Kecerdasan Komputasional Konsep Dan Apli
Kecerdasan Komputasional Konsep Dan Apli
Kecerdasan Komputasional Konsep Dan Apli
KOMPUTASIONAL
Konsep dan Aplikasi
Penulis
Eka Mala Sari Rochman, S.Kom., M.Kom.
Aeri Rachmad, S.T., M.T.
Diterbitkan oleh :
Media Nusa Creative
Anggota IKAPI (162/JTI/2015)
Bukit Cemara Tidar H5 No. 34, Malang
Telp. : 0341 – 563 149 / 0812.3334.0088
E-mail : [email protected]
Website : www.mncpublishing.com
ISBN : 978-602-6743-99-2
P
uji syukur kita panjatkan kehadirat Allah SWT, karena dengan
karunia serta rahmatnya kami dapat menyelesaikan buku ajar
“Kecerdasan Komputasional” ini. Materi dalam buku ini telah
disesuaikan dengan Propram Pembelajaran (PP) dan Rencana
Pembelajaran Semester (RPS) Fakultas Teknik. Secara garis besar buku
ini, membahas tentang bagaimana menyelesaikan masalah
menggunakan kecerdasan komputasional. Serta metode apa saja
yang dapat digunakan untuk membantu menyelesaikan
permasalahan.
Buku ini dapat dipergunakan oleh mahasiswa jurusan teknik
informatika untuk lebih memahami tentang mata kuliah kecerdasan
komputasional yang merupakan mata kuliah wajib pada jurusan
Teknik Informatika.
Dengan selesainya buku ajar ini, tak lupa kami ucapkan
terimakasih kepada Dekan Fakultas Teknik atas semua fasilitas yang
telah disediakan demi kelancaran buku ajar ini. Terima kasih rekan-
rekan dosen jurusan Teknik Informatika dan Teknik Multimedia
Jaringan atas bantuan dan kerjasamanya. Besar harapan kami semoga
buku ajar ini dapat bermanfaat, serta demi penyempurnaan buku ajar
ini kami mohon saran dan kritik dari para pembaca.
Penulis
iii
iv
DAFTAR ISI
v
3.2. Materi Perkuliahan .......................................................................... 21
A. Definisi Sistem Pakar ................................................................ 21
B. Forward Chaining (Sistem Perantaian Maju) ................... 25
C. Backward Chaining (Perantaian Balik) ............................... 28
3.3. Soal Latihan ........................................................................................ 30
vii
DAFTAR GAMBAR
ix
DAFTAR TABEL
x
BAB I.
KECERDASAN KOMPUTASIONAL
3
Kecerdasan Komputasional : Konsep dan Aplikasi
4
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB II
REPRESENTASI PENGETAHUAN
5
Kecerdasan Komputasional : Konsep dan Aplikasi
Input Output
Proses
Premis atau logika Inferensi
fakta atau konklusi
2. Penalaran induktif,
Induksi merupakan proses penjelasan dari fakta tertentu dan
khusus yang nantinya menjadi sebuah kesimpulan secara umum.
Contoh :
Premis-1 : berhitung adalah pelajaran yang sulit
Premis-2 : fisika adalah pelajaran yang sulit
Premis-3 : kimia adalah pelajaran yang sulit
Konklusi : matematika adalah pelajaran yang sulit
6
Kecerdasan Komputasional : Konsep dan Aplikasi
B. Logika Proposisi
Propositional connective digunakan pada propositional logic
untuk membentuk sebuah statement sederhana atau statement yang
kompleks, yang mana mekanismenya dapat menentukan kebenaran
dari sebuah statement kompleks dari nilai kebenaran yang
direpresentasikan oleh statement lain yang lebih sederhana
Proposisi adalah pernyataan yang dapat bernilai benar (B)
atau salah (S). Operator logika menggabungkan proposisi yang lebih
dari satu :
a. Konjungsi : ٨ (and)
b. Disjungsi : ٧ (or)
c. Negasi : ¬ (not)
d. Implikasi : → (if- then)
e. Ekuivalensi : ↔
a. Operator NOT
Digunakan untuk memberikan nilai negasi (lawan) dari
pernyataan yang telah ada.
7
Kecerdasan Komputasional : Konsep dan Aplikasi
P NOT (P)
B S
S B
Tabel 2. Tabel Kebenaran Operator NOT
b. Operator AND
Digunakan untuk mengkombinasikan 2 proposisi. Hasilnya bernilai
benar jika kedua proposisi bernilai benar. Dan salah jika nilai kedua
proposisi salah serta salah satu proposisinya bernilai salah.
P Q AND (P)
B B B
B S S
S B S
S S S
Tabel 3. Tabel Kebenaran Operator AND
c. Operator OR
Digunakan untuk mengkombinasikan 2 proposisi. Hasilnya akan
bernilai benar bila salah satu bernilai benar dan salah jika kedua
proposisi bernilai salah.
P Q AND (P)
B B B
B S B
S B B
S S S
Tabel 4. Tabel Kebenaran Operator OR
d. Implikasi
Akan bernilai salah jika P benar dan Q salah. Selain itu semuanya
bernilai benar.
P Q AND (P)
B B B
B S S
S B B
S S B
Tabel 5. Tabel Kebenaran Implikasi
8
Kecerdasan Komputasional : Konsep dan Aplikasi
e. Ekuivalensi
Akan menghasilkan nilai benar jika P dan Q benar atau keduanya
salah.
