21
2.4 Kecerdasan Buatan
Menurut Kusumadewi 2004, kecerdasan buatan atau artificial intellegence merupakan salah satu bagian
ilmu komputer
yang membuat agar mesin komputer dapat melakukan pekerjaan sebaik yang dilakukan manusia. Agar komputer bisa
bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan, dan mempunyai kemampuan untuk menalar.
Untuk melakukan aplikasi kecerdasan buatan ada dua bagian utama yang dibutuhkan, yaitu: basis pengetahuan knowledge base berisi fakta-fakta, teori,
pemikiran dan hubungan satu dengan yang lain, dan motor inferensi inference engine, yaitu kemampuan untuk menarik kesimpulan berdasarkan pengalaman.
Pada dasarnya penelitian dan penerapan kecerdasan buatan mencakup dalam tiga bidang, yaitu:
1. Pengolahan bahasa
alami natural language processing,
dengan pengembangan program-program yang memungkinkan komputer dapat berkomunikasi dengan
manusia menggunakan bahasa sehari-hari. 2. Robotika dan sistem sensor robotic and sensory systems.
3. Sistem Pakar expert system, komputer digunakan sebagai sarana menyimpan kemampuan para pakar, sehingga akan memiliki kemampuan menyelesaikan
masalah dengan meniru keahlian yang dimiliki oleh pakar.
2.5 Sistem Pakar 2.5.1 Definisi Sistem Pakar
Sistem pakar mulai dikembangkan oleh komunitas kecerdasan buatan pada pertengahan tahun 1960 yang berisi pengetahuan yang eksklusifkhusus untuk
menyelesaikan masalah tingkat manusia pakar. Menurut Marimin 2005, sistem pakar adalah sistem perangkat lunak
komputer yang menggunakan ilmu, fakta, dan teknik berfikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat
diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.
22
Beberapa definisi sistem pakar dalam Kusumadewi 2004, antara lain:
y
Menurut Durkin, sistem pakar adalah program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah oleh seorang pakar.
y
Menurut Ignizio, sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat
dibandingkan dengan keahlian seorang pakar.
y
Menurut Giaratano dan Riley, sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.
Menurut Turban 2005, konsep dasar sistem pakar mengandung keahlian antaran lain: ahli, pengalihan keahlian, inferensi, aturan-aturan dan kemampuan
untuk menjelaskannya. Pakar itu sendiri adalah orang yang mampu menjelaskan suatu tanggapan, memperlajari hal-hal baru seputar topik permasalahan atau
bidang pakarnya, menyusun kembali pengetahuan jika diperlukan, memecahkan aturan-aturan jika dibutuhkan, dan menentukan relevan tidaknya keahlian mereka.
Sehingga sistem pakar itu dijelaskan Feigenbaun dalam Harmon dan King 1985, adalah perangkat lunak komputer cerdas yang menggunakan pengetahuan dan
prosedur inferensi untuk memecahkan masalah yang cukup rumit atau memerlukan kemampuan seorang pakar untuk memecahkannya.
Sistem pakar berbeda dengan program konvensional, karena program yang terakhir hanya dapat dimengerti oleh pembuat program programmer sedangkan
sistem pakar bersifat interaktif dan mempunyai kemampuan untuk menjelaskan apa yang ditanyakan pengguna user friendly.
Pengetahuan yang digunakan dalam sistem pakar umumnya dibuat dalam bentuk rule-based system. Kaidah-kaidah rules atau informasi dari pengalaman
tentang tingkah laku suatu unsur dari suatu gugus persoalan, dimana pengetahuan disimpan dalam bentuk aturan if-then. Kemampuan inilah yang membedakan
Kaidah-kaidah biasanya memberikan deskripsi tentang kondisi yang diikuti oleh akibat dari persyaratan tersebut. Perbedaan perangkat lunak sistem pakar dengan
sistem konvensional di sajikan pada Tabel 10.
