Teknik Kendali
Teknik Kendali
PENDAHULUAN
1.1
Latar Belakang
Keunggulan manusia dibanding dengan makhluk lainnya terletak pada
kecerdasan (Intelligence), AI
adalah bagian membuat mesin yang cerdas dan dapat melakukan hal-hal yang
sebelumnya hanya dapat dilakukan oleh manusia. Dari perspektif bisnis, AI adalah
sekelompok alat bantu (tools) yang berdayaguna, dan metodologi yang menggunakan
tool-tool tersebut untuk menyelesaikan masalah-masalah bisnis. Dari perspektif
pemograman (programming), AI juga meliputi studi tentang pemograman simbolik,
pemecahan masalah, proses pencarian (search). Dengan menggunakan kecerdasan buatan
tersebut manusia dapat membuat suatu teknik pengendalian yang canggih yang mampu
membantu memudahkan pekerjaan manusia.
1.2
Rumusan Masalah
Rumusan masalah ini menjelaskan tentang:
1. Definisi sistem kontrol.
2. Definisi sistem cerdas (AI).
3. Bermacam-macam bidang yang menggunakan AI.
4. Aplikasi kontrol dengan sistem cerdas.
1.3
2.1
yang dirakit sedemikian rupa sehingga mampu mengatur sistemnya sendiri atau sistem
diluarnya. Sistem kontrol adalah proses pengaturan atau pengendalian terhadap satu atau
beberapa besaran (variabel, parameter) sehingga berada pada suatu harga range tertentu.
Istilah lain sistem kontrol atau teknik kendali adalah teknik pengaturan, sistem
pengendalian, atau sistem pengontrolan( Pakpahan, 1988).
Sistem pengendalian atau teknik pengaturan juga dapat didefinisikan suatu usaha
atau perlakuan terhadap suatu sistem dengan masukan tertentu guna mendapatkan
keluaran sesuai yang diinginkan . Dalam buku berjudul Modern Control Systems,
bahwa sistem pengaturan merupakan hubungan timbal balik antara komponen-komponen
yang membentuk suatu konfigurasi sistem yang memberikan suatu hasil yang
dikehendaki berupa respon (Dorf, 1983).
Contoh sistem pengaturan yang paling mendasar adalah kendali on -off saklar
listrik. Aktivitas menghidupkan dan mematikan saklar menyebabkan adanya situasi
saklar hidup atau mati. Masukan on atau off mengakibatkan terjadinya proses pada suatu
pengendalian saklar listrik sehingga sistem bekerja sesuai dengan kondisi yang
diinginkan, yaitu listrik menyala atau mati. Keadaan on-off (hidup atau mati) merupakan
masukan, sedangkan mengalir dan tidak mengalirnya listrik merupakan keluaran. Suatu
keadaan dimana listrik sudah dihidupkan namun tidak menyala, berarti ada yang salah
pada sistem tersebut. Proses yang dicontohkan itu mengilustrasikan sistem kendali yang
terjadi secara manual.
2.2
Definisi Sistem Cerdas
Sistem cerdas atau yang biasa disebut juga dengan Artificial Intelegent adalah
kecerdasan yang diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat
melakukan pekerjaaan yang dapat dilakukan oleh manusia. Jadi kesimpulannya membuat
suatu sistem yang berperasaan seperti halnya manusia pada umumnya. Menurut
Encyclopedia Britannica, AI adalah kemampuan komputer untuk melakukan tugas yang
dikaitkan dengan keerdasan manusia. Contohny, bermain catur, menghitung matematika,
dan lainnya. Jadi, semua komputer adalah AI sistem. Meurut Elaine Rich, AI adalah studi
tentang bagaimana membuat komputer melakukan hal-hal yang dilakukan oleh manusia.
Berbagai macam bidang yang menggunakan AI (Artificial Intelligent) atau kecerdasan
buatan diantaranya adalah, Sistem Pakar, Algoritma Genetika, Jaringan Syaraf Tiruan
(JST) dan Logika Fuzzy.
