Tugas 13 Kecerdasan Buatan

Nama              : Pascal Aditia Muclis

Nim                  : 20180040063

Kelas               : TI18C

Tugas sesi 13

Sistem Inferencei Fuzzy

1. Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dengan penalaran fuzzy. Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire strength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output sistem. Pendekatan fuzzy logic secara garis besar diimplementasikan dalam tiga tahapan yang dapat dijelaskan sebagai berikut :

1. Tahap pengaburan (fuzzification) yakni pemetaan dari masukan tegas ke himpunan kabur.

2. Tahap inferensi, yakni pembangkitan aturan kabur.

3. Tahap penegasan (defuzzification), yakni tranformasi keluaran dari nilai

4. Kabur ke nilai tegas.

2. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen ,mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

3. Adaptive Neuro Fuzzy Inference System

ANFIS (Adaptive Neuro Fuzzy Inference Systems) merupakan salah satu sistem dalam kelompok neuro-fuzzy yaitu sistem hybrid dalam soft computing. Sistem hybrid merupakan padupadan atau gabungan dari setidaknya dua metode soft computing dengan tujuan untuk memperoleh algoritma yang lebih sempurna.

4. Software yang digunakan

    4.1. Matlab

Matlab mengintegrasi komputasi, visualisaian pemrograman pada perangkat yang mudah digunakan dimana permasalahan dan penyelesaia dapat diekspresikan dengan notasi matematika yang familiar. Matlab dikembangkan oleh MathWork. Inc / /www .mathwork.com. Penggunaan kata matlab sendiri memiliki kepanjangan “Matrix Laboratory”, hal ini berkatian dengan penggunaan matlab untuk memanipulasi matrik, melakukan plotting fungsi dan data, implementasi algoritma serta penggunaan aljabar pada perangkat komputer. Matlab sendiri diciptakan pada akhir tahun 1970-an oleh Cleve Moler dari Universitas New Mexico. Dalam perkembangannya matlab versi setalah tahun 1980-an ditulis dengan bahasa pemrograman C. Matlab dalam penggunaannya hingga saat ini lebih terkenal untuk bidang aljabar linear, analisis numerik dan pengolahan citra.

5. Metodologi Penelitian

Dalam melakukan penelitian ini yang dilakukan pada SMK Negeri 1 Kota Sukabumi, langkah pertama yang dilakukan adalah mengumpulkan informasi yang dibutuhkan antara lain komptensi pedagogik yang meliputi pelaksanaan pembelajaran di kelas, kompetensi professional yang meliputi penilaian rencana pembelajaran dan kehadiran jumlah jam wajib, kompetensi kepribadian yang meliputi kehadiran, penampilan dan sikap dan kompetensi kedisiplinan yang meliputi kedisiplinan datang dan pulang saat KBM sesuai dengan jadwal yang telah ditemtukan kurikulum. Data yang diperoleh kemudian dimasukkan sebagai input dari Adaptive Neuro Fuzzy Inference Sistem (ANFIS), Sedangkan outputnya adalah kelayakan sertifikasi seorang guru dengan layak dan tidak layak.

5.1 Langkah Penelitian

Penelitian ini meliputi beberapa langkah penelitian, yaitu sebagai berikut ini:

1. Menentukan parameter yang digunakan yang nantinya digunakan untuk mendiagnosa permasalahan

2. Melakukan fuzzyfikasi parameter

3. Membentuk jaringan syaraf tiruan

5.2 Metode pemilihan Sampel

Penelitian ini menggunakan jenis penelitian kuantitatif, dimana proses pengambilan data didapatkan dari supervise yang diadakan sekolah melalui pihak terkait, seperti Pengawas Pembina Sekolah, Kepala Sekolah, Kepala Jurusan dan Ketua Program Keahlian. Sampel yang diteliti adalah Guru PNS Pengajaran Umum dan Jurusan Elektronika Industri yang berjumlah 53 Orang pada tahun ajaran 2012.

5.3 Metode pengumpulan data Dalam penelitian ini, penulis menggunakan metode wawancara dan quisioner yang didapat dari dari pihak terkait, seperti kasubag kepegawaian, Kepala Jurusan Pengajaran Umum, Kasie Operasional dan pengembangan mutu dan lain sebagainya. Dimana semua data tersebut merupakan kegiatan supervisi yang diadakan setiap tahun dan menjadiagenda rutin sekolah dalam memonitor kinerja para karyawannya.

5.4 Instrument Penelitian

1.  Quisioner penilai kinerja guru

2. Spesifikasi kelengkapan perangkat lunak dan perangkat keras yang digunakan

3.  Uji kehandalan GUI dengan Metode SQA (Software Quality Assurance)

6.  Metode analisis Dalam penelitian ini digunakan Matlab sebagai perangkat lunak yang digunakan implementasi model simulasi dengan metode ANFIS, yang nantinya menghasilkan model FIS. Dengan software ini akan didapatkan kemudahan dalam mengimplementasikan model FIS ke dalam perangkat lunak.

