reasoning artificial intelegence
DESCRIPTION
Mata Kuliah AI IT-Telkom 2011TRANSCRIPT
-
5/25/2018 Reasoning Artificial Intelegence
1/228
Informatics Theory & Programming (ITP)
Informatics Eng. Dept. IT Telkom
-
5/25/2018 Reasoning Artificial Intelegence
2/228
Outline Propositional Logic
First-Order Logic
Fuzzy Systems
-
5/25/2018 Reasoning Artificial Intelegence
3/228
Lima Jenis Logic [RUS95]
JenislogicApa yang ada di
dunia nyata
Apa yang dipercaya
Agent tentang faktaPropositional logic fakta benar/salah /tidak diketahui
First-order logic fakta, objek, relasi benar/salah /tidak diketahui
Temporal logic fakta, objek, relasi, waktu benar/salah /tidak diketahui
Probability theory fakta derajat kepercayaan [0,1]
Fuzzy logic derajat kebenaran derajat kepercayaan [0,1]
-
5/25/2018 Reasoning Artificial Intelegence
4/228
Propositional Logic Logicyang paling sederhana
Sangat mudah dipahami
Membuat kita lebih mudah membedakan teknikreasoning dengan teknik searching.
-
5/25/2018 Reasoning Artificial Intelegence
5/228
BNF (Backus-Naur Form)
Sentence AtomicSentence | ComplexSentence
AtomicSentence True| False
| P | Q | R | ...
ComplexSentence (Sentence)
| Sentence Connective Sentence
| Sentence
Connective | | |
-
5/25/2018 Reasoning Artificial Intelegence
6/228
P Q
P P
Q P
Q P
Q P
QFalse
False
True
True
False
True
False
True
True
True
False
False
False
False
False
True
False
True
True
True
True
True
False
True
True
False
False
True
Tabel Kebenaran 5 connective
-
5/25/2018 Reasoning Artificial Intelegence
7/228
1. Mod us Ponens atauImplicat ion-Eliminat ion:
,
2. And-Eliminat ion:
i
n
...21
3. And-Introduct io n:
n
n
...
,...,,
21
21
4. Or-Introduct io n:
n
i
...21
5. Double-Negation-Elimination:
6. Unit Resolut ion:
,
7. Resolut ion:
, ekivalen dengan
,
AturanInferensi
Propositional logic
-
5/25/2018 Reasoning Artificial Intelegence
8/228
Modus Ponens (Implication-Elimination)
,
-
5/25/2018 Reasoning Artificial Intelegence
9/228
And-Elimination
i
n
...21
-
5/25/2018 Reasoning Artificial Intelegence
10/228
And-Introduction
n
n
...
,...,,
21
21
-
5/25/2018 Reasoning Artificial Intelegence
11/228
Or-Introduction
n
i
...21
-
5/25/2018 Reasoning Artificial Intelegence
12/228
Double-Negation-Elimination
-
5/25/2018 Reasoning Artificial Intelegence
13/228
Unit Resolution
,
-
5/25/2018 Reasoning Artificial Intelegence
14/228
Resolution
,
,
-
5/25/2018 Reasoning Artificial Intelegence
15/228
Game Dunia Wumpus
Game sederhana
Bagaimana implementasi Propositional Logic
-
5/25/2018 Reasoning Artificial Intelegence
16/228
4 Stench Breeze Pit
3 Wumpus
Stench
Breeze,
Stench ,
Gold(gl i t ter)
Pit Breeze
2 Stench Breeze
1START
AgentBreeze Pit Breeze
1 2 3 4
-
5/25/2018 Reasoning Artificial Intelegence
17/228
WumpusMonster yang tinggal di sebuah gua (16 ruangan)
Di dalam gua terdapat 3 lubang mematikan (Pit) yang
mengeluarkan angin (breeze) sehingga sampai keruangan-ruangan di sekitarnya.
Wumpus mengeluarkan bau busuk (stench).
Wumpus menjerit (scream) dan mati jika terpanah.
-
5/25/2018 Reasoning Artificial Intelegence
18/228
-
5/25/2018 Reasoning Artificial Intelegence
19/228
Aturan Main Saat permainan dimulai,Agent berada di posisi (1,1)
TugasAgent
menemukan emas membawanya kembali ke kotak start (1,1)
secepat mungkin dengan jumlah aksi seminimummungkin, tanpa terbunuh
Poin 1.000 : agent berhasil keluar gua + membawa emas
1 : untuk setiap aksi yang dilakukan
-10.000 : jika agentterbunuh
-
5/25/2018 Reasoning Artificial Intelegence
20/228
4 Stench Breeze Pit
3 Wumpus
Stench
Breeze,
Stench ,
Gold(gl i t ter)
Pit Breeze
2 Stench Breeze
1START
AgentBreeze Pit Breeze
1 2 3 4
-
5/25/2018 Reasoning Artificial Intelegence
21/228
Dunia Wumpus Masalah dunia Wumpus dapat dirumuskan ke dalam
tiga kelompok sbb:
Percept:sesuatu yang ditangkap olehAgent
Action: aksi yang dapat dilakukan olehAgent
Goal: tujuan
-
5/25/2018 Reasoning Artificial Intelegence
22/228
Percept Percept: [stench , breeze, glitter, bump, scream]
[stench , breeze, None, None, None]
Ada stench dan breeze Tidak adaglitter, bump, maupun scream
-
5/25/2018 Reasoning Artificial Intelegence
23/228
ActionMove:hadap kiri, hadap kanan, atau maju.
Grab:mengambil objek yang berada di kotak dimanaagent berada.
Shoot:memanah dengan arah lurus sesuai denganarahAgent menghadap.
Climb:memanjat keluar dari gua.
-
5/25/2018 Reasoning Artificial Intelegence
24/228
Goal Menemukan emas dan membawanya kembali ke kotak
start (1,1) secepat mungkin dengan jumlah actionyangseminimum mungkin, tanpa terbunuh.
Poin
1.000 : agent berhasil keluar gua + membawa emas
1 : untuk setiap aksi yang dilakukan
-10.000 : jika agentterbunuh
-
5/25/2018 Reasoning Artificial Intelegence
25/228
Wumpus dengan Reasoning Reasoningmengunakanpropositional logic
Pertama, kita harus merepresentasikan fakta ataukeadaan ke dalam simbol-simbolpropositional logic.
S1,2 : ada stench di kotak (1,2)
B2,1 : ada breezedi kotak (2,1)
G2,3 : adaglitterdi kotak (2,3)
M1,4 : bumpdi kotak (1,4) C1,3 : ada screamdi kotak (1,3)
W1,3 : ada Wumpusdi kotak (1,3)
S1,1 : tidak ada stench di posisi (1,1)
-
5/25/2018 Reasoning Artificial Intelegence
26/228
Knowledge-based System(KBS)Agentknowledge-based system
Agent melakukan aksi berdasarkan hasil penalaranperceptterhadap Knowledge Basedyang dimilikinya.
Pada awal permainan, di dalam KB tidak ada faktasama sekali karenaAgent belum menerimapercept.
KB hanya berisi beberapa aturan (rule) yang
merupakan pengetahuan tentang environment
-
5/25/2018 Reasoning Artificial Intelegence
27/228
R1: S1,1 W1,1 W1,2W2,1
R2: S2,1 W1,1 W2,1W2,2 W3,1R3: S1,2 W1,1 W1,2W2,2 W1,3
R4: S1,2 W1,3 W1,2 W2,2 W1,1
...
R33: B1,1 P1,1 P1,2P2,1
R34: B2,1 P1,1P2,1P2,2 P3,1
...
Pengetahuan ttg environment
-
5/25/2018 Reasoning Artificial Intelegence
28/228
Translation
T1: A2,1EastAP3,1 Forward
T2: A1,2NorthAW1,3 Forward
...
Untuk melakukan aksi yang tepat, agentharus dibekali
aturan untuk menerjemahkan pengetahuan menjadi aksi.
T1 dibaca: Jikaagent di (2,1) dan menghadap ke Timur dan
ada Pit di (3,1), maka jangan melangkah maju (ke posisi (3,1)).
-
5/25/2018 Reasoning Artificial Intelegence
29/228
Inference & Reasoning Inference : A process of drawing conclusion
(solution) from set of facts.
Reasoning:AProcess of deriving new knowledgefrom the exist knowledge.
-
5/25/2018 Reasoning Artificial Intelegence
30/228
Apakah Wumpus berada di posisi (1,3)?
Bagaimana reasoningoleh manusia?
Bagaimana proses reasoningoleh agent?
