Metode Pencarian

1.1.  Breadth-First Search (BFS)

Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya. Urutan proses searching BFS ditunjukkan dalam Gambar 2.1 adalah: A,B,C,D,E,F, ...

Breadth-first search adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya. Jika graf berbentuk pohon berakar, maka semua simpul pada aras d dikunjungi lebih dahulu sebelum simpul-simpul pada ras d+1.

Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul yang telah dikunjungi. Simpulsimpul ini diperlukan sebagai acuan untuk mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang telah dikunjungu masuk ke dalam antrian hanya satu kali. Algoritma ini juga membutuhkan table Boolean untuk menyimpan simpul yang te lah dikunjungi sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.

1.1.1.      Cara Kerja Algoritma BFS

Dalam algoritma BFS, simpul anak yang telah dikunjungi disimpan dalam suatu antrian. Antrian ini digunakan untuk mengacu simpul-simpul yang bertetangga dengannya yang akan dikunjungi kemudian sesuai urutan pengantrian.

Untuk memperjelas cara kerja algoritma BFS beserta antrian yang digunakannya, berikut langkah-langkah algoritma BFS:

1.   Masukkan simpul ujung (akar) ke dalam antrian

2.   Ambil simpul dari awal antrian, lalu cek apakah simpul merupakan solusi

3.   Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan.

4.   Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul tersebut (simpul anak) ke dalam antrian

5.   Jika antrian kosong dan setiap simpul sudah dicek, pencarian selesai dan mengembalikan hasil solusi tidak ditemukan

6.   Ulangi pencarian dari langkah kedua

Contohnya terlihat dibawah ini:

Maka penyelesaiannya adalah:

Gambar (a) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1.

Gambar (b) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1

Gambar (c) BFS(1): 1, 2, 3, 4, 5, 6, 7, 8, 9

1.1.2.      Contoh Pencarian Lintasan Terpendek Dengan BFS

Adapun contoh untuk mencari lintasan terpendek dengan menggukan algoritma BFS adalah sebagai berkut:

Diketahui sebuah kota, dengan memiliki inisial seperti yang ditunjukkan dibawah ini. Jarak antar kota dibentuk dengan sebuah graph terlihat dibawah:

Pertanyaan: sebutkan rute yang akan ditempuh untuk mencapai kota no. 8. Titik awal perjalanan adalah kota no. 1. Gunakan algoritma BFS!

Maka dengan menggunakan algoritma BFS, rute tercepat yang didapat adalah sebagai berikut:

1 – 2 – 3 – 4 – 5 – 6 – 7 – 8

Rute tersebut didapat dari pencarian secara melebar. Hal; tersebut dapat dijabarkan sebagai berikut:

·         Pertama-tama, pointer menunujuk pada daun yang ada sebelah kanan, yaitu no.2 (1 – 2)

·         Setelah itu, proses dilanjutkan pada tetangga no.2 yaitu no.3 (1-2-3) dan selanjutnya mengarah pada tetangga terdekat, yakni no.4 (1-2-3-4).

·         Pointer mencari teteangga no.4, namun karna tidak ada, maka pointer kembali ke kota no.2 dan masuk ke daun berikutnya, yakni no.5.

·         Proses diulang hingga pointer menunjuk angka 8

1.2.   Depth-First search (DFS)

Depth-first search (DFS) adalah proses searching sistematis buta yang melakukan ekpansi sebuah path (jalur) menuju penyelesaian masalah sebelum melakukan ekplorasi terhadap path yang lain. Proses searching mengikuti sebuah path tunggal sampai menemukan goal atau dead end. Apabila proses searching menemukan dead-end, DFS akan melakukan penelusuran balik ke node terakhir untuk melihat apakah node tersebut memiliki path cabang yang belum dieksplorasi. Apabila cabang ditemukan, DFS akan melakukan cabang tersebut. Apabila sudah tidak ada lagi cabang yang dapat dieksplorasi, DFS akan kembali ke node parent dan melakukan proses searching terhadap cabang yang belum dieksplorasi dari node parent sampai menemukan penyelesaian masalah. Urutan proses searching DFS ditunjukkan dalam Gambar 1.5 adalah: A, B, E,F, G, C, ... Figure  

Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking (penelusuran balik untuk mendapatkan jalur yang dinginkan).

1.2.1. Kelebihan dan Kelemahan DFS

Kelebihan DFS adalah:

•       Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan.

•       Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat.

Kelemahan DFS adalah:

•       Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).

•       Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal)..

1.2.2. Cara Kerja DFS

Pencarian rute terpendek dilakukan dengan cara membuat simpul-simpul yang menjadi titik awal, titik-titik yang akan dilalui dan juga titik akhir sebagai akhir dari tujuan atau sebagai simpul yang dicari.

Dalam algoritma DFS, simpul yang telah dikunjungi disimpan dalam suatu tumpukan (stack). Antrian ini digunakan untuk mengacu simpul-simpul yang akan dikunjungi sesuai urutan tumpukan (masuk terakhir, keluar pertama) dan mempermudah proses runut-balik jika simpul sudah tidak mempunyai anak (simpul pada kedalaman maksimal).

