1. Pertanyaan berikut berhubungan dengan Logika Fuzzy a. Jelaskan apa yang dimaksud dengan sistem inference fuzzy,gambarkan strukturnya dan berikan penjelasannya. b. Sebuah grosir akan membeli stock bahan jualan bulanan. Rata -rata pembelian barang paling banyak perbulannya mencapai 1000 unit, sedangkan pembelian barang paling sedikit hanya mencapai 100 unit. Banyak sedikitnya barang yang dibeli tergantung dengan banyaknya untung yang didapat.Pada laporan bulanan , keuntungan maksimal per bulannya sebesar Rp3.000.000, - sedangkan paling rendah adalah Rp 500.000,; Sedangkan penjulan maksimal perbulan biasanya mencapai 2000 unit dan minimal 500 unit. Tentukan dengan metode fuzzy tsukamoto berapa unit stock barang yang dibeli apabila penjualan rata-rata hanya mencapai 1300 unit dan keuntungan sebesar Rp.1.000.000,- . dengan rule/aturan sebagai berikut: [R1] IF Penjualan SEDIKIT And Keuntungan TURUN THEN Pembelian Stok Barang BERKURANG. [R2] IF Penjualan BANYAK And Keuntungan NAIK THEN Pembelian Stok Barang BERTAMBAH. 2. Pertanyaan berikut berhubungan dengan Machine Learning a. Mengapa machine learning itu penting?jelaskan pendapat anda. b. Sebutkan dan jelaskan 4 jenis teknik dalam pembelajarar mesin 3. Pertanyaan berikut berhubungan dengan Jaringan Syaraf Tiruan (JST) a. Jelaskan apa yang dimaksud dengan jaringan syaraf tiruan. b. Faktor-faktor apa saja yang mempengaruh i jaringan syaraf tiruan. c. Sebutkan dan jelaskan arsitektur jaringan syaraf tiruan. 4. Pertanyaan berikut berhubungan denga Algoritma Genetika a. Apa yang dimaksud dengan algoritma genetika dan bagaimana cara kerjanya. b. Hal-hal apa saja yang harus dilakukan dalam menggunakan algoritma genetika. c. Jelaskan apa kelebihan dari algoritma genetika.

Jawaban Pertanyaan

1. Logika Fuzzy

a. Sistem Inferensi Fuzzy

Sistem inferensi fuzzy adalah metode untuk melakukan penalaran berdasarkan logika fuzzy. Ia memetakan input fuzzy (nilai-nilai yang tidak pasti atau kabur) ke output fuzzy menggunakan aturan-aturan fuzzy yang telah ditentukan. Struktur umumnya terdiri dari:

1. Fuzzifikasi: Tahap ini mengubah input yang bersifat crisp (nilai pasti) menjadi nilai fuzzy menggunakan fungsi keanggotaan. Misalnya, suhu 25 derajat Celcius dapat difuzzifikasi menjadi "suhu sedang" dengan derajat keanggotaan tertentu.

2. Basis Pengetahuan (Rule Base): Berisi sekumpulan aturan fuzzy yang menghubungkan input dan output. Aturan ini biasanya berbentuk "IF-THEN", misalnya: "IF suhu tinggi THEN kipas angin menyala".

3. Mesin Inferensi: Bagian inti dari sistem inferensi fuzzy. Ia menggunakan aturan-aturan dalam basis pengetahuan dan nilai-nilai fuzzy dari tahap fuzzifikasi untuk menentukan nilai fuzzy output. Metode inferensi yang umum digunakan antara lain Mamdani, Sugeno, dan Tsukamoto.

4. Defuzzifikasi: Tahap ini mengubah nilai fuzzy output menjadi nilai crisp. Beberapa metode defuzzifikasi yang umum digunakan adalah centroid, mean of maxima, dan weighted average.


