1. UTS_KECERDASAN_KOMPUTASIONAL_200401072103_HENDRO_GUNAWAN_IT-701.pdf

HALAMAN SAMPUL
YAYASAN MEMAJUKAN ILMU DAN KEBUDAYAAN
UNIVERSITAS SIBER ASIA
Kampus Menara, Jl. RM. Harsono, Ragunan - Jakarta Selatan.Daerah Khusus Ibukota Jakarta 12550.
Telp. (+6221) 27806189. asiacyberuni@acu.ac.id. Universitas Siber Asia | Official Website (unsia.ac.id)
Ujian Tengah Semester (UTS)
KECERDASAN KOMPUTASIONAL
Mata Kuliah : Kecerdasan Komputasional
Kelas : IT-501
Prodi : PJJ Informatika
Nama Mahasiswa : Hendro Gunawan
NIM : 200401072103
Dosen : Ir. Henny Yulianti, M.M., M.Kom.
Bapak Riad Sahara, S.Si, M.T=
2023

Telp. (+6221) 27806189. asiacyberuni@acu.ac.id. www.unsia.ac.id
1
UJIAN TENGAH SEMESTER
SEMESTER GANJIL TAHUN AJARAN 2023/2024
Mata Kuliah : KECERDASAN KOMPUTASIONAL
Kelas : IT-701
Prodi : Informatika PJJ S1
Waktu : 04 Desember 2023 sampai dengan 17 Desember 2023
Dosen : Ir. Henny Yulianti, M.M., M.Kom
Sifat Ujian : Take home test
Petunjuk Pengerjaan Soal:
1. Jawaban langsung dituliskan di lembar jawaban
2. Dikerjakan secara individu
3. Dilarang keras copy-paste atau plagiat hasil tugas rekannya. (Saya cek meta file & history
file, jika copy-paste atau plagiat maka nilai 0.
4. Perhatikan waktu yang telah di-setting untuk mengerjakan UTS, jika lewat batas waktu
maka jawaban Anda tidak akan diterima.
5. Upload lembar jawaban di kolom komentar dengan nama file :
UTS_KECERDASAN_KOMPUTASIONAL_NIM_NAMA.pdf,
contoh : UTS_ KECERDASAN_KOMPUTASIONALHNY_R355ID07089_HNY.pdf
SOAL UJIAN
(Bobot : 15 point)
1. a. Jelaskan definisi, pengertian dari Kecerdasan Komputasional dengan lengkap?
b. Sebutkan dan terangkan perbedaan Kecerdasan Komputasional dan Kecerdasan Buatan?
(Bobot : 40 point)
2. a. Jelaskan dan terangkan tentang Logika Fuzzy ? Dan alasan digunakan Logika Fuzzy ?
b. Terangkan metode Tsukamoto dan contoh Implementasinya dalam kehidupan?
c. Terangkan metode Mamdani dan contoh Implementasinya dalam kehidupan?
d. Terangkan metode Segeno dan contoh Implementasinya dalam kehidupan?
(Bobot : 20 point)
3. Jelaskan apa pengertian dan definisi Evolutionary Computation, Evolusi Algoritma dan RCGA?
(Bobot : 45 point)
4. Terangkan semua hal tentang Artificial Neural Network (ANN), Neuron, Artificial Neuron, Fungsi
Aktivasi, Layer ANN, Perceptron dan Algoritma dengan diagram dan gambar?

2
Selamat Mengerjakan, Jangan Lupa Berdoa
Diverifikasi Oleh Disusun Oleh :
Penjaminan Mutu
Abdu Rahman, S.E.,
M.Ak
Ketua Program Studi
Ir. Henny Yulianti,
M.M., M.Kom
Koordinator Mata
Kuliah
Ir. Henny Yulianti,
M.M., M.Kom
Dosen Pengampu
Ir. Henny Yulianti,
M.M., M.Kom
Disahkan Tanggal :
02 Desember 2023
Dibuat Tanggal : 02
Desember 2023

3
LEMBAR JAWABAN UJIAN
BAB I
KECERDASAN KOMPUTASIONAL
1.a. Definisi dan Pengertian dari Kecerdasan Komputasional
1.a.1. Definisi Menurut Para Ahli
Kecerdasan Komputasional merupakan bidang studi yang melibatkan penggunaan algoritma dan
model komputasional untuk memodelkan dan memahami kecerdasan. Para ahli memiliki pandangan
dan definisi yang beragam tentang Kecerdasan Komputasional. Berikut beberapa definisi dari para
ahli:
1. John McCarthy:
• John McCarthy, salah satu tokoh penting dalam kecerdasan buatan, memberikan kontribusi
besar terhadap pemahaman kecerdasan komputasional. Menurut McCarthy, kecerdasan
komputasional mencakup kemampuan komputer untuk menyelesaikan masalah, memahami
bahasa manusia, dan belajar dari pengalaman.
2. Herbert A. Simon:
• Herbert A. Simon, seorang penerima Nobel Ekonomi dan peneliti dalam bidang kecerdasan
buatan, menggambarkan kecerdasan komputasional sebagai kemampuan sistem komputer
untuk mengeksekusi program yang cerdas atau yang meniru perilaku cerdas.
3. Peter J. Denning:
• Peter J. Denning, seorang ilmuwan komputer terkenal, menggambarkan kecerdasan
komputasional sebagai bidang studi yang membahas cara membuat komputer berpikir
seperti manusia.
4. David Poole dan Alan Mackworth:
• Dalam bukunya yang berjudul "Computational Intelligence: A Logical Approach," David
Poole dan Alan Mackworth mendefinisikan kecerdasan komputasional sebagai kemampuan
komputer untuk mengeksekusi program yang menyelesaikan masalah yang secara
intelektual menantang.
5. Kevin Warwick:
• Kevin Warwick, seorang ilmuwan dan profesor di bidang kecerdasan buatan, menyatakan
bahwa kecerdasan komputasional melibatkan penggunaan algoritma dan komputasi untuk
membuat mesin-mesin yang dapat meniru atau meningkatkan kemampuan otak manusia.
Secara umum, Kecerdasan Komputasional melibatkan penggunaan metode dan algoritma
komputasional untuk menyimulasikan atau meningkatkan kecerdasan. Ini mencakup berbagai aspek
seperti pemrosesan bahasa alami, pengenalan pola, pembelajaran mesin, dan pemecahan masalah

4
kompleks menggunakan pendekatan komputasional. Definisi dan pemahaman mengenai Kecerdasan
Komputasional terus berkembang seiring dengan kemajuan dalam bidang ilmu komputer dan
kecerdasan buatan.
1.a.2. Pengertian
❖ Kecerdasan Komputasional adalah suatu cabang ilmu komputer yang fokus pada
pengembangan model dan algoritma untuk memberikan komputer kemampuan untuk
melakukan tugas yang umumnya memerlukan kecerdasan manusia. Kecerdasan Komputasional
melibatkan penerapan teknik-teknik dan konsep-konsep dalam kecerdasan buatan (AI) untuk
membuat sistem komputer yang dapat belajar, beradaptasi, dan melakukan tugas-tugas yang
memerlukan pemahaman kompleks, pengambilan keputusan, dan penyelesaian masalah.
Semua pendekatan pada Kecerdasan Komputasional ini berdasarkan pada soft computing yang
memiliki kemampuan untuk menggeneralisasi sehingga kecerdasan komputasional toleran
terhadap error ataupun noise. Selain itu Kecerdasan Komputasional ini melibatkan data-data
yang bersifat uncertain information. Hal ini berbeda dengan Traditional Artificial Intelligence
yang berdasarkan pada hard computing, yang melibatkan data-data yang bersifat certainly dan
pendekatan yang digunakan adalah pendekatan yang mengutamakan presisi.
Beberapa pendekatan yang termasuk pada CI (Computational Intelligence) ini antara lain:
1. Sistem Fuzzy
2. Komputasi Evolusi (Evolutionary Computation)
3. Jaringan Syaraf Tiruan (Artificial Neural Networks)
4. Kecerdasan Kumpulan (Swarm Intelligence)
Pada Sistem Fuzzy ditambahkan pendekatan lain dalam Kecerdasan Komputasional ini, yaitu
Artificial Immune System. Masing-masing pendekatan tersebut, terinspirasi dari kehidupan
biologi manusia maupun lingkungannya. Berikut pengenalan masing-masing pendekatan
Kecerdasan Komputasional tersebut.
❖ Kecerdasan Komputasional (Computational Intelligence) adalah pendekatan yang muncul
untuk komputasi secara paralel yang meniru kemampuan manusia seperti berpikir dan belajar
dalam suatu lingkungan dengan ketidakpastian.
❖ Kecerdasan Komputasional adalah sebuah pendekatan baru untuk membangun sistem
komputasi sistem, cerdas yang bertujuan membantu menyelesaikan permasalahan manusia.
Sistem cerdas ini diharapkan memiliki kemampuan seperti manusia dalam spesifikasi tertentu,
dapat beradaptasi secara mandiri dan belajar agar lebih baik dalam kondisi lingkungan yang
berubah, serta dapat menjelaskan bagaimana keputusan itu diambil.

5
❖ Metode-metode di atas sebenarnya telah ada jauh sebelum Kecerdasan Komputasional
dirumuskan. Fuzzy Logic (FL) telah berkembang sejak tahun 1965. Konsep-konsep dasar
Neural Network System telah digali sejak tahun 1940-an.
❖ Probabilistik Reasoning juga bukanlah hal yang baru sama sekali, dasar-dasar Genetic
Algorithm telah digali oleh John Holland pada pertengahan tahun 1970-an. Oleh karena itu,
Zadeh menyebut Kecerdasan Komputasional sebagai reinkarnasi dari metode-metode di atas.
❖ Oleh karena masing-masing metode ini mempunyai kelebihan tersendiri. Integrasi dari
beberapa metode ini membentuk inti dari Kecerdasan Komputasional. Sinergi ini menjadikan
Kecerdasan Komputasional menggabungkan pengetahuan manusia secara efektif, bekerja
dengan baik dalam ketidak akuratan dan ketidakpastian, dan dapat belajar beradaptasi terhadap
lingkungan yang berubah dan tak diketahui sebelumnya untuk kemampuan yang lebih baik.
Untuk pembelajaran dan adaptasi, Kecerdasan Komputasional memerlukan komputasi yang
luas. Dalam pengertian ini, Kecerdasan Komputasional bersama-sama memiliki karakteristik
yang sama dengan komputasi cerdas (Computational Intelligence).
❖ Keunggulan yang diperoleh dari kerja sama metode-metode itu lebih ditekankan daripada
keunggulan individual salah satu dari padanya. Kekurangan satu metode akan ditutup dengan
kelebihan metode yang lain. Keunggulan satu metode disumbangkan, sehingga segi-segi positif
dari metode yang ada tersebut dapat dimanfaatkan secara optimal.
❖ Berbeda dengan pendekatan konvensional hard-computing, soft-computing dapat bekerja
dengan baik walaupun terdapat ketidak pastian, ketidak akuratan maupun kebenaran parsial
pada data yang diolah dan merupakan low cost solution, robust (sangat unggul), praktis dan
mudah direalisasikan.
❖ Hal inilah yang melatarbelakangi fenomena dimana kebanyakan metode Kecerdasan
Komputasional mengambil human-mind sebagai model. (Lotfi A.Zadeh).
❖ Pada pengembangan Kecerdasan Komputasional, human-mind merupakan model yang
menarik. Alasannya sebenarnya terletak pada struktur dan fungsi dari otak manusia. Otak
manusia merupakan mesin molekuler, yang terdiri dari dua jenis sel, yaitu neuron dan glia.
Dalam otak kita terdapat sekitar 1011 sel neuron, sedangkan sel glia sekitar 3 sampai 4 kali
lipatnya. Sel neuron berfungsi sebagai pemroses informasi yang diterima oleh otak.
❖ Sel neuron terhubung antara satu dengan yang lain dengan benang-benang panjang. Berat otak
manusia saat lahir sekitar 400 gram, sedangkan saat dewasa sekitar 1500 gram. Pertambahan
berat ini disebabkan oleh bertambah panjangnya benang-benang tersebut, di samping
pertambahan sel glia. Pertambahan panjang ini berkaitan erat dengan proses pembelajaran yang
dialami oleh manusia.