4 Stench Breeze Pit
3 Wumpus
Stench
Breeze,
Stench ,
Gold(glit ter)
Pi t Breeze
2 Stench Breeze
1START
AgentBreeze Pi t Breeze
1 2 3 4
-
5/25/2018 Reasoning Artificial Intelegence
31/228
Agentberada di posisi (1,1) Pada awalnya, KB hanya berisi Rule yang berupa
pengetahuan tentang environment. Tidak ada faktasama sekali karena agent belum melakukanpercept.
Pada kasus di atas,Agent menerimaperceptyangberupa [None, None, None, None, None]
Tidak ada stench, breeze, glitter, bump, scream
Selanjutnya, Agent menggunakan aturan inferensi danpengetahuan tentang environment untuk melakukanproses inferensi.
-
5/25/2018 Reasoning Artificial Intelegence
32/228
R1: S1,1 W1,1 W1,2W2,1
R2: S2,1 W1,1 W2,1W2,2 W3,1R3: S1,2 W1,1 W1,2W2,2 W1,3
R4: S1,2 W1,3 W1,2 W2,2 W1,1
...
R33: B1,1 P1,1 P1,2P2,1
R34: B2,1 P1,1P2,1P2,2 P3,1
...
Pengetahuan ttg environment
-
5/25/2018 Reasoning Artificial Intelegence
33/228
Proses inferensi di (1,1)Modus Ponensuntuk S1,1dan R1
W1,1 W1,2 W2,1
And-Eliminationterhadap hasil di atasW1,1 W1,2 W2,1
Modus Ponensuntuk B1,1dan R33P1,1 P1,2 P2,1
And-Eliminationterhadap hasil di atas
P1,1 P1,2 P2,1
Inferensi dilakukan sampai dihasilkan kalimat yang paling
sederhana atau bahkan atomik.
-
5/25/2018 Reasoning Artificial Intelegence
34/228
S1,1 B1,1 G1,2 M1,1 C1,2 W1,1 P1,1W2,1 P2,1W1,2 P1,2
R1: S1,1 W1,1 W1,2W2,1
R2: S2,1 W1,1 W2,1W2,2 W3,1
R3: S1,2 W1,1 W1,2W2,2 W1,3
R4: S1,2 W1,3 W1,2 W2,2 W1,1
...
R33: B1,1 P1,1 P1,2P2,1
R34: B2,1 P1,1P2,1P2,2 P3,1
...
-
5/25/2018 Reasoning Artificial Intelegence
35/228
MisalkanAgentke posisi (2,1) Percept [None, Breeze, None, None, None]
Ada breeze, tidak ada stench,glitter, bump dan scream
S2,1,B2,1,
G2,1,
M2,1, dan
C2,1
-
5/25/2018 Reasoning Artificial Intelegence
36/228
Proses inferensi di (2,1)Modus Ponensuntuk S2,1dan R2
W1,1 W2,1 W2,2 W3,1
And-Eliminationterhadap hasil tersebutW1,1 W2,1 W2,2 W3,1
Modus Ponensuntuk B2,1dan R34
P1,1 P2,1 P2,2 P3,1
Unit Resolution terhadap hasil tersebut dengan P1,1kemudian P2,1, sehingga didapat
P2,2 P3,1
-
5/25/2018 Reasoning Artificial Intelegence
37/228
S1,1 B1,1 G1,2 M1,1 C1,2 W1,1 P1,1 P2,2 P3,1W2,1 P2,1W1,2 P1,2W2,2
W3,1
R1: S1,1 W1,1 W1,2W2,1
R2: S2,1 W1,1 W2,1W2,2 W3,1
R3: S1,2 W1,1 W1,2W2,2 W1,3
R4: S1,2 W1,3 W1,2 W2,2 W1,1
...
R33: B1,1 P1,1 P1,2P2,1
R34: B2,1 P1,1P2,1P2,2 P3,1
...
-
5/25/2018 Reasoning Artificial Intelegence
38/228
MisalkanAgentke posisi (1,2) Percept [Stench, None, None, None, None]
Ada stench, tidak ada breeze,glitter, bump danscream.
S1,2,
B1,2,
G1,2,
M1,2, dan
C1,2
-
5/25/2018 Reasoning Artificial Intelegence
39/228
Proses inferensi di (1,2)Modus Ponensuntuk S1,2dan R4
W1,3 W1,2 W2,2 W1,1
Unit Resolutionterhadap hasil di atas dengan
W1,1W1,3 W1,2 W2,2
Unit Resolutionterhadap hasil di atas dengan W2,2
W1,3 W1,2
Unit Resolutionterhadap hasil di atas dengan W1,2
W1,3
-
5/25/2018 Reasoning Artificial Intelegence
40/228
First-Order Logic (FOL) Objects:sesuatu dengan identitas individual (people,
houses, colors, )
Properties: sifat yang membedakannya dari objectyang lain (red, circle, )
Relations: hubungan antar object (brother of, biggerthan, part of, ...)
Functions: relation yang mempunyai satu nilai(father of, best friend, )
-
5/25/2018 Reasoning Artificial Intelegence
41/228
Sentence AtomicSentence
| Sentence Connective Sentence
| Quantifier Variable, Sentence
| Sentence
| (Sentence)
AtomicSentencePredicate(Term,) | Term = Term
Term Function(Term,)
| Constant
| Variable
Connective | | |
Quantifier | Constant A| X1 |John |
Variable a | x | s |
Predicate Before | HasColor | Raining |
Function MotherOf | LeftLegOf |
-
5/25/2018 Reasoning Artificial Intelegence
42/228
Atomicsentences Dibentuk dari Predicate(Term, ...)atau Term= Term
Sepatu(Budi)
Saudara(Andi,Budi)
Memberi(Andi,Budi,KueCoklat)
Saudara(Andi) = Budi, dan sebagainya.
-
5/25/2018 Reasoning Artificial Intelegence
43/228
Complex sentences Sentence yang dibangun menggunakan connective
Contoh:
Saudara(Andi,Budi)
Memberi(Andi,Budi,Kue)
-
5/25/2018 Reasoning Artificial Intelegence
44/228
Universal quantifiers () Menyatakan sesuatu yang bersifat umum
Simbol (huruf A terbalik) dibaca ForAll
xAnakKecil(x)
Suka(x,Permen) Kalimat tersebut benar jika dan hanya jika semua
kalimat di bawah ini benar
AnakKecil(Andi) Suka(Andi,Permen)
AnakKecil(Anto) Suka(Anto,Permen) AnakKecil(Budi) Suka(Budi,Permen)
...
-
5/25/2018 Reasoning Artificial Intelegence
45/228
Existential quantifiers () Menyatakan sesuatu yang berlaku sebagian.
Simbol (huruf E menghadap ke kiri) dibaca ThereExist (ada satu atau beberapa).
xAnakKecil(x) Suka(x,Permen).
Kalimat ini adalah benar jika dan hanya jika adakalimat di bawah ini yang bernilai benar.
AnakKecil(Andi) Suka(Andi,Permen) AnakKecil(Anto) Suka(Anto,Permen)
AnakKecil(Budi) Suka(Budi,Permen)
...
-
5/25/2018 Reasoning Artificial Intelegence
46/228
Inferensi pada First-Order Logic FOL menggunakan 7 aturanpropositional logic
Ditambah tiga aturan tambahan yang lebih kompleks(berhubungan dengan quantifier), yaitu:
Universal Elimination
Existential Elimination
Existential Introduction
1. Modu s Ponens atauImplicat ion-Eliminat ion:
-
5/25/2018 Reasoning Artificial Intelegence
47/228
p
,
2. And-Eliminat ion:
i
n
...21
3. And-Introduc t ion:
n
n
...
,...,,
21
21
4. Or-Introduc t ion:
n
i
...21
5. Double-Negation-Elimination:
6. Unit Resolut ion:
,
7. Resolut ion:
, ekivalen dengan
,
-
5/25/2018 Reasoning Artificial Intelegence
48/228
Masalah: Hukum Pernikahan Hukum pernikahan menyatakan bahwa suatu
pernikahan adalah tidak sahjika kedua mempelaimemiliki hubungan keponakan.
Wati menikah dengan Andi.
Dimana Wati adalah anak kandung Budi, sedangkanAndi adalah saudara kembar Budi.
Dengan FOL, buktikan bahwa pernikahan Andi danWati adalah tidak sah.
