Jumat, 04 November 2016

METODE PENCARIAN BLIND SEARCH



1. BLIND SEARCH
Blind Search merupakan pencarian asal. Jika solusi sudah ditemukan, maka pencarian akan dihentikan. Jika dibuat skemanya, pencarian buta hanya mengenal 3 bagian yaitu [masalah]-[pencarian]-[solusi]. Blind search tidak mempunyai atribut atau informasi tambahan. 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. ciri2 Blind Search
- Membangkitkan simpul berdasarkan urutan
- Kalau ada solusi, solusi akan ditemukan
- hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).
    Ø  BREADTH FIRST SEARCH  (BFS) Algoritma Breadth-First Search (BFS) atau dikenal juga dengan nama algoritma pencarian melebar adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya. Jika graf berbentuk pohon berakar, maka semua simpul pada aras d dikunjungi lebih dahulu sebelum simpul-simpul pad aras d+1.
Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul yang telah dikunjungi. Simpul-simpul ini diperlukan sebagai acuan untuk mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang telah dikunjungi masuk ke dalam antrian hanya satu kali. Algoritma ini juga membutuhkan table Boolean untuk menyimpan simpul yang telah dikunjungi sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya. Urutan proses searching BFS ditunjukkan dalam Gambar 2.1 adalah: A,B,C,D,E,F, ...

contoh:


pada BFS teknik pencarian pesoalannya adalah dengan membuka node (titik) per levelnya.. sehingga pada persoalan diatas penyelesaian pada BFS adalah.


jadi urutan node yang di lalui pada pencarian BFS adalah. a,b,c,d,e,f,g,h.

Keuntungannya :
·         Tidak akan menemui jalan buntu, menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti solusi yang paling baik.
·         Jika ada 1 solusi, maka breadth – first search akan menemukannya.
·         Jika ada lebih dari 1 solusi, maka solusi minimum akan ditemukan

Kerugiannya :
·         Membutuhkan memori yang banyak, karena harus menyimpan semua simpul yang pernah dibangkitkan dan hal ini harus dilakukan agar BFS dapat melakukan penelusuran simpul-simpul sampai di level bawah.
·         Membutuhkan waktu yang cukup lama

Kesimpulan :
Teknik pencarian Breadth – First Search  ini :
Completeness : dimana teknik yang digunakan adanya solusi
Optimality : dimana teknik yang digunakan menemukan solusi yang terbaik saat adanya beberapa solusi berbeda
Time complexity : waktu yang dibutuhkan cukup lama
Space complexity : memori yang dibutuhkan juga banyak.


     Ø  DEPTH FIRST SEARCH (DFS) atau sering disebut juga pencarian mendalam. dilakukan pada suatu simpul dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada simpul sebelah kanan dan simpul yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi.
      Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking (penelusuran balik untuk mendapatkan jalur yang dinginkan).
Contoh:
 
jadi solusi node yang di lalui pada DFS adalah a,b,e,h.

Keuntungannnya :
  • Membutuhkan memori relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan. 
  • Dan secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan, jadi jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya dengan cepat (waktunya cepat) 
Kerugiannya : 
  • Memungkinkan tidak ditemukannya atau tidak adanya tujuan yang diharapkan, karena jika pohon yang dibangkitkan mempunyai level yang sangat dalam (tak terhingga) à tidak complete karena tidak ada jaminan akan menemukan solusi. 
  • Hanya mendapat 1 solusi pada setiap pencarian, karena jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka DFS tidak menjamin untuk menemukan solusi yang paling baik à tidak optimal.

Minggu, 02 Oktober 2016

ARTIFICIAL NEURAL NETWORK

     Sebuah Artificial Neural Network (ANN) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem syaraf secara biologis, seperti otak. Elemen kunci dari paradigma Artificial Neural Network adalah struktur novel dari sistem  pengolahan informasi. Terdiri dari sejumlah elemen pemrosesan yang saling  berhubungan (neuron) yang sangat besar, bekerja serentak untuk menyelesaikan masalah tertentu (Pricipe,2000).
    Seperti manusia yang belajar dari contoh, demikian juga dengan Artificial  Neural Network. Sebuah Artificial Neural Network dikonfigurasi untuk aplikasi tertentu, seperti klasifikasi pengenalan pola atau data, melalui proses pembelajaran. Belajar dalam sistem biologis melibatkan penyesuaian terhadap koneksi sinaptik yang ada antara neuron. Hal ini berlaku juga pada Artificial Neural Network dimana memperoleh pengetahuan melalui pembelajaran, dan pengetahuan yang disimpan dalam koneksi antar-neuron yang kuat dan dikenal sebagai bobot sinaptik (Alyda,2006).
    Salah satu penerapan Artificial Neural Network  adalah digunakan untuk  pengenalan karakter optik yang dikenal dengan Optical Character Recognation. Optical Character Recognition merupakan suatu teknologi yang memungkinkan mesin (komputer) secara otomatis dapat mengenali karakter lewat suatu mekanisme optik. Proses yang dilakukan adalah mengubah citra yang mengandung karakter-karakter di dalamnya ke dalam informasi yang dapat dimanipulasi oleh mesin.

Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya:

- Aeorospace
Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat, perbaikan autopilot dan simulasi komponen pesawat.

- Otomotif
Sistem kendali otomatis mobil.

- Keuangan dan Perbankan
Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.

- Pertahanan (Militer)
Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

- Elektronik
Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.

- Broadcast
Pencarian klip berita melalui pengenalan wajah.


Sumber: 
David A. Forsyth, Jean Ponce, 2003. Computer Vision : A Modern Approach. Pearson Education International.

http://www.academia.edu/7523960/IMPLEMENTASI_ARTIFICIAL_NEURAL_NETWORK_ANN_UNTUK_OPTICAL_CHARACTER_RECOGNATION

http://fridusuhendra.blogspot.co.id/2013/09/jaringan-syaraf-tiruan-jaringan-syaraf.html

Pengertian Sistem Pakar dan Contohnya



ARTIFICIAL INTELEGENCE
Artificial Intelligence atau AI dalam bahasa Indonesia artinya Kecerdasan Buatan yaitu kecerdasan yang ditunjukkan oleh suatu entitas ilmiah. Kecerdasan dibuat dan dimasukkan ke dalam suatu mesin/ komputer supaya bisa melakukan pekerjaan seperti yang bisa dikerjakan oleh manusia.
Dalam pembahasan ini Artificial Intelegence terbagi menjadi 2 yaitu ; Sistem Pakar dan Fuzzy Logic. Berikut ini merupakan pembahasan mengenai Sistem Pakar beserta contoh penerapannya.
SISTEM PAKAR
Pengertian;
Sistem Pakar adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan (konsultasi).
Kepakaran (expertise) adalah pengetahuan yang ekstensif dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman.
Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior. Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar).
Sistem pakar adalah suatu program computer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan kapabilitas penalaran untuk mencapai suatu simpulan.
Sistem Pakar memiliki ciri-ciri yaitu:

  • Terbatas pada domain keahlian tertentu.
  • Dapat memberikan penalaran untuk data yang tidak pasti.
  • Dapat mengemukakan rangkaian alasan yang diberikan dengan cara yang dapat dipahami. 
  •  Berdasarkan kaidah atau rule tertentu.
  • Dirancang untuk dapat dikembangkan secara bertahap.

Contoh Penerapan :

  • MYCIN  : Digunakan untuk mendiagnosa penyakit.
  • Dendral  : Digunakan untuk mengidentifikasikan struktur molekul campuran kimia yang tidak dikenal.
  • XCON & XSEL : Digunakan untuk konfigurasi sistem komputer besar.
  • Prospector : Digunakan dalam bidang ilmu biologi.

Sumbernya Berasal Dari :
Hayadi B. Hermawan, Sistem Pakar, Bengkulu, Deepublish, 2016

Pengertian Fuzzy Logic dan Contohnya


ARTIFICIAL INTELEGENCE
Artificial Intelligence atau AI dalam bahasa Indonesia artinya Kecerdasan Buatan yaitu kecerdasan yang ditunjukkan oleh suatu entitas ilmiah. Kecerdasan dibuat dan dimasukkan ke dalam suatu mesin/ komputer supaya bisa melakukan pekerjaan seperti yang bisa dikerjakan oleh manusia.
Dalam pembahasan ini Artificial Intelegence terbagi menjadi 2 yaitu ; Sistem Pakar dan Fuzzy Logic. Berikut ini merupakan pembahasan mengenai Fuzzy Logic beserta contoh penerapannya.
FUZZY LOGIC
Pengertian;
Fuzzy logic jika di artikan kedalam Bahasa Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain.
Penggunaan System Fuzzy tidak bermaksud untuk mengacu kepada sebuah system yang tidak jelas atau kabur atau remang-remang. Sebaliknya yang dimaksud dengan System Fuzzy yaitu sebuah system yang dibangun dengan definisi, cara kerja dan deskripsi yang jelas. Penalaran Logika Fuzzy menyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.
Fuzzy logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Logika ini berhubungan dengan set fuzzy dan teori kemungkinan.
Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan yang membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer dapat melakukan hal-hal yang apabila dikerjakan manusia memerlukan kecerdasan.
Dengan kata lain fuzzy logic mempunyai fungsi untuk “meniru” kecerdasan yang dimiliki manusia untuk melakukan sesuatu dan mengimplementasikannya ke suatu perangkat, misalnya robot, kendaraan, peralatan rumah tangga, dan lain-lain.
Contoh Penerapan dari Fuzzy Logic:
  • Sistem Pengereman Mobil (Nissan).
  • Pengontrol kereta bawah tanah di Sendai, Jepang. 
  • Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).
  • Mesin Cuci.
  • Kamera.
  • Microwave.
Contoh penerapan Logika Fuzzy dalam kehidupan sehari-hari:
  • Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan.
Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat, dan jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.
  • Logika Fuzzy untuk Sistem Pengaturan Lampu Lalulintas.
Untuk memperlancar arus lalulintas dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan bias dikurangi. Untuk kepadatan jumlah kendaraan dibuat pemberitahuan seperti: Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).
Sumbernya Berasal Dari :
Naba Agus, Tutorial Mudah & Cepat Fuzzy Logic dengan MatLab, edisi 1, Malang, Agus Naba, 2009.