Gambar Struktur:

```
[Input Crisp] --> [Fuzzifikasi] --> [Basis Pengetahuan] --> [Mesin Inferensi] --> [Defuzzifikasi] --> [Output Crisp]
```


b. Metode Fuzzy Tsukamoto

Berikut penyelesaian masalah grosir menggunakan metode Fuzzy Tsukamoto:

1. Fuzzifikasi:

* Penjualan: Kita perlu mendefinisikan fungsi keanggotaan untuk "Penjualan Sedikit" dan "Penjualan Banyak". Misalnya, kita gunakan fungsi keanggotaan segitiga:

* Penjualan Sedikit: (500, 500, 1300) (Nilai minimum, titik tengah, nilai maksimum)
* Penjualan Banyak: (1300, 1700, 2000)

* Keuntungan: Kita perlu mendefinisikan fungsi keanggotaan untuk "Keuntungan Naik" dan "Keuntungan Turun". Misalnya, kita gunakan fungsi keanggotaan segitiga:

* Keuntungan Turun: (500000, 500000, 1500000)
* Keuntungan Naik: (1500000, 2250000, 3000000)

* Pembelian: Kita perlu mendefinisikan fungsi keanggotaan untuk "Pembelian Berkurang" dan "Pembelian Bertambah". Misalnya, kita gunakan fungsi keanggotaan segitiga:

* Pembelian Berkurang: (100, 100, 550)
* Pembelian Bertambah: (550, 800, 1000)


2. Inferensi:

Penjualan rata-rata = 1300 unit. Keuntungan = Rp 1.000.000.

* R1: Penjualan sedikit (derajat keanggotaan = 0) dan Keuntungan Turun (derajat keanggotaan = 1). Maka, Pembelian Berkurang (derajat keanggotaan = 0).

* R2: Penjualan banyak (derajat keanggotaan = 0.5) dan Keuntungan Naik (derajat keanggotaan = 0.333). Maka, Pembelian Bertambah (derajat keanggotaan = min(0.5, 0.333) = 0.333).

3. Defuzzifikasi:

Karena hanya rule R2 yang aktif, kita gunakan nilai 0.333 untuk menentukan nilai crisp Pembelian Bertambah. Dengan menggunakan metode centroid pada fungsi keanggotaan segitiga, kita dapat menghitung nilai crisp untuk Pembelian:

Nilai crisp ≈ 550 + 0.333 * (800 - 550) ≈ 666.5 unit

Kesimpulan: Berdasarkan metode Fuzzy Tsukamoto, jumlah stok barang yang disarankan untuk dibeli adalah sekitar 667 unit.


2. Machine Learning

a. Pentingnya Machine Learning:

Machine learning sangat penting karena kemampuannya untuk menemukan pola dan wawasan dari data yang kompleks, yang sulit atau bahkan tidak mungkin dilakukan oleh manusia. Ini memungkinkan otomatisasi tugas-tugas yang rumit, pengambilan keputusan yang lebih baik, dan prediksi yang lebih akurat di berbagai bidang, seperti kesehatan, keuangan, dan manufaktur. Kemampuan adaptasi dan pembelajaran dari data baru juga membuat machine learning sangat relevan dalam menghadapi lingkungan yang dinamis.


b. Empat Jenis Teknik Pembelajaran Mesin:

1. Pembelajaran Terawasi (Supervised Learning): Model dilatih dengan data yang telah diberi label (input dan output yang diketahui). Tujuannya adalah untuk memprediksi output untuk input baru. Contoh: klasifikasi gambar, regresi linier.

2. Pembelajaran Tak Terawasi (Unsupervised Learning): Model dilatih dengan data yang tidak diberi label. Tujuannya adalah untuk menemukan pola tersembunyi atau struktur dalam data. Contoh: clustering, pengurangan dimensi.

3. Pembelajaran Penguatan (Reinforcement Learning): Model belajar melalui interaksi dengan lingkungan. Ia menerima reward atau punishment berdasarkan tindakannya, dan tujuannya adalah untuk memaksimalkan reward kumulatif. Contoh: game playing, robot control.