23
Tabel 10. Perbedaan Sistem Pakar dengan Sistem Konvensional
Sistem Konvensional Sistem Pakar
y
Menyajikan dan menggunakan data
y
Menyajikan dan menggunakan pengetahuan
y
Bersifat algoritmitik atau langkah demi langkah
y
Bersifat Heuristik atau menyeluruh
y
Proses Repetitif
y
Proses Inferensi
y
Memanipulasi basisdata, cukup sulit dan membosankan
y
Memanipulasi basis pengetahuan dan dapat dilakukan dengan
mudah
y
Berorientasi pada pengolahan bilangan
y
Berorientasi pada pengolahan simbolik
y
Tujuan utama adalah efisiensi
y
Tujuan utama adalah efektivitas
y
Sistem hanya beroperasi jika sistem tersebut sudah lengkap
y
Sistem dapat beroperasi hanya dengan beberapa aturan
Tujuan perancangan sistem pakar adalah untuk mempermudah kerja atau bahkan menggantikan tenaga ahli, penggabungan ilmu dan pengalaman dari
beberapa tenaga ahli, training tenaga ahli baru, dan penyediaan keahlian yang diperlukan oleh suatu proyek yang tidak ada atau tidak mampu membayar tenaga
ahli sehingga dapat dikatakan sebagai sistem pakar dirancang untuk menyimpan dan menggunakan ilmu serta pengalaman dari seorang pakar sehingga dapat
berpikir dan mengambil kesimpulan dari sekumpulan aturan. Dalam proses tersebut seorang pengguna dapat berkomunikasi secara interaktif dengan
komputer untuk memecahkan suatu persoalan atau seolah-olah pengguna berhadapan dengan seorang yang ahli dengan masalah tersebut.
2.5.2 Struktur Sistem Pakar
Struktur sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan pengembangan yang digunakan untuk pembangunan sistem pakar baik dari segi
komponen maupun basis pengetahuan dan lingkungan konsultasi yang digunakan oleh seorang yang bukan ahli untuk berkonsultasi Turban, 1995. Struktur sistem
pakar disajikan pada Gambar 2.5 berikut ini.
24
Antar Muka Pemakai
Aksi yang direkomendasikan
Fakta tentang kejadian tertentu
Fasilitas Penjelasan
Motor Interferensi : 1. Interpreter
2. Schedule 3. Consistency enforcer
Workplace : 1. Rencana
2. Solusi 3. Agenda
4. Deskripsi, dll Basis Pengetahuan :
Fakta dan Aturan
Penyaring Pengetahuan
Rekayasa Pengetahuan
Pakar
Gambar 2.5 Struktur Sistem Pakar Turban, 1995 Komponen-komponen sistem pakar pada Gambar 2.5 terdiri atas:
1. Sistem penambahan pengetahuan terdiri atas: rekayasa pengetahuan dan pakar yang digunakan untuk memasukkan pengetahuan, mengkonstruksi,
memperluas pengetahuan dalam basis pengetahuan yang berasal dari pakar, buku, basis data, penelitian, dan lainnya.
2. Basis pengetahuan. Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasikan dan menyelesaikan masalah.
3. Motor inferensi inference engine. Program yang berisikan metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam
basis pengetahuan dan workplace serta digunakan untuk memformulasikan konklusi. Ada tiga elemen utama dalam mesin inferensi, yaitu:
y
Interpreter, mengeksekusi item-item yang terpilih dengan menggunakan aturan-aturan dalam basis data pengetahuan yang sesuai.
y
Scheduler, akan mengotrol agenda atau jadual.
y
Consistency enforcer, akan berusaha memelihara kekonsistenan dalam mempresentasikan solusi yang bersifat darurat.
25
4. Workplace, merupakan area dalam memori yang digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara.
5. Antar Muka, digunakan untuk media komunikasi antara user dan program. 6. Sistem penjelasan, digunakan untuk melacak respon dan memberikan
penjelasan tentang kelakuan sistem pakar secara interaktif tentang solusi dan alternatif yang ditawarkan.
7. Sistem penyaringan pengetahuan, digunakan untuk mengevaluasi kinerja sistem pakar itu sendiri untuk melihat apakah pengetahuan-pengetahuan yang
ada masih cocok untuk digunakan di masa mendatang. Pada prinsipnya, sistem pakar tersusun dari beberapa komponen yang
mencakup : 1 Fasilitas akuisisi pengetahuan, 2 sistem berbasis pengetahuan atau knowledge based system, 3 mesin inferensi inference engine, 4 fasilitas
untuk penjelasan dan justifikasi, 5 penghubung antara pengguna dan sistem pakar atau user interface.
Sistem pakar dibangun dengan sistematika pengembangan yang sesuai dengan masalah yang ditangani, sebagai pedoman dan memberikan acuan kepada
pengembang atau pembuat. Permasalahan-permasalahan dalam lingkup sistem pakar dapat dilihat pada Tabel 11.