-
5/25/2018 Reasoning Artificial Intelegence
49/228
Langkah pertama x,y Keponakan(x,y) Menikah(x,y) Sah(Menikah(x,y)) (3.1)
Menikah(Wati,Andi) (3.2)
AnakKandung(Wati,Budi) (3.3)
SaudaraKembar(Budi,Andi) (3.4)
x,ySaudaraKembar(x,y) SaudaraKandung(x,y) (3.5)
x,y,z AnakKandung(x,y) SaudaraKandung(y,z) Keponakan(x,z) (3.6)
-
5/25/2018 Reasoning Artificial Intelegence
50/228
Langkah ke dua Dari (3.5) dan Universal Elimination:
SaudaraKembar(Budi,Andi) SaudaraKandung(Budi,Andi) (3.7)
Dari (3.4), (3.7), dan Modus Ponens:
SaudaraKandung(Budi,Andi) (3.8)
Dari (3.6) dan Universal Elimination:
AnakKandung(Wati,Budi) SaudaraKandung(Budi,Andi) Keponakan(Wati,Andi) (3.9)
Dari (3.3), (3.8), danAnd-Intoduction:
AnakKandung(Wati,Budi) SaudaraKandung(Budi,Andi) (3.10)
-
5/25/2018 Reasoning Artificial Intelegence
51/228
Langkah ke dua Dari (3.9), (3.10), dan Modus Ponens:
Keponakan(Wati,Andi) (3.11)
Dari (3.1) dan Universal Elimination:
Keponakan(Wati,Andi) Menikah(Wati,Andi) Sah(Menikah(Wati,Andi)) (3.12)
Dari (3.11), (3.2) danAnd-Intoduction:
Keponakan(Wati,Andi) Menikah(Wati,Andi) (3.13)
Dari (3.12), (3.13), dan Modus Ponens:
Sah(Menikah(Wati,Andi)) (3.14)
-
5/25/2018 Reasoning Artificial Intelegence
52/228
DuniaWumpus Representasi FOL jauh lebih sederhana dibandingkan
Proporsitional Logic.
s,b,u,c,t Percept([s,b,Glitter,u,c],t) Action(Grab,t)
b,g,u,c,t Percept([Stench,b,g,u,c],t) Stench(t)
s,g,u,c,t Percept([s,Breeze,g,u,c],t) Breeze(t)
s,b,u,c,t Percept([s,b,Glitter,u,c],t) AtGold(t)
t AtGold(t) Action(Grab,t)
-
5/25/2018 Reasoning Artificial Intelegence
53/228
Permainan Catur
-
5/25/2018 Reasoning Artificial Intelegence
54/228
Awalnya, langkah untuk Putih1. a2(PP) Kosong(a3) Gerakkan(PP,a2,a3)
2. a2(PP) Kosong(a3) Kosong(a4) Gerakkan(PP,a2,a4)
6. c2(PP) Kosong(c3) Kosong(c4) Gerakkan(PP,c2,c4)
19. g1(KP) Kosong(f3) Gerakkan(KP,g1,f3)
20. g1(KP) Kosong(h3) Gerakkan(KP,g1,h3)
-
5/25/2018 Reasoning Artificial Intelegence
55/228
Logical Programming Bahasa pemrograman logis yang paling populer adalah
PROLOG (PROgramming in Logic).
Di dalam PROLOG, suatu program dituliskan sebagaikumpulan kalimat dalam Horn clause.
Pekerjaan kita hanyalah membangun knowledge baseyang sesuai dan lengkap untuk suatu masalah.
Proses reasoning sampai dihasilkan suatu kesimpulanditangani oleh PROLOG.
Tetapi, membangun knowledge baseyang benar danlengkap bukanlah hal yang mudah.
-
5/25/2018 Reasoning Artificial Intelegence
56/228
FOL dan PROLOG FOLMenikah(Wati,Andi)
x,ySaudaraKembar(x,y) SaudaraKandung(x,y)
x,y,z AnakKandung(x,y) SaudaraKandung(y,z) Keponakan(x,z)
PROLOG
Menikah(wati,andi).
SaudaraKandung(X,Y) :- SaudaraKembar(X,Y).
Keponakan(X,Z) :- AnakKandung(X,Y), SaudaraKandung(Y,Z).
-
5/25/2018 Reasoning Artificial Intelegence
57/228
Traffic Light Controller
-
5/25/2018 Reasoning Artificial Intelegence
58/228
FuzzySystems Ide dasarfuzzysystemsadalahfuzzysetsdanfuzzylogic.
Fuzzylogicsudah lama dipikirkan oleh para filsuf Yunani kuno.
Plato: filsuf pertama yang meletakkan fondasifuzzylogic.
Plato: Terdapat area ketiga selain Benar dan Salah. Fuzzylogicmenghilang selama 2 milenium
Muncul kembali pada era 1960-an.
Konsepfuzzylogicyang sangat sistematis pertama kali diusulkan oleh
Lotfi A. Zadeh, the University of California, Berkeley, Amerika Serikat.
-
5/25/2018 Reasoning Artificial Intelegence
59/228
Apa itu Soft Computing?
Evolving collection of methodologies,
which aims to exploit tolerance for
imprecision, uncertainty, and partial truth toachieve robustness, tractability and low cost
[Lotfi A. Zadeh, 2006]
Computing
T h l i
-
5/25/2018 Reasoning Artificial Intelegence
60/228
Hard Computing -
base on classical
Artificial Intelligence
Soft Computing -
base on Computational
Intelligence with high MIQ
Technologies
Probabilistic Reasoning Neural networks
Evolutionary
ComputationsChaos Theory
Hybrid Systems
Fuzzy Logic -
Kernel of Soft Computing
-
5/25/2018 Reasoning Artificial Intelegence
61/228
FuzzySystems Juni tahun 1965: Profesor Zadeh mempublikasikan paper
pertama FuzzySets pada jurnal Information and Control.
1970-an: para ilmuwan Jepang berhasil mengaplikasikan konsep
fuzzyke dalam berbagai peralatan elektronik maupun prosesproduksi dalam industri.
Fuzzysudah diterapkan pada beragam sistem kontrol
Air Conditioning(AC)
Otomotif
Robot
Dsb.
-
5/25/2018 Reasoning Artificial Intelegence
62/228
ClassicalSets Teori himpunan klasik: suatu himpunan secara intuitif
adalah setiap kumpulan elemen-elemen.
Himpunan klasik dikenal juga sebagai crisp set.
Crisp= clear and distinct [OXF95]. Crisp set: himpunan yang membedakan anggota dan non
anggotanya dengan batasan yang jelas.
-
5/25/2018 Reasoning Artificial Intelegence
63/228
-
5/25/2018 Reasoning Artificial Intelegence
64/228
Intersection, union, complement, difference
-
5/25/2018 Reasoning Artificial Intelegence
65/228
Excluded Middle Laws
UAA
-
5/25/2018 Reasoning Artificial Intelegence
66/228
Law of Contradiction
AA
-
5/25/2018 Reasoning Artificial Intelegence
67/228
Logika Aristotelian Kedua hukum tersebutdasar dari logika Aristotelian.
Bahasa Latin tertium non daturyangdalam bahasaInggris berartia third posibility = ruled out.
Artinya, tidak ada tempat untuk kemungkinan ke tiga. Suatu elemen harus termasuk ke dalamAatau .A
Aku adalah pembohong Pernyataan P dan negasinya
-
5/25/2018 Reasoning Artificial Intelegence
68/228
Aku adalah pembohong.Jangan percaya padaku.
PernyataanP dan negasinya
sama-sama benar. )()( PTPT
-
5/25/2018 Reasoning Artificial Intelegence
69/228
A = himpunan gelas
penuh air
g5
g1
g2
g3
g4
Gelas kosong
termasukA
Gelas yang berisi air
setengah bagian tidak
termasukA maupun A
Semesta U
= ?
-
5/25/2018 Reasoning Artificial Intelegence
70/228
Lima Jenis Logic[RUS95]
JenislogicApa yang ada di
dunia nyata
Apa yang dipercaya
Agent tentang fakta
Propositional logic fakta benar/salah /tidak diketahui
First-order logic fakta, objek, relasi benar/salah /tidak diketahui
Temporal logic fakta, objek, relasi, waktubenar/salah /tidak diketahui
Probability theory fakta derajat kepercayaan [0,1]
Fuzzy logic derajat kebenaran derajat kepercayaan [0,1]
-
5/25/2018 Reasoning Artificial Intelegence
71/228
Fuzziness & Probability Banyak peneliti berbeda pendapat tentang teorifuzzy
dan teori probabilitas.
Sebenarnya, kedua teori tersebut memang sama-sama
untuk menangani masalah ketidakpastian.
Tetapi, perbedaannya adalah padajenis ketidakpastianyang ditangani.
