Fuzzy Logic

PENG. TEKNOLOGI SISTEM CERDAS

Fuzzy Logic

Nama         :         Putri Apriyani

NPM           :         18114583

Kelas         :         3KA31

Dosen        :         Dewi Andryani

Fuzzy Logic

Fuzzy logic jika di dalam bahasa Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain.

Penalaran Logika Fuzzy memnyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.

Alasan kenapa digunakan logika Fuzzy :

·         Karena konsep logika Fuzzy mudah dimengerti.

·         Logika Fuzzy fleksibel.

·         Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

·         Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvesional.

·         Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.

·         Logika Fuzzydidasarkan pada bahasa alami.

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

Profesor Lotfi A. Zadeh  adalah guru besar pada University of California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah.

     Karena itu Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership function) dari masing-masing variabelnya. Fungsi keanggotaan (membership function), adalah suatu kurva yang menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

·         Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.

·         Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.

·         Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.  Masukan Crisp adalah masukan yang tegas dan tertentu.

·         Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.

·         Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.

Penerapan Fuzzy Logic

Di bawah ini adalah beberapa contoh aplikasi fuzzy logic :

• Sistem Pengereman Mobil (Nissan).

• Pengontrol kereta bawah tanah di Sendai, Jepang.

• Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).

Contoh penerapan Logika Fuzzy dalam kehidupan sehari-hari:

·                     Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan.

Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. Jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat, dan jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.

·                     Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu lintas.

Untuk memperlancar arus lalu lintas dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan bias dikurangi. Untuk kepadatan jumlah kendaraan dibuat pemberitahuan seperti: Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).

Sumber :

http://eprints.dinus.ac.id/12387/1/jurnal_12328.pdf

http://www.temukanpengertian.com/2013/08/pengertian-fuzzy-logic.html

Artificial Intelegence (Sistem Pakar)

PENG. TEKNOLOGI SISTEM CERDAS

Artificial Intelegence (Sistem Pakar)

Nama         :         Putri Apriyani

NPM           :         18114583

Kelas         :         3KA31

Dosen        :         Dewi Andryani

ARTIFICIAL INTELEGENCE

Artificial Intelligence atau AI dalam bahasa Indonesia artinya Kecerdasan Buatan yaitu kecerdasan yang ditunjukkan oleh suatu entitas ilmiah. Kecerdasan dibuat dan dimasukkan kedalam suatu mesin / computer supaya bias melakukan pekerjaan seperti yang bias dikerjakan oleh manusia.

Sistem Pakar

Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.

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.

Sistem Pakar menurut Siswanto (kecerdasan tiruan:2010) merupakan program komputer, yaitu :

·         Program komputer yang menangani masalah dunia nyata, masalah yang kompleks yang membutuhkan interpretasi pakar.

·         program komputer untuk menyelesaikan masalah dengan menggunakan komputer dengan model penalaran manusia dan mencapai kesimpulan yang sama dengan yang dicapai oleh seorang jika berhadapan dengan masalah.

Komputer berbasis pengetahuan sistem pakar merupakan program komputer yang mempunyai pengetahuan berasal dari manusia yang berpengetahuan luas(pakar) dalam domain tertentu, di mana pengetahuan di sini adalah pengetahuan manusia yang sangat minim penyebarannya, mahal serta susah didapat.

Walaupun sistem pakar dapat menyelesaikan masalah dalam domain yang terbatas berdasarkan pengetahuan yang dimasukkan ke dalamnya, tetapi sistem pakar tidak dapat menyelesaikan yang tidak dapat diselesaikan manusia. Oleh sebab itu keandalan dari sistem pakar terletak pada pengetahuan yang dimasukkan ke dalamnya.

Kondisi-kondisi di mana sistem pakar dapat membantu manusia dalam menyelesaikan masalahnya, antara lain:

·         Kebutuhan akan tenaga ahli (pakar) yang banyak, tetapi pakar yang tersedia jumlahnya sangat terbatas.

·         Pemakaian pakar yang berlebihan dalam membuat keputusan, walaupun dalam suatu tugas yang rutin.

·         Pertimbangan kritis harus dilakukan dalam waktu yang singkat untuk menghindari hal-hal yang tidak diinginkan.

·         Hasil yang optimal, seperti dalam pencernaan atau konfigurasi.

·         Sejumlah besar data yang harus diteliti oleh pakar secara kontinu.