6
❖ Hal ini merupakan ide awal bagi pengembangan metode Kecerdasan Komputasional, yaitu
Artificial Neural Network, yang memiliki kemampuan pembelajaran terhadap informasi yang
telah diterima.
1.a.3. Paradigma Kecerdasan Komputasional
Gambar 1.1. A Fuzzy System Overview
Sumber: https://www.researchgate.net/figure/A-fuzzy -system-overview_fig6_342906147
1.a.3.1. Fuzzy System (FS)
Fuzzy Systems (FS). Dalam Fuzzy Systems ini melibatkan bahasa natural, untuk pengambilan
keputusan. Terkadang di dalam suatu sistem, tidak semuanya dapat direpresentasikan dengan angka
yang pasti, tidak menutup kemungkinan terhadap informasi yang samar atau dikenal juga dengan
vague. Jika terdapat data yang bersifat pasti dan hanya bernilai 0 dan 1, atau True dan False, maka
pendekatan yang bersifat logic akan lebih tepat untuk pengambilan keputusan (logic based
reasoning). Akan tetapi terkadang penilaian yang dilakukan oleh manusia melibatkan uncertainty
information. Misalkan terdapat kalimat berikut : ‘Diperlukan suhu dingin di dalam ruangan, agar
obat-obatan tetapi tetap awet’. Pada kalimat tersebut terdapat uncertainty atau vague, dingin?
Seberapa dingin? Berapa derajat, dll. FS digunakan untuk mengambil kesimpulan berdasarkan
uncertainty ini.
Pengambilan keputusan dengan menggunakan FS ini melibatkan input yang bersifat tidak pasti,
dan data tersebut diolah dengan fuzzy rule, kemudian dari semua aturan yang sudah dibuat ini dapat
diambil suatu kesimpulan. Struktur khas sistem fuzzy ini dapat dilihat pada gambar 1.2.
Gambar 1.2. Struktur khas sistem fuzzy

7
1.a.3.2. Evolutionary Computation
Evolutionary Computation (EC) atau komputasi evolusi dimotivasi oleh ide evolusi dari makhluk
hidup. Proses evolusi yang terjadi pada mahluk hidup ini tidak dapat dihindari, agar mereka dapat
bertahan di dalam lingkungan yang bersifat dinamis. Makhluk hidup beradaptasi dengan kondisi
lingkungan dari satu generasi ke generasi berikutnya. Konsep utama dari evolusi ini adalah survival
of the fittest. Individu yang mampu beradaptasi dengan lingkungan yang akan terus bertahan dan
mewariskan sifat tersebut kepada generasi berikutnya, sebaliknya individu yang lemah dan tidak
mampu beradaptasi, tidak akan bertahan di dalam lingkungan yang bersifat dinamis.
Proses evolusi dimulai dari seleksi individu-individu dalam suatu populasi, kemudian dilakukan
proses reproduksi sehingga didapatkan individu-individu baru yang mewarisi sifat-sifat yang dimiliki
oleh kedua orang tuanya (diharapkan mewarisi sifat-sifat positif/unggul/baik) agar dapat bertahan di
dalam lingkungannya, sebaliknya individu baru yang mewarisi sifat negatif dari kedua orang tuanya,
merupakan individu yang lemah, dan semakin lama secara alami akan makin tersingkir dari proses
evolusi karena tidak dapat beradaptasi dengan lingkungannya.
Pada umumnya EC, digunakan untuk menyelesaikan Permasalahan Optimasi (suatu permasalahan
yang memiliki banyak solusi), pemilihan fitur untuk suatu sistem pengenalan, penjadwalan, pencarian
rute terbaik, dan lain-lain. Individu-individu yang terdapat pada populasi dan akan mengalami proses
evolusi inilah yang merupakan representasi dari kandidat solusi. Tugas akhir dari evolusi ini adalah
mencari individu terbaik atau solusi yang optimal untuk penyelesaian Permasalahan Optimasi.
Tahapan dari Evolutionary Computation ini dapat dilihat pada gambar 1.3.
Gambar 1.3. Classic Evolutionary Computation Scheme
Sumber https://www.researchgate.net/figure/Classic-Evolutionary-Computation-Scheme_fig5_221008518
1.a.3.3. Artificial Neural Networks (ANNs)
Artificial Neural Networks (ANNs) merupakan abstraksi dari jaringan syaraf manusia. Tidak perlu
diragukan lagi kemampuan yang dimiliki oleh jaringan syaraf manusia. Jaringan syaraf manusia
mampu mengolah input yang bersifat paralel, sehingga dapat melakukan pekerjaan seperti
pengenalan pola, prediksi, dan lain-lain.

8
Gambar 1.4 Sistem Jaringan Syaraf
Sumber: https://www.markijar.com/2019/01/sistem-syaraf-pada-manusia-lengkap.html
Jaringan syaraf manusia terdiri dari jutaan bahkan milyaran unit pemrosesan informasi yang disebut
dengan neuron, dan informasi dikirim dari neuron ke neuron lain. ANN memodelkan secara
sederhana jaringan syaraf ini, mulai dari struktur, fungsi, dan termasuk kemampuan pembelajarannya.
Sehingga diharapkan ANN atau Jaringan Syaraf Tiruan ini memiliki kemampuan yang menyerupai
kemampuan jaringan syaraf manusia. Jaringan syaraf manusia dapat dilihat pada gambar 2.4.
Pada gambar 2.4. terdapat beberapa komponen penting dari jaringan syaraf, yaitu:
1. Neuron, adalah unit pemrosesan informasi dasar dari jaringan syaraf. Secara umum, sinyal-
sinyal input yang masuk ke dalam suatu neuron dijumlah terlebih dahulu, jika input tersebut
‘cukup’ maka neuron akan menembak/fire sinyal hasil pengolahan informasi menuju neuron
lain melalui axon. Jika total sinyal input masih belum cukup, maka neuron masih dalam
keadaan tidak aktif. Neuron ini dilindungi oleh soma.
2. Dendrite, berperan sebagai penghubung antara semua sinyal input ke suatu neuron.
3. Axon, merupakan output dari neuron, axon disebut juga dengan non linear threshold device.
4. Synapse, yang menghubungkan antara axon dengan dendrit dari neuron lain.
ANN memodelkan secara sederhana jaringan syaraf manusia tersebut. Pada ANN, neuron juga
berfungsi untuk memproses informasi yang masuk dan ketika memenuhi threshold yang telah
ditentukan, neuron tersebut meneruskan informasi ke neuron lain melalui suatu synapse seperti
ditunjukkan pada gambar 2.5.
Gambar 1.5. Jaringan Syaraf Tiruan (JST)

9
Sumber: https://www.trivusi.web.id/2022/07/mengenal-jaringan-syaraf-tiruan-jst.html
Fitur penting dari jaringan syaraf manusia adalah kemampuannya untuk beradaptasi dan belajar
dari lingkungan. Sehingga dengan kemampuan ini, maka jaringan syaraf manusia mampu melakukan
tugas-tugas seperti klasifikasi, pengenalan pola, prediksi data, dan lain-lain. Jaringan syaraf Tiruan
akan meniru baik arsitektur maupun kemampuan belajar dari jaringan syaraf.
1.a.3.4. Swarm Intelligence (SI)
Swarm Intelligence (SI) diinspirasi dari perilaku-perilaku makhluk sosial yang hidup dan saling
bekerja sama di dalam koloninya. Kerjasama yang mereka lakukan ternyata mampu menghantarkan
mereka kepada tujuan yang ingin dicapai dengan cara yang optimal. Oleh karena itu Swarm
Intelligence ini seperti halnya pada komputasi evolusi, digunakan untuk menyelesaikan Permasalahan
Optimasi. Contoh makhluk hidup dalam koloni yang digunakan dalam pendekatan kecerdasan
komputasional adalah burung dan semut.
Perilaku kawanan burung yang terbang berkelompok menuju daerah tertentu ini menginspirasi
algoritma Particle Swarm Optimization (PSO). Pada awalnya sekawanan burung ini terbang secara
acak, akan tetapi lama kelamaan, mereka bekerja sama secara kelompok untuk mencari daerah yang
akan dituju. Dengan cara, arah terbang yang mereka tempuh untuk mencari tujuan tersebut tidak
hanya didasarkan kepada kemampuan terbang masing-masing burung, akan tetapi juga dipengaruhi
perilaku terbang burung lain yang dianggap akan mengantarkan kepada daerah yang dituju.
Sedangkan perilaku kawanan semut dalam mencari sumber makanan dan membawa makanan ke
sarang mereka, menginspirasi algoritma Ant Colony Optimization (ACO). Dalam mencari makanan,
setiap semut akan melihat jejak pheromone yang berada di suatu jalur tertentu, maka semakin besar
pula kemungkinan semut akan memilih jalur tersebut. Pheromone juga dapat mengalami proses
penguapan, sehingga semakin jauh jarak yang ditempuh oleh semut, maka konsentrasi pheromone ini
juga semakin menghilang, sehingga semakin lama hanya akan ada satu jalur yang dilewati oleh semut
dari dan menuju tempat sumber makanan.
1.a.3.5. Expert Systems (Sistem Pakar)
Expert Systems, atau Sistem Pakar, adalah program komputer yang dirancang untuk menyimpan,
mengorganisir, dan menerapkan pengetahuan yang spesifik dan terbatas dari seorang ahli manusia
dalam suatu domain tertentu. Tujuan utama dari sistem pakar adalah memberikan solusi atau
membuat keputusan dalam bidang spesifik tanpa kehadiran langsung ahli manusia.