Untuk memperjelas cara kerja algoritma DFS beserta tumpukan yang digunakannya, berikut langkah-langkah algoritma DFS:

1.      Masukkan simpul ujung (akar) ke dalam tumpukan

2.      Ambil simpul dari tumpukan teratas, lalu cek apakah simpul merupakan solusi

3.      Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan.

4.      Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul tersebut (simpul anak) ke dalam tumpukan

5.      Jika tumpukan kosong dan setiap simpul sudah dicek, pencarian selesai dan mengembalikan hasil solusi tidak ditemukan

6.      Ulangi pencarian dari langkah kedua

Sumber : http://solikhaton.blogspot.co.id/2014/08/makalah-membahas-tentang-algoritma.html

FUZZY LOGIC (LOGIKA FUZZY)

Jadi Logika Fuzzy digunakan untuk :
1.Fuzzy Logic suatu teknik yang digunakan untuk menangani ketidakpastian masalah-masalah yang memiliki banyak jawaban.
2. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer.
Contoh Aplikasi Logika fuzzy :
1. Pengontrol kereta bawah tanah disendai, Jepang.
2. Pengatur mekanisme otofocus pada kamera
3. Sistem pengeraman mobil (nissan)
4. Penghematan konsumsi daya listrik pada AC
5. Otomatisasi kecepatan putar mesin cuci terhadap tebal-tipis atau banyak-sedikit jenis pakaian dalam mesin cuci
6. Penentuan prestasi mahasiswa berdasarkan great IPK
7. Kontrol jumlah produksi barang berdasarkan permintaan konsumen
8. Penentuan karyawan terbaik berdasarkan indeks kinerja
9. Kontrol kecepatan kendaraan berdasarkan cuaca terkini
Konsep dan Pengertian fuzzy logic :
– Fuzzy adalah sebuah cara memetakan ruang-input ke dalam ruang output
– Fuzzy pada dasarnya sudah terbawa sejak lahir, seperti pertanyaan tentang “seberapa besar ?, seberapa kecil?, secepat apa ? dll”.
– Yang terpenting adalah “The way of thinking-Terhadap Permasalahan” di lingkungan sekitar.
Contoh-Contoh problem yang dapat dipetakan dengan fuzzy:
1. Manager-gudang mengatakan kepada manager produksi “kita telah mendapat pesanan lebih besar dalam minggu ini. Tolong dicekkan, berapa banyak jumlah persediaan kita di gudang. Dan berapa besara barang yang harus akan diproduksi”.
2. Seseorang mengatakan kepada kita “Seberapa sejuk ruangan yang saudara inginkan ? Saya akan mengatur putaran kipas dalam ruang ini.
3. Bilaseseorangmengatakan “Jikasaatinicuacanyacerahdanpanas, sayaakanmengemudidengancepat“
Arsitektur Logika Fuzzy :

1. Fuzzifikasi, Proses konversi input-input (masukan) yang bersifat tegas (crips) ke dalam bentuk (fuzzy) variabel linguistik menggunakan fungsi keanggotaan
2. Sistem Inferensi, Proses pengkonversian input-fuzzy menggunakan aturan-aturan “If-Then” menjadi Output-Fuzzy
3. Defuzzifikasi, Proses konversi Output-Fuzzy dari sistem inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan serupa (sebelumnya) menjadi sebuah nilai

Jadi dari sisi flow chart pemrosesan, struktur fuzzy dapat dilihat dalam flow di bawah :

Hal Dasar Dalam Logika fuzzy :
A. Himpunan Tegas (Crisp Set)
– Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas disebut crisp set.
– Misalnya, jika C={x | x integer, x > 2}, maka anggota C adalah 3, 4, 5, dan seterusnya.
– Sedangkan yang bukan anggota C adalah 2, 1, 0, -1, dan seterusnya

B. Himpunan Fuzzy (Fuzzy Set)
– Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy systems.
– Suatu fuzzy set A di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan u-A[x] (sebut miu A), yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1].
– Nilai-nilai u-A[x] menyatakan derajat keanggotaan x di dalam A.

Contoh Himpunan Tegas dapat dilihat pada sebagai berikut :
1. Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70, 80} adalah crisp set Usia dalam satuan tahun.
2. Balita, Dewasa, Muda, dan Tua adalah empat fuzzy set yang merupakan subset dari x
Pada tabel di atas, terdapat 4 buah fuzzy set dengan anggota dan derajat keanggotaannya sebagai berikut :
– Balita = {}.
– Dewasa = {20, 30, 40, 50, 60, 70, 80}, di mana derajat keanggotaannya dinyatakan oleh u-Dewasa = {0.8, 1, 1, 1, 1, 1, 1}.
– Muda = {5, 10, 20, 30, 40, 50}, di mana derajat keanggotaannya dinyatakan oleh u-muda = {1, 1, 0.8, 0.5, 0.2, 0.1}
– Tua = {20, 30, 40, 50, 60, 70, 80}, di mana derajat keanggotaannya dinyatakan oleh u-Tua = {0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}

C. Fungsi Keanggotaan (Membership Function)
– Di dalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.
– Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan, Tetapi disini akan dibahas 4 fungsi keanggotaan, yaitu

1. Fungsi Sigmoid, fungsi dan bentuknya seperti pada gambar di bawah :
– Sesuai dengan namanya, fungsi ini berbentuk kurva sigmoidal seperti huruf S.
– Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0,1].

