Sistem Inteligent Manufaktur Pertemuan 1

Bab 1
Introduction to Artificial Intelligence
1.1 Pendahuluan
Optimasi (Optimization) adalah aktivitas untuk mendapatkan hasil terbaik di
bawah keadaan yang diberikan. Tujuan akhir dari semua aktivitas tersebut adalah
meminimumkan effort (usaha) atau memaksimumkan manfaat yang diinginkan.
Karena usaha yang diperlukan atau manfaat yang diinginkan dapat dinyatakan sebagai
fungsi dari variable keputusan, optimasi dapat didefinisikan sebagai proses untuk
menemukan kondisi yang memberikan nilai minimum atau maksimum dari sebuah
fungsi.
f(x)
x*, Minimum dari f(x)
x*
x*, Maksimum dari – f(x)
- f(x)
Gambar 1 Optimasi tanpa kendala
Dapat dilihat pada Gambar 1 bahwa jika titik x* bersesuaian dengan nilai
minimum dari f(x), maka titik yang sama juga bersesuaian dengan nilai maksimum
dari - f(x). Dengan demikian, tanpa mengurangi keberlakuan secara umum, optimasi
dapat diartikan sebagai minimasi karena maksimum suatu fungsi dapat didapatkan
dengan mencari minimum dari negatif fungsi yang sama. Tidak ada metode tunggal
yang dapat dipakai untuk menyelesaiakn semua masalah optimasi secara efisien.
Banyak metode optimasi telah dikembangkan untuk menyelesaikan tipe optimasi
yang berbeda-beda.
Masalah optimasi tanpa kendala dan dinyatakan sebagai:
 x1 
 
 x2 
Cari X    yang meminimumkan f(X).
...
 
x 
 n
Masalah optimasi seperti itu dinamakan masalah optimasi tanpa kendala.
Metode pencarian titik optimum juga dikenal sebagai teknik pemrograman
matematik dan menjadi bagian dari operations research. Operations research adalah
suatu cabang matematika yang menekankan kepada aplikasi teknik dan metode
saintifik untuk masalah-masalah pengambilan keputusan dan pencarian solusi terbaik
atau optimal. Teknik pemrograman matematikal sangat berguna dalam pencarian nilai
optimum suatu fungsi dengan beberapa variabel dengan dibatasi oleh kendala yang
ada. Teknik proses stokastik dapat digunakan untuk menganalisis masalah yang
didiskripsikan dengan sekumpulan variable acak dimana distribusi probabilitasnya
diketahui. Metode statistikal dapat digunakan untuk menganalisis data eksperimen
dan untuk membangun model secara empirik untuk memperoleh representasi yang
lebih akurat mengenai situasi fisikal. Klasifikasi selengkapnya mengenai metode
operations research diberikan pada Tabel 1 berikut.
Tabel 1.1 Metode Operations Research
Teknik Pemrograman
Matematikal
Metode kalkulus
Pemrograman
geometrik
Pemrograman nonlinier
Pemrograman
kuadratik
Pemrograman linier
Pemrograman dinamik
Pemrograman integer
Pemrograman stokastik
Goal programming
Pemrograman
multiobjektif
Metode jaringan: CPM
& PERT
Transportasi
Teknik Proses
Stokastik
Teori
keputusan
statistical
Proses Markov
Teori antrian
Renewal theory
Simulation methods
Reliability theory
Teori Permainan
Metode Statistikal
Analisis regresi
Analisis kluster, pattern
recoqnition
Rancangan eksperimen
Analisis diskriminan
Artificial Intelligence :
Simulated annealing
Genetic algorithm
Neural networks
Fuzzy Expert System
Tabu Search
1.2 Optimasi dengan Kendala
Suatu optimasi atau masalah pemrograman matematikal dapat dinyatakan
sebagai berikut.
 x1 
 
 x2 
Cari X    yang meminimumkan f(X)
...
 
x 
 n
dengan kendala
g j (X )  0,
j  1, 2, ..., m
(1)
(2)
l j (X )  0,
j  1, 2, ..., p
dimana X adalah sebuah vektor berdimensi-n yang dinamakan vektor disain atau
variabel keputusan, f(X) disebut fungsi obyektif, g j (X ) dan l j (X ) dikenal sebagai
kendala ketaksamaan dan kendala kesamaan. Masalah optimasi tersebut dinamakan
masalah optimasi terkendala.
Masalah optimasi dengan kendala dapat
diklasifikasikan sebagai masalah pemrograman linier, nonlinier, kuadatrik, integer,
goal programming, multi objektif programming dan lain-lain.
Masalah Pemrograman Linier
Jika fungsi obyektif dan semua kendala semuanya adalah fungsi linier dari variabel
keputusan, maka masalah pemrograman matematikal tersebut dinamakan masalah
pemrograman linier (LP). Masalah pemrograman linier dapat dinyatakan dalam
bentuk standar berikut:
 x1 
 
 x2 
Cari X   
...
 