6.1  Analisis Deskriptif Adapun tujuan dari analisis ini adalah guna memperoleh data supervisi yang memang telah ada di SMK Negeri 1 Kota Sukabumi pada tahun pelajaran 2012, dimana meliputi kompetensi pedagogik, professional, kepribadian dan kompetensi kedisiplinan yang masing-masing kompetensi tersebut terdiri dari beberapa indikator penilaian.

6.2  Analisis Inferential Dalam analisis ini terdapat proses penganalisaan data dan pengujian hipotesis dengan menggunkana algortima hybrid dan algoritma backpropagasi. Dimana tujuan dari analisis ini yakni untuk menghasilkan parameter yang paling optimal dari masalah yang dikaji dalam penelitian ini.

 7. Hasil Penelitian

7.1 Hasil Data pada penelitian ini dibagi menjadi dua bagian, yaitu :

1. 40 data pertama digunakan sebagai data training (data pembelajaran)

2. 17 data kedua digunakan sebagai data testing (data validitas)

7.2 Simulasi ANFIS Adapun tahapan proses simulasi meliputi beberapa tahapan, diantaranya sebagai berikut ini :

1. Tahapan load data (pemasukan data)

2. Tahapan generate FIS (membangkitkan FIS)

3. Tahapan Training FIS (pembelaran FIS)

4. Tahapan Testing FIS (validasi FIS)

7.2.1 Tahap Load Data Dalam tahapan ini, terjadi proses pemasukan data setelah terlebih dahulu melalui pengolahan. Dalam hal ini data yang dimasukan ber-ekstensi DAT yang diedit dari editor notepad. Data yang 7 dimasukan merupakan data training yang terdiri dari 40 sampel guru dan 13 sampel untuk data testing.

7.2.2 Tahap Generate FIS Pada tahapan ini dibangkitkan terlebij dahulu struktur dari model FIS yang nantinya akan dibuat, sebelum melakukan proses pembelajaran

Kesimpulan

1. Dari hasil simulasi ANFIS yang dilakukan dengan Matlab dengan dengan menggunakan algoritma hybrid dan backpropasi serta proses pembelajaran dan validasi yang dilakukan, diperoleh nilai yang paling optimal dari proses pembelajaran menghasilkan RMSE 7,8166 x 10-5 menggunakan fungsi keanggotaan Trimf dengan algoritma hybrid, sementara proses validasi nilai yang paling optimal menghasilkan RMSE 23,995 menggunakan fungsi keanggotaan Gbellmf dengan algoritma hybrid.

2. Setelan dilakukan quisioner terhadap GUI yang dibuat, maka diperoleh nilai rata-rata sekitar 81,7. Hal ini menunjukkan bahwa GUI yang dibuat memenuhi standar SQA yakni 80, meskipun demikian nilai tersebut belum bisa dikatakan sepenuhnya benar, karena audience yang menguji GUI ini hanya 5 orang dari jabatan/posisi yang berbeda, sehingga nilai rata-rata yang sebaiknya minimal terdiri ¾ dari sampling guru yang diuji dalam penelitian ini

Nama  : Pascal Aditia Muclis

NIM    : 20180040063

Kelas  : TI18C

Artificial neural network based particle swarm optimization in predictions mortality rate of broiler chicken

Rangkuman

Harga daging ayam broiler dan day old chick (DOC) adalah dua hal yang menentukan tingkat keuntungan peternak ayam broiler. Harga daging ayam broiler dan day old chick (DOC). Penelitian ini bertujuan untuk memprakirakan harga ayam broiler. Hasil prakiraan tersebut dapat digunakan sebagai pengambilan keputusan oleh pihak-pihak terkait. Penelitian ini menggunakan metode jaringan saraf tiruan (JST).

Untuk akurasi dan kesalahan yang dihasilkan dari metode Neural Network dalam memprediksi tingkat kematian boiler ayam, itu adalah 5.854 (desember). Sedangkan rata-rata hasil RMSE diperoleh dari metode jaringan saraf tiruan yaitu 6.222 setiap bulan. Data yang ada tidak dapat mempengaruhi hasil RMSE yang diperoleh sebagaimana dibuktikan dengan hasil RMSE yang diperoleh pada bulan September adalah hasil tertinggi yaitu sebesar 14,115 sedangkan hasil terendah dapat dilihat pada bulan Juni yaitu sebesar 0,730. Sedangkan hasil RMSE diperoleh dari metode jaringan syaraf tiruan dengan model backpropagation yang ditingkatkan dengan optimasi partikel swarm yaitu 2.032 (desember). Untuk RMSE rata-rata yang diperoleh sama dengan 1,889 lebih baik sebesar 4,3% dari metode jaringan saraf dengan model backpropagation sebelum dioptimalkan. Dengan RMSE tertinggi 7.119 dan RMSE terendah 0.223. Dan dengan menggunakan aplikasi yang dapat menjalankan metode Neural Network berdasarkan Particle Swarm Optimization dan dengan hasil prediksi dengan tingkat kesalahan dan akurasi yang baik serta hasil uji aplikasi dari manajemen kepada audiens dengan hasil SQA diperoleh bahwa sama dengan 83,125 ini menunjukkan bahwa manajemen dibantu dengan aplikasi ini dan juga mengambil langkah-langkah yang diperlukan untuk mencegah kematian ayam broiler dari prediksi metode JST dan PSO.

Keberhasilan di peternakan ayam broiler dapat dinilai dari tingkat kematian ayam dan juga solusi untuk mengurangi tingkat kematian ayam. Namun dalam prosesnya ada kendala yaitu kematian ayam yang cenderung berfluktuasi sehingga tentu saja mengakibatkan kerugian finansial bagi petani. Untuk mencegahnya diperlukan suatu metode yang dapat memprediksi dan mengendalikan tingkat kematian ayam broiler. Dalam penelitian ini, metode penambangan data yang digunakan adalah Jaringan Syaraf Tiruan (JST) berdasarkan Particle Swarm Optimization (PSO), untuk menghasilkan prediksi yang akurat dengan iterasi yang sangat baik dan juga tingkat kesalahan yang kecil. Hasil analisis dalam memprediksi tingkat kematian ayam broiler dengan metode jaringan saraf tiruan yang dikombinasikan dengan optimasi Particle swarm mendapatkan hasil RMSE yang lebih baik (0,135) daripada Jaringan Syaraf Tiruan belum dioptimalkan (0,381) dengan data kematian Januari dan hasil quisioner aplikasi yang dibuat nilai 83.125 yang dapat dikategorikan dengan baik dan cukup membantu peternak dalam mengendalikan prediksi tingkat kematian ayam broiler.

References

[1]     Siti Helmiyah, Shofwatul ‘Uyun, 2016. Comparison of Performance of Artificial Neural Networks and Fuzzy Inference System for Prediction of Students Journal of Informatics Engineering and Information Systems, ISSN: 2407-4322.

[2]     J. Anitha, C.Kezi Selva Vijila D.Jude Hemanth. 2009. Comparative Analysis of Genetic Algorithm & Particle Swarm Optimization Techniques for SOFM Based Abnormal Retinal Image Classification", International Journal of Recent Trends in Engineering, Vol. 2, No. 3.

[3]     Mohd Khalid Awang and Fadzilah Siraj, 2013. Utilization of an Artificial Neural Network in the Prediction of Heart Disease”, International Journal of Bio-Science and Bio-Technology, Vol. 5, No. 4

[4]     Abhijit Suresha, K.V Harish, N. Radhika, 2015. Particle Swarm Optimization Over Back Propagation Neural Network for length of stay prediction”, International Conference on Information and Communication Technologies (ICICT 2014), Procedia Computer Science 46 ( 2015 ) 268 – 275

[5]     Reza Gharoie Ahangar, Mahmood Yahyazadehfar, Hassan Pournaghshband, 2010. The Comparison of Methods Artificial Neural Networks with Linear Regression Using Specific Variables for Prediction Stock Prices in the Tehran Stock Exchange" (IJCSIS) International Journal of Computer Science and Information Security, Vol. 7, No. 2.

[6]     Seyed Ali Jafari, Sepideh Jahandideh, Mina Jahandideh, Ebrahim Barzegari Asadabadi, 2013. Prediction of road traffic death rate using neural networks optimised by genetic algorithm”, International Journal of Injury Control and Safety Promotion.

[7]     Kien Ee Lee, Izzatdin bin Abdul Aziz, Jafreezal bin Jaafar, 2017. Adaptive Multilayered ParticleSwarm Optimized Neural Network (AMPSONN) for Pipeline Corrosion Prediction", International Journal of Advanced Computer Science and Applications (IJACSA), Universiti Teknologi PETRONAS, Vol. . 8, No. 11.

[8]     Somayeh Yavari, Mohammad Javad Valadan Zoej, Mehdi Mokhtarzade, Ali Mohammad zadeh, 2012. Comparison of Particle Swarm Optimization and Genetic Algorithms in Rational Function Model Optimization" International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Toosi University of Technology.

[9]     Hermawan, A, 2006. Artificial Neural Networks Theory and Applications. Yogyakarta: Publisher Andi.

[10]   Puspaningrum, D, 2006. Introduction to Artificial Neural Networks. Yogyakarta: Andi Offset.

[11]   Blondin J, 2009. Particle swarm optimization tutorial.

[12]   Handayani R.K, 2012. Review of Use of Software Supervision in the Process of Recurring Decision Making: A Case Study of Determination of High School Teachers.

[13]   Albab, M. U. 2017. Selama Ramadan konsumsi daging sapi di Banyuwangi 4700 kg per hari. https://banyuwangi.merdeka.com/info-banyuwangi/selama-ramadan-konsumsi-daging-sapi-di-banyuwangi-4700-kg-per-hari-170621o.html. [10 November 2018].

[14]   Azhar, M., Riksakomara, E., dan Terkait, A. P. (2017). Peramalan Jumlah Produksi Ikan dengan Menggunakan Backpropagation Neural Network (Studi Kasus: UPTD Pelabuhan Perikanan Banjarmasin). Journal of Engineering ITS, 6(1), 142–148.