1

2 BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Pustaka

Penelitian dengan judul “Sistem Pakar Untuk Diagnosis Kerusakan

Mesin Mobil Panther Berbasis Mobile” Teknik Informatika Fakultas Teknik,

Universitas Muhammadiyah Magelang. Penelitian ini bertujuan untuk mendeteksi

kerusakan apa yang terjadi pada mesin mobil sehingga pengendara memiliki

gambaran mengapa hal tersebut terjadi. Dalam penelitian ini penyampaian

informasi dilakukan menggunakan perangkat mobile dengan meminta request dari

user. Request tersebut akan diproses dalam sistem kemudian hasilnya akan

dikirim lagi ke user dengan ditampilkan pada layar perangkat mobile sehingga

mampu memberikan informasi yang optimal dari timbal balik user dan sistem.

Dalam penelitian ini semua permasalahan yang saling berelasi atau berhubungan

akan diformulasikan sesuai dengan software bahasa pemrograman yang akan

memaparakan hubungan relasional tersebut sesuai dengan bentuk format yang

digunakan oleh sistem analisa. Mekanisme inferensi yang digunakan dalam

penelitian ini yaitu penelusuran maju (forward chaining) dimana dalam mencari

kerusakan mesin dan mencari penyebab gangguan mesin akan dimulai dengan

memberikan pertanyaan mengenai gangguan yang dialami atau dengan

memberikan daftar macam kerusakan sehingga diperoleh suatu diagnosa

kerusakan dan hasil akhir kesimpulan kerusakan mesin tersebut (Yudatama,

2008).

Penelitian dengan judul “Sistem Pakar Untuk Mendeteksi Kerusakan

Sistem Transmisi Otomatis Pada Mobil Nissan Grand Livina Ultimate 1.8

A/T” Fakultas Teknologi Informasi Universitas Budi Luhur Jakarta. Peneliti

membuat suatu sistem pakar untuk mendeteksi kerusakan sistem transmisi

otomatis pada mobil Nissan Grand Livina Ultimate 1.8 A/T berbasis web dengan

menggunakan bahasa pemrograman PHP, web server Apache dan database

MySql. Metode yang digunakan peneliti untuk sistem pakar ini adalah pelacakan

2

ke depan (forward chaining) dan teknik penelusuran yang digunakan adalah Best

First Search. Dalam sistem pakar ini, terdapat basis pengetahuan yang digunakan

untuk menyimpan rule-rule yang ada, mesin inferensi untuk penelusuran hasil,

mesin pengembang untuk meng-update basis pengetahuan dan user interface

untuk berinteraksi dengan pengguna. Dalam sistem pakar ini terdapat fasilitas

proses identifikasi yang disertai dengan gambar dan suara serta kemudahan untuk

meng-update basis pengetahuan dan diharapkan sistem pakar ini dapat membantu

para pengguna untuk mendeteksi kerusakan sistem transmisi otomatis pada mobil

Nissan Grand Livina Ultimate 1.8 A/T lebih tepat dan cepat (Listyaputera, 2010).

Penelitian dengan judul “Sistem Pakar Diagnosa Kerusakan Mobil

Menggunakan Metode Forward Chaining” Fakultas Teknik, Jurusan Teknik

Informatika, Universitas Muhammadiyah Ponorogo. Dalam penelitian ini, peneliti

melakukan perencanaan sistem dalam membuat basis pengetahuan (knowledge

base) memakai pohon keputusan dan aturan if-then sebagai representasi

pengetahuan. Pembuatan metode inferensi memakai metode penelusuran ke depan

(forward chaining) yang telah dimodifikasi sehingga sesuai dengan permasalahan.

Pengujian aplikasi terdiri atas dua jenis penguian, yaitu pengujian akurasi dan

variasi serta pengujian user friendly dan fleksibilitas. Akurasi dan variasi diuji

dengan melakukan analisis terhadap hasil dari aplikasi. Pengujian user friendly

dan fleksibilitas menggunakan metode wawancara terhadap tiga teknisi. Hasil dari

keseluruhan pengujian ini dapat disimpulkan bahwa program sudah cukup baik

walaupun jenis kerusakan yang dihasilkan belum lengkap (Rahmawan, 2014).

