Bab 12 sistem cerdas lanjutan




Machine learning (pembelajaran mesin)
merupakan sebuah usaha untuk memunculkan
secara implisit pengetahuan pakar dari
pengetahuan historis.
Machine learning merupakan famili dari metodemetode 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.
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.

Diawasi

pembelajaran berbasis penjelasan

regresi statistik

pembelajaran induktif

pertimbangan berbasis kasus

jaringan saraf

Algoritma genetika
 Tidak diawasi
 Jaringan saraf
 Algoritma genetika
 clustering





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



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.




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.
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.







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.
Proses pertimbangan berbasis-kasus yaitu :
1) menetapkan indeks
2) mendapatkan kembali
3) Memodifikasi
4) Menguji
5) menetapkan dan menyimpan
6) menjelaskan, memperbaiki, dan menguji
7) pengindeksan aturan
8) memori kasus
9) metrik similaritas
10) modifikasi aturan
11) perbaikan aturan



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.







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 aksespelanggan
Memperluas pembuatan dan akses pengetahuan
diseluruh perusahan




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.




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.


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




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.




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.
Pada pembelajaran tidak diawasi, proses
pembelajaran adalah induktif; jadi bobot
koneksi diperoleh dari kasus yang telah ada.
 Proses pembelajaran umum melibatkan tiga
tugas :
1) menghitung output sementara
2) membandingkan autput dengan target yang
diinginkan
3) memperbaiki bobot dan mengulang proses.





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.




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.



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.


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.







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