ARTIFICIAL NEURAL NETWORK

NEURAL NETWORK

Pendahuluan

Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin ilmu yang lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil kombinasi dari berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang berbentuk aplikasi. Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran atau lebih khusus lagi yaitu ilmu biologi.

Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah:

1.       Pengklasifikasian pola

2.       Memetakan pola yang didapat dari input ke dalam pola baru pada output

3.       Penyimpan pola yang akan dipanggil kembali

4.       Memetakan pola-pola yang sejenis

5.       Pengoptimasi permasalahan

6.       Prediksi

Sejarah Neural Network

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

Gambar 2.1 McCulloch & Pitts, penemu pertama Neural Network

Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

Gambar 2.2 Perceptron

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network,  dan teori model resonansi adaptif.

Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya classification, recognition, approximation, prediction, clusterization, memory simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.

Konsep Neural Network

1.  Proses Kerja Jaringan Syaraf Pada Otak Manusia

Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat  sekitar 10¹¹ neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain, jumlahnya mencapai sekitar 10⁴ sinapsis. Masing-masing sel itu saling berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja otak manusia.

Gambar 2.3 Struktur Neuron pada otak manusia

Dari gambar di atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:

1.       Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.

2.       Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain

3.       Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf.

Proses yang terjadi pada otak manusia adalah:

Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai ambang (threshold).

2.  Struktur Neural Network

Dari struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas, maka konsep dasar pembangunan neural network buatan (Artificial Neural Network) terbentuk. Ide mendasar dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.

Gambar 2.4 Struktur ANN

Karakteristik dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.

1.       Input, berfungsi seperti dendrite

2.       Output, berfungsi seperti akson

3.       Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan output saja.

C.    KARAKTERISTIK ARTIFICIAL NEURAL NETWORK

Karakteristik neural network ditunjukkan dalam 3 ciri yaitu : Arsitektur jaringan algoritma jaringan (Alg. Pembelajaran dan Pengenalan) dan fungsi aktivasi.

1.      Arsitektur Jaringan

Arsitektur jaringan menggambarkan bagaimana mengatur neuron-neuron dalam lapisan dan bagaimana menghubungkan neuron-neuron tersebut dengan bobot keterhubungannya (Weight (w)). Pada setiap neuron yang berada dalam satu lapisan yang sama mempunyai fungsi aktivasi yang sama, dan setiap neuron dalam satu lapisan harus dihubungkan dengan setiap neuron pada lapisan berikutnya. Arsitektur jaringan syaraf tiruan yang sering digunakan adalah :

a.       Jaringan dengan lapisan tunggal

Jaringan dengan lapisan tunggal hanya memiliki 1 lapisan dengan bobot-bobot keterhubungannya. Jaringan ini hanya menerima input pada lapisan input dan kemudian seacara langsung mengolahnya menjadi output pada lapisan output. Arsitektur jaringan dengan lapisan tunggal dapat dilihat pada gambar berikut.

b.      Jaringan dengan banyak lapisan

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output yang disebut sebagai lapisan tersembunyi  (hidden layer). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tetapi tentu proses pembelajaran menjadi jauh lebih rumit dan memakan waktu yang lama. Tetapi pada sebagian besar kasus, pembelajaran dengan banyak lapisan ini lebih sukses dalam hasil pengujian masalahnya. Arsitektur jaringan dengan banyak lapisan dapat dilihat pada gambar berikut.

2.      Algoritma Jaringan

a.       Algoritma Jaringan Pembelajaran

Algoritma pembelajaran digunakan untuk menemukan nilai-nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma yang digunakan Neural Network dalam pembelajaran tergantung pada arsitektur jaringan yang digunakan. Secara umum, algoritma pembelajaran terbagi menjadi dua bagian, yaitu supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi).