Ciri-Ciri Sistem Pakar

1.    Terbatas pada domain keahlian tertentu.

2.    Dapat memberikan penalaran untuk data yang tidak pasti.

3.    Dapat mengemukakan rangkaian alasan-alasan yang diberikannya dengan cara yang dapat dipahami.

4.    Berdasarkan pada kaidah/ketentuan/rule tertentu.

5.    Dirancang untuk dapat dikembangkan secara bertahap.

6.    Pengetahuan dan mekanisme penalaran (inference) jelas terpisah.

7.    Keluarannya bersifat anjuran.

8.    Sistem dapat mengaktifkan kaidah secara searah yang sesuai dituntun oleh dialog dengan user.

Penerapan Sistem Pakar

Aplikasi Sistem Pakar Tes Kepribadian Berbasis Web

Kepribadian sangatlah penting untuk diketahui setiap orang agar setiap individu mampu mengembangkan kelebihan yang dimilikinya. Seseorang yang kesulitan dalam mengembangkan dirinya kemungkinan karena tidak mengetahui sama sekali kelemahan dan kekurangan yang dimilikinya. Sistem Pakar merupakan suatu sistem yang dibangun untuk memindahkan kemampuan dari seorang atau beberapa orang pakar ke dalam komputer yang digunakan untuk memecahkan masalah yang dihadapi oleh pemakai dalam bidang tertentu. Untuk membantu setiap orang yang ingin mengetahui kepribadiannya, penulis membangun sebuah aplikasi sistem pakar berbasis web yang mampu membantu pengenalan seseorang terhadap kepribadiannya. Proses pembuatan aplikasi tersebut menggunakan metodologi berorientasi obyek dengan pemodelan visual Unified Modeling Language (UML). Pada tahap implementasi penulis menggunakan perangkat pemrograman berbasis web, Apache2Triad 1.5.2 yang berisi Apache 2.0.53, dan PHP 5.0.4. Aplikasi ini dapat membantu pengguna untuk mengetahui kepribadiannya, sehingga dapat membantu untuk mengembangkannya.

Contoh Penerapan :

·         MYCIN  : Digunakan untuk mendiagnosa penyakit.

·         Dendral  : Digunakan untuk mengidentifikasikan struktur molekul campuran kimia yang tidak dikenal.

·         XCON & XSEL : Digunakan untuk konfigurasi sistem komputer besar.

·         Prospector : Digunakan dalam bidang ilmu biologi.

Sumber :

https://www.academia.edu/4793057/Aplikasi_Sistem_Pakar_Tes_Kepribadian_Berbasis_Web

http://umardanny.com/pengertian-sistem-pakar/

http://www.zainalhakim.web.id/pengertian-sistem-pakar.html

Artifical Neural Network

PENG. TEKNOLOGI SISTEM CERDAS

Artifical Neural Network

Nama         :         Putri Apriyani

NPM           :         18114583

Kelas         :         3KA31

Dosen        :         Dewi Andryani

  

 Artifical  Neural Network

Jaringan Syaraf Tiruan (Artificial Neural Network) adalah sebuah model matematik yang berupa kumpulan unit yang terhubung secara parallel yang bentuknya menyerupai jaringan saraf pada otak manusia (neural)

            Jaringan syaraf tiruan sering digunakan juga dalam bidang kecerdasan buatan. Lalu kalau begitu apa bedanya jaringan syaraf tiruan dengan kecerdasan buatan?

Kecerdasan buatan bertujuan untuk membuat sebuah mesin dapat mengerjakan suatu pekerjaan layaknya seperti manusia. Nah itu berarti kita harus bisa membuat mesin itu berfikir , menyelesaikan suatu masalah layaknya manusia. Jaringan syaraf tiruan ini adalah salah satu algoritma berpikirnya dari kecerdasan buatan.

Menurut seorang ahli jaringan syaraf tiruan bernama Haykin S. Jaringan syaraf tiruan itu seperti sebuah prosesor yang dapat menyimpan pengetahuan dan pengalaman sehingga prosesor ini dapat bekerja menyerupai otak manusia yang dapat beradapatasi dengan masalah.

Jadi, Jaringan syaraf tiruan itu adalah metode/algoritma yang dapat membuat komputer mempunyai otak pintar seperti manusia yang bisa beradaptasi terhadap masalah.

Sejarah

Sejarah Neural Network

          Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

Gambar 2.1 McCulloch & Pitts, penemu pertama Neural Network

           Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

1943               : Waffen McCulloh dan Walter Pitts merancang model matematis dari   sel-sel Otak.

1949               :Hebb menyatakan informasi dapat disimpan dalam koneksi-koneksi antar neuron.

1958                : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola

1982               :Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning

1982               :Grossberg mengenalkan sejumlah arsitektur jaringan ( ART, ART2, ART3)

1982               :Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi.

Bagaimana Jaringan Syaraf Tiruan Bekerja ?

