GRAFIK KOMPUTER & PENGOLAHAN CITRA

Membuat program untuk menggambar garis Horizontal, Vertikal, dan Diagonal. Tugas ini  diberikan oleh dosen Bu Lily Wulandari. Deadline M9 (15 nov 2016).


download file  -> klik
download jar -> klik

HEURISTIC SEARCH

2.     HEURISTIC SEARCH / Pencarian Heuristik

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness).

Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

2.1.         Generate and Test

        Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking) , yaitu bergerak ke belakang menuju pada suatu keadaan awal.

Contoh : “Travelling Salesman Problem (TSP)”

Seorang salesman ingin mengunjungi  kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti berikut ini :

Penyelesaian dengan metode Generate and Test

Alur pencarian dengan Generate and Test

Contoh :

a.      Kasus 4 puzzle (kotak permainan)

b.     Kasus 8 puzzle (kotak permainan)

c.      Kasus Travelling Salesman Problem (TSP)

2.2.         Hill Climbing / PENDAKIAN BUKIT

        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 lain nya yang mungkin.

Contoh Penerapan Algoritma Simple Hill Climbing

Salah satu contoh dari penerapan Algoritma Simple Hill Climbing adalah Traveling Salesman Problem.

Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Fungsi heuristik yang digunakan adalah panjang lintasan yang terjadi.

Gambar Metode Simple Hill Clibing Dengan 6 Operator

Operator yang akan kita gunakan, adalah menukar urutan posisi 2 kota dalam suatu lintasan. Apabila ada n kota, dan kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak :

Sehingga kalau ada 4 kota, kita bisa memperoleh :

kombinasi.

Keenam kombinasi ini akan kita pakai semuanya sebagai operator, yaitu:

1.                  Tukar 1, 2 (menukar urutan posisi kota ke-1 dengan kota ke-2).

2.                  Tukar 2, 3 (menukar urutan posisi kota ke-2 dengan kota ke-3).

3.                  Tukar 3, 4 (menukar urutan posisi kota ke-3 dengan kota ke-4).

4.                  Tukar 4, 1 (menukar urutan posisi kota ke-4 dengan kota ke-1).

5.                  Tukar 2, 4 (menukar urutan posisi kota ke-2 dengan kota ke-4).

6.                  Tukar 1, 3 (menukar urutan posisi kota ke-1 dengan kota ke-3).

Sumber :

http://pengertian-pengertian-info.blogspot.co.id/2016/04/pengertian-hill-climbing-menurut-para.html

karmila.staff.gunadarma.ac.id/Downloads/folder/0

BLIND SEARCH

BLIND SEARCH

Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki informasi awal, model pencarian ini memiliki tiga ciri-ciri utama yaitu :

1.      Membangkitkan simpul berdasarkan urutan.

2.      Jika ada solusi, maka solusi akan ditemukan.

3.      Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).

A.    Pencarian Melebar pertama (Breadth-First Search)

Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1.BFS (Breadth First Search) juga merupakan salah satu algoritma penelusuran struktur graf / pohon seperti DFS, namun bedanya BFS melakukan pencarian secara melebar atau per level pohon. Simpul ditelusuri dari rootkemudian menelusuri semua simpul pada setiap level di bawahnya ( misalnya prioritas penelusuran dari kiri ke kanan ), maka penelusuran dilakukan terus dari simpul paling kiri ke simpul anak – anak tetangganya yang selevel. Jadi, untuk pohon biner :

Maka, urutan penelusurannya adalah : A – B – C – D – E – F – G – H – I – J – K – L

Salah satu cara implementasi BFS adalah dengan bantuan struktur data queue. Sama seperti stack pada DFS, queue yang digunakan adalah queue yang isi elemennya adalah simpul pohon / tree. Berikut ini adalah urutan algoritmanya :

1.      Masukkan simpul root ke dalam antrian.

2.      Periksa antrian terdepan apakah memiliki anak simpul.

3.      Jika ya, masukan semua anak simpul ke dalam antrian.

4.      Hapus antrian terdepan.

5.      Jika antrian kosong berhenti, tapi jika tidak kembali ke langkah dua.

Untuk gambar pohon biner di atas, urutan langkah dan kondisi queue pada setiap iterasinya adalah sebagai berikut :

Contoh diatas menggunakan prioritas untuk memasukkan anak simpul dari sebelah kiri terlebih dahulu ke dalam queue. Sehingga, pada iterasi 2 elemen A dihapus lalu memasukkan anak simpulnya yaitu B dulu, baru C ke dalam stack. Untuk penelusurannya yang dilihat adalah bagian yang berwarna biru, yaitu antrian terdepan yang setiap iterasinya memiliki urutan A – B – C – D – E – F – G – H – I – J – K – L. Sama seperti DFS lagi pada iterasi ke 13 itu kondisi antrian sudah kosong.

