Kecerdasan Buatan

1KECERDASAN BUATAN KECERDASAN BUATAN
Diktat Kuliah Mukmin yang paling sempurna imannya adalah yang paling baik akhlaknya
BAB-1
1.1 Pengertian
Kecerdasan Buatan adalah salah satu cabang Ilmu pengetahuan berhubungan dengan
pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih
manusiawi. Hal Ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi
berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang
dikenal oleh komputer. Dengan suatu pendekatan yang kurang lebih fleksibel dan efisien dapat
diambil tergantung dari keperluan, yang mempengaruhi bagaimana wujud dari perilaku
kecerdasan buatan.
1.2 Konsep Kerja
Kecerdasan Buatan (Artificial Intelegence atau AI), biasanya dihubungkan dengan Ilmu
Komputer, akan tetapi juga terkait erat dengan bidang lain seperti Matematika, Psikologi,
Pengamatan, Biologi, Filosofi, dan yang lainnya. Kemampuan untuk mengkombinasikan
pengetahuan dari semua bidang ini pada akhirnya akan bermanfaat bagi kemajuan dalam
upaya menciptakan suatu kecerdasan buatan.
Pengertian lain dari kecerdasan buatan adalah bagian ilmu komputer yang membuat agar mesin
komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal
diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan
perkembangan jaman, maka peran komputer semakin mendominasi kehidupan manusia.
Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan
untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.

Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di dunia ini karena
manusia mempunyai pengetahuan dan pengalaman Pengetahuan diperoleh dari belajar. Semakin
banyak bekal pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih
mampu dalam menyelesaikan permasalahan. Namu bekal pengetahuan saja tidak cukup,
manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan
pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar
dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan dapat
menyelesaikan masalah dengan baik. Demikian pula dengan kemampuan menalar yang sangat
baik, namun tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan
bisa menyelesaikan masalah dengan baik.
Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus diberi
bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu AI akan mencoba
untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen
tersebut agar komputer bisa menjadi mesin pintar.
Lingkup utama kecerdasan buatan:
1. Sistem pakar. Komputer digunakan sebagai saran untuk menyimpan pengetahuan para
pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan masalah
dengan meniru keahlian yang dimiliki para pakar
2. Pengolahan bahasa alami. Dengan pengolahan bahasa alami ini diharapkan user mampu
berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.
3. Pengenalan ucapan. Melalui pengenalan ucapan diharapkan manusia mampu
berkomunikasi dengan komputer dengan menggunakan suara.
4. Robotika dan Sistem sensor
5. Computer vision, mencoba untuk dapat mengintrepetasikan gambar atau objek-objek
tampak melalui komputer
6. Intelligent Computer aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat
melatih dan mengajar

Keuntungan Kecerdasan Buatan :
1. Kecerdasan buatan lebih bersifat permanen. Kecerdasan alami akan cepat mengalami
perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa. Kecerdasan buatan
tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya.
2. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. Mentransfer pengetahuan
manusia dari satu orang ke orang lain butuh proses dan waktu lama. Disamping itu suatu
keahlian tidak akan pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan
terletak pada suatu sistem komputer, pengetahuan tersebuat dapat ditransfer atau disalin
dengan mudah dan cepat dari satu komputer ke komputer lain
3. Kecerdasan buatan lebih murah dibanding dengan kecerdasan alami. Menyediakan layanan
komputer akan lebih mudah dan lebih murah dibanding dengan harus mendatangkan
seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.
4. Kecerdasan buatan bersifat konsisten. Hal ini disebabkan karena kecerdasan busatan adalah
bagian dari teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah.
5. Kecerdasan buatan dapat didokumentasikan. Keputusan yang dibuat komputer dapat
didokumentasikan dengan mudah dengan melacak setiap aktivitas dari sistem tersebut.
Kecerdasan alami sangat sulit untuk direproduksi.
6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibanding dengan kecerdasan
alami
7. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan
alami.
Keuntungan kecerdasan alami:
1. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat
pada jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus dilakukan
melalui sistem yang dibangun
2. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung.
Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik
3. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat
terbatas.

Beberapa program AI (1956 – 1966)
- Logic Theorist, diperkenalkan pada Dartmouth Conference, dapat membuktikan teorema-
teorema matematika •Sad Sam (Robert K Lindsay – 1960), dapat mengetahui kalimat
sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban berdasarkan
fakta yang didengar dalam sebuah percakapan.

1.1 Definisi
Masalah dalam kecerdasan buatan adalah masalah yang dapat dikonversi ke dalam
ruang keadaan (mempunyai keadaan awal dan keadaan tujuan) menggunakan
sekumpulan aturan tertentu. Sedangkan ruang keadaan adalah suatu ruang yang berisi semua
keadaan yang mungkin.
Untuk membangun system yang mampu menyelesaikan masalah, perlu dipertimbangkan 4 hal :
1. Mendefinisikan masalah dengan tepat
Spesifikasi yang tepat mengenai keadaan awal
Solusi yang diharapkan
2. Menganalisis masalah serta mencari beberapa teknik penyelesaian masalah yang sesuai
3. Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah
4. Memilih teknik penyelesaian masalah yang terbaik
Posisi Awal : Selalu sama
Aturan Legal : Aturan – aturan sangat berguna untuk menentukan gerak suatu bidak
Untuk mempermudah,
Horisontal = Huruf (a,b,c,d,e,f,g,h)
Vertical = Angka (1,2,3,4,5,6,7,8)
Sebagai contoh :
bidak (e,2) ke (e,4)

–IF Bidak putih pada Kotak(e,2),
•AND Kotak(e,3) Kosong,
•AND Kotak(e,4) Kosong
–Then Gerakkan bidak dari (e,2) ke (e,4)
Tujuan/Goal :
Posisi pada papan catur yang menunjukkan kemenangan seseorang terhadap lawannya.
Ditandai posisi Raja yang sudah tidak bisa bergerak lagi.
Untuk mendeskripsikan masalah dengan baik, kita harus :
 Mendefinisikan suatu ruang keadaan
 Menetapkan satu atau lebih keadaan awal
 Menetapkan satu atau lebih tujuan
 Menetapkan kumpulan aturan
2.2 Refresentasi Ruang Keadaan
Graph Keadaan
Terdiri dari node – node yang menunjukkan keadaan yaitu keadaan awal dan keadaan baru yang
akan dicapai dengan menggunakan operator . Node – node saling dihubungankan dengan
menggunakan arc (busur) yang diberi anak panah untuk menunjukkan arah.
Contoh lintasan dari M ke T

M-A-B-C-E-T, M-A-B-C-E-H-T, M-D-C-E-T, M-D-C-E-H-T
Yang tidak sampai
M-A-B-C-E-F-G, M-A-B-C-E-I-J, M-D-C-E-F-G, M-D-C-E-I-J, M-D-I-J
Pohon Pelacakan
Struktur pohon digunakan untuk menggambarkan keadaan secara hirarkis
Terdiri dari beberapa node, level 0 disebut akar atau keadaan awal
Node akar : menunjukkan keadaan awal & memiliki beberapa percabangan yang terdiri atas
beberapa node yg disebut ‘anak‘.
Node-node yg tidak memiliki anak disebut ‘daun‘menunjukkan akhir dari suatu pencarian,
dapat berupa tujuan yang diharapkan (goal) atau jalan buntu (dead end).
Contoh :
Petani, Sayur, Kambing dan Serigala
Seorang petani akan menyeberangkan seekor kambing, seekor serigala, dan sayur-sayuran
dengan sebuah boat yang melalui sungai.
Boat hanya bisa memuat petani dan satu penumpang yang lain (kambing, serigala atau sayur-
sayuran).
Jika ditinggalkan oleh petani tersebut, maka sayur-sayuran akan dimakan oleh kambing, dan
kambing akan dimakan oleh serigala.

Penyelesaian masalah secara umum
Mendefinisikan suatu ruang keadaan;
Menetapkan satu atau lebih keadaan awal;
Menetapkan satu atau lebih tujuan;
Menetapkan kumpulan aturan.
Penyelesaian
Identifikasi ruang keadaan
Permasalahan ini dapat dilambangkan dengan (JumlahKambing, JumlahSerigala,
JumlahSayuran, JumlahBoat).
Sebagai contoh: Daerah asal (0,1,1,1) berarti pada daerah asal tidak ada kambing, ada
serigala, ada sayuran, dan ada boat.
Keadaan Awal
Daerah asal: (1,1,1,1)
Daerah seberang: (0,0,0,0)
Tujuan
Daerah asal: (0,0,0,0)
Daerah seberang: (1,1,1,1)

Aturan-aturan :
Penyelesaian :
2.3 Metode Pencarian dan Pelacakan
Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam
pencarian.
Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan
kemungkinan ruang keadaan (state space).
Ruang keadaan = merupakan suatu ruang yang berisi semua keadaan yang mungkin.