Tabel 11. Permasalahan dalam Lingkup Sistem Pakar
Kategori Masalah dalam lingkup Sistem Pakar
Intepretasi Menyimpulkan deskripsi situasi dari observasi
Prediksi Menyimpulkan kemungkinan
konsekuensi dari
situasi tertentu
Diagnosis Menyimpulkan tidak berfungsinya suatu sistem observasi
Desain Konfigurasi objek pada batasan tertentu
Perencanaan Membuat rencana untuk mencapai tujuan
Monitor Membandingkan observasi dengan rencana
Debugging Menyarankan perbaikan pada kegagalan observasi
Perbaikan Menjalankan rencana sarana perbaikan
Instruksi Diagnosa, menghilangkan
kesalahan dan perbaikan prestasi Kontrol
Interpretasi, prediksi, perbaikan dan monitor keadaan sistem
Sumber: Waterman, 1986.
26
2.6 Jaringan Syaraf Tiruan JST 2.6.1 Dasar Biologis
Jaringan otak manusia atau sering disebut jaringan syaraf neural network biologis memiliki struktur sangat komplek, terdiri atas berjuta-juta neuron yang
bekerja seperti suatu prosesor sederhana dan penghubung yang disebut sinapsis atau axon. Gambar 2.6 menunjukkan karateristik jaringan biologis dan JST.
Gambar 2.6 a Jaringan Syaraf Biologis dan b JST Jaringan syaraf merupakan salah satu representasi buatan atas otak manusia
yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Tiruan karena jaringan syaraf ini diimplemetasikan dengan
program komputer yang mampu menyelesaikan proses perhitungan selama proses pembelajaran dengan berbasis pada asumsi sebagai berikut:
1. Pemprosesan terhadap informasi yang diterima terjadi pada elemen-elemen sederhana yang disebut neuron.
2. Sinyal dikirimkan diantara neuron-neuron melalui jaringan penghubung. 3. Setiap sinyal mempunyai nilai bobot yang mengalikan sinyal yang akan
ditransmisikan ke lapisan berikutnya.
Axon dari
Axon dari neuron lain
Dendrite dari neuron lain
Dendrite dari neuron lain
Soma Axon
Dendrite
Dendrite
Input 3
Input 1 Input
2 Input 6
Input 4 Input 5
Bobot input
Pembobotan fungsi aktivasi
soma
Output axon
a
b
27
Σ
fungsi aktivasi output
bobot output ke
neuron-neuron yang lain
bobot Input dari
neuron-neuron tertentu
Pembobotan antara vektor input dan bobot
4. Setiap neuron menerapkan fungsi aktivasi terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya.
Berdasarkan pada asumsi-asumsi di atas, maka karakteristik jaringan syaraf ditentukan oleh tiga hal berikut.
a. Arsitektur, merupakan bentuk pola hubungan antar neuron-neuron yang akan membentuk lapisan-lapisan layer.
b. Learning algorithm, algoritma proses pembelajaran yang merupakan metode yang digunakan untuk menentukan bobot hubungan antar neuron atau jaringan
tersembunyinya. c. Fungsi aktivasi, merupakan fungsi untuk menghasilkan output berdasarkan
nilai ambang threshold tertentu. Ada beberapa JST, namun demikian, hampir semua memiliki komponen-
komponen yang sama, seperti neuron, informasi input, bobot, fungsi aktivasi threshold dan output. Gambar 2.7 menunjukkan struktur neuron pada JST.
Gambar 2.7 Struktur Neuron Jaringan Syaraf Tiruan
2.6.2 Stuktur Jaringan
Pada JST neuron-neuron dikumpulkan dalam lapisan-lapisan layer, neuron pada satu lapisan memiliki keadaan yang sama terutama fungsi aktivasi dan pola
bobot. Ada beberapa arsitektur jaringan syaraf, antara lain: a. Jaringan dengan lapisan tunggal single layer net, jaringan hanya memiliki
lapisan input yang langsung mengolahnya menjadi output. b. Jaringan dengan banyak lapisan multilayer net, selain memiliki lapisan input
dan lapisan output di antara kedua lapisan tersebut juga terdapat lapisan
tersembunyi.
28
c. Jaringan dengan lapisan kompetitif, pada jaringan ini hubungan antara neuron pada lapisan kompetitif tidak diperlihatkan dalam diagram arsitektur.
