SISTEM PAKAR

Definisi

Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang pertama kali muncul adalah General purpose Problem Solver (GPS) dikembangkan oleh Newel Dan Simon Beberapa definisi tentang system pakar :

·         Menurut Durkin: Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar.

·         Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar.

·         Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputeryang bisa menyamai atau meniru kemampuan seorang pakar.

·         MenurutEfraimTurban, SP harus mengandung: keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. 

Contoh Sistem Pakar

MYCIN Dirancang oleh Edward Feigenbaum (Universitas Stanford) th’70an diagnose penyakit.

DENDRAL Mengidentifikasi struktur molecular campuran yang tidak dikenal.

XCON & XSEL dikembangkan oleh DEC dan CMU, akhir’70 an membantu konfigurasi system computer besar.

SOPHIE Analisis sirkuit elektronik PROSPECTOR di design oleh Sheffield Research Institute, akhir‘70an. Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit.

FOLIO Membantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi.

DELTA Pemeliharaan lokomoti Listrik diesel.

Keuntungan sistem pakar :

1.      Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2.      bisa melakukan proses secara berulang secara otomatis.

3.      menyimpan pengetahuan dan keahlian para pakar

4.      meningkatkan output dan produktivitas

5.      meningkatkan kualitas

6.      mampu mengambil dan melestarikan keahlian para pakar

7.      mampu beroperasi dalam lingkungan berbahaya

8.      memiliki kemampuan untuk mengakses pengetahuan

9.      memiliki realibilitas

10.  meningkatkan kapabilitas system computer

11.  memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidak pastian

12.  sebagai media pelengkap dalam pelatihan

13.  meningkatkan kapabilitas dalam penyelesaian masalah

14.  menghemat waktu dalam pengambilan keputusan

Kelemahan sistem pakar :

1.      biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal

2.      sulit dikembangkan. Hal ini erat kaitannya dengan ketersediaan pakar dalam bidangnya

3.      system pakar tidak 100% bernilai benar

Bentuk dan Struktur

Sistem Konvensional Sistem Pakar (ES)

Informasi dan pemrosesan biasanya jadi satu dengan program. Basis pengetahuan merupakan bagian terpisah dari mekanisme inferensi. Biasanya tidak bisa menjelaskan mengapa suatu input data itu di butuhkan atau bagaimana output itu diperoleh. Penjelasan adalah bagian terpenting dari systempakar. Pengubahan program cukup sulit. Pengubahan aturan dapat dilakuan dengan mudah. Sistem hanya akan beroperasi jika system tersebut sudah lengkap. Sistem dapat beroperasi hanya dengan beberapa aturan. Eksekusi dilakukan langkah demi langkah. Eksekusi dilakukan pada semua basis pengetahuan. Menggunakan data dan pengetahuan. Tujuan utamanya adalah efisiensi dan efektivitas. 

Ciri-ciri dan Domain Sistem Pakar :

·         Memiliki fasilitas informasi yang handal

·         Mudah dimodifikasi

·         Dapat digunakan dalam berbagai jenis komputer

·         Memilki kemampuan untuk belajar beradaptasi.

Permasalahan yang Disentuh oleh Sitem Pakar (Domain Sistem Pakar) :

·         Interpretasi:Pengambilan keputusan dari hasil observasi, termasuk pengenalan ucapan, analisis citra, interpretasi sinyal, dll

·         Prediksi: prediksi demografi, prediksi ekonomi, dll.

·         Diagnosis : diagnosis medis, elektronis, mekanis, dll.

·         Perancangan: perancangan layout sirkuit, bangunan.

·         Perencanaan: perencanaan keuangan, militer, dll

·         Monitoring : computer aided monitoring system

·         Debugging : memberikan resep obat terhadap kegagalan

·         Instruksi: melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja

·         Kontrol: melakukan kontrol terhadap interpreasi, prediksi, perbaikan dan monitoring kelakukan sistem.

Daftar Pustaka

http://eprints.dinus.ac.id/12768/1/jurnal_12945.pdf

FUZZY LOGIC

Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadehdari University of Califonia, Berkeley tahun 1965. Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Logika biner 0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan hukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner hanya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah.Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. Jika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini.

Hal itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara manusia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tidak berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilangan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0. Dapat disimpulkan Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output.

Contoh:

1.      Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari

2.      Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.

3.      Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya. 

Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti terlihat dibawah ini:

Alasan digunakannya Logika Fuzzy :

1.      Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti

2.      Logika fuzzy sangat fleksibel

3.      Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat

4.      Logika fuzzy mampu memodelkan fungsi-fungsi non linear yang sangat kompleks

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

6.      Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

7.      Logika fuzzy didasarkan pada bahasa alami.

APLIKASI.

