Fuzzy Logic

PENGERTIAN FUZZY LOGIC

Fuzzy mungkin merupakan suatu kata yang agak asing bagi kita. Dalam terjemahan menurut kosa katanya fuzzy berari kabur. Logika berarti penalaran. Jika digabungkan menjadi satu kalimat berarti Penalaran Yang Kabur. Benarkah demikian? Mengapa penalaran yang kabur justru perlu untuk dipelajari?

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy adalah sebagai berikut:

Pada gambar dapat diketahui bahwa antara input dan output terdapat sebuah kotak hitam yang sesuai. Berikut ini adalah beberapa contoh konsep logika fuzzy yang dapat diterapkan dalam berbagai kasus:

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

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

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

Ada beberapa cara atau metode yang mampu bekerja di kotak hitam tersebut, seperti sistem fuzzy, jaringan syaraf tiruan, sistem linier, sistem pakar, persamaan diferensial, dan sebagainya. Namun menurut Prof. Lotfi A. Zadeh seorang profesor dari Universitas California, Berkeley, yang adalah penemu Logika fuzzy pada tahun 1960-an menyatakan bahwa setiap kasus dapat saja diselesaikan tanpa menggunakan logika fuzzy, tetapi pemanfaatan logika fuzzy akan mempercepat dan mempermudah hasil dalam setiap kasus. Berikut adalah gambar dari Prof. Lotfi A. Zadeh.

ALASAN PEMANFAATAN LOGIKA FUZZY

Mengapa kita perlu menggunakan logika fuzzy? Berikut ini adalah beberapa alasan mengapa logika fuzzy banyak digunakan saat ini diberbagai kasus. Alasan pemanfaatan logika fuzzy adalah:

Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar. 

Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai. 

Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah. 

Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.

Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

Konsep logika fuzzy mudah dimengerti.

Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti

Logika fuzzy sangat fleksibel

Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat

Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional

Logika fuzzy didasarkan pada bahasa alamiah

Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira.

Dalam fuzzy logic segala sesuatunya adalah masalah derajat.

System logis manapun dapat difuzzifikasi.Dalam fuzzy logic, pengetahuan diinterpretasikan sebagai koleksi dari fuzzy yang dipaksakan pada sekumpulan variable.

Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

BAGAIMANA LOGIKA FUZZY DIGUNAKAN

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

a. Definisikan obyektif dan criteria control:

1) Apa yang kita coba control ?

2) Apa yang harus kita lakukan untuk mengontrol system ?

3) Respon seperti apa yang kita butuhkan ?

4) Apa mode kegagalan system yang mungkin ?

b. Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error)

1) Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.

2) Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules.

3) Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.

DASAR-DASAR LOGIKA FUZZY

A. HIMPUNAN TEGAS / CRIPS

Sangat penting sekali bagi kita untuk terlebih dahulu mengetahui apa itu crisp set atau yang dikenal juga dengan conventional set, sebelum kita mengarah pada bagaimana himpunan fuzzy dibuat untuk kekurangan pada crisp set. Dalam kebanyakan jenis pemikiran setiap harinya, dan refleksi bahasa darinya, orang – orang menggunakan crisp set untuk mengelompokan sesuatu. Menjadi anggota dari crisp set adalah seluruhnya berhubungan atau tidak sama sekali. Seorang wanita dikatakan hamil ataupun tidak, ia tidak pernah “hamil sebagian” atau “sedikit hamil”.

Berpikir dengan crisp set menjadikan segala sesuatunya lebih sederhana, karena sesuatu bisa merupakan anggota dari suatu crisp set atau tidak. Crisp set dapat digunakan untuk merepresentasikan gambaran pengertian hitam dan putih. Seringkali juga, saat sesuatu itu merupakan anggota dari sebuah crisp set maka ia kemudian (pada waktu yang sama) bukan merupakan anggota dari crisp set manapun. Kembali hal ini menyederhanakan penggunaan logika dengan proses pemikiran semacam ini. Konstruksi linguistik yang menggambarkan jenis pemikiran ini dapat benar – benar berguna, terutama saat kategori crisp digunakan. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu (Kusumadewi, 2004 : p3) :

Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Contoh Penerapan Fuzzy Logic

Bagi anda yang mempelajari tentang Artificial Intelligence pada pokok bahasan Fuzzy Logic, ada tiga metode yang sering digunakan dalam menyelesaikan masalah dengan menggunakan konsep fuzzy logic, yaitu: (1) Metode Tsukamoto; (2) Metode Mamdani; (3) Metode Sugeno. Pada kesempatan ini, saya akan menerapkan metode Mamdani untuk menyelesaikan sebuah contoh masalah sederhana menggunakan aplikasi Matlab. Metode Mamdani adalah metode yang lebih mudah digunakan dari kedua pada metode lainnya. Sebagaimana kita ketahui bahwa Matlab menyediakan metode ini (Mamdani) pada toolbox fuzzy, namun saya akan mencobanya dengan koding.

