Materi: Fuzzy Logic
Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu
pengetahuan yang membuat komputer dapat meniru kecerdasan manusia sehingga
diharapkan komputer dapat melakukan hal-hal yang apabila dikerjakan manusia
memerlukan kecerdasan.
Dengan kata lain fuzzy
logic mempunyai fungsi untuk “meniru” kecerdasan yang dimiliki manusia untuk
melakukan sesuatu dan mengimplementasikannya ke suatu perangkat, misalnya
robot, kendaraan, peralatan rumah tangga, dan lain-lain.
- Sejarah Fuzzzy Logic
Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas
California di Berkeley pada 1965 dan dipresentasikan bukan sebagai suatu
metodologi kontrol, tetapi sebagai suatu cara pemrosesan data dengan
memperkenankan penggunaan partial set membershipdibanding crisp set membership
atau non-membership.Pendekatan pada set teori ini tidak diaplikasikan pada
sistem kontrol sampai tahun 70-an karena kemampuan komputer yang tidak cukup
pada saat itu. Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian,
masukan informasi numerik, dan belum mampu terhadap kontrol adaptif yang tinggi.
Konsep fuzzy logic
kemudian berhasil diaplikasikan dalam bidang kontrol oleh E.H. Mamdani. Sejak
saat itu aplikasi fuzzy berkembang kian pesat. Di tahun 1980-an negara Jepang
dan negara-negara di Eropa secara agresif membangun produk nyata sehubungan
dengan konsepfuzzy logic yang diintegrasikan dalam produk-produk kebutuhan
rumah tangga seperti vacuum cleaner, microwave oven dan kamera video.
Sementara pengusaha di Amerika Serikat tidak secepat itu mencakup teknologi
ini. Fuzzy logic berkembang pesat selama beberapa tahun terakhir.
Terdapat lebih dari dua ribu produk dipasaran yang menggunakan konsep fuzzy
logic,mulai dari mesin cuci hingga kereta berkecepatan tinggi. Setiap aplikasi
tentunya menyadari beberapa keuntungan dari fuzzy logic seperti performa,
kesederhaan, biaya rendah dan produktifitasnya.
- Konsep Fuzzy Logic
•Fuzzy logic umumnya
diterapkan pada masalahmasalah yang mengandung unsur ketidakpastian
(uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
•Fuzzy logic menjembatani
bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau
arti (significance).
•Fuzzy logic dikembangkan
berdasarkan cara berfikir manusia
Contoh-contoh masalah yang
mengandung ketidakpastian :
Contoh 1 : Seseorang
dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan
orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah termasuk
kategori orang yang tinggi? Menurut persepsi manusia, orang yang mempunyai
tinggi badan sekitar 1,7 meter dikatakan “kurang lebih tinggi” atau “agak
tinggi”.
Contoh 2 : Kecepatan
“pelan” didefinisikan di bawah 20 km/jam. Bagaimana dengan kecepatan 20,001
km/jam, apakah masih dapat dikatakan pelan? Manusia mungkin mengatakan bahwa
kecepatan 20,001 km/jam itu “agak pelan”.
Arsitektur Fuzzy Logic
Ada tiga proses utama jika
ingin mengimplementasikan fuzzy logic pada suatu perangkat, yaitu fuzzifikasi,
evaluasi rule, dan defuzzifikasi.
1.Fuzzification, merupakan
suatu proses untuk mengubah suatu masukan dari bentuk tegas(crisp) menjadi
fuzzy yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzydengan suatu
fungsi kenggotaannya masing-masing.
2.Interference System
(Evaluasi Rule),merupakan sebagai acuan untuk menjelaskan hubungan antara
variable-variabel masukan dan keluaran yang mana variabel yang diproses dan
yang dihasilkan berbentuk fuzzy. Untuk menjelaskan hubungan antara masukan dan
keluaran biasanya menggunakan “IF-THEN”.
3.Defuzzification,
merupakan proses pengubahan variabel berbentuk fuzzy tersebut menjadi data-data
pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.
Contoh penerapan fuzzy
logic :
1.Logika Fuzzy untuk
Sistem Pengaturan Suhu Ruangan
Untuk menentukan suhu
dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. Aturan
dalam kontrol, mudah didefinisikan menggunakan kata-kata misalkan :
– jika suhu dalam suatu
ruangan dingin maka naikkan suhu penghangat.
– jika suhu dalam suatu
ruangan panas maka naikkan suhu pendingin.
2.Logika Fuzzy untuk
Sistem Pengaturan Lampu Lalulintas
Logika fuzzy dalam
pengaturan lampu lalulintas amat diperlukan untuk memperlancar arus lalulintas.
Dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan
yang disebabkan oleh masalah lampu lalulintas dapat berkurang. Selain itu
dengan adanya lampu lalulintas yang otomatis tentu saja akan mengurangi tugas
polisi lalulintas, sehingga mereka bisa mengerjakan hal-hal lain yang belum
teratasi.
Sumber :
-https://yusronrijal.wordpress.com/2012/03/27/logika-fuzzy/
-https://amarnotes.wordpress.com/2013/10/14/apa-itu-fuzzy-logic/
-https://anoa5.wordpress.com/2010/03/03/aplikasi-fuzzy-logic-dalam-kehidupan-sehari-hari/
Senin, 03 Oktober 2016
Sistem Pakar
Materi : Sistem Pakar
Sistem pakar adalah suatu sistem komputer yang menyamai kemampuan pengambilan keputusan dari sorang pakar. Kata menyamai tersebut memiliki pengertian bahwa system pakar diharapkan dapat bekerja dalam semua hal seperti halnya seorang pakar. Sistem pakar merupakan salah satu cabang dari Artificial Intelligent yang membuat penggunaan secara luas pengetahuan yang khusus untuk penyelesaian masalah tingkat manusia yang pakar dalam bidang tertentu.
Komponen utama pada sistem pakar. System pakar itu sendiri terdiri dari 2 komponen utama yaitu knowledge base dan inference engine. Knowledge berisi pengetahuan yang digunakan dalam system pakar sedangkan inference engine menggambarkan kesimpulan yang dihasilkan oleh system pakar.
Tujuan dari sebuah system pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam computer, dan kemudian kepada orang lain. Aktivitas yang dilakukan untuk memindahkan kepakaran adalah sebagai berikut :
• Knowledge Acquisition
• Knowledge Representation
• Knowledge Inferencing
• Knowledge Transfering
Sistem Pakar atau Expert System adalah usaha untuk menirukan seorang pakar. Biasanya Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat performa yang sebanding seorang pakar dalam bidang problem yang khusus dan sempit. Ide dasarnya adalah: kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasan-alasannya. Sistem Pakar malahan terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia
Kepakaran atau expertise adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior.
> Tujuan Sistem Pakar
Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar). Proses ini tercakup dalam rekayasa pengetahuan (knowledge engineering) yang akan dibahas kemudian.