Untuk mengukur perfomansi metode pencarian, terdapat empat kriteria yang dapat
digunakan :
Completeness : apakah metode tersebut menjamin penemuan solusi jika solusinya memang
ada?
Time complexity : berapa lama waktu yang diperlukan?
Space complexity : berapa banyak memori yang diperlukan
Optimality : apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat
beberapa solusi berbeda?
2.4 Jenis Metode Pencarian dan Pelacakan
Dua teknik pencarian dan pelacakan
Pencarian buta (blind search)
Pencarian melebar pertama (Breadth –First Search)
Pencarian mendalam pertama (Depth –First Search)
Pencarian terbimbing (heuristic search)
Pendakian Bukit (Hill Climbing)
Pencarian Terbaik Pertama (Best First Search)
Pencarian Melebar Pertama (Breadth-First Search)
Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1
Mulai dari akar terus ke level 1 dari kiri ke kanan
Kemudian ke level selanjutnya hingga solusi ditemukan

Keuntungan
Tidak akan menemui jalan buntu
Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti
yang paling baik
Jika ada satu solusi maka bread-first search akan menemukannya
Kelemahannya
Membutuhkan memori yang cukup banyak
Membutuhkan waktu yang cukup lama
Pencarian mendalam pertama (Depth-First Search)
Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node
yang selevel
Keuntungan
Memori yang relatif kecil
Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi
Pencarian buta
(Blind search)
Kekurangan
Memungkinkan tidak ditemukannya tujuan yang diharapkan
Hanya akan mendapatkan 1 solusi pada setiap pencarian

Solusi Tugas
3 Kanibal & 3 Misionaris
Meyebrangkan semuanya ke sebrang
Jika terdapat lebih banyak kanibal pada satu sisi, maka misionaris akan dimakan oleh kanibal
Jika
M = Misionaris
K = Kanibal
M >= K pada satu sisi

1.1 Definisi
Searching di dalam AI (Artificial Intelligence) adalah salah satu motode penyelesaian masalah
dengan pencarian solusi pada suatu permasalahan yang dihadapi. Pelacakan adalah teknik untuk
pencarian. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan
tidak menemukan. Sehingga pencarian merupakan teknik yang penting dalam AI. Hal penting
dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah kesuksesan dalam
pencarian dan pencocokan. Pencarian adalah suatu proses mencari solusi dari suatu permasalahan
melalui sekumpulan kemungkinan ruang keadaan (state place). Ruang keadaan merupakan suatu
ruang yang berisi semua keadaan yang mungkin.
Untuk mengukur performansi metode pencarian, terdapat empat kriteria yang dapat digunakan :
 Completeness (Kelengkapan) : apakah metode tersebut menjamin penemuan solusi jika
solusinya memang ada ?
 Time compexity (Kekompleksan waktu) : berapa lama waktu yang diperlukan ?
 Space complexity (Kekompleksan ruang) : berapa banyak memori yang di perlukan ?
 Optimality (Optimal) : apakah metode tersebut menjamin menemukan solusi yang
terbaik jika beberapa solusi berbeda ?
Ada beberapa teknik pelacakan :
 Pencarian Buta (Blind Search)
1. Pencarian Melebar Pertama (Breadth-First Search)
2. Pencarian Mendalam Pertama (Depth-First Search)
 Pencarian Terbimbing/Heuristik (Heuristic Search)
1. Pembangkitan dan Pengujian (Generate And Test)
2. Pendakian Bukit (Hill Climbing)
3. Pencarian Terbaik Pertama (Best-First Search)
4. Simulated Annealing

1.2 Pencarian Buta (Blind Search)
Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki inforamasi
awal, model pencarian ini memiliki tiga ciri – ciri utama yaitu:
 Membangkitkan simpul berdasarkan urutan
 Kalau ada solusi maka solusi akan ditemukan
 Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak
diketahui).
Blind Search dan Heuristic Search merupakan sub bahasan yang sifatnya fundamental dalam mata
kuliah Kecerdasan Buatan (Artificial Intelligence). Bahkan dalam dunia nyata, kita sering dituntut
untuk berpikir dengan cara-cara tersebut. Seperti ketika bermain puzzle, catur, kubus cerdas, atau
mengira-ngira rute perjalanan mana yang akan kita tempuh. Semua itu terkait dengan otak kita
yang sudah otomatis berpikir dengan algoritma blind search atau heuristic search, atau bahkan
lebih kompleks lagi.
Lalu apa yang membedakan Blind Search dan Heuristic Search?
Blind Search merupakan pencarian asal ketemu. Jika solusi sudah ketemu, maka pencarian akan
dihentikan. Jika dibuat skemanya, pencarian buta hanya mengenal tiga bagian, [masalah]-
[pencarian]-[solusi]. Misalkan dalam kotak ada 3 kelereng warna merah, 3 biru, dan 3 kuning.
Masalahnya adalah, ambillah satu kelereng yang berwarna merah. Solusi, setelah melakukan
pencarian, kemudian didapat satu kelereng warna merah, nah, itulah solusinya.
Berbeda dengan Heuristic Search, Heuristic Search adalah pencarian bersyarat (terbimbing).
Artinya, solusi yang diperoleh adalah solusi yang terbaik, bukan solusi sekali ketemu. Bagian-
bagiannya adalah [masalah]-[pencarian]-[syarat]-[solusi]. Misal contoh masalah pada kasus di
atas, Ambillah kelereng merah yang tidak pecah dan tidak lonjong. Sehingga ketika ketemu
kelereng merah dan ada pecahnya, itu masih bukan solusi karena tidak sesuai dengan syarat
(tidak pecah dan tidak lonjong).

Sehingga perbedaan mendasar dari Blind Search dan Heuristic Search adalah :
 Blind Search merupakan pencarian biasa, sedangkan Heuristic Search adalah pencarian
bersyarat
 Variabel data pada Blind Search tidak mempunyai atribut / informasi tambahan,
sedangkan pada Heuristic Search memiliki. Contoh pada kasus di atas, "pecah" dan
"lonjong" merupakan atribut dari "kelereng".
Konsep Blind Search dan Heuristic Search memiliki beberapa penerapan algoritma. Algoritma
yang termasuk Blind Search yaitu Breadth First Search (BFS), Depth First Search (DFS), Uniform
Cost Search (UCS), Depth-Limited Search (DLS), Iterative-Deeping Search (IDS), dan Bi-directional
search (BDS). Hanya saja yang paling banyak dibahas adalah Breadth First Search (BFS) dan
Depth First Search (DFS). Sedangkan untuk contoh algoritma Heuristic Search yaitu Generate and
Test, Simple Hill Climbing, Steepest-Ascent Hill Climbing, Simulated Annealing, Greedy, Best-First
Search, dan A* (A Star).
1.3 Algoritma Pencarian Buta
Pencarian buta merupakan sekumpulan prosedur yang digunakan dalam melacak ruang keadaan.
Pencarian berlangsung sampai solusi terakhir ditemukan. Idenya adalah menguji seluruh
kemungkinan yang ada untuk menemukan solusi. Adapun algoritma untuk masing-masing
pencarian buta adalah :
1). Pencarian Melebar Pertama (Breadth-First Search)
Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu
sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level
ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan
sampai ditemukannya solusi.
Algoritma :
– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, diganti dengan anak-anaknya dan diletakkan di
belakang per level
– Bila node pertama = GOAL, selesai
Keuntungan :
– Tidak akan menemui jalan buntu
– Jika ada satu solusi, maka breadth first search akan menemukannya. Dan jika ada lebih
dari satu solusi, maka solusi minimum akan ditemukan.
Kelemahan :
– Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu
pohon
– Kemungkinan ditemukan optimal local
2). Pencarian Mendalam Pertama (Depth-First Search)
Pada Depth First Search, proses pencarian akan dilaksanakan pada semua anaknya sebelum
dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang
lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi.
Algoritma :
– Bila node pertama, jika ≠ GOAL, node dihapus diganti dengan anak-anaknya dengan
urutan L Child
Keuntungan :
– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang
aktif saja yang disimpan
– Menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

Kelemahan :
– Kemungkinan terjebak pada optimal lokal
– Hanya akan mendapatkan 1 solusi pada setiap pencarian
3). Pencarian dengan Mendaki Bukit (Hill Climbing Search)
Algoritma :
– Bila node pertama, jika ≠ GOAL, node dihapus diganti dengan anak-anaknya dengan
urutan yang paling kecil jaraknya
Keuntungan :
– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang
aktif saja yang disimpan
– Metode hill climbing search akan menemukan solusi tanpa harus menguji lebih banyak
lagi dalam ruang keadaan
Kerugian :
– Algoritma akan berhenti kalau mencapai nilai optimum lokal
– Perlu menentukan aturan yang tepat
4). Pencarian dengan Best-First Search
Algoritma :
– Bila sebuah antrian, inisialisasi node pertama dengan Root dari tree
– Bila node pertama, jika ≠ GOAL, node dhapus dan diganti dengan anak-anaknya.
Selanjutnya keseluruhan node yang ada di Queu di-sort Ascending
Keuntungan :
– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan aktif saja
yang dismpan

– Secara kebetulan, metode best first search akan menemukan solusi tanpa harus menguji
lebih banyak lagi dalam ruang keadaan
Kerugian :
– Algoritma akan berhenti kalau mencapai nilai optimum lokal
– Tidak diijinkan untuk melihat satupun langkah sebelumnya
1.4 Implementasi Depth First Search
Depth First Search (DFS) merupakan algoritma dasar pada model pencarian Blind Search. DFS
termasuk ke dalam model pencarian apa adanya dan asal ketemu. Pada DFS, semua
kemungkinan akan dipetakan atau digenerate. Karena solusi yang akan dicapai berbentuk pohon
solusi, maka alur pemetaannya adalah diambil dari yang terdalam. Proses pencariannya adalah
kebawah dahulu, baru ke samping. Konsep ini kebalikan dari BFS (Breath First Search) yang
proses pencariannya kesamping dulu, balu ke bawah (dalam).
Oke kita langsung implementasi dan analisa untuk membuktikan alurnya. Harapannya semoga
kita semua lebih memahami bagaimana alur DFS dan menyelaraskan antara teori dan
implementasinya. Untuk contohnya sederhana sih, kita membuat struktur organisasi, kemudian
kita urutkan data pejabat dalam struktur tersebut menggunakan algoritnya DFS, kita urutkan
posisinya sesuai dengan algortma DFS. Perhatikan gambar berikut:
Berdasarkan teori DFS, yang dicari berawal simpul terdalam / paling awal terlebih dahulu. Setelah
itu merambat satu-persatu ke simpul paling ujung. Jadi model pnecariannya adalah menurun.
Berbeda dengan BFS yang alur pencariannya menyamping. Alur pencarian pada struktur diatas
adalah sebagai berikut:

 Dari Agus, setelah dicek Agus ternyata mempunyai dua bawahan.
 Periksa bawahan Agus yang pertama, namanya Novan, setelah dicek, Novan punya dua
bawahan juga.
 Periksa bawahan Novan yang pertama, namanya Syauqil, setelah dicek, Syauqil adalah
posisi paling bawah / ujung.
 Periksa bawahan Novan yang kedua, namanya Aji, setelah dicek, dia juga ada di posisi
paling bawah sekaligus yang terakhir.
 Berikutnya periksa bawahan Agus yang kedua, namanya Budi, setelah dicek, ternyata dia
punya tiga bawahan.
 Bawahan Budi yang pertama adalah Wildan dan dia tidak punya bawahan lagi (posisi
paling bawah).
 Bawahan Budi yang kedua adalah Ni'am dan dia juga ada di posisi paling bawah.
 Bawahan Budi yang ketiga adalah Bayu dan dia juga di posisi paling bawah sekaligus akhir
dari pencarian.
Script di bawah ini adalah contoh dari DFS yang dibuat dengan PHP. Data yang dipakai adalah
data array yang sudah diatur seperti struktur jabatan. Data array ini juga bisa digantikan dengan
database. Berikut hasil dari script di bawah ini:
1. <?php
2. /* 1
3. * /
4. * 2 3___
5. * / |
6. * 4 5 6 7 8
7. *
8. */
9.
10. $ar[1]['parent']=0;
11. $ar[1]['value']=1;
12. $ar[1]['nama']='Agus';
13. $ar[1]['posisi']='Ketua';
14.
15. $ar[2]['parent']=1;
16. $ar[2]['value']=2;
17. $ar[2]['nama']='Novan';
18. $ar[2]['posisi']='Wakil 1';
19.
20. $ar[3]['parent']=1;
21. $ar[3]['value']=3;

22. $ar[3]['nama']='Budi';
23. $ar[3]['posisi']='Wakil 2';
24.
25. $ar[4]['parent']=2;
26. $ar[4]['value']=4;
27. $ar[4]['nama']='Syauqil';
28. $ar[4]['posisi']='Anggota';
29.
30. $ar[5]['parent']=2;
31. $ar[5]['value']=5;
32. $ar[5]['nama']='Aji';
34.
35. $ar[6]['parent']=3;
36. $ar[6]['value']=6;
37. $ar[6]['nama']='Wildan';
39.
40. $ar[7]['parent']=3;
41. $ar[7]['value']=7;
42. $ar[7]['nama']='Ni'am';
44.
45. $ar[8]['parent']=3;
46. $ar[8]['value']=8;
47. $ar[8]['nama']='Bayu';
49.
50. function dfs($arr,$parent,$base){
51. global $explc;
52. global $explv;
53. $explc++;
54.
55. for($a=1; $a<=count($arr); $a++){
56. if($parent==0){
57. $explv[$explc]['parent'] = $arr[$a-1]['parent'];
58. $explv[$explc]['value'] = $arr[$a-1]['value'];
59. $explv[$explc]['nama'] = $arr[$a-1]['nama'];
60. $explv[$explc]['posisi'] = $arr[$a-1]['posisi'];
61.
62. $explv[$explc]['base'] = $base;
63. }
64. if($arr[$a]['parent']==$parent){
65. $explv[$explc]['parent'] = $arr[$a]['parent'];
66. $explv[$explc]['value'] = $arr[$a]['value'];
67. $explv[$explc]['nama'] = $arr[$a]['nama'];
68. $explv[$explc]['posisi'] = $arr[$a]['posisi'];
69.
70. $explv[$explc]['base'] = $base;
71. $base++;
72. dfs($arr,$arr[$a]['value'],$base);
73. $base--;
74. }
75. }

76. }
77.
78. function menjorok($jumlah,$tanda){
79. for($a=0;$a<$jumlah;$a++) echo $tanda;
80. }
81.
82. echo "n";
83. global $explv,$explc;
84. $explc = -1;
85. dfs($ar,0,0);
86. for($a=0; $a<$explc; $a++){
87. echo menjorok($explv[$a]['base'],' ').$explv[$a]['nama']."
(".$explv[$a]['posisi'].")n";
88. }
89. unset($explc);
90. unset($explv);
91. ?>
1.5 Pencarian Heuristik
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum
dengan kemungkinn dan mengorbankan kelengkapan (completeness). Fungsi heuristik digunakan
untuk mengevaluasi keadaankeadaan problema individual dan menentukan seberapa jauh hal
tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. Jenis-jenis Heuristic
Searching:
1. Generate and Test.
2. Hill Climbing.
3. Best First Search.
4. Alpha Beta Prunning,Means-End-Anlysis,Constraint Satisfaction, Simulated Anealing, dll

Pembangkitan dan Pengujian (Generate and Test)
Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur
(backtracking), yaitu bergerak kebelakang menuju pada suatu keadaan awal. Algoritma:
 Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan
tertentu dari keadaan awal).
 Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara
membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan
kumpulan tujuan yang diharapkan.
 Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.
Contoh:
―Travelling Salesman Problem (TSP)‖ Seorang salesman ingin mengunjungi n kota. Jarak antara
tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya
boleh dikkunjungi tepat 1 kal i. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti
gambar di bawah ini:
Penyelesaian dengan metode Generate and Test

Pendakian Bukit (Hill Climbing)
Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses
pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya
tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan
menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya
yang mungkin.
Algoritma Simple Hill Climbing
Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator
baru yang akan diaplikasikan pada keadaan sekarang:
 Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan
keadaan yang baru.
 Evaluasi keadaan baru tersebut :
 Jika keadaan baru merupakan tujuan, keluar
 Jika bukan tujuan, namun nilainya lebih baik dari pada keadaan sekarang, maka jadikan
keadaan baru tersebut menjadi keadaan sekarang.
 Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

Pada Simple Hill Climbing, ada 3 masalah yang mungkin:
 Algoritma akan berhenti kalau mencapai nilai optimum local
 Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi
 Tidak diijinkan untuk melihat satupun langkah sebelumnya.
Contoh: TSP dengan Simple Hill Climbing
Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan
untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari
kombinasi l intasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan
sebanyak:
atau sebanyak 6 kombinasi (lihat gambar dibawah). Fungsi heuristic yang digunakan adalah
panjang lintasan yang terjadi

Pencarian Terbaik Pertama (Best-First Search)
Metode ini merupakan kombinasi dari metode depth-first search dan breadth-first search. Pada
metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang
lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang
lebih buruk.
Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal
state, yang dinyatakan dengan :
f‘(n) = g(n)+ h‘(n)
dimana :
f‘ = Fungsi evaluasi
g = cost dari ini tial state ke current state
h‘ = prakiraan cost dari current state ke goal state
Contoh :
Misalkan kita memiliki ruang pencarian seperti pada gambar dibawah. Node M merupakan
keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M
dengan node A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g
diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h‘ di node A merupakan hasil
perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h‘(n) bernilai ~
jika sudah jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita bisa
mengurut nilai untuk setiap node.

BAB 4
1.1 Pengertian Sistem Pakar
Sistem pakar adalah program komputer yang menggunakan pengetahuan pakar untuk mencapai
tingkat kinerja yang tinggi pada area yang sempit (Waterman, 1986). Secara umum, sistem pakar
adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer
dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli (Sri Kusumadewi, 2003,
hal 109).
Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960.
Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang
dikembangkan oleh Newel & Simon (Turban, 1995).
Gambar 4.1 Ilustrasi Sistem pakar
Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan
seorang pakar. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang
dapat menyelesaikan masalah yang tidak dapat diselesaikan orang awam. Contohnya dokter,
mekanik, psikolog, dan lain-lain.

1.2 Sejarah Sistem Pakar
Tahap revolusi komputer yang melahirkan sistem pakar sebenarnya dimulai pada awal tahun 70-
an, dalam bentuk kemajuan perangkat keras komputer yang ditujukan untuk membuat harga
komputer menjadi lebih murah bahkan di bawah prediksi ilmuwan yang paling optimis.
Sementara spesialis perangkat keras komputer mengembangkan teknologi microchip, spesialis
perangkat lunak—orang-orang yang merancang dan membangun program untuk mengontrol
komputer— meletakkan dasar untuk sebuah terobosan dalam bidang perangkat lunak. Tapi
terobosan ini bukan dalam bentuk penemuan cara baru untuk menyandikan informasi dengan
sinar laser atau pengembangan microchip yang lebih kecil dan lebih cepat. Penemuan ini lebih
mengacu pada terobosan konseptual dalam bidang ilmu komputer dikenal sebagai kecerdasan
buatan-KCB. Tujuan dari KCB adalah untuk mengembangkan program komputer yang dapat
berpikir berdasar akal manusia, yaitu memecahkan masalah dengan cara yang dianggap cerdas
jika dilakukan oleh manusia. Sistem pakar adalah hasil dari upaya penelitian selama 20 tahun
untuk menentukan sifat program dalam sistem pakar itu sendiri.
Di awal tahun 60-an, ilmuwan KCB berusaha untuk merangsang proses pemikiran yang sulit
dengan cara menemukan metode umum untuk menyelesaikan masalah dengan rentang yang
luas; ilmuwan menggunakan metode ini untuk program kepentingan umum. Namun, meski
terdapat beberapa kemajuan yang menarik, strategi ini tidak menghasilkan terobosan baru.
mengembangkan program kepentingan umum dirasakan sangat sulit dan tidak menghasilkan
sesuatu yang diharapkan. Semakin banyak kelas masalah yang dapat ditangani oleh sebuah
program, maka akan semakin buruk penanganan program tersebut dalam satu masalah tertentu.
Ilmuwan KCB memutuskan harus ada cara lain untuk membuat program computer menjadi lebih
cerdas. Jika untuk membuat program kepentingan umum dirasa cukup sulit, maka ilmuwan mulai
berkonsentrasi untuk mengembangkan metode general atau teknik general yang digunakan pada
program yang lebih khusus. Jadi, selama tahun 70-an, peneliti lebih memfokuskan
pengembangan dalam teknik-teknik seperti representasi—bagaimana untuk memformulasikan
masalah sehingga menjadi lebih mudah untuk dipecahkan—dan pencarian—bagaimana untuk
mengontrol pencarian untuk mencari solusi secara cerdas, sehingga proses pencarian yang

dilakukan tidak akan menggunakan memori komputer yang berlebihan. Namun sekali lagi,
strategi ini menciptakan beberapa kemajuan, namun tidak mendapatkan terobosan baru.
Hal ini berlangsung sampai akhir dekade 70-an, di mana ilmuwan KCB mulai menyadari suatu hal
yang sangat penting: kemampuan penyelesaian masalah dalam suatu program berasal dari
pengetahuan yang dimilikinya, bukan dari formalitas dan skema inferensi yang digunakan.
Terobosan konseptual dibuat, dan dapat dinyatakan dengan cukup sederhana.
Untuk membuat program yang cerdas, sediakan program tersebut dengan pengetahuan spesifik
yang berkualitas tentang bidang-bidang masalah tertentu. Kesadaran ini menyebabkan
pengembangan program komputer yang mempunyai tujuan khusus, sistem yang menjadi pakar
dalam masalah-masalah tertentu. Program ini kemudian disebut sebagai sistem pakar, dan
memulai bidang baru dalam lingkup ilmu komputer.
Saat ini sudah banyak sistem pakar yang telah dibuat dan di kembangkan di berbagai bidang,
seperti: kedokteran, pertanian, ekonomi, elektronika, komputer dan lain-lain. Salah satu sistem
pakar yang terkenal adalah MYCIN. MYCIN adalah sistem pakar berbasis-aturan yang
mendiagnosis infeksi bakteri pada darah. Sistem ini dikembangkan oleh kelompok peneliti
Stanford University pada tahun 1970-an. Dengan bertanya dan melakukan backwardchaining
pada basis aturan yang terdiri dari sekitar 500 aturan, MYCIN dapat mengenali sekitar 100
penyebab infeksi bakteri. Dengan demikian MYCIN dapat merekomendasi resep obat yang
efektif. MYCIN ini dikembangkan di bidang kedokteran oleh dr. Edward H. Shortliffe di
Standford Medical School.
Penelitian yang lainnya yaitu sistem pakar yang digunakan untuk mendiagnosis penyakit TBC
pada anak. Sistem pakar untuk menangani penyakit TBC pada anak tersebut dirancang untuk
memberikan fasilitas diagnosis penyakit anak yang memiliki gejala seperti TBC. Hasil diagnosis
memungkinkan untuk diklasifikasikan oleh sistem ke dalam salah satu jenis TBC, namun tidak
menutup kemungkinan sistem akan menentukan bahwa pasien bukan menderita penyakit TBC,
melainkan penyakit lainnya.

1.3 Tujuan Sistem Pakar
Sistem pakar (expert system) sendiri merupakan paket perangkat lunak atau paket program
komputer yang ditujukan sebagai penyedia nasihat dan sarana bantu dalam memecahkan
masalah di bidang-bidang spesialisasi tertentu seperti sains, perekayasaan, matematika,
kedokteran, pendidikan dan sebagainya. Sistem pakar merupakan merupakan subset dari Artificial
Intelegence (Arhami, 2005).
Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah.
Beberapa aktivitas pemecahan masalah yang dimaksud seperti (Lestari, 2012):
1. Interpretasi. Membuat kesimpulan atau deskripsi dari sekumpulan data mentah.
Pengambilan keputusan dari hasil observasi, termasuk pengenalan ucapan, analisis citra,
interpretasi sinyal, dll.
2. Prediksi. Memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu.
Contoh: prediksi demografi, prediksi ekonomi, dll.
3. Diagnosis. Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada
gejala-gejala yang teramati diagnosis medis, elektronis, mekanis, dll.
4. Perancangan (desain). Menentukan konfigurasi komponen-komponen sistem yang cocok
dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu. Contoh:
perancangan layout sirkuit, bangunan.
5. Perencanaan. Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah
tujuan dengan kondisi awal tertentu. Contoh: perencanaan keuangan, militer, dll.
6. Monitoring. Membandingkan hasil pengamatan dengan kondisi yang diharapkan.
Contoh: computer aided monitoring system.
7. Debugging. Menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi.
Contoh: memberikan resep obat terhadap kegagalan.
8. Instruksi. Mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subjek.
Contoh: melakukan instruksi untuk diagnosis dan debugging.
9. Kontrol. Mengatur tingkah laku suatu environment yang kompleks. Contoh: melakukan
kontrol terhadap interpretasi, prediksi, perbaikan dan monitoring kelakukan sistem.

1.4 Struktur Sistem Pakar
Sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan pengembangan (development
environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan
digunakan sebagai pembangun sistem pakar baik dari segi pembangunan komponen maupun
basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk
berkonsultasi (Kusumadewi, 2003:113-115).
Struktur Sistem pakar
Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar pada gambar di atas
dijelaskan sebagai berikut:
a. Antarmuka Pengguna (User Interface)
Antarmuka merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam
bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima dari sistem dan
menyajikannya ke dalam bentuk yang dapat dimengerti oleh pemakai.
b. Basis Pengetahuan

Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian
masalah.
c. Akuisisi Pengetahuan (Knowledge Acquisition)
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan
masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge
engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis
pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan
penelitian, dan pengalaman pemakai.
d. Mesin/Motor Inferensi (Inference Engine)
Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar
dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang
memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan
dan dalam workplace, dan untuk memformulasikan kesimpulan.
e. Workplace/Blackboard
Workplace merupakan area dari sekumpulan memori kerja (working memory), digunakan untuk
merekam kejadian yang sedang berlangsung termasuk keputusan sementara.
f. Fasilitas Penjelasan
Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem
pakar, digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem
pakar secara interaktif melalui pertanyaan.
g. Perbaikan Pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan
untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran
terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan
kegagalan yang dialaminya dan juga mengevaluasi apakah pengetahuan-pengetahuan yang ada
masih cocok untuk digunakan di masa mendatang.

1.5 Penalaran Maju / Mundur
Metode forward Chaining dan backward chaining merupakan dua teknik penalaran yang biasa
digunakan dalam sistem pakar. Metode backward chaining adalah pelacakan kebelakang yang
memulai penalarannya dari kesimpulan (goal), dengan mencari sekumpulan hipotesa-hipotesa
menuju fakta-fakta yang mendukung sekumpulan hipotesa-hipotesa tersebut. Sedangkan metode
forward chaining adalah pelacakan ke depan yang memulai dari sekumpulan fakta-fakta dengan
mencari kaidah yang cocok dengan dugaan/hipotesa yang ada menuju kesimpulan.
Pengertian metode forward dan backward chaining di atas, bisa juga dijelaskan seperti di bawah
ini (ebook kecerdasaan tiruan, yang bisa Anda download di bawah artikel ini).
1.5.1 Metode Penalaran Maju (Forwards Chaining Method)
Kadang disebut: data-driven karena inference engine menggunakan informasi yang ditentukan
oleh user untuk memindahkan ke seluruh jaringan dari logika ‗AND‘ dan ‗OR‘ sampai sebuah
terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka
akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path
(lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek
adalah memenuhi semua aturan.
Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF
dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran
hipotesis.
1.5.2 Metode Penalaran Mundur (Backward Chaining Method)
Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah
objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backwards Chaining
inference engine sering disebut: ‗Object-Driven/Goal Driven‘.
Catatan:
inference engine adalah bagian dari sistem pakar yang mencoba menggunakan informasi yang
diberikan untuk menemukan objek yang sesuai. Inference engine mempunayi 2 kategori yaitu
deterministic dan probabilistik. Sedangkan dasar untuk membentuk inference engine

diantaranya: forwards chaining, backwards chaining dan rule value (merupakan pendahulu dari
forward dan backward chaining).
Backward Chaining:
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata
lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis
tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Contoh forward dan backward chaining dikutip dari Idhawati Hestiningsih
R1 : IF suku bunga turun THEN harga obligasi naik
R2 : IF suku bunga naik THEN harga obligasi turun
R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
R4 : IF dolar naik THEN suku bunga turun
R5 : IF dolar turun THEN suku bunga naik
R6 : IF harga obligasi turun THEN beli obligasi
Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi
atau tidak dapat ditunjukkan sebagai berikut :
Forward Chaining
Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2
suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun,
maka kesimpulan yang diambil adalah membeli obligasi.
Backward Chaining
Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6 diperoleh anteseden harga
obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik
bernilai benar . Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena diketahui
fakta dolar turun.

Kedua teknik penalaran di atas (forward dan backward chaining) dipengaruhi oleh tiga macam
teknik penelusuran (searching) yaitu:
1. Teknik Depth-First Search
Adalah teknik penelusuran data pada node-node secara vertical dan sudah terdefinisi, misalnya
kiri ke kanan, keuntungan pencarian dengan teknik ini adalah bahwa penelurusan masalah dapat
di gali secara mendalam sampai di temukannya kapasitas suatu solusi yang optimal. Kekurangan
teknik penelesuran ini adalah membutuhkan waktu yang sangat lama untuk ruang lingkup
masalah yang besar.
Gambar Teknik Depth First Search
2. Teknik Breadth-First Search
Adalah teknik penelusuran data pada semua node dalam satu level atau salah satu tingkatan
sebelum ke level atau tingkatan di bawahnya. Keuntungan pencarian daengan teknik ini adalah
sama dengan depth first search, hanya saja penelusuran dengan tehnik ini mempunyai nilai
tambah, dimana semua node akan di cek secara menyeluruh pada setiap tingkatan node.
Kekurangan teknik penelusuran ini terletak pada waktu yang dibutuhkan yang sangat lama
apabila solusi berada dalam posisi node terakhir sehingga menjadi tidak efisien. Kekurangan
dalam implementasi juga perlu di pertimbangkan, misalnya teknik penelusuran menjadi tidak
interaktif antara suatu topik dengan topik yang lain atau harus melompat dari satu topik ke topik
yang lain sebelum topik tersebut selesai di telusuri.