Supervised learning merupakan algoritma pembelajaran yang memerlukan target output yang diharapkan untuk diketahui sebelumnya dalam proses pembelajarannya. Setiap pola input beserta target output yang ditentukan disebut sebagai pasangan pembelajaran. Algoritma pembelajaran NN yang termasuk dalam kelompok ini antara lain hebb, perceptron dan back Propagation.

Unsupervised learning tidak memerlukan target output dan tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Yang termasuk dalam Unsupervised learning antara lain :

1)      Kohonen Self-Organizing Maps

2)      Learning Vector Quantization

3)      Counterpropagation

b.      Algoritma pengenalan

Setelah menemukan nilai bobot keterhubungan antar neuron yang bersesuaian dengan nilai output, maka nilai bobot tersebut digunakan untuk menguji NN jika suatu input dimasukkan sehingga suatu nilai ouput dihasilkan. Proses ini dinamakan proses pengenalan (pengujian). Algoritma pengenalan yang digunakan tergantung pada algoritma pembelajaran yang digunakan, biasanya merupakan bagian dari algoritma pembelajarannya.

c.       Separabilitas Linear

Salah satu cara yang biasa digunakan sebagai syarat henti proses pembelajaran atau digunakan juga untuk proses pengenalan adalah separabilitas linier.(garis pembatas). Dalam aplikasi pengenalan pola, garis pembatas ini merupakan batas keputusan apakah suatu anggota termasuk dalam kelompok (berespon positip) atau bukan kelompok. (berespon negatip)..Dalam koordinat Cartesian (x,y) garis pembatas ini digambarkan sebagai garis lurus yang mempunyai persamaan :

y= mx + c

dengan :

m : gradien garis

c : konstanta atau titik potong dengan sumbu-y (0,c)

3.      Fungsi Aktivasi

Ada beberapa bentuk fungsi aktivasi yang umum digunakan dalam Neural Network, antara lain:

a. Fungsi tangga biner

Jaringan dengan lapisan tunggal sering menggunakan fungsi tangga biner untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu ouput biner (0 atau 1). Fungsi tangga biner dirumuskan sebagai,

Sedangkan grafiknya dapat dilihat pada gambar dibawah ini;

b. Fungsi linear (identitas)

Fungsi linear memiliki nilai output yang sama denagn nilai inputnya. Fungsi linear dirumuskan sebagai,

y=x

dan grafik fungsi linear dapat dilihat pada gambar berikut.

c. Fungsi sigmoid biner

Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi ini dirumuskan sebagai,

Dan grafik fungsi ini dapat dilihat pada gambar berikut :

d. Fungsi sigmoid bipolar

Fungsi ini mempunyai nilai pada range antara –1 sampai 1. Fungsi ini dirumuskan sebagai,

Sedangkan grafik fungsinya dapat dilihat pada gambar berikut ,

D.    KELEBIHAN DAN KEKURANGAN ARTIFICIAL NEURAL NETWORK

1.      Kelebihan Artificial Neural Network

·         Mampu mengakuisisi pengetahuan walau tidak ada kepastian

·         Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu

·         JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing)

·         Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja

·         Kemampuan perhitungan secara paralel sehingga proses lebih singkat

·         ANN mampu :

-          Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan

-          Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain

-          Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target

-          Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

2.      Kekurangan Artificial Neural Network

·         Black Box

·         Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi

·         Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis

·         Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

E.     KEGUNAAN ARTIFICIAL NEURAL NETWORK

•         Pengenalan pola (pattern recognition)

–        Huruf, tanda tangan, suara, gambar yang sudah sedikit berubah (mengandung noise)