Penelitian dengan judul “Sistem Pakar Identifikasi Kerusakan Pada

Mobil” Program Studi Ilmu Komputer, FMIPA Universitas Mulawarman

Samarinda. Dalam penelitian ini, peneliti membangun sistem pakar dari beberapa

tahap yaitu perancangan basis pengetahuan dan dipresentasikan dalam bentuk

aturan yang berlaku, kemudian dilanjutkan dengan perancangan basis data dan

perancangan antar muka, kemudian hasil perancangan dituangkan ke dalam basis

data dan program. Dalam penelitian ini digunakan metode rule inferensi

pelacakan ke depan (forward chaining) dimana merupakan kumpulan data menuju

sebuah kesimpulan. Suatu kasus kesimpulannya dibangun berdasarkan fakta-fakta

3

yang telah diketahui. Pencocokan fakta atau pernyataan dimulai dari bagian

sebelah kiri dulu (If). Tujuan rule inferensi adalah untuk mengambil pilihan

terbaik dari banyak kemungkinan. Model representasi pengetahuan yang

digunakan adalah model kaidah produksi yang ditulisakan dalam bentuk If-Then.

Representasi pengetahuan digunakan untuk menentukan proses diagnosa

kerusakan pada mobil berdasarkan data-data gejala yang ada pada mobil tersebut

(Ramadiani & Nurbasar, 2011).

Penelitian dengan judul “Identifikasi Nomor Polisi Mobil

Menggunakan Metode Jaringan Saraf Buatan Learning Vector

Quantization” Jurusan Teknik Informatika, Universitas Gunadarma. Identifikasi

nomor polisi menggunakan metode jaringan saraf buatan learning vector

quantization (LVQ) bertujuan untuk mensimulasikan metode pengolahan citra

untuk mengidentifikasi nomor polisi mobil guna menggantikan sistem manual

yang dilakukan oleh manusia. Dalam penelitian ini citra foto yang dihasilkan

kamera digital diproses melalui pra-pengolahan agar citra memiliki kualitas yang

lebih baik dan lebih siap untuk pemrosesan ekstraksi ciri. Selanjutnya dilakukan

proses pengenalan pola pada citra untuk mendapatkan ciri yang terdapat pada citra

tersebut. Fitur-fitur yang diperoleh dari pengolahan citra berupa vektor yang

mempresentasikan ciri karakteristik dari suatu huruf atau angka. Fitur ciri

kemudian diuji untuk proses klasifikasi menggunakan jaringan saraf tiruan

metode LVQ. LVQ mengklasifikasikan vektor uji dengan cara

membandingkannya dengan bobot setiap kelas sehingga menghasilkan jarak.

Jarak akan menentukan kelas dari ciri yang diuji. Dari percobaan yang dilakukan

untuk mengenali sampel sebanyak 120 karakter huruf dan angka yang terdiri dari

huruf B, F, J, 0, 4, 5, 6, dan 8, menghasilkan huruf dan angka yang benar

sebanyak 87. Hasil percobaan menunjukkan LVQ mengenali karakter dan huruf

dengan keberhasilan mencapai 72.5% dari pola karakter yang dikenal dan yang

tidak dikenal. Setiap pola pasti akan mendapatkan jarak terendah terhadap suatu

bobot meskipun pola tersebut bukan sebuah huruf atau angka. Untuk mengatasi

permasalahan tersebut diperlukan nilai ambang (treshold) yang akan membatasi

jarak suatu vektor terhadap bobot kelas. Jika nialai melebihi nilai ambang, maka

4

vektor yang dikenal akan dianggap bukan huruf atau angka. Suatu vektor akan

dianggap huruf atau angka jika jarak terkecil dengan suatu bobot lebih kecil dari

nilai ambang (Wahyono & Ernastuti).

Penelitian dengan judul “Identifikasi Suara Mesin Mobil Untuk Deteksi

Dini Kerusakan Injektor, Kompresor Ac, Transmisi Manual, Tumble Valve

Dengan Metode Learning Vector Quantization” Program Studi Teknik

Informatika, Fakultas Teknologi Informasi, Universitas Mercubuana Yogyakarta.

