BAB 12 SISTEM CERDAS LANJUTAN

Teknik Machine Learning Machine learning (pembelajaran mesin) merupakan sebuah usaha untuk memunculkan secara implisit pengetahuan pakar dari pengetahuan historis. Machine learning merupakan famili dari metode- metode yang berusaha memungkinkan mesin memperoleh pengetahuan pemecahan masalah dengan menggunakan kasus-kasus histori. Pembelajaran adalah proses perbaikan diri sendiri dan karenanya merupakan fitur penting dari perilaku cerdas.

Teknik machine learning Metode machine learning pembelajaran mesin memiliki dua kategori yaitu : pembelajaran diawasi adalah proses pembuatan pengetahuan dari sekumpulan orbservasi yang keluarannya diketahui. pembelajaran tidak diawasi adalah digunakan untuk mengungkapkan pengetahuan dari sekumpulan data keluarannya tidak diketahui.

Metode pembelajaran mesin pada setiap kategori Diawasi pembelajaran berbasis penjelasan regresi statistik pembelajaran induktif pertimbangan berbasis kasus jaringan saraf Algoritma genetika Tidak diawasi Jaringan saraf clustering

Contoh metode dan algoritma machine learning Pembelajaran induktif. Metode digunakan dalam akuisisi pengetahuan, juga pada induksi aturan. Pertimbangan berbasis-kasus dan pertimbangan analogi. Digunkan pada akuisisi pengetahuan dan inferensi Komputasi saraf. Akuisisi pengetahuan sehingga dapat digunkan untuk mendukung keputusan Algoritma genetika. Berusaha untuk mengikuti proses evolusioner sistem biologis, dimana yang paling bisa menyesuaikan diri dan yang dapat belajar dengan sangat baik akan bertahan

Contoh metode dan algoritma machine learning Analisis cluster. Untuk menempatkan data ke dalam beberapa kelompok berdasarkan kesamaannya. Kelompok tersebut dapat digunakan untuk pemasaran atau tujuan lain Metode statistik. Pembelajaran berbasis-penjelasan. Mengobinasikan teori yang ada dengan kasus baru, menggunakan kasus baru untuk memodifikasi teori yang ada, dan menggunakan teori untuk menjelaskan mengapa.

Pertimbangan berbasis-kasus Kasus adalah rekaman berbasis pengalaman. Kasus dapat digunakan sebagai referensi langsung untuk mendukung keputusan serupa dimasa mendatang atau untuk memunculkan pola aturan atau keputusan. Penggunaan kasus sebagai referensi langsung disebut pertimbangan berbasis-kasus (CBR) Penggunaan kasus untuk memunculkan pola aturan, yang memungkinkan komputer untuk memerikasa kasus historis dan membuat aturan yang dapat dirangkai (secara forward chaining atau backward chaining) untuk memecahkan masalah disebut pembelajaran induktif.

Pertimbangan berbasis-kasus Kolodner (1998) mengklasifikasikan kasus kedalam tiga kategori : ossfied case yaitu kasus-kasus yang kemudian membentuk pola konvensional atau sangat sering muncul dan sangat standard. paradigmatic case yaitu memuat fitur unik yang tidak dapat digeneralisasi,kasus ini perlu disimpan dan diindeks pada basis kasus untuk referensi mendatang. story yaitu kasus khusus yang mengandung isi yang kaya dan fitur khusus dari implikasi mendalam.

Pertimbangan berbasis-kasus Contoh. Pelamar adalah seorang pria berusia 40 tahun yang telah menikah,denga penghasilan=$50000, bekerja=pemanufakturan kelas menengah. kasusnya : jJohn=(usia=40,menikah=ya,gaji=50000,perusahaan=kelas menengah,industri=bank) Ted=(usia=40,menikah=ya,gaji=45000,perusahaan=kelas menengah,industri=manufaktur) Larry=(usia=40,menikah=ya,gaji=50,perusahaan=kecil,industri=ritel) Jawaban : jika john dan ted performa pinjamannya baik,sedangkan larry tidak mampu membayar kembali karena kebangkrutan perusahaan, kemudian sistem dapat merekomendasikan bahwa pinjaman disetujui karena john dan ted, yang mirip dengan pelamar baru tersebut (empat dari lima atribut sama),mampu membayay kembali tampa masalah.larry dianggap tidak mirip dengan pelamar baru tersebut (hanya tiga dari lima atribut adalah sama) dan karenannya kurang berguna sebagi referensi.

Pertimbangan berbasis-kasus Proses pertimbangan berbasis-kasus yaitu : menetapkan indeks mendapatkan kembali Memodifikasi Menguji menetapkan dan menyimpan menjelaskan, memperbaiki, dan menguji pengindeksan aturan memori kasus metrik similaritas modifikasi aturan perbaikan aturan

Penggunaan,persoalan, dan aplikasi Pertimbangan berbasis-kasus dapat digunakan secara mandiri atau dapat dikombinasikan dengan paradigma pertimbangan lain.cthnya CBR dengan pertimbangan berbasis aturan. Contoh dan kategori aplikasi CBR CBR dalam commerce-pencarian katalog produk cerdas, dukungan pelanggan dll.

Faktor sukses untuk sistem pertimbangan berbasis-kasus Menentukan sasaran bisnis spesifik. Memahami pengguna akhir dan pelanggan anda Mendesain sistem yang tepat Merencanakan proses manajemen pengetahuan yang berkelanjutan. Menentukan returns on investment (ROI) yang dicapai dan metrik yang dapat diukur Merencanakan dan menjalankan strategi akses- pelanggan Memperluas pembuatan dan akses pengetahuan diseluruh perusahan

Konsep dasar komputasi saraf Komputasi saraf adalah suatu metodologi pemecahan masalah yang mencoba menirukan bagaimana otak kita berfungsi. Cth.machine learning Jaringan saraf tiruan (ANN) atau jaringan saraf (NN) merupakan model yang dihasilkan dari komputasi saraf. Ilmu jaringan saraf dimulai dengan neuron tunggal atau disebut perceptron. Otak manusia terdiri dari sel-sel khusus yang disebut neuron.