2.6.3 Proses Pembelajaran
Tujuan proses pembelajaran jaringan syaraf adalah untuk mencari bobot- bobot yang terdapat antara tiap lapisan. Ada dua jenis pembelajaran dalam sistem
jaringan syaraf berikut. a. Pembelajaran terawasi supervised learning
Metode pembelajaran ini memerlukan data pembelajaran vector training yang terdiri atas pasangan data input dan data output yang diinginkan. Lapisan
output membangkitkan pola output yang nantinya dicocokkan dengan pola
output targetnya. Bila terjadi perbedaan pola output dengan targetnya, muncul error sehingga perlu lebih banyak pembelajaran.
b. Pembelajaran tak terawasi unsupervised learning Pada metode ini hanya diberikan data input dan tidak memerlukan target
output. Jaringan akan memodifikasi nilai bobot sehingga untuk input yang hampir sama, output yang dihasilkan sama.
2.6.4 Fungsi Aktivasi
Data input pada suatu neuron akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan semua nilai bobot yang datang. Hasil penjumlahan akan
dibandingkan dengan suatu nilai ambang threshold melalui fungsi aktivasi setiap neuron. Apabila nilai bobot melewati nilai ambang tertentu yang ditentukan, maka
neuron tersebut akan diaktifkan lalu mengirimkan nilai bobot ke semua neuron yang terhubung dan sebaliknya.
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: fungsi undak biner, bipolar, linear, saturating linear,
symmetric saturating linear, sigmoid biner, dan sigmoid bipolar.
2.6.5 Backpropagation
Backpropagation atau perambatan balik merupakan algoritma pembelajaran yang terawasi dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya.
29
X
1
X
2
X
3
Z
1
Z
2
Y
1
Y
2
Y
3
Perambatan mundur back propagasi Perambatan maju forward propagasi
v
11
v
12
v
21
v
22
v
31
v
32
w
11
w
12
w
13
w
21
w
22
w
23
Input Hidden
Output
Algoritma backpropagation menggunakan error output dari perambatan maju forward propagation untuk mengubah nilai bobot-bobotnya dalam arah
mundur backward. Untuk mendapatkan error ini tahap perambatan maju dikerjakan terlebih dahulu dimana neuron-neuron biasanya diaktifkan
menggunakan fungsi aktivasi sigmoid. Menurut Kusumadewi 2004, fungsi kinerja yang sering digunakan untuk
backpropagation adalah mean square error mse, fungsi ini akan mengambil rata-rata kuadrat error yang terjadi antara output jaringan dan target. Arsitektur
jaringan backpropagation dapat dilihat pada Gambar 2.8 berikut ini.
Gambar 2.8 Arsitektur Jaringan Backpropagation
2.7 Integrasi Sistem Pakar dan Jaringan Syaraf Tiruan
Menurut Rolston dan David 1988, integrasi sistem pakar dan jaringan syaraf tiruan dapat dilakukan dengan beberapa teknik, dari kombinasi secara
independent atau model stand alone hingga kombinasi yang mempunyai hubungan interaktif tinggi model full integration.
Dalam model full integration sistem pakar dan jaringan syaraf tiruan terbetuk dalam satu sistem yang sama sehingga model ini saling mendukung
30
untuk saling menutupi kelemahan masing-masing dan meningkatkan kemampuan komunikasi secara interaktif yang alami dari suatu integrasi dan meningkatkan
performansinya.
2.8 Run Chart dan Control Chart
Menurut Gaspersz 1998, run chart adalah suatu bentuk grafik garis suatu data dalam waktu tertentu yang dipergunakan sebagai alat analisis untuk:
y Mengumpulkan dan interpretasikan data, juga merupakan ringkasan visual dari data itu, sehingga memudahkan dalam pemahaman.
y Menunjukkan output dari suatu proses data sepanjang waktu. y Menunjukkan apa yang sedang terjadi dalam situasi tertentu sepanjang waktu.
y Menunjukkan kecendrungan atau trend dari data sepanjang waktu. y Membandingkan data dari periode yang satu dengan periode lain, demikian
pula memeriksa perubahan-perubahan yang terjadi. Sedangkan control chart atau peta kontrol pertama kali diperkenalkan oleh
Dr. Walter Andrew Shewhart pada tahun 1924 dengan maksud menghilangkan variasi tidak normal melalui pemisahan variasi disebabkan oleh penyebab khusus
dari variasi yang disebabkan oleh penyebab umum. Peta kontrol merupakan alat
yang ampuh dalam mengendalikan suatu
proses, yang pada dasarnya dipergunakan untuk:
y Menentukan apakah proses berada dalam pengendalian statistikal. y Memantau proses terus menerus agar proses tetap stabil secara statistikal dan
hanya mengandung variasi penyebab umum. y Menentukan kemampuan proses process capability. Setelah proses berada
dalam pengendalian statistikal, batas-batas dari variasi proses dapat ditentukan.
2.9 Metode Pembobotan Entropy