P Q AND (P)
B B B
B S S
S B S
S S B
Tabel 6. Tabel Kebenaran Ekuivalensi
1. P
2. (P ٨ Q) → R
3. (S ٧ T) → Q
4. T
Maka tentukan kebenaran R.
10
Kecerdasan Komputasional : Konsep dan Aplikasi
C. Logika Predikat
Hal-hal yang tidak dapat direpresentasikan dengan
menggunakan logika proposisi maka menggunakan logika predikat.
Karena logika predikat memberi tambahan kemampuan dalam
merepresentasikan pengetahuan dengan lebih cermat dan terperinci.
11
Kecerdasan Komputasional : Konsep dan Aplikasi
12
Kecerdasan Komputasional : Konsep dan Aplikasi
13
Kecerdasan Komputasional : Konsep dan Aplikasi
D. Pohon
Struktur grafik yang hirarki serta sebuah cara yang sederhana
untuk menggambarkan hirarki dan list dari pengetahuan lainnya
adalah pengertian dari Struktur pohon. Strukturnya terdiri dari node-
node yang menunjukkan objek dan arc (busur) yang menghubungkan
antar node.
C D
B
H J K L
E F G I
E. Jaringan Semantic
Jaringan semantic adalah salah satu bentuk representasi
knowledge-base dalam bentuk diagram. Diagram tersebut terdiri atas
node dan arc. Node merepresentasikan konsep, sedangkan arc
merepresentasikan sebuah relasi.
Jaringan semantik adalah gambaran dari pengetahuan grafis
yang menunjukkan hubungan antar objek yang terdiri dari lingkaran-
lingkaran yang menunjukkan objek yang menginformasikan tentang
objek tersebut. Objek dapat berupa peristiwa atau benda.
Sistem jaringan semantic selalu tergantung pada masalah
yang akan dipecahkan. Jika masalah bersifat umum, maka
membutuhkan sedikit rincian. Tetapi jika masalah melibatkan hal
yang lain maka membutuhkan penjelasan yang lebih terperinci.
15
Kecerdasan Komputasional : Konsep dan Aplikasi
F. Frame
Frame merupakan kumpulan pengetahuan tentang suatu
objek tertentu seperti peristiwa, lokasi, situasi dll. Dapat juga
didefinisikan sebagai struktur data yang mengandung semua
informasi pengetahuan yang relevan dari suatu objek. Pengetahuan
tersebut diorganissai dalam struktur hirarkis khusus yang
memungkinkan proses pengetahuan. Frame ini merupakan aplikasi
dari pemrograman berorientasi objek dalam AI dan sistem pakar.
Pengetahuan dalam frame dibagi-bagi ke dalam slot atau
atribut yang mendeskripsikan rincian dan karakteristik objek. Dengan
frame, sangat mudah untuk melakukan inferensi tentang objek,
peristiwa baru karena sudah tersedia basis pengetahuan yang ditarik
dari pengalaman.
Pada gambar dibawah ini menunjukkan frame alat-alat
transportasi. Frame tersebut mempunyai 3 slot yaitu alat transportasi
udara, darat dan laut. Ada slot yang bernilai tetap dan bernilai tidak
tetap. Slot yang bernilai tetap adalah jumlah roda pada sedan. Jenis
16
Kecerdasan Komputasional : Konsep dan Aplikasi
Gambar 5. Frame
G. Naskah
Naskah (script) adalah skema yang merepresentasikan
pengetahuan berdasar karakteristikyang sudah dikenal sebagai
pengalaman-pengalaman. Jadi naskah hampir sama dengan frame,
hanya saja frame menggambarkan objek sedangkan naskah
menggambarkan peristiwa.
Elemen-elemen pada naskah meliputi:
1) Kondisi input, kondisi sebelum peristiwa terjadi
2) Track, variasi pada naskah
3) Prop, selama peristiwa berlangsung pada objek pendukung
4) Role, dalam sebuah peristiwa terdapat peran yang dimainkan
seseorang
5) Scene, dalam sebuah peristiwa terdapat adegan yang
dimainkan
6) Hasil, kondisi setelah peristiwa naskah terjadi
17
Kecerdasan Komputasional : Konsep dan Aplikasi
18
Kecerdasan Komputasional : Konsep dan Aplikasi
Hasil :
Mahasiswa merasa senang dan lega
Mahasiswa merasa kecewa
Mahasiswa pusing
Mahasiswa memaki-maki
Mahasiswa sangat bersyukur
H. Sistem Produksi
Representasi pengetahuan dengan sistem produksi, pada
dasarnya berupa aplikasi aturan yang terdiri dari :
Antecedent, bagian yang mengekspresikan situasi (IF)
Konsekuen, menyatakan tindakan tertentu jika peristiwa
bernilai benar (THEN)
19
Kecerdasan Komputasional : Konsep dan Aplikasi
20
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB III.
SISTEM PAKAR
21
Kecerdasan Komputasional : Konsep dan Aplikasi
Pemilihan Masalah
Pembuatan Sistem Pakar membutuhkan waktu dan biaya
yang banyak. Tujuan dari dibuatnya beberapa pedoman untuk
menentukan apakah Sistem Pakar cocok untuk memecahkan suatu
problem adalah untuk menghindari kegagalan dan kerugian yang
besar:
a. Biaya, diperlukan untuk pembangunan Sistem Pakar ditentukan
oleh kebutuhan.