Elemen-elemen jaringan saraf tiruan Cara untuk mengorganisasi neuron disebut topologi. Pendekatan feedforward-backpropagation yaitu memungkinkan semua neuron menghubungkan outpus pada satu layer ke input layer berikutnya,tetapi tidak memperbolehkan hubungan umpan balik apa pun (haykin,1999,h.21). Elemen pengolahan (PE) dari ANN adalah neuron tiruan. Setiap neuron menerima input,mengolahnya, dan mengirimkan aouput tunggal.

Elemen-elemen jaringan saraf tiruan Setiap ANN terdiri dari kumpulan neuron yang dikelompokkan dalam beberapa lapisan yaitu struktur input, intermediasi (hidden layer) dan output. Input dapat berupa data (teks, gambar dan suara) dan berhubungan dengan atribut tunggal misalnya masalah untuk memutuskan persetujuan atau penolakan pinjaman, atributnya dapat berupa tingkat pendapatan, usia, dan kepemilikan rumah

Elemen-elemen jaringan saraf tiruan Output merupakan jaringan memuat solusi terhadap suatu masalah Bobot koneksi adalah elemen kunci dalam suatu ANN. Bobot mengekspresikan kekuatan relatif (nilai matematis) dari data input atau banyak hubungan yang mentransfer data dari layer ke layer. Fungsi penjumlahan (summation fuction) menghitung jumlah terbobot semua elemen input yang memasuki tiap elemen pengolahan. Fungsi transformasi, fungsi penjumlahan menghitung stimulasi internal atau tingkat aktivasi neuron.

Pembelajaran pada jaringan saraf tiruan Pertimbangan penting dalam jaringan saraf tiruan adalah penggunaan algoritma pembelajaran (algoritma pelatihan) yang tepat. Algoritma pembelajaran dalam ANN dapat diklasifikasikan : pembelajaran diawasi, menggunakan sekelompok input dengan output terkait (diinginkan) telah diketahui. Misalnya, kumpulan historis pengajuan pinjaman terhadap kesuksesan atau kegagalan seseorang membayar pinjaman. pembelajaran tidak diawasi, hanya stimuli input yang ditunjukkan pada jaringan. Jaringan ini self-organizing artinya jaringan mengatur dirinya sendiri secara internal sehinngga setiap elemen pengolahan tersembunyi menanggapi secara strategis sekelompok stimuli input yang berbeda.

Proses pembelajaran umum Pada pembelajaran tidak diawasi, proses pembelajaran adalah induktif; jadi bobot koneksi diperoleh dari kasus yang telah ada. Proses pembelajaran umum melibatkan tiga tugas : menghitung output sementara membandingkan autput dengan target yang diinginkan memperbaiki bobot dan mengulang proses.

Dasar-dasar algoritma genetika Algoritma genetika adalah kumpulan prosedur komputasional yang secara konseptual mengikuti langkah-langkah yang diinspirasi oleh proses evolusi biologis. Algoritma genetika dikenal juga sebagai algoritma evolusioner). Algoritma genetika mendemostrasikan pengaturan sendiri dan adaptasi dalam cara yang kurang lebih sama seperti organisme biologis bertahan hidup dan bereproduksi. Cth.

Dasar-dasar algoritma genetika Untain gen disebut kromosom. Fungsi kecocokan adalah ukuran dari sasaran yang akan dihasilkan (maksimun atau minimun). Calon solusi bergabung untuk menghasilkan anak disebut generasi. Anak dihasilkan oleh operator genetik spesifik yaitu reproduksi, penyilangan dan mutasi.

membangun aplikasi algoritma genetika Algoritma genetika menyediakan heuristik pencarian yang efisien dan domain-independen untuk spektrum aplikasi yang luas,meliputi : kendali proses dinamik; induksi optimalisasi aturan; penemuan topologi konektivitas baru; mensimulasi model tingkah laku dan evolusi biologis; desain kompleks struktur teknik; pengenalan pola; penjabwalan; transportasi dan routing; desain layout dan sirkuit; telekomunikasi; dan masalah berbasis grafik. Algoritma genetika menginterpretasikan informasi sehingga ia dapat menolah solusi inferior dan mengakumulasi solusi yang bagus. Algoritma genetika juga sesuai untuk pengolahan paralel.

Dasar-dasar fuzzy logic Fuzzy logic berhubungan dengan jenis ketidakpastian yang telah menjadi sifat alamiah manusia, menggunakan teori matematis himpunan fuzzy yaitu mensimulasikan proses pertimbangan normal manusia dengan jalan memungkinkan komputer untuk berperilaku sedikit lebih saksama dan logis daripada yang dibutuhkan metode komputer konvesional. Fuzzy logic dapat bermamfaat karena merupakan sebuah cara yang efektif dan akurat untuk mendeskripsikan persepsi manusia terhadap persoalan pengambilan keputusan.

Aplikasi fuzzy logic Pemilihan saham untuk dibeli Perolehan data Penyetelan sistem pengereman antilock pada mobil Pemfokusan otomatis pada kamera Pengendalian pergerakan kereta api Pemeriksaan kaleng minuman atas kerusakan cetakan. Pengambilan keputusan

Sekian Dan Terima Kasih