Expert System

Ketika hendak membuat suatu keputusan yang komplek atau memecahkan masalah, seringkali kita meminta nasehat atau berkonsultasi dengan seorang pakar atau ahli. Seorang pakaradalah seseorang yang mempunyai pengetahuan dan pengalaman spesifik dalam suatu bidang; misalnya pakar komputer, pakar uji tak merusak, pakar politik dan lain-lain. Semakin tidak terstruktur situasinya, semakin mengkhusus (dan mahal) konsultasi yang dibutuhkan.

Sistem Pakar (Expert System) adalah usaha untuk menirukan seorang pakar. Biasanya Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat performa yang sebanding seorang pakar dalam bidang problem yang khusus dan sempit. Ide dasarnya adalah: kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasan-alasannya. Sistem Pakar malahan terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia!

Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar junior.

Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar). Proses ini tercakup dalam rekayasa pengetahuan (knowledge engineering) yang akan dibahas kemudian.

Manfaat dan Keterbatasan Sistem Pakar

Manfaat Sistem Pakar

Mengapa Sistem Pakar menjadi sangat populer? Hal ini disebabkan oleh sangat banyaknya kemampuan dan manfaat yang diberikan oleh Sistem Pakar, di antaranya:

a.  Meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari manusia.

b.  Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.

c.  Mampu menangkap kepakaran yang sangat terbatas.

d.  Dapat beroperasi di lingkungan yang berbahaya. 

e.  Memudahkan akses ke pengetahuan. 

f. Handal. Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit. Sistem Pakar juga secara konsisten melihat semua detil dan tidak akan melewatkan informasi yang relevan dan solusi yang potensial.

g. Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi .

h.  Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang tidak lengkap. Pengguna dapat merespon dengan: “tidak tahu” atau “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi, dan Sistem Pakar tetap akan memberikan jawabannya.

i.  Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.

j.   Meningkatkan kemampuan problem solving, karena mengambil sumber pengetahuan dari banyak pakar.

k.  Meniadakan kebutuhan perangkat yang mahal.

l.    Fleksibel.

Keterbatasan Sistem Pakar

Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif. Berikut adalah keterbatasan yang menghambat perkembangan Sistem Pakar:

a.     Pengetahuan yang hendak diambil tidak selalu tersedia.

b.     Kepakaran sangat sulit diekstrak dari manusia.

c.    Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun sama-sama benar

d.   Adalah sangat sulit bagi seorang pakar untuk mengabstraksi atau menjelaskan langkah mereka dalam menangani masalah

e.   Pengguna Sistem Pakar mempunyai batas kognitif alami, sehingga mungkin tidak bisa memanfaatkan sistem secara maksimal.

f.     Sistem Pakar bekerja baik untuk suatu bidang yang sempit.

g.   Banyak pakar yang tidak mempunyai jalan untuk mencek apakah kesimpulan mereka benar dan masuk akal.

h.   Istilah dan jargon yang dipakai oleh pakar dalam mengekspresikan fakta seringkali terbatas dan tidak mudah dimengerti oleh orang lain.

i.    Pengembangan Sistem Pakar seringkali membutuhkan perekayasa pengetahuan (knowledge engineer) yang langka dan mahal.

j.      Kurangnya rasa percaya pengguna menghalangi pemakaian Sistem Pakar.

k.     Transfer pengetahuan dapat bersifat subyektif dan bias.

Contoh Aplikasi Sistem Pakar

Aplikasi Sederhana: Sistem Pakar Bengkel Mobil

Ini adalah contoh Sistem Pakar sederhana, yang bertujuan untuk mencari apa yang salah sehingga mesin mobil pelanggan yang tidak mau hidup, dengan memberikan gejala-gejala yang teramati. Anggap Sistem Pakar kita memiliki aturan-aturan berikut:

1.  JIKA mesin_mendapatkan_bensin DAN starter_dapat_dihidupkan

MAKA ada_masalah_dengan_pengapian

2.  JIKA TIDAK BENAR starter_dapat_dihidupkan DAN TIDAK BENAR lampu_menyala

MAKA ada_masalah_dengan_aki

3.  JIKA TIDAK BENAR starter_dapat_dihidupkan DAN lampu_menyala

MAKA ada_masalah_dengan_starter

4.  JIKA ada_bensin_dalam_tangki_bahan_bakar MAKA mesin_mendapatkan_bensin

Terdapat 3 masalah yang mungkin, yaitu:

ada_masalah_dengan_aki dan ada_masalah_dengan_starter. Dengan sistem terarah-tujuan (goal-driven), kita hendak membuktikan keberadaan setiap masalah tadi.