10
Gambar 1 .6. Expert Systems
Sumber: https://www.slideshare.net/inam12/expert-system-32185312
Berikut adalah beberapa karakteristik utama dari Expert Systems:
1. Pengetahuan Ahli: Sistem pakar memuat pengetahuan yang dikumpulkan dari ahli manusia
dalam bidang tertentu. Pengetahuan ini biasanya dinyatakan dalam bentuk aturan-aturan yang
dapat diakses oleh sistem.
2. Inferensi (Penalaran): Sistem pakar dapat melakukan penalaran atau inferensi berdasarkan
pengetahuan yang ada. Dengan menggunakan aturan-aturan yang telah didefinisikan, sistem
dapat membuat kesimpulan atau memberikan solusi untuk masalah tertentu.
3. Manajemen Pengetahuan: Sistem pakar dapat menyimpan, mengorganisir, dan mengelola
pengetahuan ahli. Ini mencakup aturan-aturan, fakta-fakta, dan basis pengetahuan lainnya
yang diperlukan untuk membuat keputusan.
4. Interaktif: Sistem pakar sering kali dirancang untuk berinteraksi dengan pengguna dengan
cara yang mirip dengan interaksi manusia-ke-ahli. Ini bisa melibatkan pertanyaan-pertanyaan
untuk mendapatkan informasi tambahan atau memberikan solusi yang dipahami oleh
pengguna.
5. Aplikasi dalam Keputusan: Sistem pakar digunakan untuk mendukung pengambilan
keputusan dalam berbagai bidang, seperti kedokteran (diagnosis penyakit), keuangan (analisis
investasi), dan teknik (perbaikan mesin).
Contoh penerapan sistem pakar melibatkan penggunaan aturan-aturan yang diturunkan dari seorang
dokter ahli dalam membuat diagnosis penyakit tertentu. Sistem ini dapat membimbing pengguna
melalui serangkaian pertanyaan, menganalisis jawaban, dan memberikan rekomendasi atau solusi.
Kelebihan sistem pakar termasuk kemampuan untuk menyimpan dan menyusun pengetahuan ahli,
konsistensi dalam penerapan aturan, dan kemampuan untuk memberikan solusi dalam waktu yang
relatif singkat. Namun, keterbatasan mereka melibatkan kesulitan dalam menangani situasi yang tidak

11
sesuai dengan aturan yang telah didefinisikan dan keterbatasan dalam menangani pengetahuan yang
bersifat dinamis.
Berikut adalah elemen-elemen kunci dari definisi Kecerdasan Komputasional:
1. Pengembangan Model dan Algoritma:
• Kecerdasan Komputasional melibatkan pengembangan model komputasional dan
algoritma yang dapat menghasilkan perilaku cerdas atau respons cerdas dari sistem
komputer.
2. Tugas yang Memerlukan Kecerdasan Manusia:
• Tujuan utama Kecerdasan Komputasional adalah memberikan kemampuan kepada
komputer untuk menyelesaikan tugas-tugas yang umumnya memerlukan kecerdasan
• manusia, seperti pengenalan pola, pemrosesan bahasa alami, pengambilan keputusan,
dan pemecahan masalah.
3. Penggunaan Konsep-Konsep dalam Kecerdasan Buatan (AI):
• Kecerdasan Komputasional terkait erat dengan konsep-konsep dalam kecerdasan
buatan, seperti pembelajaran mesin, logika fuzzy , jaringan syaraf tiruan, dan algoritma
evolusioner.
4. Kemampuan Belajar dan Beradaptasi:
• Sistem komputer yang dikembangkan melalui Kecerdasan Komputasional dapat
memiliki kemampuan belajar dari data, pengalaman, atau lingkungan mereka. Mereka
juga dapat beradaptasi dengan perubahan dalam konteks atau tugas yang dihadapi.
5. Kompleksitas, Pengambilan Keputusan, dan Penyelesaian Masalah:
• Kecerdasan Komputasional bertujuan untuk menangani tugas-tugas kompleks yang
melibatkan kemampuan untuk membuat keputusan berdasarkan informasi yang
diberikan dan menyelesaikan masalah dengan cara yang cerdas.
6. Penerapan Luas:
• Konsep dan teknik Kecerdasan Komputasional dapat diterapkan dalam berbagai
bidang, termasuk pengenalan pola, pengolahan bahasa alami, robotika, sistem pakar,
optimasi, dan banyak lagi.
7. Evolusi dan Pengembangan Lanjutan:
• Bidang ini terus mengalami evolusi dengan adanya penelitian dan pengembangan
terbaru. Perkembangan ini mencakup penggunaan teknik-teknik baru, peningkatan
efisiensi algoritma, dan aplikasi dalam domain-domain baru.
Kecerdasan Komputasional adalah bagian penting dari perkembangan teknologi informasi yang
bertujuan untuk menciptakan sistem komputer yang lebih mampu meniru kemampuan berpikir dan

12
beradaptasi manusia. Peranannya semakin krusial dalam menghadapi tugas-tugas kompleks yang
melibatkan analisis data besar, pengambilan keputusan real-time, dan pemrosesan informasi yang
kompleks.
1.a.4. Berikut merupakan bidang-bidang penelitian Kecerdasan Komputasional
▪ Fuzzy System
▪ Pattern Recognition Image
▪ Image Processing
▪ Machine Learning
▪ Computer Vision
▪ Soft Computing
▪ Evolutionary CompuNeural
▪ Network Knowledge
▪ Natural Language Processing
▪ Image Retrieval
❖ Selain kemampuan pembelajaran, otak manusia juga memiliki kemampuan untuk mengambil
keputusan walaupun informasi mengandung unsur ketidakpastian dan ketidakakuratan, seperti
‘manis’, ‘pahit’, ‘tinggi’, ‘rendah’, dan sebagainya. Hal ini merupakan konsep yang mendasari
pengembangan metode Fuzzy Logic, yang mencerminkan cara berpikir manusia untuk
mengungkapkan keadaan Fuzzy dan menggambarkan kebiasaan manusia, antara lain keputusan
manusia, emosi, dan persepsi.
❖ Selain Artificial Neural Network dan Fuzzy Logic, masih banyak lagi jenis-jenis metode
Kecerdasan Komputasional, yang ide awalnya bersumber dari otak manusia maupun mekanisme
biologi yang terdapat di alam semesta, seperti Genetic Algorithm yang merupakan metode
komputasi yang meniru proses evolusi dan seleksi alam.
1.b. Perbedaan Kecerdasan Komputasional dan Kecerdasan Buatan
Meskipun istilah "Kecerdasan Komputasional" dan "Kecerdasan Buatan" seringkali digunakan secara
bergantian atau mengacu pada konsep yang serupa, perbedaan di antara keduanya dapat berkaitan
dengan penekanan pada aspek tertentu dari kecerdasan komputer. Namun, perbedaan ini mungkin
juga menjadi masalah terminologi dan dapat bergantung pada interpretasi individu. Berikut adalah
beberapa perbedaan mungkin yang dapat ditemui:
1. Fokus Penekanan:
• Kecerdasan Komputasional: Lebih sering digunakan untuk merujuk pada pengembangan
model dan algoritma yang mengimplementasikan konsep kecerdasan komputer, dengan
penekanan pada komputasi.

13
• Kecerdasan Buatan: Dapat memiliki cakupan yang lebih luas dan mencakup seluruh
domain yang berkaitan dengan pengembangan sistem yang meniru atau menampilkan
kecerdasan manusia.
2. Penggunaan di Industri atau Penelitian Tertentu:
• Kecerdasan Komputasional: Mungkin lebih cenderung digunakan dalam konteks
penelitian dan pengembangan model komputasional tertentu, seperti dalam pembelajaran
mesin atau pengenalan pola.
• Kecerdasan Buatan: Lebih umum digunakan di industri secara luas dan dapat mencakup
segala aspek dari implementasi kecerdasan komputer dalam aplikasi praktis.
3. Pengertian Kontekstual:
• Kecerdasan Komputasional: Mungkin lebih bersifat kontekstual dan dapat merujuk pada
konsep kecerdasan komputer dalam berbagai bidang atau aplikasi spesifik.
• Kecerdasan Buatan: Dapat dianggap sebagai konsep yang lebih umum, mencakup segala
bentuk kecerdasan yang diimplementasikan dalam konteks komputasional.
4. Sejarah dan Asal Usul Istilah:
• Kecerdasan Komputasional: Tidak selalu memiliki asal usul yang jelas dan mungkin
berkembang sebagai istilah yang lebih baru atau berfokus pada aspek tertentu dari
kecerdasan komputer.
• Kecerdasan Buatan: Merujuk pada bidang penelitian dan pengembangan yang memiliki
sejarah panjang, yang melibatkan ide dan konsep dari berbagai disiplin ilmu, termasuk ilmu
komputer, matematika, dan ilmu kognitif.
Penting untuk dicatat bahwa pemahaman dan penggunaan istilah dapat bervariasi di antara sumber
dan konteks. Dalam prakteknya, banyak orang menggunakan kedua istilah ini dengan arti yang mirip
atau bahkan serupa. Seiring waktu, batas antara kedua istilah ini juga dapat menjadi lebih kabur,
terutama karena lapangan kecerdasan komputer terus berkembang dan melibatkan berbagai aspek.
1.b.1. Perbedaan Kecerdasan Komputasional dengan Kecerdasan Buatan
Tabel 1.2. Perbedaan Kecerdasan Komputasional dengan Kecerdasan Buatan
Dimensi Kecerdasan Komputasional Kecerdasan Buatan
Pemrosesan Algoritmik Mengandung konsep-konsep
simbolik
Sifat Input Harus lengkap Bisa tidak lengkap
Pencarian Biasanya didasarkan pada
algoritma
Kebanyakan bersifat heuristic

14
Keterangan Biasanya tidak disediakan Disediakan
Fokus Data & informasi Pengetahuan
Struktur Kontrol terintegrasi dengan
informasi (data)
Kontrol dipisahkan dari
pengetahuan
Sifat Output Kualitatif Kuantitatif
Pemeliharaan dan Update Sulit Relatif mudah
Kemampuan menalar Tidak Ya
1.b.2. Perbedaan Kecerdasan Buatan dan Kecerdasan Alami
Tabel 1.1. Perbedaan Kecerdasan Buatan dan Kecerdasan Alami
No KECERDASAN BUATAN KECERDASAN ALAMI
1 Lebih permanen. Cepat mengalami perubahan/bersifat
lebih kreatif.
2 Lebih mudah diduplikasikan dan
disebarkan.
Tidak mudah diduplikasikan dan disebarkan,
karena mentransfer pengetahuan manusia dari
satu orang ke orang lain membutuhkan proses
yang sangat lama dan juga suatu keahlian itu
tidak akan pernah dapat diduplikasi dengan
lengkap.
3 Lebih murah Lebih mahal karena harus mendatangkan
seseorang untuk mengerjakan sejumlah
pekerjaan dalam jangka waktu yang sangat
lama.
4 Konsisten dan menyeluruh karena Senantiasa berubah-ubah.
kecerdasan buatan adalah bagian dari
teknologi komputer.
5 Dapat didokumentasikan dengan cara
melacak setiap aktivitas dari sistem tersebut.
Kecerdasan alami sangat sulit untuk
direproduksi.
6 Dapat mengeksekusi tugas tertentu lebih
cepat.
Lebih lama dalam mengeksekusi tugas
tertentu.
7 Dapat menjalankan tugas tertentu lebih baik
dari banyak atau kebanyakan orang.
Memiliki kelemahan dalam menjalankan tugas
tertentu.
8 Untuk menambah pengetahuan harus
dilakukan melalui sistem yang dibangun.
Kreatif, karena kemampuan untuk menambah
ataupun memenuhi pengetahuan itu sangat
melekat pada jiwa manusia.

15
9 Harus bekerja dengan input-input simbolik. Memungkinkan orang untuk menggunakan
pengalaman secara langsung.
10 Sangat terbatas Pemikiran manusia dapat digunakan secara
luas.
BAB II
LOGIKA FUZZY
2.a. Logika Fuzzy
2.a.1. Definisi logika Fuzzy
❖ Logika fuzzy adalah salah satu komponen pembentuk soft computing. Logika fuzzy pertama
kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori
himpunan fuzzy . Pada teori himpunan fuzzy , peranan derajat keanggotaan sebagai penentu
keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat
keanggotaan atau membership function menjadi ciri utama dalam penalaran dengan logika
fuzzy tersebut.
Gambar 2.1. Contoh Pemetaan Input Output
❖ Logika fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju
ruang output. Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk
mengolah data input menjadi output dalam bentuk informasi yang baik
2.a.2. Alasan Digunakannya Logika Fuzzy
Adapun beberapa alasan digunakannya logika fuzzy adalah:
a) Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori
himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah
untuk dimengerti.
b) Logika fuzzy sangat fleksisbel, artinya mampu beradaptasi dengan perubahan-perubahan, dan
ketidakpastian yang menyertai permasalahan.
c) Logika fuzzy memiliki toleransi terhadap data yang cukup homogeny, dan kemudian ada
beberapa data “eksklusif”, maka logika fuzzy memiliki kemampuan untuk menangani data

16
eksklusif tersebut.
d) Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan. Dalam hal ini, sering dikenal dengan
istilah fuzzy expert sistem menjadi bagian terpenting.
e) Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini
umumnya terjadi pada aplikasi di bidang teknik mesin maupun teknik elektro.
f) Logika fuzzy didasari pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari
sehingga mudah dimengerti.
2.a.3. Himpunan Fuzzy
❖ Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan (X), memiliki dua kemungkinan, yaitu:
a) Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
b) Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Contoh:
❖ Misalkan variabel umur dibagi menjadi tiga kategori, yaitu:
▪ MUDA umur < 35 tahun
▪ PARUH BAYA 35 ≤ umur ≤ 55 tahun
▪ TUA umur > 55 tahun
Secara grafis dapat kita lihat:
Gambar 2.2. Himpunan Muda, Paruh baya, Tua
Dari kategori diatas dapat dijelaskan bahwa:
❖ Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ( (34)=1)
❖ Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA ( (35)=0)
❖ Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA ( (35-1
hari)=1)
❖ Apabila seseorang berusia 35 tahun, maka ia dikatakan PARUH BAYA ( (34)=1)
❖ Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PARUH BAYA ( (34)=0)
❖ Apabila seseorang berusia 55 tahun, maka ia dikatakan PARUH BAYA ( (55)=1)
❖ Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PARUH BAYA
( (35-1 hari)=0)

17
❖ Dari sini dapat dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat
tidak adil.
❖ Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup
signifikan.
2.a.4. Metode Fuzzy
❖ Metode fuzzy memiliki beberapa jenis metode yang biasa digunakan yaitu Metode Tsukamoto,
Metode Mamdani, dan Metode Sugeno. Input yang diberikan kepada Fuzzy Inference System
adalah berupa bilangan tertentu dan output yang dihasilkan juga harus berupa bilangan tertentu.
Kaidah-kaidah dalam bahasa linguistik dapat digunakan sebagai input yang bersifat teliti harus
dikonversikan terlebih dahulu, lalu melakukan penalaran berdasarkan kaidah-kaidah dan
mengkonversi hasil penalaran tersebut menjadi output yang bersifat teliti.
2.b. Metode Tsukamoto
Gambar 2.3. Defuzzifikasi Metode Tsukamoto
Sumber: https://www.researchgate.net/figure/Gambar-524-Defuzzifikasi-Metode-
Tsukamoto_fig7_326624596
2.b.1. Pengertian
Metode Tsukamoto adalah sebuah metode dalam sistem kontrol fuzzy yang dikembangkan oleh Dr.
Tsukamoto. Metode ini adalah salah satu pendekatan dalam logika fuzzy untuk mengatasi
ketidakpastian dan kompleksitas dalam pemodelan sistem yang sulit dijelaskan dengan pendekatan
konvensional. Metode Tsukamoto umumnya digunakan dalam sistem kontrol fuzzy yang melibatkan
aturan-aturan fuzzy .
• Metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-Akibat”/Implikasi

18
“Input-Output” dimana antara anteseden dan konsekuen harus ada hubungannya. Setiap aturan
direpresentasikan menggunakan himpunan-himpunan fuzzy , dengan fungsi keanggotaan yang
monoton. Kemudian untuk menentukan hasil tegas (Crisp Solution) digunakan rumus
penegasan (defuzzifikasi) yang disebut “Metode rata-rata terpusat” atau “Metode defuzzifikasi
rata-rata terpusat.
• Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp)
berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata
terbobot.
• Misalkan ada 2 variabel input, Var-1 (x) dan Var-2 (y), serta 1 variabel output, Var-3 (z),
dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2 terbagi atas 2 himpunan B1 dan B2,
Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 ( C1 dan C2 harus monoton). Ada 2 aturan
yang digunakan, yaitu:
• [R1] IF (x is A1) and (y is B2) THEN (z is C1)
• [R2] IF (x is A1) and (y is B1) THEN (z is C2)
• Saat proses evaluasi aturan dalam mesin inferensi, metode fuzzy Tsukamoto menggunakan
fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule (α1, α2, α3,.... αn).
Masing-masing nilai α-predikat digunakan untuk menghitung hasil inferensi secara tegas (crisp)
masing-masing rule (z1, z2, z3,.... zn).
• Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata (Average) dengan
rumus berikut:
Z = x =
𝛴 𝑎1.𝑧1
𝑎1
(2.1)
Berikut adalah beberapa karakteristik utama dari Metode Tsukamoto:
1. Variabel Linguistik:
• Metode Tsukamoto menggambarkan variabel input dan output menggunakan istilah atau
label linguistik (fuzzy ), seperti "rendah," "sedang," dan "tinggi." Variabel ini membantu
menggambarkan konsep yang sulit diukur dengan nilai pasti.
2. Fungsi Keanggotaan:
• Setiap variabel linguistik didefinisikan oleh fungsi keanggotaan yang menentukan sejauh
mana suatu nilai numerik masuk ke dalam kategori tersebut. Fungsi keanggotaan ini dapat
berbentuk segitiga, trapesium, atau bentuk kurva lainnya.

19
3. Aturan Fuzzy :
• Metode Tsukamoto melibatkan aturan fuzzy yang berisi kumpulan pernyataan dalam
bentuk "jika... maka...". Aturan ini menghubungkan variabel input dengan variabel output
dan mencerminkan kebijaksanaan manusia atau pengetahuan eksperimen.
4. Implikasi Tsukamoto:
• Metode ini menggunakan implikasi Tsukamoto sebagai langkah dalam menentukan sejauh
mana aturan fuzzy berpengaruh terhadap hasil akhir. Implikasi Tsukamoto mencerminkan
cara di mana setiap aturan berkontribusi terhadap output.
5. Defuzzifikasi:
• Setelah aturan-aturan fuzzy diaplikasikan, langkah terakhir adalah defuzzifikasi untuk
mengonversi hasil fuzzy kembali menjadi nilai-nilai numerik yang konkret. Metode
Tsukamoto sering menggunakan metode defuzzifikasi seperti metode centroid atau metode
yang mengacu pada pusat massa area di bawah kurva.
Metode Tsukamoto telah diterapkan dalam berbagai aplikasi, termasuk sistem kendali otomatis,
sistem kendali traffik, dan keputusan berbasis pengetahuan. Kelebihannya terletak pada
kemampuannya untuk menggambarkan ketidakpastian dan mengatasi kompleksitas dalam sistem
yang sulit dimodelkan secara eksak.
Berikut adalah langkah-langkah umum dalam metode Tsukamoto dan contoh implementasinya
dalam kehidupan:
Langkah-langkah Metode Tsukamoto:
1. Variabel Input dan Output:
• Tentukan variabel input dan output yang ingin dimodelkan dalam bentuk variabel
linguistik fuzzy . Misalnya, variabel input dapat berupa "kecepatan" dengan label "lambat,"
"sedang," dan "cepat," sedangkan variabel output bisa menjadi "akselerasi" dengan label
yang sama.
• Tentukan fungsi keanggotaan untuk setiap variabel linguistik. Misalnya, fungsi
keanggotaan untuk "kecepatan sedang" mungkin berbentuk segitiga dengan nilai-nilai
keanggotaan tertentu.
3. Aturan Fuzzy :
• Buat aturan-aturan fuzzy yang menghubungkan variabel input dengan variabel output.
Contohnya, "Jika kecepatan lambat, maka akselerasi lambat."
• Terapkan implikasi Tsukamoto untuk menentukan sejauh mana setiap aturan fuzzy

20
berpengaruh pada hasil akhir.
5. Agregasi Aturan:
• Agregasikan hasil dari semua aturan fuzzy untuk menghasilkan suatu distribusi fuzzy yang
merepresentasikan output sistem.
6. Defuzzifikasi:
• Terapkan defuzzifikasi untuk mengonversi distribusi fuzzy menjadi nilai numerik konkret
yang dapat diimplementasikan dalam sistem.
2.b.2. Contoh Implementasi dalam Kehidupan
Scenario: Sistem Kendali AC Otomatis
1. Variabel Input:
• Kelembaban (Rendah, Sedang, Tinggi)
• Suhu (Rendah, Sedang, Tinggi)
2. Variabel Output:
• Pengaturan AC (Rendah, Sedang, Tinggi)
• Fungsi keanggotaan yang menggambarkan hubungan antara kelembaban, suhu, dan
pengaturan AC.
4. Aturan Fuzzy :
• Contoh aturan: "Jika kelembaban tinggi dan suhu tinggi, maka pengaturan AC rendah."
• Menghitung sejauh mana setiap aturan berkontribusi terhadap pengaturan AC.
6. Agregasi Aturan:
• Menggabungkan semua aturan fuzzy untuk mendapatkan distribusi fuzzy untuk pengaturan
AC.
7. Defuzzifikasi:
• Mengonversi distribusi fuzzy menjadi nilai konkret untuk pengaturan AC, misalnya, nilai
suhu tertentu atau persentase tenaga AC.
Contoh di atas menggambarkan bagaimana Metode Tsukamoto dapat digunakan dalam sistem
kendali AC otomatis untuk menyesuaikan pengaturan AC berdasarkan kelembaban dan suhu
lingkungan. Dengan menggunakan variabel linguistik fuzzy , aturan fuzzy , dan langkah-langkah
metode Tsukamoto, sistem tersebut dapat memberikan respons yang adaptif dan cerdas sesuai dengan
kondisi lingkungan yang berubah-ubah.
2.c. Metode Mamdani

21
Gambar 2.4. Dua input, dua aturan Mamdani Fuzzy Inference Systems (FIS)
dengan input crisp
Sumber: https://www.cs.princeton.edu/courses/archive/fall07/cos436/HIDDEN/Knapp/fuzzy004.htm
2.c.1. Pengertian
Metode Mamdani adalah salah satu metode dalam sistem kendali fuzzy yang digunakan untuk
mengatasi ketidakpastian dan kompleksitas dalam pemodelan sistem yang sulit dijelaskan dengan
pendekatan konvensional. Metode Mamdani melibatkan aturan-aturan fuzzy , fungsi keanggotaan,
dan proses defuzzifikasi untuk menghasilkan kendali fuzzy yang dapat diterapkan pada sistem yang
berbasis aturan fuzzy .
Metode ini dikenal juga sebagai metode max-min. Pertama kali diperkenalkan oleh Ebrahim
Mamdani (1975).
Berikut adalah langkah-langkah umum dalam metode Mamdani dan contoh implementasinya dalam
kehidupan:
Langkah-langkah Metode Mamdani:
linguistik fuzzy . Misalnya, variabel input dapat berupa "kecepatan" dengan label "lambat,"
"sedang," dan "cepat," sedangkan variabel output bisa menjadi "akselerasi" dengan label
yang sama.
3. Aturan Fuzzy :

