuhan R4 : IF seseorang berusia < 30 tahun dan > 22 tahun THEN dia berpendidikan college R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM. Penyederhanaan aturan R1: IF A and C, THEN E R2: IF D and C, THEN F

50 46 R3: IF B and E, THEN F R4: IF B, THEN C R5: IF F, THEN G

51 47 BAB Definisi Logika Fuzzy Logika Fuzzy adalah salah satu komponen pembentuk soft computing. Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan atau membership function menjadi ciri utama dalam penalaran dengan logika fuzzy tersebut (Kusuma Dewi, 2003). Logika fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju ruang output (Kusuma Dewi, 2003). Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik. 1.2 Penggunaan Logika Fuzzy Adapun beberapa alasan digunakannya logika fuzzy (Kusuma Dewi, 2003), adalah: 1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti. 2. Logika fuzzy sangat fleksisbel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan. 3. Logika fuzzy memiliki toleransi terhadap data yang cukup homogeny, dan kemudian ada beberapa data eksklusif, maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut.

52 48 4. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. Dalam hal ini, sering dikenal dengan istilah fuzzy expert sistem menjadi bagian terpenting. 5. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik mesin maupu teknik elektro. 6. Logika fuzzy didasari pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari sehingga mudah dimengerti. 1.3 Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan (X), memiliki dua kemungkinan, yaitu: 1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau 2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Contoh: Misalkan variabel umur dibagi menjadi tiga kategori, yaitu: MUDA umur < 35 tahun PAROBAYA 35 umur 55 tahun TUA umur > 55 tahun Dari kategori diatas dapat dijelaskan bahwa: 1. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ((34)=1) 2. Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA ((35)=0) 3. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA ((35-1 hari)=1) 4. Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA ((34)=1) 5. Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA ((34)=0) 6. Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA ((55)=1)

53 49 7. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA ((35-1 hari)=0) Dari sini dapat dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil. Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam dua himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaanya. Gambar berikut menunjukkan himpunan fuzzy untuk variabel umur. Pada gambar diatas, dapat dilihat bahwa: 1. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan ( (40) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (40) = 0,5). 2. Seseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan ( (50) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (50)=0,5). Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar

54 50 dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda. Dilain pihak, nilai probilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda (Kusuma Dewi, 2003). Himpunan Fuzzy memiliki 2 atribut (Kusuma Dewi, 2003), yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, speerti: MUDA, PAROBAYA, TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy (Kusuma Dewi, 2003), yaitu: 1. Variabel fuzzy yaitu variabel yang hendak dibahas dalam suatu sistem fuzzy. Contohnya: umur, temperature, permintaan, dsb. 2. Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contohnya: variabel temperatur, terbagi menjadi 5 himpuan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. 3. Semesta Pembicaraan yaitu keseluruhan nilai yang diperoleh untuk dioperasikan dalam suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contohnya semesta pembicaraan untuk variabel umur: [0 + ]. Domain Himpunan Fuzzy yaitu keseluruhan nilai yang diijinkan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.

55 51 Contoh domain himpuanan fuzzy: DINGIN = [0,20], SEJUK = [15,20], NORMAL = [20,30], HANGAT = [25,35] dan PANAS = [30,40]. 1.4 Jenis Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan adalah dengan melalui pendekatan fungsi yang bisa digunakan Fungsi Representasi Linier Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Keadaan linier himpunan fuzzy terdiri dari dua keadaan linier naik dan linier turun. Pada linier naik, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan lebih tinggi dengan fungsi keanggotaan:

56 52 Sedangkan linier turun, garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah dengan fungsi keanggotaan Fungsi Keanggotaan Segitiga Fungsi keanggotaan segitiga ditandai oleh adanya tiga parameter {a,b,c} yang akan menentukan koordinat x dari tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis lurus. Adapun persamaan untuk bentuk segitiga ini adalah:

57 Fungsi Keanggotaan Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan satu. Adapun persamaan untuk kurva trapesium ini adalah: 1.5 Implemtasi Logika Fuzzy Demam Berdarah Dengue (DBD) merupakan penyakit berbahaya yang dapat menyebabkan kematian. DBD menjadi masalah kesehatan yang sangat ditakuti di Indonesia. Indonesia merupakan daerah yang sering terjadi kasus DBD, khususnya Kalimantan Barat yaitu kota Pontianak, hal ini dapat disebabkan oleh lokasi penderita yang terisolir, jumlah penduduk yang terlalu padat, cuaca yang kondusif bagi nyamuk dan tidak adanya kepedulian penduduk dan pemerintah terhadap lingkungan yang sehat Pendahuluan Terdapat beberapa faktor untuk menentukan suatu daerah rawan penyakit DBD, diantaranya adalah jumlah curah hujan, suhu udara, kelembaban udara, jumlah sarana kesehatan, kepadatan penduduk dan frekuensi kejadian demam berdarah. Keenam faktor penentu ini merupakan contoh objek yang memiliki ketidakpastian. Salah satu solusi untuk mengatasi keterlibatan objek yang memiliki ketidakpastian khususnya faktor-faktor penyebaran DBD di dalam Sistem Informasi Geografis (SIG) adalah menggunakan konsep sistem inferensi logika fuzzy.

58 54 Sedangkan pembuatan peta tematik menggunakan aplikasi ArcGIS 10. Dengan adanya peta diharapkan akan mempermudah pihak Dinas Kesehatan untuk mengetahui daerah-daerah rawan DBD yang ada di Kota Pontianak sehingga dapat melakukan pencegahan maupun penanggulangan. Selain itu juga dapat memberikan informasi kepada pihak Dinas Kesehatan, instansi pemerintah lainnya dan masyarakat tentang pola penyebaran daerah rawan DBD Tinjauan Pustaka Sistem inferensi logika fuzzymerupakan sebuah sistem yang digunakan dalam pengambilan keputusan dari sejumlah data yangmemiliki ketidakpastian fuzzy khususnya dalam Sistem Informasi Geografi (SIG). Dalam penelitian ini sistem logika fuzzy digunakan dalam pengambilan keputusan untuk menentukan suatu daerah rawan Demam Berdarah Dengue (DBD) di Kota Pontianak yang digambarkan dalam bentuk peta tematik. Beberapa peneliti terdahulu yang telah melakukan penelitian tentang DBD dan pemetaan wilayah penderita DBD diantaranya: Iswari, L. (2008), telah melakukan penelitian dengan judul Pemanfaatan Sistem Inferensi Fuzzy Dalam Pengolahan Peta Tematik (Studi Kasus: Sistem Informasi Geografis Daerah Rawan Penyakit Demam Berdarah). Hasil penelitiannya yaitu Sistem Inferensi Fuzzy mampu mengolah data yang bersifat tidak pasti/tegas menjadi data penentu untuk mewarnai peta digital sehingga informasi tentang penyebaran DBD dapat disajikan sesuai keadaan objek di lapangan. Metode yang digunakan yaitu metode Tsukamoto dengan 4 variabel masukan yaitu curah hujan, jumlah penduduk, sarana kesehatan dan frekuensi DBD. Fitriyani (2007), dengan judul Penentuan Wilayah Rawan Demam Berdarah Dengue Di Indonesia Dan Analisis Pengaruh Pola Hujan Terhadap Tingkat Serangan (Studi Kasus: Kabupaten Indramayu). Hasil penelitiannya yaitu faktor yang sangat berpengaruh dalam peningkatan kasus DBD adalah curah hujan, kelembaban, kepadatan penduduk dan sarana kesehatan yang kurang memadai. Kabupaten Indramayu merupakan salah satu Kabupaten di Indonesia yang termasuk wilayah sangat rawan DBD di Indonesia. Hal ini disebabkan tingkat kepadatan penduduk yang tinggi dan memiliki rata-rata curah hujan yang tinggi. Arrowiyah (2010), dengan judul Spatial Pattern Analysis Kejadian Penyakit Demam Berdarah Dengue untuk Informasi Early Warning Bencana di Kota Surabaya. Hasil penelitiannya menunjukkan bahwa kejadian DBD di Kota Surabaya sebagian besar terjadi pada musim

59 55 hujan (Januari-Juni). Variabel yang digunakan pada penelitian ini adalah jumlah penderita DBD bulanan perkecamatan di Kota Surabaya tanpa mempertimbangkan faktor lain. Amiruddin, R. (2009), telah melakukan penelitian dengan judul Pemetaan dan Analisis Kejadian Demam Berdarah Dengue Di Kabupaten Banteng Provinsi Sulawesi Selatan Tahun Hasil penelitiannya menunjukkan bahwa kelurahan Tappanjeng, Pallantikang dan Malillingi berada pada strata endemis. Kejadian DBD berhubungan dengan kepadatan penduduk dan proporsi PSN. Kejadian DBD tidak berhubungan dengan Angka Bebas Jentik. Gambar 5.1 Flowchart penelitian Perancangan Sistem 1). Pengolahan Data Masukan dan Keluaran Pada tahap ini dilakukan pengolahan data menggunakan Logika Fuzzy Metode Sugeno pada Matlab meliputi pengolahan data masukan dan keluaran, menentukan domain tiap

60 56 himpunan dan proses defuzzifikasi. Variabel masukan fuzzy yang digunakan dalam penelitian ini adalah jumlah suhu udara, curah hujan, kelembaban udara, kepadatan penduduk dan jumlah sarana kesehatan. Sedangkan variabel keluaran fuzzy berupa status kerawanan penyakit DBD. Gambar 5.2 Variabel Fuzzy dengan 5 masukan dan 1 keluaran (1). Variabel Masukan Suhu Variabel masukan suhu memiliki 3 himpunan fuzzy yaitu rendah, sedangdan tinggi. Domain setiap himpunan sebagai Domain Suhu (Celcius) : Rendah [ ], Sedang [ ], dan Tinggi [ ] (2). Variabel Masukan Curah Hujan Variabel masukan curah hujan memiliki 3 himpunan fuzzy yaitu rendah, sedang dan tinggi. Domain setiap himpunan sebagai Domain Curah Hujan (mm) : Rendah [ ], Sedang [ ] dan Tinggi [ ] (3). Variabel Masukan Kelembaban Udara Variabel masukan kelembaban udara yang memiliki 3 himpunan fuzzy yaitu rendah, sedang dan tinggi. Domain setiap himpunan sebagai Domain Kelembaban Udara (%) : Rendah [75 78], Sedang [79 82] dan Tinggi [83 86].

61 57 (4). Variabel Masukan Kepadatan Penduduk Variabel masukan kepadatan penduduk memiliki 3 himpunan fuzzy yaitu sedikit, sedang dan banyak. Domain setiap himpunan sebagai Domain Kepadatan Penduduk (Km/jiwa) : Sedikit [2.4 5], Sedang [6 8], dan Banyak [9 11]. (5). Variabel Masukan Sarana dan Prasarana Kesehatan Variabel masukan sarana dan prasarana kesehatan yang memiliki 3 himpunan fuzzy yaitu sedikit, sedang dan banyak. Domain setiap himpunan sebagai Domain Sarana Kesehatan (unit): Sedikit [15 35], Sedang [36 56], dan Banyak [57 77]. (6). Variabel Keluaran Variabel keluaran berupa status kerawanan DBD memiliki 3 himpunan fuzzy yaitu tidak rawan, rawan dan sangat rawan. Domain nilai setiap himpunan sebagai Domain Variabel Keluaran Tidak Rawan [0 0.49], Rawan [ ] dan Sangat Rawan [0.76 1]. (7). Fungsi Implikasi Fungsi implikasi merupakan suatu fungsi berupa aturan yang akan menampilkan kombinasi variabelvariabel masukan seperti suhu, curah hujan, kelembaban udara, kepadatan penduduk, jumlah sarana dan prasarana kesehatan serta keluaran berupa status kerawanan dengan menggunakan pernyataan IF-THEN. Pada penelitian ini dibuat 72 buah rule yang terbentuk dari 5 masukan dan 1 keluaran. Beberapa rule yang terbentuk dari 72 rule tersebut sebagai berikut: [R1] If (Suhu is Rendah) and (Curah Hujan is Rendah) and (Kelembaban Udara is Sedang) and (Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit) then (Status Kerawanan is Tidak Rawan). [R2] If (Suhu is Rendah) and (Curah Hujan is Sedang) and (Kelembaban Udara is Tinggi) and (Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit) then (Status Kerawanan is Tidak Rawan).