–        Identifikasi pola saham

–        Pendeteksian uang palsu, kanker

•         Signal Processing

–        Menekan noise pada saluran telepon

•         Peramalan

–        Peramalan saham

•         Autopilot dan simulasi

•         Kendali otomatis otomotif

Sumber :

http://www.webpages.ttu.edu/dleverin/neural_network/neural_networks.html

http://socs.binus.ac.id/2012/07/26/konsep-neural-network/

Read More

Sistem Cerdas yang Ada Di Sekitar Kita

1. Vending Machine

Vending Machine adalah mesin yang digunakan untuk mengeluarkan/menjual produk secara otomatis tanpa ada operator. Operator tidak perlu menunggu mesin, tetapi hanya bertugas untuk mengisi, memeriksa ketersediaan barang yang dijual dan memeriksa mesin. Saat ini vending machine mudah kita jumpai di negara-negara maju yang digunakan sebagai alat untuk menjual berbagai macam produk.
Cara kerja vending machine adalah dengan melakukan pembayaran (baik menggunakan uang ataupun sistem lainnya) kepada mesin kemudian memilih produk, setelah itu produk yang dipilih akan segera keluar.            

Vending Machine ditemukan pada abad pertama oleh seorang insinyur matematika dari Alexandria. Mesin ini menggunakan prinsip timbangan. Ketika koin dimasukkan, koin berfungsi sebagai pemberat untuk mengalirkan air suci dari bejana, sampai berat air suci yang keluar sama dengan berat koin yang dimasukkan

Vending Machine modern pertama kali diperkenalkan di London pada tahun 1880 untuk menjual kartu pos. Di Amerika, pada tahun 1888 Thomas Adams Gum Company membuat vending machine pertama untuk menjual permen karet. Perkembangan vending machine berkembang pesat di Jepang. Dimana hampir segala kebutuhan sehari-hari dijual vending machine. Menurut asosiasi produsen vending machine, di Jepang terdapat lebih dari 5,5 juta vending machine.

Cara kerja vending machine adalah dengan melakukan pembayaran (baik menggunakan uang ataupun sistem lainnya) kepada mesin kemudian memilih produk, setelah itu produk yang dipilih akan segera keluar.

2. ATM

ATM (bahasa Indonesia: Anjungan Tunai Mandiri atau dalam bahasa Inggris: Automated Teller Machine) adalah sebuah alat elektronik yang melayani nasabah bank untuk mengambil uang dan mengecek rekening tabungan mereka tanpa perlu dilayani oleh seorang "teller" manusia. Banyak ATM juga melayani penyimpanan uang atau cek, transfer uang atau bahkan membeli perangko.
ATM sering ditempatkan di lokasi-lokasi strategis, seperti restoran, pusat perbelanjaan, bandar udara, stasiun kereta api, terminal bus, pasar tradisional, dan kantor-kantor bank itu sendiri.

Cara kerja mesin ATM mudah dan sederhana. Yang pertama kamu lakukan ialah memasukkan kartu ATM ke dalam mesin. Setelah kartu dimasukkan, maka kartu akan dibaca oleh magnetic card reader yang berfungsi sebagai pembaca dan penerima data. Setelah dibaca, data dikirim ke sistem komputerisasi bank.

3. USG

Ultrasonografi medis (sonografi) adalah sebuah teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran mereka, struktur, dan luka patologi, membuat teknik ini berguna untuk memeriksa organ. Sonografi obstetrik biasa digunakan ketika masa kehamilan.
Pilihan frekuensi menentukan resolusi gambar dan penembusan ke dalam tubuh pasien. Diagnostik sonografi umumnya beroperasi pada frekuensi dari 2 sampai 13 megahertz.
Sedangkan dalam fisika istilah "suara ultra" termasuk ke seluruh energi akustik dengan sebuah frekuensi di atas pendengaran manusia (20.000 Hertz), penggunaan umumnya dalam penggambaran medis melibatkan sekelompok frekuensi yang ratusan kali lebih tinggi.

Ultrasonografi atau yang lebih dikenal dengan singkatan USG digunakan luas dalam medis. Pelaksanaan prosedur diagnosis atau terapi dapat dilakukan dengan bantuan ultrasonografi (misalnya untuk biopsi atau pengeluaran cairan). Biasanya menggunakan probe yang digenggam yang diletakkan di atas pasien dan digerakkan: gel berair memastikan penyerasian antara pasien dan probe.

