1
A New Approach For Neural Expert
Systems
2
1. PENDAHULUAN
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.
4
2. ARCHITECTURE OF NEURAL EXPERT SYSTEMS
5
3. RECENT WORKS
Ada 2 pendekatan yang digunakan untuk menarik kesimpulan dalam Neural Expert
System. Masing-masing pendekatan memiliki kelebihan dan kekurangan:
6
3. RECENT WORKS
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:
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.
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
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:
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
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:
1
4
4. A NEW APPROACH TO NEURAL EXPERT SYSTEM
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
1
8