2. Fungsi Phi
– Pada fungsi keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat keanggotaan yang sama dengan 1, yaitu ketika x=c.
– Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1

3. Fungsi Segitiga
– Sama seperti fungsi phi, pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x=b.
– Tetapi, nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam menjauhi 1

4. Fungsi Trapesium
– Berbeda dengan fungsi segitiga, pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika b ≤ x ≤ c.
– Tetapi derajat keanggotaan untuk a < x < b dan c < x ≤ d memiliki karakteristik yang sama dengan fungsi segitiga

5. Fungsi Linier (naik & turun)
Bentuk ini adalah bentuk paling sederhana dan menjadi pilihan yang baik untuk mendekati konsep yang kurang jelas. Representasi fungsi ini ada 2 macam, linier naik dan linier turun

6. Fungsi Kurva Bentuk Bahu
– Fungsi pada dasarnya adalah gabungan antara fungsi segitiga dan fungsi linier.
– Kurva bentuk bahu sering digunakan dalam penyelesaian permasalahan fuzzy, baik yang model linier maupun model sigmoid

CONTOH KASUS Dan PENYELESAIANNYA

Kita ambilkembalikesalahsatupermasalahansebelumnya, yaitu Bila seseorang mengatakan “Jika saat ini cuacanya cerah dan panas, saya akan mengemudi dengan cepat“.
Bila kita perhatikan permasalahan dalam kalimat di atas, MAKA :
Variabel linguistik fuzzy, digunakan untuk merepresentasikan kualitas jangkauan yang lebih spesifik sebagaimana berikut:
1. Temperatur (dingin, sejuk, hangat, panas)
2. Keadaan awan (mendung, agak mendung, cerah)
3. Kecepatan (slow, fast).
TETAPI, Pertanyaannya :
Pertanyaan : “Bagaimana kondisi suhunya ?”
Jawaban : “Sekarang Hangat / Agak Panas”.
Pertanyaan : “Bagimana Maksud “Hangat”-nya itu ?”
PROSES FUZZIFIKASI
Nah, Beirkutnya kita harus mengkonversi variabel lingusitik temperatur/suhu diatas menjad tabel dengan menggunakan fungsi kurva bahu seperti di bawah ini.

kemudian kita buat permisalan bahwa suhu sekarang yang terbaca oleh sensor suhu adalah = 65 derajad.

Selanjutnya adalah kita harus mengkonversi variabel lingusitik keadaan awan diatas menjadi tabel dengan menggunakan fungsi kurva bahu seperti di bawah ini.

Lalu kita buat permisalan bahwa keadaan awan sekarang yang terbaca oleh sensor adalah = 25%.

JADI, Proses Fuzzifikasi telah menghasilkan 4 input_fuzzy, yaitu :

PROSES SISTEM INFERENSI
– Sistem inferensi adalah pemrosesan input-fuzzy menjadi output-fuzzy melalui aturan-aturan (rules).
– Terdapat berbagai cara untuk menentukan aturan fuzzy.
– Misalkan output-fuzzy dipetakan bentuk fungsi keanggotan kecepatan seperti di bawah
Dalam kasus ini, variabel yang mempengaruhi output hanya terdapat 2 variabel saja, Sehingga Matrik_Relasi_Fuzzy yang digunakan untuk menggernerate rule-rule fuzzy berdimensi 2 (D2), sepertri pada gambar di bawah.

Dari tabel dimensi 2 diatas, akan harus dibuat keputusan tentang relasi antara atribut variabel_lingusitik_temperatr dengan variabel_lingusitik_cuaca dalam bentuk kecepatan (Cepat atau Sedang, atau Lambat). Nah, tentu saja keputusan “cepat atau lambat” dalam hal ini seharusnya adalah berdasrkan kebijakan lokal atau berdasarkan hasil penelitian.
Jadi hasil secara kesuluruhan rule-rule berdasarakn tabel berdimensi 2 diatas adalah sebagai berikut :


PROSES DEFUZZYFIKASI

Sumber : https://yusronrijal.wordpress.com/2012/03/27/logika-fuzzy/

SISTEM PAKAR

Berikut ini ada sedikit rangkuman mengenai materi sistem pakar :

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :
• Memiliki informasi yang handal.
• Mudah dimodifikasi.
• Dapat digunakan dalam berbagai jenis komputer.
• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :
1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa melakukan proses secara berulang secara otomatis.
3. Menyimpan pengetahuan dan keahlian para pakar.
4. Meningkatkan output dan produktivitas.
5. Meningkatkan kualitas.
6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reabilitas.
10. Meningkatkan kapabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam pelatihan.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar
Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.
3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :
• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
• Seorang pakar akan pensiun atau pergi.
• Seorang pakar adalah mahal.
• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar
Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :
1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)
Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi :

1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

3. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.
b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.
c. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).
d. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining
Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining
• Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
• Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining
• Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.
• Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.
• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Contoh Sistem Pakar dan penerapannya

1. 1. Penerapan Sistem pakar dalam Industri / Manufaktur

Manufaktur di definisikan sebagai urutan-urutan kegiatan yang saling berhubungan meliputi perancangan, perencanaan, pemilihan material, produksi, pengontrolan kualitas, menajemen serta pemasaran produk. Proses manufaktur yang penyelesaiannya dapat dibantu oleh system pakar antara lain :
– Sistem Pakar Dalam Perancangan PRIDE(Pinch Roll Interactive Design Expert / Environment). Sistem pakar ini digunakan untuk merancang system pengaturan kertas untuk mesin fotocopy. Sistem ini membuat rancangan dengan representasi pengetahuan tentang rancangan berdasarkan kumpulan goal, metoda perancangan, generator dan aturan-aturan yang terstruktur.
– System Pakar Dalam Perencanaan Wood Trus fabrication Application merupakan contoh system pakar dalam proses perencanaan. System ini dibuat dengan menggunakan shell sitem pakar SPS (Semi Intelligent Process Selector).
– Sistem Pakar Dalam Penjadwalan Sistem pakar juga digunakan dalam penjadwalan, dibawah ini adalah beberapan contoh kegunaan system pakar dalam penjadwalan :
– Contionuous Caster Steel Mill Scheduling Application
System pakar ini berbasis fuzzy logic yang dibuat untuk monitoring on line dan penjadwalan continuous caster steel mill.
Continuous caster stell mill mengolah material seperti scrap, pig iron dan refined ore melalui proses tertentu untuk menghasilkan lempeng baja yang memiliki kulitas dan komposisi sesuai kebutuhan.
-Master Production Scheduling Aplication (MPS)
Sistem pakar ini dikembangkan untuk melakukan penjadwalan produksi master untuk manufaktur Integrated Circuit (IC). Master Production Scheduling (MPS) merupakan aktivitas perencanaan yang sangat luas, yang mengatur dan mengkoordinasi fase-fase berurutan proses penjadwalan manufaktur tertentu.
– Sistem Pakar Dalam Proses Kontrol Beberapa contoh penggunaan system pakar dalam proses control adalah sebagai berikut :
– Aluminium Foil Rolling Flatness control Appilcation
System pakar ini merupakan system pakar yang dibuat mengontrol kekaratan aluminium foil secara otomatis. System ini menyesuaikan bentuk pola target menurut karakteristik material dan kondisi pengoperasiannya.
– Blast Furnace Heat Control Application
System pakar ini dibuat untuk mengontrol tingkat panas blast furnace (tanur).
– Sistem Pakar Dalam Production Planning Dan Production Control Perencanaan produksi dilakukan dalam hal kuantitas, waktu, kapasitas dan biaya pengendalian produksi meliputi penyelesaian pesanan, pengawasan pesanan dan pengamanan kualitas.
Manfaat system pakar dalam proses manufaktur / industry adalaah sebagai berikut :
1) Meningkatkan produktivitas
2) Mengambil alih keahlian yang langka
3) Memudahkan pengoperasian peralatan
4) Kemampuan bekerja dengan informasi yang tidak pasti dan tidak lengkap
2. Sistem Pakar di bidang Manajerial :
1. Analisis
a) Interpretasi
• Analisa pasar untuk komoditi tertentu
• Identifikasi media iklan yang sesuai
• Identifikasi kebutuhan pelatihan
b) Diagnostik
• Diagnosa kelesuan perusahaan dan usaha penyembuhan
2. Sintesa
o Penarikan tenaga kerja
o Strategi penentuan harga
o Strategi pengembangan produk
3. Integrasi
o Prediksi perkembangan nilai pada bursa saham efek

3. Sistem Pakar Dalam Bidang Kedokteran

Di dunia kedokteran, sudah banyak bermunculan aplikasi sistem pakar. Sistem pakar ini mampu mendiagnosis berbagai jenis penyakit pada manusia, baik penyakit mata, THT (telinga, hidung, tenggorokan), mulut, organ dalam (jantung, hati, ginjal), maupun AIDS (Hamdani, 2010). Dengan adanya sistem pakar ini, orang awam mampu mendeteksi adanya penyakit pada dirinya berdasarkan gejala-gejala yang dirasakan oleh orang tersebut dengan menjawab pertanyaan pada aplikasi seperti halnya konsultasi ke dokter.
Aplikasi sistem pakar dalam bidang kedokteran yang dibuat dengan proses penelusuran maju (forward chaining) mampu mengenali jenis penyakit pada manusia, terutama jenis penyakit mata. Aplikasi sistem pakar ini dapat menjadi sarana untuk menyimpan pengetahuan tentang penyakit terutama yang berkenaan dengan jenis penyakit mata dari para pakar atau ahlinya. Sistem pakar mampu membantu pasien maupun dokter dalam menyediakan sistem pendukung keputusan dan saran dari pakar.
Pada aplikasi sistem pakar umumnya user akan diminta untuk menjawab pertanyaan sesuai dengan gejala yang dirasakan. Dalam aplikasi ini, user menjawab dengan ya atau tidak. Setelah menjawab beberapa pertanyaan, maka aplikasi akan menghasilkan kesimpulan mengenai jenis penyakit mata yang diderita user. Pada aplikasi sistem pakar lainnya, tidak jarang juga sudah memberikan solusi atau cara penanganan terhadap jenis penyakit yang diderita tersebut.