Keuntungan Breadth First Search  :

1.      Tidak akan menemui jalan buntu.

2.      Jika ada satu solusi, maka breadth-first search akan menemukannya. Dan, jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

Keuntungan Breadth First Search  :

1.      Tidak akan menemui jalan buntu.

2.      Jika ada satu solusi, maka breadth-first search akan menemukannya. Dan, jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

B.    Pencarian mendalam pertama (Depth-First Search)

Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian inidilakukan pada suatu simpul dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada simpul sebelah kanan dan simpul yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi.

Dalam implementasinya DFS dapat diselesaikan dengan cara rekursif atau dengan bantuan struktur data stack. Kita akan membahas dengan cara yang menggunakan stack. Stack yang digunakan adalah stack yang isi elemennya adalah simpul pohon / tree. Bagaimana cara kerjanya ? Berikut ini adalah urutan algoritmanya :

1.      Masukkan simpul root ke dalam tumpukan dengan push.

2.      Ambil dan simpan isi elemen (berupa simpul pohon) dari tumpukan teratas.

3.      Hapus isi stack teratas dengan prosedur pop.

4.      Periksa apakah simpul pohon yang disimpan tadi memiliki anak simpul.

5.      Jika ya, push semua anak simpul yang dibangkitkan ke dalam stack.

6.      Jika tumpukan kosong berhenti, tapi jika tidak kembali ke langkah dua

Jadi, untuk gambar pohon biner di atas urutan langkah dan kondisi stack-nya setiap iterasi adalah :

Maka, urutan penelusurannya adalah : A – B – D – H – E – I – C – F – G – J – K – L.

Contoh diatas menggunakan prioritas untuk memasukkan anak simpul dari sebelah kanan terlebih dahulu ke dalam stack. Sehingga, pada iterasi 2 elemen A dihapus lalu memasukkan anak simpulnya yaitu C dulu, baru B ke dalam stack. Selain itu bisa dilihat stack teratas (yang diwarna biru) pada tiap iterasi memiliki urutan A – B – D – H – E – I – C – F – G – J – K – L. Oiya, pada iterasi ke 13 itu kondisi stack sudah kosong karena ketika simpul J dibangkitkan tidak ada anak simpul yang dimasukkan ke stack.

Kelebihan Depth First Search adalah:

1.      Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan.

2.      Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat.

Kelemahan Depth First Search adalah:

1.      Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).

2.      Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).

Sumber : 

http://mudt-dae.blogspot.co.id/2010/04/kcb-kecerdasan-buatan.html

https://aig1003.wordpress.com/

http://yoosinhay.blogspot.co.id/2011/03/teknik-pencarian-perancangan.html

https://saungkode.wordpress.com/2014/04/16/penelusuran-pohon-biner-berdasarkan-kedalaman-dengan-algoritma-dfs-stack-dan-secara-melebar-level-order-dengan-algoritma-bfs-queue-dan-implementasinya-dalam-bahasa-c/

Fuzzy Logic

PENG. TEKNOLOGI SISTEM CERDAS

Fuzzy Logic

Nama         :         Putri Apriyani

NPM           :         18114583

Kelas         :         3KA31

Dosen        :         Dewi Andryani

Fuzzy Logic

Fuzzy logic jika di dalam bahasa Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain.

Penalaran Logika Fuzzy memnyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.

Alasan kenapa digunakan logika Fuzzy :

·         Karena konsep logika Fuzzy mudah dimengerti.

·         Logika Fuzzy fleksibel.

·         Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

·         Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvesional.

·         Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.

·         Logika Fuzzydidasarkan pada bahasa alami.

·         Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

Profesor Lotfi A. Zadeh  adalah guru besar pada University of California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah.

     Karena itu Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership function) dari masing-masing variabelnya. Fungsi keanggotaan (membership function), adalah suatu kurva yang menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

·         Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.

·         Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.

·         Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.  Masukan Crisp adalah masukan yang tegas dan tertentu.

·         Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.

·         Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.

Penerapan Fuzzy Logic

Di bawah ini adalah beberapa contoh aplikasi fuzzy logic :

• Sistem Pengereman Mobil (Nissan).

• Pengontrol kereta bawah tanah di Sendai, Jepang.

• Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).

Contoh penerapan Logika Fuzzy dalam kehidupan sehari-hari:

·                     Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan.

Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. Jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat, dan jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.

·                     Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu lintas.

Untuk memperlancar arus lalu lintas dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan bias dikurangi. Untuk kepadatan jumlah kendaraan dibuat pemberitahuan seperti: Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).

Sumber :

http://eprints.dinus.ac.id/12387/1/jurnal_12328.pdf

http://www.temukanpengertian.com/2013/08/pengertian-fuzzy-logic.html