Peneliti membahas tentang bagaimana mengidentifikasi kerusakan kendaraan

Nissan Grand Livina berdasarkan suara dengan ekstraksi ciri Linear Predictive

Coding (LPC) menggunakan jaringan syaraf tiruan Learning Vector Quantization

(LVQ). Peneliti menggunakan 80 jenis suara mobil untuk penelitian, dengna

rincian 40 data suara sebagai data pelatihan (database) dengan setiap kelasnya 10

data suara dan 40 data suara dijadikan sebagai data uji dengan 10 data suara pada

setiap kelasnya. Untuk kelas dalam penelitian terdapat 4 kelas, yaitu suara

injektor, suara kompresor AC, suara transmisi manual dan suara tumble valve.

Penelitian ini menghasilkan nilai komulatif hingga 97,5% dengan parameter alfa

0,1, decalfa 0,1 dan iterasi 132 (Arifin, 2016).

2.2 Landasan Teori

2.2.1 Sistem Elektrikal Mobil

Sistem elektrikal mobil adalah sebuah rangkaian yang bekerja

menggunakan prinsip kelistrikan yakni perpindahan elektron dari sumber menuju

beban yang bertujuan untuk kepentingan tertentu. Pada sistem elektrik terdapat

rangkaian seri dan paralel. Keduanya digunakan untuk kelistrikan mobil karena

memiliki karakter tersendiri.

Secara umum ada 5 macam sistem kelistrikan pada mobil

(www.autoexpose.org), yaitu:

1. Sistem penerangan (Contoh: lampu kepala, lampu kota, lampu rem, lampu

kabin)

2. Sistem kelistrikan body (contoh: wiper, power window, defogger)

5

3. Sistem kelistrikan mesin (contoh: EFI, CVTC, ESA, DLI)

4. Sistem hiburan (contoh: radio, MP3 player, MID)

5. Sistem elektrikal tambahan (contoh: alarm, immobilizer, air conditioner)

Dari semua sistem kelistrikan yang terdapat pada mobil maka komponen-

komponen kelistrikan mobil dapat dikelompokkan menjadi 5 macam, yaitu:

2.2.1.1 Sumber arus

Sumber arus adalah komponen penyuplai arus kelistrikan pada kendaraan.

Komponen ini cukup penting sebagai penyedia arus listrik yang akan digunakan

untuk menghidupkan berbagai sistem elektrikal pada mobil. Komponen yang

termasuk dalam sumber arus ini adalah baterai dan alternator. Baterai mobil

umumnya akan menyuplai listrik dengan tegangan 12 volt. Sementara alternator

bisa menghasilkan listrik hingga 14 volt sehingga bisa mengisi ulang tegangan

pada baterai.

2.2.1.2 Input

Input berfungsi sebagai komponen untuk mendeteksi kapan sebuah sistem

akan aktif. Contoh komponen input adalah saklar (switch), dan sensor-sensor.

Saklar diaktifkan oleh manusia secara manual. Contoh: saklar kombinasi

akan menghidupkan lampu-lampu pada saat saklar tersebut diputar atau diaktifkan

oleh manusia. Sementara sensor-sensor diaktifkan secara otomatis oleh keadaan

atau faktor tertentu dengan mengirimkan sinyal-sinyal kepada komponen kontrol

sebagai prosesor.

2.2.1.3 Sistem Kontrol

Komponen ini hanya terdapat pada mobil yang mengusung sistem

Computerized Analytic. Mobil-mobil ini menggunakan rangkaian prosesor

komputer untuk mengaktifkan kinerja mesin dan bodi mobil.

Sistem pengontrol ini lebih canggih, karena sistem ini mampu

mengaktifkan sebuah sistem pada mobil tanpa menggunakan input dari pengguna.

Sebagai contoh pada sistem airbag yang akan bekerja saat terjadi benturan darai

depan pada sebuah mobil.

6

2.2.1.4 Output atau Aktuator

Komponen ini berfungsi sebagai eksekutor dalam sebuah sistem elektrikal.

Sinyal yang dikirim oleh saklar atau sensor-sensor akan diolah dalam sistem

kontrol dan kemudian akan dikirim kepada aktuator-aktuator sebagai output.

Contoh aktuator pada bodi mobil, adalah: lampu-lampu, motor pembersih kaca,

washer pump.

Contoh aktuator pada mesin mobil, adalah: injector, throttle motor, solenoid

turbo, fan motor.

2.2.1.5 Rangkaian Kabel

Komponen ini berfungsi untuk mengalirkan listrik dari baterai menuju

seluruh bagian elektrikal. Meski terlihat seperti kabel biasa, namun bila terjadi

kerusakan pada salah satu bagian, maka harus diganti satu rangkaian kabel

tersebut. Hal ini karena resistansi kabel, panjang kabel, dan kondisi socket sudah

disesuaikan.

2.2.2 Sistem Pakar

Secara umum, sistem pakar adalah sistem berbasis komputer yang

menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan

masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang

tersebut dan dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran

tertentu yang mendekati kemampuan manusia di salah satu bidang. Ada beberapa

definisi tentang sistem pakar, antara lain sistem pakar adalah suatu model dan

prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat

keahliannya dapat dibandingkan dengan keahlian seorang pakar (Ignizio, 1991).

Sitem pakar adalah program AI (Artificial Intelegence) dengan basis

pengetahuan (knowledge base) yang diperoleh dari pengetahuan beberapa pakar

atau ahli dalam memecahkan persoalan pada bidang tertentu dan didukung mesin

inferensi (Inference Engine) yang melakukan penalaran atau pelacakan terhadap

sesuatu atau fakta-fakta yang diberikan oleh user lalu dicocokkan (matching)

dengan fakta-fakta dan aturan atau akidah yang ada di basis pengetahuan setelah

dilakukan pencarian, sehingga tercapai kesimpulan (Siswanto, 2005).

7

Sistem pakar adalah suatu program komputer yang dirancang untuk

memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang

sistem pakar (Durkin, 1994).

Sistem pakar merupakan kumpulan elemen yang saling berkaitan yang

bertanggung jawab memproses masukan (input) sehingga menghasilkan keluaran

(output) (Kusrini, 2007).

Pakar adalah seseorang yang telah menguasai bidangnya dengan sangat

baik sehingga dia dapat memberikan respon yang sangat cepat (kadang kala

respon ini muncul tanpa berfikir panjang dan mungkin sekali muncul dari

ketidaksadaran). Jika seseorang mendapatkan “Rangsangan” yang berkaitan

dengan bidang yang dikuasainya. Sebagai contoh seorang Dosen (Pengarah) yang

sudah puluhan tahun mengajar “Termodinamika kimia” akan cepat sekali

menjawab pertanyaan mahasiswanya (Dengan jawaban yang benar) mengenai

bidang yang diajarkannya tanpa kelihatan berfikir keras. Dosen ini dapat digelari

pakar dalam bidang “Termodinamika kimia” yang diajarinya (Kusumadewi,

2003).

Sistem Pakar atau Expert System merupakan salah satu dari bidang

penelitian dalam pengembangan kecerdasasan buatan dan merupakan suatu sistem

komputer yang bertujuan memecahkan suatu persoalan dengan cara meniru pola

pikir manusia yaitu pekerjaan seorang pakar. Sistem Pakar adalah perangkat lunak

khusus tingkat tinggi yang berusaha mewakili kerja seorang ahli atau pakar dalam

suatu bidang keahliannya. Dengan demikian orang yang tidak mempunyai

keahlian tertentu akan mampu menyelesaikan masalah yang dihadapi berdasarkan

sistem yang ada.

2.2.2.1 Ciri-ciri Sistem Pakar

Seorang pakar adalah seseorang yang memiliki ciri - ciri sebagai berikut

menurut (Kusrini, 2006):

1. Terbatas pada domain keahlian tertentu.

2. Dapat memberikan penalaran untuk data-data yang tidak pasti.

3. Dapat mengemukakan rangkaianalasan-alasan yang diberikannya dengan

cara yang dapat dipahami.

8

4. Berdasarkan pada kaidah atau rule tertentu.

5. Dirancang untuk dikembangkan sacara bertahap.

6. Keluarannya atau output bersifat anjuran.

7. Keluaran tergantung dari dialog dengan user.

8. Basis pengetahuan dan mesin inferensi terpisah.

Sistem pakar merupakan program “artificial inteligence” (”kecerdasan

buatan” atau AI) yang menggabungkan basis pengetahuan dengan mesin inferensi.

Ini merupakan bagian perangkat lunak spesialisasi tingkat tinggi atau bahasa

pemrograman tingkat tinggi (High Level Language), yang berusaha menduplikasi

fungsi seorang pakar dalam satu bidang keahlian tertentu. Program ini bertindak

sebagai konsultan yang cerdas atau penasihat dalam suatu lingkungan keahlian

tertentu, sebagai hasil himpunan pengetahuan yang telah dikumpulkan dari

beberapa orang pakar (Broto, 2010).