1.      Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Selain mesin cuci Mesin cuci otomatis satu tabung yang muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari promosinya. Cara kerjanya gampang, tinggal memasukkan baju kotor kedalam tabungnnya, tekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda. Mengisi air dengan jumlah yang cukup, mengisi deterjen dan mencuci dengan waktu yang sesuai. Mesin ini bekerja meniru cara ibu rumah tangga mencuci dengan mesin cuci konvensional. Ibu rumah tangga akan mengisi air dan deterjen yang secukupnya sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat, lalu memutar timer yang sesuai dengan tingkat kekotoran pakaian. Jika pakaian lebih kotor maka timer dibuat lebih lama. Di sini lah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika dan maka (IF THEN). Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. Dengan menimbang tingkat kekotoran kain yang di realisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian supaya lebih hemat dan efisien.

2.      Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan asistem fuzzy pada transmisi otomatis dan mampu menghemat bensin 12-17%3.

3.      Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.

4.      Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy.

5.      Manajemen dan pengambilan keputusan, seperti manajemen basis data, tata letak pabrik, pembuatan games yang didasarkan pada logika fuzzy.

6.      Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks.

Operasi Fuzzy

• Union • Intersection • Complement   

Union

• Fuzzy union : union dari 2 himpunan fuzzy adalah maximum (MAX) dari masing-masing elemen pada himpunan tersebut.

 Contoh : – A = {1.0, 0.20, 0.75} – B = {0.2, 0.45, 0.50} – A  B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}  = {1.0, 0.45, 0.75} 

Intersection

• Fuzzy intersection dari 2 himpunan fuzzy adalah MIN dari masingmasing elemen dari kedua himpunan. • Contoh :  – A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50} 

Complement

• Complement dari himpunan fuzzy dengan variabel keanggotaan X adalah (1-x)‏

• Complement ( _c): complement dari himpunan fuzzy tersusun atas complement dari masing-masing elemennya

• Contoh . – Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25} 

Relasi pada Fuzzy

• Triples menunjukkan hubungan antar 2 set :

(a,b,#):  a berhubungan dengan b    dengan nilai #       

• Relasi pada fuzzy dapat digambarkan dengan matriks 

Matriks Relasi Fuzzy

Daftar Pustaka

 

https://www.scribd.com/doc/29302936/pengertian-fuzzy-logic

http://masud.lecture.ub.ac.id/files/2014/07/Metode-Fuzzy.pdf

ARTIFICIAL NEURAL NETWORK

Artificial Neural Network (ANN) dalam bahasa Indonesia disebut juga Jaringan Saraf Tiruan (JST) atau pada umumnya disebut juga hanya Neural Network adalah sebuah sistem jaringan yang dimodelkan berdasarkan sistem jaringan saraf manusia. Tujuan dari dibuatnya Neural Network adalah membuat sebuah sistem yang dapat belajar sendiri sesuai dengan data dan kondisi lingkungan yang kita berikan serta dapat memodelkan data statistic (curve fitting) non-linier, permodelan yang kompleks tersebut menghubungkan antara input dan output untuk menemukan pola-pola data, seperti metode curve fitting.

Keuntungan :

1.      Neural Network dapat mengerjakan permasalahan non-linier, maupun linier.

2.      Ketika salah satu elemen dari neural network gagal, dia akan terus lanjut, karena bekerja secara parallel.

3.      Neural Network dapat belajar dan tidak perlu diprogram ulang.

4.      Neural Network dapat diimplementasikan dimana saja.

5.      Neural Network dapat diimplementasikan tanpa banyak masalah.

Kerugian :

1.      Neural Network membutuhkan proses training untuk dioperasikan.

2.      Arsitektur Neural Network berbeda dari arsitektur mikroprosesor.

3.      Membutuhkan frekuensi yang tinggi (high processing time) untuk sistem neural network skala besar.

Neural Network bekerja pada 2 mode, yang pertama adalah Proses Training dan yang kedua adalah Proses Execution. Pada proses training kita akan melatih sistem dengan memberinya sebanyak mungkin contoh data Input serta data Output yang akan dihasilkan oleh data Input tersebut.

Contoh, misalkan kita memberikan data training pada sistem untuk proses pembagian;
Data Input_1   = 8
Data Input_2   = 2
Output             = 4

Maka, kita telah mengajarkan pada sistem apabila inputan terdiri dari angka 8 dan 2, maka outputnya adalah 4. Akan tetapi, jika hanya diberikan satu contoh, sistem tidak akan belajar dengan baik. Sebaiknya diberikan data training sebanyak mungkin, agar sistem dapat belajar dengan baik dan handal.

Struktur asitektur dari Neural Network pada umumnya terdiri dari 3 layer, yang menjadi ciri khas dari sistem NN ini, yaitu Input Layer, Hidden Layer, dan Output Layer. Tiap Layer terdiri dari unit-unit node yang jumlahnya dapat kita tentukan sendiri, bias dibayangkan bahwa tiap node pada sistem Neural Network ibaratnya seperti neuron pada otak manusia.

