SISTEM BERBASIS PENGETAHUAN

1.        Definisi Sistem Berbasis Pengetahuan

Sistem Berbasis Pengetahuan diturunkan dari istilah knowledge based expert system. Sistem ini merupakan
sistem yang menggunakan pengetahuan manusia yang telah disimpan dalam komputer untuk menyelesaikan
permasalahan yang memerlukan kepakaran seorang ahli (Buliali, dkk., 2007)

Sistem Berbasis Pengetahuan atau Sistem Pakar merupakan salah satu cabang dari AI dimana dalam dunia
komersial disebut dengan sistem yang dapat secara efektif dan efisien melaksanakan tugas yang tidak terlalu
memerlukan pakar. Sistem Berbasis Pengetahuan dikenal juga dengan sistem penasihat, sistem pengetahuan, sistem
bantuan kerja cerdas atau sistem operasional (Turban, dkk., 2005).

Sistem Berbasis Pengetahuan atau Sistem Pakar adalah  program pemberi advis/nasehat  yang
terkomputerisasi yang ditujukan untuk meniru proses reasoning (pertimbangan) dan pengetahuan dari pakar dalam
menyelesaikan permasalahan masalah yang lebih spesifik (Irfan Subakti, 2006).

Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer
dapat menyelesaikan seperti yang biasa dilakukan oleh para ahli (Sri Kusumadewi, 2003).

Sistem Pakar dibuat pada wilayah pengetahuan tertentu untuk sesuatu kepakaran tertentu yang mendekati
kemampuan manusia disalah satu bidang. Sistem Pakar mencoba mencari solusi yang memuaskan sebagaimana
yang dilakukan seorang pakar. Selain itu Sistem Pakar juga dapat memberikan penjelasan terhadap langkah yang
diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukannya. Bidang ini digunakan lebih banyak
daripada penggunaan bidang-bidang Kecerdasan Buatan lainnya. Sistem Pakar menarik minat yang besar dalam
suatu organisasi disebabkan kemampuannya dalam meningkatkan produktifitas dan dalam meningkatkan gugus
kerja di berbagai bidang tertentu dimana pakar manusia akan mengalami kesulitan dalam mendapatkan dan
mempertahankan kemampuan itu.

2.             Sejarah Sistem Berbasis Pengetahuan

Sistem Pakar petama kali dikembangkan oleh komunitas AI (Artificial Intellegence) pada pertengahan tahun
1956. Sistem Pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan
oleh Newel dan Simon (Sri Kusumadewi, 2003). GPS dan program-program serupa ini mengalami kegagalan
dikarenakan cakupannya yang terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan
penting yang seharusnya disediakan.

Pertengahan tahun 1960-an, terjadi pergantian dari program serba bisa (general-purpose) ke program yang
spesialis (special-purpose) dengan dikembangkannya DENDRAL oleh E.Feigenbauh dari Universitas Stanford dan
kemudian diikuti oleh MYCIN.
Awal tahun 1980-an, teknologi Sistem Pakar yang mula-mula dibatasi oleh suasana akademis mulai muncul sebagai
aplikasi komersial, khususnya XCON, XSEL (dikembangkan dari R-1 pada Digital Equipment Corp.) dan CATS-1
(dikembangkan oleh General Electric). Sistem Pakar dari tahun ketahun selalu mengalami perkembangan.

3.             MENGAPA DIBUTUHKAN

A.     Meningkatkan ketersediaan pakar

B.     Kepakaran: sulit diperoleh, jumlah sedikit,mahal. SBP/ES: Produksi dan distribusi masal kepakaran
C.     Menjaga kepakaran bersifat permanen
D.     Performansi lebih baik dari pakar manusia: stabil, unemotional, respon reasonable
E.      Meningkatkan confidence keputusan
Ø  Output SBP: pendapat kedua
Ø  Penjelasan detil reasoning →pakar manusia mungkin tidak mau/tidak dapat melakukannya
F.      Intelligent tutor
G.     Mengevaluasi pengetahuan pakar: correctness, consistency, Completeness

            Sistem Berbasis Pengetahuan dan Sistem Pakar

-         Sistem Berbasis Pengetahuan :

Ø  Sistem yang melakukan task dengan mengaplikasikan pengetahuan dalam representasi simbolik

-         Sistem pakar:

Ø  simulasi pakar: pengetahuan dan penalaran
Ø  sistem komputer yang meniru kemampuan pengambilan keputusan pakar pada domain tertentu.

1.             DEFINISI SISTEM PAKAR

-         Sistem komputer yang dapat melakukan penalaran terhadap persoalan tertentu seperti penalaran yang
dilakukan manusia (Michael P. Geografi)
-         Sistem Komputer yang bisa menyamai atau meniru kemampuan seorang pakar (Giarratano dan Riley)
-         Program komputer yang dimanfaatkan untuk meniru proses pengambilan keputusan seorang pakar dalam
bidang tertentu (Michael W. Parks)
Etc.

2.             TUJUAN DAN FUNGSI SISTEM PAKAR

Ø  Memasyarakatkan Pengetahuan dan Pengalaman seorang Pakar dapat digunakan non-expert untuk meningkatkan
kemampuan pemecahan masalah dan oleh expert sebagai knowledgeable assistant
Ø  Menyederhanakan pekerjaan dan memperbaiki kualitas
Ø  Memecahkan masalah (sederhana) tanpa kehadiran seorang Pakar.
 3.             EXPERTISE ATAU KEPAKARAN

Meliputi pengetahuan tentang :

Ø  Fakta-fakta dan teori-teori tentang bidang permasalahan
Ø  Aturan-aturan (heuristic) tentang apa yang harus dikerjakan dalam situasi tertentu
Ø  Strategi global untuk memecahkan permasalahan semacam ini
Ø  Pengetahuan tentang pengetahuan (meta knowledge).

4.             PAKAR

-         Melibatkan kegiatan :

Ø  Mengenali dan memformulasikan permasalahan
Ø  Memecahkan permasalahan secara cepat dan tepat
Ø  Menerangkan pemecahannya
Ø  Belajar dari pengalaman
Ø  Merestrukturisasi pengetahuan
Ø  Memecahkan aturan-aturan
Ø  Menentukan relevansi

5.             KOMPONEN UTAMA SISTEM PAKAR

A.     User Interface

Ø   Interaksi dengan end-user
Ø  Pengembangan dan pemeliharaan sistem
B.     Knowledge Base
Ø  Berisi informasi penting tentang domain permasalahan
Ø  Menyatakan fakta dan aturan
C.     Inference Engine
Ø   Mekanisme untuk memunculkan pengetahuan baru dari pengetahuan sistem dan informasi yang diberikan
oleh user
Ø  Berdasarkan penggunaan aturan
 6.             USER INTERFACE

A.     Input expert system

Ø  Input dapat berbentuk menu, perintah (command), bahasa alamiah, dialog box
B.     Output expert system
Ø  Penjelasan dari pertanyaan
Ø  Penjelasan dari penyelesaian masalah

7.             KNOWLEDGE BASE

Contoh aturan :
Ø  Jika suhu 39 dan trombosit menurun tajam maka demam berdarah (0.7)

Jaringan aturan :

INFERENCE ENGINE
 8.             DEVELOPMENT ENGINE
A.     Bahasa pemrograman
Ø  LISP, Prolog
B.     Contoh program sistem pakar Mycin
Ø  Dikembangkan oleh Edward Shortliffe (peneliti) & Stanton Axline (dokter)
Ø  Mycin diciptakan untuk mendiagnosa penyakit menular tertentu Peran sistem analis
Ø  Mengerti bagaimana pakar menerapkan pengetahuan mereka dalam memecahkan masalah
Ø  Mampu mengekstrasi penjelasan mengenai pengetahuan dari pakar

9.             KONSEP UMUM DAN KARAKTERISTIK SISTEM PAKAR

A.     Akusisi pengetahuan
Ø  Transfer pengetahuan dari manusia ke komputer
Ø  Kadang pengetahuan dipelajari langsung oleh sistem dari lingkungan
Ø  Machine learning
B.     Representasi pengetahuan
Ø  Mempermudah untuk menyimpan dan memroses pengetahuan di komputer
C.     Inferensi
Ø  Mekanisme untuk menghasilkan kesimpulan baru dari pengetahuan di komputer Penjelasan
Ø  Menjelaskan ke pengguna bagaimana dan mengapa sebuah solusi dihasilkan.

10.         Ada beberapa contoh Sistem Pakar yang pernah dibuat :

1.      MYCIN
Memberikan diagnosa dan solusi pengobatan penyakit.
2.      MACSYMA
Menangani masalah matematika.
3.      DENDRAL
Mengidentifikasi struktur molekular campuran yang tidak dikenal.
4.      XCON&XSEL
Membantu konfigurasi sistem komputer besar.
5.      SOPHIE
Melakukan analisis sirkuit elektronik.
6.      Prospector
Membantu mencari dan menemukan deposit dalam geologi.
7.      FOLIO
Membantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi.
8.      DELTA
Pemeliharaan lokomotif disel.

