Artificial Neural Network (ANN)
Artificial neural network (ANN) adalah suatu sistem yang dimodelkan berdasarkan jaringan saraf manusia dimana system dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang diterima seperti layaknya otak manuasia serta system dapat menyimpan pengetahuan yang diperolehnya dari pengalaman, secara terorganisir sehingga mudah untuk digunakan sebagai informasi sewaktu dibutuhkan.
Sejarah Artificial Neural Network (ANN)
Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi yang disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer. Dalam uraiannya mereka memperagakan neural network yang sederhana dengan menggunakan rangkaian listrik.
Penerapan Artificial Neural Network (ANN)
1. Pada pengenalan suara vokal
Teknologi Pengenalan suara memungkinkan komputer yang dilengkapi dengan mikrophone untuk menginterpretasikan suara manusia. Hal ini sangat membantu seseorang yang mempunyai kelemahan fisik yang tidak dapat menggunakan metode pengaksesan lainnya. Pengenalan suara vokal dari data suara mentah dapat dilakukan dengan menggunakan multiple unsupervised artificial neural network, yang ditraining dengan suara vokal secara individu untuk mengenal inputan berupa suara. Dari training-training tersebut digunakan untuk memilih yang terbaik untuk mengindikasikan jenis dari suara vokal yang telah diucapkan. Untuk suara dengan bentuk gelombang yang unik akan relatif mudah dikenali daripada suara yang lainnya. Training neural network dengan berbagai jenis suara akan membuat perangkat lunak ini speaker independent.
2. Untuk pengklasifikasian pada sinyal jantung (Electrocardiogram)
Dalam dunia medis, klasifikasi sangat berperan penting dalam hal untuk penyimpanan data, pengelompokkan data serta pendeteksian data sehingga dapat meringankan pekerjaan para dokter dan ahli Kardiolog dalam membaca pola data sinyal jantung. JST memiliki keakuratan yang tinggi dalam melakukan prediksi berdasarkan pembelajaran yang dilakukan. Untuk mengestimasi fasiesfasies yang berkembang pada lingkungan kipas laut turbidit Besitang river sand (BRS) dari bentuk kurva log.
Swarm Inteligence
Swarm intelligence (kecerdasan komunitas), yaitu algoritma yang didasarkan atau terinspirasi dari perilaku sosial serangga dan perilaku sosial binatang lainnya dimana dalam suatu komunitas terdapat beberapa agen yang saling berinteraksi, bernegoisasi, dan berkoordinasi satu sama lain dalam mengerjakan suatu pekerjaan bersama.
Sejarah Swarm Intelligence
Teori ini diperkenalkan oleh Gerardo Beni dan Jing Wang pada tahun 1989, dalam konteks robot seluler sistem.
Penerapan Swarm Intelligence
· Ant Colony Optimization
Algoritma ini diperkenalkan oleh Moyson dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo pada tahun 1996. Algoritma ini merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik.Algoritma ini diilhami dari kegiatan koloni semut yang mampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber makanan. Penerapan algoritma ini banyak ditemukan dalam pemecahan persoalan :
1. Traveling Salesman Problem (TSP), yaitu mencari jalur terpendek dalam sebuah graph menggunakan jalur Hamilton.
2. Quadratic Assignment Problem (QAP) yang berusaha meng-assign sejumlah n resources untuk ditempatkan pada sejumlah m lokasi dengan meminimalisir biaya assignment.
3. Job-shop Scheduling Problem (JSP) juga salah satu contoh aplikasi algoritma semut untuk menjadwalkan sejumlah j pekerjaan menggunakan sejumlah m mesin demikian sehingga seluruh pekerjaan diselesaikan dalam waktu yang minimal.
· Particle Swarm Optimization
Merupakan sebuah teknik stochastic optimization berdasarkan populasi yang terinspirasi oleh perilaku sosial dari pergerakan burung atau ikan (bird flocking or fish schooling). Teknik PSO dikemukakan oleh Russell C. Eberhart dan James Kennedy di tahun 1995.
Algoritma ini telah sukses diterapkan di dalam pelbagai bidang penelitian dan aplikasi,yaitu ‘pelatihan’ Artificial Neural Networks (ANN) dikenal dengan nama teknik “belajar dari kesalahan” (back-propagation of errors) dan permainan sudoku . Hal ini disebabkan karena PSO memberi hasil yang lebih baik melalui cara yang lebih cepat dan sederhana bila dibandingan dengan metode lain. Selain itu, PSO memiliki sedikit parameter untuk disesuaikan. Sehingga sebuah versi, dengan sedikit variasi, dapat bekerja dengan baik dalam banyak bentuk aplikasi, termasuk aplikasi yang spesifik dengan kebutuhan yang spesifik pula.
