Teori Dasar Kecerdasan Buatan ( Fuzzy, JST, Algoritma Genetika, Back Propagasi)

Teori Dasar Kecerdasan Buatan ( Fuzzy, JST, Algoritma Genetika, Back Propagasi)

DASAR TEORI

A.    Permodelan Logika Fuzzy

Soft Computing merupakan inovasi baru dalam membangun sistem cerdas. Sistem cerdas ini merupakan sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Unsur-unsur pokok dalam Soft Computing adalah : Sistem fuzzy, Jaringan Saraf Tiruan, Probabilistic Reasoning, Evolutionary Computing.

Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran, yaitu:

1. Memasukkan input fuzzy.

2. Mengaplikasikan operator fuzy.

3. Mengaplikasikan metode implikasi.

4. Komposisi semua output.

5. Defuzifikasi.

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic) adalah salah satu pemecahannya. Sistem tradisional dirancang untuk mengontrol keluaran tunggal yang berasal dari beberapa masukan yang tidak saling berhubungan. Karena ketidaktergantungan ini, penambahan masukan yang baru akan memperumit proses kontrol dan membutuhkan proses perhitungan kembali dari semua fungsi . Kebalikannya, penambahan masukan baru pada sistem fuzzy, yaitu sistem yang bekerja berdasarkan prinsip-prinsip logika fuzzy, hanya membutuhkan penambahan fungsi keanggotaan yang baru dan aturan-aturan yang berhubungan dengannya.

Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk sistem yang menangani masalah-masalah yang sulit didefinisikan dengan menggunakan model matematis Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau kurang jelas, sehingga sulit mendefinisikan model matematikanya.

Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional, misalkan pada jumlah aturan yang dipergunakan. Pemrosesan awal sejumlah besar nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai yang harus dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya adalah sistem fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan penalaran manusia. Hal ini disebabkan karena sistem fuzzy mempunyai kemampuan untuk memberikan respon berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu.

Gambar. 1 Alur Logika Fuzzy

B. Jaringan Saraf Tiruan

1. Neuron McCulloch – Pitts

Model jaringan syaraf tiruan yang digunakan McCulloch dan Pitts merupakan model yang pertama ditemukan. Model neuron McCulloch – Pitts memiliki karakteristik sebagai berikut :

a. Fungsi aktifasinya biner

b. Semua garis yang memperkuat sinyal (bobot positif) kearah suatu neuron memiliki kekuatan (besar bobot) yang sama. Hal yang analog berlaku untuk garis yang memperlemah sinyal (bobot negatif) kearah neuron tertentu.

c. Setiap neuron memiliki batas ambang (Treeshold) yang sama. Apabila total input ke neuron tersebut melebihi treeshold, maka neuron akan merusak sinyal.

Gambar. 2. Fungsi neuron aktifasi ke f(net)

2. MaxNet

MaxNet Merupakan model yang menggunakan dasar kompetisi. Selama proses, bobot dalam Maxnet dibuat tetap. Tidak ada proses pelatihan. MaxNet dapat dipakai sebagai bagian dari model jaringan lain untuk memperoleh neuron dengan masukan karakter.

· Merupakan contoh model jaringan kompetisi bobot tetap

· Selama proses, bobot dibuat tetap

· Tidak ada proses pelatihan

· Keluaran adalah titik yang memiliki masukan terbesar

· Arsitektur MAXNET :

Gambar 3. Jaringan MaxNet

3. Hebb

Dasar dari algoritma Hebb adalah kenyataan bahwa apabila 2 neuron yang dihubungkan dengan sinapsis secara serentak menjadi aktif (sama-sama bernilai positif atau negatif) maka kekuatan sinapsisnya meningkat.sebalikanya apabila kedua neuron aktif tidak sinkron (salah satu bernilai positif dan yang lain bernilai negatif), maka kekuatan sinapsisnya akan melemah.

Gambar. 4. Jaringan Hebb

4. Perseptron

Perceptron pada Jaringan Syaraf Tiruan (Neural Network) termasuk kedalam salah satu bentuk Jaringan Syaraf (Neural Network) yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf Tiruan (Neural Network) dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif. Bentuk dari perceptron pada Jaringan Syaraf Tiruan (Neural Network) dapat dilihat di gambar berikut.

Gambar. 5. Jaringan Perseptron

5. Delta Rool

Dalam pembelajaran mesin , aturan delta adalah keturunan gradien aturan belajar untuk memperbarui bobot dari input ke neuron buatan dalam jaringan saraf single-layer . [1] Ini adalah kasus khusus dari lebih umum backpropagation algoritma. Untuk neuron {\ displaystyle j \,} dengan fungsi aktivasi {\ displaystyle g (x) \,} , Aturan delta untuk {\ displaystyle j \,} 's {\ displaystyle i \,} berat th {\ displaystyle W_ {ji} \,} diberikan oleh {\ displaystyle \ Delta W_ {ji} = \ alpha (t_ {j} -y_ {j}) g '(H_ {j}) x_ {i} \,} .

dimana

{\ displaystyle \ alpha \,} adalah konstanta kecil yang disebut tingkat belajar

{\ displaystyle g (x) \,} adalah fungsi aktivasi neuron

{\ displaystyle t_ {j} \,} adalah target output

{\ displaystyle H_ {j} \,} adalah jumlah tertimbang input neuron

{\ displaystyle y_ {j} \,} adalah output aktual

{\ displaystyle x_ {i} \,} adalah {\ displaystyle i \,} th masukan.