11.         JANGAN GUNAKAN Sistem Berbasis Pengetahuan Jika :

Ø  Program konvensional lebih efisien
Ø  Tantangan utamanya komputasi, bukan pengetahuan
Ø  Pengetahuan tidak bisa didapatkan dengan mudah
Ø  Pengguna mungkin enggan mengaplikasikan sistem pakar untuk task yang kritis

General Problem Solver (A. Newell & H. Simon)

General Problem Solver (GPS) adalah teori penyelesaian masalah manusia yang dinyatakan dalam bentuk
program simulasi (Ernst & Newell, 1969; Newell & Simon, 1972). Program ini dan kerangka teori yang terkait
memiliki dampak yang signifikan pada arah selanjutnya dari psikologi kognitif. Ini juga memperkenalkan
penggunaan produksi sebagai metode untuk menentukan model kognitif.
Kerangka teoritis adalah pemrosesan informasi dan berusaha untuk menjelaskan semua perilaku sebagai
fungsi dari operasi memori, proses kontrol dan aturan. Metodologi untuk menguji teori melibatkan pengembangan
simulasi komputer dan kemudian membandingkan hasil simulasi dengan perilaku manusia dalam tugas yang
diberikan. Perbandingan semacam itu juga menggunakan analisis protokol (Ericsson & Simon, 1984) di mana
laporan verbal seseorang yang menyelesaikan tugas digunakan sebagai indikator proses kognitif.
GPS dimaksudkan untuk menyediakan serangkaian proses inti yang dapat digunakan untuk
menyelesaikan berbagai jenis masalah. Langkah penting dalam memecahkan masalah dengan GPS adalah definisi
ruang masalah dalam hal tujuan yang ingin dicapai dan aturan transformasi. Dengan menggunakan pendekatan
analisis akhir-alat, GPS akan membagi tujuan keseluruhan menjadi sub-tujuan dan berupaya untuk
menyelesaikannya. Beberapa aturan solusi dasar meliputi: (1) mengubah satu objek menjadi yang lain, (2)
mengurangi perbedaan antara dua objek, dan (3) menerapkan operator ke objek. Salah satu elemen kunci yang
dibutuhkan oleh GPS untuk menyelesaikan masalah adalah tabel perbedaan operator yang menentukan transformasi
apa yang mungkin dilakukan.
Aplikasi
Sementara GPS dimaksudkan untuk menjadi pemecah masalah secara umum, GPS hanya bisa diterapkan
pada masalah yang “didefinisikan dengan baik” seperti membuktikan teorema dalam logika atau geometri, teka-teki
kata dan catur. Namun, GPS adalah dasar karya teoretis lainnya oleh Newell et al. seperti SOAR dan GOMS.
Newell (1990) memberikan ringkasan tentang bagaimana pekerjaan ini berkembang.

Contoh

Berikut ini adalah jejak GPS yang menyelesaikan masalah logika untuk mengubah L1 = R * (- P => Q) menjadi L2
= (Q \ / P) * R (Newell & Simon, 1972, p420):

Sasaran 1: Ubah L1 menjadi LO

Sasaran 2: Mengurangi perbedaan antara L1 dan L0
Sasaran 3: Menerapkan R1 ke L1
Sasaran 4: Mengubah L1 menjadi kondisi (R1)
Menghasilkan L2: (-P => Q) * R
Sasaran 5: Ubah L2 menjadi L0
Sasaran 6: Mengurangi perbedaan antara kiri (L2) dan kiri (L0)
Sasaran 7: Menerapkan R5 ke kiri (L2)
Sasaran 8: Mengubah kiri (L2) menjadi kondisi (R5)
Sasaran 9: Mengurangi perbedaan antara kiri (L2) dan kondisi (R5)
Ditolak: Tidak mudah dari Sasaran 6
Sasaran 10: Menerapkan R6 ke kiri (L2)
Sasaran 11: Mengubah kiri (L2) menjadi kondisi (R5)
Menghasilkan L3: (P \ / Q) * R
Sasaran 12: Mengubah L3 menjadi L0
Sasaran 13: Mengurangi perbedaan antara kiri (L3) dan kiri (L0)
Sasaran 14: Menerapkan R1 ke kiri (L3)
Sasaran 15: Mengubah kiri (L3) menjadi kondisi (R1)
Menghasilkan L4: (Q \ / P) * R
Sasaran 16: Mengubah L4 menjadi L0
Identik, QED

Fuzzy Logic
Menurut Sri Kusuma Dewi, logika fuzzy merupakan salah satu komponen pembentuk Soft Computing.
Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai
penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan
atau membership function menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi S, Purnomo
H, 2010).

Salah satu contoh pemetaan suatu input output dalam bentuk grafis seperti terlihat pada gambar
 Gambar 2.1 Contoh Pemetaan Input-Output

Fuzzy logic merupakan penigkatan dari penerapan logika boolean, pada aljabar boolean yang hanya
mengenal notasi 1 dan 0. Fuzzy logic memungkinkan keanggotaan bernilai antara 0 sampai dengan 1. Oleh sebab itu
bisa dikatakan bahwa sebuah kondisi bisa bernilai sebagian benar dan sebagian salah pada saat bersamaan. Ada
beberapa alasan mengapa orang menggunakan fuzzy logic, antara lain :

1. Konsep fuzzy logic mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzysangat sederhana
dan mudah dimengerti.
2. Fuzzy logic sangat fleksibel.
3. Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat.
4. Fuzzy logic mampu memodelkan fungsi-fungsi non-linear yang sangat komplek

5. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung
tanpa harus melalui proses pelatihan.
6. Fuzzy logic dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Fuzzy logic didasarkan pada bahasa alami.

FUZZY LOGIC MODEL MAMDANI

Fuzzy Logic Mamdani juga dikenal dengan nama metode max-min yang dapat mencari himpunan
fuzzy dari komposisi aturan fuzzy, sedangkan output dihasilkan dari domain himpunan fuzzy tersebut.
Untuk menggubah output dari bilangan fuzzy ke bilangan tegas atau defuzzyfikasi dengan menggunakan
Metode Centroid (Composite Moment) yang digunakan untuk mencari Centre of Area (COA). Penelitian
ini dilakukan untuk memperoleh nilai aturan fuzzy, selanjutnya mengetahui status kesehatan dan
memperoleh solusi kebutuhan energi/kalori berdasarkan umur, berat badan, dan tinggi badan.
Untuk mengetahui proses yang terjadi pada sistem fuzzy metode mamdani, maka dibuat blok diagram
sistem fuzzy berikut :
Input variabel Panjang Badan Input variabel Berat Badan Input variabel Umur

Fungsi keangotaan Fungsi keangotaan Fungsi keangotaan

Derajat keangotaan Derajat keangotaan Derajat keangotaan

Komposisi Rule /Aturan

Aturan
Komposisi

mencari c entre of area

( COA )
Penegasan
( Defuzzyfikasi ) Menghitung kebutuhan
energi /kalori , protein , lemak ,
dan karbohidrat

COA , Setatus Kesehatan , dan

Hasil
Solusi kebutuhan jumlah
Keputusan
Energi /kalori

Gambar 1. Blok Diagram Sistem Fuzzy

3.2 Detail Perancangan Sistem Fuzzy

Berdasarkan Blok Diagram Sistem dapat dibuat detail perancangan (flowchart) penalaran fuzzy mamdani
pada Gambar 2.
 START

Variabel Fuzzy

Himpunan Fuzzy

Umur

Berat Badan

Panjang Badan

Fungsi Keangotaan

Derajat Keangotaan

Rule /Aturan

Komposisi

Defuzzifikasi ( COA )

Kebutuhan Kalori
menggunakan Rumus
Harris Benedict ( 1919 )

COA , Status
Kesehatan , dan
Kebutuhan Kalori .

END

Gambar 2. Flowchart Penalaran Fuzzy Mamdani

Pada penelitian ini terdapat 3 jenis fungsi keanggotaan, yaitu :

a) Representasi Linear Turun

b) Representasi Segitiga
c) Representasi Linear Naik
Berikut ini adalah macam-macam fungsi keangotaan yang digunakan :

a) Representasi Linear Turun

a Domain b

1
Derajat
Keangotaan µ(x)

Fungsi keanggotaan:
(b - x)/(b - a)
;a≤x≤b

0 ;x≥b

b) Representasi Segitiga
 a b c

Domain
Fungsi keanggotaan:
1
Derajat
Keangotaan
µ(x) 0
0
; x ≤ a atau x≥c
(x - a)/(b - a) ;a≤x≤b
(b - a)/(c - b) ;b≤x≤c

c) Representasi Linear Naik

a Domain b

1
Derajat
Keangotaan µ(x)

0
Fungsi keanggotaan:

0
;x≤a
(1x - a)/(b - a)
; a ≤ x ≤ b; x ≥ b

d) Representasi Kurva Trapesium

1
a b c d

Derajat
Keangotaan µ(x)

0 Domain
Fungsi Keanggotaan:

0 ; x ≤ a atau x ≥ d
(x - a)/(b - a) ;a≤x≤b
1 ;b≤x≤c
(d - x)/(d - c) ;x≥d

FUZZY LOGIC MODEL SUGENO

Metode Sugeno mirip dengan metode Mamdani, hanya output (konsekuen) tidak berupa himpunan fuzzy, melainkan
berupa konstanta atau persamaan liniar. Ada dua model metode Sugeno yaitu model fuzzy sugeno orde nol dan
model fuzzy sugeno orde satu. Bentuk umum model fuzzy sugeno orde nol adalah :

IF (x1 is A1) o (x2 is A2) o ….. o (xn is An) THEN  z = k

Bentuk umum model fuzzy Sugeno orde satu adalah :

IF (x1 is A1) o (x2 is A2) o ….. o (xn is An) THEN  z = p1.x1 + … pn.xn + q

Defuzzifikasi pada metode Sugeno dilakukan dengan mencari nilai rata-ratanya.

