Fungsi Keanggotaan: [ ] {
2.4
2.2.3. 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 2.6.
Gambar 2.6 Diagram blok sistem inferensi fuzzy Sumber : Kusumadewi hartati, 2010
2.3. Artificial Neural Network ANN Jaringan Syaraf tiruan
Artificial 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
Universitas Sumatera Utara
sering disebut dengan node yang masing-masing neuron node yang saling terhubung satu dengan yang lain untuk melakukan pemrosesan informasi Herdinata, 2010.
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.
2.4. Evolving Connection System ECOS
Walaupun metode computational intelligence seperti jaringan saraf tiruan JST, sistem fuzzy, komputasi evolusioner, sistem hibrida, serta metode lainnya telah
berhasil dikembangkan dan diterapkan, ada sejumlah masalah saat menerapkan teknik ini untuk proses berkembang yang kompleks Kasabov, 2007, seperti:
1. Kesulitan dalam preselecting arsitektur sistem. Biasanya model kecerdasan buatan
memiliki arsitektur tetap jumlah neuron dan koneksi tetap. Hal ini membuat sulit bagi sistem untuk beradaptasi dengan data baru yang distribusinya tidakbelum
diketahui. Sebuah arsitektur tetap pasti akan mencegah JST dari mode proses belajar terus-menerus.
2. Sistem akan melupakan sejumlah besar pengetahuan lama sambil belajar dari data
baru.
Universitas Sumatera Utara
3. Memerlukan waktu pelatihan yang berlebihan. Pelatihan sebuah JST dalam modus
batch biasanya membutuhkan banyak iterasi dari propagasi data melalui struktur JST. Ini mungkin tidak diterima untuk sebuah sistem online adaptif, yang akan
membutuhkan adaptasi yang cepat.
4. Kurangnya fasilitas representasi pengetahuan. Banyak arsitektur kecerdasan
buatan menangkap parameter statistik selama pelatihan, tapi tidak memfasilitasi penggalian aturan berkembang dalam hal informasi bermakna linguistik.
Untuk mengatasi masalah di atas, peningkatan koneksionis serta penggabungan teknik dan metode perlu dilakukan baik dalam hal belajar algoritma maupun
pengembangan sistem.
Dalam pengertian umum, sistem informasi akan membantu menentukan dan memahami dinamika proses yang dimodelkan, aturan-aturan di dalam sistem yang
terus berkembang, untuk mengambil jalan pintas dalam memecahkan masalah yang kompleks, dan meningkatkan kinerja proses yang berkembang sepanjang waktu
terus-menerus berkembang. Kebutuhan akan hal-hal diatas merupakan bagian dari artificial intelligence AI yang disebut evolving intelligent systems EIS. Penekanan
konsep EIS ialah untuk menciptakan sistem yang memiliki kemampuan belajar terus- menerus berdasarkan masukan pengetahuan yang terus berkembang, meningkatkan
kinerja sistem, mengembangkan representasi pengetahuan untuk masalah yang ditangani, dan menjadikan sistem lebih cerdas Kasabov, 2007.
EIS adalah sistem informasi yang mengembangkan struktur, fungsi, dan pengetahuan dengan cara terus menerus, self-organized, adaptif, dan interaktif
berdasarkan informasi yang masuk dari berbagai sumber, dan melakukan tugas-tugas cerdas seperti manusia misalnya pengenalan pola adaptif, konsep pembentukan,
pembelajaran bahasa, kontrol cerdas sehingga meningkatkan kinerjanya Kasabov, 2007.
Salah satu bentuk metode EIS adalah evolving connectionist systems ECOS yakni sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi
Universitas Sumatera Utara
pengetahuan yang mengembangkan struktur dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri dari neuron unit pengolahan informasi
dan hubungan antar-neuron Kasabov, 2007. Sebuah ECOS adalah sistem computational intelligence berdasarkan jaringan saraf, tetapi menggunakan teknik lain
dari computational intelligence yang beroperasi secara terus menerus dalam waktu yang telah ditentukan dan menyesuaikan struktur dan fungsinya melalui interaksi terus
menerus dengan lingkungan dan dengan sistem lain seperti ditunjukkan pada gambar 2.7 berikut ini:
Gambar 2.7 Arsitektur ECOS
Sumber:Kasabov, 2007
Adaptasi dalam metode ini didefinisikan melalui: 1.
Seperangkat aturan yang diatur untuk dapat terus berkembang. 2.
Satu set parameter gen yang dapat berubah selama operasi sistem. 3.
Sebuah aliran input informasi secara terus menerus yang mungkin terjadi dengan distribusi yang tidakbelum diketahui.
4. Kriteria goal atau tujuan juga bisa dimodifikasi dapat diterapkan untuk
mengoptimalkan kinerja sistem dari waktu ke waktu.
Sistem EIS, dan ECOS pada khususnya, terdiri dari empat bagian utama: 1.
Data akuisisi. 2.
Preprocessing dan evaluasi fitur. 3.
Pemodelan. 4.
Pengetahuan akuisisi.
Universitas Sumatera Utara
Berikut merupakan ilustrasi yang menggambarkan bagian-bagian yang berbeda dari sebuah EIS yang memproses berbagai jenis informasi dengan cara yang adaptif
secara terus menerus. Pengolahan online dari semua informasi ini memungkinkan ECOS untuk berinteraksi dengan pengguna dengan sistem cerdas. Jika manusia-sistem
interaksi dapat dicapai dengan cara ini, ini juga dapat digunakan untuk memperluas sistem-sistem interaksi lainnya Kasabov, 2007.
Gambar 2.8 Proses Interaksi ECOS
Sumber: Kasabov, 2007
2.5. Algoritma Weighted Evolving Fuzzy Neural Network