Gambar Teknik Breadth First Search
3. Teknik Best-First Search
Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk
melakukan panduan pencarian ke arah node tempat dimana solusi berada. Pencarian jenis ini
dikenal juga sebagai heuristic. Pendekatan yang dilakukan adalah mencari solusi yang terbaik
berdasarkan pengetahuan yang dimiliki sehingga penelusuran dapat ditentukan harus di mulai
dari mana dan bagaimana menggunakan proses terbaik untuk mencari solusi. Keuntungan jenis
pencarian ini adalah mengurangi beban komputasi karena hanya solusi yang memberikan
harapan saja yang diuji dan akan berhenti apabila solusi sudah mendekati yang terbaik. Ini
merupakan model yang menyerupai cara manusia mengambil solusi yang dihasilkan merupakan
solusi yang mutlak benar.
Gambar Teknik Best First Search

Artikel singkat pengertian metode forward dan backward chaining sistem pakar diatas,
merupakan gambaran singkat dari landasan untuk pembuatan aplikasi sistem pakar.
Latihan Soal :
Ada dua metode inferensi yang dapat digunakan, yaitu:
• Forward Chaining
Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah
kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan
menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan
informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang
lebar dan tidak dalam, maka gunakan forward chaining.
Contoh :
Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu :
R1 : if A and B then C
R2 : if C then D
R3 : if A and E then F
R4 : if A then G
R5 : if F and G then D
R6 : if G and E then H
R7 : if C and H then I
R8 : if I and A then J
R9 : if G then J
R10 : if J then K
Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K bernilai benar. Proses
penalaran forward chaining terlihat pada gambar dibawah :

….
Gambar Forward Chaining
• Backward Chaining
Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis)
dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal
ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan
tree yang sempit dan cukup dalam, maka gunakan backward chaining.
Contoh :
Seperti pada contoh forward chining, terdapat 10 aturan yang sama pada basis pengetahuan dan
fakta awal yang diberikan hanya A dan E. ingin membuktikan apakah K bernilai benar. Proses
penalaran backward chaining terlihat pada gambar berikut :
…..
Gambar Backward Chaining
Contoh KASUS Sistem Pakar Penasehat Keuangan
Kasus : user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM?
Variabel-variabel yang digunakan:
A = memiliki uang $10.000 untuk investasi
B = berusia < 30 tahun
C = tingkat pendidikan pada level college
D = pendapatan minimum pertahun $40.000
E = investasi pada bidang Sekuritas (Asuransi)
F = investasi pada saham pertumbuhan (growth stock)
G = investasi pada saham IBM

Setiap variabel dapat bernilai TRUE atau FALSE
FAKTA YANG ADA:
§ Diasumsikan si user (investor) memiliki data:
o Memiliki uang $10.000 (A TRUE)
o Berusia 25 tahun (B TRUE)
§ Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock?
RULES
R1 : IF seseorang memiliki uang $10.000 untuk berinvestasi AND dia berpendidikan pada level
college THEN dia harus berinvestasi pada bidang sekuritas
R2 : IF seseorang memiliki pendapatan per tahun min $40.000 AND dia berpendidikan pada
level college THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks)
R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia
sebaiknya berinvestasi pada saham pertumbuhan
R4 : IF seseorang berusia 22 tahun THEN dia berpendidikan college
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah
saham IBM.
Rule simplification:
– R1: IF A and C, THEN E
– R2: IF D and C, THEN F
– R3: IF B and E, THEN F
– R4: IF B, THEN C
– R5: IF F, THEN G
Solusi dengan Forward Chaining :
Step I : IF A and C Then E = R1
Step II : IF B then C A,B,C -> True = R4
Step III : If A and C then E A,B,C -> True = R2
Step IV : If B ad E then F A,B,C,E,F -> true = R3
step V : if F then G. G->True

Kesimpulan : Cocok untuk investasi saham IBM
Solusi dengan Backward Chaining : Kebalikan dari Forward Chaining
Penyelesaian Soal Lain :
Backward Chaining
Sekarang mari kita membahas dari topik sebelumnya yaitu Forward Chaining. Apakah ada yang
masih ingat tentang Forward Chaining? Sebelum membahas tentang Forward Chaining mari kita
ulas sebentar tentang definisi Forward Chaining.
Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah
kepada solusinya. Jika klausa premis sesuai (bernilai TRUE) maka proses akan menyatakan
konklusi.
Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan
baru diperoleh konklusi. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka
gunakan forward chaining.
Intinya adalah forward chaining adalah dari Data ke Tujuan/goal.
Contoh:
A1 = suhu tubuh >= 38 0 C
A2 = batuk
A3 = pilek
A4 = batuk yang terus menerus
A5 = nafas berbunyi
P1 = demam biasa
P2 = batuk biasa
P3 = influensa / infeksi virus
P4 = batuk rejan
P5 = infeksi saluran nafas
Kaidah – kaidah pada basis pengetahuan meliputi :
R1 = IF A1 THEN P1

R2 = IF A2 THEN P2
R3 = IF P1 AND (P1 OR A3) THEN P3
R4 = IF P3 AND A4 THEN P4
R5 = IF P3 And A5 THEN P5
Fakta – fakta yang diperoleh dari unsur adalah demam, batuk, dan batuk tersebut lebih sering di
malam hari (A1, A2,A4)
Jelaskan bagaimana sisitem pakar memperoleh kesimpulan jika tehnik inferensi yang digunakan
adalah :
Pelacakan yang berawal dari data (forward chaining)
Pelacakan yang berawal dari kesimpulan (backward chaining)
Langkah- langkan forward chaining :
Langkah1 :
A1 , A2 , A4 adalah fakta
Cari fakta baru yang memiliki A1 dan A2 pada sisi JIKA
R1 = IF A1 THEN P1
R2 = IF A2 THEN P2
Fakta baru yang ada P1, P2, A4
Langkah 2 :
Cari fakta baru yang memiliki P1, P2, A4 pada sisi JIKA
Fakta A3 tidak ditemukan, jadi :
R3 = IF P1 AND P2 THEN P3
Fakta baru yang ada P3 dan A4
Langkah 3 :
Cari fakta baru yang memiliki P3 dan A4 pada sisi JIKA

Kesimpulannya P4 atau Batuk Rejan
Nah setelah tahu definisi dan contoh dari Forward Chaining, sekarang beralih ke Backward
Chaining yang merupakan topik kita hari ini:
Backward Chaining
Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis)
dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal
ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan
tree yang sempit dan cukup dalam, maka gunakan backward chaining.
Intinya adalah dari Goal lalu dicari data-datanya.
Sekarang penyelesaiannya menggunakan Backward Chaining.
Langkah- langkan backward chaining :
Langkah1 :
Cari fakta baru yang memiliki P1 dan P2 pada sisi MAKA
R1 = IF A1 THEN P1
R2 = IF A2 THEN P2
Fakta baru yang ada A1 , A2 , A4
Langkah 2 :
Cari fakta baru yang memiliki P3 pada sisi MAKA
Fakta A3 tidak ditemukan, jadi :
R3 = IF P1 AND P2 THEN P3
Fakta baru yang ada P1 dan P2
Langkah 1 :
Kesimpulannya P4 atau Batuk Rejan
Cari fakta baru yang memiliki P4 pada sisi MAKA

Fakta baru yang ditemukan P3 dan A4
Forward chaining
Forward chaining merupakan salah satu metode penalaran atau inferensi untuk menyelesaikan
suatu masalah. Chain (rantai) berarti suatu perkalian inferensi yang menghubungkan suatu
permasalahan dengan solusinya. Forward chaining adalah suatu rantai yang dicari atau dilewati/
dilintasi dari suatu permasalahan untuk memperoleh solusinya. Forward chaining juga dapat
digambarkan dengan penalaran dari fakta menuju konklusi yang terdapat pada fakta. Operasi
dari sistem forward chaining dimulai dengan memasukkan sekumpulan fakta yang diketahui ke
dalam memori kerja (working memory), kemudian menurunkan fakta baru berdasarkan aturan
yang premisnya cocok dengan fakta yang diketahui. Proses ini dilanjutkan sampai dengan
mencapai goal atau tidak ada lagi aturan yang premisnya cocok dengan fakta yang diketahui.
Karakteristik Forward Chaining
- Perencanaan, monitoring dan control
- Disajikan untuk masa depan
- Antecedent ke konsekuen
- Data memandu, penalaran dari bawah ke atas
- Bekerja ke depan untuk mendapatkan solusi apa yang mengikuti fakta
- Breadth first search dimudahkan
- Antecedent menentukan pencarian
- Penjelasan tidak difasilitasi
Forward chaining disebut juga penalaran dari bawah ke atas karena penalaran dimulai dari
evidence (bukti) pada level bawah menuju konklusi pada level atas didasarkan pada fakta.
• Forward chaining merupakan grup dari multipel inferensi yang melakukan pencarian dari
suatu masalah kepada solusinya.
• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert
konklusi
 Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg
tersedia dan baru konklusi diperoleh

• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward
chaining.
Contoh Kasus
• Sistem Pakar: Penasihat Keuangan
• Kasus : Seorang user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM?
Variabel-variabel yang digunakan:
A = memiliki uang $10.000 untuk investasi
B = berusia < 30 tahun C = tingkat pendidikan pada level college D = pendapatan minimum
pertahun $40.000 E = investasi pada bidang Sekuritas (Asuransi) F = investasi pada saham
pertumbuhan (growth stock) G = investasi pada saham IBM
• Setiap variabel dapat bernilai TRUE atau FALSE FAKTA YANG ADA:
• Diasumsikan si user (investor) memiliki data: – Memiliki uang $10.000 (A TRUE) – Berusia 25
tahun (B TRUE)
• Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock? Peraturan R1 : IF
seseorang memiliki uang $10.000 untuk berinvestasi AND dia berpendidikan pada level
college THEN dia harus berinvestasi pada bidang sekuritas R2 : IF seseorang memiliki
pendapatan per tahun min $40.000 AND dia berpendidikan pada level college THEN dia
harus berinvestasi pada saham pertumbuhan (growth stocks) R3 : IF seseorang berusia < 30
tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada
saham pertumbuhan R4 : IF seseorang berusia < 30 tahun dan > 22 tahun
THEN dia berpendidikan college
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan
THEN saham yang dipilih adalah saham IBM.
Penyederhanaan aturan
• R1: IF A and C, THEN E
• R2: IF D and C, THEN F

• R3: IF B and E, THEN F
• R4: IF B, THEN C
• R5: IF F, THEN G

BAB 5
1.1 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 (Kusuma Dewi, 2003).
Logika fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju
ruang output (Kusuma Dewi, 2003). Kotak hitam tersebut berisi cara atau metode yang dapat
digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik.
1.2 Penggunaan Logika Fuzzy
Adapun beberapa alasan digunakannya logika fuzzy (Kusuma Dewi, 2003), adalah:
1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori
himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup
mudah untuk dimengerti.
2. Logika fuzzy sangat fleksisbel, artinya mampu beradaptasi dengan perubahan-perubahan,
dan ketidakpastian yang menyertai permasalahan.
3. Logika fuzzy memiliki toleransi terhadap data yang cukup homogeny, dan kemudian ada
beberapa data ―eksklusif‖, maka logika fuzzy memiliki kemampuan untuk menangani data
eksklusif tersebut.