Prosedur Fuzzy Logic:

1.      Fuzzifikasi;

2.      Pembentukan Rule

3.      Mesin Inferensi

4.      Defuzzifikasi

Contoh Kasus

Perhatikan komentar pada script berikut ini:

a = newfis('MAMDANI IDEAL BADAN');

%Tinggi Badan (Input 1)

a = addvar(a,'input','Tinggi Badan',[0 200]);

a = addmf(a,'input',1,'Pendek','trapmf',[0 0 100 140]);

a = addmf(a,'input',1,'Sedang','trimf',[125 150 175]);

a = addmf(a,'input',1,'Tinggi','trimf',[160 200 200]);

%Berat Badan (Input 2)

a = addvar(a,'input','Berat Badan',[0 100]);

a = addmf(a,'input',2,'Ringan','gaussmf',[15 0]);

a = addmf(a,'input',2,'Normal','gaussmf',[15 50]);

a = addmf(a,'input',2,'Berat','gaussmf',[15 100]);

%Ideal Badan (Output 1)

a = addvar(a,'output','Ideal Badan',[0 10]);

a = addmf(a,'output',1,'Sedikit','trimf',[0 1.5 3]);

a = addmf(a,'output',1,'Sedang','trimf',[3 5 7]);

a = addmf(a,'output',1,'Banyak','trimf',[7 8.5 10]);

% Rule #1 : IF TinggiBadan is Tinggi AND BeratBadan is Ringan THEN IdealBadan is Kurus

%      #2 : IF TinggiBadan is Tinggi AND BeratBadan is Normal THEN IdealBadan is Kurus

%      #3 : IF TinggiBadan is Sedang AND BeratBadan is Ringan THEN IdealBadan is Kurus

%      #4 : IF TinggiBadan is Pendek AND BeratBadan is Ringan THEN IdealBadan is Ideal

%      #5 : IF TinggiBadan is Sedang AND BeratBadan is Normal THEN IdealBadan is Ideal

%      #6 : IF TinggiBadan is Tinggi AND BeratBadan is Berat THEN IdealBadan is Ideal

%      #7 : IF TinggiBadan is Pendek AND BeratBadan is Berat THEN IdealBadan is Gemuk

%      #8 : IF TinggiBadan is Pendek AND BeratBadan is Normal THEN IdealBadan is Gemuk

%      #9 : IF TinggiBadan is Sedang AND BeratBadan is Berat THEN IdealBadan is Gemuk

% masing-masing kolom adl input1|input2|output1|weight|OR=2; AND=1

ruleList=[...

    3 1 1 1 1

    3 2 1 1 1

    2 1 1 1 1

    1 1 2 1 1

    2 2 2 1 1

    3 3 2 1 1

    1 3 3 1 1

    1 2 3 1 1

    2 3 3 1 1];

a = addrule(a,ruleList);

out = evalfis([165 55],a); % 165 = Tinggi Badan; 55 = Berat Badan

writefis(a,'Mamdani_UseCoding_gaussmf'); % Simpan ke File dng nama "Mamdani_UserCoding.fis"

% fismat = readfis('BuildManualFuzzy'); %Membaca file --> getfis(fismat); %Membaca file

Untuk menjalankan file ini pada toolbox Fuzzy, silahkan ketik: fuzzy('namaFile'); pada Commmad Window Matlab lalu tampilkanlah outputnya dengan memilih menu View - Rules atau Surface pada tollbox fuzzy (Fis Editor).

Sumber :

•  perkuliahan sistem fuzzy STMIK WP (http://joinsucess.blogspot.co.id/2011/05/pengertian-dan-dasar-logika-fuzzy.html)

•  Fuzzy (Fuzzy Logic) : Teori dan Penerapan Pada Sistem Daya (Kajian Pengaruh Induksi Medan Magnet)”

• http://noviolaan.blogspot.co.id/2016/09/fuzzy-logic.html

Read More

Sitem Pakar

Pengertian Sistem Pakar

dapat didefinisikan Sistem pakar adalah suatu sistem komputer yang menyamai kemampuan pengambilan keputusan dari sorang pakar. Kata menyamai tersebut memiliki pengertian bahwa system pakar diharapkan dapat bekerja dalam semua hal seperti halnya seorang pakar. Sistem pakar merupakan salah satu cabang dari Artificial Intelligent yang membuat penggunaan secara luas pengetahuan yang khusus untuk penyelesaian masalah tingkat manusia yang pakar dalam bidang tertentu.