24
Kecerdasan Komputasional : Konsep dan Aplikasi
(meneliti Rindu)
Proses pengulangan siklus terjadi kembali, kali ini pada aturan
3 dan 6 yang kondisinya terpenuhi. Aturan 3 terpilih dan terpicu,
maka fakta (mengoreksi_tugas Rindu) akan ditambahkan ke dalam
memori kerja. Kemudian isi dari siklus ketiga, aturan 1 terpicu,
sehingga variabel X akan berisi (bound to) Rindu, dan fakta
(terlalu_banyak_bekerja Rindu) ditambahkan, sehingga isi memori
kerja menjadi:
(terlalu_banyak_bekerja Rindu)
(mengoreksi_tugas Rindu)
(mengajar Rindu)
(bulan Juni)
(bahagia Rindu)
(meneliti Rindu)
27
Kecerdasan Komputasional : Konsep dan Aplikasi
akan memberi nilai bagus. Namun jika aturan 5 yang terpicu lebih
dahulu, maka aturan 7 tidak dapat dijalankan (artinya saya tidak akan
memberi nilai bagus).
28
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB IV.
LOGIKA FUZZY
32
Kecerdasan Komputasional : Konsep dan Aplikasi
B. Himpunan Fuzzy
Dalam logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang
merupakan pengelompokan sesuatu berdasarkan vareabel bahasa
dan dinyatakan dalam sebuah fungsi keanggotaan. Fungsi
keanggotaan pada logika fuzzy bernilai dari 0 sampai 1.
Yang sering ditulis μA[x], yaitu :
Satu (1), yaitu suatu item menjadi anggota dalam suatu
himpunan
Nol (0), suatu item tidak menjadi anggota dalam suatu
himpunan.
33
Kecerdasan Komputasional : Konsep dan Aplikasi
Contoh :
1. Jika diketahui :
S = {1,2,3,4,5,6} adalah semesta pembicaraan
A = {1,2,3}
B = {3,4,5}
Dapat dikatakan:
Nilai keanggotaan 2 pada himpunan A, μA[2] = 1, Karena 2 ε A
Nilai keanggotaan 3 pada himpunan A, μA[3] = 1, Karena 3 ε A
Nilai keanggotaan 4 pada himpunan A, μA[4] = 0, Karena 4 ε A
Nilai keanggotaan 2 pada himpunan A, μA[2] = 0, Karena 2 ε A
Nilai keanggotaan 3 pada himpunan B, μB[3] = 1, Karena 3 ε B
34
Kecerdasan Komputasional : Konsep dan Aplikasi
C. Fungsi Keanggotaan
Fungsi keanggotaan adalah kurva yang menunjukkan
pemetaan titik-titik input data kedalam nilai keanggotaan dan
mempunyai interval 0 sampai 1. Untuk mendapakan nilai
keanggotaan dapat dilakukan dengan pendekatan fungsi. Beberapa
fungsi yang dapt digunakan:
a. Representasi Linear
Bentuk ini merupakan bentuk yang paling sederhana dan
merupakan pilihan yang baik untuk mendekati konsep yang
kurang jelas. Pemetaan input ke derajat keanggotaan
digambarkan dengan sebuah garis lurus.
Pada representasi linear naik, kenaikan himpunan pada nilai
domain mempunyai derajat kenaggotaan nol (0) bergerak ke arah
kanan menuju ke nilai domain yang mempunyai derajat
keanggotaan lebih tinggi.
derajat
keanggotaan
0 a domain b
μ[x]
Fungsi keanggotaan :
0; x≤a
μ[x] = (x-a) / (b-a); a≤x≤b
1; x≥b
35
Kecerdasan Komputasional : Konsep dan Aplikasi
Derajat 1
keanggotaan
μ[x]
a domain b
Fungsi keanggotaan :
(b-x) / (b-a) a≤x≤b
μ[x] = 0; x≥b
derajat
keanggotaan
μ[x]
0 a domain b c
Fungsi keanggotaan :
0; x ≤ a atau x ≥ c
μ[x] = (x-a) / (b-a); a≤x≤b
(c-x) / (c-b); b≤x≤c
36
Kecerdasan Komputasional : Konsep dan Aplikasi
derajat
keanggotaan
μ[x]
0 a domain b c d
Fungsi keanggotaan :
0; x ≤ a atau x ≥ d
(x-a) / (b-a); a≤x≤b
μ[x] = 1; b≤x≤c
(d-x) / (d-c); c≤x≤d
e. Representasi kurva-S
Kurva pertumbuhan dan penyusutan merupakan kurva-S atau
sigmoid yang berhubungan dengan kenaikan dan penurunan
permukaan secara tak linier. Kurva ini didefinisikan dengan 3
parameter antara lain:
1. nilai keanggotaan nol (ά)
2. nilai keanggotaan lengkap (γ)
3. titik infleksi (β)
37
Kecerdasan Komputasional : Konsep dan Aplikasi
derajat
keanggotaan 0,5
μ[x]
Gambar 9. Kurva-S
Fungsi keanggotaan :
0; x≤α
2
2((x- α) / (γ - α)) ; α≤x≤β
2
S(x; α, β, γ) = 1-2 ((γ-x) / (γ- α)) ; β≤x≤γ
1; x≥γ
pusat γ
1
derajat
keanggotaan 0,5
μ[x]
38
Kecerdasan Komputasional : Konsep dan Aplikasi
Fungsi keanggotaan :
x; γ – γ- β, γ
S 2
x≤γ
π(x, β, γ) =
1-S x; γ, γ + β, γ + β x>γ
2
2. Kurva β
Kurva ini juga berbentuk lonceng namun lebih rapat. Kurva ini
didefinisikan dengan 2 parameter, yaitu nilai pada domain yang
menunjukkan pusat kurva (γ), dan setengah lebar kurva (β).
