Sistem Kontrol Cerdas

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. 

 

3.     Jaringan Saraf Tiruan (JST)

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.

 a. Perceptron

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.

 a. Kohonen

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 :

http://fadhlinamalia-fst10.web.unair.ac.id/artikel_detail-74405-Kuliah%20Siscer-     Sistem%20Cerdas.html diakses tanggal 24 Maret 2013, 12.00

Putra, Ahmad Febrian.2013.Kontrol Cerdas (online). Dapat dilihat pada web :

http://blog.elearning.unesa.ac.id/ahmad-febriant-prima-putra/kontrol-cerdas-pendahuluan diakses tanggal 23 Maret 2013, 11.00

Wikipedia.Kecerdasan Buatan (online). Dapat dilihat pada web :

http://id.wikipedia.org/wiki/Kecerdasan_buatan diakses tanggal 24 Maret 2013, 10.00

Wikipedia.Jaringan Saraf Tiruan (online). Dapat dilihat pada web:

http://id.wikipedia.org/wiki/Jaringan_Syaraf_Tiruan_(Artificial_Neural_Networks)  diakses tanggal 24 Maret 2013, 13.00

Nb : Makalah ini ternyata disuruh ulang dikarenakan ternyata hanya dipilih satu sistem kontrol cerdas saja bukan ketiganya dan disuruh ulang juga karena kurang rumus perhitungan sama programnya juga ... nanti kalau sempet saya share ya kalo filenya ketemu ... Terima Kasih :)