ALGORITMA GENETIK DAN APLIKASINYA

Pendahuluan:

Genetic Algorithm di usulkan pertama kali oleh John Holland dan teman-temannya di universitas Michigan untuk aplikasi seluler otomata. Teknik ini menjadi populer diantara saintis dan rekayasawan di seluruh dunia untuk memecahkan masalah optimasi mereka.

Aplikasinya antara lain adalah :

-job shop scheduling,

-pembelajaran pengendali neuro-fuzzy,

-pemrosesan citra dan optimasi kombinationarial

Konsep berfikir:

GA mensimulasikan proses yang terjadi pada populasi alamiah yang merupakan hal penting dalam proses evolusi. Di alam, induvidu di populasi saling bersaing untuk memperoleh sumber daya seperti makanan,baju, tempat tinggal dan pekerjaan. Induvidu yang yang berhasil akan bertahan hidup sedangkan induvidu yang tidak, akan mati dan punah.

GA secara khusus dapat di terapkan untuk memecahkan masalah optimasi yang kompleks. Karena itu GA baik untuk aplikasi yang memerlukan startegi pemecahan masalah secara adaptif. GA secara inheren parale karena pencarian pemecahan yang terbaik dilakukan melalui struktur genetik yang menyatakan sejumlah kemungkinan penyelesaian.

GA adalah salah satu teknik optimasi yang terkenal. Secara khusus ada 3 golongan teknik optimasi yaitu:

-Berbasis pada kalkulus

-Berbasis pada Enumeriatif/Perulangan

-Berbasis pada Pencarian Acak Terarah

Setelah Holand memaparkan idenya tentang tentang GA maka banyak peneliti yang mengusulkan berbagai variasi. Namun secara umum GA adalah teknik penanganan populasi.

Ide awal GA mengadopsi kebijakan penggantian umum dimana keseluruhan populasi diganti setiap generasi. Di pihak lain kebijakan keadaan tunak(Steady stete policy) menerapkan pergantian seleksi bagi populasi. Hal ini lebih alami karena di alam sudah biasa orang tua dan anak hidup berdampingan pada saat yang bersamaan


Penyajian induvidu dari GA biasanya menggunakan sekumpulan bilangan biner. Tetapi penyajian biner ini memiliki beberapa kelemahan bila diaplikasikan pada masalah multidimensional dan persamaa numerik yang persisi.


Contoh:

Bila suatu masalah memiliki 100 variabel dengan ranah (-500 sd 500) memerlukan ketelitian 6 angka di belakang koma, maka akan diperlukan vektor solusi biner 3000. Itu berarti ada 101000 ruang pencarian yang diperlukan. Untuk persoaln tersebut GA memiliki kinerja yang buruk

Algortima ini bekerja dengan sebuah populasi yang terdiri dari induvidu-induvidu yang masing-masing induviidu mempresentaskan sebuah solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini sebuah induvidu dilambangkan dengan nilai ”FITNESS” yang akan digunakan untuk mencari nilai solusi yang yang terbaik dari persoalan yang ada.

Dalam teori genetika sebuah induvidu akan mengalami perkembang biakan, dimana pada saat perkembang biakan tersebut terdapat penurunan sifat kepada keturunannya(offspring). Keturunan ini dapat memiliki sifat gabungan dari kedua Parentnya. Sifat ini dapat dimiliki dengan mutasi atau crossover dari parentnya. Pada saat penurunan sifat maka akan terdapat induvidu baru yang akan di seleksi alam. Bila turunan tersebut mampu baik maka akan mampu bertahan, sebaliknya pula bila tidak maka akan musnah. Pada akhirnya kita akan mendapat keturunan yang terbaik. Nah induvidu yang terbaik tersebut adalah solusi optimal bagi permasalahan kita.

Algoritma Dari Genetic Algorithm

Membangun sebuah populasi yang terdiri atas beberapa gen atau direpresentasikan dengan String.
Evaluasi masing masing String (Fitness Value)
Proses Seleksi agar didapatkan string yang baik
Manupulasi genetika untuk mendapatkan induvidu yang baru dari string
Sejarah Genetic Algorithm

Teori darwin yang sempat membuat orang orang berfikir bahwa manusia berasal dari kera, bahkan lebih rendah telah membuat membutakan kita sekitar abad 19 hingga beberapa tahun belakangan ini. Pada abad ke 19 banyak ilmuwan yang mencoba untuk membuktikan dan mensimulasikannya. Neo darwinisme yang menyebutkan bahwa sejarah kehidupan mahkluk hidu[ adalah melalui suatu mekanisme proses statistika yang terjadi antara populasi dan spesies, yang dikenal dengan proses manipulasi genetika. Proses ini masing-masing adalah reproduksi, mutasi, kompetisi dan pemilihan.


