31
Pertimbangan Pengembangan Sistem Pakar di Indonesia The Houw Liong, FMIPA, ITB. Abstrak Pertimbangan pengembangan sistem pakar yang meliputi kemungkinan pengembangan, pembenaran pengembangan, dan apakah sistem pakar dapat dipandang memadai di kemukakan di sini. Selanjutnya dikemukakan pula tahap pengembangan sistem pakar. Kemudian berdasarkan taraf perkembangan dan keadaan Iptek di Indonesi diajukan berbagai bidang yang dapat memenuhi kriteria pengembangan tsb. Pengembangan sistem pakar di Indonesia cukup relevan karena kita menghadapi peralatan Iptek yang cukup rumit baik dalam operasi, pemeliharaan, maupun interpretasi data, selain itu kita menghadapi kekurangan pakar dalam berbagai bidang. I. Pendahuluan Sekitar tahun 1960, ilmuwan berhasil membuat simulasi dari proses berpikir untuk memecahkan masalah secara umum yang dikenal sebagai GPS (General Problem Solving). Namun penemuan ini belum menghasilkan sistem yang terasa manfaatnya. Baru sekitar tahun 1970 orang menyadari bahwa kekuatan pemecahan masalah tidak hanya bergantung dari 1

Sistem Pakar

Embed Size (px)

DESCRIPTION

Pengembangan dan Pemakaian Sistem Pakar di IndonesiaThe Houw Liong

Citation preview

Page 1: Sistem Pakar

Pertimbangan Pengembangan Sistem Pakar di Indonesia

The Houw Liong, FMIPA, ITB.

Abstrak

Pertimbangan pengembangan sistem pakar yang meliputi kemungkinan

pengembangan, pembenaran pengembangan, dan apakah sistem pakar dapat

dipandang memadai di kemukakan di sini. Selanjutnya dikemukakan pula tahap

pengembangan sistem pakar. Kemudian berdasarkan taraf perkembangan dan

keadaan Iptek di Indonesi diajukan berbagai bidang yang dapat memenuhi kriteria

pengembangan tsb. Pengembangan sistem pakar di Indonesia cukup relevan karena

kita menghadapi peralatan Iptek yang cukup rumit baik dalam operasi, pemeliharaan,

maupun interpretasi data, selain itu kita menghadapi kekurangan pakar dalam

berbagai bidang.

I. Pendahuluan

Sekitar tahun 1960, ilmuwan berhasil membuat simulasi dari proses berpikir

untuk memecahkan masalah secara umum yang dikenal sebagai GPS (General

Problem Solving). Namun penemuan ini belum menghasilkan sistem yang terasa

manfaatnya.

Baru sekitar tahun 1970 orang menyadari bahwa kekuatan pemecahan

masalah tidak hanya bergantung dari kemampuan inferensi seperti pada GPS, tetapi

Juga pada representasi pengetahuan dan pengetahuan khusus yang dimilikinya.

Dengan menggabungkan kemampuan inferensi dan representasi pengetahuan khusus

kita dapat membentuk sistem pakar yang mempunyai pemakaian yang sangat luas

misalnya untuk melakukan diagnosis penyakit yang ditimbulkan oleh bakteria,

interpretasi data logging, melacak kerusakan pada berbagai instrumen, peramalan

cuaca, manipulasi simbolik, dll.

Sekarang orang telah berhasil membangun perangkat lunak yang dapat

membantu kita untuk membangun sistem pakar, dan ada yang sudah bersedar di

Indonesia, misalnya EXSYS, PERSONAL. CONSULTANT PLUS, INSIGHT 2+.

1

Page 2: Sistem Pakar

dll. Perangkat lunak ini telah menyiapkan motor inferensi, serta cara pembentukan

basis pengetahuan. Dengan memanfaatkan perangkat lunak ini kita dapat

membangun prototipe sistem pakar dalam waktu yang singkat. Kita dapat juga

membangun prototipe sistem pakar dengan memanfaatkan bahasa Prolog atau Lisp

yang sudah beredar di tanah air kita.

Berdasarkan perangkat lunak yang tersedia tsb. Serta perkembangan Iptek

di Indonesia, penulis mencoba mengemukakan berbagai pertimbangan

pengembangan sistem pakar di Indonesia.

II. Berbagai Faktor yang Perlu Dipertimbangkan Dalam Pengembangan Sistem Pakar

Pengembangan sistem pakar baru dapat dilaksanakan setelah kita

mempertimbangkan kemungkinan pengembangannya, mencari dasar pemikiran

apakah pengembangan tsb. dapat dibenarkan dan apakah sistem pakar memadai untuk

membantu menyeiesaikan masalah yang sedang atau akan dihadapi.

Pada umumnya pengembangan sistem pakar mungkin saja dilakukan bila

persyaratan di bawah ini dapat dipenuhi.

1. Titik berat pemecahan masalah hanya memerlukan keterampilan

pengolahan pengetahuan secara logis (cognitive skills).

2. Terdapat pakar dalam bidang tsb. yang dapat menyatakan proses pemecahan

masalahnya secara rasional dan pemecahan masalah tsb. dapat disetujui oleh

pakar dalam bidang yang sama.

3. Proses pemecahan itu tidak terlalu sukar dan memerlukan waktu tidak lebih

dari satu jam.

Pengembangan sistem pakar dapat dibenarkan bila persyaratan di bawah ini

dapat dipenuhi.

1. Pemecahan masalah dapat memberikan hasil yang baik. Ini berarti bahwa

pemecahan tsb. cukup tepat dan membawa keuntungan.

2. Pakar dalam bidang itu masih langka.

2

Page 3: Sistem Pakar

3. Pakar dalam bidang itu diperlukan pada tempat yang kurang disukai, misalnya

pada daerah yang terpencil atau tempat yang berbahaya.

Pengembangan sistem pakar dapat dipandang memadai bila :

1. Pemecahan masalah memerlukan pengolahan pengetahuan yang dapat

diungkapkan dengan kaidah-kaidah atau simbol-simbol.

2. Pemecahan masalah memerlukan kaidah heuristik.Umumnya dalam pekerJaan

pakar diperlukan strategi pemecahan dan kaidah yang efektif yang dapat

diterapkan dan menghsilkan pemecahan dalam waktu relatif singkat,

walaupun ada kemungkinan (kecil) bahwa strategi pemecahan ini gagal.

3. Tugas tsb. tidak terlalu mudah dan memiliki nilai praktis.

Kriteria tsb. dapat dipakai untuk mempertimbangkan berbagai masalah

yang dapat diselesaikan dengan bantuan system pakar.

III. Pengembangan Sisitem Pakar

Dengan memanfaatkan perangkat lunak yang sudah tersedia seperti yang

diungkapkan pada pasal yang lalu , kita dapat membangun sistem pakar melalui

empat tahap pengenbangan sbb.

1. Identifikasi masalah dan pendefinisian domain sistem pakar.

2. Konseptualisasi dan Formalisasi yang dilaksanakan melalui pengembangan

kosakata pengetahuan ybs.

3. Pembuatan basis pengstahuan dan implementasinya.

4. Pengujian basis pengetahuan.

Tahap pertama dan kedua berkaitan erat dengan sifat masalah yang sedang

dihadapi serta perbendaharaan kata yang diperlukan untuk memecahkan masalahnya.

Tahap ketiga dan keempat merupakan tahap pengalihan dari pengetahuan yang kita

ketahui menjadi perangkat lunak dengan bantuan pembangun sistem pakar seperti

Exsys, Insight 2+ dan Personal Consultant Plus.

Sebelum kita mulai membangun sistem pakar yang sesungguhnya biasanya

kita membangun dahulu prototipe dari system pakar itu. Daerah permasalahan yang

dibahas dalam prototipe jauh lebih kecil daripada daerah permasalahan yang

3

Page 4: Sistem Pakar

sesungguhnya, lagi pula kaidah yang dipakai tidak perlu sempurna, yang diutamakan

dalam prototype ini ialah kita dapat memperlihatkan bahwa sistem pakar yang kita

bangun ini sudah dapat berJalan dan unsur penting dari domain pengetahuan yang

kita bahas sudah dapat masuk ke dalam prototype ini. Keempat tahap pengembangan

tsb. di atas berlaku juga bagi pengembangan prototipe.

1. Tindakan pertama yang harus kita lakukan ialah menganalisis masalah yang

kita hadapi, kemudian mencoba membagi domain permasalahan menjadi

subdomain dan subdomain menjadi sub-subdomain dst. Buatlah diagram

pembagian tsb. Selanjutnya kita memikirkan aliran inferensi. Di sini kita

mencoba mencari hal apa saJa yang dapat diamati, fakta-fakta yang diketahui,

lalu mencari hubungan dengan berbagai fakta yang dapat diturunkan dari

pengamatan serta fakta awal itu. Selain itu dalam tahap ini, kita harus

membayangkan jenis tanya jawab yang berlangsung antara sistem pakar dan

pemakai. Jenis pertanyaan apa saJa yang diperlukan oleh sistem pakar untuk

mengumpulkan inrormasi yang diperlukan serta jenis jawaban yang

diharapkan. Perkirakan Juga standard performansi yang di harapk an untuk

menguji sistem pakar yang kita bangun.

2. Cara terbaik untuk membangun sistem pakar yang baik ialah melalui

pengembagan kosakata pengetahuan yang jelas serta berguna. Dalam tahap ini

kita harus mencari "attributes" dari basis pengetahuan yang diperlukan, harga

(values) dari attributes tsb. serta mencoba menuliskan kaidah dengan

memakai attributes tsb. di atas. Semuanya ini harus ditata dalam suatu

kerangka yang baik. Misalnya dalam sistem pakar yang dapat membedakan

berbagai jenis buah-buahan salah satu attribute ialah warna yang dapat

mempunyai harga merah, kuning, hijau, dll. Kaidah yang dapat kita tulis

misalnya : Jika warna buah tsb. merah maka jenis buahnya ialah rambutan

atau apel dengan faktor keterandalan 80%.

3. Sekarang kita telah siap untuk memasukkan basis pengetahuan dengan

memakai pembangun sistem pakar, misalnya Exsys, Insight 2+ atau

Personal Consultant Plus dengan langkah sbb.:

4

Page 5: Sistem Pakar

a. Catat basis pengetahuan pada kertas dengan pengelompokan menurut

subdomain seperti yang dipikirkan dalam tahap pertama. Struktur

basis pengetahuan harus Jelas.

b. Periksa lagi attributes serta harga yang dipakai dengan membuat label

attribues serta diagram basis kaidah.

c. Periksa penalaran kaidah yang dipakai. Pembangun sistem pakar dapat

dipakai untuk membantu memeriksa konsistensi kaidah, kelengkapan

kaidah serta kaidah yang berlebih.

d. Periksa pula raktor keterandalan (CF atau confidence Factor). Setiap

kesimpulan yang ditarik berdasarkan kaidah dapat kita beri CF

misalnya 70%, 80%, 90%, atau .... kita harus memeriksa juga

bagaimana sistem pakar ini mengolah kombinasi dari CF. Pemberian

CF ini dapat diperiksa dengan berkonsultasi pada pakar yang

berpengalaman dan dengan statistik.

4. Kita harus menyiapkan daftar kasus penguJian yang cukup luas untuk

mencakup segala aspek penting dari sistem pakar itu. Kita susuri pengujian itu

mulai dari yang sederhana hingga yang rumit. Kita mencoba pengujian itu

dengan menjalankan sistem pakar itu dan mengevaluasinya dengan kriteria

yang telah kita siapkan pada tahap pertama. Jika kita mendapatkan kelemahan

kita dapat segera memperbaikinya dan mengulangi pengujiannya.

Coba perhatikan dialog antara pemakai dan sistem pakar. Apakah masih harus

diperbaiki? Beri pula kesempatan pada orang lain untuk mengevaluasi sistem pakar

yang kita bangun ini.

Demikianlah secara singkat kita telah mengajukan tahapan yang harus kita

perhatikan dalam pembangunan prototipe sistem pakar. Tahapan seperti ini berlaku

pula ketika kita membangun system pakar yang lengkap. Dalam tahapar. pembuatan

prototipe ini kita dapat memakai IBM PC.

Selanjutnya, kita akan memasuki pengembangan sistem pakar dalam tahap

penelitian. Disini diperlukan penyempurnaan dan penambahan kaidah-kaidah

5

Page 6: Sistem Pakar

sehingga sistem ini dapat dipakai memecahkan masalah dalam domain yang tidak

terlalu luas tetapi dapat dipandang sebagai suatu subbidang yang lengkap. Kemudian

setelah kecepatan dan keefektifan sistem dalam memeperoleh pemechan diperbaiki

kita dapat memasuki tahap produksi atau komersial. Dalam memasuki tahap ini

mungkin kita memerlukan komputer yang setingkat lebih tinggi dari pada yang

disebutkan di atas, misalnya EXPLORER.

IV. Berbagai Kemungkinan Pemakaian di Indonesia

Masuknya teknologi modern ke Indonesia pada umumnya disertai dengan peralatan

yang operasinya cukup rumit, demikian juga cara pemeliharaan serta interpretasi data

yang diperoleh memerlukan kepakaran khusus. Sebagai contoh dapat kita sebutkan

reaktor atom dan peralatan lain yang sedang dibangun di Serpong, peralatan yang

canggih seperti NMR, EPR, peralatan Hankam, PLN, dll. Peralatan seperti ini

sebaiknya didampingi oleh sistem pakar yang mampu membantu baik dalam operasi,

maupun dalam pemeliharaan, pelacakan kerusakan serta interpretasi data yang

diperoleh.

Pada saat ini kita Juga memerlukan penyebaran kepakaran ke berbagai daerah,

misalnya untuk mengatasi kekurangan kepakaran dalam bidang kesehatan, teknik,

pertanian, pemasaran, dll. didaerah yang terpencil.

Hal-hal seperti di atas dapat dibantu pemecahannya dengan membangun sistem

pakar yang sesuai dengan kebutuhan tsb.

Daftar Pustaka

1. Paul Siegel, Expert Systems, Tab Books Inc., 1986.

2. L.E. Frenzel.Jr., Crash Course in Artificial Intelligence and Expert Systems,

Sams, 1986.

3. D. A. Waterman, A Guide •to Expert Systems, Addison-Wesley Co.,1986,

6

Page 7: Sistem Pakar

Jaringan Neural Artifisial (Artificial Neural Network)

dan Logika Samar (Fuzzy Logic)

untuk Prediksi dan Pengenalan Pola

The Houw Liong, ITB

Abstrak

.laringan neural uriifisial dan atau logika samar dapat dipakai untuk melakukan

tugas yang sulit dilakukan oleh komputer biasa misalnya untuk belajar mengenal

bentuk geometri, huruf tulis, suara, pola. deret waktu dll.

Dalam bab ini akan dibahas pegertian jaringan neural artifisial, neural artificial

adaptive neuro-fuzzy inference system dan cara kerjanya dan pemakaiannya dalam

prediksi dan pengenalan pola.