4. 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.
5. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini
umumnya terjadi pada aplikasi di bidang teknik mesin maupu teknik elektro.
6. Logika fuzzy didasari pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari
sehingga mudah dimengerti.
1.3 Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan (X), memiliki dua kemungkinan, yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
2. 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
PAROBAYA 35 ≤ umur ≤ 55 tahun
TUA umur > 55 tahun
Dari kategori diatas dapat dijelaskan bahwa:
1. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ((34)=1)
2. Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA ((35)=0)
3. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA ((35-1
hari)=1)
4. Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA ((34)=1)
5. Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA ((34)=0)
6. Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA ((55)=1)

7. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
((35-1 hari)=0)
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.
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam dua
himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya.
Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaanya.
Gambar berikut menunjukkan himpunan fuzzy untuk variabel umur.
Pada gambar diatas, dapat dilihat bahwa:
1. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan
( (40) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (40) = 0,5).
2. Seseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan
( (50) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (50)=0,5).
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan.
Keduanya memiliki nilai interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua
kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan,
sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar

dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA
adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara
individual untuk mengharapkan suatu hasil yang hampir pasti muda. Dilain pihak, nilai probilitas
0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda (Kusuma Dewi, 2003).
Himpunan Fuzzy memiliki 2 atribut (Kusuma Dewi, 2003), yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, speerti: MUDA, PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti:
40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy (Kusuma Dewi, 2003),
yaitu:
1. Variabel fuzzy yaitu variabel yang hendak dibahas dalam suatu sistem fuzzy. Contohnya:
umur, temperature, permintaan, dsb.
2. Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy. Contohnya: variabel temperatur, terbagi menjadi 5 himpuan
fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
3. Semesta Pembicaraan yaitu keseluruhan nilai yang diperoleh untuk dioperasikan dalam
suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real yang
senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta pembicaraan
dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini
tidak dibatasi batas atasnya. Contohnya semesta pembicaraan untuk variabel umur: [0
+∞].
Domain Himpunan Fuzzy yaitu keseluruhan nilai yang diijinkan dan boleh dioperasikan dalam
suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain
dapat berupa bilangan positif maupun negatif.

Contoh domain himpuanan fuzzy:
DINGIN = [0,20], SEJUK = [15,20], NORMAL = [20,30], HANGAT = [25,35] dan PANAS =
[30,40].
1.4 Jenis Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut derajat keanggotaan)
yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan adalah dengan
melalui pendekatan fungsi yang bisa digunakan.
1.4.1 Fungsi Representasi Linier
Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu
garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu
konsep yang kurang jelas. Keadaan linier himpunan fuzzy terdiri dari dua keadaan linier naik
dan linier turun.
Pada linier naik, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan
lebih tinggi dengan fungsi keanggotaan:

Sedangkan linier turun, garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi
pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah dengan fungsi keanggotaan.
1.4.2 Fungsi Keanggotaan Segitiga
Fungsi keanggotaan segitiga ditandai oleh adanya tiga parameter {a,b,c} yang akan menentukan
koordinat x dari tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis lurus.
Adapun persamaan untuk bentuk segitiga ini adalah:

1.4.3 Fungsi Keanggotaan Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang
memiliki nilai keanggotaan satu. Adapun persamaan untuk kurva trapesium ini adalah:
1.5 Implemtasi Logika Fuzzy
Demam Berdarah Dengue (DBD) merupakan penyakit berbahaya yang dapat menyebabkan
kematian. DBD menjadi masalah kesehatan yang sangat ditakuti di Indonesia. Indonesia
merupakan daerah yang sering terjadi kasus DBD, khususnya Kalimantan Barat yaitu kota
Pontianak, hal ini dapat disebabkan oleh lokasi penderita yang terisolir, jumlah penduduk yang
terlalu padat, cuaca yang kondusif bagi nyamuk dan tidak adanya kepedulian penduduk dan
pemerintah terhadap lingkungan yang sehat.
1.5 .1 Pendahuluan
Terdapat beberapa faktor untuk menentukan suatu daerah rawan penyakit DBD, diantaranya
adalah jumlah curah hujan, suhu udara, kelembaban udara, jumlah sarana kesehatan, kepadatan
penduduk dan frekuensi kejadian demam berdarah. Keenam faktor penentu ini merupakan
contoh objek yang memiliki ketidakpastian. Salah satu solusi untuk mengatasi keterlibatan objek
yang memiliki ketidakpastian khususnya faktor-faktor penyebaran DBD di dalam Sistem Informasi
Geografis (SIG) adalah menggunakan konsep sistem inferensi logika fuzzy.

Sedangkan pembuatan peta tematik menggunakan aplikasi ArcGIS 10. Dengan adanya peta
diharapkan akan mempermudah pihak Dinas Kesehatan untuk mengetahui daerah-daerah rawan
DBD yang ada di Kota Pontianak sehingga dapat melakukan pencegahan maupun
penanggulangan. Selain itu juga dapat memberikan informasi kepada pihak Dinas Kesehatan,
instansi pemerintah lainnya dan masyarakat tentang pola penyebaran daerah rawan DBD.
1.5 .2 Tinjauan Pustaka
Sistem inferensi logika fuzzymerupakan sebuah sistem yang digunakan dalam pengambilan
keputusan dari sejumlah data yangmemiliki ketidakpastian fuzzy khususnya dalam Sistem
Informasi Geografi (SIG). Dalam penelitian ini sistem logika fuzzy digunakan dalam
pengambilan keputusan untuk menentukan suatu daerah rawan Demam Berdarah Dengue (DBD)
di Kota Pontianak yang digambarkan dalam bentuk peta tematik. Beberapa peneliti terdahulu
yang telah melakukan penelitian tentang DBD dan pemetaan wilayah penderita DBD
diantaranya: Iswari, L. (2008), telah melakukan penelitian dengan judul ―Pemanfaatan Sistem
Inferensi Fuzzy Dalam Pengolahan Peta Tematik (Studi Kasus: Sistem Informasi Geografis
Daerah Rawan Penyakit Demam Berdarah)‖. Hasil penelitiannya yaitu Sistem Inferensi Fuzzy
mampu mengolah data yang bersifat tidak pasti/tegas menjadi data penentu untuk
mewarnai peta digital sehingga informasi tentang penyebaran DBD
dapat disajikan sesuai keadaan objek di lapangan. Metode yang digunakan yaitu metode
Tsukamoto dengan 4 variabel masukan yaitu curah hujan, jumlah penduduk, sarana kesehatan
dan frekuensi DBD. Fitriyani (2007), dengan judul ―Penentuan Wilayah Rawan Demam
Berdarah Dengue Di Indonesia Dan Analisis Pengaruh Pola Hujan Terhadap Tingkat Serangan
(Studi Kasus: Kabupaten Indramayu)‖. Hasil penelitiannya yaitu faktor yang sangat berpengaruh
dalam peningkatan kasus DBD adalah curah hujan, kelembaban, kepadatan penduduk dan sarana
kesehatan yang kurang memadai. Kabupaten Indramayu merupakan salah satu Kabupaten di
Indonesia yang termasuk wilayah sangat rawan DBD di Indonesia. Hal ini disebabkan tingkat
kepadatan penduduk yang tinggi dan memiliki rata-rata curah hujan yang
tinggi. Arrowiyah (2010), dengan judul ―Spatial Pattern Analysis Kejadian Penyakit Demam
Berdarah Dengue untuk Informasi Early Warning Bencana di Kota Surabaya‖. Hasil penelitiannya
menunjukkan bahwa kejadian DBD di Kota Surabaya sebagian besar terjadi pada musim

hujan (Januari-Juni). Variabel yang digunakan pada penelitian ini adalah jumlah penderita DBD
bulanan perkecamatan di Kota Surabaya tanpa mempertimbangkan faktor lain.
Amiruddin, R. (2009), telah melakukan penelitian dengan judul ―Pemetaan dan Analisis Kejadian
Demam Berdarah Dengue Di Kabupaten Banteng Provinsi Sulawesi Selatan Tahun 2009‖. Hasil
penelitiannya menunjukkan bahwa kelurahan Tappanjeng, Pallantikang dan Malillingi berada
pada strata endemis. Kejadian DBD berhubungan dengan kepadatan penduduk dan proporsi
PSN. Kejadian DBD tidak berhubungan dengan Angka Bebas Jentik.
Gambar 5.1 Flowchart penelitian
1.5.3 Perancangan Sistem
1). Pengolahan Data Masukan dan Keluaran
Pada tahap ini dilakukan pengolahan data menggunakan Logika Fuzzy Metode Sugeno pada
Matlab meliputi pengolahan data masukan dan keluaran, menentukan domain tiap

himpunan dan proses defuzzifikasi. Variabel masukan fuzzy yang digunakan dalam penelitian
ini adalah jumlah suhu udara, curah hujan, kelembaban udara, kepadatan penduduk dan
jumlah sarana kesehatan. Sedangkan variabel keluaran fuzzy berupa status kerawanan
penyakit DBD.
Gambar 5.2 Variabel Fuzzy dengan 5 masukan dan 1 keluaran
(1). Variabel Masukan Suhu
Variabel masukan suhu memiliki 3 himpunan fuzzy yaitu rendah, sedangdan tinggi. Domain
setiap himpunan sebagai Domain Suhu (Celcius) : Rendah [26.7 27.7], Sedang [27.8 28.8],
dan Tinggi [28.9 29.9]
(2). Variabel Masukan Curah Hujan
Variabel masukan curah hujan memiliki 3 himpunan fuzzy yaitu rendah, sedang dan tinggi.
Domain setiap himpunan sebagai Domain Curah Hujan (mm) : Rendah [8.3 23.3],
Sedang [23.4 38.4] dan Tinggi [38.5 53.5]
(3). Variabel Masukan Kelembaban Udara
Variabel masukan kelembaban udara yang memiliki 3 himpunan fuzzy yaitu rendah, sedang
dan tinggi. Domain setiap himpunan sebagai Domain Kelembaban Udara (%) : Rendah [75
78], Sedang [79 82] dan Tinggi [83 86].

(4). Variabel Masukan Kepadatan Penduduk
Variabel masukan kepadatan penduduk memiliki 3 himpunan fuzzy yaitu sedikit, sedang dan
banyak. Domain setiap himpunan sebagai Domain Kepadatan Penduduk (Km/jiwa) :
Sedikit [2.4 5], Sedang [6 8], dan Banyak [9 11].
(5). Variabel Masukan Sarana dan Prasarana Kesehatan
Variabel masukan sarana dan prasarana kesehatan yang memiliki 3 himpunan fuzzy yaitu
sedikit, sedang dan banyak. Domain setiap himpunan sebagai Domain Sarana Kesehatan
(unit): Sedikit [15 35], Sedang [36 56], dan Banyak [57 77].
(6). Variabel Keluaran
Variabel keluaran berupa status kerawanan DBD memiliki 3 himpunan fuzzy yaitu tidak
rawan, rawan dan sangat rawan. Domain nilai setiap himpunan sebagai Domain Variabel
Keluaran Tidak Rawan [0 0.49], Rawan [0.5 0.75] dan Sangat Rawan [0.76 1].
(7). Fungsi Implikasi
Fungsi implikasi merupakan suatu fungsi berupa aturan yang akan menampilkan kombinasi
variabelvariabel masukan seperti suhu, curah hujan, kelembaban udara, kepadatan
penduduk, jumlah sarana dan prasarana kesehatan serta keluaran berupa status
kerawanan dengan menggunakan pernyataan IF-THEN. Pada penelitian ini dibuat 72 buah
rule yang terbentuk dari 5 masukan dan 1 keluaran. Beberapa rule yang terbentuk dari 72
rule tersebut sebagai berikut:
[R1] If (Suhu is Rendah) and (Curah Hujan is Rendah) and (Kelembaban Udara is Sedang)
and (Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit)
then (Status Kerawanan is Tidak Rawan).
[R2] If (Suhu is Rendah) and (Curah Hujan is Sedang) and (Kelembaban Udara is Tinggi) and
(Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit) then
(Status Kerawanan is Tidak Rawan).

[R3] If (Suhu is Rendah) and (Curah Hujan is Tinggi) and (Kelembaban Udara is Tinggi) and
(Kepadatan Penduduk is Banyak) and (Sarana dan Prasarana Kesehatan is Sedikit) then
(Status Kerawanan is Sangat Rawan).
[R4] If (Suhu is Sedang) and (Curah Hujan is Rendah) and (Kelembaban Udara is Sedang)
and (Kepadatan Penduduk is Sedikit) and (Sarana dan Prasarana Kesehatan is Sedikit)
then (Status Kerawanan is Tidak Rawan).
(8). Defuzzifikasi
Defuzzifikasi merupakan proses keseluruhan yang terjadi dalam FIS. Pada penelitian ini
terbentuk 72 rule, dengan adanya pembentukan 72 rule di atas maka diperoleh keluaran
atau hasil defuzzifikasi. Proses defuzzifikasi pada tipe Sugeno jauh lebih efisien daripada tipe
Mamdani. Hal ini karena FIS tipe Sugeno menghitung nilai keluaran dengan weighted
average.
(9). Data Pengujian
Data yang diujikan yaitu sebanyak 72 data tahun 2012 dari bulan JanuariDesember. Data
pengujian ini digunakan untuk menguji sistem yang sudah dibuat. Agar bisa dilihat tingkat
keakuratan dari penelitian yang dilakukan.
2). Perancangan Antar Muka Pengguna (user Interface)
Perancangan antarmuka (user interface) merupakan hal yang sangat penting dalam pembuatan
program aplikasi komputer Perancangan antarmuka pengguna (User Interface) digunakan
sebagai media komunikasi antara pengguna dengan aplikasi. Program yang digunakan untuk
perancangan antarmuka yaitu menggunakan GUI (Graphical User Interface) yang ada pada
Matlab Versi 7.6. Tampilan antarmuka pengguna dapat dilihat pada Gambar 5.3.
Pada gambar aplikasi tersebut terdapat 5 masukan berupa suhu udara, curah hujan,
kelembaban udara, kepadatan penduduk dan sarana kesehatan. User terlebih dahulu mengisi ke
5 masukan dari bulan Januari- Desember. Setelah itu dilakukan defuzzifikasi dengan mengklik
tombol ―Hitung‖. Kemudian akan tampil nilai kerawanan dan status kerawanan sesuai dengan
rentang nilai yang sudah ditentukan.

Gambar 5.3 Tampilan antarmuka pengguna
3). Pembuatan Peta Tematik
Setelah proses pengolahan data menggunakan sistem fuzzy dengan metode Sugeno, proses
selanjutnya adalah pengolahan peta tematik menggunakan ArcGIS. Adapun proses pengolahan
data dalam pembuatan peta tematik adalah:
(1). Georeferencing
Georeferencing merupakan suatu proses memasukkan koordinat kedalam peta hasil scan
agar peta tersebut memiliki unsur georeference (geografis). Untuk hasil yang terbaik dapat
dilakukan ground check (cek lapangan) dengan mengambil titik koordinat batas alam,
misalnya sungai.
(2). Digitasi dan Editing
Digitasi dan Editing peta merupakan suatu proses konversi data analog ke dalam format
digital seperti data jalan, batas kecamatan dan data sungai yang bersifat baku.
(3). Layout Peta
Layout peta merupakan proses akhir dalam pembuatan peta yang akan menampilkan isi
peta secara keseluruhan yang akan dibuat. Layout peta dibuat setelah melakukan proses
georeferencing, digitasi dan editing peta, sehingga akan dihasilkan tampilan peta sesuai yang
diinginkan.

1.5.4 Implementasi dan Pembahasan
1). Hasil Pengolahan Data Masukan dan Keluaran
Berikut ini adalah hasil pengolahan data masukan dan keluaran pada 6 Kecamatan yaitu
Kecamatan Pontianak Selatan, Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota,
Kecamatan Pontianak Timur, Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Hasil
penelitian diperoleh ada beberapa data yang nilainya tidak sama dengan data aslinya. Sebagai
contoh pada Kecamatan Pontianak Barat dan Pontianak Timur, hasil perhitungan pada Matlab
menunjukkan hasil yang berbeda dengan data aslinya, dimana data aslinya menunjukkan kedua
Kecamatan ini dikategorikan dalam klasifikasi Rawan (R), namun hasil perhitungan Matlab
dikategorikan Sangat Rawan (SR). Hal ini terjadi disebabkan beberapa faktor diantaranya adalah
pada penelitian ini terdapat 5 faktor yang mempengaruhi penyebaran DBD namun faktor-faktor
lain tidak dipertimbangkan seperti lingkungan yang kotor dan kumuh, adanya saluran air yang
tersumbat.
Selain itu juga data yang digunakan masih terlalu sedikit yaitu data 3 tahun terakhir, data tersebut
masih belum spesifik. Hasil pembuatan rule juga sangat berpengaruh terhadap keluaran yang
didapatkan, semakin banyak rule maka hasil yang didapatkan semakin akurat namun sangat
sensitif,terdapat sedikit kesalahan saja hasilnya akan fatal. Namun rule ini dibuat atas dasar
pertimbangan beberapa penelitian yang menyebutkan bahwa terdapat hubungan yang kuat
antara suhu udara, curah hujan dan kelembaban udara yaitu semakin tinggi suhu udara, curah
hujan dan kelembaban udara semakin rendah dan begitu sebaliknya.
Selain itu juga terdapat pengurangan rule yang tidak mungkin terjadi jika dihubungkan dengan
data aslinya, karena pembentukan rule selain berdasarkan acuan hasil penelitian sebelumnya juga
melihat dari data yang didapatkan di instansi yang terkait. Selain itu juga terdapat pembentukan
rule yang sama dan adanya pembentukan rule yang tidak mungkin jika dihubungkan dengan
kondisi aslinya serta dengan data yang ada. Sehingga dari 243 rule yang mungkin terbentuk,
hanya digunakan 72 rule yang bisa mewakili setiap kondisi yang ada dilapangan.

2). Hasil Pengujian
Berdasarkan faktor-faktor yang menyebabkan suatu daerah rawan DBD akan didapatkan nilai
kerawanan dari hasil defuzzifikasi yang telah diuji dengan aplikasi. Dari hasil pengujian
didapatkan nilai keakuratan dari hasil pengolahan data sebesar 90.64% dengan nilai error
sebesar 9.36%. Nilai keakuratan 90.64% adalah nilai valid atau nilai yang didapatkan dari hasil
pengolahan data yang sesuai dengan data aslinya. Sedangkan nilai error merupakan suatu nilai
yang tidak valid atau tidak sesuai dengan data aslinya jika dibandingkan dengan hasil
defuzzifikasi. Error tersebut dapat terjadi karena kurang lamanya durasi data yang diambil
sehingga tidak ada faktor iklim maupun faktor kepadatan dan sarana kesehatan yang terlihat
memiliki hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat serta
kurang tepatnya dalam pembuatan rule. Selain itu, sudah adanya upaya pemberantasan nyamuk
Aedes aegypti, sehingga menurunnya kasus DBD.
Implementasi peta tematik dilakukan setelah hasil defuzzifikasi pada matlab didapatkan.
Defuzzifikasi merupakan hasil akhir dari proses fuzzy pada matlab. Berdasarkan perhitungan
statistik, suatu daerah dikatakan Tidak Rawan (TR) DBD apabila memiliki rentang interval antara
0-0.49, Rawan (R) antara 0.5-0.75 dan Sangat Rawan (SR) antara 0.76-1. Sedangkan interval
untuk frekuensi DBD yaitu Tidak Rawan (TR) antara 0-3 kasus, Rawan (R) antara 4-7 kasus dan
Sangat Rawan (SR) antara 8-11 kasus yang terjadi pada tahun 2012. Ada beberapa factor yang
mempengaruhi suatu daerah rawan DBD yaitu suhu udara, curah hujan, kelembaban udara,
kepadatan penduduk dan sarana kesehatan. Kelima faktor tersebut merupakan contoh objek
yang memiliki ketidakpastian yaitu suatu objek yang tidak dapat dinyatakan hanya dalam kondisi
―ya‖ atau kondisi ―tidak‖. Dengan adanya system inferensi logika fuzzy khususnya metode
Sugeno dapat digunakan dalam menentukan suatu daerah rawan DBD yang dikategorikan
menjadi tidak rawan, rawan dan sangat rawan. Pada gambar 5.1 adalah Peta Sebaran Demam
Berdarah Dengue (DBD) di Kotamadya Pontianak, khususnya Kecamatan Pontianak Selatan,
Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota, Kecamatan Pontianak Timur,
Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Pada peta dapat dilihat dari enam
kecamatan ditahun 2012, Kecamatan Pontianak Kota memiliki tingkat sebaran Demam Berdarah
tertinggi yaitu pada bulan Oktober dengan nilai kerawanan sebesar 0,9037 sehingga
dikategorikan daerah Sangat Rawan (SR) DBD. Hal ini terjadi karena curah hujan dan