Pengertian sistem pakar

Secara umum pengertian sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar.- Komponen utama pada sistem pakar. System pakar itu sendiri terdiri dari 2 komponen utama yaitu knowledge base dan inference engine. Knowledge berisi pengetahuan yang digunakan dalam system pakar sedangkan inference engine menggambarkan kesimpulan yang dihasilkan oleh system pakar.Tujuan dari sebuah system pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam computer, dan kemudian kepada orang lain. Aktivitas yang dilakukan untuk memindahkan kepakaran adalah sebagai berikut :• Knowledge Acquisition• Knowledge Representation• Knowledge Inferencing• Knowledge Transfering-Pendahuluan Ketika hendak membuat suatu keputusan yang komplek atau memecahkan masalah, seringkali kita meminta nasehat atau berkonsultasi dengan seorang pakar atau ahli. Seorang pakar adalah 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 atau 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 atau 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 yunior. - Tujuan Sistem PakarTujuan 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. 1. Manfaat Sistem Pakar Sistem Pakar dapat bekerja lebih cepat dari manusia.
b. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.
c. Dapat beroperasi di lingkungan yang berbahaya.
d. Mampu menangkap kepakaran yang sangat terbatas.
e. Memudahkan akses ke pengetahuan.
f. Handal. Maksudnya 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.
2. Keterbatasan Sistem Pakar Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif. 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. 3. Pembangunan Sebuah Sistem Pakar
Dalam mengembangkan Sistem Pakar dapat dilakukan dengan 2 cara yaitu:
1. Membangun sendiri semua komponen di atas, atau
2. Memakai semua komponen yang sudah ada kecuali isi basis pengetahuan.
Yang kedua disebut sebagai membangun Sistem Pakar dengan shell, yakni semua komponen Sistem Pakar, kecuali basis pengetahuan, bersifat generik; sehingga dapat dipakai untuk bidang yang berlainan. Membangun Sistem Pakar dengan shell dapat dilakukan dengan lebih cepat dan lebih sedikit keterampilan memprogram, namun berkurang fleksibilitasnya karena harus mengikuti kemampuan dari shell tersebut. Salah satu shell Sistem Pakar yang populer dipakai adalah CLIPS (C Language Integrated Production System) yang dapat didownload dari internet.
4. Contoh Aplikasi Sistem Pakar 1. 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 

SUMBER : Pebri Anto (http://areateknologipebri.blogspot.co.id/2014/02/ebook-sistem-pakar.html)

Read More

Artificial Neural Network(ANN)

ARTIFICIAL NEURAL NETWORK [ANN]

1.1 Pengertian ANN        

Artificial Neural Network (Jaringan Syaraf Tiruan) ANN adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Artificial Neural Network (Jaringan Syaraf Tiruan)  merupakan model yang meniru cara kerja jaringan neural biologis.

1.2. otak sebagai system pengolah informasi

Otak manusia (juga hewan) terdiri atas sel-sel yang disebut neuron. Dibandingkan dengan sel-sel lain yang selalu mereproduksi dirinya kemudian mati, neuron memiliki keistimewaan, yaitu tidak mati. Hal ini menyebabkan informasi yang tersimpan di dalamnya dapat bertahan. Diperkirakan otak manusia terdiri atas 109neuron, dan terdapat 100 jenis neuron yang telah diketahui. Neuron-neuron ini terbagi atas grup-grup (disebut jaringan) yang dibedakan atas fungsinya dan setiap grup mengandung ribuan neuron yang saling berhubungan. Dengan demikian dapat disimpulkan bahwa otak merupakan kumpulan dari jaringan-jaringan neuron. Kecepatan proses setiap jaringan ini sebenarnya jauh lebih kecil dibandingkan dengan kecepatan proses komputer yang ada pada saat ini. Namun karena otak terdiri atas jutaan jaringan yang bekerja secara paralel (simultan), maka otak dapat mengerjakan pekerjaan yang jauh lebih kompleks dibandingkan dengan apa yang dapat dikerjakan oleh komputer yang semata-mata hanya mengandalkan kecepatan. Struktur pemrosesan paralel ini merupakan bagian lain yang menarik dari jaringan neural, yang juga dapat ditiru untuk diimplementasikan pada computer.