Gambar 1  Model fuzzy sugeno orde 1

FUZZY LOGIC MODEL TSUKAMOTO

Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-Akibat”/Implikasi “InputOutput”,
di mana antara anteseden dan konsekuen harus ada hubungannya. Setiap aturan direpresentasikan menggunakan
himpunan-himpunan Fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil tegas
(Crisp Solution) digunakan rumus penegasan (defuzifikasi) yang disebut “Metode rata-rata terpusat” atau “Metode
defuzifikasi rata-rata terpusat (Center Average Deffuzzyfier) (Setiadji, 2009) yang ditunjukkan pada Persamaan 1.
Defuzzifikasi menggunakan model Tsukamoto yaitu mengkonversi himpunan Fuzzy keluaran ke bentuk bilangan
crips dengan metode perhitungan rata-rata terbobot (Weighted Average),

𝐾𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝐶𝑟𝑖𝑝𝑠 = ∑ 𝐾𝑜𝑛𝑠𝑒𝑘𝑢𝑒𝑛

(1) di mana alpha adalah derajat keanggotaan parameter keluaran dan konsekuen adalah nilai parameter
keluaran.
 Tabel 1. Perancangan himpunan Fuzzy
No Fuzzyfication

Fase 1 130-150 Bulan

Fase 2 140-160 Bulan
1 Variabel Umur Fase 3 150-170 Bulan
Fase 4 160-180 Bulan

Fase 5 >180 Bulan

Kurus 41-52 Kg
2 Variabel Berat Badan Laki-Laki Ideal 45-65 Kg
Berat > 61 Kg

Kurus 40 - 51 Kg
3 Variabel Berat Badan Perempuan Ideal 44 - 64 Kg
Berat > 61 Kg

Pendek 141 - 156 cm

4 Variabel Tinggi Badan Laki-Laki Sedang 150 - 165 cm
Tinggi > 160 cm

Variabel Tinggi Badan Pendek 140 - 155 cm

5 Perempuan Sedang 149 - 164 cm
Tinggi > 159 cm

Buruk 0 – 44
Variabel Nilai Gizi Siswa Laki- Kurang 44 – 50
6 Laki Sedang 50 – 60
Baik 60 – 70

Lebih 70 – 120

Buruk 0 – 43
Kurang 43 – 49
Variabel Nilai Gizi Siswa Sedang 49 – 59
7 Perempuan Baik 59 – 79
Lebih 79 – 110

Tabel 2. Aturan – aturan Fuzzy

N I FASE and BB and TB THE Statu
o F N s
1 I FASE 1 and RINGAN and THE Baik
F RENDAH N
2 I FASE 1 and RINGAN and SEDANG THE Baik
F N
3 I FASE 1 and RINGAN and TINGGI THE Sedang
F N
4 I FASE 1 and SEDANG and THE Lebih
F RENDAH N
 5 I FASE 1 and SEDANG and THE Lebih
F SEDANG N
6 I FASE 1 and SEDANG and TINGGI THE Lebih
F N
7 I FASE 1 and BERAT and RENDAH THE Lebih
F N
8 I FASE 1 and BERAT and SEDANG THE Lebih
F N
9 I FASE 1 and BERAT and TINGGI THE Lebih
F Sampai Dengan N
38 I FASE 5 and RINGAN and SEDANG THE Buruk
F N
39 I FASE 5 and RINGAN and TINGGI THE Buruk
F N
40 I FASE 5 and SEDANG and THE Kurang
F RENDAH N
41 I FASE 5 and SEDANG and THE Kurang
F SEDANG N
42 I FASE 5 and SEDANG and TINGGI THE Kurang
F N
43 I FASE 5 and BERAT and RENDAH THE Lebih
F N
44 I FASE 5 and BERAT and SEDANG THE Lebih
F N
45 I FASE 5 and BERAT and TINGGI THE Baik
F N

Hasil dan Pembahasan

Tabel 3. Pengolahan Data Pengukuran
Jenis Umur TB BB Status Penilaia
Kelami (bulan (cm (kg Kesehatan n Has
No
n ) ) ) (Sebutan Pakar il
Fuzzy)
1 L 145 152 50 Baik Baik Sam
a
2 P 185 168 60 Sedang Sedang Sam
a
3 L 195 177 55 Sedang Sedang Sam
a
4 L 188 170 65 Sedang Sedang Sam
a
5 P 148 155 58 Baik Baik Sam
a
6 P 150 160 55 Sedang Sedang Sam
a
7 L 158 153 45 Sedang Sedang Sam
 a
8 L 185 168 55 Sedang Sedang Sam
a
9 P 190 165 60 Sedang Sedang Sam
a
10 P 160 165 55 Sedang Sedang Sam
a
11 P 150 155 45 Baik Baik Sam
a
12 L 145 165 63 Sedang Sedang Sam
a
13 P 167 160 58 Baik Baik Sam
a
14 P 185 177 55 Sedang Sedang Sam
a
15 L 167 141 40 Kurang Kurang Sam
a
16 L 187 168 58 Baik Baik Sam
a
17 L 158 160 55 Kurang Kurang Sam
a
18 L 161 170 60 Baik Baik Sam
a
19 L 172 158 66 Sedang Sedang Sam
a
20 L 164 170 55 Baik Baik Sam
a
21 L 170 166 56 Kurang Kurang Sam
a
22 L 158 156 43 Baik Baik Sam
a
23 L 153 158 56 Kurang Kurang Sam
a
24 L 160 177 58 Baik Baik Sam
a
25 L 156 168 57 Kurang Kurang Sam
a
26 L 172 166 45 Sedang Sedang Sam
a
27 L 189 158 48 Sedang Sedang Sam
a
28 L 156 170 60 Baik Baik Sam
a
29 L 185 160 55 Sedang Sedang Sam
a
30 L 167 158 60 Baik Baik Sam
a
31 L 178 160 61 Sedang Sedang Sam
a
 32 P 185 167 66 Sedang Sedang Sam
a
33 P 180 159 45 Kurang Kurang Sam
a
34 L 152 165 56 Baik Baik Sam
a
35 P 190 156 60 Sedang Sedang Sam
a
36 L 168 170 45 Sedang Sedang Sam
a
37 L 148 165 52 Sedang Sedang Sam
a
38 P 178 158 60 Baik Baik Sam
a
39 P 182 157 58 Sedang Sedang Sam
a
40 P 165 159 60 Baik Baik Sam
a
41 P 170 154 75 Sedang Sedang Sam
a
42 P 180 159 46 Kurang Kurang Sam
a
43 P 170 160 55 Sedang Sedang Sam
a
44 P 185 160 60 Baik Baik Sam
a
45 P 190 158 60 Baik Baik Sam
a
46 P 183 162 55 Baik Baik Sam
a
47 P 183 153 45 Sedang Sedang Sam
a
48 P 190 159 60 Sedang Sedang Sam
a
49 P 188 155 60 Sedang Sedang Sam
a
50 P 185 162 58 Sedang Sedang Sam
a
Pada penelitian ini dilakukan uji coba kepada 50 siswa, setiap tes dianalisis menggunakan Fuzzy Tsukamoto, untuk
menghitung penentuan status kesehatan siswa SMK, yang terdapat empat variabel input, diantaranya: Umur siswa,
jenis kelamin, tinggi badan dan berat badan. Hasil pengujian Fuzzy Tsukamoto dibandingkan dengan penilaian
pakar, hasil pengujian dapat dilihat pada Tabel 3. Tabel 3 menampilkan sebagian uji coba tes penentuan status
kesehatan siswa, proses input tersebut disesuaikan dengan data siswa.