Konsepjaringdn neural artifisial timbul dan diilhami oleh jaringan neural dalam

benak manusia yang memiliki arsitektur yang sangat berlainan dengan komputer

hiasa. Orang menyadari bahwa membuat perangkat lunak supaya komputer memiliki

kemampuan belajar seperti manusia sangat sukar. Rosenblatt berpikir bahwa

7

Page 8: Sistem Pakar

kesukaran ini mungkin dapat diatasi dengan membuat komputer dengan arsitektur

yang mirip dengan jaringan neural yang ada dalam benak manusia. Ilmuwan

menyambut konsep ini dan

banyak yang mulai ikut serta untuk mengembangkannya, sehingga sekitar tahun 1980

orang sudah mulai melihat hasilnya.

Salah satu jaringan neural artifisial yung terdiri dari tiga lapis neuron, yaitu lapisan

masukan, lapisan tersembunyi, dan lapisan keluaran yang bekerja memakai kaidah

propagasi balik serta berbagai modifikasinya, demikian juga adaptive neuro fuzzy

inference system ternyata mempunyai kemampuan belajar mengenal pola gambar,

suara, dan simbol, sehingga terbuka kemungkinan untuk memanfaatkannya dalam

geofisika dan meteorologi misalnya dalam mengenal pola citra yang diambil dari

satelit, klasifikasi awan, menganalisa deret waktu suhu rata-rata bumi, deret wuktu

anomali suhu permukaan laut, prediksi cuaca/iklim, dll.

JNA misalnya jenis ART dan Kohonen mampu melakukan klasifikasi demikian juga

metoda yang dikembangkan dalam logika samar , dapat melakukan klasifikasi samar.

Sebagai contoh penerapan pengaruh El Nino yang tercermin dalam anomali SST

Nino 3.4 dan index SOI dapat dibahas korelasinya dengan persentase daerah kering

di Indonesia dengan dengan cara stalistik dan dapat dikemhangkan lebih lanjut

dengan memakai JNA logika samar seperti yang diuraikan di atas. Demikian juga

pendaerahan kekeringan di Indonesia dilakukan dengan melihat garis isohyet dan

indeks kekeringan. Selanjutnya dapat diteruskan dengan memanfaatkan JNA/ logika

samar untuk Pengelompokannya.

Pendahuluan

Neuron yang sebenarnya seperti yang tcrdapat dalam benak manusia dan hewan

mempakan pcranti yang sangat rumit dengan berbagai bagian, subsistem dan

mckanisme kendali. Neuron-neuron ini saling berhubungan dengan memakai

berbagai jaringan elektrokimiawi sehingga dapat saling berkomunikasi. Peneliti

belum dapat mengerti dengan baik bagaimana neuron itu bekerja, apalagi membuat

tiruannya. Jaringan neural artifisial belum dapat dinyatakan sebagai model daripada

jaringan neural biologis tetapi jaringan neural artifisial ini merupakan model yang

8

Page 9: Sistem Pakar

mengambil bcrbagai aspek dari jaringan neural biologis yang diperkirakan

mempunyai kemampuan intelegensi yang cukup menarik. Salah satu fungsi dari

model ialah mereduksi jumlah parameter sistem sehingga kita dapat mengerti dengan

baik secara analitis dan komputasi.

Neuron artirisial dapat digambarkan sbb.:

(Gambar 1. Neuron artificial. S menyatakan penjumlahan dengan bobot tertentu FA

menyatakan fungsi Aktivasi dan TF menyatakan Fungsi Transfer.

Kita baca gambar tsb. mulai dari sebelah kiri. Di sini terlihat ada tiga garis masukan.

sebenarnya jumlah masukan mungkin saja N (suatu bilangan bulat yang besarya sama

dengan satu atau lebih besar daripada satu). Kemudian neuron akan melakukan

pcnjumlahan dengan pcmbobotan tertentu ini diberi tanda S . Masukan total ini akan

diubah oleh fungsi aktivasi menjadi harga aktivasi.

Akhirya harga aktivasi ini akan diubah oleh fungsi transfer menjadi keluaran dari

neuron artifisial tsb. Keluaran ini akan menjadi masukan bagi neuron yang lain. dst.

Fungsi transfernya dapat bermacam-macam, misalnya fungsi linear, fungsi tangga,

atau sigmoid.

Jaringan Neural Artifisial

Dalam model jaringan neural artiftisial, kclompok neuron tersusun dalam suatu

satuan struktural yang dikenal sehagai lapisan neuron. Suatu jaringan dapat terdiri

dari satu lapisan, beberapa lapisan, atau banyak lapisan.

Model yang akan dibahas dalam makalah ini terdiri dari tiga lapisan yaitu lapisan

masukan, lapisan tersembunyi, dan lapisan keluaran. Masukan dari luar masuk ke

neuron pada lapisan masukan. Keluaran neuron dari lapisan ini akan masuk ke neuron

9

S TFFA

Page 10: Sistem Pakar

pada lapisan tersembunyi dan keluaran dari neuron lapisan tersembunyi akan masuk

ke neuron pada lapisan keluaran. Lapisan yang terhubung seperti ini membentuk

suatu jaringan neural artifisial.

Masukan pada jaringan neural ini dapat berupa gambar, simbol, atau angka tetapi kita

selalu dapat mengalihkannya menjadi sekumpulan angka yang kita sebut vektor

masukan. Keluaran dari jaringan neural akan berupa vektor pula, tetapi vektor ini

dapat kita kcmbalikan menjadi gambar, simbol, atau angka.

Kuatnya hubungan antara neuron dinyatakan oleh Wij yang disebut bobot antara

neuron ke i dan neuron ke j. Untuk suatu neuron selalu terdapat vektor bobot Wi

yang berkaitan dengannya.

Jadi neuron bckcrja dengan masukan dan keluaran numerik1,2,3,4,5). Masukan ini diolah

olch neuron ke i dengan melakukan perkalian sekalar antara vektor masukan dengan

vektor bobot menjadi Api. Pilih fungsi aktivasi FA(Api) = Api, maka harga aktivasi =

Api, kemudian diubah lagi oleh fungsi transfer menjadi keluaran dari neuron itu.

Jika masukannya berbentuk gambar maka setiap neuron masukan menerima suatu

angka yang bcrsesuaian dengan intensitas piksel tertentu. Jadi gambar bersesuaian

dengan sekumpulan angka yang kita sebut vektor. Demikian juga simbol dapat kita

petakan menjadi sekumpulan angka. Sedangkan pada keluaran kita melakukan

pengalihan sebaliknya.

Jaringan neural ini dapat belajar melalui contoh yang diberikan melalui pcngubahan

pembobotan yang menghubungkan antar neuron tsb. Dalam contoh belajar, kita

mcmpunyai pola keluaran vektor P. Jika keluaran dari jaringan neural ialah 0, maka

galat (error) antara P dan 0 dibuat minimum dengan teknik selisih kuadrat terkecil

melalui pengaturan pembobotan.

Propagasi Balik

Misal kita mcmpunyai N pasangan masukan-keluaran yang harus "dipelajari". Veklor

masukannya ialah Ip , dan vektor sasaran ialah Pp . Indeks p bergerak dari 1 sampai

dengan N. Keluaran neuron ke i kita beri simbol Oi dan aktivasinya Ai . Jika fungsi

transfemya TF maka Oj = TF(Ai). Secara matematis galatnya dapat ditulis sbb.:

10

Page 11: Sistem Pakar

Epi =(Ppi. - Opi )2/2 (1.1)

galat total untuk pola ke p ialah

Ep= Ei Epi (1.2)

galat total untuk semua pola ialah

E=p Ep = Ei Epi (1.3)

Dalam teknik propagasi balik perubahan pembobotan dihitung sebagai berikut ini, E

harus dibuat minimum dengan mengubah pembobotan Wij. Perubahan Wij

ΔpWij -= -η (dEpi/dWij ) (1.4)

dengan η tetapan belajar.

Dengan cara ini, galat akan dijalarkan balik selama proses belajar berlangsung

dengan memperbaiki pembohotan menurut rumus yang tertulis di atas.

Modifikasi model tsb. dapat dilakukan dengan mengubah fungsi transfer dan kaidah

belajamya.

Selain arsitektur dan kaidah belajar JNA seperti yang diungkapkan di atas masih

banyak arsitektur dan kaidah belajar JNA yang dapat dibangun, misalnya yang

dikenal sebagai jaringan Hopfield yang dapat menentukan bobot yang diperlukan

secara langsung dari pola yang akan disimpan dalam JNA jaringan Kohonen atau

ART yang mampu belajar tanpa guru dll. JNA ini mempunyai kcmampuan khusus

yang dapat juga diterapkan dalam prediksi cuaca atau iklim,

pengelompokan/klasifikasi iklim. dll.

Himpunan Samar dan Logika Samar

Dalam himpunan samar setiap anggota himpunan mempunyai derajat keanggotaan

atau fungsi keanggotaan μx(xk), besarnya antara 0 dan 1, misalnya X menyatakan

himpunan bilangan kecil :

X = { x1|μx(x1), ...........Xk|μx (xk)........}

Bilangan 0.001 mempunyai derajat keanggotaan besar 0,99 sedangkan bilangan besar

misalnya 10 mempunyai derajat keanggotaan kecil 0,1. Pada umumnya logika samar

bekerja dengan basis pengetahuan yang berisi kaidah

11

Page 12: Sistem Pakar

berbentuk :

Jika x1 X k1 dan x 2 X k2 dan ....maka Z k Zk1k2 , ....k = 1,2,3……

Dengan memanfaatkan jaringan neural artifisial kita dapat berpikir bahwa masukan

pada k kaidah dapat kita pandang scbagai sekumpulan angka yang kita sebut "vektor"

masukan (x1,x2 .....) dan keluarannya yang berupa sasaran Z k merupakan fungsi dari

x1, dan parameter dari fungsi keanggotaan. Kaidah ini dapat dipetakan ke dalam suatu

jaringan. Parameter dapat diatur dengan proses belajar seperti dalam contoh jaringan

neural artifisial yang dapat dilatih untuk mengasosiasikan "vektor" masukan dan

keluaran tsb.