4. Sistem Pakar Dalam Bidang Psikologi

Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi, yaitu untuk sistem pakar menentukan jenis gangguan perkembangan pada anak. Anak-anak merupakan fase yang paling rentan dan sangat perlu diperhatikan satu demi satu tahapan perkembangannya. Contoh satu bentuk gangguan perkembangan adalah conduct disorder. Conduct disorder adalah satu kelainan perilaku dimana anak sulit membedakan benar salah atau baik dan buruk, sehingga anak merasa tidak bersalah walaupun sudah berbuat kesalahan. Dampaknya akan sangat buruk bagi perkembangan sosial anak tersebut. Oleh karena itu dibangun suatu sistem pakar yang dapat membantu para pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode Certainty Factor (CF).

5. Implementasi Sistem Pakar di Bidang Ekonomi

System pakar sangat berguna di bidang ekonomi, terutama dalam hal pengambilan keputusan untuk memulai suatu investasi usaha. Apalagi pada saat sekarang orang awam banyak kurang memahami pasar modal sehingga mereka cenderung menggunakan intuisi daripada analisa dalam berinvestasi. Kondisi ini mengakibatkan mereka harus menghadapi resiko yang tinggi dalam berinvestasi. Untuk meminimumkan resiko tersebut diperlukan suatu alat seperti sistem pakar yang mampu menganalisa sesuai dengan keadaan yang terjadi di pasar modal, sehingga investor menjadi lebih yakin dalam berinvestasi.
– Mampu mengambil keputusan
– Langkah-langkah pengambilan keputusan jelas
– Mudah dikembangkan lebih lanjut
– Memberikan solusi tepat waktu
– Menyimpan pengetahuan

1. Penerapan Sistem pakar dalam Industri / Manufaktur

Manufaktur di definisikan sebagai urutan-urutan kegiatan yang saling berhubungan meliputi perancangan, perencanaan, pemilihan material, produksi, pengontrolan kualitas, menajemen serta pemasaran produk. Proses manufaktur yang penyelesaiannya dapat dibantu oleh system pakar antara lain :
– Sistem Pakar Dalam Perancangan PRIDE(Pinch Roll Interactive Design Expert / Environment). Sistem pakar ini digunakan untuk merancang system pengaturan kertas untuk mesin fotocopy. Sistem ini membuat rancangan dengan representasi pengetahuan tentang rancangan berdasarkan kumpulan goal, metoda perancangan, generator dan aturan-aturan yang terstruktur.
– System Pakar Dalam Perencanaan Wood Trus fabrication Application merupakan contoh system pakar dalam proses perencanaan. System ini dibuat dengan menggunakan shell sitem pakar SPS (Semi Intelligent Process Selector).
– Sistem Pakar Dalam Penjadwalan Sistem pakar juga digunakan dalam penjadwalan, dibawah ini adalah beberapan contoh kegunaan system pakar dalam penjadwalan :
– Contionuous Caster Steel Mill Scheduling Application
System pakar ini berbasis fuzzy logic yang dibuat untuk monitoring on line dan penjadwalan continuous caster steel mill.
Continuous caster stell mill mengolah material seperti scrap, pig iron dan refined ore melalui proses tertentu untuk menghasilkan lempeng baja yang memiliki kulitas dan komposisi sesuai kebutuhan.
-Master Production Scheduling Aplication (MPS)
Sistem pakar ini dikembangkan untuk melakukan penjadwalan produksi master untuk manufaktur Integrated Circuit (IC). Master Production Scheduling (MPS) merupakan aktivitas perencanaan yang sangat luas, yang mengatur dan mengkoordinasi fase-fase berurutan proses penjadwalan manufaktur tertentu.
– Sistem Pakar Dalam Proses Kontrol Beberapa contoh penggunaan system pakar dalam proses control adalah sebagai berikut :
– Aluminium Foil Rolling Flatness control Appilcation
System pakar ini merupakan system pakar yang dibuat mengontrol kekaratan aluminium foil secara otomatis. System ini menyesuaikan bentuk pola target menurut karakteristik material dan kondisi pengoperasiannya.
– Blast Furnace Heat Control Application
System pakar ini dibuat untuk mengontrol tingkat panas blast furnace (tanur).
– Sistem Pakar Dalam Production Planning Dan Production Control Perencanaan produksi dilakukan dalam hal kuantitas, waktu, kapasitas dan biaya pengendalian produksi meliputi penyelesaian pesanan, pengawasan pesanan dan pengamanan kualitas.
Manfaat system pakar dalam proses manufaktur / industry adalaah sebagai berikut :
1) Meningkatkan produktivitas
2) Mengambil alih keahlian yang langka
3) Memudahkan pengoperasian peralatan
4) Kemampuan bekerja dengan informasi yang tidak pasti dan tidak lengkap
2. Sistem Pakar di bidang Manajerial :
1. Analisis
a) Interpretasi
• Analisa pasar untuk komoditi tertentu
• Identifikasi media iklan yang sesuai
• Identifikasi kebutuhan pelatihan
b) Diagnostik
• Diagnosa kelesuan perusahaan dan usaha penyembuhan
2. Sintesa
o Penarikan tenaga kerja
o Strategi penentuan harga
o Strategi pengembangan produk
3. Integrasi
o Prediksi perkembangan nilai pada bursa saham efek