B. Manfaat dan Keterbatasan Sistem Pakar
> Manfaat Sistem Pakar
Apa manfaat dari sistem pakar? Mengapa Sistem Pakar menjadi sangat populer? Hal tersebut disebabkan oleh banyaknya kemampuan dan manfaat yang diberikan oleh Sistem Pakar
1. Manfaat sistem pakar yaitu :
a.Dapat meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari manusia.
b.Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.
c.Dapat beroperasi di lingkungan yang berbahaya.
d.Mampu menangkap kepakaran yang sangat terbatas.
e.Memudahkan akses ke pengetahuan.
f.Handal. Maksudnya Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit. Sistem Pakar juga secara konsisten melihat semua detil dan tidak akan melewatkan informasi yang relevan dan solusi yang potensial.
g.Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi .
h.Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang tidak lengkap. Pengguna dapat merespon dengan: “tidak tahu” atau “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi, dan Sistem Pakar tetap akan memberikan jawabannya.
i.Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.
j.Meningkatkan kemampuan problem solving, karena mengambil sumber pengetahuan dari banyak pakar.
k.Meniadakan kebutuhan perangkat yang mahal.
l.Fleksibel.
2. Keterbatasan Sistem Pakar
Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif. Keterbatasan yang menghambat perkembangan Sistem Pakar:
a.Pengetahuan yang hendak diambil tidak selalu tersedia.
b.Kepakaran sangat sulit diekstrak dari manusia.
c.Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun sama-sama benar.
d.Adalah sangat sulit bagi seorang pakar untuk mengabstraksi atau menjelaskan langkah mereka dalam menangani masalah
e.Pengguna Sistem Pakar mempunyai batas kognitif alami, sehingga mungkin tidak bisa memanfaatkan sistem secara maksimal.
f.Sistem Pakar bekerja baik untuk suatu bidang yang sempit.
g.Banyak pakar yang tidak mempunyai jalan untuk mencek apakah kesimpulan mereka benar dan masuk akal.
h.Istilah dan jargon yang dipakai oleh pakar dalam mengekspresikan fakta seringkali terbatas dan tidak mudah dimengerti oleh orang lain.
i.Pengembangan Sistem Pakar seringkali membutuhkan perekayasa pengetahuan (knowledge engineer) yang langka dan mahal.
j.Kurangnya rasa percaya pengguna menghalangi pemakaian Sistem Pakar.
k.Transfer pengetahuan dapat bersifat subyektif dan bias.
C. Komponen Sistem Pakar
Secara umum, Sistem Pakar biasanya terdiri atas beberapa komponen yang masing-masing berhubungan.
Basis Pengetahuan, berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah.
Basis pengetahuan tersusun atas 2 elemen dasar:
1.Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam bidang itu
2.Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus
Mesin Inferensi (Inference Engine), merupakan otak dari Sistem Pakar. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan.
Kerja mesin inferensi meliputi:
1.Menentukan aturan mana akan dipakai
2.Menyajikan pertanyaan kepada pemakai, ketika diperlukan.
3.Menambahkan jawaban ke dalam memori Sistem Pakar.
4.Menyimpulkan fakta baru dari sebuah aturan
5.Menambahkan fakta tadi ke dalam memori.
Papan Tulis (Blackboard/Workplace), adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
Antarmuka Pemakai (User Interface). Sistem Pakar mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Subsistem Penjelasan (Explanation Facility). Kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna, misalnya:
1.“Mengapa pertanyaan tersebut anda tanyakan?”
2.“Seberapa yakin kesimpulan tersebut diambil?”
3.“Mengapa alternatif tersebut ditolak?”
4.“Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”
5.“Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”
Sistem Penghalusan Pengetahuan (Knowledge Refining System). Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan, serta memperbaiki basis pengetahuannya.
D. Pembangunan Sebuah Sistem Pakar
Dalam mengembangkan Sistem Pakar dapat dilakukan dengan 2 cara yaitu:
1.Membangun sendiri semua komponen di atas, atau
2.Memakai semua komponen yang sudah ada kecuali isi basis pengetahuan.
Yang kedua disebut sebagai membangun Sistem Pakar dengan shell, yakni semua komponen Sistem Pakar, kecuali basis pengetahuan, bersifat generik; sehingga dapat dipakai untuk bidang yang berlainan. Membangun Sistem Pakar dengan shell dapat dilakukan dengan lebih cepat dan lebih sedikit keterampilan memprogram, namun berkurang fleksibilitasnya karena harus mengikuti kemampuan dari shell tersebut. Salah satu shell Sistem Pakar yang populer dipakai adalah CLIPS (C Language Integrated Production System) yang dapat didownload dari internet.
1.Pemilihan Masalah
Pembuatan Sistem Pakar membutuhkan waktu dan biaya yang banyak. Untuk menghindari kegagalan yang memalukan dan kerugian yang besar, maka dibuat beberapa pedoman untuk menentukan apakah Sistem Pakar cocok untuk memecahkan suatu problem:
- Biaya yang diperlukan untuk pembangunan Sistem Pakar ditentukan oleh kebutuhan untuk memperoleh solusi. Sehingga harus ada perhitungan yang realistis untuk cost and benefit.
- Pakar manusia tidak mudah ditemui untuk semua situasi di mana dia dibutuhkan. Jika pakar pengetahuan tersebut terdapat di mana saja dan kapan saja, maka pembangunan Sistem Pakar menjadi kurang berharga.
- Problem yang ada dapat diselesaikan dengan teknik penalaran simbolik, dan tidak membutuhkan kemampuan fisik.
- Problem tersebut harus terstruktur dengan baik dan tidak membutuhkan terlalu banyak pengetahuan awam (common sense), yang terkenal sulit untuk diakuisisi dan dideskripsikan, dan lebih banyak berhubungan dengan bidang yang teknis.
- Problem tersebut tidak mudah diselesaikan dengan metode komputasi yang lebih tradisionil. Jika ada penyelesaian algoritmis yang bagus untuk problem tersebut, maka kita tidak perlu memakai Sistem Pakar.
- Ada pakar yang mampu memberikan penjelasan tentang kepakarannya serta mau bekerjasama. Adalah sangat penting bahwa pakar yang dihubungi benar-benar mempunyai kemauan kuat untuk ikut berpartisipasi serta tidak merasa pekerjaannya akan menjadi terancam.
- Problem tersebut mempunyai sekup yang tepat. Biasanya merupakan problem yang membutuhkan kepakaran yang sangat khusus namun hanya membutuhkan seorang pakar untuk dapat menyelesaikannya dalam waktu yang relatif singkat (misalnya paling lama 1 jam).
2. Rekayasa Pengetahuan (Knowledge Engineering)
Proses dalam rekayasa pengetahuan meliputi :
a.Akuisisi pengetahuan, yaitu bagaimana memperoleh pengetahuan dari pakar atau sumber lain (sumber terdokumentasi, buku, sensor, file komputer, dll.).
b.Validasi pengetahuan, untuk menjaga kualitasnya misalnya dengan uji kasus.
c.Representasi pengetahuan, yaitu bagaimana mengorganisasi pengetahuan yang diperoleh, mengkodekan dan menyimpannya dalam suatu basis pengetahuan.
d.Penyimpulan pengetahuan, menggunakan mesin inferensi yang mengakses basis pengetahuan dan kemudian melakukan penyimpulan.
e.Transfer pengetahuan (penjelasan). Hasil inferensi berupa nasehat, rekomendasi, atau jawaban, kemudian dijelaskan ke pengguna oleh subsistem penjelas.