BAB III
ISI
3.1
Sistem Pakar
Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode
khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat dan
memecahkan masalah. Misalnya seorang dokter, penasehat keuangan, pakar mesin mobil,
dll.
Kepakaran (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.
Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke
komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan para
ahli.
Sistem pakar diciptakan tidak untuk menggantikan kedudukan seorang pakar
tetapi untuk memasyarakatkan pengetahuan & pengalaman pakar tersebut. Tujuan dari
sebuah sistem pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar
kedalam komputer, dan kemudian kepada orang lain (nonexpert).
Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu
set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem)
mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut.
Sistem Pakar memberikan banyak keuntungan bagi operasi perusahaan dan
manajer, tetapi memiliki keterbatasan significan. Artificial Intelligence merupakan suatu
aktivitas untuk menyediakan berbagai mesin seperti komputer dengan menampilkan
perilaku dengan penalaran yang cerdas apabila diamati sebagai manusia. Artificial
Intelligence menyajikan berbagai aplikasi komputer yang canggih untuk menyamai
berbagai jenis penalaran manusia.
SP dikembangkan pertama kali oleh komunitas AI tahun 1960an. SP yang pertama
adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel Simon.
3.1.1
engine
bertugas
untuk
menganalisis
pengetahuan,
a)
b)
Mudah dimodifikasi
5
c)
d)
e)
f)
g)
Dapat menalar data-data yang tidak pasti dan memberikan beberapa alasan
pemilihan.
h)
i)
3.1.4
2.
3.
3.2
Algortima Genetika
Algoritma Genetika atau Genetic Algorithm (GA) merupakan algoritma yang
terinspirasi oleh teori evolusi dari Charles Darwin. Dengan kata lain pencarian solusi
suatu masalah dengan algoritma genetika akan terus berevolusi. Algoritma genetika
memberikan solusi dari masalah yang tidak memiliki suatu metode pencarian solusi yang
tepat, ataupun bila ada, mungkin membutuhkan waktu yang lama dalam mencari
solusinya. Pencarian solusi dengan algoritma genetika ini diminati oleh karena tidak
membutuhkan waktu yang lama. Selain itu hasil dari algoritma genetika ini cukup
memuaskan dan dapat diaplikasikan pada semua bidang.
Inti dari algoritma genetika adalah secara bertahap akan mencari solusi terbaik
(survival of the fittest) dari begitu banyak solusi yang ada. Pertama-tama algoritma
genetika bekerja dengan membuat beberapa solusi secara acak, tentu saja dari tahapan
pertama ini solusinya kemungkinan masih buruk. Solusi tersebut akan mengalami proses
evolusi secara terus menerus dan akan menghasilkan suatu solusi yang lebih baik. Setiap
solusi yang terbentuk mewakili satu kromosom dan satu individu terdiri dari satu
kromosom. Kumpulan dari individu-individu ini akan membentuk suatu populasi, dari
populasi ini akan lahir populasi-populasi baru sampai dengan sejumlah generasi yang
ditentukan.
Gen dalam kasus ini adalah urutan praktikum yang telah dikodekan terlebih
dahulu sehingga membentuk suatu kromosom. Kromosom merupakan kumpulan dari
gen-gen yang ada, yang berarti bahwa panjang kromosom akan sesuai dengan jumlah
praktikum yang dibutuhkan. Sedangkan individu merupakan kumpulan kromosom, dalam
kasus ini satu individu memiliki satu kromosom. Sedangkan populasi, merupakan
kumpulan individu yang telah ditentukan jumlahnya oleh user. Dalam eksekusinya,
algoritma genetika akan dilakukan untuk tiap kelompok atau kategori praktikum.
3.2.1
diselesaikan.
