Kelompok 3

Neural Expert System

Rayhan Uthama (221321036)
Satria (221321038)
Mukhlis Santoso (221321034)
Hafizhah Mardivta (221321022)
Hazlita (221321023)

Kosentrasi Sistem Informasi

Magister Ilmu Komputer, Fakultas Ilmu Komputer
Universitas Putra Indonesia YPTK

1
 A New Approach For Neural Expert
Systems

Gunawan, Hansen Virgantara

The 5th International Conference on Information & Communication Technology and

Systems

2
1. PENDAHULUAN

Hybrid Intelligent Systems adalah sistem yang menggabungkan beberapa teknologi

cerdas untuk membuat sistem baru yang memiliki kekuatan dari beberapa sistem dan
menutupi kelemahan dari yang lain. Kombinasi antara Neural Network dan Expert
System menghasilkan Neural Expert System. Kombinasi Neural Network dan Sistem
Pakar menciptakan sistem baru yang mampu belajar dan dapat memberikan
penjelasan kepada pengguna tentang kesimpulan yang diambil. Ada beberapa
pendekatan yang mengintegrasikan jaringan saraf dan symbolic Rules. Informasi
dalam sistem pakar berbasis aturan diwakili oleh aturan produksi IF-THEN yang
dikumpulkan dengan mengamati pakar manusia. Selain itu, setelah aturan disimpan
dalam basis pengetahuan, aturan tersebut tidak dapat dimodifikasi oleh sistem pakar
itu sendiri. Sistem pakar tidak dapat belajar dari pengalaman atau beradaptasi dengan
lingkungan baru.
3
2. ARCHITECTURE OF NEURAL EXPERT SYSTEMS

Sistem pakar neural dapat mengekstrasi aturan IF THEN dari jaringan syaraf yang
memungkinkan untuk memberikan dan menjelaskan kesimpulannya. Neural network
hanya dapat menghasilkan bobot dari pelatihan sebagai pengetahuan. Tapi itu tidak
bisa menjelaskan solusinya kepada pengguna. Dengan demikian akan dihasilkan
aturan IF-THEN dari hasil perhitungan bobot.

Sistem pakar syaraf ini terdiri dari lima bagian :

1. Inference Engine
bagian ini mengontrol aliran informasi dalam system dan memulai inferensi atas basis
pengetahuan saraf. Dan juga memastikan perkiraan penalaran.

4
2. ARCHITECTURE OF NEURAL EXPERT SYSTEMS

2. Neural knowledge base

Sistem pakar saraf menggunakan jaringan saraf terlatih sebagai pengganti basis pengetahuan.
Jaringan saraf mampu melakukan generalisasi. Dengan kata lain input data baru tidak harus sama
persis dengan data yang digunakan dalam pelatihan jaringan. Ini memungkinkan system pakar
untuk dapat menangani data-data yang tidak lengkap.
3. Rule Extration
Unit ekstraksi aturan memeriksa basis pengetahuan saraf dan menghasilkan aturan secara implisit
dari jaringan saraf terlatih
4. Explanation fasilities
Fasilitas penjelasan menjelaskan kepada pengguna bagaimanan system pakar saraf sampai pada
solusi tertentu saat bekerja dengan data input baru
5. User interface
Antar muka pengguna menyediakan komunikasi antara pengguna dan sistem pakar saraf

5
3. RECENT WORKS

Ada 2 pendekatan yang digunakan untuk menarik kesimpulan dalam Neural Expert
System. Masing-masing pendekatan memiliki kelebihan dan kekurangan:

1. Pendekatan pertama : Negnevitsky

Dikenalkan oleh Negnevitsky pada tahun 2002. Pendekatan ini membutuhkan objek target,
kemudian sistem akan memberikan pertanyaan yang sesuai dengan objek tersebut. Kekurangan
pendekatan ini yaitu tidak efektif untuk klasifikasi karena membutuhkan kelas target objek yang
ingin dicapai. Kelebihan pendekatan ini yaitu dapat menentukan prioritas informasi yang paling
dibutuhkan.