-
5/25/2018 Reasoning Artificial Intelegence
72/228
Fuzziness & Probability Profesor FAUZI berada di padang pasir yang gersang
Dia hampir mati karena sangat kehausan
Tiba-tiba dia menemukan dua kotak berisi minuman
Dia sangat senang dan segera mendekati kotak tsb.
Sesaat kemudian, dia bingung bukan kepalang
Prof: Saya harus minum dari kotak yang mana?
-
5/25/2018 Reasoning Artificial Intelegence
73/228
Peringatan:
1 dari 50 botol ini berisi
cairan kimia mematikan
yang warna dan
rasanya sama denganair mineral. Anda akan
mati seketika jika
meminumnya.
Peringatan:
Satu plastik cairan
kimia mematikan
dicampurkan ke dalam
50 botol ini secara tidakmerata. Anda tidak
akan mati jika cuma
minum satu botol, tetapi
anda akan menderita
pusing ringan/berat.
1 2
Probability Fuzziness
-
5/25/2018 Reasoning Artificial Intelegence
74/228
Fungsi KarakteristikFungsi karakteristik dari himpunan A adalah suatupemetaan
sedemikian hingga, untuk semuax,
}1,0{: UA
lainnya.kasusuntuk0
;jika,1)(
AxxA
-
5/25/2018 Reasoning Artificial Intelegence
75/228
x
)(xA
1
5 6 7 8 90
A
Fungsi Karakteristik Classical Set
A = himpunan klasik semua bilangan bulat positif lebih
dari 4 dan dan kurang dari 10 atau {5, 6, , 9}.
)(xA )(xB
A B
-
5/25/2018 Reasoning Artificial Intelegence
76/228
x
1
5 6 7 8 9
0 x
1
5 6 73 4
0
2
x
)(xBA
1
5 6 70 x
1
5 6 73 40
2
BA BA
8 9
)(\ xBA
x
1
0
BA \
8 9
)(xBA
)(xA
x
1
0
A
4 10
A
I nter section Union
Complement Dif f erence
-
5/25/2018 Reasoning Artificial Intelegence
77/228
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
-
5/25/2018 Reasoning Artificial Intelegence
78/228
Logika Biner (classical sets)
BeasiswaDapatthen
juta10and00,3if GIPK
A lebih layak mendapatkan beasiswa.
Kurang adil (manusiawi).
-
5/25/2018 Reasoning Artificial Intelegence
79/228
FuzzySets Digunakan untuk penalaran yang lebih manusiawi. Misalkan Uadalah universe of discourse(semesta
pembicaraan) danxadalah anggota U.
Suatufuzzy setAdi dalam Udidefinisikan sebagaisuatu membership functionatau fungsi keanggotaan,yang memetakan setiap objek di Umenjadi suatu nilaireal dalam interval [0, 1].
Nilai-nilai menyatakan derajat keanggotaanxdidalamA.
-
5/25/2018 Reasoning Artificial Intelegence
80/228
Suhu (0C) Dingin Hangat Panas
5 1 0,1 0
15 0,9 0,8 025 0,5 1 0,6
35 0,1 0,6 0,9
45 0 0,2 1
-
5/25/2018 Reasoning Artificial Intelegence
81/228
Fuzzy Set Dingin = {5, 15, 25, 35} dan derajat keanggotaannyadinyatakan olehDingin= {1; 0,9; 0,5; 0,1}
Hangat = {5, 15, 25, 35, 45} dan derajat keanggotaannya
dinyatakan olehHangat= {0,1; 0,8; 1; 0,6; 0,2} Panas = {25, 35, 45} dan derajat keanggotaannya
dinyatakan olehPanas= {0,6; 0,9; 1}
)(xA
-
5/25/2018 Reasoning Artificial Intelegence
82/228
x
1
0core
aaaaaaaacut
support
Fungsi keanggotaan A dengan core, cut dan support
-
5/25/2018 Reasoning Artificial Intelegence
83/228
Bentuk Fungsi Keanggotaan Fungsi Linier Fungsi Sigmoid
Fungsi Segitiga
Fungsi Trapesium
Fungsi Berbentuk Bell:
Phi
Beta Gauss
ax,0
)(x
-
5/25/2018 Reasoning Artificial Intelegence
84/228
bxaabax
axbax
),/()(
,0),,(LinierNaik
a0
1
b
x
bx
bxaabxbbax
,0
),/()(),,(nLinierTuru
a0
1
)(x
b
x
bxaacax
ax
cbax,))/()((2
,0
),,,(Sigmoid
2
)(x
-
5/25/2018 Reasoning Artificial Intelegence
85/228
xc
cxbacxc
,1
,))/()((21),,,(g
2
a b0
1
c
x
cx
cxbacxc
bxaacax
ax
cbax
,0
,))/()((2
,))/()((21
,1
),,,(Sigmoid2
2
a b0
1
)(x
c
x
0,5
0,5
-
5/25/2018 Reasoning Artificial Intelegence
86/228
x
cxbbccx
bxaabax
cxax
cbax
),/()(
),/()(
,,0
),,,(Segitiga
a b c0
1
)(x
-
5/25/2018 Reasoning Artificial Intelegence
87/228
x
dxccddx
cxb
bxaabax
dxax
dcbax
),/()(
,1
),/()(
,,0
),,,,(Trapesium
a b c d 0
1
)(x
-
5/25/2018 Reasoning Artificial Intelegence
88/228
-
5/25/2018 Reasoning Artificial Intelegence
89/228
-
5/25/2018 Reasoning Artificial Intelegence
90/228
)(xA
1
)(xB
1
-
5/25/2018 Reasoning Artificial Intelegence
91/228
x0 x0
A B
x
)(x
1
0 x
1
0
BA
x
1
0
)(x
x
1
0
AA
I nter section Union
Complement Dif f er ence
2,5 7,5 6,5 9,5
6,5 7,5
BA
2,5 9,52,5 9,5
7,52,5
A BA \
2,5 9,5
)(x)(x
Fuzzy Set
)(xA
1
)(xB
1
A B
-
5/25/2018 Reasoning Artificial Intelegence
92/228
x
1
5 6 7 8 9
0 x
1
5 6 73 4
0
2
x
)(xBA
1
5 6 70 x
1
5 6 73 40
2
BA BA
8 9
)(\ xBA
x
1
0
BA \
8 9
)(xBA
)(xA
x
1
0
A
4 10
A
I ntersection Union
Complement Dif f erence
Classical Set
-
5/25/2018 Reasoning Artificial Intelegence
93/228
Logical connectives & Implication Dalam bahasa manusia, banyak percakapan yangmenggunakan kalimat yang tidak pasti kebenarannya
Hampir semua orang suka permen
Sepertinyadia anak yang pintar
Misalkan Padalah suatufuzzy logic proposition
Nilai kebenaran P adalah [0, 1].
Nilai 0 menyatakan bahwa Padalah salah Nilai 1 menyatakan bahwa P adalah benar
-
5/25/2018 Reasoning Artificial Intelegence
94/228
Logical connectives & Implication
Tadalah fungsi kebenaran yang memetakan Pke suatu
nilai dalam interval [0, 1].
]1,0[: PT
-
5/25/2018 Reasoning Artificial Intelegence
95/228
Logical Connectives Negation
Disjunction
Conjunction
)(1)( PTPT
)(),(max)( QTPTQPT
)(),(min)( QTPTQPT
-
5/25/2018 Reasoning Artificial Intelegence
96/228
ApproximateReasoningA : Apakah dia anak yang pintar?
B : Sepertinyabegitu.
A : Apakah Indeks Prestasi dan hasil tes psikologinya bagus?
B : Ya, keduanya sangat bagus.
A : Apakah dia layak mendapatkan beasiswa?
B : Ya, sepertinyaitu adalah keputusan yang baik.
-
5/25/2018 Reasoning Artificial Intelegence
97/228
ApproximateReasoning
membacasukaDaniSepertinya:
mahasiswaadalahDani:
membacasukamahasiswabesarSebagian:
3
2
1
P
P
P
-
5/25/2018 Reasoning Artificial Intelegence
98/228
Reasoningyang Pasti
matiakanpastiDani:
manusiaadalahDani:
matiakanpastimanusiaSemua:
3
2
1
P
P
P
-
5/25/2018 Reasoning Artificial Intelegence
99/228
Sistem Berbasis Aturan FuzzyVariabel linguistikadalahsuatu interval numerik dan
mempunyai nilai-nilai linguistik, yang semantiknyadidefinisikan oleh fungsi keanggotaannya.
Misalnya, Suhu adalah suatu variabel linguistik yangbisa didefinisikan pada interval [-100C, 400C].