Berdasarkan hasil pengujian yang disajkan pada Tabel 3, maka dapat dikatakan untuk peserta tes
kesehatan dengan kategori seperti yang ditampilkan pada Tabel 4. Berdasarkan analisis data pada Tabel 4,
maka dapat dikatakan bahwa tes kesehatan untuk calon siswa SMK adalah kategori kurang dengan jenis
kelamin laki-laki dengan jumlah 5 siswa dari 50 siswa, sedangkan kategori kurang dengan jenis kelamin
perempuan dengan jumlah 2 siswa dari 50 siswa. Kategori sedang dengan jenis kelamin laki-laki dengan
jumlah 12 siswa dari 50 siswa, sedangkan kategori sedang dengan jenis kelamin perempuan dengan jumlah
14 siswa dari 50 siswa. Kategori baik dengan jenis kelamin laki-laki dengan jumlah 9 siswa dari 50 siswa,
sedangkan kategori baik dengan jenis kelamin perempuan dengan jumlah 8 siswa dari 50 siswa.
Membandingkan hasil penilaian sistem pakar dengan hasil penilaian menggunakan metode Fuzzy Tsukamoto
yang telah diuji ditunjukkan pada Tabel 3 menunjukkan hasil yang sama.

Tabel 4. Hasil Pengolahan data

Jenis Kelamin Kurang Sedang Baik
Laki-laki 5 12 9
Perempuan 2 14 8

Dengan hasil pengolahan data pengukuran, maka diperoleh status kesehatan siswa dengan kategori sedang
jenis kelamin laki-laki sebesar 12 dan jenis kelamin perempuan 14, menunjukkan kepada klasifikasi rata-rata
peserta tes adalah kategori sedang. Pada penelitian ini, hasil uji coba menggunakan metode Fuzzy Tsukamoto
memiliki nilai yang serupa sesuai dengan hasil penilaian pakar. Selanjutnya dapat dilakukan analisis lebih
mendalam terkait dengan tingkat keberhasilan metode ini. Pada penelitian selanjutnya juga dapat dilakukan
perbandingan antara penggunakan metode Fuzzy dengan metode konvensional.

Kesimpulan

Penggunaan logika Fuzzy menggunakan metode Tsukamoto dapat menentukan status kesehatan pada calon
siswa SMK dengan menggunakan Fuzzy Logic. Terdapat empat variabel input dan satu variabel output,
diantaranya variabel input; umur siswa, jenis kelamin, tinggi siswa, dan berat badan siswa. Sedangkan
variabel output adalah status kesehatan siswa. Penelitian ini diharapkan membantu SMK dalam tes kesehatan
penerimaan peserta didik baru, sehingga dapat melakukan analisis terhadap penilaian status kesehatan calon
peserta didik yang lebih cepat dan akurat. Meskipun untuk kehandalan metode ini masih perlu dilakukan
penelitian selanjutnya terkait dengan akurasi metode fuzzy dibandingkan metode konvensional.

NEURAL NETWORK

Neural network adalah model yang terinspirasi oleh bagaimana neuron dalam otak manusia bekerja. Tiap neuron
pada otak manusia saling berhubungan dan informasi mengalir dari setiap neuron tersebut. Gambar di bawah adalah
ilustrasi neuron dengan model matematisnya.
Credits : Stanford Course

Tiap neuron menerima input dan melakukan operasi dot dengan sebuah weight, menjumlahkannya (weighted sum)
dan menambahkan bias. Hasil dari operasi ini akan dijadikan parameter dari activation function yang akan dijadikan
output dari neuron tersebut.

(1) Perceptron.

Pertama kali diperkenalkan oleh F. Rosenblatt pada tahun 1958. Umumnya hanya digunakan untuk operasi logic
sederhana seperti AND atau OR, tidak untuk operasi logic yang agak kompleks seperti XOR. (Asro : 2010)
Type : feedforward.
Neuron layer : 1 input layer, 1 output layer.
Activation function : hard limiter.
Learning methode : supervised.
Learning algorithm : hebb learning rule.
Penggunaan: simple logical operations, pattern classification.

      Jaringan lapis tunggal perseptron (single layer perceptron) terdiri dari beberapa unit pemroses (neuron) seperti
pada gambar diatas, yang terhubung dan mempunyai beberapa masukan serta beberapa keluaran. Single Perceptron
sering disebut juga dengan Perceptron. Perceptron menghitung jumlah nilai perkalian penimbang dan masukan dari
parameter permasalahn yang kemudian dibandingkan dengan nilai treshold. Bila nilai keluaran lebih besar dari
treshold maka keluarannya adalah satu, sebaliknya adalah nol.

     Dimana xi adalah sinyal masukan dan wji adalah penimbangnya. Bila I>T maka keluaran O = 1 sebaliknya O = 0
dimana T adalah treshold.

(2) Multi-layer-perception.

    Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan
mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers.  Multi-layer-perceptron dapat
digunakan untuk operasi logik termasuk yang kompleks seperti XOR. (Asro : 2010)
Type : feedforward.
Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1 output layer.
Activation function : hard limiter/sigmoid.
Learning methode : supervised.
Learning algorithm : delta learning rule atau backpropagation (paling banyak digunakan).
Penggunaan : complex logical operations, patten classification.

(3) Backpropagation

      Diperkenalkan oleh G.E. Hinton, E. Rumelhart dan R.J. Williams pada tahun 1986, merupakan tipe yang paling
baik (powerfull). (Asro : 2010)
Type : feedforward.
Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1 output layer.
Activation function : sigmoid.
Learning methode : supervised.
Learning algorithm : backpropagation.
Penggunaannya : complex logical operations, patten classification, speech analysis.
Algoritma backpropagasi termasuk metode yang di desain untuk operasi pada jaringan feed foward multi lapis.
Metode ini telah banyak digunakan secara luas, diantaranya diterapkan di bidang finansial, pengenalan pola tulisan
tangan, pengenalan pola suara sistem kendali, pengolah citra medika, dan masih banyak lagi.

Secara garis besar cara kerja metode ini adlah jika jaringan diberikan pola masukan maka pola tersebut menuju ke
unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan
keluaran memberikan tanggapan yang disebut keluaran jaringan. Jika keluaran jaringan tidak sama dengan keluaran
yang diharapkan, maka keluaran akan menyebar mundur pada lapisan tersembunyi lalu ke unit pada lapisan
masukan. Sehingga metode ini disebut backpropagation.

(4) Hopfield Net.

Diperkenalkan oleh ahli fisika J.J. Hopfield tahun 1982 dan menjadi tipe NN yang disebut “thermodynamical
models”. Terdiri dari sekumpulan neurons, tidak ada perbedaan antara input dan output neurons. (Asro : 2010)
Type : feedback.
Neuron layers : 1 matrix.
Activation function : signum/hard limiter.
Learning method : unsupervised.
Learning algorithm : delta learning rule/simulated annealing (paling banyak digunakan).
Penggunaannya : patten association, optimization problems.
Metode dapat dinyatakan sebagai sebuah memori asosiatip (associative memory). JST Hopfield merupakan salah
satu metode optimasi untuk pencarian nilai minimum dari kombinasi fungsi obyektif.

(5) Kohonen Feature Map.

Diperkenalkan oleh Teuvo Kohonen (University of Helsinki) tahun 1982. (Asro : 2010)

Type : Feedforward/Feedback.
Neuron layers : 1 input layer, 1 map layer.
Activation function : sigmoid.
Learning methode : unsupervised.
Learning algorithm : selforganization.
Penggunaanya : patten association, optimization problems, simulation.

      Metode ini merupakan proses unsupervised learning yang mempelajari distribusi himpunan pola-pola tanpa
informasi kelas. Ide dasar teknik ini dipahami dari bagaimana proses otak manusia menyimpan gambar/pola yang
telah dikenalinya melalui mata, kemudian mampu mengungkapkan kembali gambar/pola tersebut. Oleh karena itu,
aplikasi model ini banyak digunakan pada pengenalan obyek/citra visual (visual image).

. Back Propagation Neural Network (BPNN)

BPNN merupakan algoritma pelatihan terbimbing yang mempunyai banyak lapisan. BPNN menggunakan error
output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap
perambatan maju (forward propagation) harus dikerjakan terlebih dahulu.

Syarat fungsi aktivasi dalam BPNN adalah bersifat kontinu, terdifferensial dengan mudah, dan merupakan
fungsi yang tidak turun. Fungsi aktivasi yang dapat memenuhi ketiga syarat tersebut adalah logsig, tansig, dan
purelin.

Metode pengenalan merupakan proses inisialisasi data yang akan diolah selanjutnya oleh BPNN. Data
yang akan dikenali disajikan dalam bentuk vektor. Masing-masing data mempunyai target yang disajikan juga
dalam bentuk vektor. Target atau keluaran acuan merupakan suatu peta karakter yang menunjukkan lokasi
dari vektor masukan.

Sedangkan metode pelatihan merupakan proses latihan mengenali data dan menyimpan pengetahuan atau
informasi yang didapat ke dalam bobot-bobot (Heaton, 2003).

Terdapat 3 fase dalam pelatihan BPNN, yaitu fase maju (feed forward), fase mundur (back propagation),
dan fase modifikasi bobot. Dalam fase feed forward, pola masukan dihitung maju dimulai dari lapisan input
hingga lapisan output. Dalam fase back propagation, tiap-tiap unit output menerima target pola yang
berhubungan dengan pola input untuk dihitung nilai kesalahan. Kesalahan tersebut akan dipropagasikan
mundur. Sedangkan fase modifikasi bobot bertujuan untuk menurunkan kesalahan yang terjadi. Ketiga fase
tersebut diulang secara terus menerus hingga kondisi penghentian dipenuhi.