3. Partisipan Dalam Proses Pengembangan
Pakar, yaitu seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta mampu menerapkannya untuk memecahkan masalah atau memberi nasehat. Pakar menyediakan pengetahuan tentang bagaimana nantinya Sistem Pakar bekerja.
Perekayasa pengetahuan (knowledge engineer), yang membantu pakar untuk menyusun area permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar terhadap pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan contoh-contoh yang berlawanan, kemudian menyusun basis pengetahuan.
Pengguna, yang mungkin meliputi: seorang klien non-pakar yang sedang membutuhkan nasehat (Sistem Pakar sebagai konsultan atau advisor), seorang siswa yang sedang belajar (Sistem Pakar sebagai instruktur), seorang pembuat Sistem Pakar yang hendak meningkatkan basis pengetahuan (Sistem Pakar sebagai partner), seorang pakar (Sistem Pakar sebagai kolega atau asisten, yang dapat memberikan opini kedua).
Partisipan lain, dapat meliputi: pembangun sistem (system builder), tool builder, staf administrasi dsb.
4. Akuisisi Pengetahuan
Dalam proses akuisisi pengetahuan, seorang perekayasa pengetahuan menjembatani antara pakar dengan basis pengetahuan. Perekayasa pengetahuan mendapatkan pengetahuan dari pakar, mengolahnya bersama pakar tersebut, dan menaruhnya dalam basis pengetahuan, dengan format tertentu. Pengambilan pengetahuan dari pakar dapat dilakukan secara
Manual, di mana perekayasa pengetahuan mendapatkan pengetahuan dari pakar (melalui wawancara) dan/atau sumber lain, kemudian mengkodekannya dalam basis pengetahuan. Proses ini biasanya berlangsung lambat, mahal, serta kadangkala tidak akurat.
Semi-otomatik, di mana terdapat peran komputer untuk: (1) mendukung pakar dengan mengijinkannya membangun basis pengetahuan tanpa (atau dengan sedikit) bantuan dari perekayasa pengetahuan, atau
(2) membantu perekayasa pengetahuan sehingga kerjanya menjadi lebih efisien dan efektif.
Otomatik, di mana peran pakar, perekayasa pengetahuan, dan pembangun basis pengetahuan (system builder) digabung. Misalnya dapat dilakukan oleh seorang system analyst seperti pada metode induksi.
E. Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, mereka harus diorganisasi dan diatur dalam suatu konfigurasi dengan suatu format/representasi tertentu. Metode representasi pengetahuan yang populer adalah aturan produk dan bingkai.
1. Aturan Produk (Production Rules)
Di sini pengetahuan disajikan dalam aturan-aturan yang berbentuk pasangan keadaan-aksi (condition-action): “JIKA keadaan terpenuhi atau terjadi MAKA suatu aksi akan terjadi”. Sistem Pakar yang basis pengetahuannya melulu disajikan dalam bentuk aturan produk disebut sistem berbasis-aturan (rule-based system). Kondisi dapat terdiri atas banyak bagian, demikian pula dengan aksi. Urutan keduanya juga dapat dipertukarkan letaknya. Contohnya:
a.JIKA suhu berada di bawah 20ºC MAKA udara terasa dingin.
b.Udara terasa dingin JIKA suhu berada di bawah 20ºC.
c.JIKA suhu berada di bawah 20ºC ATAU suhu berada di antara 20-25ºC DAN angin bertiup cukup kencang MAKA udara terasa dingin.
d.Contoh dari MYCIN, Sistem Pakar untuk mendiagnosis dan merekomendasikan perlakuan yang tepat untuk infeksi darah tertentu:
IF the infection is primary-bacteremia
AND the site of the culture is one of the sterile sites
AND the suspected portal of entry is the gastrointestinal tract
THEN there is suggestive evidence (0.7) that infection is bacteroid.
JIKA infeksi/peradangan adalah pimary-bacteremia
DAN lokasi kultur adalah salah satu [dari] lokasi yang steril
DAN pintu gerbang masukan yang dicurigai adalah bidang gastrointestinal
MAKA ada bukti sugestif ( 0.7) infeksi/peradangan itu adalah bacteroid
2. Bingkai (frame)
Bingkai adalah struktur data yang mengandung semua informasi/pengetahuan yang relevan dari suatu obyek. Pengetahuan ini diorganisasi dalam struktur hirarkis khusus yang memungkinkan pemrosesan pengetahuan. Bingkai merupakan aplikasi dari pemrograman berorientasi obyek dalam AI dan Sistem Pakar. Pengetahuan dalam bingkai dibagi-bagi ke dalam slot atau atribut yang dapat mendeskripsikan pengetahuan secara deklaratif ataupun prosedural.
F. Bagaimana Sistem Pakar Melakukan Inferensi?
1. Strategi penyelesaian konflik (conflict resolution strategy)
Strategi penyelesaian konflik dilakukan untuk memilih aturan yang akan diterapkan apabila terdapat lebih dari 1 aturan yang cocok dengan fakta yang terdapat dalam memori kerja. Di antaranya adalah :
a.No duplication. Jangan memicu sebuah aturan dua kali menggunakan fakta/data yang sama, agar tidak ada fakta yang ditambahkan ke memori kerja lebih dari sekali.
b.Recency. Pilih aturan yang menggunakan fakta yang paling baru dalam memori kerja. Hal ini akan membuat sistem dapat melakukan penalaran dengan mengikuti rantai tunggal ketimbang selalu menarik kesimpulan baru menggunakan fakta lama.
c.Specificity. Picu aturan dengan fakta prakondisi yang lebih spesifik (khusus) sebelum aturan yang mengunakan prakondisi lebih umum. Contohnya: jika kita mempunyai aturan “JIKA (burung X) MAKA TAMBAH (dapat_terbang X)” dan “JIKA (burung X) DAN (pinguin X) MAKA TAMBAH (dapat_berenang X)” serta fakta bahwa tweety adalah seekor pinguin, maka lebih baik memicu aturan kedua dan menarik kesimpulan bahwa tweety dapat berenang.
d.Operation priority. Pilih aturan dengan prioritas yang lebih tinggi. Misalnya ada fakta (bertemu kambing), (ternak kambing), (bertemu macan), dan (binatang_buas macan), serta dua aturan: “JIKA (bertemu X) DAN (ternak X) MAKA TAMBAH (memberi_makan X)” dan “JIKA (bertemu X) DAN (binatang_buas X) MAKA TAMBAH (melarikan_diri)”, maka kita akan memilih aturan kedua karena lebih tinggi prioritasnya.