x 
 n
n
yang meminimumkan f(X) =
c x
i
i 1
i
dengan kendala
n
a
i 1
dimana c i , a ij , dan b j
paramater).
ij
xi  b j ,
j  1, 2, ..., m
xi  0 ,
i  1, 2, ..., n
adalah konstanta (yang selanjutnya dinamakan sebagai
Contoh 1.
Sebuah perusahaan manufaktur memproduksi dua produk, A dan B, dengan
menggunakan dua sumber daya terbatas. Jumlah maksimum sumber daya 1 dan 2
yang tersedia per hari adalah 2000 dan 500 unit. Produksi 1 unit produk A
memerlukan 1 unit sumber daya 1.5 dan 0.4 unit sumber daya 2, sedangkan produksi
1 unit produk B memerlukan 0.5 unit sumber daya 1 dan 0.8 unit sumber daya 2.
Harga jual per unit produk A dan B adalah :
pXA = 2000
pXB = 7500
dimana x A dan x B adalah banyaknya produk A dan B yang terjual. Formulasikan
masalah.
Jawaban
Fungsi objektif : Maks keuntungan f(x) = pxA XA + pxB XB
= 2000 XA + 7500 XB
Terhadap :
1.5x A  0.5xB  2000 (sumber daya 1)
0.5x A  0.8xB  500 (sumber daya 2)
x A  0 (batas bawah produksi produk A)
x B  0 (batas bawah produksi produk B)
1.3. Teknik Kepintaran Buatan (Artificial Intelligence)
Intelligence adalah kemampuan untuk berfikir dan memahami, memecahkan masalah
dan mengambil keputusan.
Definisi Artificial Intelligence :
1.
2.
3.
4.
Suatu sistem yang berfikir seperti manusia
Suatu sistem yang bertindak seperti manusia
Suatu sistem yang berfikir secara rasional
Suatu sistem yang bertindak secara rasional
Sasaran dari Teknik Kepintaran Buatan adalah :
Untuk membuat suatu machine atau sistem melakukan hal-hal yang memerlukan
kepintaran seperti yang dilakukan oleh manusia.
Kemampuan apa yang dimiliki manusia ?
 Belajar dan memahami (learn and understanding)
 Memecahkan masalah (solve the problem)
 Mengambil keputusan (decision making)
Sejarah Artificial Intelligence :
1. Fase Kelahiran Artificial Intelligence (1943 – 56)
 Alan Turing merancang mesin komputasi otomatik (Turing imitation
game)
 Warren Mc Culloch dan Walter Pitts di tahun 1943 membuat model
jaringan syaraf tiruan (artificial neural network atau ANN)
2. Fase mulai dikenalnya Artificial Intelligence (1956 – akhir 60an)


John McCarthy penemu istilah ’Artificial Intelligence’
Frank Rosenblatt menemukan salah satu algoritma pembelajaran dalam
ANN yaitu perceptron
 Teknik General Problem Solver oleh Newell dan Simon (1961)
 Lotfi A Zadeh menemukan teori logika kabur (Fuzzy Logic)
3. Fase Expert system technology (teknologi sistem pakar) (1970 – pertengahan
1980)
4. Fase kelahiran kembali Artificial Neural Network (1980 – sekarang)
 Hopfield network
 Back propagation neural network
5. Fase evolutionary computation (1970 – sekarang)
 Berkembangnya teknik optimasi Algoritma Genetik
6. Fase era baru dari sistem pakar (1980an-sekarang)
 Berkembangnya teknik sistem pakar kabur (fuzzy expert system)
1.4. Intelligent Agents
Suatu agen didefinisikan sebagai :

Sesuatu yang dapat dianggap sebagai penerima (perceiving) respon dari
lingkungan melalui sensor dan bertindak atau memberikan respon terhadap
kondisi lingkungan tersebut melalui yang dinamakan pemberi balas
(effector).
aksi
effector
Lingkungan
Agen
sensor
penerima
Tujuan dari Artificial Intelligence adalah untuk :
 Merancang suatu program agen yang dapat memberikan respon yang baik
(optimum) kepada lingkungan.
Program agen :
 suatu fungsi yang dapat melakukan pemetaan agen dari penerimaan
sampai kepada tindakan/respon.
Jenis Agen
Robot
pengambil
komponen
Pengontrol
proses
Tujuan
Menempatkan
komponen
di
dalam
wadah
yang benar
Memaksimumkan
proses
Penerima
Intensitas
Pixel warna
dari
komponen
Pembaca
temperatur,
tekanan, dll.
Aksi
Pengambilan
dan
sortasi
parts/komponen
Lingkungan
Conveyor
belt dengan
komponen
Tutup/buka
Mesin Proses
katup (valve),
pengaturan
temperatur
Sistem analis Mengkategorikan Intensitas
Mencetak suatu Gambar dari
gambar
gambar dengan pixel
kategori
satelit yang
satelit
benar
mengorbit
Sensor
Mengkategorikan Warna buah, Sortasi buah
Mesin sortasi
sortasi buah
buah berdasarkan dimensi
dengan
grade/mutunya
conveyor belt
AI sebagai agen pemecahan masalah :
Dalam pemecahan masalah untuk mencapai tujuan,
dinamakan algoritma pencarian (searching).
AI melakukan proses yang
Mekanisme searching untuk memecahkan suatu masalah :
1. Kondisi awal (initial state)
2. Tujuan (goal)
3. Operator :
suatu fungsi atau algoritma untuk mencapai suatu keadaan ke keadaan lain
sampai dicapainya tujuan yang optimum
4. Path cost (fungsi biaya)