Cikal bakal penggunaan GA untuk pencarian dalam sistem buatan di prakarsai oleh beberapa ahli biologi yang menggunakan komputer digital untuk mengerjakan simulasi dari sistem genetika. Diantara para ahli tersebut adalah:

Baricelli, N.A pada tahun 1957 melakukan penelitian tentang proses evolusi simbiogenetik yang direalisasikan dengan sistem artificial.
Baricelli, N.A pada tahun 1962 mengajukan teory evolusi dan analisis numeriknya
Fraser, A.S pada tahun 1960 menyimulasikan sistem genetika dengan komputer, yang meliputi aspek-aspek S-linkage,dominasi dan epistasis.
Meskipun penelitian –penelitian tersebut bertujuan untuk meneliti gejala alam namun yang mereka kerjakan secar kebetulan memiliki pemikiran paralel yang memunculkan ide tentang Genetic Algorithm.

Fraser mensimulasikan evolusi dari 15 bit Biner sebagai string generasi dan menghitung presentasi dari induvidu-induvidu yang terpilih oleh fenotip dengan generasi-generasi yang berurutan.pada saat itu fraser tidak menyebutkan dalam laporannya bahwa algoritma pencarian dalam gejala alam akan berguna dalam sistem buatan, namun ternyata hasil dari penmuannya ternyata menyerupai optimasi fungsi.

Hal itulah yang memberikan inspirasi bagi John Holand dan murid-muridnya untuk mengaplikasikan proses genetika ini pada sistem buatan.holand menancapkan pondasi dalam karya tulisnya pada teory sistem adaptif yaitu:

Concern efficient adaptive systems(1962)
Information prosessing and prosesing systems(1962)
Outline for a logical theory of adaptive sistems(1962)
Tahun 1962-1965 holand mengajar tentang theory of adaptive sistem dan sering memberikan seminar-seminar tentang ini. Dalam masa itu penyempurnaan GA makin jelas. Selanjutnya dibuatlah rumus standart untuk GA ini.

Istilah-istilah dalam genetic Algorithm

Sebelum memasuki lebih lanjut tentang GA ini maka ada baiknya kita mengenal istilah –istilah dari genetik algorithm ini:

Parameter Genetic Algorithm


Dalam GA ada beberapa parameter yang menjadi acuan yang standar dalam menentukan proses optimasi. Beberapa diantaranya adalah:

Ukuran populasi
Probabilitas CrossOver
Probabilitas Mutasi
Teroma Skema


Tahap1

Teorema skema merupakan dasar teory yang menjelaskan bagaimana Genetic algorithm bekerja. Skema adalah keserupaan pola dalam mendeskripsikan suatu himpunanan bagian dari beberapa string yang mempunyai kesamaan pada posisi tertentu. Sebuah skema dibentuk dengan menambahkan sebuah simbol spesial, yaitu sebuah simbol * (don’t care) dalam representasi biner(0 atau 1).

Contoh: *01 adalah 101 atau 001 yaitu 5 atau 1

Tahap2

Tingkatan dari sebuah skema S(dinotasikan denga o(S)) menunjukkan jumlah dari posisi angka 0 atau 1 yang sudah tetap(Bukan posisi don’t care) yang ada dalam skema. Tingkatan ini menunjukkan spesialisasi dari sebuah skema. Contoh:

S1=(* * * 0 0 1 * 1 1 0)

S2=(* * * * 0 0 * * 0 * )

S3=(1 1 1 0 1 * * 0 0 1)

Dimana

o(S1)= 6

o(S2)= 3

o(S3)= 8

Tahap3

Batasan panjang dari skema S (dinotasikan dengan δ(S)) adalah jarak antara posisi angka 0 atau 1 yang pertama hingga terakhir. Angka ini menunjukkan kerapatan informasi yang ada dalam sebuah skema. Contoh:

δ (S1)= 10-4=6;

δ (S2)= 9-5 =4;

δ (S3)= 10-1=9;



Mekanisme Genetic Algorithm

Mekanisme yang ada dalam Genetic Algoritm adalah sangat sederhana. Yaitu hanya melibatkan penyalinan string dan pertukaran bagian string.

