13 Fungsi Keanggotaan:
[ ] { 2.4
2.3.3 Sistem Inferensi Fuzzy
Sistem inferensi fuzzy merupakan suatu komputasi yang didasari pada teori himpunan fuzzy, aturan fuzzy berbentuk IF
– THEN dan penalaran fuzzy. Untuk proses sederhana dari sistem inferensi fuzzy yaitu sistem akan menerima input kemudian input dikirim
ke basis pengetahuan yang berisi n aturan fuzzy. Fire strength dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka dilakukan agregasi dari semua
aturan kemudian hasil tersebut akan dilakukan defuzzy untuk mendapat nilai output sistem kusumadewi Hartati, 2010. Diagram blok sistem inferensi fuzzy dapat
dilihat pada gambar 2.7
Gambar 2.7 Diagram blok sistem inferensi fuzzy Kusumadewi hartati, 2010
2.4 Artifical Neural Network ANN Jaringan Syaraf tiruan
Artifical Neural Network ANN Jaringan Syaraf tiruan adalah suatu teknologi komputasi pada jaringan syaraf biologis yang disimulasikan kepada proses kerja
model syaraf terhadap berbagai masukan. jaringan syaraf terdiri dari beberapa neuron sering disebut dengan node yang masing-masing neuron node yang saling
terhubung satu dengan yang lain untuk melakukan pemrosesan informasi Herdinata, 2010.
Universitas Sumatera Utara
14 Jaringan syaraf tiruan juga melakukan pemrosesan informasi pada jaringan
syaraf biologi. Informasi input akan ditujukan ke node dengan bobot – bobot
tertentu. Informasi input diproses oleh fungsi perambatan yang dijumlahkan semua nilai perkalian input sesuai dengan bobot yang datang. Hasil penjumlahan ini akan
dibandingkan dengan sebuah nilai ambang tertentu melalui fungsi aktivasi pada tahap node Herdinata, 2010.
Apabila input melewati nilai ambang maka hasil akan diaktifkan jika tidak melewati nilai ambang maka node tidak akan diaktifkan, jika node telah diaktifkan
maka node tersebut mengunakan ouput melalui bobot-bobot ouput ke semua node yang saling berhubungan Herdinata, 2010.
2.5 Evolving Connection System ECOS
Banyak metode yang dikembangkan dan mengunakan computational intelligence seperti Jaringan Syaraf Tiruan JST, Sistem Fuzzy, Sistem Hibrida dan metode-
metode lainnya, tapi ada beberapa masalah dalam menerapkan teknik ini untuk pengembangan yang lebih kompleks Kasabov, 2007, yaitu :
1. Kesulitan dalam preselecting sistem arsitektur untuk model kecerdasan buatan
memiliki arsitektur yang tetap jumlah neuron dan koneksi tetap. Hal ini sangat sulit untuk sistem beradaptasi dengan data baru yang distribusikan yang tidak
diketahui. 2.
Sistem akan melupakan sejumlah data besar pengetahuan sambil belajar dari data baru
3. Memerlukan waktu pelatihan yang berlebihan, pelatihan Jaringan Syaraf Tiruan
dalam modus batch membutuhkan banyak iterasi propogasi data melalui Jaringan Syaraf Tiruan, ini mungkin tidak dapat diterima oleh online adaptif yang
membutuhkan adaptasi dengan cepat.
Universitas Sumatera Utara
15 4.
Kurangnya fasilitas representasi pengetahuan banyak arsitektur kecerdasan buatan yang menangkap parameter statistik selama pelatihan tapi tidak memfasilitasi
penggalian aturan berkembang dalam hal informasi bermakna linguistic.
Untuk mengatasi masalah diatas, ditingkatkan konektifitas baru serta metode hibrida dan teknik yang diperlukan dari segi algoritma pembelajaran dan
pengembangan sistem. Dalam sistem informasi ini sangat membantu dalam memahami dinamika proses
dimodelkan, aturan yang berkembang, dalam pengetahuan menangkap fungsi dan proses ini mengambil jalan pintas untuk memecahkan masalah yang kompleks.
Persyaratan mendefenisikan dari Artificial Intelligence AI yang disebut Evolving Intelligence Systems EIS Kasabov, 2007.
Evolving Intelligence System EIS adalah sistem informasi yang mengembangkan struktur, fungsi dan pengetahuan terus-menerus, self-terorganisir, dan interkatif dari
berbagai sumber informasi yang masuk sehingga meningkatkan kinerjanya Kasabov, 2007.
Salah satu metode Evolving Intelligence System EIS yaitu Evolving Connectionist Systems ECOS adalah suatu metode pembelajaran yang adaptif,
sistem mewakili pengetahuan yang mengembangkan struktur dan fungsi, yang dimana dalam inti sistem terdapat arsitektur yang koneksionis yang terdiri dari neuron
pengelolahan informasi dan hubungan antar neuron Kasabov, 2007.
Adaptasi ini didefinisikan melalui Kasabov, 2007 :
1. Seperangkat aturan yang terus berkembang.
2. Satu set parameter gen yang dapat berubah selama operasi sistem.
3. Aliran input informasi
‘yang masuk dengan yang tidak diketahui distribusinya. 4.
Kriteria alasan diterapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.
Dari bentuk arsitektur Evolving Connection system ECOS dapat dilihat pada gambar 2.8
Universitas Sumatera Utara
16
Gambar 2.8 Arsitektur ECOS Kasabov, 2007
2.6 Weighted Evolving Fuzzy Neural Network