SKEMA CARA KERJA USG

1. Transduser

Transduser adalah komponen USG yang ditempelkan pada bagian tubuh yang akan diperiksa, seperti dinding perut atau dinding poros usus besar pada pemeriksaan prostat. Di dalam transduser terdapat kristal yang digunakan untuk menangkap pantulan gelombang yang disalurkan oleh transduser. Gelombang yang diterima masih dalam bentuk gelombang akusitik (gelombang pantulan) sehingga fungsi kristal disini adalah untuk mengubah gelombang tersebut menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar.

2.Monitor Monitor yang digunakan dalam USG

3. Mesin USG

Mesin USG merupakan bagian dari USG dimana fungsinya untuk mengolah data yang diterima dalam bentuk gelombang. Mesin USG adalah CPUnya USG sehingga di dalamnya terdapat komponen-komponen yang sama seperti pada CPU pada PC CARA USG MERUBAH GELOMBANG MENJADI GAMBAR

Refrensi :

https://id.wikipedia.org/wiki/ATM

https://id.wikipedia.org/wiki/Ultrasonografi_medis

http://kubota-ptms.co.id/tentang-pt-metec-semarang/vending-machine/

Read More

PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSIS KERUSAKAN HARDWARE LAPTOP

PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSIS KERUSAKAN

HARDWARE LAPTOP

Abstrak

        Jurnal yang berjudul “Perancangan Sistem Pakar Untuk Diagnosis Kerusakan Hardware Laptop” ini berisi tentang solusi kerusakan yang terjadi pada laptop, ditentukan oleh beberapa masukan (input-an user) seperti : data macam komponen terpilih, data jenis komponen terpilih, data gejala kerusakan terpilih dan data ciri kerusakan terpilih.

        Abstrak yang disajikan penulis hanya menggunakan dua Bahsa yaitu Bahasa Inggris (Bahasa Internasional) dan Bahasa Indonesia. Secara keseluruhan isi dari abstrak ini langsung menuju ke topik bahasan yang dibahas dalam jurnal ini, yang menurut saya pembaca menjadi mudah memahami jurnal ini.

Pendahuluan

Kasus kerusakan hardware laptop merupakan kasus yang memerlukan bantuan seorang pakar (teknisi) dalam menyelesaikan masalah dengan mengandalkan pengetahuan yang dimilikinya, tetapi kendala yang sering dialami apabila mengandalkan jasa seorang pakar adalah biaya yang harus dikeluarkan relatif tidak sedikit dan juga seorang pakar tidak akan selalu ada di tempat untuk melayani client setiap saat, apalagi jarak yang harus di tempuh ke tempat servis mungkin saja sangat  jauh. Pada Penelitian ini dibuat perangkat lunak untuk mengatasi kasus tersebut, dimana perangkat lunak yang dimaksud adalah sistem pakar untuk diagnosis kerusakan hardware laptop yang di desain untuk memodelkan/mengemulasi kemampuan seorang pakar dalam memecahkan suatu masalah yang berbasiskan pada pengetahuan pakar itu sendiri.

Pengetahuan yang di dapat dari proses akuisisi pengetahuan direpresentasikan dengan menggunakan model kaidah produksi, sementara itu dalam mengembangkan mesin inferensi teknik yang digunakan yaitu forward chaining. Dalam mendeskripsikan alur program digunakan dua pendekatan, yaitu flowmap untuk mendeskripsikan mekanisme kerja aplikasi sistem pakar yang dirancang dan diagram aliran data (DFD) untuk mendeskripsikan proses aliran data yang ada dalam aplikasi sistem pakar yang dirancang. Untuk menggambarkan pemodelan data atau desain basis data digunakan model entity relationship diagram yang selanjutnya ditransformasikan ke dalam bentuk basis data fisik, yaitu dalam bentuk tabel-tabel yang diuji tingkat akurasi datanya menggunakan teknik normalisasi dan diteruskan dengan penjelasan objek data pada setiap tabel dengan menggunakan kamus data.

Dengan fasilitas yang diberikan untuk pemakai dan pakar, memungkinkan baik pemakai maupun pakar untuk menggunakan sistem ini sesuai kebutuhannya masing-masing. Pemakai diberi kemudahan untuk mendapatkan solusi atas kerusakan hardware yang terjadi berdasarkan data-data yang telah dipilih pada proses penelusuran, yang terdiri dari pemilihan data macam komponen hardware yang mengalami kerusakan, diteruskan dengan pemilihan data jenis komponen hardware yang mengalami kerusakan, dilanjutkan dengan pemilihan data gejala kerusakan yang dialami dan pemilihan data ciri kerusakan yang di dapat. Sedangkan pakar diberi kemudahan dalam memanajemen sistem, baik proses tambah, hapus maupun update data terkait.

Ringkasan Jurnal

        Penelitian ini bertujuan mempermudah para pemilik laptop dalam menghadapi masalah kerusakan hardware laptop, dengan solusi yang diberikan melalui beberapa masukan (input-an user) seperti : data macam komponen terpilih, data jenis komponen terpilih, data gejala kerusakan terpilih dan data ciri kerusakan terpilih.

Tinjauan Pustaka

Sistem pakar diagnosis kerusakan laptop ini akan lebih efektif dan efisien dengan komputerisasi yang tepat. Sistem pakar diagnosis kerusakan laptop mampu memberikan solusi dari kerusakan laptop yang terjadi. Inputan yang dimasukan oleh user dengan gejala yang dialami laptop tersebut akan memberikan solusi untuk membetulkan kerusakan laptop tersebut.

Pembahasan

Dewasa ini sudah tidak dapat dipungkiri lagi bahwa teknologi informasi dan komputer merupakan salah satu kebutuhan manusia yang paling mendasar terutama dalam membantu setiap pekerjaan dalam bidang komputerisasi. Dalam hal ini laptop merupakan salah satu jenis komputer yang banyak diminati oleh masyarakat, harganya yang semakin terjangkau dan memiliki mobilitas yang tinggi menjadi alasan paling kuat masyarakat untuk memiliki sebuah laptop. Fitur-fitur laptop juga sangat beragam. Karenanya, sebagai pengguna/user sudah seharusnya untuk mengetahuinya, agar pemakaian laptop menjadi lebih optimal.

Laptop memiliki beberapa komponen hardware, diantaranya (Sumarno, 2008) :

1.         Komponen input, merupakan bagian yang bertugas memberikan masukan perintah untuk diolah oleh komponen pemroses. Beberapa komponen input tersebut diantaranya : keyboard, touch pad, mikrofon internal, kamera, tombol daya, tombol easy launch.

2.         Komponen output, merupakan bagian yang bertugas untuk menampilkan semua proses kerja yang telah dilaksanakan oleh komponen prosessor. Beberapa komponen output tersebut diantaranya : layar LCD, speaker, lampu indikator.

3.         Komponen pemroses, merupakan bagian yang melakukan pemrosesan berdasarkan input-an dari pengguna/user. Beberapa komponen pemroses tersebut diantaranya : processor, main memory (RAM dan ROM).

4.         Komponen storage, merupakan bagian yang berfungsi untuk menyimpan program dan data untuk penggunaan selanjutnya. Beberapa komponen storage tersebut diantaranya : drive optik, card reader, hard disk.

Bagian atau komponen hardware laptop dalam jangka waktu tertentu akan mengalami perubahan fisik maupun kerusakan, yang menyebabkan laptop tersebut harus diperbaiki. Oleh karena itu, sangat dianjurkan bagi pengguna/user untuk mengetahui cara merawat dan memberikan pertolongan pertama ketika laptop-nya bermasalah, sebelum memutuskan untuk menyerahkannya ke tempat servis. Informasi yang diharapkan dapat mengatasi kerusakan yang terjadi dewasa ini masih tidak lengkap, bahkan buku manual yang disertakan pun tidak dapat mengakomodasi terhadap semua kemungkinan kerusakan, oleh karena itu dirasakan perlu dibuat sebuah aplikasi (software) yang dapat membantu memecahkan permasalahan kerusakan pada hardware laptop.

Kasus kerusakan hardware laptop merupakan kasus yang memerlukan bantuan seorang pakar (teknisi) dalam menyelesaikan masalah dengan mengandalkan pengetahuan yang dimilikinya, tetapi kendala yang sering dialami apabila mengandalkan jasa seorang pakar adalah biaya yang harus dikeluarkan relatif tidak sedikit dan juga seorang pakar tidak akan selalu ada di tempat untuk melayani client setiap saat, apalagi jarak yang harus di tempuh ke tempat servis mungkin saja sangat jauh. Pada penelitian ini dibuat perangkat lunak untuk mengatasi kasus tersebut, dimana perangkat lunak yang dimaksud adalah sistem pakar untuk diagnosis kerusakan hardware laptop yang di desain untuk memodelkan kemampuan seorang pakar dalam memecahkan suatu masalah yang berbasiskan pada pengetahuan pakar itu sendiri.

Aplikasi (software) yang dimaksud adalah aplikasi yang bisa dijadikan sebagai alternatif dalam mendiagnosa kerusakan hardware pada laptop, dalam hal ini aplikasi akan membantu pengguna dalam menemukan informasi penyebab (ciri) kerusakan berdasarkan gejala kerusakan pada setiap jenis komponen kerusakan sampai ditemukannya solusi (hasil diagnosa) berupa informasi mengenai cara perbaikannya.

Tentunya aplikasi yang dibuat harus dapat menyajikan solusi yang tepat, masuk akal dan efisien. Aplikasi (software) tersebut merupakan aplikasi sistem pakar berbasis komputer yang didesain untuk memodelkan/mengemulasi kemampuan seorang pakar dalam memecahkan suatu masalah (Durkin, 1994).

Sampai saat ini permasalahan waktu dan biaya merupakan permasalahan utama dalam dibentuknya sistem pakar ini. Sehingga sistem pakar ini diharapkan dapat menekan waktu dan biaya untuk mengatasi masalah-masalah kerusakan pada hardware laptop.

Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubtitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak (Jogiyanto, 2003). Suatu sistem disebut sistem pakar jika mempunyai ciri dan karakteristik tertentu, misalnya kemungkinan solusi sistem pakar terhadap suatu permasalahan adalah bervariasi dan mempunyai banyak pilihan jawaban yang dapat diterima semua faktor yang ditelusuri memiliki ruang masalah yang luas dan tidak pasti (Jogiyanto, 2003). Hal ini juga harus didukung oleh komponen-komponen sistem pakar yang mampu menggambarkan tentang ciri dan karakteristik tertentu.

PENDEKATAN PEMECAHAN MASALAH

Kecerdasan     Buatan      (Artificial Intelegence)

Kecerdasan buatan adalah salah satu bidang ilmu komputer yang mendayagunakan komputer sehingga dapat berperilaku seperti manusia (Hartati dan Iswanti, 2008). Kecerdasan buatan mengembangkan perangkat lunak dan perangkat keras untuk menirukan tindakan manusia. Aktifitas manusia yang ditirukan seperti: penalaran, penglihatan, pembelajaran, pemecahan masalah, pemahaman bahasa alami dan sebagainya. Teknologi kecerdasan buatan dipelajari dalam bidang-bidang seperti:

1.      Sistem pakar (expert system).

2.   Pengolahan bahasa alami (natural language processing).

3.   Pengenalan pola (pattern recognition).

4.          Pengenalan ucapan (speech recognition).

5.       Penglihatan Komputer (computer vision).

6.  Robotic (robotics).

7.       Sistem syaraf tiruan (Artificial Neural System).

Kecerdasan buatan menyelesaikan permasalahan dengan mendayagunakan komputer dengan cara mengikuti proses penalaran manusia. Salah satu teknik kecerdasan buatan yang menirukan proses penalaran manusia adalah sistem pakar.