Siklus perkembangbiakan GA diawali dengan pembuatan himpunan solusi secara acak yang dinamakan populasi. Dimana didalamnya terdapat induvidu-induvidu yang dinamakan kromosom. Kromosom ini secara lambat laun mengalami iterasi ’Perkembangbiakan’ dalam sebuah generasi. Selama dalam sebuah generasi kromosom-kromosom ini di evaluasi dengan menggunakan rumus yang telah ditentukan dengan rumus fitness.

Untuk menciptakan generasi berikutnya dengan kromosom yang baru (offspring) dapat dilakukan dengan menggabungkan dua potongan kromosom yang telah didapatkan dengan operator crossover atau mutasi. Sebuah generasi baru sebelum dievaluasi lagi, maka dia melalui proses seleksi berdasarkan fungsi fitnessnya. Dari kreasi ini kromosom-kromosom yang paling fit mempunyai kemungkinan besar untuk diseleksi.

Setelah beberapa generasi maka algoritma ini akan mengalami konvergen pada kromosom terbaik yang merupakan nilai optimum dari permasalahan yang diselesaikan.

PROSES GENETIC ALGORITHM

Langkah pertama dalam pemecahan masalah dengan GA adalah pengkodean terhadap masalah yang akan kita pecahkan. Pada algoritma ini dalam mengasumsikan sebuah solusi untuk sebuah persoalan dimungkinkan dengan diwakili oleh satu set parameter. Parameter ini dinamakan gen. Berisi nilai-nilai yang bersatu membentuk string(Kromosom).

Selanjutnya kromosom yang berkumpul membentuk populasi. Dari sebuah populasi inilah GA memulai untuk pencarian.

Dalam GA fungsi Fitness harus dirancang sesuai dengan masing-masing masalah yang akan diselesaikan. Misalnya saja untuk masalah mencari rute terpendek dari suatu perjalanan, maka fungsi Fitnessnya adalah jarak tempuh. Sedangkan untuk optimasi penjadwalan kuliah fungsi Fitnessnya melibatkan faktor-faktor seperti adanya dua kuliah atau lebih yang akan diajarkan dalam satu kelas, kepadatan dosen mengajar setiap hari, penempatan kuliah dan praktikum tidak semestinya.

Sebagai contoh untuk pengkodean jika kita mempunyai masalah yaitu mencari maximum sebuah fungsi dari 3 variabel(x,y,z) dan akan menampikan masing-masing variabel dengan 6 bit. Dari contoh ini kita melakukan pengkodean dengan membentuk kromosom yang terdiri dari 3 gen yang masing-masing gen terdiri dari 6 bit sehingga sebuah kromosom terdiri dari 18 bit.

Suatu hal yang sangat mendasar dari GA adalah bahwa algoritma ini bekerja pada daerah pengkodean dan daerah solusi. Operasi genetika (CrossOver dan Mutasi) bekerja pada daerah pengkodean, sedang proses evaluasi dan proses seleksi bekerja pada daerah solusi.

Dalam reperesentasi nonBiner, ada dua hal yang perlu diperhatikan untuk pengkodean baik dalam fenotip ataupun genetik. Yaitu:

Feasibilitas dan legalitas dari sebuah kromosom
Pemetaan
Feasibilitas adalah apakah solusi/kromosom berada pada daerah yang feasible dari domain permasalahan InFeasibilitas kromosom menghilangkan kealamian batasan-batasan dalam permasalah optimasi. Legalitas adalah apakah suatu solusi/kromosom dapat menyelesaikan masalah

Untuk beberapa permasalahan kasus metode pinalti telah diajukan untuk mengatasi kasus kromosom yang tidak dimungkinkan. Dalam permasalan kasus optimasi nilai optimum secara typikal akan berada di wilayah antara daerah yang mungkin ataupun yang tidak mungkin. Penerapan metode pinalti akan mengeksploitasi pencarian GA pada nilai optimum di dua daerah tersebut.

Kromosom-kromosom yang tidak legal menghilangkan kealamian dari teknik encoding. Untuk beberapa permasalah kombinational, beberapa cara digunakan untuk menghindari keturunan yang tidak legal karena tidak dapat mewakili suatu solusi, dalam arti kromosom tersebut tidak dapat di evaluasi. Sah satu cara, misalnya PMX operator. Metode ini digunakan untuk mencegah dihasilkannya kromosom yang tidak mungkin dan tidak ilegal.