Perbedaan yang mencolok antara kurva π dan kurva β ini
adalah pada kurva β fungsi keanggotaannya akan bernilai nol
(0) hanya jika nilai (β) sangat besar.
pusat γ
1
Derajat 0,5
keanggotaan
μ[x]
γ–β γ+β
Fungsi keanggotaan :
β (x, β, γ) = 1
1+
x-γ
β
3. Kurva Gauss
Kurva GAUSS juga menggunakan π untuk menunjukkan nilai
domain pada pusat kurva dan k yang menunjukkan lebar kurva.
39
Kecerdasan Komputasional : Konsep dan Aplikasi
pusat γ
1
derajat
keanggotaan 0,5
μ[x]
0 lebar k
Fungsi keanggotaan :
G (x; k, γ) = e –k (y-x)2
k menunjukkan lebar kurva.
g. Koordinat keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan yang
mempunyai nilai domain dan kebenaran nilai keanggotaan dalam
bentuk :
Skalar (i) / Drajat (i)
Skalar adalah nilai dari domain himpunan fuzzy
Drajat adalah derajat keanggotaan himpunan fuzzy
2. Operator OR
Operator OR berhubungan dengan operasi union pada
himpunan
μ A ںB = max (μA[x], μB[y])
3. Operator NOT
Operator NOT berhubungan dengan operasi komplemen pada
himpunan
μ A’ = 1 - μ A[x]
E. Metode Tsukamoto
Pada metode ini, aturan yang berbentuk IF-THEN harus
direpresentasikan dengan sebuah fungsi keanggotaan yang
monoton. Hasilnya adalah berupa output inferensi dari setiap aturan
dipertegas berdasarkan α-predikat dengan menggunakan rata-rata
berbobot.
Misalkan ada 2 vareabel input, Var–1 (x) dan Var–2 (y) serta 1
vareabel output Var–3 (z), yang mana Var–1 (x) dibagi menjadi
himpunan A1 dan A2. Var–2 (y) juga terbagi atas himpunan B1 dan B2.
Var–3 (z) juga terbagi atas himpunan yang kedua himpunan ini harus
MONOTON yaitu C1 dan C2. ada dua atuaran yang digunakan :
[R1] IF (x is A1) and (y is B1) THEN (z is C1)
[R2] IF (x is A2) and (y is B2) THEN (z is C2)
F. Metode Mamdani
Metode ini dikenal juga sebagai metode max-min. Pertama
kali diperkenalkan oleh Ebrahim Mamdani (1975). Ada 4 tahap untuk
menghasilkan output, yaitu :
1. Pembentukan himpunan fuzzy. Pada vareabel input dan output
dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi aplikasi. Fungsi implikasi yang digunakan adalah
Min.
41
Kecerdasan Komputasional : Konsep dan Aplikasi
4. Penegasan (defuzzy)
Inputannya berupa himpunan fuzzy yang didapat dari komposisi
aturan fuzzy, untuk output yang dihasilkan adalah bilangan pada
domain himpunan fuzzy itu sendiri. Jadi jika himpunan fuzzy diberi
sebuah nilai range tertentu maka harus dapat diambil nilai crisp
sebagai outputnya.
42
Kecerdasan Komputasional : Konsep dan Aplikasi
∑ zjμ (zj)
j=1
z* = _______ untuk vareabel deskret,
n
∑ μ(zj)
j=1
43
Kecerdasan Komputasional : Konsep dan Aplikasi
G. Metode Sugeno
Diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.
Penalaran pada metode ini mirip dengan metode Mamdani, akan
tetapi output sistem yang dihasilkan berupa konstanta atau
persamaan linier bukan berupa himpunan fuzzy.
Dua buah model bentuk metode ini adalah :
a. Model Fuzzy Sugeno Orde Nol
Bentuknya secara umum :
IF (x1 is A1) · (x2 is A2) · (x3 is A3) · ….. · (xn is An) THEN z = k
A1 adalah himpunan fuzzy ke-I sebagai anteseden
K adalah konstanta (tegas) sebagai konsekuen
45
Kecerdasan Komputasional : Konsep dan Aplikasi
46
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB V.
48
Kecerdasan Komputasional : Konsep dan Aplikasi
Bobot bobot
input dari
neuron
∑ ouput ke
neuron yang lain
49
Kecerdasan Komputasional : Konsep dan Aplikasi
melalui fungsi aktivasi setiap neuron. Jika input melewati nilai ambang
tertentu, maka neuron tersebut akan diaktifkan. Namun jika tidak
maka neuron tidak diaktifkan. Bila neuron tersebut aktif, maka neuron
tersebut akan mengirimkan output melalui bobot-bobot output ke
semua neuron yang berhubungan dengannya. Pada JST, neuron
dikumpulkan pada lapisan-lapisan yang disebut layers yang saling
dihubungkan antara lapisan sebelum dan lapisan sesudahnya kecuali
lapisan input dan lapisan output. Informasi yang disalurkan ke setiap
lapisan dilewatkan melalui lapisan yang lain yang disebut sebagai
lapisan tersembunyi atau hidden layer.