Implementasi dari artificial intelegence saat ini dapat dalam bidang-bidang diantaranya :

1.      Fuzzy logic

Suatu metode artificial intelegence yang banyak terdapat pada alat-alat elektronik dan robot. Dimana alat-alat elektronik tersebut mampu berfikir dan bertingkah laku sebagaimana layaknya manusia.

2.      Computer vision

Suatu metode artificial intelegence yang memungkinkan sebuah sistem komputer mengenali gambar sebagai input-nya. Contohnya

adalah         mengenali          dan

membaca tulisan yang ada dalam gambar.

3.      Game

Suatu metode artificial intelegence yang berguna untuk meniru cara berfikir manusia dalam game. Contohnya adalah program Deep Blue yang mampu berfikir setara dengan seorang gandmaster catur.

4.      Speech recognition

Suatu metode artificial intelegence yang berguna untuk mengenali suara manusia dengan cara dicocokkan dengan acauan atau pattern yang teleh diprogramkan sebelumnya. Contohnya adalah suara dari user dapat diterjemahkan menjadi sebuah perintah bagi komputer.

5.      Expert system (sistem pakar) Suatu metode artificial intelegence yang berguna untuk meniru cara berfikir seorang ahli dalam mengambil keputusan berdasarkan situasi yang ada.

Pengenalan Sistem Pakar

Sistem pakar adalah sistem yang menggunakan pengetahuan manusia yang dimasukkan ke dalam komputer untuk memecahkan masalah-masalah yang biasanya diselesaikan oleh pakar (Turban, 2005). Sistem pakar yang baik dirancang dan dibangun agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para pakar. Bagi para pakar, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang cukup cerdas.

Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (mesin inferensi) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu. Tujuan dari sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubtitusikan pengetahuan manusia ke dalam bentuk program, sehingga dapat digunakan oleh orang banyak.

Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan, dalam sistem pakar proses inferensi dilakukan pada suatu modul yang berisi program tentang bagaimana mengendalikan proses reasoning (Kusrini, 2006).

Terdapat dua metode inferensi yang digunakan dalam sistem pakar, yaitu forward chaining dan backward chaining.

Forward Chaining

Menurut Hartati dan Iswanti (2008) Runut maju (Forward Chaining) merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan menuju konklusi akhir. Forward chaining biasa juga disebut sebagai penalaran forward (forward reasoning) atau pencarian yang dimotori data (data driven search). Jadi dimulai dari premis-premis atau informasi masukan (if) dahulu kemudian menuju konklusi atau derived information (then) atau dapat dimodelkan sebagai berikut :

IF (informasi masukan) THEN (konklusi)

Inferensi dimulai dengan informasi yang tersedia dan akan memperoleh konklusi. Informasi masukan dapat berupa data, bukti, temuan, atau pengamatan. Sedangkan konklusi dapat berupa

tujuan, hipotesa, penjelasan, atau diagnosis. Sehingga jalannya penalaran forward chaining dapat dimulai dari data menuju tujuan, dari bukti menuju hipotesa, dan temuan menuju penjelasan, atau dari pengamatan menuju diagnosa.

Pada metode forward chaining, sistem tidak melakukan praduga apapun, namun sistem menerima semua gejala yang diberikan user, kemudian sistem akan mengecek gejala-gejala tersebut memenuhi konklusi yang mana. (Hartati et al, 2008).

Backward Chaining

Konsep backward chaining dimulai dari pencarian solusi dari kesimpulan kemudian menelusuri fakta-fakta yang ada hingga menemukan solusi yang sesuai dengan fakta-fakta yang diberikan oleh user. Backward chaining merupakan proses penalaran dengan pendekatan goal-driven. Pendekatan goal-driven memulai titik pendekatannya dari goal yang akan dicari nilainya kemudian bergerak untuk mencari informasi yang mendukung goal tersebut.