Hubungan antara neuron pada otak

gambar di atas menunjukkan hubungan antara neuron pada otak. Pada gambar tersebut terdapat bagian-bagian : dendrit yang berfungsi sebagai saluran masukan bagi neuron, nucleus merupakan inti dari suatu neuron, axon berfungsi sebagai saluran keluaran dari neuron, dan synapsis yang mengatur kekuatan hubungan antar neuron.

Perbedaan antara ES (expert System) dan ANN

a.      ES (expert system)

   Dalam pemecahan masalah masih membutuhkan bantuan programmer

     Knowledge di buat oleh programmer, sehingga knowledge dapat di telusuri prosespembuatannya

   Sample yang inputnya cacat tidak dapat menghasilkan output

b.    ANN

    Dapat memecahkan masalah/kasus yang rumit yang tidak dapat dilakukan oleh ES

  Knowledgenya terbentuk dengan sendirinya

  Dapat menghasilkan output walaupun inputnya cacat

                                                               

1.3 Arsitektur ANN

Setiap neuron dapat memiliki beberapa masukan dan mempunnyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neutron dapat berupa hasil akhir atau berupa bahan masukkan bagi neutron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedfordward(data proses pada satu arah)

Arsitektur ANN

1.    Lapisan input [input Layer].

     Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data).

2.  Lapisan tersembunyi [Hidden Layer]

     Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden layer) atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi terbawah berfungsi untuk menerima masukan dari lapisan input.

3.  Lapisan Output [Output Layer]

     Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses

4.  Lapisan Output [Output Layer]

     Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses

Skema proses yang terjadi pada setiap neuron, kecuali neuron input

                                                   

               

•   Bobot adalah parameter pengkali    terhadap nilai output neuron.
•     Bobot dan bias diset secara random
•     Wj (bias) sebagai kalibrator
•     Momentum adalah penurunan nilai bobot.
•      f  = fungsi aktivasi transfer function
•   Oi = nilai neuron ke-i
•    Wji = nilai bobot penghubung neuron
•   Fungsi sigmoid paling sering digunakan karena terbukti secara empiris paling efektif daripada fungsi yang lain.

    CONTOH PENERAPAN ARTIFICIAL NEURAL NETWORK

Algoritma ANN lahir dari gagasan seorang psikolog Warren McCulloch dan Walter Pitts pada 1943 yang menjelaskan cara kerja jaringan syaraf dengan perangkat jaringan elektronik.

Didalam dunia seismik eksplorasi, algoritma ANN sudah cukup populer diaplikasikan, diantaranya untuk identifikasi noise, estimasi wavelet, analisa kecepatan, analisis gelombang geser, autotracking reflector, prediksi hidrokarbon, karakterisasi reservoir, dll.

Konfigurasi sederhana algoritma ANN dapat dijelaskan pada gambar dibawah ini:

Courtesy Hampson Russell

Dari gambar di atas terlihat bahwa, prinsip dasar ANN adalah sejumlah parameter sebagai masukan (input layer) diproses sedemikian rupa didalam hidden layer (perkalian, penjumlahan, pembagian, dll.), lalu diproses lagi didalam output layer untuk menghasilkan sebuah output.

Courtesy Hampson Russell

Gambar diatas menunjukkan contoh penerapan ANN untuk data seismik, katakanlah kita memiliki beberapa input seperti impedance (x1), reflection strength (x2), instantaneous frequency (x3),… dll . yang akan digunakan untuk memprediksi porositas reservoir sebagai output. Maka secara sederhana porositas reservoir akan didapatkan dengan mengkalikan setiap sampel data input dengan suatu pembobotan (weight) lalu dijumlahkan, lalu hasil penjumlahan tersebut menjadi input untuk fungsi aktivasi untuk menghasilkan parameter porositas.

Fungsi aktivasi tersebut dapat berupa sigmoid function ataupun hyperbolic tangent function (perhatikan keterangan dibawah ini).

Courtesy Hampson Russell

Tentu kita menginginkan agar nilai porositas yang diprediksi semirip mungkin dengan nilai porositas yang sesungguhnya, dengan kata lain kita harus memiliki nilai selisih (baca error) antara nilai prediksi dengan nilai sesungguhnya yang sekecil mungkin, untuk tujuan ini didalam algoritma ANN di atas, kita harus melakukan updating nilai weight untuk masing-masing input.

SUMBER : 

• Sigit Prabowo (http://sigitprabowoo.blogspot.co.id/p/kumpulan-ebook.html)

• Yani, Eli. (2005). Pengantar Jaringan Saraf Tiruan. Artikel kuliah.

• http://noviolaan.blogspot.co.id/2016/09/artificial-neural-network-ann_28.html

Read More