Pemetaan dari kromosom-kromosom ke solusi memungkinkan satu dari tiga kasus ini terjadi:

Pemetaan dari 1 ke –n
Pemetaan dari 1 ke 1
Pemetaan dari –n ke 1
Pemetaan 1 ke 1 merupakan pemetaan terbaik, karena dari pemetaan ini satu kromosom dapat dipasangkan dengan satu solusi. Pada pemetaan –n ke 1, sejumlah –n kromosom mewakili satu solusi yang sama, sedangkan pemetaan 1 ke –n adalah pemetaan yang tidak diinginkan karena merelasikan satu kromosom dengan banyak solusi, yang menjelaskan banyak solusi sehingga menjadi tidak jelas solusi mana yang sebenarnya yang ditujukan.

OPERASI DALAM GENETIC ALGORITHM

Dengan mekanisme GA seperti di jelaskan pada artikel sebelumnya, setelah dilakukan pendefinisian terhadap kode GA selanjutnya adalah dilakukan operasi-operasi tertentu yang melibatkan 2 faktor utama yaitu:

Operator seleksi yang melibatkan proses seleksi didalamnya.
Operasi genetika yang melibatkan Crossover dan mutasi
Fungsi Evaluasi

Disamping representasi , fungsi evaluasi juga merupakan masalah yang penting dalam dalam GA. Fungsi Evaluasi yang baik harus mampu memberikan nilai fitness yang sesuai dengan kinerja kromosom.

Pada permuaan optimasi, biasanya nilai fitness masing-masing induvidu masih mempunyai rentang yang besar. Seiring dengan bertambahnya generasi, beberapa kromosom mendominasi populasi dan mengakibatkan konvergensi dini.

Problem klasik dalam GA adalah beberapa kromosom dengan nilai fitness yang tinggi(tetapi bukan nilai optimum) mendominasi populasi dan mengakibatkan GA konvergen pada local optima. Ketika populasi konvergen, Kemampuan GA untuk mencari solusi yang baik hilang, Crossover antara kromosom yang hampir identik menghasilkan offspring yang identik. Dalam kondisi ini hanya operasi mutasi yang mampu menghasilkan kromosom yang relatif baru dan merupakan cara untuk menghindari kromosom super untuk mendominasi populasi.

Fungsi Seleksi

Pada proses evaluasi GA, keragaman populasi dan selection Pressure memegang peranan penting. Keduanya berkaitan erat. Meningkatnya tekanan seleksi akan berakibat pada minimnya keragaman populasi, sebaliknya tekanan seleksi yang terlalu longgar akan mengakibatkan banyaknya ragam dari kromosom sehingga pencarian tidak effisien.

Jaringan Semantik,Frame dan Script Untuk Game Doom 3

Jaringan Semantik

Suatu network yang disebut dengan network semantik merepresentasikan pengetahuan dalam bentuk graf, dimana sim­pul pada graf tersebut menunjukkan fakta atau konsep, sedangkan lengkungan menggambarkan hubungan atau relasi antar konsep tersebut.

 Pengertian lain dari jaringan semantic yaitu:

    * Merupakan gambaran pengetahuan grafis yang menunjukkan hubungan antar ber­bagai obiek.

    * Menunjukkan sejumlah lingkaran yang menggambarkan objek dan informasi deskriptif tentang objek‑objek.

    * Objek tersebut bisa merupakan jenis fisik seperti buku, mobil, meja, atau bahkan orang.

    * Node bisa merupakan pikiran, kejadian atau tindakan

BENTUK LINKS

IS-A     : menunjukkan hubungan kelas,

HAS-A : untuk mengidentifikasi karakteristik atau atribut objek noda.

AKO    : untuk menghubungkan satu jenis ke jenis yg lain

Jaringan Semantik, kalimatnya sebagai berikut :

Seorang player bertemu dengan zombie di semua stage dan melawan zombie tersebut dengan senjata AK47 atau dengan pisau. jika keadaaan stage gelap player menggunakan senter untuk penerangan.

 

BINGKAI (FRAME)

Dengan menggunakan representasi network, kita melihat pengetahuan diatur dengan menggunakan penghubung antar obyek dalam basis pengetahuan.
Selain itu, kita dapat mengatur pengetahuan ke dalam unit‑unit yang lebih kompleks yang menggam­barkan situasi atau obyek yang rumit dalam domain.

Unit‑unit ini disebut bingkai (frame).
Frame biasanya digunakan untuk  merepresentasikan pengetahuan stereotype atau pengetahuan yang didasarkan kepada karakteristik yang sudah dikenal yang merupakan pengalaman‑pengalaman.
Dalam bentuk fisik, frame  merupakan suatu gambaran seperti "garis besar" yang sudah dikatagorikan dan sub katagori.
Hampir semua sistem artificial intelligence terbuat dari kumpulan frame‑frame yang dalam hal ini satu sama lain saling berhubungan.
Secara bersama‑sama mereka (frame‑frame) membentuk suatu hirarki yang dapat digunakan untuk maksud penalaran.
Untuk menggunakan sistem frame, kita harus membuat program frame itu sendiri dengan menggunakan bahasa pemograman Al.


Deskripsi Frame untuk DOOM 3


Frame Karatker:

Spesialisasi dari : Manusia

Bertubuh            : Tinggi

Berbaju              : Loreng2


Frame Zombie

Spesialisasi    : Manusia Terinfeksi virus

Bertubuh        : rusak tidak karuan

Berbaju          : compang camping

Bermata         : Merah

Sifat               : Haus akan darah hangat

Seputar game DOOM 3

Doom 3 adalah fiksi ilmiah, horor survival, first-person shooter video game. Dikembangkan dan diterbitkan oleh id Software, dirilis pada tanggal 3 Agustus 2004. Doom 3 bukan merupakan kelanjutan langsung dari seri Doom alur cerita asli. Doom 3 adalah membayangkan ulang dari permainan pertama dalam seri, dan memiliki mesin permainan benar-benar baru dan grafis modern.

Doom 3 diatur pada tahun 2145 di pusat (UAC) penelitian fiksi Union Aerospace Corporation di Mars. Dalam permainan, pemain mengambil kendali dari suatu pengganti keamanan UAC laut saat ia berjuang untuk bertahan hidup invasi misterius setan antar-dimensi. Dalam prosesnya, kelautan belajar lebih banyak tentang sifat bayangan penelitian sedang dilakukan dalam basis besar, serta informasi mengenai penghasut utama, Dr Malcolm Betruger.

Perintah-perintah AI dalam game DOOM 3

Pada penulisan ini akan dijabarkan perintah-perintah AI dalam permainan DOOM 3 seperti dibawah ini:

findEnemy [useFOV]	Menampilkan musuh yang aktor dapat lihat. IfuseFOV benilai benar maka hanya akan menampilkan musuh dalam jarak pandang aktor. Returns null jika aktor berada di luar PVS pemain.
findEnemyAI [useFOV]	Membuat musuh hidup yang dapat dilihat oleh aktor (bukan musuh pertama, maupun musuh yang terdekat)
findEnemyInCombatNodes	Membuat musuh yang hidup membidik aktor saat terlihat oleh musuh

Persyaratan sistem minimum untuk game DOOM 3

Todd Hollenshead, chief executive id, mengatakan Doom 3 akan memerlukan spesifikasi sistem ini:

• Sebuah Intel 1.5-gigahertz Pentium 4 chip atau AMD Athlon 1500.• 384 megabyte memori.
• Dua gigabyte hard drive space.
• Sebuah nVidia GeForce 3 kartu grafis atau yang lebih baik; atau Technologies ATI 8500 atau lebih baik.

Ini adalah upgrade terbaik yang dapat anda buat untuk bermain Doom 3. Kartu grafis diupgrade agar PC anda tidak meminjam memori dari sistem utama.

ATI Technologies dan nVidia adalah dua penyedia terbesar kartu grafis. Namun kedua penyedia kartu grafis tersebut memiliki keunggulan tersendiri.Untuk nVidia GeForce FX mengeluarkan seri terbarunya 6800 atau ATI Radeon sudah mengeluarkan seri 9800 sebagai seri terbarunya dan seri-X yang lebih baru

Jika Anda upgrade, cari setidaknya 128 MB memori video dalam kartu dengan Direct X 9.0 dan kemampuan yang dapat menginstall ke slot AGP. Kartu dalam kisaran $ 150 sampai $ 200 - seperti 5900XT GeForce atau Radeon 9600XT - akan menjadi pilihan yang tepat

Memori. Minimum untuk menjalankan game ini adalah 384 MB. Banyak PC mainstream beberapa tahun terakhir menggunakan memori 128 atau 256 MB. Jika anda ingin bermain Doom 3 maka lebih banyak meori lebih baik. Penulis merekomendasikan 512 M, dan penambahan hingga gigabyte akan lebih baik lagi.