Dengan demikian seorang awam sekalipun bisa menggunakan sistem

pakar itu untuk memecahkan berbagai persoalan yang ia hadapi dan bagi seorang

ahli, sistem pakar dapat dijadikan alat untuk menunjang aktivitasnya yaitu sebagai

sebagai asisten yang berpengalaman. Sistem pakar yang muncul pertama kali

adalah General-purpose problem solver (GPS) yang dikembangkan oleh Newl

dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti

MYCIN, DENDRAL, XCON & XSEL, SOPHIE, Prospector, FOLIO, DELTA

dan sebagainya (Broto, 2010).

2.2.2.2 Struktur Sistem Pakar

Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan

pengembangan (development environment) dan lingkungan konsultasi

(consultation environment) (Turban, 1995). Lingkungan pengembangan sistem

pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan

sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang

bukan pakar guna memperoleh pengetahuan pakar. Struktur sistem pakar dapat

dilihat pada Gambar 2.1.

9

Gambar 2.1 Arsitektur Sistem Pakar (Turban, 1995)

Komponen-komponen yang terdapat dalam sistem pakar adalah seperti

yang terdapat pada Gambar 2.1, yaitu antarmuka pengguna, basis pengetahuan,

akuisisi pengetahuan, mesin inferensi, workplace, fasilitas penjelasan, perbaikan

pengetahuan.

2.2.2.2.1 Antarmuka Pengguna

Antarmuka pengguna merupakan mekanisme yang digunakan oleh

pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi

dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem.

Selain itu antarmuka menerima informasi dari sistem dan menyajikannya ke

dalam bentuk yang dapat dimengerti oleh pemakai. Pada bagian ini terjadi dialog

antara program dan pemakai, yang memungkinkan sistem pakar menerima

instruksi dan informasi (input) dari pemakai, juga memberikan informasi (output)

kepada pemakai (McLeod, 1995).

2.2.2.2.2 Basis Pengetahuan

Basis pengetahuan mengandung pengetahuan untuk pemahaman,

formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua

elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek

10

dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentng

cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui.

Dalam studi kasus pada sistem berbasis pengetahuan terdapat beberapa

karakteristik yang digunakan untuk membantu kita di dalam membentuk

serangkaian prinsip-prinsip arsitekturnya. Prinsip-prinsip tersebut meliputi:

1. Pengetahuan merupakan kunci kekuatan sistem pakar.

2. Pengetahuan sering tidak pasti dan tidak lengkap.

3. Pengetahuan sering miskin spesifikasi.

4. Amatir menjadi ahli secara bertahap.

5. Sistem pakar harus fleksibel.

6. Sistem pakar harus transparan.

Sejarah penelitian di bidang AI telah menunjukkan berulang kali bahwa

pengetahuan adalah kunci untuk setiap sistem cerdas.

2.2.2.2.3 Akuisisi Pengetahuan

Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian

dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program

komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan

untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh

dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman

pemakai. Menurut Turban (1988), terdapat tiga metode utama dalam akuisisi

pengetahuan, yaitu:

1. Wawancara

2. Analisis protokol

3. Observasi pada pekerjaan pakar

4. Induksi aturan dari contoh

Akuisisi pengetahuan dilakukan sepanjang proses pembangunan sistem.

Menurut Firebaugh (1989), proses akuisisi pengetahuan dibagi ke dalam enam

tahap, yaitu:

1. Tahap identifikasi

2. Tahap konseptualisasi

3. Tahap formalisasi

11

4. Tahap implementasi

5. Tahap pengujian

6. Revisi prototype

2.2.2.2.4 Mesin Inferensi

Komponen ini mengandung mekanisme pola pikir dan penalaran yang

digunakan oleh pakar dalam menyelesaikan ssuatu masalah. Mesin inferensi

adalah program komputer yang memberikan metodologi untuk penalaran tentang

informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk

memformulasikan kesimpulan (Turban, 1995).

Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi

yang dinamakan modus ponen. Berdasarkan strategi ini, jika terdapat aturan “IF A

THEN B”, dan jika diketahui bahwa A benar, maka dapat disimpulkan bahwa B

juga benar. Strategi inferensi modus ponen dinyatakan seperti pada Persamaan

2.1.

[A AND (AB)] B ......................................................................... (2.1)

Dengan A dan AB adalah proposisi-proposisi dalam basis pengetahuan.

Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar

berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan

ke depan (forward chaining). Pelacakan ke belakang adalah pendekatan yang

dimotori tujuan (goal-driven). Dalam pendekatan ini pelacakan dimulai dari

tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk

kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan

tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai

kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.

Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven).

Dalam pendekatan ini pelacakan yang dimulai dari informasi masukan, dan

selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari

fakta yang sesuai dengan bagian IF dari aturan IF-THEN.

Kedua metode inferensi tersebut dipengaruhi oleh tiga macam

penelusuran, yaitu Depth-first search, Breadth-first search dan Best-first search.

12

2.2.2.2.5 Workplace

Workplace merupakan area dari sekumpulan memori kerja. Workplace

digunakan untuk merekam hasil-hasil antara dan kesimpulan yang dicapai. Ada

tiga tipe keputusan yang dapat direkam, yaitu:

1. Rencana : Bagaimana menghadapi masalah

2. Agenda : Aksi-aksi yang potensial yang sedang menunggu untuk

dieksekusi

3. Solusi : calon aksi yang akan dibangkitkan

2.2.2.2.6 Fasilitas Penjelasan

Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan

kemampuan sistem pakar. komponen ini menggambarkan penalaran sistem

kepada pemakai. Fasilitas penjelasan dapat menjelaskan perilaku sistem pakar

dengan menjawab pertanyaan-pertanyaan sebagai berikut (Turban, 1995):

1. Mengapa pertanyaan tertentu ditanyakan oleh sistem pakar?

2. Bagaimana kesimpulan tertentu diperoleh?

3. Mengapa alternatif tertentu ditolak?

4. Apa rencana untuk memperoleh penyelesaian?

2.2.2.2.7 Perbaikan Pengetahuan

Pakar memiliki kemampuan untuk menganalisis dan meningkatkan

kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut

adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan

mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya.

2.2.3 Jaringan Syaraf Tiruan

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).

Jaringan syaraf tiruan 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.

13

Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya

memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan

syaraf juga terdiri dari beberapa neuron, dan ada hubungan antar neuron-neuron

tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang

diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada

jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tesebut

disimpan pada suatu nilai tertentu pada bobot tersebut.

Informasi (input) akan dikirim ke neuron dengan bobot kedatangan

tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan

menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini

kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu

melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati nilai

ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka

neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan maka

neuron tersebut akan mengirimkan output melalui bobot bobot output-nya ke

semua neuron yang berhubungan dengannya. Demikian seterusnya.

Pada jaringan syaraf, neuron-neuron akan dalam lapisan-lapisan (layer)

yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron

pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan

sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan

pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input

sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal

dengan lapisan tersembunyi (hidden layer). Tergantung pada algoritma

pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur

pada jaringan.

2.2.3.1 Model Sel Syaraf (Neuron)

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 2.2 dan 2.3.

14

P

j

jkjk xw1

......................................................................................

(2.2)

kkky ...................................................................................

(2.3)

dimana x1, x2, …, xp adalah sinyal input; wk1, wk2, …, wkp adalah bobot-bobot

sinaptik dari neuron k; uk adalah linear combiner output; k adalah threshold; (.)

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 sebagaimana Gambar 2.2.

Vk = Uk - k .......................................................................................... (2.4)

Gambar 2.2 Model Matematis Nonlinier Dari Suatu Neuron (Andini, 2012)

2.2.3.2 Fungsi Aktivasi

Terdapat berbagai macam fungsi aktivasi yang dapat digunakan tergantung

karakteristik masalah yang akan diselesaikan. Tiga diantara fungsi aktivasi adalah

sebagai dalam Persamaan 2.5, 2.6 dan 2.7.

1. Threshold Function

00

01)(

ifV

ifVv

......................................................................... (2.5)

2. Piecewise-Linear Function

15

2

10

2

1

2

12

11

)(

v

vv

v

v

......................................................... (2.6)

3. Sigmoid Function

)exp(1

1)(

avv

............................................................................. (2.7)

2.2.3.3 Arsitektur Jaringan

Pola dimana neuron-neuron pada JST disusun berhubungan erat dengan

algoritma belajar yang digunakan untuk melatih jaringan dapat dilihat pada

Gambar 2.3, 2.4 dan 2.5.

1. Single-Layer Feedforward Networks

Gambar 2.3 Feedforward Network dengan satu lapisan neurons tunggal (Haykin,

1999)

2. Multi-Layer Feedforward Networks

Input Layer of

Source Node

Output Layer

of Neuron

16

Gambar 2.4 Feedforward Network dengan multi lapisan neurons (Haykin, 1999)

3. Recurrent Networks

Gambar 2. 1 Recurrent network tanpa selffeedback loop dan tanpa hidden neurons

(Simon Haykim, 1999)

Input Layer of

Source Node

Output Layer

of Neuron

Layer of

Output Neuron

Z1 Z-1

Z1

Z-1 Unit-Delay

Operators

Gambar 2.5 Recurrent network tanpa selffeedback loop dan tanpa hidden neurons

(Haykin, 1999)

17

2.2.3.4 Proses Belajar

Belajar merupakan suatu proses dimana parameter-parameter bebas JST

diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan

dimana jaringan berada.

Definisi proses belajar ini menyebabkan urutan kejadian sebagai berikut:

1. JST dirangsang oleh lingkungan

2. JST mengubah dirinya sebagai hasil rangsangan ini.

3. JST memberikan respon dengan cara yang baru kepada lingkungan,

disebabkan perubahan yang terjadi dalam struktur internalnya sendiri.

Taksonomi proses belajar dapat dilihat pada Gambar 2.6.

Gambar 2.6 Taksonomi Proses Belajar (Sugiarto, 2015)

2.2.3.5 Supervised Learning

Metode pembelajaran pada jaringan syaraf disebut terawasi jika output

yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola

input akan diberikan ke suatu neuron pada lapisan input. Pola ini akan

dirambatkan di jaringan syaraf hingga sampai ke neuron pada lapisan output.

Lapisan output ini akan membangkitkan pola output yang nantinya akan

dicocokan dengan pola output targetnya. Apabila terjadi perbedaan antara pola

output hasil pembelajaran dengan pola target, maka disini akan muncul error.

Apabila nilai error ini masih cukup besar, mengidentifikasikan bahwa masih perlu

dilakukan lebih banyak pembelajaran lagi.

18

2.2.3.6 Unsupervised Learning

Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target

output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang

diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot

disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.

Tujuan pembelajaran ini adalah megelompokkan unit-unit yang hampir sama

dalam suatu area tertentu.

2.2.3.7 Mekanisme Kerja Multilayer Perceptron Neural Network

Sesuai dengan karakteristik neural network, pada dasarnya Multilayer

Perceptron memiliki kecenderungan yang sama dengan jenis neural network

lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya

Single layer Neural Network, biasanya hanya digunakan untuk memberikan solusi

yang sifatnya hanya sederhana saja. Multilayer Perceptron Neural Network adalah

jenis neural network yang memiliki kemampuan untuk mendeteksi atau

melakukan analisa untuk permasalahan yang sifatnya cukup atau bahkan sangat

kompleks, seperti pada masalah Pemrosesan Bahasa, Pengenalan suatu Pola serta

Pemrosesan suatu Image atau gambar. Adapun Proses yang terjadi Pada

Multilayer Perceptron Neural Network, dapat dilihat pada Gambar 2.7.

Gambar 2.7 Proses Multilayer Perceptron Neural network (Prihasto, 2008)

Proses

Pembelajaran

Proses

Pengujian

Masukan

Proses Back Propagation

k

e

l

u

a

r

a

n

19

2.2.3.7.1 Masukan

Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena

proses masukan digunakan untuk menunjang pada proses pembelajaran serta

proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan

keinginan dari pembuat, dimana bentuk masukan dapat berupa nilai logic atau

bilangan biner ( 1 atau 0 ), atau juga bisa berupa nilai angka atau bilangan real

(0.3 atau 0.7) bahkan dapat melakukan proses dengan menggunakan bilangan

negatif.

2.2.3.7.2 Proses Pembelajaran

Pada bagian ini merupakan sisi kelebihan dari metoda neural network,

dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan melalui

tahapan pembelajaran, seperti halnya otak manusia yang secara sifat biologis,

memiliki kemampuan untuk mempelajari hal-hal yang baru. Memang pada

dasarnya, neural network ini dibuat untuk dapat mempelajari sesuatu hal yang

baru sehingga mampu melakukan penganalisaan tanpa menggunakan suatu

rumusan yang baku. Proses pembelajaran ini sangat mempengaruhi sensitifitas

kemampuan dalam melakukan penganalisaan, semakin banyak bahan atau

masukan sebagai pembelajaran maka akan semakin mudah dan sensitif dalam

melakukan analisa. Biasanya untuk membahas hal-hal yang cukup kompleks,

Multilayer Perceptron Neural network memiliki hidden neuron yang digunakan

untuk mengimbangi setiap permasalahan yang akan dihadapi.

2.2.3.7.3 Proses Perhitungan Saat Pembelajaran

Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran

yang ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metoda

pembelajaran yang dinamakan “Supervised Learning”, dengan demikian setiap

masukan memiliki keluaran yang nantinya akan dijadikan sebagai acuan

pembelajaran. Hal inilah yang membuat Neural Network melakukan

penganalisaan, selain banyaknya masukan yang diberikan, proses pembelajaran

yang dilakukan secara berulang pun akan menunjang kemampuan Neural Network

saat menganalisa.

20

2.2.3.7.4 Keluaran

Bagian ini merupakan proses yang digunakan untuk mengetahui seberapa

besar pengaruh pembelajaran terhadap keluaran yang diinginkan, jika hasil yang

diinginkan kurang sesuai maka kemungkinan yang terjadi adalah :

1. Variabel masukan ( informasi yang diberikan ) kurang penunjang

2. Kurangnya layer pada rancangan keseluruhan

3. Jumlah neuron yang terlalu sedikit

Namun tidak menutup kemungkinan karena ketidaksesuaian penerapan

saat proses pembelajaran dilakukan juga dapat mempengaruhi proses

pembelajaran.

2.2.3.7.5 Learning Vector Quantization (LVQ)

Learning Vector Quantization merupakan metode klasifikasi dengan

setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk

pengelompokkan dengan target/kelas sudah ditentukan sebelumnya.

LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma

pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing

Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas

vektor untuk meminimalkan kesalahan dalam pengklasifikasian. Algoritma

diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vector

Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat

dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini

dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor. LVQ

melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan

kompetitif akan secara otomatis belajar untuk mengklasifikasikan vector-vector

input. Kelas-kelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya

tergantung pada jarak antara vector-vector input. Jika vector input mendekati

sama maka lapisan kompetitif akan mengklasifikasikan kedua vector input

tersebut kedalam kelas yang sama (Santoso & Dedy, 2012).

2.2.3.7.6 Algortima Learning Vector Quantizations ( LVQ )

Algoritma pelatihan LVQ untuk memperoleh unit keluaran yang paling

dekat dengan vector masukan. Bila x dan W berasal dari kelas yang sama, maka

21

vector bobot didekatkan ke vektor masukan ini. Tetapi bila x dan W memiliki

kelas yang berbeda, maka vector bobot dijauhkan dari vector masukan ini.

Nomenklatur:

x : vector pelatihan ( ,… ,…, )

T : kelas atau kategori vektor pelatihan

Wj : vector bobot untuk unit keluaran ke j; ( ,…, ,…, )

Cj : kategori atau kelas yang diberikan oleh unit keluaran j

||W-Wj|| : jarak Euclidean Antara vector masukan dan vector bobot unit

keluaran ke j.

Langkah 0 inisialisasi vector referensi inisilisasi laju pelatihan α (0)

Langkah 1 Selama syarat berhenti: salah, kerjakan Langkah 2-6

Langkah 2 Untuk setiap vektor masukan pelatihan x, kerjakan Langkah 3-4

Langkah 3 Carilah J sehingga minimum ||x-Wj||

Langkah 4 Perbarui Wj sebagai berikut:

Bila T = Cj maka Wj(baru) =Wj(lama) + α[x-Wj(lama)]

Bila T Cj maka Wj(baru)=Wj(lama)- α[x-Wj(lama)]

Langkah 5 Kurangi laju pelatihan

Langkah 6 Uji syarat berhenti (dapat spesifikasi dengan cacah iterasi atau laju

pelatihan apakah sudah mencapai nilai yang cukup kecil).