Chromosome-chromosome
tersebut
akan
berevolusi
secara
berkelanjutan yang disebut dengan generasi. Dalam tiap generasi chromosomechromosome tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap
masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang
disebut dengan fitness. Untuk memilih chromosome yang tetap dipertahankan
untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses
seleksi chromosome menggunakan konsep aturan evolusi Darwin yang telah
disebutkan sebelumnya yaitu chromosome yang mempunyai nilai fitness tinggi
akan memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.
Chromosome-chromosome baru yang disebut dengan offspring, dibentuk
dengan cara melakukan perkawinan antar chromosome-chromosome dalam satu
generasi yang disebut sebagai proses crossover. Jumlah chromosome dalam
populasi yang mengalami crossover ditetukan oleh paramater yang disebut
dengan crossover_rate. Mekanisme perubahan susunan unsur penyusun mahkluk
hidup akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan
sebagai proses berubahnya satu atau lebih nilai gen dalam chromosome dengan
suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan
oleh parameter yang dinamakan mutation_rate. Setelah beberapa generasi akan
dihasilkan chromosome chromosome yang nilai gen-gennya konvergen ke suatu
nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh algoritma
genetika terhadap permasalahan yang ingin diselesaikan.
3.2.2
Pembentukan chromosome
Karena yang dicari adalah nilai a, b, c, d maka variabel a, b, c, d dijadikan
Inisialisasi
Proses inisialisasi dilakukan dengan cara memberikan nilai awal gen-gen dengan
Evaluasi Chromosome
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
11
4.
Seleksi Chromosome
Proses seleksi dilakukan dengan cara membuat chromosome yang mempunyai
fungsi_objektif kecil mempunyai kemungkinan terpilih yang besar atau mempunyai nilai
probabilitas
yang
tinggi.
digunakan fungsi
fitness
= (1/
= 1 / (fungsi_objektif[1]+1)
= 1 / 34
= 0.0294
fitness[2]
= 1 / (fungsi_objektif[2]+1)
= 1 / 11
= 0.0909
fitness[3] = 1 / (fungsi_objektif[3]+1)
= 1 / 14
= 0.0714
fitness[4] = 1 / (fungsi_objektif[4]+1)
= 1 / 47
= 0.0212
fitness[5] = 1 / (fungsi_objektif[5]+1)
= 1 / 25
= 0.0400
fitness[6] = 1 / (fungsi_objektif[6]+1)
= 1 / 26
= 0.0385
total_fitness
= 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385
= 0.2914
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
P[1] = 0.0294 / 0.2914
= 0.1009
P[2] = 0. 0909 / 0.2914
= 0.3119
P[3] = 0. 0714 / 0.2914
= 0.2450
P[4] = 0. 0212 / 0.2914
= 0.0728
P[5] = 0.04 / 0.2914
= 0.1373
P[6] = 0.0385 / 0.2914
= 0.1321
12
Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang mempunyai fitness
paling besar maka chromosome tersebut mempunyai probabilitas untuk terpilih pada
generasi selanjutnya lebih besar dari chromosome lainnya. Untuk proses seleksi kita
gunakan roulete wheel, untuk itu kita harus mencari dahulu nilai kumulatif
probabilitasnya:
C[1] = 0.1009
C[2] = 0.1009+ 0.3119
= 0.4128
C[3] = 0.1009+ 0.3119 + 0.2450
= 0.6578
C[4] = 0.1009+ 0.3119 + 0.2450 + 0.0728
= 0.7306
C[5] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373
= 0.8679
C[6] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321
=1
Setelah dihitung cumulative probabilitasnya maka proses seleksi menggunakan rouletewheel dapat dilakukan. Prosesnya adalah dengan membangkitkan bilangan acak R dalam
range 0-1.
Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih chromosome
ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete wheel sebanyak
jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan pada tiap putaran, kita
pilih satu chromosome untuk populasi baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
R[4] = 0.822
R[5] = 0.398
R[6] = 0.501
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada C[2]
maka pilih chromosome[2] sebagai chromosome pada populasi baru, dari bilangan acak
yang telah dibangkitkan diatas maka populasi chromosome baru hasil proses seleksi
adalah:
chromosome[1] = chromosome[2]
chromosome[2] = chromosome[2]
chromosome[3] = chromosome[1]
chromosome[4] = chromosome[5]
chromosome[5] = chromosome[2]
13
chromosome[6] = chromosome[3]
Chromosome baru hasil proses seleksi:
chromosome[1] = [02;01;08;03]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;04;03;09]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]
5.
Crossover
Setelah proses seleksi maka proses selanjutnya adalah proses crossover. Metode
yang digunakan salah satunya adalah one-cut point, yaitu memilih secara acak satu posisi
dalam chromosome induk kemudian saling menukar gen. Chromosome yang dijadikan
induk dipilih secara acak dan jumlah chromosome yang mengalami crossover
dipengaruhi oleh parameter crossover_rate ( c ).
Pseudo-code untuk proses crossover adalah sebagai berikut:
begin
k 0;
while(k<populasi) do
R[k] random(0-1);
if (R[k] < c ) then
select Chromosome[k] as parent;
end;
k = k + 1;
end;
end;
Misal kita tentukan crossover probability adalah sebesar 25%, maka diharapkan dalam
satu generasi ada 50% Chromosome (3 chromosome) dari satu generasi mengalami
proses crossover. Prosesnya adalah sebagai berikut:
Pertama kita bangkitkan bilangan acak R sebanyak jumlah populasi
R[1] = 0.191
R[2] = 0.259
R[3] = 0.760
R[4] = 0.006
R[5] = 0.159
R[6] = 0.340
Maka Chromosome ke k akan dipilih sebagai induk jika R[k] < c, dari bilangan acak R
diatas maka yang dijadikan induk adalah chromosome[1], chromosome[4] dan
chromosome[5].
14
Mutasi
Jumlah chromosome yang mengalami mutasi dalam satu populasi ditentukan oleh
parameter mutation_rate. Proses mutasi dilakukan dengan cara mengganti satu gen yang
terpilih secara acak dengan suatu nilai baru yang didapat secara acak. Prosesnya adalah
sebagai berikut. Pertama kita hitung dahulu panjang total gen yang ada dalam satu
15
chromosome[3] = [12;05;03;02]
fungsi_objektif[3] = Abs(( 12 + 2*5 + 3*3 + 4*2 ) - 30)
= Abs(( 12 + 10 + 9 + 8 ) - 30)
= Abs(39 - 30)
=9
chromosome[4] = [01;01;08;03]
fungsi_objektif[4] = Abs(( 1 + 2*1 + 3*8 + 4*3 ) - 30)
= Abs(( 1 + 2 + 24 + 12 ) - 30)
= Abs(39 - 30)
=9
chromosome[5] = [02;05;08;03]
fungsi_objektif[5] = Abs(( 2 + 2*5 + 3*8 + 4*3 ) - 30)
= Abs(( 2 + 10 + 24 + 12 ) - 30)
= Abs(48 - 30)
= 18
chromosome[6] = [10;04;03;04]
fungsi_objektif[6] = Abs(( 10 + 2*4 + 3*3 + 4*4 ) - 30)
= Abs(( 10 + 8 + 9 + 16 ) - 30)
= Abs(43 - 30)
= 13
Rata-rata fungsi objektif setelah satu generasi adalah:
rata-rata = ( 25 + 10 + 9 + 9 + 18 + 13) / 6
= 84 / 6
= 14.0
Dapat dilihat dari hasil perhitungan fungsi objektif diatas bahwa setelah satu generasi,
nilai hasil rata-rata fungsi_objektif lebih menurun dibandingkan hasil fungsi_objektif
pada saat sebelum mengalami seleksi, crossover dan mutasi. Hal ini menunjukkan bahwa
chromosome atau solusi yang dihasilkan setelah satu generasi lebih baik dibandingkan
generasi sebelumnya. Maka pada generasi selanjutnya chromosome-chromosome yang
baru adalah:
chromosome[1] = [02;04;03;09]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;02]
chromosome[4] = [01;01;08;03]
chromosome[5] = [02;05;08;03]
chromosome[6] = [10;04;03;04]
Chromosome-chromosome ini akan mengalami proses yang sama seperti generasi
sebelumnya yaitu proses evaluasi, seleksi, crossover dan mutasi yang kemudian akan
17
18
sinyal dari neuron tertentu disempurnakan dengan hasil kerja energy potensial
neuron yang disebabkan perbedaan konsentrasi ion-ion dari setiap sisi sarung
pelindung axon neuron (sumsum otak manusia). Ion-ion kebanyakan secara
langsung melibatkan zat-zat potassium, sodium dan klorida. Beberapa fitur
penting proses elemen dari jaringan saraf tiruan yang berasal dari cara kerja
jaringan saraf biologi:
a. Elemen pemroses menerima beberapa sinyal.
