Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom.

Slides:



Advertisements
Presentasi serupa
ALGORITMA GENETIKA.
Advertisements

Algoritma Genetika Kelompok 2 Ferry sandi cristian ( )
Disusun Oleh: Ainiyatul Muthoharo ( )
ALGORITMA GENETIKA.
Algoritma Genetika.
Genetic Algoritms.
ALGORITMA GENETIKA Disusun Oleh : Anjas Purnomo ( )
Yufis Azhar – Teknik Informatika - UMM
Dr.Ir. Yandra Arkeman, M.Eng
ALGORITMA GENETIKA.
Planning CS3243 Kecerdasan Mesin dan Artifisial
Ruang Keadaan (state space)
Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom.
Kuliah Sistem Fuzzy Pertemuan 13 “Algoritma Genetika” (lanjutan)
Minimum Spanning Tree Problem
ALGORITMA GENETIKA Pertemuan 12.
Kuliah Sistem Fuzzy Pertemuan 12 “Algoritma Genetika”
ALGORITMA GENETIKA. KELOMPOK 6 CINDY RAHAYU ( ) MIA RAHMANIA ( ) M. ISKANDAR YAHYA ( ) Teknik Informatika 5A UIN.
Studi Kasus Dr. Suyanto, S.T., M.Sc. HP/WA:
Genetic Algorithm (GA)
Evolution Strategies (ES)
Learning Kecerdasan Mesin dan Artifisial
PENGENALAN KECERDASAN KOMPUTASIONAL
Penyelesaian Masalah menggunakan Teknik Pencarian Blind Search
Pembimbing : Imas S. Sitanggang, S.Si, M.Kom Irman Hermadi, S.Kom, MS
Fuzzy EAs Dr. Suyanto, S.T., M.Sc. HP/WA:
Dasar-Dasar Algoritma Genetika
Oleh : Desca Marwan Toni (G )
Imam Cholissodin | Algoritma Evolusi Teknik Optimasi Imam Cholissodin |
Evolutionary Computation
Evolution Strategies (ES)
Metode Pencarian dan Pelacakan
TEKNIK PENCARIAN & PELACAKAN
Metode Pencarian/Pelacakan
Soft Computing Genetic Algorithm © Sekolah Tinggi Teknik Surabaya.
Imam Cholissodin | Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin |
Paralelisasi dan Distribusi
Learning Dr. Suyanto, S.T., M.Sc. HP/WA:
Evolutionary Programming (EP)
Differential Evolution (DE)
Evolutionary Algorithms (EAs)
Heuristic Search (Part 2)
Grammatical Evolution (GE)
ALGORITMA GENETIKA.
Pertemuan 13 ALGORITMA GENETIKA
Evolving ANN Dr. Suyanto, S.T., M.Sc. HP/WA:
Oleh : Yusuf Nurrachman, ST, MMSI
Konvergensi Prematur dan Pencegahannya
Genetic Programming (GP) Dan Evolutionary Programming (EP)
Planning CS3243 Kecerdasan Mesin dan Artifisial
GENETICS ALGORITHM Nelly Indriani W. S.Si., M.T KECERDASAN BUATAN.
Pertemuan 14 Algoritma Genetika.
Artificial Intelligence (AI)
Algoritma AI 2.
Pertemuan 13 ALGORITMA GENETIKA
Artificial Intelligence (AI)
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
ALGORITMA GENETIKA.
Pertemuan 13 Algoritma Genetika.
ALGORITMA GENETIKA.
GENETIKA POPULASI.
Algoritma Genetika.
Pertemuan 15 ALGORITMA GENETIKA
KLASIFIKASI.
CSH4313 Kecerdasan Kolektif (Swarm Intelligence) Pendahuluan
Heuristic Search.
Teori Bahasa Otomata (1) 2. Searching
Heuristic Search Best First Search.
PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA
Algoritma Genetika. Melakukan Optimasi Fitness Contoh Fungsi Fitnes Y = - (x 2 - 1) GA akan melakukan optimasi terhadap fungsi tersebut.
Transcript presentasi:

Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom

Outline  Decision tree learning  Jaringan Syaraf Tiruan  Algoritma Genetika  Perbedaan empat teknik AI  Kesimpulan

Jumlah kambing = ?7 x 5 = 35

Jumlah kambing = ? Pilih presisi atau kecepatan? Presisi dan cepat !!! Sulit?

Blind & Heuristic Search

Evolutionary Computation Meta Heuristic Search

Evolutionary Computation Meta Heuristic Search

Evolutionary Computation Meta Heuristic Search

Generational Replacement GA

Studi kasus: Minimasi fungsi Nilai minimum h = ?

Kromosom

Fitness Jika nilai minimum = 0, nilai maks f = ?

Generasi 1

Generasi 10

Generasi 100

Untuk presisi  Berapa bit? Bisa menggunakan kromosom Real?

AG untuk Learning AG bisa untuk learning? Representasi Kromosom? Fungsi Fitness? Kunci: “Satu individu menyatakan satu solusi”

Bagaimana menemukan aturan?

Wawancara Baik Ya Buruk Psikologi Tinggi Tidak Sedang IPK Bagus Ya Cukup Ya Kurang Tidak Rendah Tidak ID3 Cepat ! Akurasinya ???

Aturan yang dihasilkan

Pemisahan Aturan

Konversi 3 aturan IPK Psikologi Wawancara Diterima Tiga bit pada IPK menyatakan tiga buah nilai: ’Bagus’, ’Cukup’, ’Kurang’ Tiga bit pada Psikologi menyatakan ’Tinggi’, ’Sedang’, ’Rendah’ Dua bit pada Wawancara menyatakan ’Baik’ dan ’Buruk’. 9 bit

Kromosom 9 bit

Fungsi Fitness Tujuan learning? Aturan yang akurasinya tertinggi  Maksimasi f = akurasi aturan

Operator Evolusi Seleksi orangtua Crossover Mutasi Replacement Berapa panjang kromosom yg optimal? Tidak bisa diketahui Operator evolusi  kromosom dinamis

Crossover (contoh) Modulo jumlah bit per aturan (9) Posisi Sembarang {1,12} Terbatas pada: {1,3} {1,12} {10,12}

Generational Replacement GA

Generasi 1 (random: populasi 8 krom)

Generasi 1 (random: populasi 8 krom)

Generasi 2 (Populasi 8 krom)

Generasi 10 (Populasi 8 krom)

Generasi 50 (Populasi 8 krom) Kromosom terbaik

Akurasi untuk data yang lain??? Akurasi = 100% untuk training set

Kapan Menghentikan Learning? Untuk JST PB Untuk GA, grafiknya bagaimana? Berhenti !

Menghentikan evolusi GA Berhenti ! Akurasi Total = ( )/1500 = 0.833

Perhatian !!! Fitness dihitung dengan training set saja Validation set hanya untuk mem-validasi aturan Akurasi total dihitung berdasarkan porsi data pada training set dan validation set

Overfit, Oversize, Flexible

Diskusi GA lebih baik dibandingkan ID3? ID3 sekuensial GA paralel

Wawancara Baik Ya Buruk Psikologi Tinggi Tidak Sedang IPK Bagus Ya Cukup Ya Kurang Tidak Rendah Tidak ID3 Apakah pohon ini yang terbaik?Berapa jumlah pohon yg mungkin?

GA Berapa jumlah pohon yg mungkin?

Berapa jumlah kromosom yg mungkin?

Iterasi Akurasi ID3

Iterasi Akurasi GA

Iterasi Akurasi GA

Iterasi Akurasi GA