Variabel tersebut bisa memiliki nilai-nilai linguistikseperti Dingin, Hangat, Panas yang semantiknya
didefinisikan oleh fungsi-fungsi keanggotaan tertentu.
Crisp input
-
5/25/2018 Reasoning Artificial Intelegence
100/228
Fuzzif icat ion
Inference
Defuzzif icat ion
Fuzzy rulesFuzzy input
Output Fuzzy output
Crisp value
-
5/25/2018 Reasoning Artificial Intelegence
101/228
Model Inferensi MamdaniIntuitive
SugenoControl
-
5/25/2018 Reasoning Artificial Intelegence
102/228
Masalah: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
-
5/25/2018 Reasoning Artificial Intelegence
103/228
FK untuk IPK
2,00 2,750
1
3,25
Buruk Cukup Bagus
4,00
IPK
-
5/25/2018 Reasoning Artificial Intelegence
104/228
IPK mahasiswa A
)/()()( abaxx
)/()()( bccxx
-
5/25/2018 Reasoning Artificial Intelegence
105/228
1 30
1
6
Kecil Sedang Besar
12
Gaji orangtua(juta rupiah)
Sangat
Besar
4 7
FK Gaji Orangtua
-
5/25/2018 Reasoning Artificial Intelegence
106/228
Gaji Ortu mhs A
dxccddxx ),/()()(
bxaabaxx ),/()()(
-
5/25/2018 Reasoning Artificial Intelegence
107/228
Fuzzificationuntuk mhs A
IPK = Cukup(0,5)
IPK = Bagus(0,5)
Gaji Orangtua = Besar(0,4)
Gaji Orangtua = Sangat Besar(0,6)
IPK = 3,00
Gaji Orangtua = 10 juta/bulan
-
5/25/2018 Reasoning Artificial Intelegence
108/228
Fungsi Keanggotaan Nilai Kelayakan
80500
1
Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
-
5/25/2018 Reasoning Artificial Intelegence
109/228
Aturan Fuzzy untuk Nilai Kelayakan
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPKGaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
RendahTinggi
RendahRendah
RendahTHENKecilANDBurukIF.1 NKGajiIPK
-
5/25/2018 Reasoning Artificial Intelegence
110/228
RendahTHENBesarSangatANDBagusIF12.
TinggiTHENBesarANDBagusIF11.
TinggiTHENSedangANDBagusIF10.
TinggiTHENKecilANDBagusIF9.
RendahTHENBesarSangatANDCukupIF8.
RendahTHENBesarANDCukupIF7.
RendahTHENSedangANDCukupIF6.
TinggiTHENKecilANDCukupIF5.
RendahTHENBesarSangatANDBurukIF.4
RendahTHENBesarANDBurukIF.3
RendahTHENSedangANDBurukIF.2
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
-
5/25/2018 Reasoning Artificial Intelegence
111/228
Inferensi pada model Mamdani: Clippingdan Scaling
0 10 20 40 50
1
1/5
0 10 20 40 50
1
1/5
(a)Clipping (b)Scaling
-
5/25/2018 Reasoning Artificial Intelegence
112/228
Aturanfuzzyyang diaplikasikan
RendahTHENBesarSangatANDBagusIF12.
TinggiTHENBesarANDBagusIF11.
RendahTHENBesarSangatANDCukupIF8.
RendahTHENBesarANDCukupIF7.
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
-
5/25/2018 Reasoning Artificial Intelegence
113/228
Nilaifuzzyuntuk mhs A
IPK = Cukup(0,5)
IPK = Bagus(0,5)
Gaji Orangtua = Besar(0,4)
Gaji Orangtua = Sangat Besar(0,6)
IPK = 3,00
Gaji Orangtua = 10 juta/bulan
-
5/25/2018 Reasoning Artificial Intelegence
114/228
Conjunction() & Disjunction()
)Rendah(0,5THENBesar(0,6)SangatANDBagus(0,5)IF
)Tinggi(0,4THENBesar(0,4)ANDBagus(0,5)IF
)Rendah(0,5THENBesar(0,6)SangatAND)5,0(CukupIF
)Rendah(0,4THENBesar(0,4)ANDCukup(0,5)IF
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NK = Rendah (0,5)
NK = Tinggi (0,4)
1
Rendah Tinggi
-
5/25/2018 Reasoning Artificial Intelegence
115/228
80500 100
Nilai Kelayakan
skala [0, 100]
0,5
80500
1
Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,4
(a)
(b)
500
1
Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,5
0,4
Center of gravity?
-
5/25/2018 Reasoning Artificial Intelegence
116/228
500
1
Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,5
0,4
10 20 30 40 60 80 90
Center of gravity?
70
39,526,4
136105*
)4,0(4)5,0(6
4,0)100908070(5,0)605040302010(
*
y
y
-
5/25/2018 Reasoning Artificial Intelegence
117/228
IPK mahasiswa B
-
5/25/2018 Reasoning Artificial Intelegence
118/228
Gaji Orangtua mhs B
-
5/25/2018 Reasoning Artificial Intelegence
119/228
Conjunction() & Disjunction()
Tinggi(0)THENSedang(0)AND)48,0(BesarIF8)Tinggi(0,4THENKecil(1)AND)48,0(BesarIF
Rendah(0)THENSedang(0)AND)Cukup(0,52IF
2)Tinggi(0,5THENKecil(1)AND)Cukup(0,52IF
NKGajiIPKNKGajiIPK
NKGajiIPK
NKGajiIPK
NK = Rendah (0)
NK = Tinggi (0,52)
-
5/25/2018 Reasoning Artificial Intelegence
120/228
80500
1
Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
0,52
70
Center of gravity?
6560
69,662,87334
785,3220*
2)52,0()2/1()3/1()52,0)(8070()2/1(65)3/1(60*
y
y
-
5/25/2018 Reasoning Artificial Intelegence
121/228
Keputusan Model Mamdani Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya
sebesar 1 juta rupiah per bulan memperoleh NilaiKelayakan sebesar 69,66.
Lebih besar dibandingkan dengan Nilai Kelayakanmahasiswa A yang sebesar 52,39.
Jadi, mahasiswa B layak mendapatkan beasiswa.
Model Mamdani
-
5/25/2018 Reasoning Artificial Intelegence
122/228
-
5/25/2018 Reasoning Artificial Intelegence
123/228
Model Sugeno Model ini sering digunakan untuk membangun sistem
kontrol yang membutuhkan respon cepat.
Proses perhitungannya sangat sederhana sehingga
membutuhkan waktu relatif cepat sehingga sangatsesuai untuk sistem kontrol.
Bagaimana jika digunakan untuk masalah pemberianbeasiswa?
-
5/25/2018 Reasoning Artificial Intelegence
124/228
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
Crisp input
-
5/25/2018 Reasoning Artificial Intelegence
125/228
Fuzzif icat ion
Inference
Defuzzif icat ion
Fuzzy rulesFuzzy input
Output Fuzzy output
Crisp value
-
5/25/2018 Reasoning Artificial Intelegence
126/228
Fuzzification & Rule Evaluation Misalkan prosesfuzzification-nyasama persis
dengan model Mamdani.
Misalkan Ruleyang digunakan juga sama persis
dengan model Mamdani.
-
5/25/2018 Reasoning Artificial Intelegence
127/228
Mahasiswa A
)Rendah(0,5THENBesar(0,6)SangatANDBagus(0,5)IF
)Tinggi(0,4THENBesar(0,4)ANDBagus(0,5)IF
)Rendah(0,5THENBesar(0,6)SangatAND)5,0(CukupIF
)Rendah(0,4THENBesar(0,4)ANDCukup(0,5)IF
NKGajiIPK
NKGajiIPK
NKGajiIPK
NKGajiIPK
NK = Rendah (0,5)
NK = Tinggi (0,4)
-
5/25/2018 Reasoning Artificial Intelegence
128/228
FK singletonuntuk Nilai Kelayakan
80500
1
Rendah Tinggi
Nilai Kelayakanskala [0, 100]
-
5/25/2018 Reasoning Artificial Intelegence
129/228
Untuk mahasiswa A
80500
1
Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
0,5
80500
1
Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,4
(a)
(b)
NK = Rendah (0,5)
NK = Tinggi (0,4)
-
5/25/2018 Reasoning Artificial Intelegence
130/228
Proses Composition
1
Rendah Tinggi
0,5
0,4
Nilai Kelayakan
skala [0, 100]0 8050
-
5/25/2018 Reasoning Artificial Intelegence
131/228
Defuzzyfication:Weighted Average
33,63)4,0()5,0(80)4,0(50)5,0(*
y
-
5/25/2018 Reasoning Artificial Intelegence
132/228
Mahasiswa B
Tinggi(0)THENSedang(0)AND)48,0(BesarIF8)Tinggi(0,4THENKecil(1)AND)48,0(BesarIF
Rendah(0)THENSedang(0)AND)Cukup(0,52IF
2)Tinggi(0,5THENKecil(1)AND)Cukup(0,52IF
NKGajiIPKNKGajiIPK
NKGajiIPK
NKGajiIPK
NK = Rendah (0)
NK = Tinggi (0,52)
-
5/25/2018 Reasoning Artificial Intelegence
133/228
Untuk Mahasiswa B
1
Rendah Tinggi
0,52
Nilai Kelayakan
skala [0, 100]0 8050
NK = Rendah (0)
NK = Tinggi (0,52)
-
5/25/2018 Reasoning Artificial Intelegence
134/228
Defuzzyfication:Weighted Average
8052,00
80)52,0(50)0(* y
-
5/25/2018 Reasoning Artificial Intelegence
135/228
Keputusan Model Sugeno Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya
sebesar Rp 1 juta per bulan memperoleh NilaiKelayakan sebesar 80.