2. Sistem Perantaian Maju (Forward Chaining Systems)
Pada sistem perantaian maju, fakta-fakta dalam dalam sistem disimpan dalam memori kerja dan secara kontinyu diperbarui. Aturan dalam sistem merepresentasikan aksi-aksi yang harus diambil apabila terdapat suatu kondisi khusus pada item-item dalam memori kerja, sering disebut aturan kondisi-aksi. Kondisi biasanya berupa pola yang cocok dengan item yang ada di dalam memori kerja, sementara aksi biasanya berupa penambahan atau penghapusan item dalam memori kerja.
Aktivitas sistem dilakukan berdasarkan siklus mengenal-beraksi (recognise-act). Mula-mula, sistem mencari semua aturan yang kondisinya terdapat di memori kerja, kemudian memilih salah satunya dan menjalankan aksi yang bersesuaian dengan aturan tersebut. Pemilihan aturan yang akan dijalankan (fire) berdasarkan strategi tetap yang disebut strategi penyelesain konflik. Aksi tersebut menghasilkan memori kerja baru, dan siklus diulangi lagi sampai tidak ada aturan yang dapat dipicu (fire), atau goal (tujuan) yang dikehendaki sudah terpenuhi.
Contoh sistem pakar :
1.MYCIN : diagnosa penyakit
2.Dendral : mengidintifikasikan struktur molekul campuran kimia yang tidak dikenal
3.XCON & XSEL : konfigurasi sistem komputer besar,
4.Prospector : bidang biologi
Sumber :
-https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/
-http://www.jakapramana.com/2015/05/download-modul-sistem-pakar-expert.html
-http://note-why.blogspot.co.id/2012/09/pengertian-sistem-pakar.html
Sistem pakar adalah suatu sistem komputer yang menyamai kemampuan pengambilan keputusan dari sorang pakar. Kata menyamai tersebut memiliki pengertian bahwa system pakar diharapkan dapat bekerja dalam semua hal seperti halnya seorang pakar. Sistem pakar merupakan salah satu cabang dari Artificial Intelligent yang membuat penggunaan secara luas pengetahuan yang khusus untuk penyelesaian masalah tingkat manusia yang pakar dalam bidang tertentu.
A. Pengertian sistem pakar
Secara umum
pengertian sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan
masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun
dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi
berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di
bidangnya. Sistem pakar juga akan dapat membantu aktivitas para pakar sebagai
asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan
mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar
mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan
basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam
bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer,
yang selanjutnya digunakan dalam proses pengambilan keputusan untuk
penyelesaian masalah tertentu.Komponen utama pada sistem pakar. System pakar itu sendiri terdiri dari 2 komponen utama yaitu knowledge base dan inference engine. Knowledge berisi pengetahuan yang digunakan dalam system pakar sedangkan inference engine menggambarkan kesimpulan yang dihasilkan oleh system pakar.
Tujuan dari sebuah system pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam computer, dan kemudian kepada orang lain. Aktivitas yang dilakukan untuk memindahkan kepakaran adalah sebagai berikut :
• Knowledge Acquisition
• Knowledge Representation
• Knowledge Inferencing
• Knowledge Transfering
Sistem Pakar atau Expert System adalah usaha untuk menirukan seorang pakar. Biasanya Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat performa yang sebanding seorang pakar dalam bidang problem yang khusus dan sempit. Ide dasarnya adalah: kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasan-alasannya. Sistem Pakar malahan terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia
Kepakaran atau expertise adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior.
> Tujuan Sistem Pakar
Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar). Proses ini tercakup dalam rekayasa pengetahuan (knowledge engineering) yang akan dibahas kemudian.
B. Manfaat dan Keterbatasan Sistem Pakar
> Manfaat Sistem Pakar
Apa manfaat dari sistem pakar? Mengapa Sistem Pakar menjadi sangat populer? Hal tersebut disebabkan oleh banyaknya kemampuan dan manfaat yang diberikan oleh Sistem Pakar
1. Manfaat sistem pakar yaitu :
a.Dapat meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari manusia.
b.Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.
c.Dapat beroperasi di lingkungan yang berbahaya.
d.Mampu menangkap kepakaran yang sangat terbatas.
e.Memudahkan akses ke pengetahuan.
f.Handal. Maksudnya Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit. Sistem Pakar juga secara konsisten melihat semua detil dan tidak akan melewatkan informasi yang relevan dan solusi yang potensial.
g.Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi .
h.Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang tidak lengkap. Pengguna dapat merespon dengan: “tidak tahu” atau “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi, dan Sistem Pakar tetap akan memberikan jawabannya.
i.Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.
j.Meningkatkan kemampuan problem solving, karena mengambil sumber pengetahuan dari banyak pakar.
k.Meniadakan kebutuhan perangkat yang mahal.
l.Fleksibel.
2. Keterbatasan Sistem Pakar
Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif. Keterbatasan yang menghambat perkembangan Sistem Pakar:
a.Pengetahuan yang hendak diambil tidak selalu tersedia.
b.Kepakaran sangat sulit diekstrak dari manusia.
c.Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun sama-sama benar.
d.Adalah sangat sulit bagi seorang pakar untuk mengabstraksi atau menjelaskan langkah mereka dalam menangani masalah
e.Pengguna Sistem Pakar mempunyai batas kognitif alami, sehingga mungkin tidak bisa memanfaatkan sistem secara maksimal.
f.Sistem Pakar bekerja baik untuk suatu bidang yang sempit.
g.Banyak pakar yang tidak mempunyai jalan untuk mencek apakah kesimpulan mereka benar dan masuk akal.
h.Istilah dan jargon yang dipakai oleh pakar dalam mengekspresikan fakta seringkali terbatas dan tidak mudah dimengerti oleh orang lain.
i.Pengembangan Sistem Pakar seringkali membutuhkan perekayasa pengetahuan (knowledge engineer) yang langka dan mahal.
j.Kurangnya rasa percaya pengguna menghalangi pemakaian Sistem Pakar.
k.Transfer pengetahuan dapat bersifat subyektif dan bias.
C. Komponen Sistem Pakar
Secara umum, Sistem Pakar biasanya terdiri atas beberapa komponen yang masing-masing berhubungan.
Basis Pengetahuan, berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah.
Basis pengetahuan tersusun atas 2 elemen dasar:
1.Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam bidang itu
2.Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus
Mesin Inferensi (Inference Engine), merupakan otak dari Sistem Pakar. Juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan.
Kerja mesin inferensi meliputi:
1.Menentukan aturan mana akan dipakai
2.Menyajikan pertanyaan kepada pemakai, ketika diperlukan.
3.Menambahkan jawaban ke dalam memori Sistem Pakar.
4.Menyimpulkan fakta baru dari sebuah aturan
5.Menambahkan fakta tadi ke dalam memori.
Papan Tulis (Blackboard/Workplace), adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
Antarmuka Pemakai (User Interface). Sistem Pakar mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Subsistem Penjelasan (Explanation Facility). Kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna, misalnya:
1.“Mengapa pertanyaan tersebut anda tanyakan?”
2.“Seberapa yakin kesimpulan tersebut diambil?”
3.“Mengapa alternatif tersebut ditolak?”
4.“Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”
5.“Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”
Sistem Penghalusan Pengetahuan (Knowledge Refining System). Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan, serta memperbaiki basis pengetahuannya.