3. Sistem Pakar Dalam Bidang Kedokteran

Di dunia kedokteran, sudah banyak bermunculan aplikasi sistem pakar. Sistem pakar ini mampu mendiagnosis berbagai jenis penyakit pada manusia, baik penyakit mata, THT (telinga, hidung, tenggorokan), mulut, organ dalam (jantung, hati, ginjal), maupun AIDS (Hamdani, 2010). Dengan adanya sistem pakar ini, orang awam mampu mendeteksi adanya penyakit pada dirinya berdasarkan gejala-gejala yang dirasakan oleh orang tersebut dengan menjawab pertanyaan pada aplikasi seperti halnya konsultasi ke dokter.
Aplikasi sistem pakar dalam bidang kedokteran yang dibuat dengan proses penelusuran maju (forward chaining) mampu mengenali jenis penyakit pada manusia, terutama jenis penyakit mata. Aplikasi sistem pakar ini dapat menjadi sarana untuk menyimpan pengetahuan tentang penyakit terutama yang berkenaan dengan jenis penyakit mata dari para pakar atau ahlinya. Sistem pakar mampu membantu pasien maupun dokter dalam menyediakan sistem pendukung keputusan dan saran dari pakar.
Pada aplikasi sistem pakar umumnya user akan diminta untuk menjawab pertanyaan sesuai dengan gejala yang dirasakan. Dalam aplikasi ini, user menjawab dengan ya atau tidak. Setelah menjawab beberapa pertanyaan, maka aplikasi akan menghasilkan kesimpulan mengenai jenis penyakit mata yang diderita user. Pada aplikasi sistem pakar lainnya, tidak jarang juga sudah memberikan solusi atau cara penanganan terhadap jenis penyakit yang diderita tersebut.

4. Sistem Pakar Dalam Bidang Psikologi

Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi, yaitu untuk sistem pakar menentukan jenis gangguan perkembangan pada anak. Anak-anak merupakan fase yang paling rentan dan sangat perlu diperhatikan satu demi satu tahapan perkembangannya. Contoh satu bentuk gangguan perkembangan adalah conduct disorder. Conduct disorder adalah satu kelainan perilaku dimana anak sulit membedakan benar salah atau baik dan buruk, sehingga anak merasa tidak bersalah walaupun sudah berbuat kesalahan. Dampaknya akan sangat buruk bagi perkembangan sosial anak tersebut. Oleh karena itu dibangun suatu sistem pakar yang dapat membantu para pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode Certainty Factor (CF).

5. Implementasi Sistem Pakar di Bidang Ekonomi

System pakar sangat berguna di bidang ekonomi, terutama dalam hal pengambilan keputusan untuk memulai suatu investasi usaha. Apalagi pada saat sekarang orang awam banyak kurang memahami pasar modal sehingga mereka cenderung menggunakan intuisi daripada analisa dalam berinvestasi. Kondisi ini mengakibatkan mereka harus menghadapi resiko yang tinggi dalam berinvestasi. Untuk meminimumkan resiko tersebut diperlukan suatu alat seperti sistem pakar yang mampu menganalisa sesuai dengan keadaan yang terjadi di pasar modal, sehingga investor menjadi lebih yakin dalam berinvestasi.
– Mampu mengambil keputusan
– Langkah-langkah pengambilan keputusan jelas
– Mudah dikembangkan lebih lanjut
– Memberikan solusi tepat waktu
– Menyimpan pengetahuan

1. 6. Implementasi Sistem Pakar di Bidang Sosial Budaya

System pakar sangat erat kaitannya dengan social budaya. Bidang social yang sangat berkaitan dengan system pakar adalah psikologi. Karena ilmu psikologi bisa memanfaatkan system pakar untuk memberikan solusi dari beberapa sifat yang dimiliki oleh seseorang tanpa menggunakan psikolog. Hal tersebut sangat membantu karena estimasi waktu untuk pemikiran solusi bagi seseorang bisa dilakukan sesingkat mungkin.
– System pakar bisa memberikan keputusan yang cepat dari masalah-masalah kejiwaan yang dihadapi seseorang tanpa harus didampingi oleh psikolog.
– System pakar bisa membuat pemikiran psikolog lebih ringan karena segala keputusan bisa diperoleh tanpa harus berpikir lebih mendalam.

