Neuro-Fuzzy

Sistem Neuro-Fuzzy

Walaupun sistem pakar telah berhasil diterapkan pada banyak masalah namun ada beberapa kendala yang menghambat pengembangannya, antara lain:

• Rekayasa pengetahuan (knowledge engineering) dalam membangun basis pengetahuan ternyata memerlukan waktu yang lama dan tenaga yang banyak sehingga berjalan lambat.
• Pemrograman memerlukan bahasa khusus (misalnya Prolog) sehingga ada kesulitan dalam menyusun program dan memelihara-nya.
• Sistem pakar tidak dapat belajar secara induktif dari perubahan yang terjadi pada lingkungan pengambilan keputusan, perubahan hanya bisa dilakukan melalui perubahan basis-pengetahuan.

Salah satu solusi untuk mengatasi kesulitan sistem pakar adalah melalui sistem neuro-fuzzy. Sistem neuro-fuzzy adalah penggabungan dua sistem, yaitu artificial neural network (ANN) atau “jaringan syaraf tiruan” dan fuzzy logic atau “logika samar”.

Jaringan syaraf tiruan adalah suatu struktur yang meniru keberadaan sel-sel syaraf (neuron) sebagaimana dalam otak manusia. Salah satu model jaringan syaraf adalah perceptron yang pada prinsipnya disusun dalam tiga lapis sel-sel neuron, yaitu lapisan input (input layer), lapisan proses yang biasa disebut sebagai lapisan tersembunyi (hidden layer), dan lapisan output (output layer). Pada setiap lapisan bisa terdiri dari satu atau beberapa sel neuron. Berikut ini adalah contoh struktur perceptron.

Jaringan Syaraf Tiruan

Setiap lingkaran dalam gambar mewakili sebuah sel-otak atau neuron, ada tiga hal yang terkait dengan sebuah neuron, yaitu: besarnya gejala masukan (input), fungsi transfer neuron (transfer function), dan connection-weight (berat koneksi antar neuron) yang disingkat dengan huruf W, output dari neuron bergantung pada input, transfer function, dan juga weight. Salah satu kelebihan dari jaringan syaraf ini adalah kemampuannya untuk belajar melalui suatu algoritma pembelajaran (learning algorithm). Pada saat pembelajaran ini, serangkaian pasangan data input-output digunakan untuk membentuk jaringan, atau menetapkan nilai semua connection-weight antar neuron. Setelah melalui proses pembelajaran maka jaringan syaraf tiruan ini dapat digunakan untuk melakukan prediksi, atau memberi alternatif output. Jaringan syaraf tiruan banyak digunakan untuk pengenalan pola (pattern recognition), misalnya pola fluktuasi harga saham, pengenalan sidik jari, dsb.

Logika samar (fuzzy logic) adalah pemakaian fungsi keanggotan untuk menentukan seberapa besar suatu predikat memenuhi suatu fungsi, misalnya predikat muda atau tua bagaimana mendefinisikan-nya, bila dikatakan umur 50 tahun adalah batas umur antara tua dan muda, maka apakah seseorang berumur 49 tahun 10 bulan masih muda? Oleh sebab itu predikat muda atau tua sebenarnya adalah fungsi samar, yang bisa dibagi dalam empat fungsi keanggotaan, yaitu fungsi anak, remaja, muda, dan tua. Bentuk fungsi keanggotaan ini dapat digambarkan sebagai berikut:

Fungsi Keanggotaan Logika Samar

Seorang anak berumur 5 tahun memiliki keanggotaan (1, 0, 0, 0), 100% dalam fungsi anak. Seorang anak berumur 10 tahun memiliki keanggotaan (0.7, 0.3, 0, 0), 70% dalam fungsi anak, 30% dalam fungsi remaja. Seorang yang berumur 45 tahun memiliki nilai keanggotaan (0, 0, 0.6, 0.4), 60% pada fungsi muda dan 40% dalam fungsi tua.

Penggunaan predikat dalam percakapan sehari-hari banyak melibatkan logika samar, misalnya kecepatan mobil, mana batas lambat dan cepat; temperatur mesin, mana batas antara panas dan dingin; tinggi badan, mana batas tinggi dan pendek, dan sebagainya. Agar pengambilan keputusan dapat menjadi lebih baik maka logika samar sebaiknya diterapkan pada berbagai hal yang menyangkut predikat.

Fungsi keanggotan dari himpunan fuzzy bergantung pada model yang digunakan, apakah model linear, segitiga, trapesium, kurva-S, atau kurva Gauss. Misalnya pada model linear digunakan dua macam, linear naik dan linier turun.

Fungsi Keanggotaan Linier Naik

Fungsi Keanggotaan Linier Turun

Tentu saja bentuk fungsi keanggotaan akan berbeda bila digunakan model yang berbeda.

Gabungan antara sistem fuzzy dengan jaringan syaraf tiruan, biasanya dalam dua format, yaitu:

• Fuzzy Neural Network (FNN) atau Fuzzy-Neuron
• Neural Fuzzy System (NFS) atau Neuro-Fuzzy

Sistem Fuzzy-Neuron

Sistem Fuzzy-Neuron adalah sistem yang menggabungkan logika fuzzy dengan jaringan syaraf tiruan, dimana nilai masukan dari jaringan syaraf diolah lebih dahulu melalui modul fuzzifier yang membuat nilai angka biasa menjadi nilai samar. Operasi dalam jaringan syaraf semua dalam nilai samar, kemudian keluarannya dikembalikan ke nilai biasa melalui modul defuzzifier.

Sistem Fuzzy-Neuron banyak digunakan dalam sistem kontrol berbagai instrumen dan juga dalam pengambilan keputusan. Beberapa contoh sistem kontrol berbasis Fuzzy-Neuron telah digunakan secara nyata antara lain:

• Sistem kontrol dari kereta bawah tanah (subway) di Sendai, Jepang, menggunakan Fuzzy-Neuron, hasilnya jauh lebih bagus dari pengontrolan manusia ataupun sistem kontrol elektronik.
• Perusahaan mobil Nissan menggunakan sistem kontrol Fuzzy-Neuron pada sistem pengereman (braking system) dan pengapian (fuel injector). Demikian pula pada perusahaan mobil GM.
• Berbagai peralatan seperti kamera, camcorder, mesin cuci, vacum cleaner, kulkas, dan sebagainya kini menggunakan sistem kontrol neuro-fuzzy.

Neural Fuzzy System melakukan akuisisi pengetahuan melalui pembelajaran neural network, kemudian hasilnya direpresentasikan dalam logika fuzzy. Pada sistem ini jaringan syaraf digunakan untuk merealisasikan fungsi keanggotaan fuzzy dan operator-operator fuzzy seperti AND, OR, dan NOT.

Gabungan sistem fuzzy dan neural network pada hakekatnya mampu meng-implementasi-kan kepakaran manusia, sehingga dapat digunakan dalam proses pengambilan keputusan dalam organisasi.