Keluaranya Z k = f(x1,x2, xk1,( x1), xk2 (x2), zk1k2 (zk)) . Umumnya kaidah yang

terkena ketika ada masukan xi dan x; akan lebih dari satu kaidah, Misalnya yang

terkena ada dua kaidah maka proses penegasan mengliasilkan (wk Zk + Wk+i Zk+i)/(Wk

+wk+1) dengan bobot Wk yang ditentukan oleh derajat keanggotaan masukan, biasanya

dapat dipilih Wk = μxk1(x1) μxk2(x2) Sebagai contoh dapat diambil fungsi

keanggotaan dapat diambil

berbentuk sbb. :

Dengan cara ini parameter a1 dan c1 pada fungsi keanggotaan dapat ditentukan

memakai data masukan dan keluaran melalui proses "belajar" yaitu secara iterasi

seperti yang dilakukan dalam mengatur bobot jaringan neural artifisial.

Di California sistem seperti ini dapat dipakai untuk prakiraan cuaca dengan memilih

perubahan tekanan, arah angina, dan kelembaban sebagai masukan dan curah hujan

sebagai keluaran. Kemudian parameter dalam fungsi keanggotaan dapat diatur

berdasarkan data masukan dan keluaran pada waktu lampau. Setelah parameter ini

diperoleh hasilnya dapat dipakai untuk memprediksi pada masa depan.

Adaptive Neuro-Fuzzy Inference System (ANFIS)

Sistem inferensi fuzzy jaringan saraf adaptif (ANFIS = Adaptive Neuro-Fuzzy

Inference System) merupakan salah satu model yang digunakan untuk memproses

data deret waktu dengan struktur pengolahan data yang paralel. Salah satu skema

ANFIS telah dikemhangkan oleh SUGENO dengan kaidah sbb. Ini

12

Page 13: Sistem Pakar

Jika x Ai, dan y Bj dan ....maka zij =fij( x1,x2,…….)

I = 1.2,3.......; j = 1.2,3......

dan mempunyai skema arsitektur seperti :

layer 1

Gambar 1 Skema arsitektur model fuzzy Sugeno orde satu dengan dua input

Pada ANFIS Sugeno orde pertama, dimisalkan ada dua masukan yaitu x dan y

serta keluaran fn. Pada Gambar 1 ditunjukkan 5 layer yang berkorelasi secara parallel

dimana masing-masing layer dapat dijelaskan sebagai berikut:

Layer 1 : Setiap node ke-i dalam layer ini adalah sebuah titik dengan suatu fungsi

node, dengan notasi keluaran adalah QAi yaitu :

OAi(x)= Ai (x). untuk i=1,2, atau

OAj(y)= Bj (y), untuk j=1,2, (2.1)

dengan x dan y merupakan input dari node ke-i dan OAi merupakan derajat

keanggotaan dari himpunan fuzzy A=(A1,A2,B1 atau B2) dengan fungsi keanggotaan A

adalah :

(2.2)

dengan ai, bi dan ci, adalah parameter himpunan.

13

Page 14: Sistem Pakar

Layer 2 : Notasi [] menyatakan keluaran dari hasil perkalian dari semua sinyal yang

masuk yaitu :

O2i = w1= Ai (x) Bj (y), (2.3)

Laver 3 : Notasi N pada node ke-i :

(2.4)

disebut faktor normalisasi

Layer 4 : Node ke-i merupakan node adaptif dengan fungsi node :

(2.5)

dengan w, sehagai faktor normalisasi pada layer ke-3 dan (p i, qj, rij) adalah parameter

himpunan dari node ini.

Layer 5 : Node tunggal pada layer ini adalah node yang ditentukan dengan notasi

yang dihitung dari keseluruhan output yaitu :

(2.6)

Selanjutnya data input yang akan diolah dengan ANFIS9) terlebih dahulu

dihilangkan noise-nya dengan melakukan tapis (filter) lolos rendah (low-pass) atau

moving average.

Time series setelah ditapis dijadikan sebagai input ANFIS, dibagi menjadi dua

bagian yaitu satu hagian pertama sebanyak 500 poin data (500 bulan) digunakan

sebagai data pembelajaran (training data) dan sisanya 64 poin data (64 bulan)

digunakan sebagai cheking data.

Prediksi data deret waktu (time Series) yang dilakukan menggunakan nilai

yang telah diketahui pada time series yang akan diprediksi. Dengan memisalkannya

sehagai t, maka prediksi nilai pada titik yang sama ke nilai berikutnya dapat

dituliskan sebagai (t + P). dengan P adalah titik sampel yang akan diprediksi. Tiap-

tiap data dituliskan dalam satuan waktu. yaitu : (x(t-(D-1))P ,..., x(t - P),x(t)). Dalam

14

Page 15: Sistem Pakar

hal ini, dilakukan setting secara umum untuk prediksi time series SSTA Niño 3.4,

dengan mengambil harga D dan P yang berbeda-beda. Dengan demikian, masing-

masing harga t pada input

data pembelajaran (training data) dan data uji (cheking data) memiliki empat vector

dimensional yang dituliskan dalam bentuk :

w(t) = [x(t – t03) x(t-t02) x(t-t01) x(t)] (2.7)

Output data pembelajaran dihubungkan dengan prediksi titik data yaitu :

S(t)-=[x(t + t01 ) x(t + t02)] (2.8)

dengan t01, t02, dan t03 merupakan bilangan bulat dan x merupakan data awal yang akan

diprediksi.

Dengan demikian data prediksi dapat dibangkitkan (generates) beberapa titik

ke depan melalui fungsi pembangkit:

Data(t) = [ w(t) s(t) ] (2.9)

Dengan pemilihan harga t01, t02, dan t03 yang berbeda-beda dalam makalah ini

digunakan heberapa fungsi pembangkit sebagai berikut:

a. Fungsi pernhangkit pertama yaitu :

Data(t) = | x(t-3) x(t-2) x(t-l) x(t) x(t+l) x(t+2) | (2.10a)

b. Fungsi pembangkit kedua yaitu :

Data(t) = | x(t-6) x(t-4) x(t-2) x(t) x(t+2) x(t+4) | (2.10b)

c. Fungsi pembangkit ketiga yaitu :

Data(t) =| x(t-12) x(t-8) x(t-4) x(t) x(t+4) x(t+8) 1 (2.10c)

Untuk star training, dihutuhkan suatu struktur FIS (Fuzzy Inferensi system).

Agar dapat ditentukan struktur dan parameter awal dari FIS untuk proses

pembelajaran. Maka dipilih fungsi genfisl. Struktur FIS generate tersebut, berisi

beberapa aturan fuzzy dan parameter linier dan nonlinier. Selain itu, untuk star

training juga digunakan type fungsi anfis sesuai dengan metode yang digunakan.

Selanjutnya, hasil prediksi berdasarkan ANFIS yang diperoleh dari 'training data'

dan ‘'cheking data' SSTA dihasilkan melalui fungsi evalfis.

15

Page 16: Sistem Pakar

Tingkat kesalalian (error) prediksi berdasarkan ANFIS diketahui melalui

selisih

antara data awal dengan data hasil prediksi ANFIS, sedangkan kesalahan

untuk ‘training data' dan 'cheking data' dapat diketahui melalui fungsi anfis.

Setelah hasil prediksi yang diperoleh dengan metode ANFIS dianggap valid

(tingkat kesalahan yang kecil), maka langkah selanjutnya adalah melakukan proses

pembelajaran kedua guna memperoleh prediksi harga SSTA ke waktu berikutnya

(prediksi untuk bulan > 624). Proses serta fungsi pembangkit yang digunakan sama

seperti pada proses pembelajaran pertama.

Hasil Dan Pembahasan

Diantara ketiga fungsi pembangkit yang disajikan pada (2.10a-2.10c).

diperoleh bahwa fungsi pembangkit : Data(t) = [x(t-3) x(t-2) x(t-l) x(t) x(t+l) x(t+2)]

dinilai memiliki keakuratan prediksi yang tinggi dibandingkan fungsi pembangkit

lainnya. Keakuratan fungsi pembangkit ini ditunjukkan berupa kesalahan hasil

prediksi yang sangat kecil (lihat Gambar 6) dan kesalahan proses data pembelajaran

dan data uji (lihat gambar 7).

Keluaran deret waktu hasil prediksi ANFIS, selanjutnya dipot bersama dengan deret

waktu data awal terfilter (Gambar 3).

Data dan Hasil Prediksi SSTA Nino3.4

1960 1965 1970 1975 1980 1985 1990 1995 2000Tahun

16

Page 17: Sistem Pakar

Gambar 3 Deret waktu SSTA Niňo 3.4. data awal (garis wama biru) dan data

hasil prediksi ANFIS (garis wama merah).

Hasil Prediksi SSTA Nino3.4

(belum ada gambarnya)

Kesesuaian antara data awal dengan hasil prediksi ANFIS ditunjukkan melalui

korelasi silang dan error prediksi berturut-turut ditunjukkan seperti pada gambar 5,

gambar 6, dan gambar 7 berikut.

Gambar5, 6,7

(belum ada gambar)

Tingkat kesalahan prediksi ANFIS diperoleh sekitar ((-5) – 5) x 10-3 atau mempunyai

orde sekitar 0.001. Sedangkan untuk ‘training data’ diperoleh RMSE (root-mean-

squares-error) sekitar 0,0014 dan ‘checking data’ diperoleh sekitar 0.0025. Oleh

karena itu, keluaran ANFIS yang diperoleh dapat dianggap valid digunakan sebagai

data pembelajaran kedua untuk prediksi harga SSTA ke tahun berikutnya. Data deret

waktu hasil prediksi ANFIS seperti ditunjukkan gambar 4, digunakan sebagai data

input pada proses pembelajaran kedua. Jumlah data yang digunakan untuk training

data dan checking data sebanyak 561. Data tersebut juga dibagi dua dengan bagian

pertama terdiri dari 500 data (500 bulan) digunakan sebagai data pembelajaran dan 61

data digunakan sebagai checking data. Data untuk t >624, dibangkitkan melalui

fungsi pembangkit yang sama dengan proses pembelajaran yang pertama yaitu

Data(t) = [ x(t-3) x(t-2) x(t-1) x(t) x(t+1) x(t+2) ] . Hasil prediksi beberapa

bulan ditunjukkan sebagai berikut :

1. Hasil prediksi untuk 6 bulan.

Gambar 8

(belum ada gambar)

17

Page 18: Sistem Pakar

Hasil prediksi (gambar 8) selanjutnya dijadikan sebagai data belajar untuk

membangkitkan data 6 bulan ke depan berikutnya (fungsi pembangkit yang

digunakan sama ). Hasil prediksi ini ditunjukkan pada gambar 9 berikut.

2. Hasil prediksi untuk 12 bulan.

Gambar 8

(belum ada gambar)

Gambar 8 kembali digunakan sebagai data belajar, untuk membangkitkan data

berikutnya. Sehingga hasil prediksi 6 bulan tahun berikutnya.

3. Hasil prediksi untuk 6 bulan.

Hasil Prediksi SSTA Nine 3.4 (Jan 2003 - Juni 2003)

(Gambar 10 Hasil) prediksi SSTA Nino 3.4 untuk bulan Januari - Juni 2003

Sebagai pembanding pada Gambar 11 ditunjukkan hasil prediksi Climate

Prediction Center (CPC). SSTA hasil prediksi ANFIS dan CPC terlihat tidak berbeda

jauh dengan puncak SSTA dari kedua hasil prediksi berkisar antara 1 - 20 C. Hasil

prediksi yang diperoleh menunjukkan harga SSTA maksimum sekitar 1,84 "C yang

terjadi sekitar bulan Maret 2003 dan awal munculnya SSTA hangat terjadi sekitar

bulan Juli 2002 (≥ 0.50 C).

Prediksi Kekeringan

18

Page 19: Sistem Pakar

Badan Meteorologi dan Geofisika telah membuat label tahun El Nino dalam

kaitannya dengan persentase daerah yang mengalami kekeringan (yang mengalami

hujan di bawah normal). Misalnya dalam tahun 1961, 94% daerah Indonesia

mengalami hujan di bawah normal, tahun 1963, 92% mengalami hujan di bawah

normal, dst.

Dalam penelitian tahun ini El Nino sangat ditentukan oleh deret waktu anomali suhu

permukaan laut SST nine 3.46). Intensitas El Nino dapat didefinisikan sebagai luas

daerah di atas sumbu dari deret waktu anomaly SST8). Dari tabel BMG tsb. kita dapat

mentransformasikannya menjadi grafik antara kekeringan di Indonesia (Y) terhadap

intensitas El Nino (X) (lihat gambar).

Jika didekati dengan regresi linear hasilnya sbb. ini, korelasi keseluruhan ialah

R=0,57 atau R2= 0.32 tetapi terlihat jelas dalam grafik tsb. bahwa sebetulnya

korelasinya besar ketika intensitas El Nino tinggi dan rendah ketika intensitasnya

rendah. Ini berarti bahwa intensitas El Nino tinggi akan menyebabkan kekeringan di

Indonesia, tetapi ketika intensitas El Nino rendah pengaruh lain dapat menjadi

dominan sehingga mungkin saja

kekeringan terjadi

Polynomial Regression of Y on X

Gambar ………

Dari residual plot kita tetap berkesimpulan bahwa untuk intensitas rendah galatnya

lebih besar dari pada untuk intensitas tinggi. Hal ini berarti bahwa ketika intensitas

rendah faktor lain dapat ikut menentukan kekeringan di Indonesia.

Residual Plot

Gambar ………

Monsun yang lemah dapat pula menyebabkan kekeringan, sehingga untuk

19

Page 20: Sistem Pakar

mengungkapkan mekanisme kekeringan di Indonesia kita harus mempelajari interaksi

antara El Nino dengan monsun yang penelitiannya sedang berlangsung dalam

kelompok kami.

Berdasarkan hasil ini dari prediksi SST nino 3.4 untuk tahun 20027), intensitas El

Nino akan lemah sehingga kekeringan di Indonesia lebih dipengaruhi oleh faktor lain,

misalnya monsun yang lemah. Penelitian lebih lajut masih diperlukan untuk dapat

mengungkapkan faktor tsb., pendaerahan yang lebih rinci, dan pengemhangan cara

prediksi yang lebih baik.

Daftar Pustaka

1. Jang. et al. Neuro-Fuzzy and Soft computing. Prentice Hall,1998.

2. T. Kohonen. the "Neural" Phonetic Typewriter, Computer, Mar. 1988.

3. .I.A. Feldman. et. al.. Computing with Structured Neural Networks,

Computer, Mar. 1988.

4. R.C. Eberhart. R.W. Dobbins, Neural Network PC Tools, Academic Press,

1990.

5. B. Kosko. Neural Networks For Signal Processing. Prentice Hall Int., 1992._

6. Zadrach 1 . Dupe. The Houw Liong, Prediction Nino 3.4 using Simple

Harmonic Model.International Conf. For Science and Technology Assesment

of Global Climate Change. Jakarta. 1999.

7. Zadrach I,. Dupe. I he Houw Liong. El Nino/ La Nina Forcasting Using

Adaptive

8. Neuro-Fuzzy Inference System (ANFIS), (submitted to a seminar in

Beijing,2001).

9. The H. I... Zadrach I.. Dupe, Prediksi kekeringan di Indonesia dengan JNA/

ANFIS. Temu llmiah Prediksi Cuaca dan Iklim Nasional 2001, Lapan, 2001.

10. Bannu. Ikhsan. The H.L., Model Prediksi Temperatur Muka Laut Daerah

Nino 3.4 Berbasis Anns. Jumal Fisika HFL Vol 0506, A5, 2002.

20