kelembaban udara pada bulan Oktober dikategorikan tinggi, dengan tingkat kepadatan
penduduk rata-rata sebesar 7.000 km/jiwa dan sarana kesehatan yang dimiliki masih minim.
Sedangkan Kecamatan Pontianak Timur dan Kecamatan Pontianak Barat memiliki perbedaan
hasil defuzzifikasi pada matlab dengan data aslinya. Perhitungan pada matlab diperoleh,
daerah tersebut Sangat Rawan dengan nilai kerawanan sebesar 0.8381 dan 0.9835. Kejadian
tersebut berturut-turut selama 3 bulan terakhir yaitu pada bulan Oktober, November dan
Desember. Jika dilihat dari data, Kecamatan tersebut dikategorikan daerah Rawan DBD, namun
setelah dibandingkan dengan hasil defuzzifikasi ternyata hasilnya tidak valid. Selain itu
ada juga Kecamatan lain yang memiliki kasus yang sama dimana terdapat perbedaan hasil
defuzzifikasi dengan data aslinya. Hal ini disebabkan kurang lamanya durasi data yang diambil
sehingga tidak ada faktor iklim maupun faktor kepadatan penduduk dan sarana kesehatan yang
terlihat memiliki hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat.
Selain itu, sudah adanya upaya pemberantasan nyamuk Aedes aegypti, sehingga menurunnya
kasus DBD.
3). Implementasi Peta Tematik.
Implementasi peta tematik dilakukan setelah hasil defuzzifikasi pada matlab didapatkan.
Defuzzifikasi merupakan hasil akhir dari proses fuzzy pada matlab. Berdasarkan perhitungan
statistik, suatu daerah dikatakan Tidak Rawan (TR) DBD apabila memiliki rentang interval antara
0-0.49, Rawan (R) antara 0.5 0.75 dan Sangat Rawan (SR) antara 0.76-1. Sedangkan interval
untuk frekuensi DBD yaitu Tidak Rawan (TR) antara 0-3 kasus, Rawan (R) antara 4-7 kasus dan
Sangat Rawan (SR) antara 8-11 kasus yang terjadi pada tahun 2012. Ada beberapa factor yang
mempengaruhi suatu daerah rawan DBD yaitu suhu udara, curah hujan, kelembaban udara,
kepadatan penduduk dan sarana kesehatan. Kelima faktor tersebut merupakan contoh objek
yang memiliki ketidakpastian yaitu suatu objek yang tidak dapat dinyatakan hanya dalam kondisi
―ya‖ atau kondisi ―tidak‖. Dengan adanya system inferensi logika fuzzy khususnya metode
Sugeno dapat digunakan dalam menentukan suatu daerah rawan DBD yang dikategorikan
menjadi tidak rawan, rawan dan sangat rawan. Pada gambar 5.1 adalah Peta Sebaran Demam
Berdarah Dengue (DBD) di Kotamadya Pontianak, khususnya Kecamatan Pontianak Selatan,
Kecamatan Pontianak Tenggara, Kecamatan Pontianak Kota, Kecamatan Pontianak Timur,
Kecamatan Pontianak Barat dan Kecamatan Pontianak Utara. Pada peta dapat dilihat dari enam

kecamatan ditahun 2012, Kecamatan Pontianak Kota memiliki tingkat sebaran Demam Berdarah
tertinggi yaitu pada bulan Oktober dengan nilai kerawanan sebesar 0,9037 sehingga
dikategorikan daerah Sangat Rawan (SR) DBD. Hal ini terjadi karena curah hujan dan
kelembaban udara pada bulan Oktober dikategorikan tinggi, dengan tingkat kepadatan
penduduk rata-rata sebesar 7.000 km/jiwa dan sarana kesehatan yang dimiliki masih minim.
Sedangkan Kecamatan Pontianak Timur dan Kecamatan Pontianak Barat memiliki perbedaan
hasil defuzzifikasi pada matlab dengan data aslinya. Perhitungan pada matlab diperoleh, daerah
tersebut Sangat Rawan dengan nilai kerawanan sebesar 0.8381 dan 0.9835. Kejadian tersebut
berturut-turut selama 3 bulan terakhir yaitu pada bulan Oktober, November dan Desember. Jika
dilihat dari data, Kecamatan tersebut dikategorikan daerah Rawan DBD, namun setelah
dibandingkan dengan hasil defuzzifikasi ternyata hasilnya tidak valid. Selain itu ada juga
Kecamatan lain yang memiliki kasus yang sama dimana terdapat perbedaan hasil defuzzifikasi
dengan data aslinya. Hal ini disebabkan kurang lamanya durasi data yang diambil sehingga tidak
ada faktor iklim maupun faktor kepadatan penduduk dan sarana kesehatan yang terlihat memiliki
hubungan kuat dengan kasus DBD dan kurang lengkapnya data yang didapat. Selain itu, sudah
adanya upaya pemberantasan nyamuk Aedes aegypti, sehingga menurunnya kasus DBD.
Gambar 5.1 Implementasi Peta Sebaran Demam Berdarah Dengue
1.5.5 Kesimpulan dan Saran
1). Kesimpulan

Berdasarkan hasil pembahasan dapat diambil kesimpulan sebagai berikut:
1. Pada penelitian ini, system Inferensi Logika Fuzzy digunakan dalam pewarnaan peta tematik
untuk menentukan daerah rawan DBD di Kota Pontianak.
2. Hasil penelitian ini berupa peta tematik penyebaran Demam Berdarah Dengue (DBD) di Kota
Pontianak. Secara umum pada peta dapat dilihat bahwa Kota Pontianak dikategorikan daerah
tidak rawan DBD dengan nilai kerawanan rata-rata sebesar 0,1357. Namun pada bulan Oktober
terdapat daerah yang dikategorikan sangat rawan Demam Berdarah Dengue (DBD) yaitu
Kecamatan Pontianak Kota dengan nilai kerawanan sebesar 0,9037 sedangkan Kecamatan yang
dikategorikan daerah rawan DBD adalah Kecamatan Pontianak Utara yaitu pada bulan Oktober
dan November dengan nilai kerawanan sebesar 0,5610.

DAFTAR PUSTAKA
[1] Aini, A. (2007). Sistem Informasi Geografis Dan Aplikasinya. Staff Pengajar STMIK AMIKOM
Yogyakarta.
[2] Elly, M. J. (2009). Sistem Informasi Geografi Menggunakan Aplikasi Arcview 3.2 dan
Ermapper 6.4. Yogyakarta: Graha Ilmu.
[3] Fitriyani. (2007). Penentuan Wilayah Rawan Demam Berdarah Dengue Di Indonesia Dan
Analisis
Pengaruh Pola Hujan Terhadap Tingkat Serangan (Studi Kasus: Kabupaten Indramayu).
Skripsi. Departemen Geofisika Dan Meteorologi. FMIPA. IPB.
[4] Iswari, L. (2008). Pemanfaatan Sistem Inferensi Fuzzy Dalam Pengolahan Peta Tematik.
SNATI. Yogyakarta.
[5] Naba, A. (2009). Belajar Cepat Fuzzy Logic Menggunakan Matlab. Yogyakarta: Andi
Publisher.
[6] Purnomo, S. K. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta:
Graha Ilmu.
[7] Raharjo, B. (2009). Tutorial ArcGIS Bagi Pemula. University Of New England.
[8] Ramadhani, D. (2006). Pengembangan Sistem Informasi Geografi (GIS) Untuk Pemetaan
Infrastruktur Pemerintahan. Skripsi. Fakultas Teknik. Universitas Tanjungpura.
[10] Rony. (2004). Analisis Dan Perancangan Sistem Informasi Geografis (SIG) Sebaran Daerah
Rawan Demam Berdarah (DBD) di Jakarta Barat. Skripsi. Universitas Bina Nusantara.
[11] https://rehulina.wordpress.com/2009/08/05/pengertian-kecerdasan-buatan/
[11] http://kuliah-ai-ubibwi.blogspot.co.id/2012/10/soft-computing.html
[12] https://aiukswkelasekelompok4a.wordpress.com/2009/02/06/masalah-ruang-keadaan-dan-
pencarian/
[14] https://yanneevelynip.wordpress.com/tag/pencarian-buta/
[15] http://tioramadhani.blogspot.co.id/2015/04/algoritma-metode-pencarian-buta.html
[16] http://fryunfirst.blogspot.co.id/2015/06/pencarian-heuristik-heuristic-search.html
[17] http://hanz-kampus.blogspot.co.id/2010/02/masalah-ruang-keadaan-dan-pencarian.html
[18] http://www.kajianpustaka.com/2016/10/pengertian-tujuan-dan-struktur-sistem-pakar.html
[19] http://www.slideshare.net/herman_tolle/forward-backward-chaining
[20] http://umardanny.com/pengertian-metode-forward-dan-backward-chaining-sistem-pakar/
[21] Purnama, et all. Implementasi Logika Fuzzy Dalam Pengolahan Peta Tematik Daerah Rawan
Penyakit DBD. Skripsi. Jurusan Sistem Komputer, Fakultas MIPA Universitas
Tanjungpura.Pontianak.
[22] https://ocw.mit.edu/courses/comparative-media-studies-writing/cms-608-game-design-
spring-2008/lecture-notes/

Kecerdasan Buatan

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Kecerdasan Buatan

Similar to Kecerdasan Buatan (20)

Kecerdasan Buatan