You are on page 1of 97

OLEH :

RIKA FEBRIANA ( 1A111188 )


1. SISTEM PAKAR
2. SISTEM BERBASIS PENGETAHUAN
3. REPSENTASI PENGETAHUAN
4. METODE INFERENSI
5. PEMBERIAN ALASAN DIBAWAH KETIDAK PASTIAN
6. PEMBERIAN ALASAN TIDAK EKSAK
7. PERENCANAAN SISTEM BERBASIS PENGETAHUAN
8. PENGENALAN PROLOG
9. PASANGAN POLA
10. TEKNIK PENGENDALIAN
11. OPERASI FILE
12. NEURAL NETWORK

Sistem komputer yang dapat melakukan penalaran
terhadap persoalan tertentu seperti penalaran yang
dilakukan manusia (Michael P. Geografi)

Sistem Komputer yang bisa menyamai atau meniru
kemampuan seorang pakar (Giarratano dan Riley)

Program komputer yang dimanfaatkan untuk meniru
proses pengambilan keputusan seorang pakar dalam
bidang tertentu (Michael W. Parks)

Etc.
Consultation Environment
(Use)
Development Environment
(Knowledge Acquisition)
User
Expert
User Interface
Inference Engine
Explanation
Facility
Working Memory
Facts of
the Case
Recommendation,
Explanation
Facts of
the
Case
Knowledge
Engineer
Knowledge
Acquisition
Facility
Knowledge
Base
Domain Knowledge
(Elements of
Knowledge Base)
Memasyarakatkan Pengetahuan dan Pengalaman
seorang Pakar

Dapat digunakan non-expert untuk meningkatkan
kemampuan pemecah- an masalah dan oleh expert
sebagai knowledgeable assistant

Menyederhanakan pekerjaan dan memperbaiki kualitas

Memecahkan masalah (sederhana) tanpa kehadiran
seorang pakar

Meliputi pengetahuan tentang :

Fakta-fakta dan teori-teori tentang bidang
permasalahan

Aturan-aturan (heuristic) tentang apa yang harus
dikerjakan dalam situasi tertentu

Strategi global untuk memecahkan perma-salahan
semacam ini

Pengetahuan tentang pengetahuan (meta knowledge)

U
s
e
r

I
n
t
e
r
f
a
c
e


Knowledge Base
Inference Engine
Expertise
Expertise
Facts / Information
User
Developer
User Interface
Interaksi dengan end-user
Pengembangan dan pemeliharaan sistem
Knowledge Base
Berisi informasi penting tentang domain
permasalahan
Menyatakan fakta dan aturan


Inference Engine
Mekanisme untuk memunculkan pengetahuan baru
dari pengetahuan sistem dan informasi yang
diberikan oleh user
Berdasarkan penggunaan aturan

Input expert system
Input dapat berbentuk menu, perintah (command),
bahasa alamiah, dialog box

Output expert system
Penjelasan dari pertanyaan
Penjelasan dari penyelesaian masalah
Contoh aturan
Jika suhu 39 dan trombosit menurun tajam maka
demam berdarah (0.7)
Jaringan aturan
Kesimpulan
Kesimpulan Kesimpulan
Bukti Bukti Bukti Bukti
Bukti Bukti Bukti Bukti
Proses penalaran
Jika A
maka B
Jika C
maka D
Jika M
maka E
Jika K
maka F
Jika G
maka H
Jika I
maka J
Jika B atau D
maka K
Jika K dan L
maka N
Jika N atau O
maka P
Jika E
maka L
Jika (F dan H)
atau J
maka M
Jika M
maka O
Bahasa pemrograman
LISP, Prolog
Contoh program sistem pakar Mycin
Dikembangkan oleh Edward Shortliffe (peneliti) & Stanton Axline
(dokter)
Mycin diciptakan untuk mendiagnosa penyakit menular tertentu
Peran sistem analis
Mengerti bagaimana pakar menerapkan pengetahuan mereka
dalam memecahkan masalah
Mampu mengekstrasi penjelasan mengenai pengetahuan dari
pakar
PENGETAHUAN
YANG TERDO-
KUMENTASIKAN
ALAT BANTU,
BAHASA
SISTEM
PAKAR
PEMBANGUN
ALAT BANTU
PENJUAL
PAKAR
INSINYUR
PENGETAHUAN
PEMBANGUN
SISTEM
STAF
PENDUKUNG
PENGGUNA
AKHIR
Membangun
Memberikan
Pengguna
Pengguna
Bekerja sama
Memperoleh
pengetahuan
Memba-
ngun
Membangun
Menghubung
kan
Menggunakan
Menguji
Mendukung
tugas
PARTISIPAN DALAM MEMBANGUN
SISTEM PAKAR DAN
ATURAN-ATURANNYA