22
Contohnya, "Jika kecepatan lambat, maka akselerasi lambat."
4. Implikasi Mamdani:
• Hitung sejauh mana setiap aturan fuzzy berpengaruh pada hasil akhir. Metode Mamdani
menggunakan operator minimum atau operator prod untuk menggabungkan kontribusi
aturan-aturan ini.
5. Agregasi Aturan:
• Agregasikan hasil dari semua aturan fuzzy untuk menghasilkan distribusi fuzzy yang
6. Defuzzifikasi:
2.c.2. Contoh Implementasi dalam Kehidupan
Scenario: Sistem Kendali Lampu Lalu Lintas
1. Variabel Input:
• Kecepatan Kendaraan (Lambat, Sedang, Cepat)
• Volume Lalu Lintas (Rendah, Sedang, Tinggi)
2. Variabel Output:
• Durasi Hijau Lampu Lalu Lintas (Singkat, Sedang, Panjang)
• Fungsi keanggotaan yang menggambarkan hubungan antara kecepatan, volume lalu lintas,
dan durasi hijau lampu lalu lintas.
4. Aturan Fuzzy :
• Contoh aturan: "Jika kecepatan lambat dan volume lalu lintas rendah, maka durasi hijau
lampu lalu lintas panjang."
5. Implikasi Mamdani:
• Menggunakan operator minimum atau operator prod untuk menentukan sejauh mana setiap
aturan berpengaruh pada hasil akhir.
6. Agregasi Aturan:
• Menggabungkan semua aturan fuzzy untuk mendapatkan distribusi fuzzy untuk durasi
hijau lampu lalu lintas.
7. Defuzzifikasi:
• Mengonversi distribusi fuzzy menjadi nilai konkret untuk durasi hijau lampu lalu lintas,
misalnya, dalam satuan waktu detik.

23
Dalam contoh ini, metode Mamdani digunakan untuk mengontrol durasi hijau lampu lalu lintas
berdasarkan kecepatan kendaraan dan volume lalu lintas. Dengan mengaplikasikan aturan-aturan
fuzzy dan proses defuzzifikasi, sistem kendali lampu lalu lintas dapat memberikan respons yang
adaptif dan cerdas sesuai dengan kondisi lalu lintas yang berubah-ubah.
2.d. Metode Sugeno
Gambar 2.5. Dua masukan, dua aturan Sugeno Fuzzy Inference Systems (FIS) (pn, qn, dan rn adalah
konstanta yang ditentukan pengguna)
Sumber: https://www.cs.princeton.edu/courses/archive/fall07/cos436/HIDDEN/Knapp/fuzzy004.htm
2.d.1.Pengertian
Metode Sugeno adalah metode lain dalam sistem kendali fuzzy yang mirip dengan metode Mamdani,
namun memiliki perbedaan utama dalam hasil keluaran atau konsekuen aturan fuzzy . Metode Sugeno
menggunakan model linier untuk menggambarkan konsekuen dari aturan fuzzy , sedangkan Mamdani
menggunakan konsekuen fuzzy yang umumnya berbentuk fungsi keanggotaan. Metode Sugeno juga
dikenal sebagai sistem kendali fuzzy TSK (Takagi-Sugeno-Kang) karena karya awalnya
dikembangkan oleh Takagi dan Sugeno.
Berikut adalah langkah-langkah umum dalam metode Sugeno dan contoh implementasinya dalam
kehidupan:
Langkah-langkah Metode Sugeno:
linguistik fuzzy . Misalnya, variabel input dapat berupa "kecepatan" dengan label "rendah,"
"sedang," dan "tinggi," sedangkan variabel output bisa menjadi "biaya asuransi" dengan
label "murah," "sedang," dan "mahal."

24
3. Aturan Fuzzy :
Contohnya, "Jika kecepatan rendah, maka biaya asuransi murah."
4. Konsekuen Sugeno:
• Tetapkan fungsi konsekuen Sugeno untuk setiap aturan fuzzy . Fungsi ini bersifat linier
dan menerima nilai variabel input sebagai masukan. Contohnya, "Jika kecepatan rendah,
maka biaya asuransi = 500 - 2 * kecepatan."
5. Implikasi Sugeno:
• Hitung hasil dari setiap aturan fuzzy menggunakan konsekuen Sugeno.
6. Agregasi Aturan:
• Agregasikan hasil dari semua aturan fuzzy untuk menghasilkan distribusi fuzzy yang
7. Defuzzifikasi:
2.d.2. Contoh Implementasi dalam Kehidupan
Scenario: Sistem Kendali Penjadwalan AC
1. Variabel Input:
• Suhu Ruangan (Rendah, Sedang, Tinggi)
• Kebutuhan AC (Rendah, Sedang, Tinggi)
2. Variabel Output:
• Durasi AC Aktif (detik)
• Fungsi keanggotaan yang menggambarkan hubungan antara suhu, kebutuhan AC, dan
durasi AC aktif.
4. Aturan Fuzzy :
• Contoh aturan: "Jika suhu rendah dan kebutuhan AC tinggi, maka durasi AC aktif = 300
- 5 * suhu + 2 * kebutuhan AC."
5. Konsekuen Sugeno:
• Menggunakan model linier untuk menghitung nilai konsekuen berdasarkan nilai variabel
input.

25
6. Implikasi Sugeno:
• Menggunakan konsekuen Sugeno untuk menghitung hasil dari setiap aturan fuzzy .
7. Agregasi Aturan:
• Menggabungkan semua hasil aturan fuzzy untuk mendapatkan distribusi fuzzy untuk
durasi AC aktif.
8. Defuzzifikasi:
• Mengonversi distribusi fuzzy menjadi nilai konkret untuk durasi AC aktif, misalnya, dalam
satuan waktu detik.
Dalam contoh ini, metode Sugeno digunakan untuk mengontrol durasi AC aktif berdasarkan suhu
ruangan dan kebutuhan AC. Dengan mengaplikasikan aturan-aturan fuzzy dan proses defuzzifikasi,
sistem kendali penjadwalan AC dapat memberikan respons yang adaptif dan cerdas sesuai dengan
kondisi ruangan yang berubah-ubah.
BAB III
EVOLUTIONARY COMPUTATION, EVOLUSI ALGORITMA DAN RCGA
3.a. Evolutionary Computation
Gambar 3.1. Proses Evolutionary Computation
3.a.1. Pengertian Umum Evolutionary Computation
• Evolutionary Computation adalah salah satu cabang dari Artificial Intelligence (AI) yang
menggunakan algoritma evolusi untuk menyelesaikan masalah optimasi dan pencarian solusi
terbaik. Evolutionary Computation terinspirasi dari proses evolusi di alam, dimana individu-
individu yang paling cocok akan bertahan hidup dan berkembang biak, sementara individu yang
kurang cocok akan mati atau punah.
• Evolutionary computation merupakan suatu wilayah ilmu komputer yang menggunakan pola
pikir dari konsep dan prinsip dasar dari evolusi alam, yaitu prinsip seleksi alam Darwinisme,
sebagai inspirasi dalam perancangan metode komputasi. Dalam proses seleksi alam, siap yang

26
kuat (yang bisa beradaptasi) dialah yang bisa bertahan.
• Ternyata ide ini telah berkembang sejak tahun 1940-an, jauh sebelum periode dimana komputer
berkembang pesat. Tahun 1948, Turing memperkenalkan istilah “genetical or evolutionary
search” dan tahun 1962 Bremermann melakukan eksperimen tentang “optimasi melalui
evolusi dan kombinasi ulang (optimization through evolution and recombination)” .
• Pada era tahun 1960-an, tiga implementasi ide dasar ini dikembangkan masing-masing di
tempat berlainan. Di Amerika, Fogel, Owens, dan Walsh memperkenalkan Evolutionary
Programming, sedangkan Holland (juga di Amerika) menyebut metodenya sebagai Genetic
Algorithm. Sementara itu di Jerman, Rechenberg dan Schwefel menemukan metode Evolution
Strategies.
• Selama lima belas tahun berikutnya, metode tersebut dikembangkan secara terpisah, namun
sejak awal tahun 1990-an ketiganya dipandang sebagai tiga jenis representasi (dialek) dari satu
teknologi yang diberi nama Evolutionary Computing. Di awal tahun 1990-an juga bergabung
dalam arus pemikiran ini suatu metode baru, yaitu Genetic Programming, yang dipelopori oleh
Koza.
• Evolutionary Computation (EC) adalah suatu paradigma komputasi yang terinspirasi oleh
proses evolusi biologis untuk menyelesaikan masalah optimasi, pencarian, dan pembelajaran
mesin. EC mencoba untuk mensimulasikan mekanisme seleksi alam, pewarisan genetik, mutasi,
dan rekombinasi dalam populasi individu untuk mencapai solusi yang lebih baik dari waktu ke
waktu.
3.a.2. Definisi Menurut Ahli
Menurut Eiben dan Smith dalam bukunya “Introduction to Evolutionary Computing” (2003)
Evolutionary Computation adalah “sekelompok teknik komputasi yang terinspirasi dari proses
evolusi biologis dan yang digunakan untuk menyelesaikan masalah optimasi dan pencarian solusi
terbaik”. Sedangkan menurut Back, Fogel, dan Michalewicz dalam bukunya “Evolutionary
computation 1: Basic Algorithms and Operators” (2000), Evolutionary Computation adalah
“sekelompok metode optimasi yang terinspirasi dari proses evolusi biologis, yang mencakup
Algoritma Genetika, Strategi Evolusioner, dan Algoritma Perkawinan Hill Climbing”.
• Fungsi utama EC adalah untuk menyelesaikan masalah optimasi dengan cara menghasilkan
solusi-solusi yang semakin baik melalui proses seleksi, rekombinasi, dan mutasi.
• Salah satu contoh penerapan EC adalah dalam bidang desain produk. Dalam proses desain.
Terdapat banyak variabel yang dipertimbangkan, seperti ukuran, bentuk, bahan, dan fungsi.
Dengan menggunakan EC, desainer dapat menghasilkan solusi-solusi yang semakin baik
melalui proses seleksi, rekombinasi, dan mutasi.