D. Pembangunan Sebuah Sistem Pakar
Dalam mengembangkan Sistem Pakar dapat dilakukan dengan 2 cara yaitu:
1.Membangun sendiri semua komponen di atas, atau
2.Memakai semua komponen yang sudah ada kecuali isi basis pengetahuan.
Yang kedua disebut sebagai membangun Sistem Pakar dengan shell, yakni semua komponen Sistem Pakar, kecuali basis pengetahuan, bersifat generik; sehingga dapat dipakai untuk bidang yang berlainan. Membangun Sistem Pakar dengan shell dapat dilakukan dengan lebih cepat dan lebih sedikit keterampilan memprogram, namun berkurang fleksibilitasnya karena harus mengikuti kemampuan dari shell tersebut. Salah satu shell Sistem Pakar yang populer dipakai adalah CLIPS (C Language Integrated Production System) yang dapat didownload dari internet.
1.Pemilihan Masalah
Pembuatan Sistem Pakar membutuhkan waktu dan biaya yang banyak. Untuk menghindari kegagalan yang memalukan dan kerugian yang besar, maka dibuat beberapa pedoman untuk menentukan apakah Sistem Pakar cocok untuk memecahkan suatu problem:
- Biaya yang diperlukan untuk pembangunan Sistem Pakar ditentukan oleh kebutuhan untuk memperoleh solusi. Sehingga harus ada perhitungan yang realistis untuk cost and benefit.
- Pakar manusia tidak mudah ditemui untuk semua situasi di mana dia dibutuhkan. Jika pakar pengetahuan tersebut terdapat di mana saja dan kapan saja, maka pembangunan Sistem Pakar menjadi kurang berharga.
- Problem yang ada dapat diselesaikan dengan teknik penalaran simbolik, dan tidak membutuhkan kemampuan fisik.
- Problem tersebut harus terstruktur dengan baik dan tidak membutuhkan terlalu banyak pengetahuan awam (common sense), yang terkenal sulit untuk diakuisisi dan dideskripsikan, dan lebih banyak berhubungan dengan bidang yang teknis.
- Problem tersebut tidak mudah diselesaikan dengan metode komputasi yang lebih tradisionil. Jika ada penyelesaian algoritmis yang bagus untuk problem tersebut, maka kita tidak perlu memakai Sistem Pakar.
- Ada pakar yang mampu memberikan penjelasan tentang kepakarannya serta mau bekerjasama. Adalah sangat penting bahwa pakar yang dihubungi benar-benar mempunyai kemauan kuat untuk ikut berpartisipasi serta tidak merasa pekerjaannya akan menjadi terancam.
- Problem tersebut mempunyai sekup yang tepat. Biasanya merupakan problem yang membutuhkan kepakaran yang sangat khusus namun hanya membutuhkan seorang pakar untuk dapat menyelesaikannya dalam waktu yang relatif singkat (misalnya paling lama 1 jam).
2. Rekayasa Pengetahuan (Knowledge Engineering)
Proses dalam rekayasa pengetahuan meliputi :
a.Akuisisi pengetahuan, yaitu bagaimana memperoleh pengetahuan dari pakar atau sumber lain (sumber terdokumentasi, buku, sensor, file komputer, dll.).
b.Validasi pengetahuan, untuk menjaga kualitasnya misalnya dengan uji kasus.
c.Representasi pengetahuan, yaitu bagaimana mengorganisasi pengetahuan yang diperoleh, mengkodekan dan menyimpannya dalam suatu basis pengetahuan.
d.Penyimpulan pengetahuan, menggunakan mesin inferensi yang mengakses basis pengetahuan dan kemudian melakukan penyimpulan.
e.Transfer pengetahuan (penjelasan). Hasil inferensi berupa nasehat, rekomendasi, atau jawaban, kemudian dijelaskan ke pengguna oleh subsistem penjelas.
3. Partisipan Dalam Proses Pengembangan
Pakar, yaitu seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta mampu menerapkannya untuk memecahkan masalah atau memberi nasehat. Pakar menyediakan pengetahuan tentang bagaimana nantinya Sistem Pakar bekerja.
Perekayasa pengetahuan (knowledge engineer), yang membantu pakar untuk menyusun area permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar terhadap pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan contoh-contoh yang berlawanan, kemudian menyusun basis pengetahuan.
Pengguna, yang mungkin meliputi: seorang klien non-pakar yang sedang membutuhkan nasehat (Sistem Pakar sebagai konsultan atau advisor), seorang siswa yang sedang belajar (Sistem Pakar sebagai instruktur), seorang pembuat Sistem Pakar yang hendak meningkatkan basis pengetahuan (Sistem Pakar sebagai partner), seorang pakar (Sistem Pakar sebagai kolega atau asisten, yang dapat memberikan opini kedua).
Partisipan lain, dapat meliputi: pembangun sistem (system builder), tool builder, staf administrasi dsb.
4. Akuisisi Pengetahuan
Dalam proses akuisisi pengetahuan, seorang perekayasa pengetahuan menjembatani antara pakar dengan basis pengetahuan. Perekayasa pengetahuan mendapatkan pengetahuan dari pakar, mengolahnya bersama pakar tersebut, dan menaruhnya dalam basis pengetahuan, dengan format tertentu. Pengambilan pengetahuan dari pakar dapat dilakukan secara
Manual, di mana perekayasa pengetahuan mendapatkan pengetahuan dari pakar (melalui wawancara) dan/atau sumber lain, kemudian mengkodekannya dalam basis pengetahuan. Proses ini biasanya berlangsung lambat, mahal, serta kadangkala tidak akurat.
Semi-otomatik, di mana terdapat peran komputer untuk: (1) mendukung pakar dengan mengijinkannya membangun basis pengetahuan tanpa (atau dengan sedikit) bantuan dari perekayasa pengetahuan, atau
(2) membantu perekayasa pengetahuan sehingga kerjanya menjadi lebih efisien dan efektif.
Otomatik, di mana peran pakar, perekayasa pengetahuan, dan pembangun basis pengetahuan (system builder) digabung. Misalnya dapat dilakukan oleh seorang system analyst seperti pada metode induksi.
E. Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, mereka harus diorganisasi dan diatur dalam suatu konfigurasi dengan suatu format/representasi tertentu. Metode representasi pengetahuan yang populer adalah aturan produk dan bingkai.
1. Aturan Produk (Production Rules)
Di sini pengetahuan disajikan dalam aturan-aturan yang berbentuk pasangan keadaan-aksi (condition-action): “JIKA keadaan terpenuhi atau terjadi MAKA suatu aksi akan terjadi”. Sistem Pakar yang basis pengetahuannya melulu disajikan dalam bentuk aturan produk disebut sistem berbasis-aturan (rule-based system). Kondisi dapat terdiri atas banyak bagian, demikian pula dengan aksi. Urutan keduanya juga dapat dipertukarkan letaknya. Contohnya:
a.JIKA suhu berada di bawah 20ºC MAKA udara terasa dingin.
b.Udara terasa dingin JIKA suhu berada di bawah 20ºC.
c.JIKA suhu berada di bawah 20ºC ATAU suhu berada di antara 20-25ºC DAN angin bertiup cukup kencang MAKA udara terasa dingin.
d.Contoh dari MYCIN, Sistem Pakar untuk mendiagnosis dan merekomendasikan perlakuan yang tepat untuk infeksi darah tertentu:
IF the infection is primary-bacteremia
AND the site of the culture is one of the sterile sites
AND the suspected portal of entry is the gastrointestinal tract
THEN there is suggestive evidence (0.7) that infection is bacteroid.