Laptop

Laptop atau komputer jinjing adalah komputer bergerak yang berukuran relatif kecil dan ringan, beratnya berkisar dari 1-6 kg, tergantung ukuran, bahan, dan spesifikasi laptop tersebut. Sumber daya laptop berasal dari baterai atau adaptor A/C yang dapat digunakan untuk mengisi ulang baterai dan menyalakan laptop itu sendiri. Laptop terkadang disebut juga dengan komputer notebook atau notebook saja.

Berbeda dengan komputer desktop, laptop memiliki komponen pendukung yang didesain secara khusus untuk mengakomodasi sifat komputer jinjing yang portabel. Sifat utama yang dimiliki oleh komponen penyusun laptop adalah ukuran yang kecil, hemat konsumsi energi, dan efisien. Komputer jinjing biasanya berharga lebih mahal, tergantung dari merek dan spesifikasi komponen penyusunnya, walaupun demikian harga komputer jinjing pun semakin mendekati desktop seiring dengan semakin tingginya tingkat permintaan konsumen.

Komponen Hardware Laptop

Hardware (perangkat keras) sebuah komputer dapat dikelompokkan ke dalam empat komponen utama, yaitu input devices, central processing unit (CPU), backing storage (storage device) dan output devices. Input devices dan output devices dikelompokkan dalam satu bagian yang disebut peripheral, terletak disisi luar casing komputer (Sumarno, 2008). CPU dan backing storage dikelompokkan sebagai komputer yang terletak di dalam casing utama computer (Sumarno, 2008). Komponen Hardware Laptop antara lain : Motherboard, Chipset motherboard, Slot prosessor, Slot memori/RAM/SODIMM. LCD (Liquid Crystal, Display), Inverter, Keyboard dan touch pad, Hard disk, Drive optik, Slot PCMCIA, Infrared (sinar inframerah), WiFi, Port USB, Port LAN, Card reader, Firewire, Bluetooth, Adaptor, Baterai.

HASIL DAN PEMBAHASAN

Representasi Pengetahuan

Dalam perancangan aplikasi sistem pakar untuk diagnosis kerusakan hardware laptop, penulis memilih model kaidah produksi untuk merepresentasi pengetahuan yang di dapat. Kaidah produksi digunakan karena menghubungkan langsung antara “sebab” dan “akibat”. Sesuai dengan teknik diagnosis, dimana menghubungkan secara langsung kondisi objek dan konsekuensi tindakan yang harus dilakukan terhadap objek. Kondisinya berupa macam komponen, jenis komponen, gejala kerusakan dan ciri kerusakan sedangkan konsekuensinya berupa hasil diagnosa berdasarkan ciri kerusakan yang di dapat.

Sebelum sampai pada bentuk kaidah produksi, terdapat langkah-langkah yang harus ditempuh, yaitu menyajikan pengetahuan yang berhasil didapatkan dalam bentuk tabel keputusan (decision table) kemudian dari tabel keputusan dibuat pohon keputusan (decision tree) (Hartati dan Iswanti, 2008).

Kesimpulan

    Sistem yang dibuat oleh penulis bermanfaat bagi orang awam, dengan adanya aplikasi ini membuat user mudah mendeteksi kerusakan yang terjadi pada laptop tersebut, Solusi kerusakan yang diberikan, ditentukan oleh beberapa masukan (input-an user) seperti : data macam komponen terpilih, data jenis komponen terpilih, data gejala kerusakan terpilih dan data ciri kerusakan terpilih.

Daftar pustaka

http://jurnal-tip.net/jurnal-resource/file/12-Vol6No2Sep2013-Imam%20Gunawan.pdf

https://scholar.google.co.id/scholar?hl=id&q=PERANCANGAN+SISTEM+PAKAR+UNTUK+DIAGNOSIS+KERUSAKAN+HARDWARE+LAPTOP&btnG=

Read More