Harddisk. Hardware ini termasuk kategori yang mungkin tidak perlu penambahan namun jika hardisk anda sudah penuh anda harus menghapus beberapa data yang sudah tidak digunakan. Untuk game ini dibutuhkan 4GB kapasitas dalam harddisk

Processor. Meskipun hardware ini sulit untuk di upgrade namun anda harus memiliki minimal 1.5 GHz untuk memainkan game ini, tapi idealnya untuk memainkan game ini adalah 3GHz atau lebih

Sumber : http://www.dvhardware.net/article2795.html

Jaringan Syaraf Tiruan untuk Pemula

Carlos Gershenson

C.Gershenson@sussex.ac.uk

1.       Pengenalan

Ruang lingkup paket ini adalah untuk mengajarkan membuat induksi singkat untuk Jaringan Syaraf Tiruan (ANNs) bagi orang yang tidak memiliki pengetahuan sebelumnya. Kami pertama-tama membuat dengan singkat tentang pengenalan model jaringan, kemudian menjelaskan Jaringan Syaraf Tiruan secara umum. Sebagai sebuah aplikasi, kita menjelaskan algoritma backpropagation, karena digunakan secara luas dan banyak algoritma lainnya yang berasal dari algoritma backpropagation itu.

Pengguna harus tahu aljabar dan penanganan fungsi dan vektor. Kalkulus diferensial dianjurkan, tetapi tidak begitu di perlukan. Isi paket ini harus dipahami oleh orang-orang dengan pendidikan sekolah tinggi. Ini akan bermanfaat bagi orang yang ingin tahu tentang apa itu Jaringan Syaraf Tiruan dan untuk orang yang ingin mengenal apa itu Jaringan Syaraf Tiruan, jadi ketika mereka mempelajari nya secara lengkap, mereka akan memiliki pengertian yang jelas tentang Jaringan Syaraf Tiruan. Bahan ini juga berguna orang-orang yang hanya ingin menerapkan algoritma backpropagation tanpa penjelasan rinci dan formal. Pekerjaan ini tidak harus dilihat sebagai "Nets untuk dummies", tapi juga bukan sebuah istilah. Sebagian besar formalitas yang dilewati demi kesederhanaan. Penjelasan dan demonstrasi lebih rinci dapat ditemukan dalam pembacaan ini. Termasuk latihan untuk melengkapi pemahaman teori. Sumber daya on-line sangat dianjurkan untuk memperluas induksi singkat.

2.       Jaringan

Salah satu cara yang efisien untuk memecahkan masalah kompleks adalah mengikuti metode "divide dan conquer ". Sebuah sistem yang kompleks dapat dipecah menjadi unsur-unsur sederhana, agar mudah untuk memahaminya. Juga unsur-unsur sederhana dapat dikumpulkan untuk menghasilkan suatu sistem yang kompleks (Bar Yam, 1997). Jaringan adalah salah satu pendekatan untuk mencapai hal ini. Ada sejumlah besar berbagai jenis jaringan, dan dicirikan oleh komponen-komponen berikut: menetapkan node, dan koneksi antara node.

Node dapat dilihat sebagai unit komputasi. Mereka menerima masukan, dan proses untuk memperoleh output. Pengolahan ini mungkin sangat sederhana (seperti menjumlahkan input) dan cukup kompleks (mungkin berisi node jaringan lain ...).

Koneksi menentukan arus informasi antara node.Mereka bisa searah, ketika informasi mengalir hanya dalam satu sisi, dan dua arah, ketikaarus informasi dalam arti baik.

Meskipun koneksi Interaksi node mengakibatkan perilaku global dari jaringan yang tidak dapat diamati dalam elemen-elemen jaringan. Perilaku global dikatakan muncul. Ini berarti bahwa kemampuan jaringan supercede yang dari elemen tersebut, membuat jaringan alat yang sangat kuat.

Jaringan digunakan untuk model berbagai fenomena dalam fisika, ilmu komputer,

biokimia, etologi, matematika, sosiologi, ekonomi, telekomunikasi, dan banyak lainnya. Hal ini karena banyak sistem dapat dilihat sebagai sebuah jaringan: protein, komputer, masyarakat, dll . Adakah sistem lain yang bisa Anda lihat sebagai suatu jaringan? Mengapa?

3.       Jaringan Syaraf Tiruan

Salah satu jenis jaringan melihat node sebagai  'neuron buatan'. Ini disebut jaringan saraf buatan (Anns). Sebuah neuron buatan adalah model komputasi yang terinspirasi dalam alam neuron. Alam neuron menerima sinyal melalui sinapsis yang terletak di dendrite atau membran neuron. Ketika sinyal yang diterima cukup kuat (melampaui ambang batas tertentu), neuron diaktifkan dan memancarkan sinyal akson. Sinyal ini mungkin dikirim ke sinaps yang lain, dan mungkin mengaktifkan neuron lainnya.

Kompleksitas neuron yang sebenarnya sangat abstrak ketika pemodelan neuron buatan. Ini pada dasarnya terdiri dari input (seperti sinapsis), yang dikalikan dengan bobot (Kekuatan sinyal masing-masing), dan kemudian dihitung dengan fungsi matematika yang menentukan aktivasi neuron. Fungsi lain (identitas yang mungkin)

menghitung output dari neuron buatan (kadang-kadang dalam ketergantungan suatu ambang batas tertentu). Anns menggabungkan neuron buatan untuk memproses informasi.

Semakin tinggi berat suatu neuron buatan, semakin kuat input yang dikalikan dengan nya. Berat juga bisa negatif, sehingga kita dapat mengatakan bahwa sinyal terhambat oleh berat negatif. Tergantung pada berat, perhitungan neuron akan berbeda. Dengan menyesuaikan bobot dari neuron buatan kita dapat memperoleh output yang kita inginkan untuk input tertentu. Tetapi ketika kita memiliki ANN dengan ratusan atau ribuan neuron, akan cukup rumit untuk menemukan dengan tangan semua bobot yang diperlukan. Tapi kita bisa menemukan dengan menggunakan algoritma yang dapat menyesuaikan bobot  dalam rangka untuk mendapatkan hasil yang diinginkan dari jaringan. Proses penyesuaian bobot disebut pembelajaran atau pelatihan.

Disini kami menggunakan algoritma backpropagation (Rumelhart dan McClelland, 1986) untuk pembelajaran bobot yang tepat, karena merupakan salah satu model yang paling umum digunakan di Anns.

Karena fungsi Anns adalah untuk memproses informasi, mereka digunakan terutama di bidang yang terkait dengan itu. Ada berbagai Anns yang digunakan untuk model saraf nyata jaringan, dan perilaku studi dan kontrol pada hewan dan mesin, tetapi juga ada

Anns yang digunakan untuk tujuan rekayasa, seperti pengenalan pola, peramalan,

dan data kompresi.

(Sumber arxiv.org/pdf/cs/0308031)

Jaringan Saraf Tiruan

ARTIFICIAL INTELLEGENCE

AI (Atificial Intellegence) adalah cabang ilmu komputer yang bersangkutan dengan pembuatan komputer atau alat yang berperilaku  seperti manusia.istilah ini diciptakan pada tahun 1956 oleh john mccarthy dari MIT.

1.       game permainan : program komputer yang digunakan untuk membuat permainan game seperti permainan catur
2.       sistem pakar : pemrograman komputer yang digunakan untuk membantu dalam pengambilan keputusan dalam situasi pada kehidupan nyata misalnya sistem pakar yang membantu dokter mendiagnosa penyakit berdasarkan gejala.
3.       Bahasa alam : pemrograman komputer yang dibuat untuk memahami bahasa alami manusia.
4.       jaringan saraf buatan : sistem yang mensimulasikan kecerdasan dengan mencoba untuk mereproduksi jenis koneksi fisik yang terjadi pada makhluk hidup.
5.       robotika : pemrograman komputer yang dibuat untuk dapat melihat, mendengar dan bereaksi terhadap rangsangan sensorik.

Saat ini, tidak ada teknologi computer yang merepresentasikan kecerdasan buatan secara detail atau mengikuti aslinya. Kemajuan terbesar terjadi pada ranah permainan game. Program permainan catur computer terbaik sekarang telah mampu mengalahkan manusia. Pada bulan Mei 1997, IBM super computer yang disebut deep blue dapat menglahkan pecatur dunia Gary Kasparov.dalam pertandingan catur.