KATEGORI GENERIK DARI SISTEM PAKAR

Kategori Masalah yang Diselesaikan
Interpretasi
Prediksi

Diagnosis
Perancangan
Perencanaan

Monitoring


Debugging
Reparasi

Instruksi

Kontrol
Menduga gambaran situasi dari observasi
Menduga akibat yang mungkin dari situasi
tertentu
Menduga kegagalan sistem dari observasi
Mengatur konfigurasi obyek dari konstrain
Mengembangkan rencana-rencana untuk
mencapai tujuan-tujuan
Membandingkan observasi terhadap rencana-
rencana, tanda gagal/berhasil (flagging), dan
perkecualian-perkecualian (exceptions)
Memberi obat bagi kegagalan fungsi
Mengeksekusi rencana untuk menjalankan obat
penyembuhan
Mendiagnosa, mendebug, dan membetulkan
unjuk kerja siswa
Menginterpretasikan, memprediksi, mereparasi,
dan memonitor perilaku sistem
Terbatas pada domain keahlian tertentu
Memiliki fasilitas informasi yang handal
Berdasar rule-ruletertentu
Mudah dimodifikasi
Dapat digunakan dalam berbagai jenis
komputer
Dirancang untuk dapat dikembangkan secara
bertahap
Output bersifat anjuran
PERBANDINGAN SISTEM KONVENSIONAL
DENGAN SISTEM PAKAR
Sistem Konvensional Sistem Pakar
Informasi dan pemrosesannya biasanya
digabungkan dalam satu program sekuen-
sial


Program tidak membuat kesalahan (yang
membuat kesalahan : pemrogram)

Biasanya tidak menerangkan mengapa
data masukan diperlukan atau bagaimana
kesimpulan ditarik

Perubahan program sangat menyulitkan
(tedious)

Sistem hanya beroperasi setelah lengkap
/ selesai

Eksekusi dilakukan langkah demi langkah
(algoritmik)

Perlu informasi lengkap agar bisa
Beroperasi
Basis Pengetahuan dipisahkan secara jelas
dengan mekanisme pemrosesan / inferensi
(yaitu, aturan-aturan pengetahuan dipisah-
kan dari kontrol)

Program dapat berbuat kesalahan


Keterangan biasanya merupakan bagian
dari hampir semua Sistem Pakar


Perubahan dalam aturan-aturan mudah
untuk dilaksanakan

Sistem dapat beroperasi hanya dengan
aturan-aturan yang sedikit (prototipe awal)
Eksekusi dilakukan dengan

Menggunakan heuristik dan logika


Dapat beroperasi dengan informasi yang
tidak lengkap atau tidak tentu
PERBEDAAN (Lanjutan..)

Sistem Konvensional
Sistem Pakar
Manipulasi efektif dari basis data
yang besar
Manipulasi efektif dari basis
pengetahuan yang besar
Representasi dan penggunaan
data
Representasi dan penggunaan
pengetahuan
Tujuan utama : efisiensi Tujuan utama : efektivitas
Mudah berurusan dengan data
kuantitatif
Mudah berurusan dengan data
kualitatif
Menangkap, membesarkan, dan
mendistribusikan akses ke data
numerik atau informasi
Menangkap, membesarkan, dan
mendistribusikan akses ke
pertimbangan dan pengetahuan

XSEL
Sistem pakar ini dapat bertindak sebagai asisten penjual, yang
membantu penjual komputer DEC memilihkan pesanan pelanggan sesuai
dengan kebutuhan

MYCIN
Sistem ini dikembangkan di Universitas Stanford pada pertengahan
1970-an dengan tujuan untuk membantu jurumedis dalam mendiagnosa
penyakit yang disebabkan bakteri.