Pertama, Sistem Pakar berusaha untuk membuktikan kebenaran ada_masalah_dengan_pengapian. Di sini, aturan 1 dapat digunakan, sehingga Sistem Pakar akan menset goal baru untuk membuktikan apakah sertastarter_dapat_dihidupkan. Untuk membuktikannya, aturan 4 dapat digunakan, dengan goal baru untuk membuktikan mesin_mendapatkan_bensin. Karena tidak ada aturan lain yang dapat digunakan menyimpulkannya, sedangkan sistem belum memperoleh solusinya, maka Sistem Pakar kemudian bertanya kepada pelanggan: “Apakah ada bensin dalam tangki bahan bakar?”. Sekarang, katakanlah jawaban klien adalah “Ya”, jawaban ini kemudian dicatat, sehingga klien tidak akan ditanyai lagi dengan pertanyaan yang sama.

Nah, karena sistem sekarang sudah dapat membuktikan bahwa mesin mendapatkan bensin, maka sistem sekarang berusaha mengetahui apakah starter_dapat_dihidupkan. Karena sistem belum tahu mengenai hal ini, sementara tidak ada aturan lagi yang dapat menyimpulkannya, maka Sistem Pakar bertanya lagi ke klien: “Apakah starter dapat dihidupkan?”. Misalkan jawabannya adalah “Tidak”, maka tidak ada lagi aturan yang dapat membuktikanada_masalah_dengan_pengapian, sehingga Sistem Pakar berkesimpulan bahwa hal ini bukanlah solusi dari problem yang ada, dan kemudian melihat hipotesis berikutnya:ada_masalah_dengan_aki. Sudah diketahui (dibuktikan) bahwa mesin tidak dapat distarter, sehingga yang harus dibuktikan adalah bahwa lampu tidak menyala. Sistem Pakar kemudian bertanya: “Apakah lampu menyala?”. Misalkan jawabannya adalah “Tidak”, maka sudah terbukti bahwa ada masalah dengan aki.

Sistem ini mungkin berhenti sampai di sini, tetapi biasanya ada kemungkinan terdapat lebih dari satu solusi (misalnya terdapat lebih dari satu kerusakan), atau ada kemungkinan terdapat solusi lain yng lebih tepat, sehingga biasanya semua hipotesis diperiksa kebenarannya. Sistem Pakar ini kemudian mencoba membuktikan bahwa ada_masalah_dengan_starter, namun dari fakta yang sudah diperoleh, yaitu lampu tidak menyala, maka pembuktiannya menjadi gagal. Dengan demikian solusi yang diberikan oleh Sistem Pakar adalah ada masalah dengan aki.

Secara lengkap, interaksi antara Sistem Pakar dengan klien mungkin seperti ini:

System Pakar:  Apakah ada bensin dalam tangki bahan bakar?

Klien:                 Ya

System Pakar:  Apakah starter dapat dihidupkan?

Klien:                 Tidak

System Pakar:  Apakah lampu menyala?

Klien:                 Tidak

System Pakar:  Saya berkesimpulan bahwa ada masalah dengan aki

Fasilitas Penjelasan

Kebanyakan Sistem Pakar mempunyai fasilitas penjelasan yang mengijinkan klien untuk bertanya mengapa dia diberi suatu pertanyaan atau bagaimana dapat mencapai suatu kesimpulan. Pertanyaan dari klien tersebut dijawab dengan mengacu pada goal, aturan yang dipakai, dan data-data yang ada. Contoh pemakaian fasilitas penjelas dalam Sistem Pakar di atas dapat dilihat pada percakapan berikut:

System Pakar:  Apakah ada bensin dalam tangki bahan bakar?

Klien:                   Ya

System Pakar:  Apakah starter dapat dihidupkan?

Klien:                   Tidak

System Pakar:  Apakah lampu menyala?

Klien:                   Mengapa?

System Pakar:  Saya mencoba membuktikan bahwa ada masalah dengan aki.

                        Sudah ditunjukkan, tidak benar starter dapat dihidupkan.

                        Sehingga jika tidak benar bahwa lampu menyala, maka ada

                        masalah dengan aki.

                       Apakah lampu menyala? 

Klien:                   Tidak

System Pakar:  Saya berkesimpulan bahwa ada masalah dengan aki

Klien:                   Bagaimana bisa?

System Pakar:  Hal ini sesuai dengan aturan no 2:

JIKA TIDAK BENAR starter_dapat_dihidupkan DAN TIDAK BENAR lampu_menyala MAKA ada_masalah_dengan_aki bahwa tidak benar starter_dapat_dihidupkan sudah dijawab, bahwa tidak benar lampu_menyala sudah dijawab, sehingga dapat disimpulkan bahwa ada_masalah_dengan_aki.

Fasilitas penjelasan berhubungan dengan pencatatan aturan apa saja yang digunakan untuk mengambil kesimpulan, dan menggunakan catatan tersebut untuk menyusun penjelasan. Pembangkitan penjelasan sederhana seperti contoh di atas bukanlah persoalan yang sulit, namun pemahaman klien terhadap penjelasan tersebut tidaklah sama, sehingga seringkali klien tetap tidak mengerti maksudnya. Hal ini karena biasanya penjelasan hanya meliputi pengetahuan yang dangkal atau hanya permukaan saja sebagaimana tercantum dalam autran yang dipunyai, bukannya pengetahuan yang mendalam yang mendasari aturan tersebut. Dalam contoh di atas, Sistem Pakar hanya mengatakan bahwa hal ini sesuai dengan aturan no 2, tetapi tidak menjelaskan secara lebih detil mengenai aturan 2 tersebut. Mungkin klien perlu diberi pengertian bahwa lampu dan starter dua-duanya menggunakan aki untuk menyalakannya. Hal penting lain adalah ketika klien gagal mengerti atau menerima penjelasan yang diberikan, biasanya Sistem Pakar tidak dapat memberi penjelasan dengan cara lain (tidak begitu halnya dengan seorang pakar yang mampu menggunakan kalimat yang lain untuk mencoba menjelaskannya).

Eliza

Eliza adalah salah satu Sistem Pakar yang paling awal dikembangkan. Ini adalah program komputer terapis yang dibuat oleh Joseph Weizenbaum di MIT. Pengguna berkomunikasi dengannya sebagaimana sedang berkonsultasi dengan seorang terapis. Berikut ini adalah contoh percakapan antara Eliza dengan seorang klien:

Eliza:     Hello. I am ELIZA. How can I help you?

Klien:     My name is Balza.

Eliza:     I have told you before, I do not care about names.

Klien:     I don’t have any money. That’s my problem.

Eliza:     Why do you say your problem?

Klien:     Because you asked me.

Eliza:     Do any other reasons not come to mind?

Klien:     No.

Eliza:     You are being a bit negative.

Klien:     Why?

Eliza:     Please go on.

Klien:     OK. I am bankrupt.

Eliza:     How long have you been bankrupt?

Klien:     A year.

Eliza:     Please go on.

Klien:     So, what should I do?

Eliza:     Does that question interest you?

Klien:     Yes, how can I make big money?

Eliza:     You are sure?

Klien:     Of course I’m sure.

...

Parry

Parry adalah Sistem Pakar yang juga paling awal dikembangkan di Stanford University oleh seorang psikiater, Kenneth Colby, yang mensimulasikan seorang paranoid. Berikut ini contoh respon Parry terhadap pertanyaan seorang psikiater yang menginterviunya.

Psikiater:     Why are you in the hospital?

Parry:          I shouldn't be here.

Psikiater:     Who brought you here?

Parry:          The police.

Psikiater:     What trouble did you have with the police?

Parry:          Cops don't do their job.

Psikiater:     What do they do instead?

Parry:          Cops arrest the wrong people.

Psikiater:     They arrest the right ones sometimes

Parry:          The law should get those Italian crooks.

Psikiater:     Are you Italian?

Parry:          My background is British but I was born in this country.

Psikiater:     Do you know any Italian crooks?

Parry:          I try to avoid the underworld.

...

Sumber yang saya dapatkan berupa e-book yang telah saya rangkum sedemikian rupa, jika ingin mengetahui sumber tersebut, Anda dapat klik link yang saya berikan dibawah ini:  

http://ebook.dede-gunawan.web.id/2015/09/ebook-kecerdasan-buatan-pdf-ppt.html

Read More

Fuzzy Logic

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output.

Contoh:

1.     Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.

2.     Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan

3.     Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya

Alasan Digunakannya Logika Fuzzy

1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti

2. Logika fuzzy sangat fleksibel

3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat

4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks

5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan

6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

7. Logika fuzzy didasarkan pada bahasa alami.

Alikasi Logika Fuzzy

1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci.

2. Transmisi otomatis pada mobil.

3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu

4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy

5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata, tata letak pabrik, pembuatan games yang didasarkan pada logika fuzzy

6. Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks

Profesor Lotfi A. Zadeh [35] adalah guru besar pada University of California yang

merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau

manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya

vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain

pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana

sehingga komputasinya menjadi cukup mudah. Karena itu Profesor Lotfi A Zadeh kemudian

memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership

function) dari masing-masing variabelnya.

Fungsi keanggotaan (membership function), Sudradjat [25] adalah suatu kurva yang

menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan

derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

· Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.

·  Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.

· Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.

·  Masukan Crisp adalah masukan yang tegas dan tertentu.

· Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.

·  Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.

Pada teknik digital, Dubois dan Prade [5], dikenal dua macam logika yaitu 0 dan 1 serta

tiga operasi dasar yaitu NOT, AND dan OR. Logika semacam ini disebut dengan crisp logic.

Logika ini sering dipergunakan untuk mengelompokan sesuatu himpunan. Sebagai contoh, akan

dikelompokkan beberapa macam hewan, yaitu ‘hiu’, ‘kakap’, ‘pari’, ‘kucing’, ‘kambing’, ‘ayam’

ke dalam himpunan ikan. Sangat jelas bahwa hiu, kakap dan pari adalah anggota himpunan ikan

sedangkan kucing, kambing, ayam adalah bukan anggotanya, seperti ditunjukan pada Gambar 4.2.

Namun kadang kala ditemui pengelompokan yang tidak mudah. Misalkan variabel umur dibagi

menjadi tiga kategori, yaitu :

Muda : umur < 35 tahun

Parobaya : 35 ≤ umur ≤ 55 tahun

Tua : umur > 55 tahun

Nilai keanggotaan secara grafis, himpunan muda, parobaya dan tua dapat dilihat pada Gambar

4.3.

Pada Gambar 4.3 dapat dilihat bahwa :

• Apabila seseorang berusia 34 tahun, maka ia dikatakan muda (µmuda [34] = 1)

• Apabila seseorang berusia 35 tahun, maka ia dikatakan tidak muda

 (µmuda [35] = 0)

• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak muda (µmuda [35th

– 1 hr] = 0)

• Apabila seseorang berusia 35 tahun, maka ia dikatakan parobaya

 (µparobaya [35] = 0)

• Apabila seseorang berusia 34 tahun, maka ia dikatakan tidak parobaya

 (µparobaya [34] = 0)

• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak parobaya (µparobaya

[35th – 1 hr] = 0)

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak

adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup

signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.

Sumber yang saya dapatkan berupa e-book yang telah saya rangkum sedemikian rupa, jika ingin mengetahui sumber tersebut, Anda dapat klik link yang saya berikan dibawah ini:  

http://xoebook.blogspot.co.id/2013/06/dasar-dasar-logika-fuzzy.html

http://informatika.stei.itb.ac.id/~rinaldi.munir/MetNum/2011-2012/Pengantar%20Logika%20Fuzzy.pdf

Read More

Artificial Neural Network

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

Inspirasi Biologi

Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Lapisan pada Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit :

Lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan output.

-Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian digunakan dalam Jaringan Syaraf Tiruan.

-Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unitunit input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisan tersembunyi .

-Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output.

Aplikasi Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain :

Deteksi Fenomena Kedokteran.

Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring. Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel, dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.

 Untuk mendeteksi golongan darah manusia

Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana polapola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.

Prediksi Pasar Saham.

Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks, multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat prediksi. Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan masa lalu bursa yang lain dan berbagai indikator ekonomi.

Perjanjian Kredit.

Berbagai informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan, pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan Syaraf Tiruan tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasi karaktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan peminjam terhadap resiko peminjam dalam kategori baik atau buruk.

Monitoring Kondisi Mesin.

Jaringan Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan keahlian tambahan untuk menjadwalkan perawatan mesin. Jaringan Syaraf Tiruan dapat dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periode pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi yang akan menyebabkan biaya yang tidak terduga.

Pemeliharaan Mesin.

Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar.

Kesimpulan

Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari Jaringan Syaraf Tiruan adalah :

1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman sebelumnya.

2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran.

3. Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut.

4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.

5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Jaringan Syaraf Tiruan akan belajar mencari kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui.

6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam penelitian.

Sumber yang saya dapatkan berupa e-book yang telah saya rangkum sedemikian rupa, jika ingin mengetahui sumber tersebut, Anda dapat klik link yang saya berikan dibawah ini:  

http://www.perpusonline.id/ebook-gratis/jaringan-syaraf-tiruan

Read More