JIKA infeksi/peradangan adalah pimary-bacteremia
DAN lokasi kultur adalah salah satu [dari] lokasi yang steril
DAN pintu gerbang masukan yang dicurigai adalah bidang gastrointestinal
MAKA ada bukti sugestif ( 0.7) infeksi/peradangan itu adalah bacteroid
2. Bingkai (frame)
Bingkai adalah struktur data yang mengandung semua informasi/pengetahuan yang relevan dari suatu obyek. Pengetahuan ini diorganisasi dalam struktur hirarkis khusus yang memungkinkan pemrosesan pengetahuan. Bingkai merupakan aplikasi dari pemrograman berorientasi obyek dalam AI dan Sistem Pakar. Pengetahuan dalam bingkai dibagi-bagi ke dalam slot atau atribut yang dapat mendeskripsikan pengetahuan secara deklaratif ataupun prosedural.
F. Bagaimana Sistem Pakar Melakukan Inferensi?
1. Strategi penyelesaian konflik (conflict resolution strategy)
Strategi penyelesaian konflik dilakukan untuk memilih aturan yang akan diterapkan apabila terdapat lebih dari 1 aturan yang cocok dengan fakta yang terdapat dalam memori kerja. Di antaranya adalah :
a.No duplication. Jangan memicu sebuah aturan dua kali menggunakan fakta/data yang sama, agar tidak ada fakta yang ditambahkan ke memori kerja lebih dari sekali.
b.Recency. Pilih aturan yang menggunakan fakta yang paling baru dalam memori kerja. Hal ini akan membuat sistem dapat melakukan penalaran dengan mengikuti rantai tunggal ketimbang selalu menarik kesimpulan baru menggunakan fakta lama.
c.Specificity. Picu aturan dengan fakta prakondisi yang lebih spesifik (khusus) sebelum aturan yang mengunakan prakondisi lebih umum. Contohnya: jika kita mempunyai aturan “JIKA (burung X) MAKA TAMBAH (dapat_terbang X)” dan “JIKA (burung X) DAN (pinguin X) MAKA TAMBAH (dapat_berenang X)” serta fakta bahwa tweety adalah seekor pinguin, maka lebih baik memicu aturan kedua dan menarik kesimpulan bahwa tweety dapat berenang.
d.Operation priority. Pilih aturan dengan prioritas yang lebih tinggi. Misalnya ada fakta (bertemu kambing), (ternak kambing), (bertemu macan), dan (binatang_buas macan), serta dua aturan: “JIKA (bertemu X) DAN (ternak X) MAKA TAMBAH (memberi_makan X)” dan “JIKA (bertemu X) DAN (binatang_buas X) MAKA TAMBAH (melarikan_diri)”, maka kita akan memilih aturan kedua karena lebih tinggi prioritasnya.
2. Sistem Perantaian Maju (Forward Chaining Systems)
Pada sistem perantaian maju, fakta-fakta dalam dalam sistem disimpan dalam memori kerja dan secara kontinyu diperbarui. Aturan dalam sistem merepresentasikan aksi-aksi yang harus diambil apabila terdapat suatu kondisi khusus pada item-item dalam memori kerja, sering disebut aturan kondisi-aksi. Kondisi biasanya berupa pola yang cocok dengan item yang ada di dalam memori kerja, sementara aksi biasanya berupa penambahan atau penghapusan item dalam memori kerja.
Aktivitas sistem dilakukan berdasarkan siklus mengenal-beraksi (recognise-act). Mula-mula, sistem mencari semua aturan yang kondisinya terdapat di memori kerja, kemudian memilih salah satunya dan menjalankan aksi yang bersesuaian dengan aturan tersebut. Pemilihan aturan yang akan dijalankan (fire) berdasarkan strategi tetap yang disebut strategi penyelesain konflik. Aksi tersebut menghasilkan memori kerja baru, dan siklus diulangi lagi sampai tidak ada aturan yang dapat dipicu (fire), atau goal (tujuan) yang dikehendaki sudah terpenuhi.
Contoh sistem pakar :
1.MYCIN : diagnosa penyakit
2.Dendral : mengidintifikasikan struktur molekul campuran kimia yang tidak dikenal
3.XCON & XSEL : konfigurasi sistem komputer besar,
4.Prospector : bidang biologi
Sumber :
-https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/
-http://www.jakapramana.com/2015/05/download-modul-sistem-pakar-expert.html
-http://note-why.blogspot.co.id/2012/09/pengertian-sistem-pakar.html
Artificial Neural Network
Materi : Artificial
Neural Network
Jaringan syaraf, bersama sistem pakar dan perangkat lunak, ternyata memberikan solusi persoalan dunia industri, telekomunikasi dan informasi dengan berbagai aplikasi masa kini maupun masa depan. Dalam bidang ilmu pengetahuan jaringan syaraf(neural network) sudah sejak lama dibicarakan banyak orang. Mulai dikenal akhir tahun 1940-an, jaringan syaraf masuk dalam blok perkembangan teknologi komputer. Meski begitu, anehnya perkembangan teknologi komputer itu pulalah yang jadi penghambat berkembangnya ilmu jaringan syaraf. Lihat saja, meski riset dan pengembangan teknologi komputer terus berjalan, jaringan syaraf kurang begitu mendapat perhatian.
Ternyata kini neural network dapat menjawab beberapa persoalan dunia telekomunikasi, industri maupun informasi, yang tak terlintas sebelumnya. Dan melihat prospeknya di masa depan, para ahli yang sangat fanatik pada model komputer digital konvensional, boleh jadi berbalik menyesali diri. Jaringan syaraf adalah sistem pengolahan informasi yang didasari fisolofi struktur perilaku syaraf makhluk hidup. Dengan begitu, jaringan syaraf tak diprogram selayaknya mekanisme pada komputer digital konvensional. Begitu juga dari segi arsitekturnya. Dalam arsitekturnya, jaringan syaraf mempelajari bagaimana menghasilkan keluaran yang diinginkan pada saat diberikan sekumpulan masukan. Proses ini dilakukan secara internal, yaitu dengan memerintahkan sistem untuk mengidentifikasikan hubungan antar masukan kemudian mempelajari respon tersebut. Dengan metoda pensintesisan hubungan, jaringan syaraf dapat mengenal situasi yang sedang dan telah dijumpai sebelumnya.