Lebih besar dibandingkan dengan Nilai Kelayakanmahasiswa A yang sebesar 63,33.
Jadi, mahasiswa B layak mendapatkan beasiswa.
1
Buruk Cukup Bagus
Bahu kiri Bahu kanan
Model Sugeno
-
5/25/2018 Reasoning Artificial Intelegence
136/228
2,00 2,750 3,25 4,00
IPK
1 30
1
6
Kecil Sedang Besar
12
Gaji orangtua
(juta rupiah)
Sangat
Besar
4 7
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPK Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
RendahTinggi
RendahRendah
80500
1
Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
Model Mamdani Model Sugeno
-
5/25/2018 Reasoning Artificial Intelegence
137/228
-
5/25/2018 Reasoning Artificial Intelegence
138/228
Nilai Kelayakan mahasiswa A & B
Mahasiswa
Nilai Kelayakan mendapatbeasiswa
Model Mamdani Model Sugeno
A 52,39 63,33
B 69,66 80
Selisih A dan B 17,72 16,67
-
5/25/2018 Reasoning Artificial Intelegence
139/228
Sistem Berbasis Crisp Setsdan FOL
...
...
...
3,26THENjuta1,25AND57,2IF
5,26THENjuta1,20AND57,2IF
NKGajiIPK
NKGajiIPK
-
5/25/2018 Reasoning Artificial Intelegence
140/228
Aturan FOL untuk proses inference
P1
P2
P3
G1 G2 G3 G4
70
IPKGaji
90
80
G5
P4 100
60
80
70
90
50
70
60
40 30
50
40
60
30
50
40
20
-
5/25/2018 Reasoning Artificial Intelegence
141/228
Aturan FOL untuk proses inference
50)5,()4,(IF20.
...
...
...
06)2,()1,(IF.2
07)1,()1,(IF.1
NKGGajiIntervalPIPKInterval
NKGGajiIntervalPIPKInterval
NKGGajiIntervalPIPKInterval
-
5/25/2018 Reasoning Artificial Intelegence
142/228
Kelemahan Dengan menggunakan 20 aturan FOL di atas, tentu
saja sistem akan mengeluarkan outputberupa salahsatu dari 20 nilai yang kita definisikan tersebut.
Dengan kata lain, sistem ini sangat statis. Untuk masalah yang membutuhkan tingkat ketelitian
tinggi atau yang adil secara intuitif, tentu saja cara initidak bisa digunakan.
-
5/25/2018 Reasoning Artificial Intelegence
143/228
Sistem yang Linier
)20/)20(()4/( 21 GajiWIPKWNK
W1adalah bobot untuk IPK, W2adalah bobot untuk Gaji.
Asumsi: IPK maksimum adalah 4,00
Asumsi: Gaji Orang tua maksimum adalah Rp 20 jt/bln.Karena skala untuk NKadalah [0, 100], maka W1+ W2
harus sama dengan 100.
d
-
5/25/2018 Reasoning Artificial Intelegence
144/228
W1
= 50 dan W2
= 50
Mhs AMhs B
80 d 20
-
5/25/2018 Reasoning Artificial Intelegence
145/228
W1
= 80 dan W2
= 20
Mhs AMhs B
-
5/25/2018 Reasoning Artificial Intelegence
146/228
Kelebihan Fuzzy Systems Kebanyakan permasalahan dunia nyata: non linier
Sistem berbasis crisp set dengan pembobotan sulitdigunakan karena menghasilkan grafik yang linier.
Untuk menyelesaikan masalah non linier, tentu sajadibutuhkan sistem yang juga bersifat non linier.
Dilihat dari proses dan keluarannya, sistem berbasisfuzzy setmemiliki sifat non linier.
-
5/25/2018 Reasoning Artificial Intelegence
147/228
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
1
Buruk Cukup Bagus
Bahu kiri Bahu kanan
-
5/25/2018 Reasoning Artificial Intelegence
148/228
2,00 2,750 3,25 4,00
IPK
1 30
1
6
Kecil Sedang Besar
12
Gaji orangtua
(juta rupiah)
Sangat
Besar
4 7
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPK Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
RendahTinggi
RendahRendah
80500
1
Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
1
Buruk Cukup Bagus
-
5/25/2018 Reasoning Artificial Intelegence
149/228
2,750 4,00
IPK
50
1
10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar
100500
1
Rendah Tinggi
Nilai Kelayakan
skala [0, 100]75
Sedang
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Sedang
IPK Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
SedangTinggi
SedangTinggi
1
Buruk Cukup Bagus
-
5/25/2018 Reasoning Artificial Intelegence
150/228
2,750 4,00
IPK
50
1
10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar
100400
1
Rendah Sangat Tinggi
Nilai Kelayakan
skala [0, 100]60
Sedang
80
Tinggi
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Tinggi
IPK Gaji
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sedang Rendah Rendah
Rendah
SedangTinggi
SedangTinggi
-
5/25/2018 Reasoning Artificial Intelegence
151/228
-
5/25/2018 Reasoning Artificial Intelegence
152/228
Mhs AMhs B
Mhs A
Mhs B
Mamdani, Segitiga, 3 NL
-
5/25/2018 Reasoning Artificial Intelegence
153/228
Mamdani, Gauss, 3 NL
-
5/25/2018 Reasoning Artificial Intelegence
154/228
Mamdani, Segitiga, 7 NL
-
5/25/2018 Reasoning Artificial Intelegence
155/228
-
5/25/2018 Reasoning Artificial Intelegence
156/228
-
5/25/2018 Reasoning Artificial Intelegence
157/228
-
5/25/2018 Reasoning Artificial Intelegence
158/228
Cerita: Frankfurt
K 2 S i kl CS
-
5/25/2018 Reasoning Artificial Intelegence
159/228
Kasus 2: Sprinkle CS Model Mamdani atau Sugeno?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik? Fuzzy ruleyang tepat?
Model Mamdani
-
5/25/2018 Reasoning Artificial Intelegence
160/228
1
Buruk Cukup Bagus
-
5/25/2018 Reasoning Artificial Intelegence
161/228
2,750 4,00
IPK
50
1
10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar
100400
1
Rendah Sangat Tinggi
Nilai Kelayakan
skala [0, 100]60
Sedang
80
Tinggi
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Tinggi
IPK Gaji
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sedang Rendah Rendah
Rendah
SedangTinggi
SedangTinggi
-
5/25/2018 Reasoning Artificial Intelegence
162/228
-
5/25/2018 Reasoning Artificial Intelegence
163/228
Fuzzy?Yes!
Fuzzif icat ion
Crisp input
-
5/25/2018 Reasoning Artificial Intelegence
164/228
Inference
Defuzzif icat ion
Fuzzy rulesFuzzy input
Output Fuzzy output
Crisp value
Proses fuzzification
-
5/25/2018 Reasoning Artificial Intelegence
165/228
ProsesfuzzificationWarm = -(37-39)/(39-36) = 2/3.
Hot = (37-36)/(39-36) = 1/3.