62 58 [R3] If (Suhu is Rendah) and (Curah Hujan is Tinggi) and (Kelembaban Udara is Tinggi) and (Kepadatan Penduduk is Banyak) and (Sarana dan Prasarana Kesehatan is Sedikit) then (Status Kerawanan is Sangat Rawan). [R4] If (Suhu is Sedang) and (Curah Hujan is Rendah) and (Kelembaban Udara is Sedang) and (Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit) then (Status Kerawanan is Tidak Rawan). (8). Defuzzifikasi Defuzzifikasi merupakan proses keseluruhan yang terjadi dalam FIS. Pada penelitian ini terbentuk 72 rule, dengan adanya pembentukan 72 rule di atas maka diperoleh keluaran atau hasil defuzzifikasi. Proses defuzzifikasi pada tipe Sugeno jauh lebih efisien daripada tipe Mamdani. Hal ini karena FIS tipe Sugeno menghitung nilai keluaran dengan weighted average. (9). Data Pengujian Data yang diujikan yaitu sebanyak 72 data tahun 2012 dari bulan JanuariDesember. Data pengujian ini digunakan untuk menguji sistem yang sudah dibuat. Agar bisa dilihat tingkat keakuratan dari penelitian yang dilakukan. 2). Perancangan Antar Muka Pengguna (user Interface) Perancangan antarmuka (user interface) merupakan hal yang sangat penting dalam pembuatan program aplikasi komputer Perancangan antarmuka pengguna (User Interface) digunakan sebagai media komunikasi antara pengguna dengan aplikasi. Program yang digunakan untuk perancangan antarmuka yaitu menggunakan GUI (Graphical User Interface) yang ada pada Matlab Versi 7.6. Tampilan antarmuka pengguna dapat dilihat pada Gambar 5.3. Pada gambar aplikasi tersebut terdapat 5 masukan berupa suhu udara, curah hujan, kelembaban udara, kepadatan penduduk dan sarana kesehatan. User terlebih dahulu mengisi ke 5 masukan dari bulan Januari- Desember. Setelah itu dilakukan defuzzifikasi dengan mengklik tombol Hitung. Kemudian akan tampil nilai kerawanan dan status kerawanan sesuai dengan rentang nilai yang sudah ditentukan.

63 59 Gambar 5.3 Tampilan antarmuka pengguna 3). Pembuatan Peta Tematik Setelah proses pengolahan data menggunakan sistem fuzzy dengan metode Sugeno, proses selanjutnya adalah pengolahan peta tematik menggunakan ArcGIS. Adapun proses pengolahan data dalam pembuatan peta tematik adalah: (1). Georeferencing Georeferencing merupakan suatu proses memasukkan koordinat kedalam peta hasil scan agar peta tersebut memiliki unsur georeference (geografis). Untuk hasil yang terbaik dapat dilakukan ground check (cek lapangan) dengan mengambil titik koordinat batas alam, misalnya sungai. (2). Digitasi dan Editing Digitasi dan Editing peta merupakan suatu proses konversi data analog ke dalam format digital seperti data jalan, batas kecamatan dan data sungai yang bersifat baku. (3). Layout Peta Layout peta merupakan proses akhir dalam pembuatan peta yang akan menampilkan isi peta secara keseluruhan yang akan dibuat. Layout peta dibuat setelah melakukan proses georeferencing, digitasi dan editing peta, sehingga akan dihasilkan tampilan peta sesuai yang diinginkan.

64 Implementasi dan Pembahasan 1). Hasil Pengolahan Data Masukan dan Keluaran Berikut ini adalah hasil pengolahan data masukan dan keluaran pada 6 Kecamatan yaitu Kecamatan Pontianak Selatan, Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota, Kecamatan Pontianak Timur, Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Hasil penelitian diperoleh ada beberapa data yang nilainya tidak sama dengan data aslinya. Sebagai contoh pada Kecamatan Pontianak Barat dan Pontianak Timur, hasil perhitungan pada Matlab menunjukkan hasil yang berbeda dengan data aslinya, dimana data aslinya menunjukkan kedua Kecamatan ini dikategorikan dalam klasifikasi Rawan (R), namun hasil perhitungan Matlab dikategorikan Sangat Rawan (SR). Hal ini terjadi disebabkan beberapa faktor diantaranya adalah pada penelitian ini terdapat 5 faktor yang mempengaruhi penyebaran DBD namun faktor-faktor lain tidak dipertimbangkan seperti lingkungan yang kotor dan kumuh, adanya saluran air yang tersumbat. Selain itu juga data yang digunakan masih terlalu sedikit yaitu data 3 tahun terakhir, data tersebut masih belum spesifik. Hasil pembuatan rule juga sangat berpengaruh terhadap keluaran yang didapatkan, semakin banyak rule maka hasil yang didapatkan semakin akurat namun sangat sensitif,terdapat sedikit kesalahan saja hasilnya akan fatal. Namun rule ini dibuat atas dasar pertimbangan beberapa penelitian yang menyebutkan bahwa terdapat hubungan yang kuat antara suhu udara, curah hujan dan kelembaban udara yaitu semakin tinggi suhu udara, curah hujan dan kelembaban udara semakin rendah dan begitu sebaliknya. Selain itu juga terdapat pengurangan rule yang tidak mungkin terjadi jika dihubungkan dengan data aslinya, karena pembentukan rule selain berdasarkan acuan hasil penelitian sebelumnya juga melihat dari data yang didapatkan di instansi yang terkait. Selain itu juga terdapat pembentukan rule yang sama dan adanya pembentukan rule yang tidak mungkin jika dihubungkan dengan kondisi aslinya serta dengan data yang ada. Sehingga dari 243 rule yang mungkin terbentuk, hanya digunakan 72 rule yang bisa mewakili setiap kondisi yang ada dilapangan.

