Perbaikan UTS

• Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS

• Apakah tugas tsb telah dikerjakan dengan baik?

• Contoh yang SALAH:– Paper tidak terkait / berbasis WEB

– Tidak ada unsur kecerdasan buatan

– Paper terbit sebelum 2008

• Silakan diperbaiki (bagi yang merasa salah) dandikumpulkan, terakhir 04 Desember 2013.

Tugas Baru, Perbaikan UAS

• Mirip dengan tugas sebelumnya, merangkum Paper yang membahas tentang aplikasi web yang melibatkan konsep kecerdasan buatan.

• Hanya paper yang terbit 2011 s.d 2013• Dikumpulkan minggu terakhir kuliah, 18 Desember 2013.

• Kata kunci umum: Web Intelligent system• Web, dapat diwakili (lebih fokus): personalization,

recommender system, social network (sentiment analysis & opinion mining), web retrieval/web mining, search engine

• Intelligent dapat diwakilkan dengan: expert system, machine learning, fuzzy system, genetic algorithm, neural network, swarm intelligent, ant algorithm, bio-inspired.

Mengenai UAS

• Materi yang diujikan:

– Penalaran Fuzzy (Mamdani & Sugeno)

– Pembelajaran (pembelajaran mesin & jaringan syaraf tiruan)

• Waktu 75 (?) menit, terbuka (?)

Contoh Soal Sistem Fuzzy

Husni

Harus diingat!

• Tahapan kerja sistem Fuzzy: FuzzificationInferensi Defuzzification

• Fungsi Keanggotaan yang sering digunakan: Trapesium, kemudian Segitiga

• Model Penalaran (inferensi) yang banyak digunakan: Mamdani, kemudian Sugeno.

• Metode defuzzification yang sering digunakan: Centroid dan Weighted Average.

Fungsi Keanggotaan Trapesium & Segitig

Contoh: Sprinkler Control System

• Sensor suhu menerima panas 37

• Sensor kelembaban menerima nilai 12%

• Berapa lama Durasi penyiraman harus dilakukan oleh Sprinkler?

1: Fuzzification

• Misal digunakan fungsi keanggotaan Trapesium dengan lima variabel linguistik untuk Suhu Udara: Dingin, Sejuk, Normal, Hangat dan Panas.

• Suhu 37 masuk dalam Hangat & Panas.

• Untuk Kelembaban, ada 3, juga trapesium: Kering, Lembab dan Basah

• Kelembaban 12% masuk dalam Kering & Lembab

• Bagaimana menghitung derajat keanggotaan dari suatu nilai Crisp?

2: Inferensi (Penalaran)

• Berikut ini rangkuman aturan (rule) yang diberikan pakar Sprinkler, ada kemungkinan output: Lama, Sedang, Singkat.

• Ada 15 rule. Misal:

– IF Suhu = Dingin AND Kelembaban = Kering

THEN Durasi = Lama

Dingin Sejuk Normal Hangat Panas

Kering Lama Lama Lama Lama Lama

Lembab Singkat Singkat Sedang Sedang Sedang

Basah Singkat Singkat Singkat Singkat Singkat

Inferensi Mamdani

• Ada 4 input: Hangat (2/3), Panas (1/3), Kering (4/5) dan Lembab (1/5)

• Aturan yang berlaku hanya 4:– IF Suhu Hangat AND Kelembaban Kering

THEN Durasi Lama– IF Suhu Hangat AND Kelembaban Lembab

THEN Durasi Sedang– IF Suhu Panas AND Kelembaban Kering

THEN Durasi Lama– IF Suhu Panas AND Kelembaban Lembab

THEN Durasi Sedang

Inferensi Mamdani

– IF Suhu Hangat (2/3) AND Kelembaban Kering (4/5)THEN Durasi Lama (2/3)

– IF Suhu Hangat (2/3) AND Kelembaban Lembab (1/5)THEN Durasi Sedang (1/5)

– IF Suhu Panas (1/3) AND Kelembaban Kering (4/5)THEN Durasi Lama (1/3)

– IF Suhu Panas (1/3) AND Kelembaban Lembab (1/5)THEN Durasi Sedang (1/5)

• Karena 2 fakta disambung dengan AND, ambil nilai min-nya. Jika dengan OR ambil max-nya.

• Jika ada 2 hasil berbeda derajat keanggotaan, ambil nilai max-nya

3: Defuzzification (Mamdani)

Y* = ((24+28+32+36+40)*1/5 + (48+60+70+80+90)*2/3)/

(1/5+1/5+1/5+/15+1/5)+(2/3+2/3+2/3+2/3+2/3)

= 310.4/4.33 = 60.97

2: Inferensi (Sugeno)

• Menggunakan fungsi keanggotaan Singleton. Derajat keanggotaan 1 untuk nilai crisp tertentu dan 0 untuk semua nilai crisp yang lain.

Output Model Sugeno

3: Defuzzification (Sugeno)

• Jika digunakan metode Height, diperoleh hasil crisp 60 (nilai tertinggi)

• Jika digunakan Weighted Average, diperoleh:

y*=(1/5(40) + 2/3(60))/(1/5+2/3) = 55.38

Contoh: Seleksi Penerima Beasiswa

• Ada 100 beasiswa. Jumlah kandidat ada 5000.

• Penilaian diutamakan pada IPK dan Penghasilan Orang Tua per bulan.

• Si A, IPK 3.00, Penghasilan Ortu 10 Jt per bulan

• Si B, IPK 2.99, Penghasilan Ortu 1 jt per bulan.

• Siapa yang lebih berhak menerima Beasiswa, A atau B?

1: Fuzzification

• Misal input IPK dibagi menjadi 3: Buruk (0 –2.75), Cukup (2 – 3.25), Bagus (2.75 – 4)

1: Fuzzification

• Misal input Penghasilan Ortu dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.

2: Inferensi

• Pakar memberikan aturan Nilai Kelayakan (NK) penerima beasiswa berikut:

• Hanya ada 2: Rendah dan Tinggi. Misal: menggunakan fungsi Trapesium

Kecil Sedang Besar Sangat Besar

Buruk Rendah Rendah Rendah Rendah

Cukup Tinggi Rendah Rendah Rendah

Bagus Tinggi Tinggi Rendah Rendah

2: Inferensi

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

3: Defuzzification

• ...