27
• Contoh lainnya adalah dalam bidang keuangan, EC dapat digunakan untuk mengoptimalkan
portofolio investasi. Dalam hal ini EC akan mencari kombinasi investasi yang memberikan
hasil yang optimal dengan mempertimbangkan risiko dan return dari setiap investasi.
• Rumus yang digunakan dalam Evolutionary computation adalah sebagai berikut:
• Fitness Function (f(x))
• Selection Operators (S)
• Crossover Operators (C)
• Mutation Operator (M)
3.a.3. Konsep Dasar
Berikut ini beberapa konsep dasar dalam Evolutionary Computation:
1. Populasi: EC bekerja dengan populasi individu, yang mewakili solusi potensial untuk masalah
yang sedang dipecahkan. Populasi ini terdiri dari beberapa individu atau kromosom.
2. Individu atau Kromosom: Setiap individu dalam populasi mewakili satu solusi potensial untuk
masalah yang dihadapi. Individu ini diwakili sebagai serangkaian nilai atau genetik yang
merepresentasikan solusi.
3. Seleksi Alami: Konsep seleksi alam diterapkan dalam EC dengan cara mengutamakan individu
yang memiliki kinerja lebih baik untuk menghasilkan offspring (keturunan) yang lebih baik. Ini
dilakukan untuk menghasilkan solusi-solusi yang lebih baik dari generasi ke generasi.
4. Reproduksi (Crossover/Recombination): Proses reproduksi di EC melibatkan penggabungan
informasi dari dua atau lebih individu untuk menciptakan keturunan baru. Ini dapat dilakukan
dengan cara crossover, di mana sebagian genetik dari dua orang tua digabungkan untuk membentuk
keturunan.
5. Mutasi: Mutasi merupakan proses acak yang memperkenalkan perubahan kecil atau besar pada
individu. Tujuan mutasi adalah untuk menciptakan variasi genetik dalam populasi.
6. Evaluasi Fitness: Setiap individu dievaluasi berdasarkan seberapa baik solusi yang mereka
wakili terhadap masalah yang dihadapi. Individu dengan nilai fitness yang lebih tinggi memiliki
peluang lebih besar untuk berpartisipasi dalam reproduksi.
7. Generasi: Suatu iterasi dari proses seleksi, reproduksi, dan mutasi disebut sebagai generasi.
Setelah generasi baru dihasilkan, proses evaluasi kembali dilakukan untuk menilai kinerja individu-
individu dalam populasi.
3.a.4. Cabang Evolutionary Computation
Evolutionary Computation memiliki beberapa cabang, di antaranya adalah:
1. Genetic Algorithms (GA): Menggunakan konsep seleksi alam, reproduksi, dan mutasi untuk
menciptakan solusi-solusi yang lebih baik.

28
2. Genetic Programming (GP): Mirip dengan GA, tetapi dalam GP, individu-individu dalam
populasi dapat merepresentasikan program komputer.
3. Evolutionary Strategies (ES): Berfokus pada peningkatan parameter distribusi probabilitas
untuk mencari solusi terbaik.
4. Differential Evolution (DE): Menggunakan operasi diferensiasi untuk mengarahkan pencarian
dalam ruang solusi.
EC digunakan dalam berbagai aplikasi seperti optimasi fungsi matematis, pembelajaran mesin, desain
mesin, dan bidang-bidang lain di mana pencarian solusi optimal atau mendekati optimal diperlukan.
3.b. Evolusi Algoritma
Gambar 3.2. Genetic Algorithm Flow Chart
3.b.1. Pengertian Umum
Evolutionary Algorithms (EA) adalah salah satu jenis algoritma optimasi yang terinspirasi dari
proses evolusi dalam alam.
Evolusi Algoritma (Evolutionary Algorithm) adalah jenis algoritma dalam komputasi yang
terinspirasi oleh prinsip-prinsip evolusi biologis untuk menyelesaikan masalah-masalah optimasi dan
pencarian solusi kompleks. Konsep dasar dibalik Evolusi Algoritma adalah menerapkan mekanisme
evolusi, seperti seleksi alamiah, crossover, dan mutasi, pada populasi solusi potensial untuk mencapai
solusi yang optimal atau mendekati optimal dari suatu masalah.
3.b.2. Definisi Menurut Ahli
Menurut Eben Smith dalam bukunya ”Introduction to Evolutionary Computing” (2003),
Evolutionary Algorithms (EA) adalah “”metode optimasi yang terinspirasi dari proses evolusi dalam
alam yang menghasilkan solusi-solusi yang semakin baik melalui proses seleksi, rekombinasi, dan
mutasi.
Sedangkan menurut Back dalam bukunya Evolutionary Algorithms in Theory and Practice”(1996),

29
EA adalah “sekelompok algoritma optimasi yang menggunakan prinsip-prinsip evolusi dalam alam
untuk mencari solusi-solusi optimal dari suatu masalah.
• Fungsi utama dari EA adalah untuk menemukan solusi terbaik dari suatu masalah optimasi
dengan cara meniru proses evolusi dalam alam.
• Contoh penerapan EA adalah dalam bidang teknik mesin. Misalnya, dalam perancangan mesin
pesawat terbang, EA dapat digunakan untuk mencari solusi terbaik dalam perancangan sayap
pesawat. EA akan mencari kombinasi terbaik dari berbagai parameter seperti bentuk, ukuran,
dan bahan yang digunakan untuk mencapai performa terbaik dari sayap pesawat. Selain itu EA
juga dapat digunakan dalam bidang kecerdasan buatan untuk mencari solusi terbaik dalam
masalah optimasi seperti perencanaan rute, penjadwalan, dan pengoptimalan parameter.
• Salah satu rumus umum dalam algoritma evolusi adalah rumus untuk menghitung nilai
kecocokan (fitness value) dari individu dalam populasi. Biasanya, nilai kecocokan ini
digunakan untuk mengevaluasi seberapa baik individu tersebut dalam menyelesaikan tugas
yang diberikan. Rumus nilai kecocokan dapat bervariasi tergantung pada aplikasi yang
digunakan, seperti dalam masalah optimasi atau klasifikasi.
• Contoh rumus nilai kecocokan dalam algoritma evolusi adalah: nilai_kecocokan =
fungsi_objektif(individu) dimana fungsi_objektivitas merupakan suatu fungsi
matematis yang mengukur kualitas individu berdasarkan tujuan yang ingin dicapai dalam
konteks aplikasi tertentu. Nilai kecocokan yang lebih tinggi menunjukkan individu yang lebih
baik dalam menyelesaikan tugas yang diberikan.
3.b.3. Elemen Kunci Evolusi Algoritma
Berikut adalah beberapa elemen kunci yang terkait dengan Evolusi Algoritma:
1. Populasi:
• Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-individu atau
solusi-solusi potensial untuk suatu masalah. Setiap individu dalam populasi mewakili suatu
solusi yang mungkin terbaik.
2. Fungsi Evaluasi:
• Setiap individu dinilai berdasarkan kualitasnya dalam menyelesaikan masalah yang
dihadapi. Evaluasi dilakukan dengan menggunakan suatu fungsi objektif atau fungsi
evaluasi yang sesuai dengan tujuan optimasi.
3. Seleksi Alamiah:
• Individu-individu yang memiliki nilai evaluasi atau kualitas lebih tinggi memiliki
kemungkinan yang lebih besar untuk dipilih sebagai "orangtua" untuk generasi berikutnya.
Prinsip seleksi alamiah mirip dengan konsep survival of the fittest dalam evolusi biologis.

30
4. Crossover (Pemindahan Genetik):
• Materi genetik dari dua orangtua dipertukarkan untuk menciptakan keturunan baru. Proses
crossover ini bertujuan untuk menciptakan variasi baru dalam populasi dengan
menggabungkan sifat-sifat yang baik dari kedua orangtua.
5. Mutasi:
• Beberapa individu dalam populasi mengalami perubahan acak dalam materi genetiknya.
Tujuan dari mutasi adalah memperkenalkan variasi acak yang mungkin meningkatkan
peluang menemukan solusi yang lebih baik.
6. Pembentukan Generasi Berikutnya:
• Generasi berikutnya dari populasi terbentuk setelah aplikasi seleksi, crossover, dan mutasi.
Proses ini diulang secara iteratif hingga kriteria berhenti tertentu terpenuhi, seperti
mencapai solusi yang memadai atau melewati jumlah generasi tertentu.
Evolusi Algoritma bersifat heuristik, yang berarti algoritma ini tidak menjamin solusi optimal tetapi
cenderung mendekati solusi yang baik dalam ruang pencarian yang kompleks. Algoritma ini dapat
diaplikasikan dalam berbagai domain, termasuk kecerdasan buatan, optimasi, perancangan, dan
pemodelan adaptif. Algoritma genetika, strategi evolusioner, dan pemrograman genetika adalah
beberapa jenis Evolusi Algoritma yang umum digunakan.
3.b.4. Prinsip Kerja Evolusi Algoritma
❖ Algoritma Evolusi (Evolutionary Algorithms, EAs) merupakan teknik optimasi yang meniru
proses evolusi biologi.
❖ Menurut teori evolusi terdapat sejumlah individu dalam populasi. Dari generasi ke generasi,
individu-individu ini berperan sebagai induk (parent) yang melakukan reproduksi
menghasilkan keturunan (offspring).
❖ Individu-individu ini (beserta offspring) berevolusi dan individu-individu yang lebih baik
(mampu beradaptasi dengan lingkungannya) mempunyai peluang lebih besar untuk melewati
seleksi alam (natural selection) dan bertahan hidup.
❖ Individu yang lebih baik juga cenderung (tidak selalu tapi mempunyai kemungkinan lebih
besar) menghasilkan keturunan yang lebih baik, sehingga dari generasi ke generasi akan
terbentuk populasi yang lebih baik.
3.c. Real-Coded Genetic Algorithm (RCGA)

31
Gambar 3.3. Masalah Binary Code
3.c.1. Pengertian
Real-Coded Genetic Algorithm (RCGA) adalah suatu varian dari algoritma genetika (Genetic
Algorithm) yang dirancang khusus untuk menangani variabel-variabel yang memiliki nilai kontinu
atau real-valued dalam proses optimasi. RCGA memodifikasi operasi-operasi genetika klasik agar
dapat diterapkan secara efektif pada masalah-masalah di mana solusi dapat direpresentasikan sebagai
vektor nilai nyata atau kontinu.
Berbeda dengan algoritma genetika konvensional yang menggunakan representasi biner atau diskrit,
RCGA mewakili solusi sebagai vektor dari nilai-nilai kontinu. Dengan pendekatan ini, RCGA dapat
menangani ruang pencarian yang kontinu tanpa memerlukan diskritisasi variabel, sehingga lebih
cocok untuk masalah-masalah optimasi di mana variabel-variabel dapat mengambil nilai dalam
rentang kontinu.
3.c.2. Definisi
Berdasarkan masalah Binary Code yang disajikan, definisi Real-Coded Genetic Algorithms (RCGA)
dapat dijelaskan sebagai berikut:
Real-Coded Genetic Algorithms (RCGA) adalah suatu varian dari algoritma genetika yang dirancang
khusus untuk menangani masalah-masalah optimasi di mana variabel-variabel yang ingin
dioptimalkan memiliki nilai kontinu atau real-valued. RCGA berbeda dari algoritma genetika
konvensional yang menggunakan representasi biner atau diskrit untuk solusi. Sebaliknya, RCGA
menggantikan representasi biner dengan representasi vektor nilai nyata atau kontinu, memungkinkan
penanganan yang lebih baik terhadap ruang pencarian yang kontinu.
Kelemahan algoritma genetika dengan pengkodean biner, seperti yang dijelaskan dalam masalah di
atas, melibatkan kesulitan dalam menjangkau beberapa titik solusi dalam ruang kontinu dan waktu
yang disita ketika mengubah nilai biner ke desimal (real) dan sebaliknya, terutama dalam optimasi

32
fungsi yang kompleks dan membutuhkan banyak generasi.
RCGA memberikan solusi atas kelemahan tersebut dengan menggunakan representasi vektor nilai
nyata. Dengan demikian, RCGA dapat mengatasi masalah optimasi di ruang kontinu secara lebih
efektif, memungkinkan solusi yang lebih akurat dan efisien terhadap masalah-masalah optimasi yang
melibatkan variabel-variabel kontinu.
3.c.3. Poin-poin Kunci Real-Coded Genetic Algorithms (RCGA)
Poin-poin kunci Real-Coded Genetic Algorithms (RCGA) termasuk:
1. Representasi Solusi:
• Solusi direpresentasikan sebagai vektor nilai nyata atau kontinu, bukan sebagai rangkaian
bit biner seperti pada algoritma genetika biasa.
2. Crossover dan Mutasi Real-Valued:
• Operasi crossover dan mutasi dirancang untuk menggabungkan dan memanipulasi nilai-
nilai kontinu secara efektif. Dalam RCGA, proses ini dapat dilakukan tanpa memerlukan
konversi biner-ke-nyata atau sebaliknya.
3. Fungsi Fitness Real-Valued:
• Evaluasi kualitas solusi menggunakan fungsi kebugaran yang dapat mengambil nilai-nilai
kontinu. Fungsi kebugaran ini mencerminkan sejauh mana suatu solusi memenuhi tujuan
optimasi.
4. Pemilihan dan Reproduksi:
• Seleksi alamiah dan reproduksi mengikuti prinsip-prinsip evolusi untuk menghasilkan
generasi-generasi baru dari populasi solusi. Individu-individu yang memiliki nilai
kebugaran yang lebih tinggi memiliki peluang reproduksi yang lebih besar.
RCGA banyak digunakan dalam berbagai bidang, seperti optimasi parameter dalam pembelajaran
mesin, optimasi fungsi matematis, dan perancangan parameter dalam masalah-masalah kompleks.
Kelebihan utama RCGA adalah kemampuannya menangani masalah optimasi di ruang pencarian
kontinu tanpa memerlukan diskritisasi yang mungkin merugikan kinerja algoritma.
BAB IV
APLIKASI KECERDASAN KOMPUTASIONAL
4.a. Artificial Neural Network (ANN)
4.a.1. Pengertian Artificial Neural Network (ANN)
❖ Artificial Neural Network (ANN) atau yang sering dikenal dengan Neural Network (NN) adalah
jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf
manusia.

33
❖ Artificial Neural Network (ANN) adalah model matematika yang terinspirasi oleh struktur dan
fungsi jaringan syaraf biologis. ANN terdiri dari kumpulan unit pemrosesan sinyal yang disebut
neuron atau perceptron, yang diorganisir ke dalam lapisan-lapisan untuk memproses informasi.
ANN digunakan untuk tugas-tugas seperti klasifikasi, regresi, pengenalan pola, dan
pembelajaran mesin.
4.a.2. Definisi Artificial Neural Network (ANN) Menurut Para Ahli
• Menurut Hecht-Nielsen (1988), Neural Network (NN), adalah suatu struktur pemroses
informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang
memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama
dengan alur sinyal searah yang disebut koneksi.
• Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fun out) ke
sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari
keluaran elemen pemroses tersebut).
• Keluaran dari elemen pemroses tersebut dapat merupakan sembarang jenis persamaan
matematis yang diinginkan.
• Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan
secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh
melalui koneksi dan nilai yang disimpan dalam memori lokal.
• Neural Network menurut Haykin S. (1994) adalah sebuah prosesor yang terdistribusi paralel
dan mempunyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari
pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak
dalam dua hal yaitu:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
2. Kekuatan hubungan antar sel syaraf yang dikenal dengan bobot sinapsis digunakan untuk
menyimpan pengetahuan.
4.a.3. Kegunaan Artificial Neural Network (ANN)
Artificial Neural Network (Jaringan Syaraf Tiruan) pada umumnya digunakan untuk tugas atau
pekerjaan yang kurang praktis jika dikerjakan secara manual.
Berikut beberapa kegunaan Neural Network dalam kehidupan nyata:
a. Perkiraan fungsi, atau Analisis regresi, termasuk prediksi time series dan modeling.
b. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil keputusan dalam
pengurutan. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil keputusan
dalam pengurutan.
c. Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.

34
d. Robotik.
4.a.4. Otak Manusia
• Komputer yang kompleks, non-linear, dan parallel.
• Mempunyai kemampuan untuk melakukan pekerjaan seperti
• pengenalan pola
• pemahaman
• dan control gerakan yang lebih cepat daripada segala komputer
• Lebih dari 10 juta neuron, 60 triliun koneksi (disebut synapses) diantara neuron.
Gambar 4.1. Jaringan Syaraf Otak Manusia
• Dengan menggunakan banyak neuron secara simultas, otak dapat menjalankan fungsinya jauh
lebih cepat daripada komputer tercepat yang ada saat ini (Negnevitsky, 2002).
• Mungkin menjadi kenyataan memodelkan otak manusia ? Tidak sekarang.
• Pemodelan saat ini baru sebatas penyelesaian masalah tunggal dengan bentuk ANN sedang.
4.a.5. Neuron
4.a.5.1. Pengertian Neuron
• Neuron adalah jenis tertentu dari sel yang khusus untuk menyimpan dan mengirimkan
informasi. Neuron berfungsi untuk menerima, meneruskan, dan memproses stimulus; memicu
aktivitas sel tertentu dan pelepasan neurotransmiter dan molekul informasi lainnya
• Neuron adalah unit dasar dalam ANN yang meniru fungsi neuron biologis. Neuron menerima
input, memprosesnya dengan bobot tertentu, dan menghasilkan output. Dalam konteks ANN,
neuron juga disebut perceptron.
4.a.5.2. Bagian Dasar Syaraf Biologis
Gambar 4.2. Struktur dan bagian Neuron (sel syaraf)

35
• Sel-sel syaraf → neuron.
• Neuron terdiri dari:
• Badan sel (Soma)
Badan sel merupakan bagian terbesar dari sel syaraf yang mengandung banyak komponen
penting. Di dalam badan sel terdapat sitoplasma, nukleus (inti sel), dan nukleolus (Anak
inti). Badan sel bertugas untuk menerima rangsangan dari dendrit kemudian meneruskan
rangsangan tersebut ke akson (neurit). Badan sel memiliki sebuah inti dan di dalam
sitoplasmanya terdapat butir Nissl yang berfungsi untuk sintesis protein. Butir Nissl dapat
menjalankan fungsi tersebut karena mengandung RNA di dalamnya. Badan sel hanya
terdapat pada syaraf pusat (Otak dan sumsum tulang belakang) dan pada ganglion
(sekumpulan sel syaraf di luar sistem syaraf pusat).
• Sejumlah serat yang menyalurkan informasi ke neuron (Dendrite)
Merupakan percabangan dari badan sel yang terlihat seperti tonjolan bercabang. Dendrit
berfungsi untuk menerima dan menghantarkan rangsangan dari badan sel.
• Sebuah serat tunggal yang keluar dari neuron (Axon)
Akson adalah serabut sel syaraf panjang yang terlihat seperti penjuluran dari badan sel.
Akson mirip dengan dendrit, bedanya Akson hanya ada satu buah dan berukuran lebih
besar serta lebih panjang. Akson berperan dalam menghantarkan impuls dari badan sel
menuju efektor seperti sel otot atau sel kelenjar.
• Selaput Mielin
Selaput atau selubung Mielin adalah selaput pembungkus Akson. Selubung mielin tersusun
dari lemak. Selaput mielin mempunyai segmen – segmen dan lekukan di antara dua segmen
disebut nodus ranvier. Selaput mielin ini dikelilingi oleh sel Schwann. Fungsi dari bagian
ini adalah untuk melindungi sel syaraf dari kerusakan dan mencegah bocornya impuls serta
mempercepat hantaran impuls yang masuk. Selubung mielin diproduksi oleh sel glial.
• Sel Schwann
Sel Schwann adalah sel yang mengelilingi selubung mielin. Nama dari sel ini diambil dari
nama penemunya yaitu Theodore Schwann, seorang ilmuwan dari jerman. Sel Schwann
akan menghasilkan lemak yang membungkus Akson (Neurit) berkali kali lipat sampai
terbentuknya selubung mielin. Sel Schwann berfungsi untuk mempercepat jalannya
impuls, menyediakan nutrisi dan membantu regenerasi dari Akson (Neurit).
• Nodus Ranvier
Nodus Ranvier adalah bagian antara dua segmen selubung mielin. Nodus Ranvier
berfungsi sebagai loncatan impuls syaraf agar sampai lebih cepat ke tempat tujuan. Nodus

36
Ranvier mempunyai diameter sekitar 1 mikrometer dan ditemukan oleh Louis Antonio
Ranvier.
• Sinapsis
Sinapsis adalah celah yang terdapat pada pertemuan satu neuron dengan neuron lainnya.
Setiap sinapsis menyediakan koneksi antar neuron sehingga memungkinkan terjadinya
pertukaran informasi antar neuron tersebut. Informasi ini ditukarkan dalam bentuk zat
kimia yang disebut Bulbus Akson, nah kantong inilah yang akan menghasilkan
neurotransmitter tadi.
4.a.6. Artificial Neuron
• Merupakan model dari neuron biologis
• Artificial Neuron, atau disebut juga dengan Perceptron, adalah model matematika dasar yang
terinspirasi oleh fungsi dan struktur neuron biologis. Artificial Neuron merupakan unit dasar
dalam jaringan syaraf buatan (Artificial Neural Network atau ANN). Fungsi utama dari
artificial neuron adalah untuk menerima satu atau lebih input, memberikan bobot khusus pada
setiap input, menjumlahkannya dengan bobot-bobot yang sesuai, dan menerapkannya ke suatu
fungsi aktivasi untuk menghasilkan output.
• Artificial Neuron atau Perceptron adalah model matematika dari neuron biologis. Ini menerima
beberapa input (x₁, x₂, ..., xn), memberikan bobot khusus pada setiap input (w₁, w₂, ..., wn), dan
menggunakan fungsi aktivasi untuk menghasilkan output (y). Output ini kemudian dapat
menjadi input untuk neuron-neuron di lapisan berikutnya.
Berikut adalah komponen-komponen utama dari artificial neuron:
1. Input (x₁, x₂, ..., xn):
• Artificial Neuron menerima satu atau lebih input, yang dapat merepresentasikan fitur-
fitur atau sinyal-sinyal masukan dari lingkungan atau lapisan sebelumnya dalam
jaringan.
2. Bobot (w₁, w₂, ..., wn):
• Setiap input dihubungkan dengan bobot tertentu. Bobot menggambarkan seberapa
pentingnya suatu input terhadap output yang dihasilkan oleh artificial neuron.
3. Fungsi Aktivasi:
• Setelah input dikali dengan bobot dan dijumlahkan, hasilnya diteruskan melalui suatu
fungsi aktivasi. Fungsi ini memberikan sifat non-linear pada artificial neuron, yang
memungkinkan jaringan syaraf buatan dapat memodelkan hubungan yang kompleks.
4. Output (y):
• Output artificial neuron adalah hasil dari aplikasi fungsi aktivasi pada jumlah tertentu

37
dari input dan bobot.
Diagram struktur Artificial Neuron:
Gambar 4.3. Struktur neuron buatan (Artificial Neuron)
Sumber: https://www.researchgate.net/figure/The-structure-of-the-artificial-neuron_fig2_328733599
Rumus Output Artificial Neuron: y = f (∑ 𝑤𝑖
𝑛
𝑖 𝑥𝑖 + Bias)
Di mana:
• x2,...,xn adalah input.
• w1,w2,...,wn adalah bobot yang sesuai.
• Bias adalah nilai bias.
• f adalah fungsi aktivasi.
Artificial Neuron merupakan komponen dasar dalam pembentukan lapisan-lapisan dalam jaringan
syaraf buatan, yang selanjutnya dapat digunakan untuk memodelkan pola-pola kompleks dan
melakukan tugas-tugas seperti klasifikasi, regresi, atau pengenalan pola.
4.a.7. Fungsi Aktivasi
Fungsi Aktivasi digunakan oleh artificial neuron atau perceptron untuk menentukan output
berdasarkan input dan bobotnya. Fungsi ini memperkenalkan non-linearitas ke dalam jaringan,
memungkinkan ANN untuk memodelkan hubungan yang lebih kompleks.
Diagram Fungsi Aktivasi Artificial Neuron:

38
Gambar 4.4. Diagram Fungsi Aktivasi
Gambar 4.4 di atas menjelaskan bahwa vektor masukan terdiri dari sejumlah nilai yang diberikan
sebagai nilai masukan pada neural network, vektor masukan terdiri dari 3 nilai (x1 ,x2, x3) sebagai
fitur dalam vektor yang akan diproses dalam neural network, masing-masing nilai masukan melewati
sebuah hubungan berbobot w, kemudian semua nilai digabungkan. Nilai gabungan tersebut kemudian
diproses melalui neuron oleh fungsi aktivasi untuk menghasilkan sinyal y sebagai keluaran. Fungsi
aktivasi menggunakan nilai ambang batas untuk membatasi nilai keluaran agar selalu dalam batas
nilai yang ditetapkan.
Beberapa contoh fungsi aktivasi termasuk:
• Sigmoid: σ(x) =
1
1 + 𝑒−𝑥
• ReLU (Rectified Linear Unit): f(x) = max(0,x)
• Tanh: tanh(x)
• Softmax: Fungsi aktivasi untuk output layer dalam tugas klasifikasi multi kelas.
• Untuk membatasi keluaran dari neuron agar sesuai dengan batasan sinyal/nilai keluarannya.
• Jenis:
Gambar 4.5. Jenis Fungsi Aktivasi
4.a.8. Layer ANN
ANN terdiri dari satu atau lebih layer. Ada tiga jenis layer utama:
1. Input Layer: Menerima input dari dataset.
2. Hidden layer: Berisi neuron-neuron yang melakukan pemrosesan terhadap input. ANN dapat
memiliki banyak hidden layer.
3. Output Layer: Memberikan output hasil pemrosesan kepada pengguna atau untuk tugas-tugas
klasifikasi/regresi.

39
• ANN terbagi 2 macam: ANN layer tunggal dan ANN layer jamak.
• ANN dengan layer tunggal
• Mempunyai satu lapis neuron pemroses.
• Satu lapis bisa berisi banyak neuron.
• Contoh: Perceptron, Delta, Hebbian, dsb.
Gambar 4.6. ANN Layer Tunggal
• ANN layer jamak
• Mempunyai sejumlah neuron perantara yang menghubungkan vektor masukan dengan layer
keluar → layer tersembunyi (hidden layer).
• Contoh: Backpropagation, Constructive Backpropagation, Recurrent Neural Network, dan
sebagainya
Gambar 4.7. ANN layer jamak
4.a.9. Perceptron
• Perceptron adalah model sederhana dari artificial neuron dengan satu layer. Ini hanya memiliki

40
input dan output, tanpa hidden layer. Perceptron digunakan untuk tugas-tugas sederhana dan
merupakan blok bangunan dasar dari jaringan yang lebih kompleks.
Diagram Perceptron:
Gambar 4.8. Diagram Pembelajaran Perceptron
Sumber: https://starship-knowledge.com/neural-networks-perceptrons
• Dikembangkan oleh Frank Rosenblatt dan beberapa peneliti lain pada akhir 1950-an.
• Pengenalan aturan belajar untuk pelatihan jaringan perceptron untuk memecahkan masalah
pengenalan pola.
• Perceptron bisa belajar ketika diinisialisasi dengan nilai acak untuk bobot dan bias.
• Proses pembelajaran perceptron :
• Hitung selisih keluaran (y) dari target (d)
• Jika besarnya selisih dapat ditoleransi maka y diterima, tetapi jika selisih tersebut tidak dapat
ditoleransi dan banyaknya iterasi belum tercapai maka dilakukan pembaruan bobot w dan
bias b, lalu lakukan komputasi ulang.
Nilai baru w dan b bergantung kepada nilai 
4.a.9.1. Arsitektur ANN Perceptron
Gambar 4.9. Arsitektur ANN Perceptron
Sinyal error:
S
x1
x2
xm
w1
w2
wm
b
1
yk(t) dk(t)
dk-yk(t)
x
x

Dw
….
…
)
(
)
( t
y
d
t
e k
k
k −
=

41
Perubahan bobot: , j = 1, 2, …, m
Bobot baru:
Kriteria berhentinya pelatihan
• Tidak adanya error pada nilai keluaran semua vektor masukan.
• Sum of Square Error (SSE), Mean of Square Error (MSE)
• Jika nilai error tercapai di bawah SSE / MSE maka iterasi dihentikan, jika tidak maka
dilanjutkan.
• Nilai yang umum 10-2
• Dimana n adalah jumlah vektor latih pada setiap iterasi pelatihan.
4.a.10. Algoritma Perceptron
Algoritma Perceptron dalam konteks ANN adalah serangkaian langkah yang digunakan untuk
melatih jaringan, menyesuaikan bobot-bobotnya sehingga dapat melakukan tugas tertentu. Salah satu
algoritma yang umum digunakan untuk pelatihan ANN adalah algoritma pembelajaran mundur
(Backpropagation).
Diagram blok jaringan syaraf backpropagation dengan satu tersembunyi:
Gambar 4.10. Diagram backpropagation
Gambar 4.11. Diagram model backpropagation dalam fase mundur
j
k
k
jk x
y
d
w 
−

=
D )
(

j
k
k
jk
jk x
y
d
t
w
t
w 
−

+
=
+ )
(
)
(
)
1
( 

=
−
=
n
i
i
i y
d
SSE
1
2
)
(
2
1

=
−
=
n
i
i
i y
d
n
MSE
1
2
)
(
1

42
Sumber: https://schematiclistniklas55.z13.web.core.windows.net/backpropagation-circuit-
diagram.html
Langkah-langkah umum:
1. Feedforward: Input diteruskan melalui jaringan untuk menghasilkan output.
2. Compute Error: Menghitung kesalahan antara output yang dihasilkan dan target yang
diinginkan.
3. Backpropagate: Menyesuaikan bobot dan bias berdasarkan kesalahan menggunakan gradien
dari fungsi kesalahan.
4. Update Parameters: Menggunakan gradien untuk memperbarui bobot dan bias jaringan.
Algoritma ini diulang secara iteratif selama proses pelatihan hingga jaringan dapat menghasilkan
output yang sesuai dengan target.
1. Inisialisasi bobot dan bias, bisa diberi nilai 0 atau nilai yang kecil. Tentukan laju
pembelajaran, 0 <  ≤ 1. Tentukan batas perubahan error SSE maksimal, misal 0.001.
2. Untuk setiap pasangan vektor data latih dan label kelas, xi : di, lakukan langkah 3 sampai 5.
3. Lakukan perhitungan v dari inner-product antara bobot w dan vektor x, ditambah bias.
4. Hitung nilai yi sebagai nilai keluaran dari ANN.
5. Jika yi  di maka lakukan pembaruan bobot w dan bobot bias b.
6. Selama masih ada error yang terjadi (keluaran dan target tidak sama) atau nilai kriteria SSE /
MSE masih diatas batas yang ditentukan maka lakukan kembali ke langkah 2 sampai 5.
4.a.10.1. Contoh
• Klasifikasi perkiraan kebangkrutan keuangan orang.
• Fitur yang digunakan: harta dan utang.
• Data set ada 5, harta dan utang (dalam satuan juta).
Tabel 4.1. Harta dan Utang

43
• Jika ada orang dengan harta (x1) sebesar 0.7 juta, utang (x2) sebesar 0.6 juta. Apakah dia
bangkrut atau tidak ?
4.a.10.2. Penyelesaian dengan Perceptron
• Bobot awal untuk w1 dan w2 masing-masing -1,8 dan 2,9
• Laju pembelajaran = 0,9 T untuk fungsi aktivasi step = 0
Tabel 4.2. Bobot
• Setelah 4 kali iterasi, ternyata tidak ditemukan error, maka iterasi dihentikan
• Didapatkan bobot akhir (sebagai model) perceptron [w1 w2] = [0.5400 -0.2500]
• Menggunakan bobot akhir tersebut untuk mendapatkan hasil prediksi data uji [0.7 0.6]
• v= x1*w1+x2*w2 = 0.7*0.5400+0.6*(-0.2500) = 0.2280
Bobot akhir

44
• y = sign(v) = sign(0.2280) = 1
• Karena y = 1 (Tidak bangkrut) maka orang tersebut dikategorikan tidak bangkrut.
Gambar 4.12. Garis Keputusan Perceptron
KESIMPULAN
Dari contoh algoritma perceptron di atas dapat disimpulkan bahwa apabila Harta lebih besar dari
pada Utang maka status = 1 (tidak bangkrut), namun apabila Harta lebih kecil dari pada utang maka
status = 0 (bangkrut).
DAFTAR PUSTAKA
1. Ir. Henny Yulianti, M. M. (2023, Oktober 28). Kecerdasan Komputasional. Diambil kembali dari
Edlink Universitas Siber Asia: https://edlink.id/panel/classes/563122
2. Siradjuddin, I. A. (2018). Kecerdasan Komputasional dan Aplikasinya dengan Menggunakan
Python. Yogyakarta: Teknosain.
3. Rifqi Mulyawan (9 Desember 2023). Evolutionary Algorithms. Diambil
dari https://rifqimulyawan.com/kamus/evolutionary-algorithms/. Diakses tanggal 09 Desember
2023.
4. Rifqi Mulyawan (9 Desember 2023). Evolutionary Computation. Diambil
dari https://rifqimulyawan.com/kamus/evolutionary-computation/. Diakses tanggal 09 Desember
2023.
5. Parta Setiawan (28 september 2023). Pengertian, Jenis Dan struktur Neuron (Sel Syaraf). Diambil
dari https://www.gurupendidikan.co.id/neuron-sel-syaraf/. Diakses tanggal 09 desember 2023.

45
Tabel Nilai
Nilai Tanda Tangan Dosen Pengampu / Tutor
Tanda Tangan
Mahasiswa
(Ir. Henny Yulianti, M.M., M.Kom.) (Hendro Gunawan)
Diserahkan pada Tanggal: Tanggal
Mengumpulkan:
09/12/2023

1. UTS_KECERDASAN_KOMPUTASIONAL_200401072103_HENDRO_GUNAWAN_IT-701.pdf

Recommended

Recommended

More Related Content

Similar to 1. UTS_KECERDASAN_KOMPUTASIONAL_200401072103_HENDRO_GUNAWAN_IT-701.pdf

Similar to 1. UTS_KECERDASAN_KOMPUTASIONAL_200401072103_HENDRO_GUNAWAN_IT-701.pdf (20)

More from HendroGunawan8

More from HendroGunawan8 (20)

Recently uploaded

Recently uploaded (20)

1. UTS_KECERDASAN_KOMPUTASIONAL_200401072103_HENDRO_GUNAWAN_IT-701.pdf