65 61 2). Hasil Pengujian Berdasarkan faktor-faktor yang menyebabkan suatu daerah rawan DBD akan didapatkan nilai kerawanan dari hasil defuzzifikasi yang telah diuji dengan aplikasi. Dari hasil pengujian didapatkan nilai keakuratan dari hasil pengolahan data sebesar 90.64% dengan nilai error sebesar 9.36%. Nilai keakuratan 90.64% adalah nilai valid atau nilai yang didapatkan dari hasil pengolahan data yang sesuai dengan data aslinya. Sedangkan nilai error merupakan suatu nilai yang tidak valid atau tidak sesuai dengan data aslinya jika dibandingkan dengan hasil defuzzifikasi. Error tersebut dapat terjadi karena kurang lamanya durasi data yang diambil sehingga tidak ada faktor iklim maupun faktor kepadatan dan sarana kesehatan yang terlihat memiliki hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat serta kurang tepatnya dalam pembuatan rule. Selain itu, sudah adanya upaya pemberantasan nyamuk Aedes aegypti, sehingga menurunnya kasus DBD. Implementasi peta tematik dilakukan setelah hasil defuzzifikasi pada matlab didapatkan. Defuzzifikasi merupakan hasil akhir dari proses fuzzy pada matlab. Berdasarkan perhitungan statistik, suatu daerah dikatakan Tidak Rawan (TR) DBD apabila memiliki rentang interval antara , Rawan (R) antara dan Sangat Rawan (SR) antara Sedangkan interval untuk frekuensi DBD yaitu Tidak Rawan (TR) antara 0-3 kasus, Rawan (R) antara 4-7 kasus dan Sangat Rawan (SR) antara 8-11 kasus yang terjadi pada tahun Ada beberapa factor yang mempengaruhi suatu daerah rawan DBD yaitu suhu udara, curah hujan, kelembaban udara, kepadatan penduduk dan sarana kesehatan. Kelima faktor tersebut merupakan contoh objek yang memiliki ketidakpastian yaitu suatu objek yang tidak dapat dinyatakan hanya dalam kondisi ya atau kondisi tidak. Dengan adanya system inferensi logika fuzzy khususnya metode Sugeno dapat digunakan dalam menentukan suatu daerah rawan DBD yang dikategorikan menjadi tidak rawan, rawan dan sangat rawan. Pada gambar 5.1 adalah Peta Sebaran Demam Berdarah Dengue (DBD) di Kotamadya Pontianak, khususnya Kecamatan Pontianak Selatan, Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota, Kecamatan Pontianak Timur, Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Pada peta dapat dilihat dari enam kecamatan ditahun 2012, Kecamatan Pontianak Kota memiliki tingkat sebaran Demam Berdarah tertinggi yaitu pada bulan Oktober dengan nilai kerawanan sebesar 0,9037 sehingga dikategorikan daerah Sangat Rawan (SR) DBD. Hal ini terjadi karena curah hujan dan