·         Input Layer :

Input Layer, merupakan data-data yang kita masukkan sebagai data training pada sistem ANN. Banyaknya jumlah node pada input layer tergantung pada jumlah data input yang telah kita masukkan ke dalam sistem.

·         Hidden Layer:

Jumlah node pada hidden layer sangat bervariasi, akan tetapi pada umumnya jumlah node pada hidden layer adalah 5 yang dianggap sudah mencukupi untuk memecahkan berbagai macam kasus. Ada juga teori yang dapat menentukan banyak-nya node pada hidden layer denga tepat.

·         Output Layer:

Banyak-nya node pada output layer tergantung dari sistem ANN itu sendiri. Data output juga termasuk dari data training yang sebelumnya telah diberikan.

Konsep dari sistem ANN yang penting adalah nilai Error minimum yang diharapkan. Pada saat ANN di-inisialisasi akan dibangkitkan nilai random untuk koneksi antar node dari suatu layer dengan layer sesudahnya, jadi antar node-node di hidden layer saling terkoneksi satu sama lain dengan node-node di hidden layer, dan antar node-node di hidden layer akan saling terkoneksi satu sama lain dengan node-node pada output layer. Nilai koneksi antar node tersebut sering disebut 'bobot'. Nilai bobot inilah yang akan menentukan kecerdasan suatu sistem. Pada saat proses training, nilai bobot tersebut akan terus berubah sehingga didapatkan kesesuaian antara input dengan output dengan Error minimum. Dengan kata lain, pada proses training kita akan menentukan nilai minimum error yang bisa di tolerir oleh sistem, sistem tidak akan memberikan kepastian jawaban untuk suatu kasus yang tidak pernah dilatihkan kepadanya, pasti ada nilai Error dari jawaban sistem dengan jawaban yang seharusnya, nilai Error tersebut yang harus di-definisikan oleh kita sebelum melatih sistem sehingga sistem bisa menjawab dengan tingkat kebenaran semaksimal mungkin (misalnya : tingkat kebenaran sistem 99,9999% dengan nilai Error 0.0001).

Inspirasi Jaringan Syaraf Tiruan (Neural Network)

Jaringan Syaraf Tiruan (Neural Network) terinspirasi dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Gambar Susunan Syaraf Manusia

Perbandingan Jaringan Syaraf Tiruan Dengan Metode Konvensional

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.

Gambar Sebuah Sel Syaraf Sederhana

Jaringan Syaraf Tiruan (Neural Network) dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan (Neural Network) untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan (Neural Network) tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luarbiasa.

Contoh Penerapan ANN pada Pemetaan Soal UN

Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki karakteristik yang menyerupai jaringan syaraf biologi dalam memproses informasi. Salah satu penerapan ANN adalah untuk pemetaan data input dengan suatu pola yang diinginkan (Santoso,2004). Parameter-parameter yang ada dalam pemetaan soal UN digunakan sebagai bagian dalam sistem ANN yang dibangun. Dengan penggunaan ANN diharapkan memberi kemudahan bagi guru dalam melakukan pemetaan soal UN dan hasil yang diperoleh relatif lebih akurat.

ANN sendiri telah banyak diaplikasikan dalam bidang komputer, teknik, ilmu murni, perdagangan, financial dan lain-lain. Diantaranya adalah pengklasifikasian jenis tanah (Nafisah dkk,2008), dalam penelitian ini digunakan metode ANN Backpropagation untuk mengenali pola dalam pengklasifikasian jenis tanah ke dalam jenis gravel, sand, slit/ sloam, clay, heavy clay, atau peat, dengan bantuan software Weka 3.5.7. Sedangkan Giri Daneswara dan Veronika S Moertini (2004) dalam penelitiannya mengaplikasikan jaringan syaraf tiruan propagasi balik untuk klasifikasi data, dan Harryanto (2006) meneliti tentang aplikasi cluster analysis menggunakan self organizing maps (SOM) untuk analisa talenta pemain basket. Contoh aplikasi yang lain adalah pengenalan daun untuk klasifikasi tanaman (Budi,2008), pemodelan multivariat deret waktu sumber daya air (Ferianto, 2003), prakiraan harga minyak sawit (Salya, 2006), prakiraan keuntungan saham (Zhang, 2004) dan prakiraan kebutuhan energi (McMenamin,1998).  Pada penelitian ini ANN digunakan untuk membangun sebuah model pemetaan soal UN matematika secara mudah berdasarkan bank data hasil laporan UN yang dikeluarkan oleh pusat penilaian pendidikan balitbang diknas dan BSNP.

Daftar Pustaka

https://www.scribd.com/doc/55693337/Artificial-Neural-Network

http://elektronika-dasar.web.id/jaringan-syaraf-tiruan-neural-network

http://www.lpmpjateng.go.id/web/index.php/arsip/karya-tulis-ilmiah/798-penggunaan-metode-artificial-neural-network-dengan-algoritma-self-organizing-maps-untuk-membantu-gur