2. Pendekatan Kedua : Ioannis

Dikenalkan oleh Ioannis Hatzilygeroudis dan Jim Prentzas pada tahun 2004. Inference engine
pada pendekatan ini didasari oleh metode backward chaining. Mesin menghasilkan kesimpulan
dengan menggunakan memori kerja, yang mengandung fakta yang dibutuhkan pengguna untuk
memahami proses. Mesin inferensi hybrid menerapkan cara neuron bekerja sama untuk
mencapai kesimpulan. Dia bergantung pada rasio pembakaran, pengukuran niat menembak dari
neurule. Rasio ini serupa dengan rasio konvergensi yang diperkenalkan pada (Ghalwash 1998).  

6
3. RECENT WORKS

Namun, tanpa mengetahui semua nilai kondisional, adalah mungkin untuk

mengetahui output dari neurule. Untuk mencapai ini, jumlah yang diketahui dan
jumlah yang tersisa harus didefinisikan sebagai berikut :

Di mana E adalah himpunan kondisi yang dievaluasi, U adalah himpunan kondisi yang tidak
dievaluasi dan CSayaadalah nilai kondisi. Jadi, jumlah yang diketahui adalah jumlah tertimbang
dari nilai kondisi (input) yang sudah diketahui atau dievaluasi dari neurula yang sesuai dan
jumlah yang tersisa mewakili jumlah tertimbang terbesar yang mungkin dari kondisi neurula
yang tersisa atau tidak dievaluasi. Jika |kn-sum| > rem-sum untuk neurule tertentu, maka
evaluasi kondisinya dapat dihentikan, karena keluarannya dapat disimpulkan terlepas dari nilai
kondisi yang tidak dievaluasi. Dalam hal ini, keluarannya dijamin '-1' jika kn-sum < 0
sedangkan '1', jika kn-sum > 0.

7
3. RECENT WORKS

Jadi, dapat didefinisikan rasio penembakan (fr) dari neurule sebagai berikut:

Rasio penembakan neurule adalah perkiraan niatnya bahwa keluarannya akan

menjadi '±1'. Setiap kali fr > 1, nilai kondisi yang dievaluasi dapat menentukan
nilai keluarannya, terlepas dari nilai kondisi yang tidak dievaluasi. Aturan
kemudian dievaluasi menjadi '1' (benar), jika kn-sum > 0 atau menjadi '-1'
(salah), jika kn-sum < 0

8
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Dalam bagian ketiga, sistem pakar saraf dijelaskan beserta kekuatan dan
kelemahannya. Pendekatan baru kemudian diperkenalkan untuk mengatasi kelemahan
tersebut. Negnevitsky memiliki keunggulan dalam sistem pakar, namun tidak biasa
sebagai metode klasifikasi. Sementara Ioannis terampil dalam klasifikasi, namun tidak
dapat menentukan prioritas informasi yang paling penting.

Dengan menggabungkan keuntungan dari kedua pendekatan tersebut, diperoleh sistem

baru yang dapat mengklasifikasikan dengan baik dan mengatasi kebutuhan informasi
yang paling penting, bahkan pada data yang tidak lengkap.

9
 4. A NEW APPROACH TO NEURAL EXPERT SYSTEM
Contoh Kasus :

Kumpulan data Lensa Kontak untuk mengilustrasikan fungsionalitas dari pendekatan ini. Ini adalah
dataset kecil yang terdiri dari 24 instance dan empat atribut input. Ada tiga atribut kesehatan mata
pasien, (young, pra-presbyopic, presbyopi). Dan ada dua atribut kacamata (miopia, hipermetropi),
dua nilai astigmatik (tidak, ya), dua nilai laju produksi air mata (berkurang, normal), tingkat lensa
yang direkomendasikan (tidak ada, medium, dan tinggi).