MEMORY ASSOCIATIVE BIDIRECTIONAL (BAM)

Beberapa versi dari jaringan saraf berulang heteroassociative, atau bidirectional associative memory (BAM),
dikembangkan oleh Kosko (1988, 1992a).
- Memori asosiatif dua arah [Kosko, 1988] menyimpan sekumpulan asosiasi pola dengan menjumlahkan matriks
korelasi bipolar (dan matriks produk luar n untuk setiap pola yang akan disimpan).
- Arsitektur jaring terdiri dari dua lapisan neuron, dihubungkan oleh jalur koneksi berbobot arah.
- Jaring iterasi, mengirimkan sinyal bolak-balik antara dua lapisan sampai semua neuron mencapai keseimbangan
(mis., Hingga setiap aktivasi neuron tetap konstan untuk beberapa langkah).
- Jaring neural memori asosiatif dua arah dapat merespons input ke salah satu layer.
- Karena bobotnya dua arah dan algoritma berganti-ganti antara memperbarui aktivasi untuk setiap lapisan, kita akan
merujuk ke lapisan sebagai lapisan-X dan lapisan-Y (daripada lapisan input dan output).

Figure : Bidirectional Associative Memory (BAM)

Arsitektur
- Jaringan BAM umpan balik nonlinier single-layer (dengan memori beralamat konten heteroassociative) memiliki n
unit dalam Xlayer dan unit m dalam Y-layer.
- Koneksi antar lapisan bersifat dua arah; yaitu, jika matriks bobot untuk sinyal yang dikirim dari lapisan-X ke
lapisan-Y adalah W, matriks bobot untuk sinyal yang dikirim dari lapisan-Y ke lapisan-X adalah
WT.

ADALINE (Adaptive Linear Neuron atau yang lebih baru Adaptive Linear Element)

adalah jaringan saraf tiruan single-layer awal dan nama perangkat fisik yang mengimplementasikan jaringan ini. [1]
[2] [3] [4] [5] Jaringan menggunakan memistors. Ini dikembangkan oleh Profesor Bernard Widrow dan mahasiswa
pascasarjana Ted Hoff di Universitas Stanford pada tahun 1960. Ini didasarkan pada neuron McCulloch-Pitts. Ini
terdiri dari bobot, bias dan fungsi penjumlahan.

Perbedaan antara Adaline dan perceptron standar (McCulloch-Pitts) adalah bahwa pada fase pembelajaran, bobot
disesuaikan menurut jumlah bobot dari input (bersih). Dalam perceptron standar, jaring diteruskan ke fungsi aktivasi
(transfer) dan output fungsi digunakan untuk menyesuaikan bobot.

Adaline adalah jaringan saraf lapis tunggal dengan banyak node di mana setiap node menerima beberapa input dan
menghasilkan satu output. Diberikan variabel-variabel berikut sebagai:

    x {\ displaystyle x} x adalah vektor input

    w {\ displaystyle w} w adalah vektor bobot
    n {\ displaystyle n} n adalah jumlah input
    θ {\ displaystyle \ theta} \ theta beberapa konstanta
    y {\ displaystyle y} y adalah output dari model

MADALINE (Many ADALINE )

adalah tiga lapisan (input, tersembunyi, output), terhubung penuh, arsitektur jaringan saraf tiruan umpan-maju untuk
klasifikasi yang menggunakan unit ADALINE dalam lapisan tersembunyi dan keluarannya, yaitu fungsi aktivasi
adalah fungsi tanda. [9] Jaringan tiga lapis menggunakan memistors. Tiga algoritma pelatihan yang berbeda untuk
jaringan MADALINE, yang tidak dapat dipelajari dengan menggunakan backpropagation karena fungsi tanda tidak
dapat dibedakan, telah disarankan, disebut Aturan I, Aturan II dan Aturan III. Yang pertama dari tanggal-tanggal ini
kembali ke tahun 1962 dan tidak dapat mengadaptasi bobot dari koneksi keluaran-tersembunyi. [10] Algoritma
pelatihan kedua ditingkatkan pada Aturan I dan dijelaskan pada tahun 1988. [8] "Aturan" ketiga diterapkan pada
jaringan yang dimodifikasi dengan aktivasi sigmoid alih-alih signum; itu kemudian ditemukan setara dengan
backpropagation. [10]

Algoritma pelatihan Aturan II didasarkan pada prinsip yang disebut "gangguan minimal". Itu hasil dengan
mengulang contoh pelatihan, maka untuk setiap contoh, itu:

    menemukan unit lapisan tersembunyi (ADALINE classifier) dengan kepercayaan terendah dalam prediksinya,
    sementara membalik tanda unit,
    menerima atau menolak perubahan berdasarkan pada apakah kesalahan jaringan berkurang,
    berhenti ketika kesalahannya nol.

Selain itu, ketika membalik tanda-tanda unit tunggal tidak mengarahkan kesalahan ke nol untuk contoh tertentu,
algoritma pelatihan mulai membalik pasangan tanda-tanda unit, kemudian tiga kali lipat unit, dll.

Memori asosiatif neural (NAM)

adalah model jaringan saraf yang terdiri dari elemen neuronlike dan synapse-like. Pada setiap titik waktu keadaan
jaringan saraf diberikan oleh vektor kegiatan saraf, itu disebut pola aktivitas. Neuron memperbarui nilai aktivitas
mereka berdasarkan input yang mereka terima (di atas sinapsis). Dalam model jaringan saraf paling sederhana,
fungsi input-output neuron adalah fungsi identitas atau operasi ambang batas. Perhatikan bahwa dalam kasus
terakhir keadaan aktivitas saraf adalah biner: aktif atau tidak aktif. Informasi yang akan diproses oleh jaringan saraf
diwakili oleh pola aktivitas (misalnya, representasi pohon dapat merupakan pola aktivitas di mana neuron aktif
menampilkan gambar pohon). Dengan demikian, pola aktivitas adalah representasi dari elemen-elemen yang
diproses dalam jaringan. Representasi disebut jarang jika rasio antara neuron aktif dan tidak aktif kecil.
 
    Sinapsis dalam jaringan saraf adalah hubungan antara neuron atau antara neuron dan serat yang membawa input
eksternal. Sinaps mentransmisikan aktivitas presinaptik ke situs postsinaptik. Dalam model jaringan saraf yang
paling sederhana, setiap sinaps memiliki nilai bobot dan sinyal postsinaptik hanyalah produk dari aktivitas dan berat
presinaptik. Input dari neuron adalah jumlah dari sinyal postsinaptik dari semua sinapsis yang menghubungkan
neuron. Dengan demikian, informasi diproses dalam jaringan saraf oleh penyebaran aktivitas. Bagaimana aktivitas
menyebar, dan dengan ini, algoritma mana yang diterapkan dalam jaringan tergantung pada bagaimana struktur
sinaptik, matriks bobot sinaptik dalam jaringan dibentuk oleh pembelajaran. Dalam memori asosiatif neural,
pembelajaran menyediakan penyimpanan satu set (besar) pola aktivitas selama pembelajaran, pola memori.
    Fungsi memori yang berbeda didefinisikan dengan cara bagaimana pola yang dipelajari dapat diakses secara
selektif oleh pola input. Fungsi pengenalan pola berarti untuk mengklasifikasikan pola input dalam dua kelas, pola
yang akrab dan sisanya. Asosiasi pola menggambarkan fungsi untuk mengaitkan pola input tertentu dengan pola
memori tertentu, yaitu, setiap memori yang disimpan terdiri dari sepasang input dan pola output yang diinginkan.
Keuntungan dari memori asosiatif neural dibandingkan algoritma penyimpanan pola lainnya seperti tabel pencarian
kode hash adalah bahwa akses memori dapat toleran terhadap kesalahan sehubungan dengan variasi pola input.
Untuk asosiasi pola, ini berarti bahwa pola output dapat diproduksi untuk serangkaian pola input yang (sehubungan
dengan metrik seperti jarak Hamming) paling dekat dengan pola input yang disajikan selama pembelajaran.
Toleransi kesalahan adalah kunci dalam fungsi pengambilan pola yang ditujukan konten atau penyelesaian pola. Di
sini pasangan pola yang digunakan selama pembelajaran harus terdiri dari dua pola yang identik yang juga disebut
pembelajaran autoassociative. Dalam kasus ini jika pola input adalah versi berisik dari pola yang dipelajari, asosiasi
pola dapat dilihat sebagai penyelesaian pola, mis., Versi berisik diganti dengan versi tanpa suara dari pola.