Berbeda dengan proses internal, proses eksternal lebih tergantung pada aplikasinya. Sistem bisa menggunakan umpan balik eksternal atau sinyal tanggapan yang diinginkan, untuk membentuk prilaku jaringan. Ini disebut sebagai supervised learning. Dengan cara lain, jaringan dapat membangkitkan sinyal tanggapan yang diinginkan sendiri dalam skenario unsupervised learning. Latar belakang dikembangkannya neural network, itu karena pada
pemrograman beberapa aplikasi seperti image recognition(pengenalan citra), speech recognition(pengenalan suara), weather forecasting(peramalan cuaca) ataupun permodelan tiga dimensi, tak dapat dengan mudah dan akurat diterapkan pada set instruksi komputer biasa. Atas dasar itu, maka diterapkan arsitektur komputer khusus yang dimodel berdasar otak manusia.
Analoginya, otak manusia terdiri dari ratusan milyar(1011) neuron. Output dari neuron akan menjadi input bagi puluhan neuron lain melalui tali penghubung, sinapsis. komputer jaringan syaraf tak diprogram seperti komputer digital biasa, namun harus dilatih pendesainnya. Tak juga seperti pemrograman sistem pakar (expert system) dengan serangkaian aturan serta basis data(database), jaringan syaraf diprogram untuk mempelajari tingkah laku yang diinginkan lingkungan. Karena itu, kita dapat melihat bahwa jaringan syaraf mempunyai kelebihan memecahkan masalah teknis. Yaitu:
-pertama, jaringan syaraf tak perlu pemrograman tentang hubungan input dan output. Melainkan, akan mempelajari sendiri respon yang diinginkan dengan cara pelatihan. Ini sangat penting guna menghilangkan sebagian besar biaya pemrograman.
-Kedua, jaringan syaraf dapat memperbaiki respon dengan belajar. Itu karena jaringan syaraf didesain untuk mengevaluasi dan beradaptasi terhadap kriteria-kriteria respon yang baru. Sedangkan
-Ketiga, karena jaringan syaraf bekerja sebagai penjumlah semua. sinyal input, input tidak harus sama. Ini artinya, jaringan syaraf akan dapat
mengenali seseorang meski orang tersebut sudah berbeda dengan saat dikenali
pertama kali. Atau jaringan syaraf akan mengenali suatu kata, meski kata itu
diucapkan oleh orang yang berbeda-beda. Semua ini tentunya sangat sulit
dikerjakan oleh teknik komputer digital biasa.
1.Implementasi
Perkembangan neural network saat ini, cukup menggembirakan. Jaringan
syaraf, bersama sistem pakar dan perangkat lunak, ternyata memberikan solusi persoalan dunia industri, telekomunikasi dan industri dan informasi dengan
berbagai aplikasi masa kini maupun masa depan.Untuk implementasi neural
network pada telekomunikasi, diantaranya adalah pemampatan citra, pengolahan
sinyal, pemfilteran derau dan routing trafik.
2.Pemampatan Citra
Telah dimanfaatkan banyak orang untuk menghasilkan pengkodean data
citra yang efisien. Nilai intensitas(gray level) setiap elemen gambar(pixel= picture
element) sebuah citra diperlihatkan secara khas menggunakan satu byte memori
komputer. Biasanya citra tersebut terdiri dari kurang 256 x 256 pixel, sehingga
untuk menampilkan sebuah citra secara digital diperlukan sekitar 65.000 byte
memory.
Untuk menampilkan citra tersebut tidak hanya memerlukan sejumlah
memori saja, namun juga masalah pengiriman data citra melalui pita transmisi
yang terbatas seperti pada saluran telepon. Pemampatan citra mengacu pada
pengubahan data citra ke bentuk tampilan berbeda yang hanya memerlukan
sedikit memori, namun bentuk citra asal dapat direkonstruksi kembali. Sistem
menggunakan tiga lapis jaringan syaraf yang telah dibangun dengan mengatur
peta pengkodean dan peta rekonstruksi secara parallel. Sistem demikian
diselesaikan dengan perbandingan pamampatan 8:1.
3.Pengolahan Sinyal
Dalam mengupas sistem pengolahan sinyal, dilakukan estimasi jaringan
perambatan balik (back propagation) untuk melakukan prediksi serta permodelan
simulasi. Dalam permodelan tersebut diperlihatkan bahwa deretan waktu chaotis,
perambatan balik melampaui metoda polinomial prediktif dan linier konvensional
dengan berbabunyi yang dimiliki dengan melakukan pendekatan untuk
menghasilkan deret elemen secara matematis.
4.Pemfilteran Derau
Jaringan syaraf dapat juga digunakan untuk melakukan pemfilteran derau.
Jaringan ini mampu mempertahankan struktur lebih baik dan lebih áseksama
dibanding dengan filter-filter biasa yang hanya mampu menghilangkan derau saja.
5.Routing Trafic
Ini penting untuk sistem telekomunikasi. Pada routing node to node
konvensional, akan ada usaha minimalisasi fungsi loss, yakni jumlah total
link/hubungan dan waktu tunda. Fungsi loss dibuat agar mendasar sebagai trafik
aktual mendekati kapasitas. Berdasarkan proposional untuk delay rata-rata per
message pada sebuah hubungan, fungsi loss infinity ternyata lebih sulit dijalankan
komputer.
Dengan kehadiran jaringan syaraf, routing trafic akan dapat meminimumkan
parameter yang menghambat, seperti waktu tunda dan banyak hubungan yang
harus dilalui. Untuk memperkecil delay yang terjadi, jaringan syaraf tidak memakai
algoritma atau tabel routing seperti pada sistem konvensional. Oleh sebab itu pula
jaringan ini disebut kelas pengolah informasi non algoritmis. Namun begitu,
jaringan syaraf ini dapat dikelompokkan sebagai algoritma terdistribusi tanpa
menggunakan tabel-tabel routing.
Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :
1.Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
2.Pengambil keputusan dalam video game: Chess, Poker, Backgammon
3.Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
4.Diagnosa Medis untuk mendeteksi penyakit kangker
Sumber :
-http://umar-danny.blogspot.co.id/2014/12/materi-kecerdasan-buatan-pdf-ebook.html
-http://catatan-syam.blogspot.co.id/2013/05/jaringan-syaraf-tiruan-artificial.html
Jaringan syaraf, bersama sistem pakar dan perangkat lunak, ternyata memberikan solusi persoalan dunia industri, telekomunikasi dan informasi dengan berbagai aplikasi masa kini maupun masa depan. Dalam bidang ilmu pengetahuan jaringan syaraf(neural network) sudah sejak lama dibicarakan banyak orang. Mulai dikenal akhir tahun 1940-an, jaringan syaraf masuk dalam blok perkembangan teknologi komputer. Meski begitu, anehnya perkembangan teknologi komputer itu pulalah yang jadi penghambat berkembangnya ilmu jaringan syaraf. Lihat saja, meski riset dan pengembangan teknologi komputer terus berjalan, jaringan syaraf kurang begitu mendapat perhatian.
