2 bab ii - eprints.mercubuana-yogya.ac.ideprints.mercubuana-yogya.ac.id/2918/3/bab ii.pdf2 ke depan...
TRANSCRIPT
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).