PROSPECTOR
Sistem ini diciptakan oleh Richard Duda, Peter Hard, dan Rene Reboh
pada tahun 1978 yang menyediakan kemampuan seperti seorang pakar
di bidang geologi.
Sistem Informasi Oleh: Didik Tristianto
Sistem Informasi Oleh: Didik Tristianto
Sistem pakar: Apakah buah berbentuk bulat?
Pemakai: Ya
Sistem pakar: Apakah buah berwarna hijau ketika muda dan kuning ketika
sudah tua?
Pemakai: Tidak
Sistem pakar: Apakah buah berwarna hijau ketika muda dan merah ketika
sudah tua?
Pemakai: Ya
Sistem pakar: Apakah berbatang?
Pemakai: Ya
Sistem pakar: Menurut pengetahuan yang saya miliki, Apel memenuhi
kriteria yang Anda sebutkan.
Merupakan teknik yang digunakan untuk
meningkatkan efisiensi dari proses pencarian

Dalam pencarian state space, heuristik adalah
aturan untuk memilih cabang-cabang yang
paling mungkin menyebabkan penyelesaian
permasalahan dapat diterima
22
1. Generate and Test (Pembangkit dan
Pengujian)
2. Hill Climbing (Pendakian Bukit)
3. Best First Search (Pencarian
Terbaik Pertama)
4. Simulated Annealing
23
Pengabungan antara depth first search dengan
pelacakan mundur (backtracking)
Nilai Pengujian berupa jawaban ya atau
tidak
Jika pembangkit possible solution dikerjakan
secara sistimatis, maka prosedur akan mencari
solusinya, jika ada.
24
Algoritma:

Bangkitkan suatu kemungkinan solusi

Uji apakah node tersebut merupakan
solusi, dengan cara membandingkan
node atau node akhir suatu lintasan
yang dipilih dengan kumpulan tujuan
yang diharapkan

Jika solusi ditemukan, keluar. Jika
tidak, ulangi langkah pertama.nya
dengan
25
Contoh kasus:
Seorang salesmen ingin mengunjungi n kota. Jarak
antara tiap-tiap kota sudah diketahui. Diinginkan
rute terpendek dimana setiap kota sudah diketahui.

26
A
B
C
D
8
6
5
7
3 4
Hampir sama Generate and Test, perbedaan
terjadi pada feedback dari prosedur test untuk
pembangkitan keadaan berikutnya.

Tes yang berupa fungsi heuristik akan
menunjukkan seberapa baik nilai terkaan yang
diambil terhadap keadaan lain yang mungkin

27
Algoritma:

1. Evaluasi keadaan awal, jika tujuan berhenti jika tidak
lanjut dengan keadaan sekarang sebagai keadaan awal

2. Kerjakan langkah berikut sampai solusi ditemukan atau
tidak ada lagi operator baru sebagai keadaan sekarang

28
i. Cari operator yang belum pernah digunakan.
Gunakan operator untuk keadaan yang baru.

ii. Evaluasi keadaan sekarang:

a) Jika keadaan tujuan , keluar.
b) Jika bukan tujuan, namun nilainya lebih baik
dari sekarang, maka jadikan keadaan tersebut
sebagai keadaaan sekarang
c) Jika keadaan baru tidak lebih baik daripada
keadaan sekarang, maka llanjutkan iterasi.

29
Algoritma Simple HC
Gerakan pencarian selanjutnya berdasar nilai
heuristik terbaik
Algoritma:

1) Evaluasi keadaan awal, jika tujuan berhenti jika
tidak lanjut dengan keadaan sekarang sebagai
keadaan awal

2) Kerjakan hingga tujuan tercapai atau hingga iterasi
tidak memberi perubahan sekarang.
30
i. Tentukan SUCC sebagai nilai heuristik terbaik dari
successor-successor
ii. Kerjakan tiap operator yang digunakan oleh keadaan
sekarang.

a. Gunakan operator tersebut dan bentuk keadan baru
b. Evaluasi keadaan baru. Jika tujuan keluar, jika bukan
bandingkan nilai heuristiknya dengan SUCC. Jika lebih
baik jadikan nilai heuristik keadaan baru ter sebut
sebagai SUCC. Jika tidak, nilai SUCC tidak berubah.

iii. Jika SUCC lebih baik dari nilai heuristik keadaan
sekarang, ubah SUCC menjadi keadaan sekarang.

31
Algoritma Steepet-Ascent HC
SA memanfaatkan analogi antara cara
pendinginan dan pembekuan metal menjadi
sebuah struktur crystal dengan energi yang
minimal (proses penguatan) dan proses
pencarian untuk state tujuan minimal
SA lebih banyak menjadi jebakan pada local
minimal.
SA berusaha keluar dari jebakan minimum local.

32
1. Evaluasi keadaan awal. Jika tujuan maka
KELUAR. Jika tidak lanjutkan dengan keadaan
awal sebagai keadaan sekarang

2. Inisialisasi BEST_SO_FAR untuk keadaan
sekarang

3. Inisialisasi T sesuai dengan annealing shedule

4. Kerjakan hingga solusi ditemukan atau sudah
tidak ada operator baru lagi akan diaplikasikan
kekondisi sekarang
33
a. Gunakan operator yang belum pernah digunakan
untuk menghasilkan keadaan baru
b. Evaluasi kondisi baru dengan menghitung:
E = nilai sekarang nilaia keadaan baru

i. Jika kondisi baru tujuan maka KELUAR

ii. Jika bukan tujuan, namun nilainya lebih baik dari
sekarang, maka jadikan keadaan tersebut sebagai
keadaaan sekarang

iii. Jika nilai kondisi baru tidak lebih baik daripada
keadaan sekarang, maka tetapkan kondisi baru sebagai
keadaan sekarang dengan probabilitas:
p = e
-E /T
c. Perbaiki T sesuai dengan annealing scheduling

5. BEST_SO_FAR adalah jawaban yang
dimaksud

34
Metode yang membangkitkan suksesor dengan
mempertimbangkan harga (didapat dari fungsi
heuristik tertentu) dari setiap node

Kombinasi dari BFS dan DFS

Pencarian dilakukan dengan melihat satu
lintasan, dan memungkinkan untuk berpindah
ke lintasan lain.
35
Dibutuhkan 2 antrian yang berisi node-node:
OPEN (berisi node-node yang sudah dibangkitkan,
sudah memiliki fungsi heuuristik namun belum diuji)
CLOSED (berisi node-node yang sudah diuji)

Fungsi lain yang dibutuhkan:
f(n) : pendekatan dari fungsi f(n) (fungsi evaluasi
terhadap node n)
g(n) : biaya yang dikeluarkan dari keadaan awal
sampai ke node n
h(n) : estimasi tambahan bbiaya yang harus
dikeluarkan dari node n sampai mendapatkan tujuan.
36
Algoritma:
Tempatkan node awal pada antrian OPEN
Lakukan langkah berikut hingga tujuan ditemukan
atau sampai antrian OPEN kosong
Ambil node terbaik dari OPEN
Bangkitkan semua successornya
Untuk tiap-tiap successornya kerjakan:

Jika node tersebut belum pernah dibangkitkan,
evaluasi node tersebut dan masukkan ke OPEN

Jika node tersebut sudah pernah dibangkitkan
sebelumnya, ubah parent jika lintasan baru lebih
menjanjikan. Hapus node tersebut dari antrian OPEN.
37
Best First Search dengan hanya
mempertimbangkan harga perkiraan
(estimated cost)

Harga sesungguhnya tidak digunakan

Studi kasus:

Pencarian jalur dalam suatu daerah yang
direpresentasikan dalam suatu graph. Node
menyatakan kota dan busur menyatakan jarak antar
kota (harga sesungguhnya) dan h(n) adalah harga
perkiraan dari node n menuju node tujuan (G).
38
Dengan data sbb:
I - A (75); A B (85); B G (300);
I - C (140); C D (160); D G (200);
I - E (120); E F (180); F G (250);

Dengan h(n) = fungsi heuristik (jarak garis lurus dari
node n menuju G)



Tentukan jalur terpilih?
I A B C D E F
400 360 280 300 180 400 200
39
Perbaikan dari best-first search dengan
memodifikasi fungsi heuristiknya.
Meminimumkan total biaya lintasan.
Fungsi f sebagai estimasi fungsi evaluasi
terhadap node n: f(n) = g(n) + h(n)
Jika:
h = h : Proses pelacakan sampai pada tujuan
g = h = 0, f random: Sistem tidak dapat dikendalikan
g = k (konstanta) dan h = 0 : Sistem menggunakan
breadth first search
Membutuhkan 2 antrian : OPEN dan CLOSED
40
Algoritma
1. Set : OPEN = {S}, dan CLOSED = { }, S: node awal
2. Kerjakan jika OPEN belum kosong:
3. Cari node n dari OPEN dimana nilai f(n) minimal.
Kemudian tempatkan node n pada CLOSED
a. Jika n adalah tujuan, keluar
b. Ekspan node keanak-anaknya
c. Kerjakan untuk setiap anak n, yaitu n:

Jika n belum ada di OPEN atau CLOSED, maka:
Masukkan n ke OPEN. Kemudian set back pointer dari n ke n.
Hitung:
h(n)
g(n) = g(n) + c(n,n) (biaya dari n ke n)
f(n) = g(n) + h (n)
Jika n telah ada di OPEN atau CLOSED dan jika g(n) lebih kecil
(untuk versi n yang baru), maka:
Buang versi lama n
Ambil n di OPEN, dan set backpointer dari n ke n.
41
Sistem Berbasis
Pegetahuan
Sistem Pakar
Games
Robotik
Sistem
Komputer
Program konvensional lebih efisien
Tantangan utamanya komputasi, bukan
pengetahuan
Pengetahuan tidak bisa didapatkan dengan
mudah
Pengguna mungkin enggan mengaplikasikan
sistem pakar untuk task yang kritis
PROLOG singkatan dari
Programmation en Logique ,
dalam bahasa French
Programming in Logic ,
dalam bahasa English

PROLOG adalah sistem pemrograman dimana bahasa
logika digunakan sebagai bahasa pemrograman
Pada dasarnya sistem bekerja sebagai berikut :
User menginputkan deskripsi masalah yang dituliskan
di bahasa PROLOG.
PROLOG menterjemahkan kemudian melakukan
penelusuran secara logika untuk menemukan jawaban
dari masalah tersebut.
PROLOG dapat digunakan sebagai:
Software Tool untuk pengembangan kecerdasan
sistem (seperti sistem pakar dan sistem robot kontrol);
Secara sederhana sebagai bahasa pemrograman umum
dengan mekanisme yang kuat untuk pemecahan
masalah.
Diperkenalkan pada tahun 1973,
Oleh Alain Colmerauer dan timnya dIntelligence
Artificielle de lUniversit dAix-Marseille
Purposed of Translating Natural Languages