Ini menyatakan bahwa {\ displaystyle H_ {j} = \ sum x_ {i} W_ {ji} \,} dan {\ displaystyle y_ {j} = g (H_ {j}) \,} .

Aturan delta umumnya dinyatakan dalam bentuk yang disederhanakan untuk neuron dengan fungsi aktivasi linear sebagai

{\ displaystyle \ Delta W_ {ji} = \ alpha (t_ {j} -y_ {j}) x_ {i} \,}

Sementara aturan delta mirip dengan perceptron pembaruan aturan 's, derivasi berbeda. Perceptron menggunakan fungsi langkah Heaviside sebagai fungsi aktivasi {\ displaystyle g (h)} , Dan itu berarti bahwa {\ displaystyle g '(h)} tidak ada nol, dan sama dengan nol di tempat lain, yang membuat aplikasi langsung dari aturan delta mungkin.

Gambar. 6. Jaringan Delta Roll

C. Backpropagasi

Pembelajaran jaringan backpropagation (backpropagation networks) atau bpnn adalah satu tipe pembelajaran terbimbing (supervised learning) yang diterapkan untuk jaringan syaraf tiruan (artificial neural networks) dalam memecahkan suatu masalah. Bpnn banyak diaplikasikan untuk pendeteksian dan pengklasifikasian pola, baik suara, bentuk tubuh, gambar seperti dalam pemrosesan image, fingerprint, face recognition, karakterisasi, juga banyak diterapkan dalam prediction dan approximation.

Algoritma pembelajaran bpnn pada tulisan ini menggunakan metode gradient descent, yang menerapkan aturan pembaharuan bobot (weight) secara iteratif :

w_k \longleftarrow w_k - \mu \frac{\partial E}{\partial w_k} …… (1)hingga bobot w_k dalam jaringan konvergen ke nilai (solusi) yang diharapkan. Pada persamaan (1), \frac{\partial E}{\partial w_k} adalah turunan parsial (partial derivative) error jaringan E terhadap bobot w_k, sedanghkan laju perubahan (modifikasi) bobot di setiap iterasi dikontrol oleh \mu , yang disebut “laju pembelajaran” (learning rate).

Gambar 7. Jaringan Backpropagasi

D. Algoritma Genetika

Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih “alamiah”. Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi kombinasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Dalam tulisan ini akan dibahas teori dasar algoritma genetika beserta contoh aplikasinya dalam menyelesaikan suatu permasalahan optimasi kombinasi sederhana.

Teori Dasar Algoritma Genetika

Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma komputasi yang diinspirasi teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan “yang kuat adalah yang menang”. Darwin juga menyatakan bahwa kelangsungan hidup suatu makhluk dapat dipertahankan melalui proses reproduksi, crossover, dan mutasi. Konsep dalam teori evolusi Darwin tersebut kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih “alamiah”.

Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai chromosome, sedangkan kumpulan chromosome-chromosome tersebut disebut sebagai populasi. Sebuah chromosome dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Chromosome-chromosome tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi chromosome-chromosome tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan fitness. Untuk memilih chromosome yang tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses seleksi chromosome menggunakan konsep aturan evolusi Darwin yang telah disebutkan sebelumnya yaitu chromosome yang mempunyai nilai fitness tinggi akan memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.

Chromosome-chromosome baru yang disebut dengan offspring, dibentuk dengan cara melakukan perkawinan antar chromosome-chromosome dalam satu generasi yang disebut sebagai proses crossover. Jumlah chromosome dalam populasi yang mengalami crossover ditetukan oleh paramater yang disebut dengan crossover_rate. Mekanisme perubahan susunan unsur penyusun mahkluk hidup akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam chromosome dengan suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang dinamakan mutation_rate. Setelah beberapa generasi akan dihasilkan chromosome-chromosome yang nilai gen-gennya konvergen ke suatu nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan. (Komunitas eLearning IlmuKomputer.Com)

Aplikasi Algoritma Genetika

Berikut adalah contoh aplikasi algoritma genetika yang digunakan untuk menyelesaikan masalah kombinasi. Misalkan ada persamaan a+2b+3c+4d = 30, kita mencari nilai a, b, c, dan d yang memenuhi persamaan diatas. Kita mencoba menggunakan algoritma genetika untuk menyelesaikan permasalahan diatas. Diagram alir dari algoritma genetika untuk menyelesaikan permasalahan diatas dapat dilihat pada Gambar 8.

  

Gambar. 8. Diagram Alir algoritma genetika