Dry = -(12-20)/(20-10) = 4/5
Moist = (12-10)/(20-10) = 1/5
Proses inferensi
-
5/25/2018 Reasoning Artificial Intelegence
166/228
Proses inferensi
P i f
-
5/25/2018 Reasoning Artificial Intelegence
167/228
Proses inference Dari empat datafuzzy inputdi atas, Warm (2/3),
Hot (1/3), Dry (4/5) dan Moist (1/5), maka kitamendapatkan 4 aturan (dari 15 aturan) yang dapatdiaplikasikan: IF Suhu is Warm (2/3)ANDKelembaban is Dry (4/5)
THEN Durasi is Long(2/3)
IF Suhu is Warm (2/3)ANDKelembaban is Moist (1/5)THEN Durasi is Medium(1/5)
IF Suhu is Hot (1/3)ANDKelembaban is Dry (4/5)THEN Durasi is Long(1/3)
IF Suhu is Hot (1/3)ANDKelembaban is Moist (1/5)THEN Durasi is Medium(1/5)
I f M d l S
-
5/25/2018 Reasoning Artificial Intelegence
168/228
Inference: Model Sugeno
D f fi ti W i ht d A
-
5/25/2018 Reasoning Artificial Intelegence
169/228
Defuzzyfication: Weighted Average
Kasus 2: Sprinkle CS
-
5/25/2018 Reasoning Artificial Intelegence
170/228
Kasus 2: Sprinkle CS Input:
Suhu Udara(0C)
Kelembaban Tanah (%)
Cahaya Matahari (Cd / Candela) Output: Durasi Penyiraman (menit)
Misal:
Suhu = 370
C, kelembaban = 12%, Cahaya = 400 Cd. Berapa lama durasi penyiraman yang dilakukan?
Kasus 2: Sprinkle CS
-
5/25/2018 Reasoning Artificial Intelegence
171/228
Kasus 2: Sprinkle CS Model Mamdani atau Sugeno?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik? Fuzzy ruleyang tepat?
Kasus 3: Traffic Light Controller
-
5/25/2018 Reasoning Artificial Intelegence
172/228
Kasus 3: Traffic Light Controller
Kasus 3: Traffic Light Controller
-
5/25/2018 Reasoning Artificial Intelegence
173/228
Kasus 3: Traffic Light Controller Bisakahfuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy?Yes!
Kasus 3: Traffic Light Controller
-
5/25/2018 Reasoning Artificial Intelegence
174/228
Kasus 3: Traffic Light Controller
[Shahariz Abdul Aziz & Jeyakody Parthiban]
Kasus 4: Akreditasi Prodi
-
5/25/2018 Reasoning Artificial Intelegence
175/228
Kasus 4: Akreditasi Prodi Pendidikan dan Pengajaran
Pendidikan Dosen: S1, S2, S3?
Jabatan Akademik: AA, L, LK, GB?
Rasio Dosen : Mhs? Penelitian
Dana proyek?
Paper Ilmiah?
Pengabdian Masyarakat
Jumlah kegiatan per tahun?
Manfaat bagi masyarakat?
Kasus 4: Akreditasi Prodi
-
5/25/2018 Reasoning Artificial Intelegence
176/228
Kasus 4: Akreditasi Prodi Bisakahfuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy? No!
Kasus 5: University Rankings
-
5/25/2018 Reasoning Artificial Intelegence
177/228
Kasus 5: University Rankings Bagaimana mengelompokkan universitas ke dalam cluster
yang secara statistik mirip untuk semua kriteria yg ada?
Clustering harus dilakukan tanpa asumsi apapun tentangtingkat kepentingan relatif dari semua kriteria.
Kriteria:
Jumlah profesor?
Jumlah mhs asing?
Rasio Dosen:Mhs? Besarnya Dana proyek?
Jumlah Paper Ilmiah?
Kasus 5: University Rankings
-
5/25/2018 Reasoning Artificial Intelegence
178/228
Kasus 5: University Rankings Bisakahfuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy?Yes!
Kasus 5: University Rankings
-
5/25/2018 Reasoning Artificial Intelegence
179/228
Kasus 5: University Rankings Shanghai Jao Tong University (SJTU)
The Time Higher League Table (THES)
Metode: Fuzzy Clustering
Top 500 Univerisities in the world1. Harvard
2. Stanford
3. Cambridge
69. NTU Singapore
280. Universitas Indonesia
9999. IT Telkom (Masuk top 500 pada 2017?????????)
Fuzzy Clustering
-
5/25/2018 Reasoning Artificial Intelegence
180/228
Fuzzy Clustering To extract rules from data
Fuzzy c-means
Aplikasi:
Cracked Tile Detection Finding Cancer Cells
Image Segmentation
Document clustering
Cluster
-
5/25/2018 Reasoning Artificial Intelegence
181/228
Cluster Sejumlah individu yang memiliki sifat hampir sama
atau terjadi bersama-sama
Kelompok universitas kelas dunia
Kelompok mobil kategori tertentu Kumpulan spam email
Kumpulan tipe penyakit kanker
Cluster Analysis
-
5/25/2018 Reasoning Artificial Intelegence
182/228
Cluster AnalysisA statistical classification technique
for discovering whether the individuals of a populationfall into different groups
by making quantitative comparisons of multiplecharacteristics.
Vehicle
-
5/25/2018 Reasoning Artificial Intelegence
183/228
Vehicle Top speedkm/h Colour Airresistance
WeightKg
V1 220 red 0.30 1300
V2 230 black 0.32 1400
V3 260 red 0.29 1500
V4 140 gray 0.35 800
V5 155 blue 0.33 950
V6 130 white 0.40 600
V7 100 black 0.50 3000
V8 105 red 0.60 2500
V9 110 gray 0.55 3500
3500
Object or data point feature
space
-
5/25/2018 Reasoning Artificial Intelegence
184/228
100 150 200 250 300500
1000
1500
2000
2500
3000
Top speed [km/h]
Weight[kg]
Sports cars
Medium market cars
Lorries
feature
cluster
feature
label
Kasus 6: Tile Clustering
-
5/25/2018 Reasoning Artificial Intelegence
185/228
Kasus 6: Tile Clustering Tiles are made from clay moulded into the right
shape, brushed, glazed, and baked.
Unfortunately, the baking may produce invisible
cracks. Operators can detect the cracks by hitting the tiles
with a hammer, and in an automated system theresponse is recorded with a microphone, filtered,Fourier transformed, and normalised.
A small set of data is given in the TABLE below.
Kasus 6: Tile Clustering
-
5/25/2018 Reasoning Artificial Intelegence
186/228
Kasus 6: Tile Clustering
475Hz 557Hz Ok?
0.958 0.003 Yes
1.043 0.001 Yes
1.907 0.003 Yes
0.780 0.002 Yes
0.579 0.001 Yes
0.003 0.105 No
0.001 1.748 No
0.014 1.839 No
0.007 1.021 No
0.004 0.214 No[MIT 1997]
-
5/25/2018 Reasoning Artificial Intelegence
187/2281
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
188/228
Plot of tiles by frequencies (logarithms). The whole tiles (o) seem
well separated from the cracked tiles (*). The objectiveis to find
the two clusters.
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
189/228
1. Place two cluster centres (x) at random.
2. Assign each data point (* and o) to the nearest cluster centre (x)
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
190/228
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
1. Compute the new centre of each class
2. Move the crosses (x)
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
191/228
Iteration 2
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
192/228
Iteration 3
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
193/228
Iteration 4 (then stop, because no visible change)
Each data point belongs to the cluster defined by the nearest centre
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
M =
0.0000 1.0000
0.0000 1.0000
-
5/25/2018 Reasoning Artificial Intelegence
194/228
The membership matrix M:
1. The last five data points (rows) belong to the first cluster (column)
2. The first five data points (rows) belong to the second cluster (column)
0.0000 1.0000
0.0000 1.0000
0.0000 1.0000
0.0000 1.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
-
5/25/2018 Reasoning Artificial Intelegence
195/228
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
196/228
Each data point belongs to two clusters to different degrees
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
197/228
1. Place two cluster centres
2. Assign a fuzzy membership to each data point depending on
distance
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
198/228
1. Compute the new centre of each class
2. Move the crosses (x)
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
199/228
Iteration 2
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
200/228
Iteration 5
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
201/228
Iteration 10
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
0
1
2Tiles data: o = whole tiles, * = cracked tiles, x = centres
-
5/25/2018 Reasoning Artificial Intelegence
202/228
Iteration 13 (then stop, because no visible change)
Each data point belongs to the two clusters to a degree
-8 -6 -4 -2 0 2-8
-7
-6
-5
-4
-3
-2
-1
0
log(intensity) 475 Hz
log(intensity)557
Hz
M =
0.0025 0.9975
0.0091 0.9909
-
5/25/2018 Reasoning Artificial Intelegence
203/228
The membership matrix M:
1. The last five data points (rows) belong mostly to the first cluster (column)
2. The first five data points (rows) belong mostly to the second cluster (column)
0.0129 0.9871
0.0001 0.9999
0.0107 0.9893
0.9393 0.0607
0.9638 0.0362
0.9574 0.0426
0.9906 0.0094
0.9807 0.0193
Kasus 7: Klasifikasi Sel Kanker
-
5/25/2018 Reasoning Artificial Intelegence
204/228
Normal smear Severely dysplastic smear
Possible Features
-
5/25/2018 Reasoning Artificial Intelegence
205/228
Nucleus and cytoplasm area
Nucleus and cyto brightness
Nucleus shortest and longest diameter
Cyto shortest and longest diameter Nucleus and cyto perimeter
Nucleus and cyto no of maxima
...
Classes are nonseparable
-
5/25/2018 Reasoning Artificial Intelegence
206/228
Hard Classifier (HCM)
-
5/25/2018 Reasoning Artificial Intelegence
207/228
A cell is either one
or the other class
defined by a colour.
OK light moderate OK severe
Fuzzy Classifier (FCM)
-
5/25/2018 Reasoning Artificial Intelegence
208/228
A cell can belong toseveral classes to a
Degree, i.e., one column
may have several
colours.
OK light moderate OK severe
Kasus 8: Image Segmentation
-
5/25/2018 Reasoning Artificial Intelegence
209/228
g g Sangat penting untuk image analysis, understanding,
dan coding
Bagaimana memisahkan satu objek yang diinginkan
dari objek2 lainnya? Pada image terdapat banyak ambiguitas
(a) Original cow image,
(b) Manually segmented
reference image for (a)
-
5/25/2018 Reasoning Artificial Intelegence
210/228
reference image for (a).
(c) FCM with pixel locations(d) FCM with pixel intensity
(e) FCM with both features
(f) Fuzzy Clustering
Incorporating Spatial
Information (FCSI).
[M. Ameer Ali, Gour C
Karmakar and Laurence S
Dooley, Image Segmentation
Using Fuzzy Clustering
Incorporating Spatial
Information, Monash
University, Australia]
Kasus 9: Documents Clustering
-
5/25/2018 Reasoning Artificial Intelegence
211/228
Text represented as an unordered collection ofwords
Using tf-idf (term frequencyinverse document
frequency) Document = one vector in high dimensional
space
Similarity = cosine similarity between vectors
PROBLEM
Grouping conference papers with regard to their contents into
predefined sessions schedule
-
5/25/2018 Reasoning Artificial Intelegence
212/228
predefined sessions schedule.
Session A
(3 papers)
Coffee break
EXAMPLE
Session B(4 papers)
Lunch break
Session C
(4 papers)
Session D
(3 papers)
Coffee break
Papers
Sessions schedule
Constraint-based
clustering
Session ATitle
Session B
Title
Session CTitle
Session DTitle
[MatjaJuri, Vid Podpean, Nada Lavra]
Combining CBC & Fuzzy Clustering
PHASE 1 SOLUTION
-
5/25/2018 Reasoning Artificial Intelegence
213/228
PHASE1 SOLUTION constrained-based clustering (CBC)
DIFFICULTIES CBC can get stuck in local minimum
often low quality result (created schedule)
user interaction needed to repair schedule
PHASE2 NEEDED
run fuzzy clustering (FC) with initial clusters from CBC
if output clusters of FC differ from CBC repeat everything
if the clusters of FC equal to CBC show new info to user
[MatjaJuri, Vid Podpean, Nada Lavra]
RUNFUZZYCLUSTERINGONPHASE1 RESULTS
-
5/25/2018 Reasoning Artificial Intelegence
214/228
- insight into result quality- identify problematic papers
Coffee break
EXAMPLE
Lunch break
Coffee break
Sessions schedule
Session ATitle
Session B
Title
Session CTitle
Session DTitle
13%42%
[MatjaJuri, Vid Podpean, Nada Lavra]
Masalah Tugas Akhir IF
-
5/25/2018 Reasoning Artificial Intelegence
215/228
Clustering dokumen TA berdasarkan KBK
Clustering Dosen berdasarkan Keahliannya
Penentuan Dosen Penguji Sidang TA
Hard Classifier
-
5/25/2018 Reasoning Artificial Intelegence
216/228
Ketidakpastian didekati dengan KepastianKetidakpastian
[MatjaJuri, Vid Podpean, Nada Lavra]
Fuzzy Classifier
-
5/25/2018 Reasoning Artificial Intelegence
217/228
Ketidakpastian didekati dengan Kesamaran(mendekati) Kepastian
[MatjaJuri, Vid Podpean, Nada Lavra]
Procedure to find a model
-
5/25/2018 Reasoning Artificial Intelegence
218/228
1. Acquire data
2. Select structure
3. Find clusters, generate model
4. Validate model
Kesulitan Fuzzy Systems
-
5/25/2018 Reasoning Artificial Intelegence
219/228
Model Mamdani atau Sugeno atau model lain?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik? Fuzzy ruleyang tepat?
Solusi
-
5/25/2018 Reasoning Artificial Intelegence
220/228
Semua komponenfuzzy bisa didefinisikan secaraotomatis menggunakan EAs atau ANN.
Evolving Fuzzy Systems
Neuro-Fuzzy
Fuzzy Systemsyang bisa LEARNING
Perlu data latih yang MEMADAI
Pemberian Beasiswa
-
5/25/2018 Reasoning Artificial Intelegence
221/228
NIM IPK Gaji Ortu (juta rupiah) Nilai Kelayakan
070001 2,0 16 45
070002 2,5 12 50
070003 3,6 30 55
070004 1,5 140 10
070005 2,7 10 40
070006 3,9 0,5 95
070007 1,9 1 52
070008 2,8 8 68
070009 3,5 6 72
070010 2,0 7 53
Sprinkler Control System
-
5/25/2018 Reasoning Artificial Intelegence
222/228
Tanggal Waktu Suhu (oC) Kelembaban Tanah (%) Durasi Penyiraman (menit)
01-02-2006 08:00 20 16 55,7
01-02-2006 13:00 25 12 59,3
01-02-2006 18:00 16 30 5,6
02-02-2006 07:00 15 14 30,1
02-02-2006 12:00 27 10 43,4
02-02-2006 19:00 12 19 18,6
03-02-2006 06:30 19 12 22,1
03-02-2006 10:00 28 8 47,3
03-02-2006 13:30 35 6 76,4
03-02-2006 16:00 20 17 20,9
Evolving Fuzzy Systems
-
5/25/2018 Reasoning Artificial Intelegence
223/228
Representasi Individu?
Fungsi fitness-nya?
Algoritma EAs?
Operator-operator evolusi?
-
5/25/2018 Reasoning Artificial Intelegence
224/228Kesimpulan
-
5/25/2018 Reasoning Artificial Intelegence
225/228
Untuk masalah dengan jumlah aturan yang sangatbanyak, seperti permainan catur, teknik Reasoninglebih sesuai dibandingkan teknik searching.
Keuntungan dari teknik Reasoningadalah kemudahandalam melakukan majemen pengetahuan.
Propositional logic adalah logic paling sederhana yangterlalu lemah untuk digunakan dalam
merepresentasikan pengetahuan, sehingga hampirtidak pernah digunakan untuk penyelesaian masalahdi dunia nyata.
Kesimpulan
-
5/25/2018 Reasoning Artificial Intelegence
226/228
First-Order Logic cukup memadai untukmerepresentasikan pengetahuan, sehingga banyakdigunakan untuk penyelesaian masalah dunia nyata.
Untuk membangun knowledge-based agent, pekerjaanpaling berat adalah bagaimana membangun basispengetahuan yang benar dan lengkap.
Knowledge engineerharus memiliki:
Domain pertanyaan Bahasa representasi
Implementasi prosedur inferensi
Kesimpulan
-
5/25/2018 Reasoning Artificial Intelegence
227/228
Untuk permasalahan yang mengandungketidakpastian,fuzzy logic adalah pilihan yang tepat.
Fuzzy logic menunjukkan performansi yang bagusuntuk berbagai masalah, khususnya optimasi dansistem kontrol.
Daftar Pustaka
-
5/25/2018 Reasoning Artificial Intelegence
228/228
[SUY07]Suyanto. 2007. Artificial Intelligence: Searching, Reasoning,Planning and Learning. Informatika, Bandung Indonesia. ISBN: 979-1153-05-1.
[RUS95]Russel, Stuart and Norvig, Peter. 1995. Artificial Intelligence:A Modern Approach. Prentice Hall International, Inc.
[SUY08b]Suyanto. 2008. Soft Computing: Membangun Mesin Ber-IQTinggi. Informatika, Bandung Indonesia. ISBN: 978-979-1153-49-2.