Jaringan syaraf tiruan sederhana

pertama kali diperkenalkan oleh McCulloch dan
Pitts di tahun 1943. Jaringan syaraf tiruan (biasa disingkat JST) atau Neural Network
adalah suatu model matematis yang berupa sistem pengolah informasi yang meniru
sistem jaringan syaraf biologi. Jaringan syaraf tiruan dapat digunakan untuk
menyelesaikan sejumlah permasalahan besar karena memiliki kemampuan memodelkan
permasalahan yang kompleks.
Kunci Jaringan Syaraf Tiruan adalah struktur sistem
pengolahan informasi, yang terdiri atas sejumlah unsur-unsur (syaraf) yang bekerja
saling berhubungan untuk memecahkan permasalahan spesifik (Arifin dan Irawan,
2009). Metode matematis ini juga mampu menangkap dan mempresentasikan hubungan
input, output, dan solusinya lebih baik dibandingkan dengan hasil yang diperoleh dari
metode tradisional.
Jaringan Syaraf Tiruan merupakan kumpulan sel-sel syaraf (neuron) yang
mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah
neuron adalah dendrit yang bertugas menerima informasi, badan sel (soma) berfungsi
sebagai tempat pengolahan informasi, dan akson (neurit) yang bertugas mengirimkan
impuls ke sel syaraf lainnya (Fauset, 1994). Jaringan Syaraf Tiruan dibangun untuk
meniru cara kerja otak manusia. Seperti halnya otak manusia yang terdiri dari
sekumpulan sel syaraf (neuron), jaringan syaraf juga terdiri dari beberapa neuron dan
terdapat hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan
memindahkan informasi yang diterima melalui sambungan keluarnya menuju neuron-
neuron yang lain. Pada jaringan syaraf, hubungan ini dinamakan bobot. Informasi
tersebut disimpan pada nilai tertentu pada bobot.
Lapisan-lapisan penyusunan jaringan syaraf tiruan terbagi menjadi 3 bagian, yaitu lapisan pertama adalah
lapisan input yang berfungsi menerima pola masukan data dari luar yang menggambarkan permasalahan, lapisan
kedua adalah lapisan tersembunyi yang merupakan lapisan output yang disembunyikan dan belum menjadi solusi
dari Jaringa Syaraf Tiruan, dan lapisan ketiga adalah lapisan output yang merupakan merupakan solusi jaringan
syaraf tiruan terhadap
permasalahan yang diberikan (Arifin dan Irawan, 2009).
Proses pembelajaran terhadap perubahan bobot dalam Jaringan Syaraf Tiruan ada
dua, yaitu (Fauset, 1994);
(i) Pembelajaran Tak Terawasi (unsupervised learning)
Pada metode pembelajaran tak terawasi ini tidak memerlukn target output. Pada metode
ini, tidak dapat ditentukan seperti hasil apakah yang diharapkan selama proses
pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range
tertentu tergantung dari nilai input yang diberikan.
(ii) Pembelajaran Terawasi (supervised learning)
Metode pembelajaran dalam jaringan syaraf tiruan dikatakan terawasi jika output yang
diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan
diberikan pada satu node pada input layer. Pola ini dirambatkan disepanjang jaringan
syaraf tiruan hingga sampai ke node pada output layer. Output layer ini akan
membangkitkan pola output yang nantinya akan dicocokkan dengan pola output target.
Apabila terjadi perubahan antara pola output hasil pembelajaran dengan pola target,
maka disini akan muncul error. Apabila nilai error ini masih cukup besar, maka
mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi.
2. Jaringan Kohonen Self Organizing Maps
Jaringan Kohonen Self Organizing Maps termasuk dalam pembelajaran tak
terawasi (unsupervised learning). Jaringan ini pertama kali diperkenalkan oleh Teuvo
Kohonen pada tahun 1981. Pada jaringan ini, suatu lapisan yang berisi neuron-neuron
akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok
yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang
memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai
pemenang. Neuron yang menjadi pemenang beserta neuron-
neuron tetangganya akan memperbaiki bobot-bobotnya (Fauset, 1994).
Terdapat m unit kelompok yang tersusun dalam arsitektur sinyal-sinyal masukan
(input) sejumlah n. Vektor bobot untuk suatu unit kelompok disediakan dari pola-pola
masukan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian
sendiri, unit kelompok yang memiliki vektor bobot paling cocok dengan pola masukan
(ditandai dengan jarak Euclidean paling minimum) dipilih sebagai pemenang. Unit
pemenang dan unit tetangganya diperbaharui bobotnya. Setiap neuron terkoneksi
dengan neuron lain yang dihubungkan dengan bobot atau weight. Bobot tersebut berisi
informasi yang akan digunakan untuk tujuan tertentu.
 METAHEURISTIC
Metode metahuristik adalah metode optimisasi yang dilakukan dengan memperbaiki kandidat penyelesaian secara
iteratif sesuai dengan fungsi objektifnya (Talbi. 2009). Metode ini mampu menghasilkan penyelesaian yang baik
dalam waktu yang cepat (acceptable), tetapi tidak menjamin bahwa penyelesaian yang dihasilkan merupakan
penyelesaian terbaik (optimal). Metaheuristik ini menekankan pada proses eksplorasi (pencarian global) dan
eksploitasi (pencarian lokal).
Metode metaheuristik pada masa modern ini sering diinspirasi dari kejadian-kejadian alami baik dari tingkah laku
hewan, tumbuhan dan juga konsep evolusi. Metode metaheuristik yang menggunakan konsep evolusi diinspirasi dari
hukum Darwin, bahwa yang bertahan adalah yang paling kuat atau yang paling baik. Teknik evolusi digunakan pada
algoritma genetika (Genetic Algorithm) dan Differential Evolution (DE) untuk membantu menemukan solusi
optimal suatu permasalahan. Adapun algoritma yang didasarkan pada teknik swarm intelligence yaitu seperti halnya
Particle Swarm Optimization (PSO), Ant Colony Optimization, Artificial Bee Colony, Chuckoo Search, Firefly, and
Bat Algorithm.

A).TABU SEARCH

Tabu Search merupakan single-solution based metaheuristik yang diperkenalkan oleh Fred Glover pada tahun 1986.
Tabu search sangat popular di tahun 90an, dan sampai sekarang masih menjadi salah satu single-solution based
metaheuristik yang banyak dipakai untuk menyelesaikan permasalahan optimisasi. Tabu search merupakan metode
metaheuristik yang dilandaskan pada pencarian local (local search).

Tabu Search mempunyai tiga komponen penting:

1. penggunaan struktur memori yang fleksibel, yang memungkinkan evaluasi kriteria dan informasi historis bisa di
eksploitasi lebih baik dibandingkan dengan struktur memori yang statis.
2. penggunaan mekanisme control yang didasarkan interaksi antara kondisi yang membatasi dan kondisi yang
mendukung proses pencarian.
3. penggabungan fungsi memori yang memiliki rentang waktu yang berbeda, dari memori jangka pendek sanpai
dengan memori jangka panjang, untuk menerapkan strategi intensifikasi dan diversifikasi.

Untuk menghindari proses pencarian kembali ke kandidat solusi yang pernah dikunjungi, Tabu Search akan
mengingat jalur pencarian yang telah dilewati. Kandidat solusi yang sudah dilewati akan disimpan dalam memori,
yang disebut Tabu list, dan tidak akan dilewati lagi (karena itu disebut Tabu). Dalam setiap iterasi, memori ini akan
diperbaharui. Akan tetapi, menyimpan semua solusi yang pernah ditemukan membutuhkan waktu dan kapasitas
memori yang besar, karena dalam setiap iterasi harus dilakukan pencocokkan apakah suatu candidate solusi ada
diantara Tabu list, sehingga Tabu list biasanya ditetapkan berukuran konstan dan berisi pergerakan yang Tabu atau
Tabu moves (dan bukan solusi yang tabu).

Didalam menerapkan Tabu search, ada beberapa hal yang harus diperhatikan, yaitu:

1. Tabu list : tujuan dari penggunaan Tabu list (memori jangka pendek) adalah untuk menghindari
mengevaluasi kandidat solusi yang pernah dikunjungi sebelumnya. Akan tetapi, menampung semua
kandidat solusi yang pernah dievaluasi kedalam Tabu list akan membuat Tabu search menjadi tidak efektif
(memerlukan ukuran memori yang besar dan wakt yang lama untuk mengecek apakah suatu candidate
solusi pernah dievaluasi atau belum).
 2. Aspiration criteria: umumnya diterapkan jika pergerakan tabu tersebut menghasilkan kandidat solusi yang
memiliki nilai yang lebih baik daripada solusi terbaik yang telah dihasilkan.
3. Intensifikasi (memori jangka menengah):  memori jangka menengah menyimpan sejumlah solusi yang
berkualitas (elite solution) yang dihasilkan selama proses pencarian. Memori jangka menengah ini
bertujuan untuk memberikan prioritas kepada atribut dari solusi berkualitas tersebut.
4. Diversifikasi (memori jangka panjang): memori jangka panjang menyimpan infromasi tentang kandidat
solusi yang pernah dikunjungi. Berdasarkan infromasi tersebut, memori ini dapat mengeksplorasi area
dalam ruang pencarian yang belum dikunjungi.