b. Sinyal memungkinkan dimodifikasi oleh bobot pada sinapsis penerima.
c. Elemen pemroses menjumlahkan bobot input.
d. Dalam lingkungan yang sesuai (jumlah input yang sesuai), neuron mengirimkan
output tunggal.
e. Output dari neuron khusus memungkinkan dipindahkan ke beberapa neuron lain
(melalui cabang axon).
Beberapa fitur jaringan saraf tiruan yang dipelajari dari neuron biologi:
a. Pemrosesan informasi bersifat lokal (meskipun cara berbeda dalam proses
transmisi, seperti aksi beberapa hormon, memungkinkan penganjuran cara
control proses yang bersifat keseluruhan).
b. Memori terdistribusi :
1. Memori yang berjangka panjang berada dalam sinapsis neuron atau bobot.
2. Memori jangka pendek merespon sinyal kiriman oleh neuron.
c. Kekuatan sinapsis dapat dimodifikasi oleh pengalaman.
d. Neuron pengirim untuk sinapsis mungkin bersifat pengeksitasi atau penghambat.
Karakteristik penting lain jaringan saraf tiruan yang merupakan bagian dari
sistem saraf biologi adalah toleransi kesalahan/kekurangan data. Sistem saraf
biologi memiliki toleransi kesalahan dalam 2 aspek:
a. Dapat mengenali banyak input sinyal yang beberapa diantaranya berbeda dengan
yang pernah dikenali sebelumnya. Sebagai contoh kemampuan manusia untuk
mengenali seseorang dari suatu gambaran atau mengenali seseorang setelah
periode yang lama.
b. Dapat menerima kerusakan ke dalam sistem saraf itu sendiri.
19
Manusia memiliki lebih dari 100 trilyun neuron. Kebanyakan diantaranya berada
di otak. Jika terjadi kerusakan pada salah satu bagian, maka akan memungkinkan
bagian lain akan menjalankan fungsi dari neuron yang rusak [6]. Adapun
perbandingan kedua jaringan tersebut dapat dilihat pada gambar 1.1 dan gambar
1.2.
20
yang disebut
neuron.
b. Sinyal lewat diantara neuron menciptakan jaringan koneksi.
c. Setiap koneksi penghubung memiliki bobot yang terhubung, yang dalam
jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
d. Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada jaringan
inputnya (jumlah dari bobot sinyal input) untuk menentukan sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah:
a. Pola hubungan antar neuron ( yang menjadi arsitekturnya).
b. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan,
pembelajaran, atau Algoritma ).
c. Fungsi aktivasi.
Jaringan saraf biologis terdiri atas selsel yang disebut neuron. Pada
jaringan saraf tiruan, juga terdapat istilah neuron atau sering disebut unit, sel,
node. Setiap neuron terhubung dengan neuronneuron yang lain melalui layer
dengan bobot tertentu. Bobot disini melambangkan informasi yang digunakan
oleh jaringan untuk menyelesaikan persoalan. Pada jaringan saraf biologis, bobot
tersebut dapat dianalogikan dengan aksi pada proses kimia yang terjadi pada
synaptic gap. Sedangkan neuron mempunyai internal state yang disebut aktivasi.