Pada pemrograman konvensional :
Programmer menginstruksi mesin
BAGAIMANA cara memecahkan
masalah dengan menampilkan urutan
aksi-aksi
Mesin membawa instruksi-instruksi yang
spesifik
Pada pemrograman logika:
Programmer mendefinisikan APA
masalahnya, dengan menggunakan bahasa
logika;
Sistem menjalankan deduksi logika untuk
menemukan jawaban dari masalah
PROLOG adalah spesifikasi masalah yang
dapat dijalankan.
Dengan alasan tersebut maka PROLOG
disebut sebagai Very-High-Level
programming.
Problem-oriented language lev el
Assembly language lev el
Operating Sy stem Machine lev el
Conv entional Machine lev el
Microprogramming lev el
Digital Logic lev el
Lev el 5
Lev el 4
Lev el 3
Lev el 2
Lev el 1
Lev el 0
Translation (compiler)
Translation (assembler)
Partial Interpretation
(Operating Sy stem)
Interpretation (microprogram)
Microprograms are directly
executed by the hardware
Secara umum, PROLOG adalah deskripsi
dari suatu dunia (yaitu kumpulan dari
objek yang saling terhubung) yaang
dituliskan dengan bahasa PROLOG.
Contoh 1. Dunia dari Ann & Sue dideskripsikan sebagai
berikut:

Ann likes every toy she plays with.
Doll is a toy.
Snoopy is a toy.
Ann plays with Snoopy.
Sue likes everything Ann likes
Deskripsi di atas diterjemahkan ke program PROLOG.
likes(ann,X) :- toy(X),
plays(ann, X).
toy(doll).
toy(snoopy).
plays(ann,snoopy).
likes(sue,Y):- likes(ann, Y).
Program PROLOG :
FACT merepresentasikan suatu bagian dari informasi yang
diasumsikan true;
RULE merepresentasikan pernyataan kondisi
VARIABLE merepresentasikan elemen yang tidak spesifik
CONSTANT merepresentasikan elemen yang spesifik
PREDICATE merepresentasikan hubungan antara elemen
atau properti dari klas elemen-elemen
PROCEDURE adalah kumpulan dari klausa-klausa yang
memiliki predikat yang sama
Pada umumnya, PROLOG memiliki aturan sintaks :
Simbol definisi dimulai dengan HURUF tunggal atau
sebuah KATA (huruf kecil/besar, angka,
underscores
Variabel yang dimulai dengan HURUF BESAR atau
UNDERSCORE. Variabel tanpa nama diijinkan dan
direpresentasikan oleh SATU UNDERSCORE.
Klausa adalah formula yang spesial dan
menggabungkan sejumlah formula elemen yang
disebut dengan formula atomik.
likes(sue,husband(ann)),

husband adalah bukan konstanta ataupun variabel tetapi
simbol fungsi.
Simbol fungsi merepresentasikan elemen secara tidak
langsung melalui elemen lain husband(ann ) yang
merujuk ke elemen lain, tidak dengan elemennya tapi
relasinya ke ann.
Dengan sintaks , term tidak pernah berdiri sendiri tapi
selalu dengan beberapa formula atomik.
Term adalah variabel atau konstanta atau ekspresi
dari bentuk f (T1,T2,,Tn) dimana f adalah simbol
fungsi dan T1, T2, , Tn (N > 0) adalah term.
Simbol f disebut functor, n adalah arity, dan T1, T2,
, Tn adalah argumen-argumen dari term.
Formula atomik adalah ekspresi dari bentuk p(T1,
T2, , Tn), dimana p adlah simbol predikat dan T1,
T2, , Tn adalah term.
Jika n = 0 maka tidak ada argumen, sehingga yang di
dalam kurung diabaikan
Program PROLOG adalah kumpulan klausa yang terbatas dengan
bentuk :
A :- B1, , Bn

Dimana n 0 dan A dan BiBn adalah formula atomik. Klausa
diatas dibaca
A if B1 and and Bn.
Formula atomik A disebut kepala dari klausa dan (B1, Bn)
disebut badan klausa. Jika n = 0, maka klausa dengan simbol :-
diabaikan, disebut unit clause

Given the program in example 1, one may
seek information by asking questions such
as

What does Sue like ?
Unifikasi dan Runut Balik
Masukan dan Keluaran
Perbandingan Operator
Pasangan Pola 64/13
Unifikasi
Proses yang dilakukan oleh prolog untuk mencari
padanan antara pernyataan yang terdapat pada
aturan dengan fakta atau kepala aturan yang lain
Syarat terjadinya unifikasi antara 2 pernyataan
:
Mempunyai relasi yang sama
Mempunyai jumlah argumen yang sama dan posisi
argumen yang sama pula
Argumen yang berpadanan harus mempunyai jenis
data yang sama
Semua pasangan argumen (pada data majemuk)
harus juga berpadanan
Pasangan Pola 65/13
Pasangan Pola 66/13
Pasangan Pola 67/13
GOAL : kakek(Kakek,budi).

Kakek(Kakek,budi) kakek(Kakek,Cucu)

ayah(Ayah,Cucu) ayah(Ayah,budi)

ayah(Ayah,budi) ayah(amin,budi)

ayah(Kakek,Ayah) ayah(Kakek,amin)

ayah(Kakek,amin) ayah(slamet,amin)

kakek(Kakek,budi) kakek(slamet,budi)

Kakek = slamet
Pasangan Pola 68/13
Not digunakan untuk menyatakan lawan
logika dari suatu pernyataan
Not tidak dapat berdiri sendiri
Not tidak dapat dipasangkan pada fakta atau
kepala suatu aturan, tetapi hanya dapat
dipasangkan pada bagian suatu aturan
Contoh : menyatakan saudara sepupu
Saudara_sepupu(Sdr1,Sdr2) :- kakek(Kakek,Sdr1),
kakek(Kakek,Sdr2),
not(saudara_kandung(Sdr1,Sdr2)), Sdr1 <> Sdr2.
Pasangan Pola 69/13
Write
Digunakan untuk menuliskan konstanta atau isi
variabel ke piranti keluaran yang dikenali pada saat
itu
write(E1,E2,E3,,En) (i,i,i,,i)
E1,E2,E3,En adalah konstanta (karakter atau
string) atau variabel
Contoh :
Tes :- Write(Saya sedang belajar Turbo Prolog.),
write(Teman saya belajar Basic)
Output :
Saya sedang belajar Turbo Prolog.Teman saya belajar Basic
Pasangan Pola 70/13
Writef
Mempunyai fungsi yang hampir sama dengan
predikat write, hanya hasilnya mempunyai format
seperti yang diinginkan
writef(format,E1,E2,,En) (i,i,,i)
Macam-macam format :
f : format bilangan real dalam notasi desimal
e : format bilangan real dalam notasi eksponensial
d : format karakter atau bilangan bulat dalam desimal
c : format karakter atau bilangan bulat sebagai karakter
dll
Pasangan Pola 71/13
Writedevice
Digunakan untuk mengubah atau mendapatkan
informasi tentang piranti keluaran yang dikenali
oleh program pada saat itu
writedevice(VarPiranti) (i), (o)
Macam-macam piranti keluaran :
Screen
Printer
Com1
Tdout
Stderr
NamaFile
Pasangan Pola 72/13
Readln
Digunakan untuk membaca sederetan karakter dari
piranti masukan sampai ditemukan tanda carriage
return (ASCII 13)
Karakter yang dibaca ditampilkan di layar monitor
Readchar
Digunakan untuk membaca karakter tunggal dari
piranti masukan (tanpa perlu enter)
Karakter yang dibaca tidak ditampilkan di layar
monitor
Pasangan Pola 73/13
Readint
Digunakan untuk membaca bilangan bulat sampai
tombol Enter
Akan fail apabila bilangan bulat yang dibaca tidak
sesuai dengan yang sudah didefinisikan
Readreal
Digunakan untuk membaca bilangan real sampai
tombol Enter
Readdevice
Digunakan untuk mengubah atau meminta
informasi tentang piranti masukan yang saat itu
dikenal
Pasangan Pola 74/13
Jaringan syaraf adalah merupakan salah
satu representasi buatan dari otak manusia
yang selalu mencoba untuk mensimulasikan
proses pembelajaran pada otak manusia
tersebut
Buatan karena di implementasikan dengan
program komputer
Neuron
Dendrit
Axon
Synapsis