1
0
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Lalu diberikan tabel dataset lensa kontak:

1
1
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Setelah semua bobot diinisialisasi, kita harus mengeliminasi atribut usia yang tidak memberikan
kontribusi (langkah algoritma ke-2), karena semua bobot dalam setiap objek bersifat positif dan
negatif. Akhirnya, hanya ada tiga atribut input yang dapat digunakan (kacamata, astigmatisme, dan
tingkat produksi air mata). Sekarang, mulailah menghitung untuk iterasi pertama.

Pada iterasi pertama, atribut yang paling penting adalah tingkat produksi air mata (16,83). Kemudian
sistem akan meminta pengguna untuk menjawab apa input untuk atribut tingkat produksi air mata.
Jika pengguna menjawab "reduced" (-1), maka perhitungan untuk kn-sum dan rem-sum adalah
sebagai berikut:

None: kn-sum = -11.86 * (-1) = 11.86

rem-sum = |0.04| + |0.83| = 0.87
kn-sum>rem-sum → success

Soft: kn-sum = 16.83 * (-1) = -16.83

rem-sum = |7.84| + |-16.83|= 24.67
kn-sum<rem-sum → check next iteration

Hard: kn-sum = 16.16 * (-1) = -16.16

rem-sum = |-8.25| + |16.16|= 24.41

1
2
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Karena objek target "None" berhasil, maka sistem akan menyimpulkan bahwa:
IF Tingkat Produksi Air Mata dikurangi,
THEN Lensa yang direkomendasikan adalah "None".
Dari aturan-aturan di atas, kita dapat memeriksa akurasi bahwa semua atribut input tingkat
produksi air mata berkurang (12 instance), maka Lensa yang Direkomendasikan juga "None"
(juga 12 instance). Hal ini membuat akurasi mencapai 100%. Sekarang, mari coba input lain
jika tingkat produksi air mata normal (+1). Perhitungan untuk kn-sum dan rem-sum sebagai
berikut:
None: kn-sum = -11.86 * (+1) = -11.86
rem-sum = |0.04| + |0.83| = 0.87
kn-sum>rem-sum → check next iteration

Soft: kn-sum = 16.83 * (+1) = 16.83

rem-sum = |7.84| + |-16.83|= 24.67
kn-sum<rem-sum → check next iteration

Hard: kn-sum = 16.16 * (+1) = 16.16

rem-sum = |-8.25| + |16.16|= 24.41
kn-sum>rem-sum → check next iteration
1
3
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Karena semua objek target tidak berhasil, sistem akan melanjutkan ke iterasi kedua. Pada
iterasi ini, atribut yang paling penting adalah astigmatisme dengan bobot -16,83. Sistem
akan meminta pengguna untuk menjawab input untuk atribut astigmatisme. Jika
pengguna menjawab "tidak" dengan nilai -1, maka perhitungan kn-sum dan rem-sum
dilakukan sebagai berikut:

None: kn-sum = -11.86 + (0.83) * (-1) = -12.69

rem-sum = |0.04| = 0.04
kn-sum>rem-sum → check next iteration

Soft: kn-sum = 16.83 + (-16.83)*(-1) = 33.66

rem-sum = |7.84| = 7.84
kn-sum<rem-sum → Success

Hard: kn-sum = 16.16 + (16.16)*(-1) = 0

rem-sum = |-8.25| = 8.25
kn-sum>rem-sum → check next iteration

1
4
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Objek target "Soft" berhasil, sehingga sistem akan menyimpulkan bahwa:

IF Tingkat produksi air mata IS Diturunkan
AND Astigmatisme IS No,
THEN Lensa yang Direkomendasikan IS "Soft".

Dari aturan yang telah disebutkan sebelumnya, kita dapat menghitung tingkat akurasi
ketika semua atribut input memiliki tingkat produksi air mata yang berkurang dan tidak
ada astigmatisme (6 contoh), maka Lensa yang Direkomendasikan adalah "None" (5
contoh, 1 contoh direkomendasikan lensa "None"). Hal ini menghasilkan tingkat akurasi
sebesar 5/6 * 100% = 83,33%.

Jika pengguna memasukkan nilai yang tidak diketahui, maka kn-sum akan menjadi rata-
rata dari faktor-faktor signifikan dari semua kondisi yang serupa, dan rem-sum tidak
akan berubah. Sebagai contoh, jika atribut usia pasien untuk objek target "none" tidak
diketahui, maka kn-sum akan meningkat sebesar rata-rata dari semua bobot usia (-11,81
-6,32 -6,03) / 3 = -8,05, namun jumlah sisa tidak akan berkurang karena atribut usia
masih belum dievaluasi atau tidak diketahui.

1
5
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM

Jika pengguna memasukkan nilai yang tidak diketahui, tidak perlu memeriksa
keberhasilan sistem, karena kn-sum tidak akan pernah lebih besar dari rem-sum. Hal ini
dapat digunakan untuk meningkatkan kinerja sistem. Pada iterasi berikutnya, atribut
yang tidak diketahui harus diberi tanda agar tidak digunakan lagi sebagai atribut paling
penting.

Dari contoh-contoh sebelumnya, kita dapat melihat bahwa pendekatan ini memiliki
tingkat akurasi yang cukup tinggi tergantung pada input yang diberikan kepada sistem
dan mampu mengatasi data yang tidak lengkap dan berisik.

1
6
5. KESIMPULAN

Dalam jurnal ini menyajikan pendekatan baru untuk sistem pakar saraf. Kombinasi ini akan
menciptakan sistem pakar yang lebih kuat dan efektif sehingga keunggulan semua system dan
menutupi kelemahan lainnya.Keakuratan aturan yang dibuat selama proses pengujian sangat di
pengaruhi oleh input pengguna. Bobot yang digunakan pada pertanyaan-pertanyaan kepada
pengguna sangat penting dalam mempengaruhi ketepatan aturan yang dibuat selama proses
pengujian. Bobot ini mencerminkan pentingnya informasi yang dibutuhkan untuk mengambil
keputusan atau memberikan saran yang akurat.

Pendekatan pertama dari sistem pakar berbasis jaringan saraf (Negnevitsky) baik dalam sistem
pakar dan dapat menentukan prioritas informasi yang paling dibutuhkan.Pendekatan kedua dari
sistem pakar berbasis jaringan saraf (Ioannis) efektif dalam klasifikasi dan mampu menangani
data yang tidak lengkap. Namun, keakuratan pendekatan ini sangat dipengaruhi oleh kombinasi
masukan pengguna, dan tidak memiliki kemampuan untuk menentukan informasi yang paling
penting. Oleh karena itu, penting untuk mengetahui informasi yang paling penting agar dapat
mengatasi data yang tidak lengkap.

1
7
5. KESIMPULAN

Dengan menggabungkan manfaat dari kedua pendekatan sebelumnya, telah dikembangkan

sebuah pendekatan baru yang menghasilkan sistem yang dapat mengklasifikasikan dengan baik
dan memiliki prioritas informasi yang paling penting. Pendekatan baru ini mampu mengatasi
data yang tidak lengkap.Dengan kombinasi ini, pendekatan baru dalam sistem pakar berbasis
jaringan saraf ini menggabungkan keunggulan dari pendekatan pertama (dalam menentukan
prioritas informasi yang paling penting) dan pendekatan kedua (dalam klasifikasi dan
penanganan data yang tidak lengkap). Hasilnya adalah sistem yang dapat mengklasifikasikan
dengan akurat dan mampu menentukan prioritas informasi yang paling dibutuhkan, sehingga
dapat mengatasi tantangan dalam menghadapi data yang tidak lengkap.

1
8