Beberapa jaringan syaraf ada yang memiliki lapisan
tersembunyi tatapi ada juga yang tidak mamilikinya. Selain itu juga
terdapat jaringan syaraf yang mana neuron-neuronnya tersusun
dalam bentuk matriks.
50
Kecerdasan Komputasional : Konsep dan Aplikasi
X1 X2 X3
lapisan input................
w12 w31
nilai output.....................
Gambar 14. Jaringan syaraf dengan lapisan tunggal
51
Kecerdasan Komputasional : Konsep dan Aplikasi
lapisan input................ x
x x
1 v12 2 v31 3
v11 v21 v22 v32
matriks bobot pertama..
lapisan tersembunyi......... z z
1 2
w1 w2
nilai output............................
Gambar 15. Jaringan syaraf dengan lapis banyak
52
Kecerdasan Komputasional : Konsep dan Aplikasi
y 1
0 x
Gambar 17. Fungsi Aktivasi Undak Biner (Hard Limit)
y 1….
0 ө x
Gambar 18. Fungsi Aktivasi Undak Biner (Threshold)
53
Kecerdasan Komputasional : Konsep dan Aplikasi
c) Fungsi Bipolar
Fungsi ini mirip dengan fungsi undak biner, tetapi outputnya
berupa 1, 0 atau -1.
1, jika x > 0
y= 0, jika x = 0
1, jika x < 0
y 1
0 x
-1
y 1
0 ө x
-1
54
Kecerdasan Komputasional : Konsep dan Aplikasi
e) Fungsi Linear
Nilai output fungsi ini adalah sama dengan nilai inputnya
y=x
y 1
-1 0 1 x
-1
-0,5 0 0,5 x
55
Kecerdasan Komputasional : Konsep dan Aplikasi
y
1
-1 0 1 x
-1
y = f(x) = 1
1 + e–σx
Dengan f(x) = σ f(x) [ 1 – f(x)]
56
Kecerdasan Komputasional : Konsep dan Aplikasi
D. Proses Pembelajaran
Jaringan syaraf mensimulasikan kemampuan otak manusia
untuk pembelajaran. Tidak seperti model biologis, jaringan syaraf
memiliki struktur yang tidak bisa dirubah. Pada JST juga tersusun atas
neuron dan dendrit sama seperti susunan otak manusia. setiap
neuron mempunyai nilai tertentu yang menunjukkan koneksi antar
neuron yang disebut sebagai bobot. Nilai bobot akan bertambah jika
informasi yang diberikan neuron tersebut telah tersampaikan. Jika
tidak tersampaikan maka nilai bobot akan dikurangi.
Pada proses pembelajaran dilakukan pada nilai input yang
berbeda, nantinya akan dihasilkan sebuah nilai yang seimbang karena
nilai bobot berubah secara dinamis. Jika sudah menghasilkan nilai
tersebut, maka hal itu menunjukkan bahwa setiap input telah
berhubungan dengan outputnya.
Ada dua macam proses pembelajaran pada JST yaitu
pembelajaran terawasi dan pembelajaran yang tak terawasi.
wi (baru) = wi (lama) + xi * y
Dengan :
wi = bobot data input ke-i
xi = input data ke-i
y = output data
x1
w1 y_in F(y_in) y
w2 ∑xw+b
x2
b
b. Perceptron
Biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang dikenal dengan pemisahan cara linear.
Perceptron merupakan jaringan lapis tunggal yang mempunyai
bobot bisa diatur dan mempunyai ambang batas. Procedure
pelatihannya dapat membuat output dari bobot menjadi
konvergen. Perceptron memiliki 3 lapisan dari neuron-
neuronnya yaitu unit sensor, asosiasi dan unit respon. Ketiga
58
Kecerdasan Komputasional : Konsep dan Aplikasi
+ daerah positip
daerah nol
+ daerah
negatif
-
x1
59
Kecerdasan Komputasional : Konsep dan Aplikasi
60
Kecerdasan Komputasional : Konsep dan Aplikasi
c. Delta Rule
Delta rule mengubah bobot yang menghubungkan antara
jaringan input ke unit output (y_in) dengan target (t) yang
berfungsi meminimalkan error selama pelatihan.
Perbaikan bobotnya adalah :
Δ wi = α (t-y_in) * xi
Dengan :
x = vektor input n
d. Backpropagation
Adalah algoritma pembelajaran yang biasa digunakan
perceptron banyak lapisan untuk merubah nilai bobot yang
terhubung dengan neuron pada lapisan tersembunyi.
Algoritmanya memakai eror output untuk merubah nilai bobot
dengan arah mundur (backward). Untuk menghasilkan eror
output tersebut harus melalui perambatan maju (forward)
dengan terlebih dahulu mengaktifkan fungsi aktivasi sigmoid.
f(x) = 1
1 + e –x
61
Kecerdasan Komputasional : Konsep dan Aplikasi
V11 W11
X1 Z1 Y1
Wj1
Vi1
Vn1 Wp1
V1j W1k
Vij Wjk
Xi Zj Yk
Vnj Wpk
V1p
Vip W1m
Wjm
Vnp
Xn Zp Wpm
Ym
Keterangan:
Xi Unit input ke-i
Zj Hidden unit ke-j
Yk Unit output ke-k
Vij Bobot antara unit input ke-i dengan hidden unit ke-j
Wjk Bobot antara hidden unit ke-j dengan unit output ke-k
Pada dasarnya, pembelajaran atau pelatihan dengan metode
Backpropagation terdiri atas tiga langkah utama, yaitu:
1. Data dimasukkan ke unit input (feedforward).
2. Perhitungan dan propagasi balik dari error.
3. Pembaharuan (adjusment) bobot.
Untuk selengkapnya, langkah-langkah pelatihan adalah
sebagai berikut :
Step 1 Inisialisasi nilai bobot
Nilai bobot dapat diset dengan sembarang angka
(acak) antara -0.5 dan 0.5
62
Kecerdasan Komputasional : Konsep dan Aplikasi
e. Heteroassociative Memory
Merupakan jaringan yang bobotnya telah ditentukan sehingga
jaringan dapat menyimpan kumpulan pengelomokan pola.
Masing-masing kelompok merupakan pasangan vector (s(p),
t(p)) dengan p = 1,2,..P. Setiap vector s(p) mempunyai n
komponen, dan setiap vector y(p) memiliki m komponen.
Algoritma yang biasa digunakan oleh jaringan
Heteroassociative memory ini adalah Hebb dan delta rule.
Output yang dihasilkan adalah vektor output yang sesuai
dengan vektor input yang merupakan salah satu vektor s(p)
atau vector lain diluar s(p).
Algoritma :
1. Inisialisasi bobot dengan menggunakan Hebb rule atau
delta rule
2. Untuk setiap vector input, maka :
a. Set input dengan nilai sama dengan vector input
b. Hitung input jaringan ke unit output :
y_inj = ∑ xj * wij
i
X1 X2 X3
Y1 Y2
65
Kecerdasan Komputasional : Konsep dan Aplikasi
2. BAM Kontinu
BAM kontinu akan mentranformasikan input secara lebih
halus dan kontinu ke lapisan outputdengan nilai range 0,1.
Fungsi aktivasi yang digunakan adalah fungsi aktivasi
sigmoid.
67
Kecerdasan Komputasional : Konsep dan Aplikasi
Dimana :
J = 1,2,..., N
wi = (wi1 ,wi2 ,..., win )T = merupakan vektor dari weight yang
menghubungkan i th hidden nodes dan input nodes.
βi = (βi1 , βi2 ,..., βin )T = merupakan weight vector yang
menghubungkan i th hidden dan output nodes.
bi = threshold dari i th hidden nodes.
wixj = merupakan inner produk dari w i dan x j
Output layer
(predict forecast)
Hidden layer
Input layer
(independent
var)
Gambar 28. Arsitektur ELM [1]
68
Kecerdasan Komputasional : Konsep dan Aplikasi
βT
1
β = ::
βT
N
tT
1
T = ::
tT
N
β = H τT
70
Kecerdasan Komputasional : Konsep dan Aplikasi
dimana,
w= normal bidang
b= posisi bidang relatif terhadap pusat koordinat
Untuk pencarian bidang pemisah terbaik dengan nilai margin
terbesar dapat dirumuskan menjadi masalah optimasi
constraintSVM untuk kasus klasifikasi
Linear dalam primal space, yaitu :
71
Kecerdasan Komputasional : Konsep dan Aplikasi
dimana,
xi= data input
yi= output dari xi
72
Kecerdasan Komputasional : Konsep dan Aplikasi
73
Kecerdasan Komputasional : Konsep dan Aplikasi
74
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB VI.
ALGORITMA GENETIKA
75
Kecerdasan Komputasional : Konsep dan Aplikasi
76
Kecerdasan Komputasional : Konsep dan Aplikasi
Prosedure Inisialisasi
Sebelum melakukan inisialisasi terhadap kromosom
dilakukan, maka yang terlebih dahulu adalah menentukan ukuran
populasi. Ukuran populasi ini bergantung pada masalah yang akan
diselesaikan serta jenis operator genetika yang akan
diimplementasikan. Inisialisasi dilakukan secara acak tetapi tetap
memperhatikan domain solusi dan kendala yang ada.
Fungsi Evaluasi
Fungsi evaluasi merupakan dasar untuk proses seleksi.
Langkah-langkahnya yaitu string dikonversi ke parameter fungsi,
fungsi objective-nya dievaluasi, kemudian mengkonvert fungsi
objektif tersebut ke dalam fitness.
Yaitu yang perlu dilakukan saat melakukan proses evaluasi
adalah melakukan evaluasi objektif dan mengkonversi fungsi objektif
77
Kecerdasan Komputasional : Konsep dan Aplikasi
ke dalam fungsi fitness. Nilai dari fungsi fitness adalah positif. Jika
nilai fungsi objektif adalan negatif maka harus ditambah satu
konstanta agar nilai fungsi fitness tidak berupa negatif.
Output dari fungsi fitness dipergunakan sebagai dasar untuk
menseleksi individu pada generasi berikutnya
Seleksi
Tujuan dari adanya seleksi adalah memberi peluang yang
besar bagi anggota populasi untuk melakukan reproduksi. Ada
beberapa macam metode seleksi yaitu:
- Rank Based fitness assigment¸ populasi diurutkan menurut nilai
objektif
- Roulette wheel selection, individu dipetakan dalam segmen
garis secara terurut hingga memiliki ukuran yang sama dengan
fitnessnya
- Stochostic universal sampling, memiliki nilai bias 0 dan
penyebaran yang minimum. Untuk pengurutan fitnessnya sama
seperti roulette wheel selection
- Local selection, individu yang berada pada konstrain tertentu
disebut dengan nama lokal
- Truncation selection, pada seleksi pemotongan ini nampak
seperti buatan
- Tournament selection, pada seleksi ini ditetapkan suatu nilai
untuk individu yang dipilih secara acak dari populasi.
Seleksi ini menentukan individu mana yang akan dipilih untuk
dirokombinasi dan bagaimana membentuk offspring dari individu
tersebut.
Ada beberapa definisi yang bisa digunakan untuk
perbandingan dengan beberapa metode yang akan digunakan, yaitu:
1. Selective pressure.
Probabilitas dari individu terbaik dibandingkan dengan rata-
rata probabilitas dari semua individu yang telah diseleksi
78
Kecerdasan Komputasional : Konsep dan Aplikasi
2. Bias
Perbedaan absolut antara fitness individu dengan probabilitas
repropduksi
3. Spread
Range nilai kemungkinan offspring
4. Loss of diversity
Proporsi dari individu dalam populasi yang tidak terseleksi
5. Selection intensity
Nilai fitness rata-rata yang diinginkan setelah di seleksi
6. Selection variance
Variansi yang diinginkan setelah proses seleksi
C. Operator Genetika
Operator genetik dipergunakan untuk mengkombinasi
(modifikasi) individu dalam aliran populasi guna mencetak individu
pada generasi berikutnya.
Operator genetika ada 2 macam yaitu:
a) Operator untuk rekombinasi, Terdiri dari :
Rekombinasi bernilai real
- Rekombinasi diskret, akan menukar nilai variabel antar
kromosom induk
- Rekombinasi intermediate, adalah metode kombinasi
yang hanya digunakan untuk vareabel real
Anak dihasilkan menurut aturan :
Anak = induk1 + alpha (induk2 – induk1)
Alpha adalah skala yang dipilih secara acak.
- Rekombinasi garis, nilai alpha untuk semua vareabel
sama karena metode ini hampir sama dengan
rekombinasi menengah
- Rekombinasi garis yang diperluas
Rekombinasi bernilai biner (crossover)
- Crossover satu titik, posisi penyilangan dengan panjang
kromosom diseleksi secara acak.
79
Kecerdasan Komputasional : Konsep dan Aplikasi
b) Mutasi
Mutasi ini berperan menggantikan gen yang hilang dari
populasi akibat seleksi yang memungkinkan untuk
memunculkan kembali gen yang tidak muncul pada inisialisasi
populasi.
Mutasi bernilai real, ukuran langkahnya sulit ditentukan bila
ukurannya kecil sering mengalami kesulitan tetapi ukuran
yang lebih besar dapat berjalan lebih cepat
Mutasi bernilai biner, untuk mendapatkan mutasi biner yaitu
mengganti satu atau beberapa nilai gen dari kromosom.
Penentuan Parameter
Parameter yang digunakan adalah parameter kontrol
algoritma genetika, antara lain ukuran populasi, peluang crossover,
dan peluang mutasi. Nilainya ditentukan sesuai dengan masalah yang
dihadapi.
81
Kecerdasan Komputasional : Konsep dan Aplikasi
c. Mutasi
Mutasi menciptakan individu baru dengan melakukan
modifikasi satu atau lebih gen dalam individu yang sama.
Sehingga mutasi akan meningkatkan variasi populasi.
Mutasi merubah secara acak nilai bit pada posisi tertentu.
Kemudian mengganti nilai bit 1 dengan 0, atau sebaliknya.
Pada mutasi akan mungkin muncul kromosom baru yang
belum muncul pada populasi awal.
Ada bagian yang juga penting pada mutasi, yaitu peluang
crossover karena menunjukkan jumlah total gen pada populasi
yang mengalami mutasi.
Untuk menentukan mutasi, harus terlebih dahulu menghitung
jumlah total gen pada populasinya. Kemudian bangkitkan
bilangan random yang menentukan posisi mana yang akan
dimutasi.
Ya
Hasil
Mutasi Tidak
seleksi
Bangkitkan
Populasi
awal Rekombinasi
Mutasi
82
Kecerdasan Komputasional : Konsep dan Aplikasi
Menginisiasi kromosom
Semua pengkodean di atas di inisiasikan secara random
83
Kecerdasan Komputasional : Konsep dan Aplikasi
Seleksi
84
Kecerdasan Komputasional : Konsep dan Aplikasi
Hasil seleksi adalah [ 0,2 , 0,25 , 0,15 ,0,15 , 0,01 , 0,75 , 0,09,
0,5 , 0,75]
Jika R[K] < C[K] maka kromosom 1 sebagai induk
Syarat C[K-1] < R<C[K] maka krokomosom ke-k sebagai
induk
Ket : R[K] = bilangan random antara [0-1]
C[K] = comulative dari probabilitas
kromosom populasi baru hasil seleksi adalah :
85
Kecerdasan Komputasional : Konsep dan Aplikasi
Mutasi
Pmuk umumnya diset antara [0-1] = 0,1
86
Kecerdasan Komputasional : Konsep dan Aplikasi
Seleksi
87
Kecerdasan Komputasional : Konsep dan Aplikasi
88
Kecerdasan Komputasional : Konsep dan Aplikasi
Mutasi
Pmuk = 0,1
Total Gen = 3 x 9 = 27
Probabilitas = 0,1 x 27 = 2,7 = 3
Posisi gen yang terpilih 16 18 25, maka setelah dimutasi
menghasilkan kromosom baru
89
Kecerdasan Komputasional : Konsep dan Aplikasi
90
Kecerdasan Komputasional : Konsep dan Aplikasi
BAB VII.