1940 : llmuwan menemukan bahwa psikologi
otak manusia sama dengan pemrosesan
komputer
1943 : McCulloch dan Pitts merancang model
pertama kali sebagai perhitungan dasar neuron
1949 : Hebb menyatakan bahwa informasi
dapat disimpan dalam koneksi-koneksi dan
mengusulkan adanya skema pembelajaran
untuk memperbaiki koneksi-koneksi antar
neuron tersebut
1954 : Farley dan Clark mensetup model-
model untuk relasi adaptif stimulus-respon
dalam jaringan random
1958 : Rosenblatt mengembangkan konsep
dasar tentang perceptron untuk klasifikasi
pola
1960 : Widrow dan Hoff mengembangkan
ADALINE untuk kendali adaptip dan
pencocokan pola yang dilatih dengan aturan
pembelajaran Least Mean Square
1974 : Werbos memperkenalkan algoritma
backpropagation untuk melatih perceptron
dengan banyak lapisan
1975 : Little dan Shaw menggambarkan
jaringan syaraf menggunakan model
probalistik
1982 : KOhonen mengembangkan metode
pembelajaran jaringan syaraf yang tidak
terawasi (unsupervised learning) untuk
pemetaan
1982 : Grosberg mengembangkan teori jaringan
yang terinspirasi oleh perkembangan
psikologi. Bersama Carpenter mereka
mengenalkan sejumlah arsitektur jaringan,
Adaptive Resonance Theory (ART), ART2 dan
ART3
1982 : Hopfield mengembangkan jaringan
syaraf recurrent yang dapat digunakan untuk
menyimpan informasi dan optimasi
1985 : Algoritma pembelajaran dengan
menggunakan mesin Boltzmann yang
menggunakan model jaringan syaraf
probabilistik mulai dikembangkan
1987 : kosko mengembangkan jaringan
Adaptive Bidirectional Associative Memory
(BAM)
1988 : mulai dikembangkan fungsi radial basis
Jaringan syaraf terdiri atas beberapa neuron
Ada hubungan antar neuron
Neuron mentransformasikan informasi yg
diterima melalui sambungan keluarnya
menuju neuron-neuorn yg lain
Pada jaringan syaraf hubungan ini dikenal
dengan bobot

Output
Fungsi Aktivasi
Bobot
Input dari Neuron-
neuorn yang lain
Bobot
Output ke neuron-
neuron yang lain
Nilai Input
Neuron-neuron
pada lapisan
input
Neuron-neuron
pada lapisan
tersembunyi
Neuron-neuron
pada lapisan
output
Nilai Output
Neuron-neuron dikelompokkan dalam lapisan-
lapisan
Neuron yang terletak pada lapisan yang sama
akan memiliki keadaan yang sama
Kelakuan neuorn ditentukan oleh fungsi
aktivasi dan pola bobotnya
Nilai Input
X1 lapisan input X3 X2
Y1 Y2
Matriks bobot
Lapisan Output
Nilai Output
W11
W12 W32 W31
W22
W21
Nilai Input
X1 lapisan input X3 X2
Z1 Z2
Matriks bobot
Pertama
Lapisan
Tersembunyi
Matriks Bobot
kedua
V11
V12 V32 V31
V22
V21
Y Lapisan Output
Nilai Output
W1 W2
A1
Aj
Am
Ai
-
1
- -
-
-
-
1
1
1
Ada beberapa fungsi aktivasi yang sering
digunakan dalam jaringan syaraf tiruan
1
Y
X 0
y
0 , 1
0 , 0

x jika
x jika

1
Y
X 0

y


x jika
x jika
, 1
, 0
1
Y
X 0
-1
y
0 , 1
0 , 0
0 , 1

x jika
x jika
x jika
1
Y
X 0
-1
y


x jika
x jika
, 1
, 1
1
Y
X 0
-1
1 -1
y = x
1
Y
X 0 -0,5 0,5
y
5 , 0 ; 0
5 , 0 5 , 0 ; 5 , 0
5 , 0 ; 1



x jika
x jika x
x jika
1
Y
X 0 -1 1
-1
y
1 ; 0
1 1 ;
1 ; 1

x jika
x jika x
x jika

You might also like