Aktivasi merupakan fungsi dari input yang diterima. Suatu neuron akan
mengirimkan sinyal ke neuronneuron yang lain, tetapi pada suatu saat hanya ada
satu sinyal yang dikeluarkan walaupun sinyal tersebut ditransmisikan ke beberapa
neuron yang lain. Sistem jaringan saraf banyak digunakan dalam berbagai bidang
antara lain kedokteran, bisnis, keuangan, maupun elektronika termasuk
pemrosesan sinyal dan sistem kontrol.
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara
paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis.
Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah
ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai
berikut:
21
Boston:
PWS
Publishing
Company,
mendefinisikan
sebagai
berikut:Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik
yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang
didapatkan dari pengalaman.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60)
mendefinisikan jaringan saraf buatan sebagai berikut :
Sebuah jaringan saraf adalah sebuah sistem yang dibentuk dari sejumlah
elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya
ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan
pada komputasi elemen atau nodes
22
3.3.3
komponenkomponen yang sama. Seperti halnya otak manusia, jaringan saraf juga
terdiri dari beberapa neuron, dan ada hubungan antara neuronneuron tersebut.
Neuronneuron tersebut akan mentransformasikan informasi yang diterima melalui
sambungan keluarnya menuju ke neuronneuron yang lain. Pada jaringan saraf,
hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada nilai
tertentu pada bobot tersebut. Pada gambar 1.3 menunjukkan struktur neuron pada
jaringan saraf.
bobot
Input
dari
neuron
neuron yang
lain
bobot
Fungsi aktivasi
Output
Output ke
neuron
neuron yang
lain
mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya,
yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung
pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan
secara mundur pada jaringan. Beberapa jaringan saraf ada juga yang tidak
memiliki lapisan tersembunyi, dan ada juga jaringan saraf dimana neuron
neuronnya disusun dalam bentuk matriks.
3.3.4
Jaringan ini menerima input yang kemudian secara langsung akan mengolahnya
menjadi output tanpa harus melalui lapisan tersembunyi. Untuk lebih jelas dapat
dilihat pada gambar 4:
Sebuah neuron berinput tunggal diperlihatkan pada gambar 4. Input skalar
p dikalikan dengan skalar weight w untuk kodisi (bentuk) wp, salah bentuk ini
yang dikirim ke dalam penjumlah. Input yang lain, 1, adalah dikalikan dengan
bias b dan dilewatkan ke dalam penjumlah. Output dari penjumlah n sering kali
digunakan sebagai input net, yang berjalan ke dalam fungsi transfer f , yang
menghasilkan output neuron skalar a. (fungsi aktivasi disebut juga
fungsi
24
inputs
a
b
b
a f ( Wp b )
dan
b 1.5 , kemudian
a f 3 2 1.5 f 4.5
Output nyata bergantung pada fakta-fakta fungsi transfer yang dipilih. Kita akan
mendiskusikan transfer fungsi dalam bagian berikutnya.
Bias lebih mirip dengan bobot, kecuali jika mempunyai input konstan 1. Akan
tetapi, jika kita tidak menginginkan bias di dalam sebuah bagian neuron, bias ini
bisa diabaikan. Penting untuk w dan b diatur keduanya dalam bentuk neuron
berparameter skalar. Biasanya fungsi transfer dipilih oleh desainer dan kemudian
parameter w dan b akan diatur oleh beberapa peraturan pelatihan jadi neuron input
atau output yang saling berhubunngan ditetapkan terlebih dahulu dengan spesifik
tujuan (goal).
2. Jaringan dengan banyak lapisan (multilayer)
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara lapisan
input dan lapisan outputnya (memiliki satu atau lebih lapisan tersembunyi).
Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih
sulit dari pada jaringan dengan lapisan tunggal, tetapi pembelajarannya lebih rumit.
Jaringan ini pada banyak kasus lebih sukses dalam menyelesaikan masalah. Pada
gambar 1.5 menunjukkan jaringan saraf multilayer.
Gambar. 1.5 Jaringan saraf multilayer.
NILAI INPUT
X
1
V11
V12
X
2
Y
Z
V21
W1
1 V22
25
Z
V31
W2 2
X
3
V32
LAPISAN INPUT
MATRIXBOBOT
BOBOTKEKE 1
MATRIX
LAP.
HIDDEN
OUTPUT
2 LAYER
NILAI OUTPUT
3.3.5
FUNGSI AKTIVASI
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf
y
1
y
1
26
0
y = 0, jika x <= 0
y = 1, jika x = 0
x
-1
y = 1, jika x = 0
27
-1
Gambar 1.7. Fungsi Aktivasi Bipolar (threshold)
5. Fungsi Linear (Identitas)
Fungsi ini memiliki nilai output yang sama dengan nilai inputnya, dirumuskan
sebagai berikut:
Y=x
6.Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari , dan akan bernilai 1
jika inputnya lebih dari . Sedangkan jika nilai input terletak antara - dan , maka
outputnya akan bernilai sama dengan nilai inputnya ditambah . Fungsi saturating
linear ini dirumuskan sebagai berikut:
jika x 0
1
Y 0
jika x 0.5
x 0.5 jika 0.5 x 0.5
Y=
{1
Jika x 1
Jika x -1
Jika 1 x 1
28
sampai dengan 1, juga pada jaringan saraf yang nilai outputnya 0 atau 1. Fungsi
ini dirumuskan sebagai berikut:
y = f(x) =
1
1 e x
...[1]
1 ex
1 ex
..[2]
Hard limit
Symetrical
limit
hard
Saturating linier
saturating
Fungsi Matlab
Hardlim
a 1 n 0
a 1 n 0
a 1 n 0
Hardlim
an
Linier
Simetris
linier
n0
Symbol
Purelin
a0
n0
an
0 n 1
a 1
a 1
n 1
n 1
an
1 n 1
a 1
n 1
satlin
Satlin
Log sigmoid
1
1 e n
Logsig
Hyperbolic tangent
sigmoid
e n e n
e n e n
Tansig
Positive linier
a0
n0
an
0n
Poslin
29
Competitive
3.3.6
a 1
a0
compet
Proses Pembelajaran
Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron
30
dengan output yang diharapkan. Ada beberapa metode untuk proses pembelajaran
pada jaringan saraf tiruan ini, diantaranya:
1. Pembelajaran Terawasi (Supervised Learning)
Metode pembelajaran jaringan saraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola
input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan
disepanjang jaringan saraf hingga sampai ke neuron pada lapisan output. Lapisan
output ini akan membangkitkan pola output yang nantinya akan dicocokkan
dengan pola output targetnya. Apabila terjadi perbedaan antara output hasil
pembelajaran dengan pola target, maka disini akan muncul error. Apabila error
ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih
banyak pembelajaran lagi.
2.
Logika Fuzzy
Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan
konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengantingkat kebenaran.
Teori klasik, himpunan adalah kumpulan elemen yang berhingga/tak-berhingga
milik dari suatu himpunantertentu yg disbt semesta pembicaraan. Elemen dari semesta
pembicaraan dapat termasuk atau tidak termasuk ke dalam himpunan A
31
Sifat samar atau vagueness dpt dimasukkan ke dalam teori himpunan dgn
membuat fungsi karakteristik boleh bernilai tidak berhingga banyaknya di antara
nilai 0 dan nilai 1
32
Suhu dinyatakan sbg bil bulat positif dlm [0, 100] Variabel fuzzy Low dipakai utk
definisi. Himpunan ini menyatakan sejauh mana suhu dianggap rendah/Low
terhadap seluruh nilai yang mungkin Fungsi keanggotaan A(x) memiliki nilai2
diskrit dlm satuan C yg dinyatakan dgn himpunan:
1. Variabel fuzzy = variabel dgn nilai berupa label2 himp fuzzy (linguistic values)
2. Contoh: TEMPERATURE adl variabel fuzzy dgn nilai Low, Medium, Normal,
High dan Very_High
3. Cara inilah yg umum dipergunakan operator utk merujuk var plant terkait dgn
nilai nominalnya
4. Hubungan di antara variabel fuzzy, nilai2 linguistik, nilai2 keanggotaan &
semesta pembicaraan
33
Secara umum, variabel fuzzy dapat dinyatakan dgn memakai: label/nilai linguistik
Low, Medium, High operator penghubung AND, OR, NOT hedges extremely,
rather, quite, very
Contoh: Variabel TEMPERATURE dapat memiliki nilai-nilai High, NOT High,
rather_High, quite_High, NOT very_High, extremely_High
Ketergantungan suatu variabel fuzzy pada var fuzzy lainnya dapat dinyatakan dgn
memakai kalimat bersyarat (fuzzy conditional statement):
atau
dgn kalimat fuzzy memiliki bentuk umum
Contoh:
34
3.4.1
35
36
(a)
(b)
Union (Gabungan)
Gabungan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C
ditulis sebagai
atau
;
dengan
(2)
adalah operator biner untuk fungsi S dan biasa disebut sebagai operator T-
Intersection (Irisan)
Irisan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C
dituliskan sebagai
atau
(3)
adalah operator bineri untuk fungsi T, yang biasa disebut sebagai operator
(boundary);
(commutativity);
T(a,T(b,c)) = T(T(a,b),c)
(associativity).
sebagai berikut:
(4)
bentuk yang lain dari persamaan di atas adalah
(5)
parameter {a,b,c} (dengan a<b<c) yang menentukan koordinat x dari ketiga sudut
segitiga tersebut, seperti terlihat pada Gambar 2(a).
38
2.
(6)
parameter {a,b,c,d} (dengan a<b<c<d) yang menentukan koordinat x dari keempat
sudut trapesium tersebut, seperti terlihat pada Gambar 2(b).
3.
sebagai berikut:
(7)
Fungsi keanggotaan Gauss ditentukan oleh parameter c dan s yang menunjukan titik
tengah dan lebar fungsi, seperti terlihat pada Gambar 2(c) .
39
4.
(8)
parameter b selalu positif, supaya kurva menghadap kebawah, seperti terlihat pada
Gambar 2(d).
5.
sebagai berikut:
(9)
40
:
:
:
x adalah A,
jika x adalah A maka y adalah B.
y adalah B.
:
:
:
x adalah A,
jika x adalah A maka y adalah B.
y adalah B.
41
Kesimpulan
Adapun kesimpulan yang didapat dari makalah ini, adalah:
1.
Sistem kontrol adalah proses pengaturan atau pengendalian terhadap satu atau
beberapa besaran (variabel, parameter) sehingga berada pada suatu harga range
tertentu.
2.
Sistem cerdas atau yang biasa disebut juga dengan Artificial Intelegent adalah
kecerdasan yang diciptakan dan dimasukkan ke dalam suatu mesin (komputer)
agar dapat melakukan pekerjaaan yang dapat dilakukan oleh manusia.
3.
4.
5.
lama dalam mencari solusinya. Pencarian solusi dengan algoritma genetika ini
diminati oleh karena tidak membutuhkan waktu yang lama. Selain itu hasil dari
algoritma genetika ini cukup memuaskan dan dapat diaplikasikan pada semua
bidang.
6.
7.
Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan
konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal
dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak),
logika fuzzy menggantikan kebenaran boolean dengantingkat kebenaran.
43
DISUSUN OLEH
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59