Bidang Kecerdasan Buatan

Tgl Tugas : 16 Feb 2010
Tgl Selesai : 24 Feb 2010

Oleh : Suyanto, S.T, Intelegensia Buatan, STT Telkom

1. Jaringan Syaraf Tiruan (Artificial Neural Network)

Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel yang sangat besar (massively paralel distributed processor) yang memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan (Aleksander & Morton 1990).

JST menyerupai otak manusia dalam dua hal, yaitu:
1. Pengetahuan diperoleh jaringan melalui proses belajar.
2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.

JST mempunyai sifat dan kemampuan:
1. Nonlinieritas (Nonlinearity)
2. Pemetaan Input-Output (Input-Output Mapping)
3. Adaptivitas (Adaptivity)
4. Respon Yang Jelas (Evidential Response)
5. Informasi Yang Sesuai Dengan Keadaan (Contextual Information)
6. Toleransi Kesalahan (Fault Tolerance)
7. Kemampuan Implementasi Pada VLSI (VLSI Implementability)
8. Keseragaman Analisis Dan Perancangan (Unifomity of Analysis and Design)
9. Analogi Sel Syaraf Biologi (Neurobiological Analogy)

Model Sel Syaraf (Neuron)
Satu sel syaraf dapat dimodelkan secara matematis seperti diilustrasikan oleh
gambar 1. Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output). Secara matematis kita bisa menggambarkan sebuah neuron k dengan menuliskan pasangan persamaan sebagai berikut :

dimana x1, x2, …, xp adalah sinyal input; wk1, wk2, …, wkp adalah bobot-bobot sinaptik dari neuron k; uk adalah linear combiner output; θk adalah threshold; μ(.) adalah fungsi aktivasi; dan yk adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output uk dari linear combiner pada model gambar 1 sebagai berikut:



Gambar 1 Model Matematis Nonlinier Dari Suatu Neuron[HAY94]

2. Algoritma Genetika (Genetic Algorithm)

Genetic Algorithm (GA) adalah algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah [GOL89]. GA dimulai dengan serangkaian solusi awal (kromosom), yang disebut populasi. Populasi ini akan ber-evolusi menjadi populasi yang berbeda melalui serangkaian iterasi. Pada akhir iterasi, GA mengembalikan anggota populasi yang terbaik sebagai solusi untuk problem tersebut. Pada setiap iterasi (generasi), proses evolusi yang terjadi adalah sebagai berikut:

1. Dua anggota populasi (parent) dipilih berdasarkan pada suatu distribusi populasi. Kedua anggota ini kemudian dikombinasikan atau dikawinkan melalui operator crossover (pindah silang) untuk menghasilkan anak (offspring).
2. Dengan probabilitas yang rendah, anak ini akan mengalami perubahan oleh operator mutasi.
3. Apabila anak sesuai untuk populasi tersebut, suatu skema penggantian (replacement scheme) diterapkan untuk memilih anggota populasi yang akan digantikan oleh anak.
4. Proses ini terus berulang sampai dicapai kondisi tertentu, misalnya sampai jumlah iterasi tertentu.
   

Kromosom : serangkaian nilai gen.
Gen : mempunyai nilai berupa suatu alfabet S, misalnya {0,1}.
Solusi : direpresentasikan oleh suatu kromosom.
Skema : pola gen yang menggambarkan suatu subset dari string yang memiliki kesamaan pada posisi gen tertentu.
Orde : banyaknya simbol khusus pada suatu skema.
Defining length : jarak antara simbol khusus paling kiri dan paling kanan.

Misal: 10* adalah skema yang mewakili himpunan kromosom yang mempunyai nilai 1 pada bit pertama dan 0 pada bit kedua. Skema tersebut memiliki orde 2 dan defining length-nya adalah 1.

Suatu kromosom dengan panjang n dapat juga dipandang sebagai instance (anggota) dari 2n skema. Misal, kromosom 101 adalah suatu instance dari 8 skema, yaitu ***, 1**, *0*, **1, 10*, 1*1, *01, dan 101. Algoritma Genetika tidak secara eksplisit dalam menangani skema, namun konsep skema sangat penting dalam analisis perilaku Algoritma Genetika dalam pemecahan suatu masalah.

Sifat-Sifat Khusus GA [GOL89]:
1. GA bekerja dengan sebuah pengkodean dari kumpulan parameternya sendiri.
2. GA mencari dari sebuah populasi titik-titik, bukan dari sebuah titik tunggal.
3. GA hanya menggunakan informasi hasil (fungsi objektif), bukan menurunkan dari bantuan pengetahuan lain.
4. GA menggunakan kemungkinan aturan transisi, bukan aturan-aturan determin.

3. Fuzzy Set, Fuzzy Logic, dan Fuzzy System

Fuzzy Set dan Fuzzy Logic
Crisp Set: himpunan yang membedakan anggotanya dan non-anggotanya dengan batasan yang pasti.
Misal: A = {x | x integer, x > 2}
Anggota A = {3, 4, 5, …}

Linguistic Variable: suatu variable yang tidak dapat dipasangkan langsung dengan nilai dalam suatu range, karena range dapat berubah bergantung keadaan.
Misal:
1. “Hangat” = [10C – 50C] untuk winter [-50C - 50C]
2. “Hangat” = [140C – 160C] untuk Spring[120C - 180C]

Membership Function (Fungsi Keanggotaan)
μA(x) = [0,1], dimana x adalah suatu crisp set.
μA = Fungsi yang menyatakan keanggotaan suatu elemen dalam fuzzy set.
Fuzzy set = subset dari x
Penentuan μ sulit dilakukan, maka dibantu JST.

Fuzzy Set : anggotanya ditentukan oleh fungsi keanggotaan.
x = {5, 10, 20, 30, 40, 50, 60, 70, 80} , merupakan crisp set umur dalam tahun.
Fuzzy set “balita”, “dewasa”, “muda”, dan “tua” adalah subset dari x.

Balita = {}
Dewasa = {20, 30, 40, 50, 60, 70, 80}
μDewasa = {0.8, 1, 1, 1, 1, 1, 1, 1}
Muda = {5, 10, 20, 30, 40, 50}
μMuda = {1, 1, 0.8, 0.5, 0.2, 0.1}
Tua = {20, 30, 40, 50, 60, 70, 80}
μTua = {0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}

Jenis-jenis Fungsi Keanggotaan: