MAKALAH
ROBOTIKA
Sistem Kontrol Cerdas
Pada Robot
OLEH :
NAMA : YOHANA DAMAYANTI
NIM : 061130701312
KELAS : 4 TCB
KEMENTERIAN PENDIDIKAN NASIONAL
POLITEKNIK NEGERI SRIWIJAYA
TEKNIK KOMPUTER
TAHUN 2013
Kontrol Cerdas
Kontrol Cerdas adalah suatu bidang sains
komputer yang ditujukan untuk menyempurnakan kinerja sistem instrumentasi
elektronika. Peralatan atau mesin atau sistem yang dibangun dapat melakukan
kerja yang memerlukan kecerdasan apabila dilakukan oleh manusia. Sebagai
contoh, jika kita menanyakan suatu subjek pada mesin atau peralatan, maka akan
memperoleh jawaban darinya. Kecerdasan tiruan melakukan pendekatan top down dan
telah dicobakan pada teori model yang berakar lebih pada ilmu psikologi.
Kecerdasan lebih menekankan pada apa yang dikerjakan otak, bukan pada bagaimana
otak bekerja.
Kita bisa mengambil contoh statement dari beberapa pakar tentang Kontrol Cerdas
.
Staugaard
dan Marvin Minsky memberikan pernyataan bahwa kecerdasan
tiruan adalah suatu ilmu pengetahuan yang dapat membuat mesin
melakukan sesuatu yang memerlukan kecerdasan apabila dikerjakan oleh
manusia. Dengan kalimat lain, kecerdasan tiruan
adalah: suatu mekanisasi atau duplikasi proses berpikir.
Schildt (1987)
mengatakan bahwa suatu program kecerdasan tiruan akan menunjukkan
perilaku program yang menyerupai perilaku manusia jika menghadapi
persoalan yang sama.
Setelah kita melangkah ke jenjang lebih jauh lagi tentang Kontrol Cerdas, maka
kita akan menemui sebuah terapan keilmuan "Jaringan Saraf Tiruan
(JST)" dimana di dalam nya ada sebuah topologi kecerdasan tiruan. Mungkin
bisa melihat penjabaran di bawah ini :
Topologi
Kecerdasan Tiruan adalah sebuah implementasi keilmuan yang menjelaskan tentang
alur program, bagaimana kecerdasan tiruan itu bisa bekerja dengan baik sesuai
dengan perintah.
Kontrol cerdas adalah hasil penerapan kecerdasan komputasional pada sistem
kontrol yg kompleks
Tekniknya berbeda sekali dari teknik control konvensional. Semakin banyak
dipergunakan ketika control konvensional tidak mampu.
Hasil penerapannya:
1.
peningkatan produktivitas dan mutu produk
2. penghematan konsumsi energi
Teori kontrol modern,
yang telah memberikan kontribusi begitu signifikan untuk eksplorasi dan
penaklukan ruang, telah sukses serupa dalam memecahkan masalah kontrol dari
manufaktur. meskipun kemajuan di lapangan sejak 1950-an telah memperluas
kesenjangan antara teori dan praktek dan banyak kebutuhan industri yang masih
belum terselesaikan. industri ini memiliki beberapa pilihan, sehingga mereka
sebagian besar didasarkan konvensional (kadang-kadang disebut hard disk) teknik
kontrol industri berdasarkan tiga driver. sayangnya, perangkat ini sederhana
dan di mana-mana tidak dapat selalu merespon tuntutan dan kompleksitas sistem
manufaktur modern. kesenjangan antara teori dan praktek telah menyebabkan untuk
mencari teknik baru dan tidak konvensional yang tidak tunduk pada pembatasan
dan keterbatasan dari teori kontrol modern untuk memecahkan masalah kontrol
dalam industri dan manufaktur. perubahan datang pertengahan 1960-an dengan
pengenalan logika fuzzy oleh zadeh.
Penerapan teori zadeh
untuk kontrol untuk datang hampir sepuluh tahun kemudian dan itu selama
bertahun-tahun bahkan sebelum menerima penghormatan dan penerimaan yang
benar-benar layak. pada sekitar waktu yang sama, widrow menunjukkan adalines
menggunakan (adaptive linear networks), yang merupakan bentuk primitif dari
jaringan syaraf tiruan (anns), di kontrol. ini adalah keberangkatan yang
radikal dari kontrol konvensional untuk pengendali generik dilatih untuk
melakukan tugas-tugas tertentu, bukan sedang dirancang. kedua pendekatan
tersebut dikembangkan secara independen dan itu untuk mengambil
bertahun-tahun sebelum konsep ini diterapkan pada tingkat apapun.
penerapan fuzzy logic control engineering pertama menunjukkan di
eropa dan jepang pada pertengahan 1970-an. disajikan demonstrasi pertama
dari fuzzy logic pada tahun 1974 pada proses eksperimental. ini
demonstrasi fuzzy logic control (flc) memberikan dorongan untuk
serangkaian aplikasi yang tampaknya tak berujung, yang terus
berlanjut sampai hari ini. dengan beberapa pengecualian, teori zadeh
dari fuzzy logika tanpa terasa di barat selama bertahun-tahun sementara,
sementara itu, ada hiruk-pikuk aktivitas di jepang menerapkan teori untuk
seperti bervariasi kolom seperti peralatan rumah, kamera dan sistem
transportasi. tidak sampai awal 1980-an itu industri di barat secara
serius mempertimbangkan menerapkan kontrol fuzzy. di garis depan ini
adalah industri proses dan khususnya industri semen, yang merupakan
pertama yang menerapkan
teknik baru untuk mengontrol proses skala
besar. perkembangan lapangan sejak saat itu telah mengesankan dan
saat ini ada ratusan pabrik di seluruh dunia berhasil dikendalikan oleh
teknik tersebut. bidang jaringan syaraf tiruan, yang berkembang
cukup secara terpisah, telah memiliki evolusi yang sulit. muncul di
tahun 1970-an sebagai bidang yang menawarkan banyak janji dan potensi, itu
digagalkan oleh tidak memadainya komputasi fasilitas dan kurangnya algoritma
pelatihan jaringan yang efektif. kembali muncul pada 1980-an, saat
kemajuan yang signifikan telah dibuat di kedua algoritma pelatihan dan
perangkat keras komputer, penelitian
dan pengembangan di lapangan telah berkembang pesat. saraf
tiruan jaringan dapat ditemukan hari ini di berbagai aplikasi mulai
dari komunikasi, analisis dan sintesis kontrol dan banyak lagi.
Ini adalah domain dari
Komputasi Lunak, yang berfokus pada stokastik, empiris dan asosiatif
situasi, khas dari industri dan manufaktur lingkungan. Cerdas
Controller (kadang-kadang pengendali lunak disebut) adalah turunan dari
Komputasi Lunak, yang ditandai oleh kemampuan mereka untuk membangun
hubungan fungsional antara mereka input dan output dari data empiris,
tanpa bantuan eksplisit model proses dikendalikan. Ini adalah
keberangkatan yang radikal dari konvensional controller, yang didasarkan
pada hubungan fungsional eksplisit. Tidak seperti rekan-rekan konvensional
mereka, pengendali cerdas dapat belajar, mengingat dan membuat
keputusan. Hubungan fungsional antara input dan output dari kontroler
cerdas dapat ditetapkan secara tidak langsung melalui suatu algoritma
relasional, relasional matriks atau basis pengetahuan, atau langsung
dari training set tertentu.
Kategori pertama milik
domain Sistem Fuzzy sementara Jaringan Syaraf Tiruan milik kedua. di
mana masukan yang sama untuk menanam menghasilkan output serupa sehingga
kepekaan terhadap gangguan dalam input tanaman diminimalkan, adalah fitur
yang melekat seperti sistem. menyiratkan bahwa controller mampu beroperasi benar
pada informasi di luar training set.
Kontroler cerdas, apa
pun bentuk yang mereka dapat mengambil, berbagi sifat berikut:
menggunakan proses yang sama menyatakan, menggunakan prosesor asosiatif
paralel terdistribusi, dan mampu kodifikasi dan pengolahan data
samar-samar. Media utama kontrol cerdas Intelijen Komputasi, cabang
Komputasi Lunak yang mencakup Sistem Pakar, Logika Fuzzy, Jaringan Syaraf
Tiruan dan turunannya. Evolusioner Perhitungan (Algoritma Genetika
dan Simulated Annealing) adalah sangat baru selain bidang ini berkembang
pesat.
1.
PID ( Propotional-Integral-Derivative controller)
Sistem Kontrol PID (
Proportional–Integral–Derivative controller ) merupakan kontroler untuk
menentukan presisi suatu sistem instrumentasi dengan karakteristik adanya umpan
balik pada sistem tesebut ( Feed back ).
Sistem kontrol PID terdiri dari tiga buah cara pengaturan yaitu kontrol P (Proportional), D (Derivative) dan I (Integral), dengan
masing-masing memiliki kelebihan dan kekurangan. Dalam implementasinya
masing-masing cara dapat bekerja sendiri maupun gabungan diantaranya. Dalam
perancangan sistem kontrol PID yang perlu dilakukan adalah mengatur parameter
P, I atau D agar tanggapan sinyal keluaran system terhadap masukan tertentu
sebagaimana yang diinginkan
.
1. Kontrol Proporsional
Pengaruh pada sistem :
1.
Menambah atau mengurangi kestabilan.
2.
Dapat memperbaiki respon transien
khususnya : rise time, settling time
3.
Mengurangi (bukan menghilangkan) Error
steady state
Nb: untuk menghilangkan Ess, dibutuhkan KP besar, yang akan membuat
sistem lebih tidak stabil
Kontroler Proporsional memberi pengaruh langsung (sebanding) pada
error.Semakin besar error, semakin besar sinyal kendali yang dihasilkan
kontroler. Untuk lebih jelasnya maka lihat gambar berikut.
Penggunaan kontrol P memiliki berbagai keterbatasan karena sifat kontrol yang
tidak dinamik ini. Walaupun demikian dalam aplikasi-aplikasi dasar yang
sederhana kontrol P ini cukup mampu untuk memperbaiki respon transien khususnya
rise time dan settling time.
2. Kontrol Integral
Pengaruh pada sistem :
1.
Menghilangkan Error Steady State
2.
Respon lebih lambat (dibandingkan dengan
P)
3.
Dapat Menambah Ketidakstabilan (karena
menambah orde pada sistem)
Perubahan sinyal kontrol sebanding dengan perubahan error. Semakin besar
error, semakin cepat sinyal kontrol bertambah/berubah. Lebih jelasnya maka
lihat gambar berikut.
Kontrol I dapat memperbaiki sekaligus menghilangkan respon steady-state,
namun pemilihan Ki yang tidak tepat dapat menyebabkan respon transien yang
tinggi sehingga dapat menyebabkan ketidakstabilan sistem. Pemilihan Ki yang
sangat tinggi justru dapat menyebabkan output berosilasi karena menambah orde
sistem
3. Kontrol Derivatif
Pengaruh pada sistem :
1.
Memberikan efek redaman pada sistem
yang berosilasi sehingga bisa memperbesar pemberian nilai Kp
2.
Memperbaiki respon transien, karena
memberikan aksi saat ada perubahan error
3.
D hanya berubah saat ada perubahan
error, sehingga saat ada error statis D tidak beraksi.Sehingga D tidak boleh
digunakan sendiri
Besarnya sinyal kontrol sebanding dengan perubahan error (e)Semakin cepat
error berubah, semakin besar aksi kontrol yang ditimbulkan. Lebih jelasnya maka
lihat gambar berikut.
Sinyal kontrol u yang dihasilkan oleh kontrol D dapat dinyatakan sebagai G(s) = s.Kd Dari persamaan di atas, nampak
bahwa sifat dari kontrol D ini
dalam konteks "kecepatan"
atau rate dari error. Dengan sifat ini ia dapat digunakan untuk
memperbaiki respon transien dengan memprediksi error yang akan terjadi. Kontrol
Derivative hanya berubah saat ada perubahan error sehingga saat error statis
kontrol ini tidak akan bereaksi, hal ini pula yang menyebabkan kontroler
Derivative tidak dapat dipakai sendiri
Untuk mendapatkan aksi kontrol yang baik diperlukan langkah coba-coba dengan
kombinasi antara P, I dan D sampai ditemukan nilai Kp, Ki dan Kd seperti yang
diiginkan.
(1) Memahami cara kerja system,
(2) Mencari model sistem dinamik dalam persamaan
differensial,
(3) Mendapatkan fungsi alih sistem dengan
Transformasi Laplace,
(4) Memberikan aksi pengontrolan dengan menentukan
konstanta Kp, Ki dan Kd,
(5) Menggabungkan fungsi alih yang sudah didapatkan
dengan jenis aksi pengontrolan,
(6) Menguji sistem dengan sinyal masukan fungsi
langkah, fungsi undak dan impuls ke dalam fungsi alih yang baru,
(7) Melakukan Transformasi Laplace balik untuk
mendapatkan fungsi dalam kawasan waktu,
(8) Menggambar tanggapan sistem dalam kawasan waktu
Penjelasan atau contohnya Kendali P.I.D sebagai berikut :
Contohnya saja pada lift, fungsi
kendali yaitu bagaimana membuat kecepatan lift ketika dinaiki oleh jumlah orang
yang berbeda (secara logika ketika hanya 1 orang kecepatan tinggi dan ketika
byak kecepatan menurun) nah disini fungsi kendali walu jumlah barapapun
kecepatan tetap sama,
Misalnya kita logika dengan kecepatan kereta (analogikan
kecepatan konstan 80KM/jam)
Maka :
Kendali P, fungsinya mempercepat
start dari kecepatan 0-80 KM/H,
Kendali I, fungsinya menjaga
kecepatan ketika mencapai 80 KM/H agar tidak terjadi kenaikan atau penurunan
Kendali D, fungsinya memnjaga
kecepatan 80km/h selama kereta berjalan
2.
Kontrol
Cerdas/Fuzzy Logic
Fuzzy logic adalah salah satu sistem kecerdasan buatan tipe reasoning. Di
antara sistem kontrol cerdas yang berkembang pesat, sistem kontrol fuzzy termasuk
dalam sistem kontrol cerdas yang semakin populer. Metode pengendalian dengan
logika fuzzy mempunyai kelebihan dibandingkan dengan
jenis pengendalian lainnya, diantaranya adalah tidak diperlukannya model
matematik yang eksplisit dari sistem yang dikendali dan algoritma
pengendaliannya sangat sederhana (Rohmanuddin ,1997). Fuzzy logic pertama
kali dikenalkan oleh Lotfi Zadeh, seorang profesor di University of California di
Berkeley.
Fuzzy logic sudah banyak diaplikasikan dibidang teknik diantaranya pada
mesin cuci, kamera yang bisa memfokuskan secara otomatis, kontrol sistem
transmisi pada mobil dengan model terbaru, sistem pendaratan
otomatis untuk kapal
terbang, kontrol helikopter otomatis, sistem AC otomatis, kontrol motor
sinkron, dll.
Salah satu kelebihan fuzzy logic adalah memiliki kemampuan untuk
mengakomodasi informasi linguistik dan numerik dari suatu sistem. Kemampuan ini
dapat digunakan untuk mengatasi masalah nonlinieritas yang sulit diatasi oleh
pengontrol linier biasa, yaitu dengan mendeskripsikannya dalam sejumlah aturan
linguistik atau pengetahuan tentang struktur masukan-keluaran (Astrid , 2005).
Sehingga fuzzy logic sangat sesuai untuk pengontrolan pengering
gabah radisi inframerah yang bisa digunakan untuk mengatur suhu dan kelembaban
di mesin pengering gabah.
Logika Fuzzy adalah sebuah nilai kekaburan. Cara untuk memetakan suatu ruang
input kedalam suatu ruang output. Sebagai contoh :
1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak
persediaan barang pada akhir minggu ini, kemudian manajer produksi menetapkan
jumlah barang yang harus di produksi esok hari.
Metode penjelasan :
- Coba perhatikan ilustrasi gambar di bawah ini :
Penjelasan :
1. Ruang input : semua total persediaan barang yang mungkin (persediaan
barang akhir minggu)
2. Black Box : Kotak Hitam (Inti / Processor)
3. Ruang output : semua jumlah produksi barang yang mungkin.
./ Pemetaan input-output pada masalah produksi.
"Diberikan data persediaan barang, berapa jumlah barang yang harus
di produksi."
Alasan digunakan nya Logika Fuzzy.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
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.
Aplikasi Logika Fuzzy
Beberapa aplikasi logika fuzzy, antara lain:
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. Input yang digunakan adalah: seberapa
kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor
optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut
sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup.
Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy
pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area
tertentu.
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada
logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan
pada logika fuzzy, dll.
5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang
didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika
fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy,
pembuatan games yang didasarkan pada logika fuzzy, dll.
6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.
7. Klasifikasi dan pencocokan pola.
8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat,
pencegahan dan investigasi kriminal, dll.
9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.
10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi,
dll.
12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan
monitoring produksi.
Jaringan Saraf Tiruan (JST) adalah sebuah jaringan berkonsep
seperti jaringan manusia. Implementasinya dalam robotika adalah, kita lebih
mengarah kepada pembuatan robot, dimana robot pun mempunyai jaringan saraf
untuk mengendalikan sistem motorik agar dapat bergerak.
Jaringan syaraf tiruan pertama kali dibuat oleh neurophysiologist Waren
McCulloch dan logician Walter Pits pada tahun 1943, namun
teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih
jauh.
Jaringan Syaraf Tiruan adalah suatu system pengolahan
informasi yang prinsip kerjanya menirukan prinsip kerja jaringan syaraf
manusia. MenurutZurada (1992) sistem saraf tiruan atau
jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh,
menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.
JST (seterusnya saya
singkat JST) sendiri adalah paradigma pemrosesan suatu informasi yang
terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses
suatu informasi. Jadi zaman dahulu kala sebelum terbentuk nya robot seperti
sekarang, manusia zaman dahulu sudah mengkonsep robot seperti halnya manusia.
(sebelum berkembangnya komputer konvensional seperti sekarang)
Jaringan Saraf Tiruan
merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang
dimodelkan berdasarkan jaringan saraf .
Perbandingan Jaringan Syaraf Tiruan dengan Konvensional
Komputer konvensional lah yang akan mengontrol JST, umumnya komputer
konvensional menggunakan pendekatan algoritma (komputer konvensional
menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah
tidak diketahui oleh komputer konvensional maka komputer konvensional tidak
dapat memecahkan masalah yang ada.
Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau pekerjaan yang
kurang praktis jika dikerjakan secara manual.
Berikut
adalah Perbedaan Jaringan Syaraf Tiruan dengan Jaringan Syaraf Biologi secara
garis besar yaitu berdasarkan ketajaman, ukuran dan pengorganisasiannya
Jaringan Syaraf Tiruan
|
Jaringan Syaraf Biologi
|
Memformulasikan model matematis sel-sel otak
|
Kinerja sel sel otak manusia dari berfikir sampai
gerakan
|
Input
--> Pemrosesan informasi terjadi pada elemen sederhana (neuron)
Sinyal
dikirimkan diantara neuron neuron melalui penghubung (dendrit dan akson)
output --> fungsi aktivasi digunakan untuk
menentukan output. Besar output akan dibandingkan dengan threshold
|
Input
--> Dendrit merupakan suatu perluasan dari soma dan
bertindak sebagai saluran masukan.
Saluran
masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis.
Output --> Soma memproses nilai masukan menjadi
sebuah output melalui akson dan sinapsis.
|
Memodelkan hubungan yang kompleks antara input dan
output untuk menemukan pola-pola pada data
|
Sel saraf biologi mempunyai
struktur yang lebih kompleks dan lebih canggih
|
Kegunaan
Dalam Kehidupan Nyata :
1. Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan
modeling.
2. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil
keputusan dalam pengurutan.
3. Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
4. Robotika
Aplikasi untuk jaringan syaraf tiruan cukup
diantaranya adalah penenalan suara, pengenalan pola, system control, diagnosa
suatu penyakit dalam bidang kedokteran, segmentasi dan pengolahan citra.
Inspirasi Biologi
Otak terdiri dari sekitar 10 miliar 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). Hal tersebut menjadi inspirasi untuk
jaringan syaraf tiruan, yaitu dalam menirukan fault-tolerence dan
kemampuan untuk belajar dari sistem syaraf biologi dengan model strukturlow-level dari
otak.
Model Dasar Jaringan Syaraf Tiruan
Mengadopsi esensi dasar dari system syaraf biologi,
syaraf tiruan digambarkan sebagai berikut : Menerima input, baik dari data yang
dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input
datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight).
Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot input dikurangi
dengan nilai ambang kemudian didapatkan suatu aktivasi dari sel syaraf (post
synaptic potential, PSP, dari sel syaraf). Sinyal aktivasi kemudian menjadi
fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf.
Aristektur Jaringan Syaraf Tiruan
Berdasarkan dari arsitektur (pola koneksi), jaringan
syaraf tiruan dibagi kedalam dua kelompok, yaitu :
1. Struktur feedforward
Jaringan ini memiliki struktur perilaku yang stabil dimana
sinyal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya
mencapai unit output. Tipe jaringan feedforward mempunyai sel
syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel
syaraf, berfungsi untuk mengenalkan suatu nilai dari suatu variabel. Lapisan
tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan
lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan
beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).
2. Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi
kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan
menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat
menarik untuk diteliti dalam jaringan syaraf tiruan, namun sejauh ini
struktur feedforwardsangat berguna untuk memecahkan masalah.
Proses sel syaraf saling berhubungan.
Jika suatu jaringan digunakan untuk berbagai keperluan
maka harus memiliki input (membawa nilai dari suatu variabel dari luar) dan
output (dari prediksi atau sinyal kontrol). Input dan output sesuai dengan
sensor dan syaraf motorik seperti sinyal datang dari mata kemudian diteruskan
ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan
tersembunyi berperan pada jaringan ini. Input, lapisan tersembunyi dan output
sel syaraf diperlukan untuk saling terhubung satu sama lain.
Kemampuan jaringan untuk saling berhubungan antar
input dan output dilakukan dengan proses pembelajaran. Terdapat dua jenis
pembelajaran jaringan syaraf tiruan, yaitu :
1.
Pembelajaran yang
terawasi (supervising) , metode
ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya
pembelajaran dilakukan dengan menggunakan data yang telah ada.
Jaringan
yang terdiri dari beberapa unit masukan (ditambah sebuah bias), dan memiliki
sebuah unit keluaran. Fungsi aktivasi merupakan fungsi biner (atau bipolar) dan
memiliki kemungkinan nilai -1, 0 atau 1.
b. Algoritma
Backpropagasi
Propagasi
umpan balik berbasis jaringan syaraf tiruan menggunakan error output untuk
mengubah nilai bobot – bobotnya dalam arah mundur (backward ). Untuk
mendapatkan error ini, tahap perambatan maju ( forward propagation ) harus
dikerjakan terlebih dahulu.
2. Pembelajaran yang
tidak terawasi (unsupervising) , tidak memerlukan target output. Pada metode ini tidak dapat
ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. Selama
proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung
pada nilai input yang diberikan.
Sebuah
topology preserving map dari ruang berdimensi tinggi ke dalam neuron - neuron
sebagai representasi dari datapoint-datapoint yang ada.
Referensi :
Arif, Fadhlin Amalia.2013.Sistem
Cerdas (online). Dapat dilihat pada web :
Putra, Ahmad Febrian.2013.Kontrol
Cerdas (online). Dapat dilihat pada web :
Wikipedia.Kecerdasan Buatan
(online). Dapat dilihat pada web :
Wikipedia.Jaringan Saraf Tiruan
(online). Dapat dilihat pada web: