SISTEM CERDAS

Table of Contents

SISTEM CERDAS

SISTEM CERDAS

SISTEM CERDAS
Sistem cerdas adalah sistem yang dapat mengadopsi sebagaian kecil dari tingkat kecerdasan manusia untuk berinteraksi dengan keadaan eksternal suatu sistem. Sebagian kecil dari tingkat kecerdasan itu antara lain: kemampuan untuk dilatih, mengingat kembali kondisi yang pernah dialami, mengolah data-data untuk memberikan aksi yang tepat sesuai yang telah diajarkan, dan kemampuan menyerap kepakaran seorang ahli melalui perintah yang dituliskan dalam sebuah bahasa pemrograman tertentu. Sub-bab berikut membahas secara singkat tiga buah sistem cerdas yang dimaksud.

SISTEM CERDAS BERBASIS PENGETAHUAN
Sistem cerdas berbasis pengetahuan adalah sistem yang memiliki kemampuan menyerap kepakaran seorang ahli. Sistem ini ditunjukkan pada Gambar 2.1 memiliki sebuah blok utama berupa basis pengetahuan yang berisi informasi kepakaran. Informasi kepakaran dijabarkan algoritma cerdas, dan komponen prakondisi isyarat yang mengatur kerja sensor-sensor. Algoritma cerdas inilah yang memutuskan aksi-aksi yang tepat untuk setiap keadaan/status sistem.

Contoh kepakaran yang bisa disimpan oleh sistem ini antara lain adalah kepakaran untuk menghindari rintangan-rintangan, kepakaran untuk menginjeksi pupuk dengan takaran yang tepat [2], memisahkan obyek-obyek sesuai dengan klasifikasi tertentu [3], atau kepakaran untuk mengenal dengan baik kondisi obyek hasil pertanian yang hendak dipanen [4]. Kepakaran ini tentunya harus didukung oleh sensor dengan presisi yang memadai.

SISTEM LOGIKA SAMAR (FUZZY LOGIC SYSTEM)
Sistem logika samar adalah sistem yang mengadopsi strategi kendali dengan logika inferensi samar. Logika inferensi (penyimpulan) samar ini mengolah data-data eksternal dengan menggunakan fungsi-fungsi keangotaaan yang bersifat samar. Gambar 2.2 menunjukkan struktur dasar sebuah sistem cerdas berbasis logika samar.
Sistem logika samar secara luas telah digunakan dalam aplikasi mekatronika dalam bidang pertanian seperti untuk mendeteksi kadar nitrogen hasil bumi menggunakan sensor multi-spectral [7]. Selain itu sistem ini secara efektif juga bisa digunakan untuk mengendalikan robot bergerak [8].

Gambar 2.3 menunjukkan arsitektur dari sistem logika samar (SLS). Sistem SLS terdiri dari beberapa komponen di antaranya blok Membership Function (NB, NS, Z, PS, PB), blok fungsi minimum (Min1, s.d. Min 25), blok fungsi maksimum (MAX), blok pengali (Mult), penjumlah (ADDER), dan pembagi (DIV). Blok-blok tersebut secara fungsional bekerja dengan cara mengeksekusi aturan-aturan inferensi yang telah ditetapkan hingga menghasilkan keluaran keputusan kendali.

SISTEM BERBASIS JARINGAN SYARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)
Jaringan syaraf tiruan terinspirasi dari sistem pengorganisasian otak manusia yang terdiri dari beratus milyar sel syaraf dengan tipe yang bervariasi. Neuron adalah sel syaraf khusus yang menghantarkan isyarat elektris. Sekitar 10% dari keseluruhan sel adalah neuron, atau ada sekitar 10 milyar neuron di dalam otak manusia. Setiap neuron berinteraksi dengan neuron yang lain melalui kontak yang disebut sinapsis. Rata-rata setiap neuron menerima isyarat dari sekian ribu sinapsis. Jadi otak dibangun dari jaringan neuron dalam jumlah sangat besar. Gambar 2.4(a) menunjukkan jaringan syaraf tiruan (berstruktur multilapisan) dengan sejumlah neuron yang dihubungkan oleh sinaptik-sinaptik. Perbesaran dari jaringan memperlihatkan dua buah neuron yang dihubungkan oleh sebuah sinaptik. Neuron melakukan dua buah operasi yaitu operasi penjumlahan isyarat-isyarat sinaptik terboboti (S) dan operasi aktivasi non-linear (F). Sinaptik mengirimkan isyarat dari satu neuron ke neuron berikutnya dengan bobot sebesar wij yang dapat diatur melalui prosedur pelatihan

Gambar 2.4(b) menunjukkan arsitektur dalam menerapkan JST dalam sistem kontrol. Sistem JST telah sukses diimplementasikan ke dalam mikroprosesor untuk aplikasi teknologi pertanian dengan pemupukan presisi tinggi [5]. JST juga telah sebagai sistem penghematan pengguanaan energi pada stasium pompa hidrolik [6].
JST terdiri dari sejumlah besar sel syaraf (neuron) dengan interkoneksi yang sinaptik yang sangat besar pula. Gambar 2.5 menunjukkan model JST yang terdiri dari 3 lapisan, 32 sel syaraf yang dikelompokkan dalam 9 buah grup, dan sejumlah interkoneksi sinaptik antar neuron pada lapisan yang berbeda.
Neuron dan sambungan sinaptik akan menyimpan informasi penting tentang kepakaran yang diperoleh setelah JST dilatih dengan berbagai data-data pasangan input-output yang diinginkan. Salah satu algoritma yang cukup terkenal untuk melatih JST adalah algoritma “Backpropagation”. Algoritma ini akan mengubah nilai-nilai bobot sinaptik sehingga JST akan membentuk fungsi-fungsi khusus sesuai yang diajarkan. Jadi melalui neuron dan bobot-bobot sambungan sinaptik, JST berfungsi untuk menyimpan informasi kepakaran yang sewaktu-waktu diperlukan untuk mengelola data-data isyarat yang telah pernah diajarkan sebelumnya.

Baca Juga :