7. Implementasi Sistem Pakar di Bidang Hankam

Bentuk implementasi system pakar di bidang ini antara lain pada radar. Fungsi radar secara umum ialah mendeteksi keberadaan benda di lingkungan dimana radar berada. Jarak jangkauan radar bermacam-macam. Semakin berkembangnya teknologi kemampuan radar semakin canggih. Radar saat ini dapat mendeteksi keberadaan awak yang tidak dikenal, dan menampilkan informasi yang mendukung tentang benda yang ditangkap pada radar.
– Mmbantu pertahanan sebuah instansi atau bahkan Negara.
– Membantu dalam sistem keamanan yang terbatas dapat dilakukan oleh manusia.
– Mengurangi penyalahgunaan alat yang penting .

1. 8. Implementasi sistem pakar di bidang eksplorasi alam

Dalam bidang ini sistem pakar sangat penting manfaatnya. Keputusan yang dihasilkan akan sangat bermanfaat. Contoh penerapannya yaitu sistem pakar yang diterapkan pada alat pendeteksi kandungan minyak bumi. Alat ini menghasilkan keputusan dari data-data yang ada, dan mengambil keputusan ada atau tidaknya hingga berapa jumlah kandungan yang terkandung. Rule base yang deprogram dibuat oleh para ahli dibidangnya.
Aplikasi pengmabilan keputusan berupa resiko-resiko yang dapat terjadi bila melakukan penambangan. Sistem pakar memperhitungkan berapa peluang keberhasilan yang dapat dicapai. Keputusan ini harus sangat akurat dan meliputi seluruh aspek hingga keselamatan warga sekitar. Jangan sampai timbul kesalahan yang disebabkan oleh salah dalam pengambilan keputusan. Lebih baiknya keputusan tingkat pusat tetap dikaji ulang oleh para ahli di bidangnya. Karena terdapat beberapa aspek yang tidak dapat diterapkan pada rule base.
– Akurasi perhitungan menjadikan kegiatan di bidang ini mendapat keuntungan.
– Perhitungan yang rumit dapat terselesaikan dengan cepat.
– Keakuratan perhitungan meminimalisir kesalahan factor manusia.
– Menghasilkan informasi yang mendukung, sehingga tugas para ahli lebih mudah untuk mengkaji ulang.

1. 9. Implemetasi Sistem Pakar di Bidang Ilmu Pengetahuan

– Impementasi sistem pakar di bidang robotika Pada bidang robotika penerapan sistem pakar sangat jelas. Sebagaimana yang kita ketahui selama ini, robot merupaka suatu benda yang dapat bekerja secara otomatis. Baik bekerja berdasarkan program yang sudah diinputkan atau menerima input dalam bentuk sensor (gerak, cahaya, suhu, dll).
– Tugas manusia semakin ringan.
– Tugas yang mengancam nyawa dapat diminimalisir dengan memanfaatkan robot.
– Efisiensi waktu.
– Membantu rumah tangga.
– Kemajuan teknologi akan membuat generasi muda untuk berusaha menciptakan robot yang lebih pintar lagi.

1. 10. Impementasi sistem pakar di bidang pemodelan

Sistem pakar juga dapat diterapkan pada bidang pemodelan. Contoh lingkup bidang pemodelan yang dimaksud antara lain seperti simulasi pesawat terbang untuk pelatihan calon pilot, teater keong mas, visual tubuh bagian dalam manusia untuk membantu proses operasi.
Pada simulasi pesawat terbang kita dapat merasakan seperti menerbangkan sebuah pesawat secara nyata. Simulator menerima input dari user lalu diproses dan ditampilkan pada layar yang tersedia. Informasi yang dihasilkan berupa posisi pesawat setelah menerima input dari user. Layaknya menerbangkan pesawat biasa bila kita melakukan kesalahan dalam penerbangan simulasi ini maka dapat menghasilkan informasi berupa kecelakaan dalam konteks visual. Maka dari itu simulator pesawat terbang ini biasanya digunakan untuk pelatihan terbang para calon pilot.
Sumber :
https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/
https://naynaimah.wordpress.com/2013/12/29/contoh-sistem-pakar-dan-penerapannya/

ARTIFICIAL NEURAL NETWORK [ANN]

 ARTIFICIAL NEURAL NETWORK [ANN]

1.1 Pengertian ANN       

Artificial Neural Network (Jaringan Syaraf Tiruan) ANN adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Artificial Neural Network (Jaringan Syaraf Tiruan)  merupakan model yang meniru cara kerja jaringan neural biologis.