Evolutionary Computation (EC)
Evolutionary Computation (EC) merupakan suatu abstraksi yang mengadopsi “evolusi” dan “genetika” yang disederhanakan. Dari abstraksi tersebut, lahirlah berbagai algoritma berbasis EC yang dikenal sebagai Evolutionary Algorithms (EAs). Algoritma ini mempunyai konsep bahwa satu individu akan menghasilkan satu calon solusi. Yang termasuk evolusi algoritma diantaranya adalah Algoritma Genetik, Evolusi Strategi, Evolusi Pemrograman, Pemrograman Genetik, Evolusi Turunan
Sejarah Evolutionary Computation (EC)
Algoritma Evolusi dan kehidupan buatan dimulai oleh Nils Aall Barricelli pada tahun 1960-an, dan kemudian diperluas oleh Alex Fraser yang mempublikasi berbagai karya ilmiah mengenai simulasi seleksi buatan. Seleksi buatan menjadi metode optimalisasi yang dikenal luas oleh hasil kerja Ingo Rechenberg pada tahun 1960-an dan awal tahun 1970-an, yang menggunakan strategi evolusi untuk menyelesaikan masalah teknik yang kompleks. Algoritma genetika utamanya, menjadi populer oleh karya tulisan John Holland. Sejak diperkenalkan pada tahun 1960-an, EAs terus diteliti dan dikembangkan hingga saat ini. Yang menarik pada EAs adalah “Hanya dengan menggunakan proses-proses yang sebagian besar dilakukan secara acak, EAs bisa menghasilkan solusi yang “bagus” (mungkin saja solusi terbaik) dengan kecepatan yang dapat diterima”.
Penerapan Evolutionary Computation (EC)
1. Penerapan Agent Learning Menggunakan Metoda Evolutionary Algorithm Dalam Pembuatan Permainan Go
Permainan Go adalah permasalahan yang ideal dalam pembahasan machine learning. Permainan Go memiliki rule yang sederhana tetapi memerlukan strategi yang kompleks untuk dapat bermain bagus, dan akan semakin kompleks sesuai dengan bertambah besarnya ukuran papan yang digunakan. Walaupun sudah banyak aplikasi Permainan Go yang menggunakan berbagai teknik AI, namun tetap gagal mencapai kemampuan pemain Go yang amatir. Komputer Go cenderung melakukan kesalahan yang sama berulang-ulang. Besarnya papan bermain yang digunakan dalam bermain Go menyebabkan besarnya ruang pencarian, sering disebut sebagai penyebab kesulitan ini. Pendekatan Evolusi dikatakan dapat memberikan solusi dengan baik pada ruang pencarian yang besar tanpa harus menganalisa di semua ruang. Karena proses pengambilan individual yang acak, diharapkan juga komputer dapat menemukan solusi dan memberikan pergerakan yang tidak statis. Namun, tentu saja, komputer harus tetap “pintar”.
2. Penerapan Alogritma Genetika pada Persoalan Pedagang Keliling
Persoalan pedagang keliling (Travelling Salesperson Problem-TSP) merupakan salah satu persoalan optimasi kombinatorial; jika diberikan sejumlah kota (atau tempat) dan biaya perjalanan dari satu kota ke kota lain. Deskripsi persoalannya adalah bagaimana menemukan rute perjalanan paling murah dari suatu kota dan mengunjungi semua kota lainnya, masing-masing kota hanya dikunjungi satu kali, dan harus kembali ke kota asal keberangkatan. Kombinasi dari semua rute perjalanan yang ada adalah faktorial dari jumlah kota. Biaya perjalanan bisa berupa jarak, waktu, bahan bakar, kenyamanan, dan sebagainya. Algoritma genetika dapat menyelesaikan TSP yaitu solusi direpresentasikan ke dalam suatu kromosom yang berisi dari nomor urut kota-kota selain kota asal. Masing-masing nomor urut tidak boleh muncul lebih dari satu kali di dalam kromosom sehingga satu kromosom merepresentasikan satu rute perjalanan (satu solusi) yang valid. Kelebihan algoritma genetika untuk metode pencarian konvensional pada TSP yaitu pertama, solusi dapat diperoleh kapanpun karena solusi dihasilkan pada generasi ke berapapun; kedua, algoritma genetika tidak harus membutuhkan waktu yang lama karena tidak semua kemungkinan dicoba, tergantung pada kriteriaberakhirnya.
Sistem Fuzzy
Sistem fuzzy adalah Bentuk logik yang digunakan pada sistem pakar dan aplikasi kecerdasan buatan lain, dimana variable dapat mempunyai tingkat kebenaran atau salah yang dinyatakan dengan rentang nilai 1(benar) dan 0 (salah).
Sejarah Sistem Fuzzy
Logika Fuzzy, pertama kali diperkenalkan pada tahun 1965 oleh Prof. Lotfi A. Zadeh, seorang profesor untuk Ilmu Komputer Universitas California di Berkley. Logika Fuzzy tidak sekedar menghakimi sesuatu hanya pada: “hitam” atau “putih”, “benar” atau “salah”, “0” atau “1”; melainkan dapat berada diantaranya, dan boleh jadi tidak menuju pada kedua hal absolut tersebut. Hal ini dapat terjadi karena pengelompokan “derajat-kelasnya” yang dicacah diantara kesamaan kontras absolut.
Penerapan Sistem Fuzzy
1. Penerapan Logika Fuzzy pada Penilaian Mutu Teh Hitam Orthodox
Pada proses penilaian mutu teh hitam orthodox dengan menggunakan pakar organoleptik teh seringkali dijumpai kendala keterbatasan sensorik dari orang yang menilai. Sehingga dilakukan suatu penelitian dengan menggunakan teknik pemodelan fuzzy yang bertujuan untuk melihat sejauh mana penilaian mutu teh hitam orthodox dengan model logika fuzzy, dimana logika fuzzy dapat mentolelir nilai-nilai yang tanggung pada penilaian mutu teh hitam sehingga dapat lebih mengobjektifkan hasil penilaian mutu teh hitam orthodox. Metode logika fuzzy ini dapat mendokumentasikan pengalaman – pengalaman para tester teh hitam orthodox selain itu dapat juga mengkoreksi hasil penilaian mutu teh hitam orthodox yang dilakukan oleh para tester. Berdasarkan uji parametrik LSD dan non-parametrik Mann-Whitney, antara hasil penilaian tester dan hasil penilaian dengan menggunakan logika fuzzy tidak berbeda nyata. Metode logika fuzzy ini dapat digunakan sebagai metode penilaian mutu hasil penilaian mutu teh hitam orthodox. Metode logika fuzzy ini tidak dapat digunakan apabila perbedaan antara penilaian teh yang dilakukan oleh satu tester dan tester lainnya terlalu jauh. Metode defuzzifikasi yang terbaik untuk penilaian mutu teh hitam orthodox yaitu metode Smallest of Maximum (SOM)
2. Penerapan Logika Fuzzy Pada Lampu Lalu Lintas Untuk Mengurangi Tingkat Kemacetan
Sistem kendali pada lampu lalu lintas selain berorientasi pada waktu seharusnya juga mempertimbangkan tingkat kepadatan arus lalu lintas jalur yang diatur. Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan dan satu keluaran dengan menggunakan kaidah jika-maka dengan operator “dan” pada kedua masukan. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran berupa lama nyala lampu hijau pada jalur yang sedang diatur dan jangka waktu lampu merah menyala pada jalur yang menunggu sedangkan lampu kuning menyala dianggap konstan. Keunggulan dari lampu lalu lintas yang berbasis logika fuzzy yaitu dalam pengaturannya memperhatikan kepadatan kendaraan dari jalur yang di atur.
3. Logika Fuzzy pada Air Conditioner
Penyejuk udara (air conditioner) di dalam ruang tidak hanya berfungsi sebagai pendinginan ruangan, namun harus cukup “pintar”. Beberapa penyejuk udara sudah teraplikasi pada Logika Fuzzy. Dengan Fuzzy penyejuk penyejuk ruangan akan menjaga temperatur ruangan sesuai dengan yang diinginkan. Jadi tidak hanya mengeluarkan udara dengan suhu yang monoton. Misalkan suhu yang diinginkan adalah 28 C.
4. Penerapan logika fuzzy dalam otomatisasi persneling pada mobil otomatis
Pada masalah ini variable fuzzy yang dimodelkan adalah putaran mesin dan posisi gear kendaraan. Dengan himpunan fuzzy untuk variabel putaran mesin adalah rendah, sedang, dan tinggi. Dan untuk variabel posisi gear adalah kecil, sedang, dan besar.
5. Penerapan logika fuzzy dalam penentuan diafragma pada kamera foto manual
Variabel yang digunakan adalah intensitas cahaya dan ukuran diafragma. Dengan himpunan fuzzy untuk variabel intensitas cahaya adalah gelap, sedang, dan terang. Dan untuk variabel ukuran diafragma adalah buka penuh, buka setengah, dan buka sedikit.
Tidak ada komentar:
Posting Komentar