KECERDASAN BERKOLONI
92
Kecerdasan Komputasional : Konsep dan Aplikasi
93
Kecerdasan Komputasional : Konsep dan Aplikasi
Langkah 1 :
a. Inisialisasi harga parameter-parameter algoritma.
Parameter-parameter yang di inisialisasikan adalah:
1. Intensitas jejak semut antar kota dan perubahannya (τij)
2. Banyak kota (n) termasuk x dan y (koordinat) atau dij (jarak
antar kota)
3. Penentuan kota berangkat dan kota tujuan
4. Tetapan siklus-semut (Q)
5. Tetapan pengendali intensitas jejak semut (α)
6. Tetapan pengendali visibilitas (β)
7. Visibilitas antar kota = 1/dij (ηij)
8. Jumlah semut (m)
9. Tetapan penguapan jejak semut (ρ)
10. Jumlah siklus maksimum (NCmax) bersifat tetap selama
algoritma dijalankan, sedangkan τij akan selalu diperbaharui
harganya pada setiap siklus algoritma mulai dari siklus
94
Kecerdasan Komputasional : Konsep dan Aplikasi
Langkah 2 :
Pengisian kota pertama ke dalam tabu list. Hasil inisialisasi
kota pertama semut pada langkah 1 harus diisikan sebagai elemen
pertama tabu list. Hasil dari langkah ini adalah terisinya elemen
pertama tabu list setiap semut dengan indeks kota pertama.
Langkah 3 :
Penyusunan jalur kunjungan setiap semut ke setiap kota.
Koloni semut yang sudah terdistribusi ke kota pertama akan mulai
melakukan perjalanan dari kota pertama sebagai kota asal dan salah
satu kotakota lainnya sebagai kota tujuan. Kemudian dari kota kedua,
masing-masing koloni semut akan dari kota-kota yang tidak terdapat
pada tabuk sebagai kota tujuan selanjutnya. Perjalanan koloni semut
berlangsung terus menerus hingga mencapai kota yang telah
ditentukan. Jika s menyatakan indeks urutan kunjungan, kota asal
dinyatakan sebagai tabuk(s) dan kota-kota lainnya dinyatakan
sebagai {N-tabuk}, maka untuk menentukan kota tujuan digunakan
persamaan probabilitas kota untuk dikunjungi sebagai berikut,
dengan i sebagai indeks kota asal dan j sebagai indeks kota tujuan.
95
Kecerdasan Komputasional : Konsep dan Aplikasi
Langkah 4 :
a. Perhitungan panjang jalur setiap semut. Perhitungan panjang jalur
tertutup (length closed tour) atau Lk setiap semut dilakukan
setelah satu siklus diselesaikan oleh semua semut. Perhitungan
dilakukan berdasarkan tabuk masing-masing dengan persamaan
berikut:
96
Kecerdasan Komputasional : Konsep dan Aplikasi
Langkah 5 :
a. Perhitungan harga intensitas jejak kaki semut antar kota untuk
siklus selanjutnya. Harga intensitas jejak kaki semut antar kota
pada semua lintasan antar kota ada kemungkinan berubah karena
adanya penguapan dan perbedaan jumlah semut yang melewati.
Untuk siklus selanjutnya, semut yang akan melewati lintasan
tersebut harga intensitasnya telah berubah. Harga intensitas jejak
kaki semut antar kota untuk siklus selanjutnya dihitung dengan
persamaan:
b. Atur ulang harga perubahan intensitas jejak kaki semut antar kota.
Untuk siklus selanjutnya perubahan harga intensitas jejak semut
antar kota perlu diatur kembali agar memiliki nilai sama dengan
nol.
Langkah 6 :
Pengosongan tabu list, dan ulangi langkah dua jika
diperlukan. Tabu list perlu dikosongkan untuk diisi lagi dengan
urutan kota yang baru pada siklus selanjutnya, jika jumlah siklus
maksimum belum tercapai atau belum terjadi konvergensi Algoritma
diulang lagi dari langkah dua dengan harga parameter intensitas jejak
kaki semut antar kota yang sudah diperbaharui.
97
Kecerdasan Komputasional : Konsep dan Aplikasi
Jarak AntarKota
A B C D E F
A 0 5 4 2 0 0
B 5 0 0 0 2 0
C 4 0 0 1 0 4
D 2 0 1 0 3 0
E 0 2 0 3 0 1
Tabel 7. Jarak Antar kota dij
99
Kecerdasan Komputasional : Konsep dan Aplikasi
100
Kecerdasan Komputasional : Konsep dan Aplikasi
101
Kecerdasan Komputasional : Konsep dan Aplikasi
Waggle Dance
Jika seekor lebah menari, tarian lebah akan berlangsung
selama beberapa durasi. Durasi tarian Di dari lebah i ditentukan oleh
fungsi linear berikut.
104
Kecerdasan Komputasional : Konsep dan Aplikasi
nol, maka lebah akan memelihara path-nya sendiri. Lebah lebih suka
melakukan pencarian secara random dan mengikuti waggle dance jika
profitability rating-nya rendah bila dibandingkan dengan rata-rata
profitability koloninya.
106
Kecerdasan Komputasional : Konsep dan Aplikasi
DAFTAR PUSTAKA
107
Kecerdasan Komputasional : Konsep dan Aplikasi
108