66 62 kelembaban udara pada bulan Oktober dikategorikan tinggi, dengan tingkat kepadatan penduduk rata-rata sebesar km/jiwa dan sarana kesehatan yang dimiliki masih minim. Sedangkan Kecamatan Pontianak Timur dan Kecamatan Pontianak Barat memiliki perbedaan hasil defuzzifikasi pada matlab dengan data aslinya. Perhitungan pada matlab diperoleh, daerah tersebut Sangat Rawan dengan nilai kerawanan sebesar dan Kejadian tersebut berturut-turut selama 3 bulan terakhir yaitu pada bulan Oktober, November dan Desember. Jika dilihat dari data, Kecamatan tersebut dikategorikan daerah Rawan DBD, namun setelah dibandingkan dengan hasil defuzzifikasi ternyata hasilnya tidak valid. Selain itu ada juga Kecamatan lain yang memiliki kasus yang sama dimana terdapat perbedaan hasil defuzzifikasi dengan data aslinya. Hal ini disebabkan kurang lamanya durasi data yang diambil sehingga tidak ada faktor iklim maupun faktor kepadatan penduduk dan sarana kesehatan yang terlihat memiliki hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat. Selain itu, sudah adanya upaya pemberantasan nyamuk Aedes aegypti, sehingga menurunnya kasus DBD. 3). Implementasi Peta Tematik. Implementasi peta tematik dilakukan setelah hasil defuzzifikasi pada matlab didapatkan. Defuzzifikasi merupakan hasil akhir dari proses fuzzy pada matlab. Berdasarkan perhitungan statistik, suatu daerah dikatakan Tidak Rawan (TR) DBD apabila memiliki rentang interval antara , Rawan (R) antara dan Sangat Rawan (SR) antara Sedangkan interval untuk frekuensi DBD yaitu Tidak Rawan (TR) antara 0-3 kasus, Rawan (R) antara 4-7 kasus dan Sangat Rawan (SR) antara 8-11 kasus yang terjadi pada tahun Ada beberapa factor yang mempengaruhi suatu daerah rawan DBD yaitu suhu udara, curah hujan, kelembaban udara, kepadatan penduduk dan sarana kesehatan. Kelima faktor tersebut merupakan contoh objek yang memiliki ketidakpastian yaitu suatu objek yang tidak dapat dinyatakan hanya dalam kondisi ya atau kondisi tidak. Dengan adanya system inferensi logika fuzzy khususnya metode Sugeno dapat digunakan dalam menentukan suatu daerah rawan DBD yang dikategorikan menjadi tidak rawan, rawan dan sangat rawan. Pada gambar 5.1 adalah Peta Sebaran Demam Berdarah Dengue (DBD) di Kotamadya Pontianak, khususnya Kecamatan Pontianak Selatan, Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota, Kecamatan Pontianak Timur, Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Pada peta dapat dilihat dari enam

67 63 kecamatan ditahun 2012, Kecamatan Pontianak Kota memiliki tingkat sebaran Demam Berdarah tertinggi yaitu pada bulan Oktober dengan nilai kerawanan sebesar 0,9037 sehingga dikategorikan daerah Sangat Rawan (SR) DBD. Hal ini terjadi karena curah hujan dan kelembaban udara pada bulan Oktober dikategorikan tinggi, dengan tingkat kepadatan penduduk rata-rata sebesar km/jiwa dan sarana kesehatan yang dimiliki masih minim. Sedangkan Kecamatan Pontianak Timur dan Kecamatan Pontianak Barat memiliki perbedaan hasil defuzzifikasi pada matlab dengan data aslinya. Perhitungan pada matlab diperoleh, daerah tersebut Sangat Rawan dengan nilai kerawanan sebesar dan Kejadian tersebut berturut-turut selama 3 bulan terakhir yaitu pada bulan Oktober, November dan Desember. Jika dilihat dari data, Kecamatan tersebut dikategorikan daerah Rawan DBD, namun setelah dibandingkan dengan hasil defuzzifikasi ternyata hasilnya tidak valid. Selain itu ada juga Kecamatan lain yang memiliki kasus yang sama dimana terdapat perbedaan hasil defuzzifikasi dengan data aslinya. Hal ini disebabkan kurang lamanya durasi data yang diambil sehingga tidak ada faktor iklim maupun faktor kepadatan penduduk dan sarana kesehatan yang terlihat memiliki hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat. Selain itu, sudah adanya upaya pemberantasan nyamuk Aedes aegypti, sehingga menurunnya kasus DBD. Gambar 5.1 Implementasi Peta Sebaran Demam Berdarah Dengue Kesimpulan dan Saran 1). Kesimpulan