Ternyata kini neural network dapat menjawab beberapa persoalan dunia telekomunikasi, industri maupun informasi, yang tak terlintas sebelumnya. Dan melihat prospeknya di masa depan, para ahli yang sangat fanatik pada model komputer digital konvensional, boleh jadi berbalik menyesali diri. Jaringan syaraf adalah sistem pengolahan informasi yang didasari fisolofi struktur perilaku syaraf makhluk hidup. Dengan begitu, jaringan syaraf tak diprogram selayaknya mekanisme pada komputer digital konvensional. Begitu juga dari segi arsitekturnya. Dalam arsitekturnya, jaringan syaraf mempelajari bagaimana menghasilkan keluaran yang diinginkan pada saat diberikan sekumpulan masukan. Proses ini dilakukan secara internal, yaitu dengan memerintahkan sistem untuk mengidentifikasikan hubungan antar masukan kemudian mempelajari respon tersebut. Dengan metoda pensintesisan hubungan, jaringan syaraf dapat mengenal situasi yang sedang dan telah dijumpai sebelumnya.
Berbeda dengan proses internal, proses eksternal lebih tergantung pada aplikasinya. Sistem bisa menggunakan umpan balik eksternal atau sinyal tanggapan yang diinginkan, untuk membentuk prilaku jaringan. Ini disebut sebagai supervised learning. Dengan cara lain, jaringan dapat membangkitkan sinyal tanggapan yang diinginkan sendiri dalam skenario unsupervised learning. Latar belakang dikembangkannya neural network, itu karena pada
pemrograman beberapa aplikasi seperti image recognition(pengenalan citra), speech recognition(pengenalan suara), weather forecasting(peramalan cuaca) ataupun permodelan tiga dimensi, tak dapat dengan mudah dan akurat diterapkan pada set instruksi komputer biasa. Atas dasar itu, maka diterapkan arsitektur komputer khusus yang dimodel berdasar otak manusia.
Analoginya, otak manusia terdiri dari ratusan milyar(1011) neuron. Output dari neuron akan menjadi input bagi puluhan neuron lain melalui tali penghubung, sinapsis. komputer jaringan syaraf tak diprogram seperti komputer digital biasa, namun harus dilatih pendesainnya. Tak juga seperti pemrograman sistem pakar (expert system) dengan serangkaian aturan serta basis data(database), jaringan syaraf diprogram untuk mempelajari tingkah laku yang diinginkan lingkungan. Karena itu, kita dapat melihat bahwa jaringan syaraf mempunyai kelebihan memecahkan masalah teknis. Yaitu:
-pertama, jaringan syaraf tak perlu pemrograman tentang hubungan input dan output. Melainkan, akan mempelajari sendiri respon yang diinginkan dengan cara pelatihan. Ini sangat penting guna menghilangkan sebagian besar biaya pemrograman.
-Kedua, jaringan syaraf dapat memperbaiki respon dengan belajar. Itu karena jaringan syaraf didesain untuk mengevaluasi dan beradaptasi terhadap kriteria-kriteria respon yang baru. Sedangkan
-Ketiga, karena jaringan syaraf bekerja sebagai penjumlah semua. sinyal input, input tidak harus sama. Ini artinya, jaringan syaraf akan dapat
mengenali seseorang meski orang tersebut sudah berbeda dengan saat dikenali
pertama kali. Atau jaringan syaraf akan mengenali suatu kata, meski kata itu
diucapkan oleh orang yang berbeda-beda. Semua ini tentunya sangat sulit
dikerjakan oleh teknik komputer digital biasa.
1.Implementasi
Perkembangan neural network saat ini, cukup menggembirakan. Jaringan
syaraf, bersama sistem pakar dan perangkat lunak, ternyata memberikan solusi persoalan dunia industri, telekomunikasi dan industri dan informasi dengan
berbagai aplikasi masa kini maupun masa depan.Untuk implementasi neural
network pada telekomunikasi, diantaranya adalah pemampatan citra, pengolahan
sinyal, pemfilteran derau dan routing trafik.
2.Pemampatan Citra
Telah dimanfaatkan banyak orang untuk menghasilkan pengkodean data
citra yang efisien. Nilai intensitas(gray level) setiap elemen gambar(pixel= picture
element) sebuah citra diperlihatkan secara khas menggunakan satu byte memori
komputer. Biasanya citra tersebut terdiri dari kurang 256 x 256 pixel, sehingga
untuk menampilkan sebuah citra secara digital diperlukan sekitar 65.000 byte
memory.
Untuk menampilkan citra tersebut tidak hanya memerlukan sejumlah
memori saja, namun juga masalah pengiriman data citra melalui pita transmisi
yang terbatas seperti pada saluran telepon. Pemampatan citra mengacu pada
pengubahan data citra ke bentuk tampilan berbeda yang hanya memerlukan
sedikit memori, namun bentuk citra asal dapat direkonstruksi kembali. Sistem
menggunakan tiga lapis jaringan syaraf yang telah dibangun dengan mengatur
peta pengkodean dan peta rekonstruksi secara parallel. Sistem demikian
diselesaikan dengan perbandingan pamampatan 8:1.
3.Pengolahan Sinyal
Dalam mengupas sistem pengolahan sinyal, dilakukan estimasi jaringan
perambatan balik (back propagation) untuk melakukan prediksi serta permodelan
simulasi. Dalam permodelan tersebut diperlihatkan bahwa deretan waktu chaotis,
perambatan balik melampaui metoda polinomial prediktif dan linier konvensional
dengan berbabunyi yang dimiliki dengan melakukan pendekatan untuk
menghasilkan deret elemen secara matematis.
4.Pemfilteran Derau
Jaringan syaraf dapat juga digunakan untuk melakukan pemfilteran derau.
Jaringan ini mampu mempertahankan struktur lebih baik dan lebih áseksama
dibanding dengan filter-filter biasa yang hanya mampu menghilangkan derau saja.
5.Routing Trafic
Ini penting untuk sistem telekomunikasi. Pada routing node to node
konvensional, akan ada usaha minimalisasi fungsi loss, yakni jumlah total
link/hubungan dan waktu tunda. Fungsi loss dibuat agar mendasar sebagai trafik
aktual mendekati kapasitas. Berdasarkan proposional untuk delay rata-rata per
message pada sebuah hubungan, fungsi loss infinity ternyata lebih sulit dijalankan
komputer.
Dengan kehadiran jaringan syaraf, routing trafic akan dapat meminimumkan
parameter yang menghambat, seperti waktu tunda dan banyak hubungan yang
harus dilalui. Untuk memperkecil delay yang terjadi, jaringan syaraf tidak memakai
algoritma atau tabel routing seperti pada sistem konvensional. Oleh sebab itu pula
jaringan ini disebut kelas pengolah informasi non algoritmis. Namun begitu,
jaringan syaraf ini dapat dikelompokkan sebagai algoritma terdistribusi tanpa
menggunakan tabel-tabel routing.
Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :
1.Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
2.Pengambil keputusan dalam video game: Chess, Poker, Backgammon
3.Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
4.Diagnosa Medis untuk mendeteksi penyakit kangker
Sumber :
-http://umar-danny.blogspot.co.id/2014/12/materi-kecerdasan-buatan-pdf-ebook.html
-http://catatan-syam.blogspot.co.id/2013/05/jaringan-syaraf-tiruan-artificial.html
Langganan:
Postingan (Atom)