1.2. otak sebagai system pengolah informasi

Otak manusia (juga hewan) terdiri atas sel-sel yang disebut neuron. Dibandingkan dengan sel-sel lain yang selalu mereproduksi dirinya kemudian mati, neuron memiliki keistimewaan, yaitu tidak mati. Hal ini menyebabkan informasi yang tersimpan di dalamnya dapat bertahan. Diperkirakan otak manusia terdiri atas 109neuron, dan terdapat 100 jenis neuron yang telah diketahui. Neuron-neuron ini terbagi atas grup-grup (disebut jaringan) yang dibedakan atas fungsinya dan setiap grup mengandung ribuan neuron yang saling berhubungan. Dengan demikian dapat disimpulkan bahwa otak merupakan kumpulan dari jaringan-jaringan neuron. Kecepatan proses setiap jaringan ini sebenarnya jauh lebih kecil dibandingkan dengan kecepatan proses komputer yang ada pada saat ini. Namun karena otak terdiri atas jutaan jaringan yang bekerja secara paralel (simultan), maka otak dapat mengerjakan pekerjaan yang jauh lebih kompleks dibandingkan dengan apa yang dapat dikerjakan oleh komputer yang semata-mata hanya mengandalkan kecepatan. Struktur pemrosesan paralel ini merupakan bagian lain yang menarik dari jaringan neural, yang juga dapat ditiru untuk diimplementasikan pada computer.

gambar di atas menunjukkan hubungan antara neuron pada otak. Pada gambar tersebut terdapat bagian-bagian : dendrit yang berfungsi sebagai saluran masukan bagi neuron, nucleus merupakan inti dari suatu neuron, axon berfungsi sebagai saluran keluaran dari neuron, dan synapsis yang mengatur kekuatan hubungan antar neuron.

Perbedaan antara ES (expert System) dan ANN

 Perbedaan antara ES (expert System) dan ANN

a. ES (expert system)

    - Dalam pemecahan masalah masih membutuhkan bantuan programmer

    - Knowledge di buat oleh programmer, sehingga knowledge dapat di telusuri proses pembuatannya

    - Sample yang inputnya cacat tidak dapat menghasilkan output
b. ANN

    - Dapat memecahkan masalah/kasus yang rumit yang tidak dapat dilakukan oleh ES

    - Knowledgenya terbentuk dengan sendirinya

    - Dapat menghasilkan output walaupun inputnya cacat

1.3 Arsitektur ANN

Setiap neuron dapat memiliki beberapa masukan dan mempunnyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neutron dapat berupa hasil akhir atau berupa bahan masukkan bagi neutron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedfordward(data proses pada satu arah)

1. Lapisan input [input Layer].
    Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data).

2. Lapisan tersembunyi [Hidden Layer]
    Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden layer) atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi terbawah berfungsi untuk menerima masukan dari lapisan input.

3. Lapisan Output [Output Layer]
    Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.

4. Lapisan Output [Output Layer]
    Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.

Skema proses yang terjadi pada setiap neuron, kecuali neuron input

 

• Bobot adalah parameter pengkali    terhadap nilai output neuron.
• Bobot dan bias diset secara random
• Wj (bias) sebagai kalibrator
• Momentum adalah penurunan nilai bobot.
• f  = fungsi aktivasi transfer function
• Oi = nilai neuron ke-i
• Wji = nilai bobot penghubung neuron
• Fungsi sigmoid paling sering digunakan karena terbukti secara empiris paling efektif daripada fungsi yang lain.

Contoh Penerapan ANN pada Pemetaan Soal UN
Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki karakteristik yang menyerupai jaringan syaraf biologi dalam memproses informasi. Salah satu penerapan ANN adalah untuk pemetaan data input dengan suatu pola yang diinginkan (Santoso,2004). Parameter-parameter yang ada dalam pemetaan soal UN digunakan sebagai bagian dalam sistem ANN yang dibangun. Dengan penggunaan ANN diharapkan memberi kemudahan bagi guru dalam melakukan pemetaan soal UN dan hasil yang diperoleh relatif lebih akurat.

ANN sendiri telah banyak diaplikasikan dalam bidang komputer, teknik, ilmu murni, perdagangan, financial dan lain-lain. Diantaranya adalah pengklasifikasian jenis tanah (Nafisah dkk,2008), dalam penelitian ini digunakan metode ANN Backpropagation untuk mengenali pola dalam pengklasifikasian jenis tanah ke dalam jenis gravel, sand, slit/ sloam, clay, heavy clay, atau peat, dengan bantuan software Weka 3.5.7. Sedangkan Giri Daneswara dan Veronika S Moertini (2004) dalam penelitiannya mengaplikasikan jaringan syaraf tiruan propagasi balik untuk klasifikasi data, dan Harryanto (2006) meneliti tentang aplikasi cluster analysis menggunakan self organizing maps (SOM) untuk analisa talenta pemain basket. Contoh aplikasi yang lain adalah pengenalan daun untuk klasifikasi tanaman (Budi,2008), pemodelan multivariat deret waktu sumber daya air (Ferianto, 2003), prakiraan harga minyak sawit (Salya, 2006), prakiraan keuntungan saham (Zhang, 2004) dan prakiraan kebutuhan energi (McMenamin,1998).  Pada penelitian ini ANN digunakan untuk membangun sebuah model pemetaan soal UN matematika secara mudah berdasarkan bank data hasil laporan UN yang dikeluarkan oleh pusat penilaian pendidikan balitbang diknas dan BSNP.

Sumber :
http://note-why.blogspot.co.id/2012/10/artificial-neural-network-ann.html
http://www.lpmpjateng.go.id/web/index.php/arsip/karya-tulis-ilmiah/798-penggunaan-metode-artificial-neural-network-dengan-algoritma-self-organizing-maps-untuk-membantu-gur