4. Pembelajaran Semi-Terawasi (Semi-Supervised Learning): Model dilatih dengan kombinasi data berlabel dan tidak berlabel. Ini berguna ketika data berlabel sulit atau mahal untuk diperoleh. Contoh: klasifikasi teks dengan sedikit data berlabel.


3. Jaringan Syaraf Tiruan (JST)

a. Pengertian JST:

Jaringan syaraf tiruan adalah model komputasi yang terinspirasi oleh struktur dan fungsi otak manusia. Ia terdiri dari banyak unit pemroses sederhana (neuron) yang terhubung satu sama lain membentuk lapisan-lapisan. JST belajar dari data melalui penyesuaian bobot koneksi antar neuron.


b. Faktor-faktor yang Mempengaruhi JST:

* Arsitektur Jaringan: Jumlah lapisan, jumlah neuron per lapisan, jenis koneksi antar neuron.
* Fungsi Aktivasi: Fungsi yang digunakan oleh neuron untuk memproses input dan menghasilkan output.
* Algoritma Pelatihan: Metode yang digunakan untuk menyesuaikan bobot koneksi antar neuron.
* Data Latih: Jumlah data, kualitas data, dan representasi data.
* Parameter Hyperparameter: Nilai-nilai yang menentukan proses pelatihan, seperti learning rate dan jumlah epoch.


c. Arsitektur JST:

* Perceptron Tunggal: Jaringan paling sederhana, hanya memiliki satu lapisan neuron.
* Multilayer Perceptron (MLP): Jaringan dengan beberapa lapisan tersembunyi, mampu mempelajari fungsi non-linear yang kompleks.
* Convolutional Neural Network (CNN): Digunakan untuk pengolahan citra, memanfaatkan operasi konvolusi untuk mengekstrak fitur.
* Recurrent Neural Network (RNN): Digunakan untuk pengolahan data sekuensial, seperti teks dan deret waktu. Memiliki koneksi siklik antar neuron.


4. Algoritma Genetika

a. Pengertian dan Cara Kerja Algoritma Genetika:

Algoritma genetika adalah algoritma pencarian dan optimasi yang terinspirasi oleh proses evolusi biologis. Ia bekerja dengan menciptakan populasi solusi (kromosom), mengevaluasi kebugaran masing-masing solusi, dan menghasilkan generasi solusi baru melalui operasi genetika seperti seleksi, crossover, dan mutasi. Proses ini diulang hingga ditemukan solusi yang memenuhi kriteria tertentu.


b. Hal-hal yang Harus Dilakukan:

* Representasi Solusi: Menentukan cara merepresentasikan solusi sebagai kromosom (misalnya, string biner, bilangan real).
* Fungsi Kebugaran: Menentukan fungsi yang mengevaluasi kebugaran setiap solusi.
* Operasi Genetika: Memilih operator genetika yang sesuai (seleksi, crossover, mutasi).
* Parameter Algoritma: Menentukan parameter seperti ukuran populasi, probabilitas crossover, dan probabilitas mutasi.
* Kriteria Berhenti: Menentukan kriteria untuk menghentikan algoritma (misalnya, jumlah generasi maksimum, nilai kebugaran minimum).


c. Kelebihan Algoritma Genetika:

* Robustness: Tidak mudah terjebak dalam minimum lokal.
* Paralelisme: Dapat dijalankan secara paralel.
* Global Search: Mencari solusi di seluruh ruang pencarian.
* Tidak Membutuhkan Turunan: Dapat digunakan untuk fungsi yang tidak terdiferensiasi.


Semoga jawaban ini membantu. Ingatlah bahwa dalam penerapan metode-metode ini, pemilihan parameter dan fungsi keanggotaan yang tepat sangat penting untuk mendapatkan hasil yang akurat dan optimal.