Di bidang robotika computer ini sudah banyak digunakan di pabrik perakitan, tetapi kemampuannya masih terbatas. Robot mengalami kesulitan yang besar untuk mengidentifikasi objek berdasarkan bentuknya. Dan robot masih bergerak dengan alur gerak yang belum sempurna.

Dan pada awal tahun 1980-an, sistem pakar dipercaya dapat merepresentasikan masa depan dari kecerdasan buatan dan computer secara umum. Untuk saat ini, bagaimanapun, mereka belum terbangun sesuai dengan yang diperkirakan. Banyak sistem pakar telah membantu para ahli dalam berbagai bidang seperti kedokterandan teknik, tetapi teknologi tersebut sangatlah mahal untuk diproduksi dan hanya dapat membantu dalam situasi tertentu.

Pada saat ini, cakupan yang paling banyak dibicarakan adalah tentang jaringan saraf buatan, yang telah terbukti berhasil dalam sejumlah disiplin ilmu seperti pengenalan suara dan pengolahan bahasa alam.

 (sumber : www.webopedia.com/TERM/artificial_intellegence.html)

Jaringan syaraf tiruan : Suatu persyaratan untuk sistem cerdas

Sepanjang tahun, perubahan komputasi telah membawa pertumbuhan untuk teknologi baru. Demikianlah kasus jaringan syaraf tiruan, yang selama bertahun-tahun, mereka telah memberikan berbagai solusi untuk industri.

Merancang dan menerapkan sistem cerdas telah menjadi faktor penting untuk inovasi dan pengembangan produk yang lebih baik bagi masyarakat. Inovasi dan pengembangan produk adalah kasus pelaksanaan kehidupan buatan serta memberikan solusi untuk interogatif bahwa sistem linear tidak mampu menyelesaikan.

Sebuah jaringan syaraf adalah sebuah sistem paralel, yang mampu menyelesaikan paradigma yang komputasi linear tidak bisa.  Selama musim panas 2006, sistem perlindungan tanaman yang cerdas diperlukan oleh pemerintah. Sistem ini akan melindungi bidang tanaman dari malapetaka musim. Sistem ini terdiri atas sebuah kendaraan terbang yang akan memeriksa ladang tanaman dengan terbang di atas mereka.

Sekarang, bayangkan betapa sulitnya ini. Siapapun yang bisa memahami tugas seperti itu akan mengatakan bahwa proyek ini ditujukan untuk sebuah perusahaan multimiliuner yang mampu mengembangkan teknologi tersebut. Namun demikian, perusahaan yang dipilih adalah dari kelompok kecil yang terdiri dari insinyur cerdas. Terlepas kurangnya pengalaman, tim itu berkualitas. Tim ini dibagi menjadi 4 bagian dimana setiap bagian dirancang untuk mengembangkan sub-sistem tertentu. Pemimpin adalah spesialis elektronik. Dia mengembangkan sistem elektronik. Anggota lain adalah seorang mekanik dan spesialis hidrolika. Ia mengembangkan sistem penggerak. Anggota ketiga adalah seorang insinyur sistem yang mengembangkan semua perangkat lunak, dan sistem komunikasi. Anggota terakhir merancang untuk mengembangkan semua berhubungan dengan avionik dan kecerdasan buatan.

Semuanya berjalan baik. Ketika waktu datang untuk menempatkan potongan bersamaan, semua dilengkapi dengan sempurna sampai mereka menemukan robot tidak memiliki pengetahuan tentang tugasnya. Apa yang terjadi? Yang ditunjuk untuk mengembangkan semua kecerdasan buatan lupa "mengajarkan sistem". Solusi akan mudah, namun, pelatihan jaringan syaraf diperlukan alat tambahan. Insinyur yang ditunjuk untuk mengembangkan sistem cerdas melewati ini.

Solusi terbaik adalah memperoleh perangkat lunak jaringan syaraf tiruan. Untuk harga yang terjangkau, tim membeli perangkat lunak, dan dengan bantuannya, mereka merancang dan melatih sistem tanpa masalah.

Cerita berakhir dengan memuaskan, tetapi hanya di beberapa bagian dari desain.Sistem penggerak bekerja sempurna sebagai perangkat lunak dan perangkat komunikasi. Sistem cerdas adalah melakukan tugasnya. Meskipun demikian, proyek ini gagal total. Mengapa? Mereka tidak pernah mengajarkannya cara terbang.