B).ANT COLONY

Dalam riset operasi dan ilmu komputer, algoritma optimisasi koloni semut (ACO) adalah teknik probabilistik
untuk memecahkan masalah komputasi yang dapat direduksi untuk menemukan jalur yang baik melalui grafik.
Semut tiruan berarti metode multi-agen yang terinspirasi oleh perilaku semut sungguhan. Komunikasi semut
biologis berbasis feromon sering kali merupakan paradigma dominan yang digunakan. [2] Kombinasi Semut Buatan
dan algoritme pencarian lokal telah menjadi metode pilihan untuk berbagai tugas optimisasi yang melibatkan
beberapa jenis grafik, mis., Perutean kendaraan dan perutean internet. Kegiatan yang berkembang di bidang ini telah
menyebabkan konferensi yang didedikasikan semata-mata untuk Semut Buatan, dan berbagai aplikasi komersial
oleh perusahaan khusus seperti AntOptima.
Sebagai contoh, optimasi koloni semut [3] adalah kelas algoritma optimasi dimodelkan pada tindakan koloni
semut. 'Semut' buatan (mis. Agen simulasi) menemukan solusi optimal dengan bergerak melalui ruang parameter
yang mewakili semua solusi yang mungkin. Semut yang sebenarnya meletakkan feromon yang saling mengarahkan
sumber daya sambil menjelajahi lingkungannya. 'Semut' yang disimulasikan juga merekam posisi mereka dan
kualitas solusinya, sehingga dalam simulasi selanjutnya iterasi lebih banyak semut menemukan solusi yang lebih
baik. [4] Salah satu variasi pada pendekatan ini adalah algoritma lebah, yang lebih analog dengan pola pencarian
lebah madu, serangga sosial lainnya.

Algoritma ini adalah anggota dari keluarga algoritma semut koloni, dalam metode kecerdasan segerombolan,
dan merupakan beberapa optimasi metaheuristik. Awalnya diusulkan oleh Marco Dorigo pada tahun 1992 dalam
tesis PhD-nya, [5] [6] algoritma pertama bertujuan untuk mencari jalur optimal dalam grafik, berdasarkan
perilaku semut yang mencari jalur antara koloni mereka dan sumber makanan. . Gagasan orisinilnya telah
terdiversifikasi untuk menyelesaikan kelas masalah numerik yang lebih luas, dan sebagai hasilnya, beberapa
masalah telah muncul, dengan memanfaatkan berbagai aspek perilaku semut. Dari perspektif yang lebih luas, ACO
melakukan pencarian berbasis model [7] dan berbagi beberapa kesamaan dengan estimasi algoritma distribusi.

C).BEE COLONY

Dalam model ABC, koloni terdiri dari tiga kelompok lebah: lebah yang dipekerjakan, pengamat dan pengintai.
Diasumsikan bahwa hanya ada satu lebah buatan yang dipekerjakan untuk setiap sumber makanan. Dengan kata
lain, jumlah lebah yang dipekerjakan di koloni sama dengan jumlah sumber makanan di sekitar sarang. Lebah yang
dipekerjakan pergi ke sumber makanan mereka dan kembali ke sarang dan menari di daerah ini. Lebah yang
dipekerjakan yang sumber makanannya telah ditinggalkan menjadi pengintai dan mulai mencari sumber makanan
baru. Para pengunjung menyaksikan tarian lebah yang dipekerjakan dan memilih sumber makanan tergantung pada
tarian.
 Langkah-langkah utama dari algoritma diberikan di bawah ini :
-) Sumber makanan awal diproduksi untuk semua lebah yang dipekerjakan
-)  ULANG
>Setiap lebah yang dipekerjakan pergi ke sumber makanan dalam ingatannya dan menentukan sumber
terdekat, lalu mengevaluasi jumlah nektar dan tariannya di dalam sarang.
>Setiap penonton menyaksikan tarian lebah yang dipekerjakan dan memilih salah satu sumber mereka
tergantung pada tarian, dan kemudian pergi ke sumber itu. Setelah memilih tetangga sekitar itu, dia mengevaluasi
jumlah nektarnya.
>Sumber makanan yang ditinggalkan ditentukan dan diganti dengan sumber makanan baru yang ditemukan oleh
pengintai.
>Sumber makanan terbaik yang ditemukan sejauh ini terdaftar.
>SAMPAI (persyaratan terpenuhi)
Dalam ABC, algoritma berbasis populasi, posisi sumber makanan mewakili solusi yang memungkinkan untuk
masalah optimisasi dan jumlah nektar dari sumber makanan sesuai dengan kualitas (kebugaran) dari solusi terkait.
Jumlah lebah yang dipekerjakan sama dengan jumlah solusi dalam populasi. Pada langkah pertama, populasi awal
yang didistribusikan secara acak (posisi sumber makanan) dihasilkan. Setelah inisialisasi, populasi harus
mengulangi siklus proses pencarian masing-masing lebah yang dipekerjakan, penonton, dan pengintai. Lebah yang
dipekerjakan menghasilkan modifikasi pada posisi sumber dalam ingatannya dan menemukan posisi sumber
makanan baru. Asalkan jumlah nektar yang baru lebih tinggi daripada sumber sebelumnya, lebah menghafal posisi
sumber baru dan melupakan yang lama. Kalau tidak, dia menyimpan posisi yang ada di ingatannya. Setelah semua
lebah bekerja menyelesaikan proses pencarian, mereka berbagi informasi posisi sumber dengan penonton di area
dansa. Setiap penonton mengevaluasi informasi nektar yang diambil dari semua lebah yang dipekerjakan dan
kemudian memilih sumber makanan tergantung pada jumlah nektar sumber.

Seperti dalam kasus lebah yang dipekerjakan, ia menghasilkan modifikasi pada posisi sumber dalam ingatannya dan
memeriksa jumlah nektarnya. Asalkan nektarnya lebih tinggi dari yang sebelumnya, lebah menghafal posisi baru
dan melupakan yang lama. Sumber-sumber yang ditinggalkan ditentukan dan sumber-sumber baru diproduksi secara
acak untuk diganti dengan yang ditinggalkan oleh pengintai buatan.

Algoritma artificial bee colony (ABC) adalah teknik optimisasi yang mensimulasikan perilaku mencari makan lebah
madu, dan telah berhasil diterapkan pada berbagai masalah praktis [rujukan?]. ABC termasuk dalam kelompok
algoritma segerombolan intelijen dan diusulkan oleh Karaboga pada tahun 2005.

Seperangkat lebah madu, yang disebut swarm, dapat berhasil menyelesaikan tugas melalui kerja sama sosial. Dalam
algoritma ABC, ada tiga jenis lebah: lebah yang dipekerjakan, lebah pengamat, dan lebah pengintai. Lebah yang
dipekerjakan mencari makanan di sekitar sumber makanan dalam ingatan mereka; sementara itu mereka
membagikan informasi sumber makanan ini kepada lebah yang melihatnya. Lebah yang menonton cenderung
memilih sumber makanan yang baik dari yang ditemukan oleh lebah yang dipekerjakan. Sumber makanan yang
memiliki kualitas lebih tinggi (kebugaran) akan memiliki peluang besar untuk dipilih oleh lebah pengamat daripada
yang berkualitas lebih rendah. Lebah pramuka diterjemahkan dari beberapa lebah yang dipekerjakan, yang
meninggalkan sumber makanan mereka dan mencari yang baru.

D).MARRIAGE BEE

Optimalisasi berarti menemukan yang terbaik di antara kemungkinan desain suatu sistem. Dengan kata lain,
untuk tujuan meminimalkan atau memaksimalkan fungsi nyata, memilih nilai nyata atau bilangan bulat dari rentang
yang diidentifikasi, menempatkan ini ke dalam fungsi dan memeriksa atau memecahkan masalah secara sistematis
disebut sebagai optimasi. Untuk solusi masalah optimisasi, teknik optimisasi matematis dan heuristik digunakan.
Dalam masalah dengan ruang solusi yang luas dan besar, algoritma heuristik heuristik menghasilkan hasil terdekat
dengan solusi, tanpa memindai seluruh ruang solusi dan dalam jangka waktu yang sangat singkat. Algoritma
metaheuristik cukup efektif dalam menyelesaikan masalah optimisasi global . Algoritma metaheuristik utama adalah
algoritma genetika (GA), simulated annealing (SA), optimasi partikel swarm (PSO) , optimasi koloni semut (ACO) ,
evolusi diferensial (DE) , pernikahan dalam optimasi lebah madu (MBO) [7, 8], algoritma koloni lebah buatan
(ABC) dan algoritma evolusioner (EA).

Kinerja algoritma yang melakukan kalkulasi yang diilhami alam atau evolusi dapat dipantau dengan aplikasi
mereka pada fungsi tes dari algoritma tersebut. Karaboga dan Basturk menerapkan algoritma artificial bee colony
(ABC), yang mereka usulkan dari inspirasi kegiatan pencarian makanan lebah madu, pada fungsi tes yang tidak
dibatasi . Digalakis dan Margaritis mengembangkan dua algoritma yang disebut sebagai model penggantian generasi
(GRM) dan model penggantian keadaan tunak dengan membuat modifikasi pada algoritma genetika dan memantau
kinerja mereka pada fungsi tes yang tidak dibatasi . Dengan menggabungkan algoritma GA dan SA, Hassan et al.

mengusulkan algoritma geno-simulated annealing (GSA) dan mengimplementasikannya pada fungsi tes tak terbatas
yang paling umum digunakan . Untuk mendapatkan kinerja yang lebih baik di ruang pencarian multidimensi,
Chatterjee et al. menyarankan variasi nonlinear dari PSO yang diketahui, algoritma non-PSO, dan mengukur
kinerjanya pada beberapa fungsi tes yang tidak dibatasi . Dengan mengintegrasikan pendekatan pembelajaran
berbasis oposisi (OBL) untuk inisialisasi populasi dan lompatan generasi dalam algoritma DE, Rahnamayan et al.
mengusulkan algoritma DE (ODE) berbasis oposisi dan membandingkan hasil yang mereka peroleh dari penerapan
algoritma pada fungsi tes yang tidak dibatasi dengan DE . Sulit untuk menunjukkan kinerja yang baik pada semua
fungsi tes. Daripada mengharapkan algoritma yang dikembangkan untuk memberikan hasil yang akurat pada semua
jenis masalah, lebih masuk akal untuk menentukan jenis masalah di mana algoritma berfungsi dengan baik dan
memutuskan algoritma yang akan digunakan pada masalah tertentu.

Pada tahun 2001, Abbass [8] mengusulkan algoritma MBO, yang merupakan algoritma swarm intelligence dan
metaheuristic yang didasarkan pada perkawinan dan pemupukan lebah madu. Kemudian, Abbass dan Teo
menggunakan pendekatan anil dalam algoritma MBO untuk menentukan kumpulan gen lebah jantan [16]. Chang
membuat modifikasi pada MBO untuk memecahkan masalah kombinatorial dan mengimplementasikannya pada
solusi. Sekali lagi, untuk solusi masalah pemrograman dinamis dinamis stokastik infinite horizon-discounted, ia
mengimplementasikan MBO pada solusi dengan mengadaptasi algoritme yang ia beri judul “Iterasi Kebijakan
Lebah Madu” (HBPI) [17]. Pada 2007, Afshar et al. Algoritma MBO yang diusulkan sebagai algoritma optimasi
lebah madu (HBMO) dan menerapkannya pada aplikasi manajemen sumber daya air [18]. Marinakis et al.
menerapkan algoritma HBMO dengan memperoleh HBMOTSP untuk menyelesaikan masalah Euclidan traveling
salesman (TSP) [19]. Chiu dan Kuo [20] mengusulkan metode pengelompokan yang mengintegrasikan optimisasi
kawanan partikel dengan optimisasi lebah madu. Simulasi untuk tiga fungsi uji patokan (MSE, jarak intra-kluster,
dan jarak interluster) dilakukan.

E). FLOWER POLLINATION

Algoritma penyerbukan bunga adalah algoritma metaheuristik yang dikembangkan oleh Xin-She Yang,
berdasarkan proses penyerbukan tanaman berbunga.

Algoritma ini memiliki 4 aturan atau asumsi:

a).Biotik dan penyerbukan silang dianggap sebagai proses penyerbukan global dengan serbuk sari membawa
penyerbuk melakukan penerbangan Levy.
b).Abiotik dan penyerbukan sendiri dianggap sebagai penyerbukan lokal.
c).Keteguhan bunga dapat dianggap sebagai probabilitas reproduksi sebanding dengan kemiripan dua bunga
yang terlibat.
d).Penyerbukan lokal dan global dikendalikan oleh probabilitas sakelar [klarifikasi diperlukan] p ∈ [0, 1] {\
displaystyle p \ dalam [0,1]} {\ displaystyle p \ dalam [0,1]}. Karena kedekatan fisik dan faktor-faktor lain seperti
angin, penyerbukan lokal dapat memiliki fraksi yang signifikan q dalam keseluruhan kegiatan penyerbukan.

Aturan-aturan ini dapat diterjemahkan ke dalam persamaan pembaruan berikut:

F). HARMONY SEARCH

Pencarian harmoni adalah metaheuristik peniru fenomena yang diperkenalkan pada tahun 2001 oleh Zong Woo
Geem, Joong Hoon Kim, dan G. V. Loganathan. Pencarian harmoni terinspirasi oleh proses improvisasi musisi jazz.
Pencarian harmoni telah sangat dikritik karena menjadi kasus khusus dari algoritma Strategi Evolusi yang telah
mapan.

Pencarian Harmony (HS) adalah algoritma evolusi yang relatif sederhana namun sangat efisien. Dalam
algoritma HS, sekelompok / kelompok solusi dihasilkan secara acak (Memori Harmony Disebut). Solusi baru
dihasilkan dengan menggunakan semua solusi dalam memori Harmony (bukan hanya dua seperti yang digunakan
dalam GA) dan jika solusi baru ini lebih baik daripada solusi terburuk dalam memori Harmony, solusi terburuk akan
digantikan oleh solusi baru ini. Meskipun HS adalah algoritma heuristik meta yang relatif baru, efektivitas dan
keunggulannya telah ditunjukkan dalam berbagai aplikasi seperti desain jaringan distribusi air kota, desain
struktural, perutean lalu lintas, masalah pengiriman muatan dalam teknik listrik, optimasi multi-tujuan, masalah
roster, clustering, klasifikasi dan pemilihan fitur. untuk beberapa nama. Survei terperinci tentang aplikasi HS dapat
ditemukan] dan aplikasi HS dalam penambangan data dapat ditemukan.

G). BACTERIA FORAGING

Pada tahun 2002, Passino mengembangkan algoritma optimasi bioinspired baru yang disebut bacterial foraging
optimization (BFO) [26, 27]. Algoritme meniru perilaku pencarian makan E. BFO telah diterapkan pada berbagai
masalah optimisasi termasuk estimasi harmonik [28], desain filter daya aktif [29], pengurangan kehilangan transmisi
[30], dan aliran daya optimal [31]. Sayangnya, BFO terkadang tidak menyatu dengan solusi berkualitas tinggi,
terutama ketika diterapkan pada masalah yang rumit. Kesulitan telah dipecahkan oleh beberapa peneliti [32, 33]
yang memodifikasi langkah chemotaxis dari BFO untuk menjadi mekanisme adaptif dan, oleh karena itu, namanya
optimasi pencarian makan bakteri adaptif, atau ABFO. Ini menggabungkan langkah melompat adaptif yang
dilambangkan sebagai di bawah konsep dasar langkah panjang yang berkaitan dengan penyimpangan besar dari nilai
biaya dari yang ditargetkan, dan sebaliknya. Algoritma ABFO terdiri dari 4 mekanisme utama sebagai berikut.

1).Chemotaxis
Mekanisme ini meniru gerakan renang bakteri. Posisi bakteri dilambangkan sebagai θi
2).Berkumpul
Ketika satu bakteri muncul dengan sendirinya dalam posisi elit, yaitu, bukit atau lembah setempat, ia menarik yang
lain. Secara bersamaan, setiap bakteri mencoba mengusir yang lain di dekatnya. Efek penarik dan penolak
dimodelkan sebagai penjumlahan tertimbang dari istilah eksponensial yang menghadirkan fungsi objektif, Jcc Faktor
pembobotnya adalah, dattract, wattract dan hrepellant dan wrepellant dapat dipilih secara sewenang-wenang.

3).Reproduksi
Bakteri diklasifikasikan selama proses komputasi sebagai sehat dan tidak sehat karena nilai biayanya. Hanya yang
sehat yang mereproduksi dengan menggandakan diri di posisi yang sama.
 4).Eliminasi dan Penyebaran
Mekanisme ini memungkinkan bakteri tidak sehat dibuang. Yang sehat tersebar secara acak di atas ruang pencarian
dengan probabilitas Ped.
Algoritma BFO asli dan ABFO berjalan secara iteratif dan berakhir pada kriteria iterasi maksimum. Solusi yang
diperoleh dari pencarian disimpan dalam memori dan akhirnya disortir untuk menemukan solusi optimal. Dari
pengujian algoritma ABFO, ini menunjukkan properti eksploratif (atau diversifikasi) yang kuat. Properti ini
umumnya ditemukan dalam algoritma berbasis populasi, dan algoritma ABFO adalah salah satunya. Sebaliknya,
algoritma berbasis solusi tunggal, seperti TS, memiliki sifat eksploitatif yang kuat [34-36]. Oleh karena itu, kedua
algoritma saling melengkapi dalam arti bahwa ABFO berguna untuk penyediaan solusi awal elit untuk TS, dan TS
adalah alat yang efisien untuk melacak solusi global dengan cepat. Algoritma ABFO disajikan sebagai bagian dari
algoritma di bagian selanjutnya.