Fuzzy Logic ( Tugas 1 Softskill Pengenalan Teknologi Sistem Cerdas )

· Fuzzy logic jika di atau dalam bahasa Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain. Penalaran Logika Fuzzy memnyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.

Alasan Kenapa digunakan logika Fuzzy:
- Karena konsep logika Fuzzy mudah dimengerti.
- Logika Fuzzy fleksibel.
- Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
- Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvensional.
- Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.
- Logika Fuzzy didasarkan pada bahasa alami.
- Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

Profesor Lotfi A. Zadeh adalah guru besar pada University of California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah.

Karena itu Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership function) dari masing-masing variabelnya. Fungsi keanggotaan (membership function), adalah suatu kurva yang menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. ° Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy. ° Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan. ° Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan. Masukan Crisp adalah masukan yang tegas dan tertentu. ° Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan. ° Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.

Penerapan Fuzzy Logic

Di bawah ini adalah beberapa contoh aplikasi Fuzzy Logic:
• Sistem Pengereman Mobil (Nissan).
• Pengontrol kereta bawah tanah di Sendai, Jepang.
• Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).

Saya mengambil contoh dari jurnal yang bisa dilihat dihttp://eprints.dinus.ac.id/12387/1/jurnal_12328.pdf

Di kehidupan sehari-hari manusia dihadapkan dalam permasalahan untuk pengambilan keputusan. Hal ini juga terjadi pada para petani dalam melakukan penilaian tentang kualitas dan menentukan harga jual gabah dari hasil panennya. Dengan menggunakan logika fuzzy untuk menetukan harga gabah bertujuan untuk membantu para petani agar dapat melakukan penilaian dengan cepat, tepat dan akurat. Pada metode Mamdani,untuk mendapatkan hasil diperlukan tahap-tahap : Fuzzifikasi, Aplikasi fungsi implikasi, Komposisi aturan-aturan dengan metode maksimum, dan Defuzzifikasi dengan metode centroid. Dengan proses tersebut diharapkan bisa mendapatkan suatu hasil keputusan yang terbaik. Dengan ini para petani ataupun pembeli dapat menggunakan sistem ini sebagai refensi untuk membantu menentukan harga gabahnya, karena harga yang dihasilkan pada sistem ini sesuai dengan harga gabah di pasaran. Jadi jika petani maupun pembeli menerapkan harga dari sistem ini harga yang diterapkan sudah sesuai dengan kualitas gabah yang akan dijual.

Sumber/referensi :

Artifical Neural Network (Tugas 1 Softskill Pengenalan Teknologi Sistem Cerdas )

Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah:

Pengklasifikasian pola
Memetakan pola yang didapat dari input ke dalam pola baru pada output
Penyimpan pola yang akan dipanggil kembali
Memetakan pola-pola yang sejenis
Pengoptimasi permasalahan
Prediksi

Sejarah Neural Network

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

Gambar 2.1 McCulloch & Pitts, penemu pertama Neural Network

Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

Gambar 2.2 Perceptron

Konsep Neural Network

1. Proses Kerja Jaringan Syaraf Pada Otak Manusia

Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat sekitar 10¹¹ neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain, jumlahnya mencapai sekitar 10⁴ sinapsis. Masing-masing sel itu saling berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja otak manusia.

Gambar 2.3 Struktur Neuron pada otak manusia

Dari gambar di atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:

Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain
Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf.

Proses yang terjadi pada otak manusia adalah:

Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai ambang (threshold).

2. Struktur Neural Network

Dari struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas, maka konsep dasar pembangunan neural network buatan (Artificial Neural Network) terbentuk. Ide mendasar dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.

Gambar 2.4 Struktur ANN

Karakteristik dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.

Input, berfungsi seperti dendrite
Output, berfungsi seperti akson
Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilaithreshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan output saja.

Penerapan Artifical Neural Network

Artificial Neural Network (Jaringan Syaraf Tiruan), dimana dalam sepuluh tahun terakhir pengaplikasiannya telah banyak dikembangkan di berbagai bidang dalam kehidupan manusia. Seperti contoh Aplikasi Adaptive Inteligent System adalah Sistem mengenali Panas, Hangat, dan Dingin Menggunakan Jaringan Syaraf Tiruan dan Himpunan Fuzzy begitu juga seperti Adaptive Noise Canceling yang menggunakan jaringan syaraf tiruan untuk membersihkan gangguan pada telephone (dikenal dengan echo) dan mengurangi kesalahan tranmisi modem dll.

Salah satu contoh nya bisa dilihat saya mengambil dari jurnalwww.ejournal.himsya.ac.id/index.php/HIMSYATECH/article/view/45/40

Dalam perkembangannya, ilmu Kecerdasan Buatan atau Artificial Intelligence (AI) telah banyak diterapkan pada teknologi komputer dalam menyelesaikan suatu masalah yang umumnya memerlukan pemikiran seorang ahli, dan ANN Perceptron merupakan salah satu dari metode AI yang telah terbukti cukup handal untuk digunakan sebagai teknik pengenalan atau pengindentifikasian.Tujuan dari dibuatnya karya tulis ilmiah ini adalah untuk menerapkan metode Jaringan Syaraf Tiruan atau Artificial Neural Network dengan algortima Perceptron dalam menentukan penyakit cacar daun dan bercak daun pada daun tembakau serta daun cengkeh, dimana sampel daun-daun tersebut dianalisis melalui kedelapan gejala atau ciri yang ditimbulkannya.

Tahapan awal yang dilakukan yaitu mengumpulkan beberapa sampel daun tembakau dan daun cengkeh, baik yang terkena penyakit maupun tidak. Kemudian mengelompokkan gejala atau ciri khusus yang ditimbulkan pada setiap daunnya dari penyakit cacar daun dan bercak daun. Ciri penyakit yang positif terlihat pada masing-masing daun akan direpresentasikan dengan nilai bipolar [1, -1], dimana ciri tersebut akan digunakan sebagai nilai masukan pada tahap pelatihan (training) dan pengujian (testing) dalam metode ANN.

Dari hasil pengujian terhadap sampel sebanyak 20 daun untuk tahap training dan 10 sampel daun untuk tahap testing, dengan perbandingan penyakit bercak daun dan cacar daun adalah 50 : 50, learning rate sebesar 0,7, lapisan masukan sebanyak 8 buah, dan 1 buah lapisan luaran, didapat bahwa metode ANN Perceptron memiliki persentase keberhasilan pengenalan penyakit sebesar 61% - 73% untuk data non-learning, dan 100% untuk data learning pada kedua jenis daun tersebut.

Sumber / referensi :

http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
www.ejournal.himsya.ac.id/index.php/HIMSYATECH/article/view/45/40

Cari Blog Ini

Mahasiswa GUNADARMA