	Artificial Neural Network Bekerja

    Ada tiga paradigma bagaimana jaringan syaraf tiruan dapat berfikir dan beradaptasi terhadap suatu masalah, tiga paradigma tersebut adalah :

1.             Supervised Learning

2.            Unsupervised Learning

3.            Reinforced Learning

Supervised Learning (pembelajaran terawasi) adalah metode pembelajaran yang menyimpulkan pemetaan data dengan membandingkan ketidaksesuaian antara pemetaan data saat ini ( yang mengandung knowledge saat ini) dengan pemetaan data sebelumnya (yang mengandung knowledge sebelumnya).

Unsupervised Learning (pembelajaran tidak terawasi) adalah metode pembelajaran yang mengelompokkan unit-unit yang hampir sama dalam area tertentu. Metode ini biasa digunakan untuk pengklasifikasikan pola.

Reinforced Learning, adalah metode yang membuat system (system) dapat belajar dari keputusan yang diambil sebelumnya dengan cara memberikan reward setiap kali system melakukan suatu hal yang benar. Dengan pemberian reward ini system akan mencari hal apa yang harus dilakukan agar mendapatkan lebih banyak lagi reward, sehingga system dapat terus berkembang. System (learner) dibiarkan belajar sendiri dengan lingkungan, ketika system bermain berdasarkan rule maka akan diberi reward, ketika tidak akan diberi punishment.

Sebelum menggunakan Jaringan Syaraf Tiruan kita harus mempertimbangkan tiga hal yaitu :

1.             Model apa yang akan kita gunakan

2.            Algoritma belajar apa yang akan kita gunakan

3.            Bagaimana caranya agar JST tahan terhadap masalah

Manfaat Jaringan Syaraf Tiruan

        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

Penerapan Artifical Neural Network

        Artificial Neural Network (Jaringan Syaraf Tiruan), dimana dalam sepuluh tahun terakhir pengaplikasiannya telah banyak dikembangkan di berbagai bidang dalam kehidupan manusia. Seperti contoh Aplikasi Adaptive Inteligent System adalah Sistem mengenali Panas, Hangat, dan Dingin Menggunakan Jaringan Syaraf Tiruan dan Himpunan Fuzzy begitu juga seperti Adaptive Noise Canceling yang menggunakan jaringan syaraf tiruan untuk membersihkan gangguan pada telephone (dikenal dengan echo) dan mengurangi kesalahan tranmisi modem dll.

Salah satu contoh adalah :

         Dalam perkembangannya, ilmu Kecerdasan Buatan atau Artificial Intelligence (AI) telah banyak diterapkan pada teknologi komputer dalam menyelesaikan suatu masalah yang umumnya memerlukan pemikiran seorang ahli, dan ANN Perceptron merupakan salah satu dari metode AI yang telah terbukti cukup handal untuk digunakan sebagai teknik pengenalan atau pengindentifikasian.Tujuan dari dibuatnya karya tulis ilmiah ini adalah untuk menerapkan metode Jaringan Syaraf Tiruan atau Artificial Neural Network dengan algortima Perceptron dalam menentukan penyakit cacar daun dan bercak daun pada daun tembakau serta daun cengkeh, dimana sampel daun-daun tersebut dianalisis melalui kedelapan gejala atau ciri yang ditimbulkannya.

          Tahapan awal yang dilakukan yaitu mengumpulkan beberapa sampel daun tembakau dan daun cengkeh, baik yang terkena penyakit maupun tidak. Kemudian mengelompokkan gejala atau ciri khusus yang ditimbulkan pada setiap daunnya dari penyakit cacar daun dan bercak daun. Ciri penyakit yang positif terlihat pada masing-masing daun akan direpresentasikan dengan nilai bipolar [1, -1], dimana ciri tersebut akan digunakan sebagai nilai masukan pada tahap pelatihan (training) dan pengujian (testing) dalam metode ANN.

          Dari hasil pengujian terhadap sampel sebanyak 20 daun untuk tahap training dan 10 sampel daun untuk tahap testing, dengan perbandingan penyakit bercak daun dan cacar daun adalah 50 : 50, learning rate sebesar 0,7, lapisan masukan sebanyak 8 buah, dan 1 buah lapisan luaran, didapat bahwa metode ANN Perceptron memiliki persentase keberhasilan pengenalan penyakit sebesar 61% - 73% untuk data non-learning, dan 100% untuk data learning pada kedua jenis daun tersebut.

Sumber :

http://www.psych.utoronto.ca/users/reingold/courses/ai/nn.html

http://www.heatonresearch.com/images/article/1604390085/1604390085c5f1.jpg

http://sutikno.blog.undip.ac.id/files/2011/11/2-Fungsi-Aktivasi-dan-Perceptron.pdf