Gambar 2.4 Pola Data Tren
2.4 Evolving Connectionist System ECoS
Beberapa metode dalam komputasi cerdas yang berhasil dikembangkan seperti jaringan saraf tiruan JST, sistem fuzzy, evolutionary computation, hybrid system,
adaptive machine learning, masih terdapat beberapa masalah ketika menerapkan metode tersebut pada perkembangan proses yang kompleks Kasabov, 2007. Hal
tersebut antara lain :
1. Sulit dalam menentukan arsitektur sistem. Komputasi cerdas biasanya memiliki model arsitektur yang tetap, seperti jumlah neuron dan koneksi yang
tetap. Hal ini membuat sistem kesulitan dalam beradaptasi terhadap data yangbaru dengan distribusi yang tidak diketahui. Arsitektur yang tetap tentu
akan mencegah JST akan mode proses pembelajaran yang terus-menerus. 2. Catastrophic forgetting yaitu memungkinkan suatu sistem untuk melupakan
sebagian besar dari pengetahuan terdahulu ketika sedang melakukan pembelajaran terhadap data baru.
3. Banyaknya waktu pelatihan yang diperlukan. Pelatihan JST dalam batch mode biasanya memerlukan banyak iterasi dari propagasi data melalui strukturnya.
Hal ini mungkin tidak bisa diterima untuk pembelajaran online yang membutuhkan proses adaptasi yang cepat.
4. Kurangnya fasilitas dalam merepresentasikan pengetahuan. Banyak arsitektur dari komputasi cerdas yang dapat mengambil beberapa parameter statistik
selama pelatihan, akan tetapi hal tersebut tidak memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi linguistik yang dapat
dimengerti.
Y
X
Universitas Sumatera Utara
Dalam pengertian umum, sistem informasi seharusnya membantu dalam melakukan dan memahami dinamika proses yang dimodelkan, aturan-aturan dalam
sistem yang otomatis terus berkembang, pengetahuan yang memperoleh esensi dari proses-proses tersebut, mempermudah dalam penyelesaian masalah yang kompleks,
dan meningkatkan kinerja proses yang terus menerus berkembang sepanjang waktu. Kebutuhan akan hal-hal tersebut termasuk dalam bagian kecerdasan buatan yang mana
disebut Evolving Intelligence System EIS. Penekanan disini bukan pada pencapaian akhir dari kecerdasan buatan tersebut tapi untuk menciptakan sistem yang memiliki
kemampuan belajar terus-menerus berdasarkan pengetahuan yang masuk dan terus berkembang, meningkatkan kinerja sistem, mengembangkan representasi pengetahuan
pada masalah yang ditangani, dan menjadikan sistem lebih cerdas. EIS merupakan sebuah sistem informasi yang dapat mengembangkan struktur,
fungsionalitas, dan pengetahuannya secara mandiri dengan terus-menerus, self- organized, adaptive, dan interaktif terhadap informasi yang masuk serta melakukan
tugas-tugas cerdas yang dapat dilakukan manusia pada umumnya Kasabov, 2007. Evolving Connectionist System ECoS adalah salah satu bentuk dari EIS.
ECoS adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana inti
dari sistem tersebut adalah arsitektur connectionist yang terdiri dari neuron unit pengolah informasi dan hubungan antar-neuron. ECoS juga merupakan sistem
komputasi cerdas yang berdasarkan neural networks, tetapi menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan
struktur dan fungsinya melalui interaksi lanjutan terhadap lingkungan dan dengan sistem lainnya Kasabov, 2007. Proses adaptasi tersebut dapat didefinisikan melalui :
1. Sekumpulan aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter yang dapat berubah selama sistem beroperasi.
3. Sebuah aliran input informasi yang datang secara terus menerus yang mungkin terjadi pada distribusi data yang tidak menentu.
4. Kriteria goal atau tujuan yang ditetapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.
Universitas Sumatera Utara
Hal diatas dapat dilihat pada gambar
Gambar 2.5 Arsitektur ECoS Kasabov, 2007
Sistem EIS, dan ECOS terdiri dari empat bagian utama yaitu sebagai beikut : 1. Data masukan
2. Preprocessing dan evaluasi fitur 3. Pemodelan
4. Pengetahuan masukan
Gambar 2.6 Proses interaksi ECoS Kasabov, 2007
Universitas Sumatera Utara
pada gambar diatas, mereka memproses berbagai jenis informasi yang berbeda-beda secara adaptif dan berkelanjutan, dan berkomunikasi dengan user secara cerdas yang
menyediakan pengetahuan rules. Data diperoleh dari sumber-sumber yang berbeda seperti DNA, brain signals, data ekonomi-sosial dan ekologis, dan sumber lainnya.
Jika interaksi antara manusia dan sistem dapat diperoleh melalui cara ini maka hal tersebut dapat juga digunakan untuk memperluas interaksi antarsistem dengan baik.
2.4.1 Prinsip Umum ECoS
ECoS adalah struktur multi-level, multi-modular, dimana banyak modul yang memiliki inter-connections, dan intra-connections. Evolving connectionist system
tidak memiliki struktur multi-layer yang kosong. ECoS memiliki sebuah struktur modular terbuka Watts and Kasabov, 2000. Fungsi ECoS berdasarkan pada prinsip-
prinsip umum berikut, yaitu : 1. ECoS belajar dengan cepat dari jumlah data yang besar melalui pembelajaran
one-pass. 2. ECoS beradaptasi di online mode dimana data baru diakomodasi secara
bertahap. 3. ECoS menghapalkan setiap data yang ada untuk perbaikan lebih lanjut atau
untuk pencarian informasi. 4. ECoS belajar dan memperbaiki melalui interaksi yang aktif dengan sistem-
sistem yang lainnya dan di lingkungan multi-modular, mode hirarkis.
2.5 Simple Evolving Connectionist System SECoS
Kategori