• Desain input data fundamental
Qualifier dan variabel dirancang untuk mengakses fakta input oleh pengguna yang dibutuhkan dalam mengoperasikan sistem. Qualifier hanya dapat digunakan
untuk mengakses fakta input yang berbentuk pilihan, jawaban atas qualifier ini disebut dengan value. Sedangkan untuk mengakses fakta input yang berupa
jawaban terbuka digunakan variabel.
6.2.2 Desain Proses
Proses yang terdapat dalam SINKUAL-SP terbagi menjadi empat proses, yaitu : proses input, proses prediksi, proses penilaian dan proses output. Bagan alir
desain proses disajikan pada Gambar 26
.
Gambar 26. Bagan Alir Desain Proses dengan Mengintegrasikan Sistem Pakar dan Jaringan Syaraf Tiruan
a. Proses Input
Data yang tercakup dalam faktor teknikal diolah dengan menggunakan jaringan syaraf tiruan. Arsitektur jaringan yang digunakan dalam penelitian ini adalah
jaringan syaraf propagasi balik backpropagation. Jaringan ini merupakan jaringan yang popular dan terbukti keunggulannya terutama dalam hal prediksi. Proses
= Solusi dan Pemakai
U ser I nt er f ace
penilaian dan prediksi kualitas
susu pasteurisasi
I nf er ence E ngine untuk mengolah isi
knowledge
base Development
Engine
Exper t and Knowledge
Knowledge B ase
Penilaian Prediksi
Kualitas Susu Pasteurisasi
I nput data teknis proses pengolahan
susu pasteurisasi
Jaringan syaraf tiruan
Data prediksi keragaman
proses satu Domain
problem kualitas
= I nstruksi dan = Pengetahuan
belajar jaringan menggunakan supervised learning, karena menggunakan himpunan data input yang output aktualnya diketahui.
• Fungsi Aktivasi
Fungsi aktivasi JST yang digunakan dalam penelitian ini adalah sebagai berikut :
1. Fungsi Sigmoid Bipolar Hyperbolic Tangen Function Fungsi ini dalam Matlab dikenal dengan Tansig. Output dari fungsi ini memiliki
range antara 1 sampai -1. Fungsi Sigmoid Bipolar dirumuskan sebagai berikut :
x x
e e
x f
Y
− −
+ −
= =
1 1
2. Fungsi Sigmoid Biner Logistic Function Fungsi ini dalam Matlab dikenal dengan Logsig. Output dari fungsi ini memiliki
range antara 0 sampai 1. Fungsi Sigmoid Biner dirumuskan sebagai berikut :
x
e x
f Y
−
+ =
= 1
1
3. Fungsi Linear Indentify Function Fungsi ini memiliki nilai input dan output yang sama, dikenal dengan nama
purelin. Fungsi Linear dirumuskan sebagai berikut :
Y= fx Ketiga fungsi aktivasi tersebut diperlihatkan pada Gambar 27.
Gambar 27. Fungsi Aktivasi Jaringan Syaraf Tiruan Kosko, 1992
-10 10
-1 1
2
-10 10
-1 1
2
L ogist ic F unct ion I dent ify
Funct ion
a -10
10 -1
1 2
Hyper bolic T angen F unct ion
b c
• Level Jaringan
Arsitektur jaringan yang dipakai adalah jaringan syaraf multilayer yang terdiri dari input layer, satu buah hidden layer dan output layer. Algoritma yang digunakan
adalah backpropagation.
• Level Proses Belajar Training
Pencatatan statistik dilakukan selama proses belajar training untuk mengukur performansi jaringan yang diukur dengan nilai error. Data input dan data
target akan dimasukkan ke dalam jaringan selama proses belajar berlangsung secara berulang-ulang sampai error akan mendekati nol.
• Testing
Testing jaringan dilakukan setelah proses belajar kemudian bobot jaringan dibekukan dan data yang belum pernah dilihat oleh jaringan dimasukkan. Jika
proses belajar telah dibekukan dengan baik serta topologi jaringannya benar maka jaringan syaraf tiruan akan mempergunakan ‘pengalamannya’ pada data baru ini
dan tetap menghasilkan solusi yang baik. Hal tersebut diisebut dengan kemampuan jaringan dalam melakukan generalisasi.
b. Proses Prediksi • Inisialisasi Bobot
