i).

>> p = [[0.1614;0.1394;0.1171] [0.1394;0.1171;0.1070] [0.1171;0.1070;0.1342]

[0.1070;0.1342;0.1738] [0.1342;0.1738;0.4204] [0.1738;0.4204;0.6896]
[0.4204;0.6896;0.6363]];
>> t = [0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657];
>> net=newff([0.1070 0.4204; 0.1070 0.6896; 0.1070 0.6896],[3,1],{'tansig','purelin'},'traingd');
>> net.IW{1,1};
>> net.trainParam.show = 10;
>> net.trainParam.lr = 0.01;
>> net.trainParam.epochs = 1;
>> net.trainParam.goal = 1e-5;
>> a = sim(net,p)

a=
-0.4143 -0.4050 -0.3260 -0.2186 0.3170 0.5046 0.3553

>> [a,Pf,Af,e,perf] = sim(net,p,[ ],[ ],t)

a=
-0.4143 -0.4050 -0.3260 -0.2186 0.3170 0.5046 0.3553

Pf =
[]
Af =
[]

e=
0.5213 0.5392 0.4998 0.6390 0.3726 0.1317 0.0104

perf =
0.1967

Desired Actual
X1 X2 X3 Error Performance
Output (t) Output (a)
0.1614 0.1394 0.1171 0.1070 -0.4143 0.5213
0.1394 0.1171 0.1070 0.1342 -0.4050 0.5392
0.1171 0.1070 0.1342 0.1738 -0.3260 0.4998
0.1070 0.1342 0.1738 0.4204 -0.2186 0.6390 0.1967
0.1342 0.1738 0.4204 0.6896 0.3170 0.3726
0.1738 0.4204 0.6896 0.6363 0.5046 0.1317
0.4204 0.6896 0.6363 0.3657 0.3553 0.0104

ii).

>> p = [[0.1614;0.1394;0.1171] [0.1394;0.1171;0.1070] [0.1171;0.1070;0.1342]

[0.1070;0.1342;0.1738] [0.1342;0.1738;0.4204] [0.1738;0.4204;0.6896]
[0.4204;0.6896;0.6363]];
>> t = [0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657];
>> net=newff([0.1070 0.4204; 0.1070 0.6896; 0.1070 0.6896],[3,1],{'tansig','purelin'},'traingd');
>> net.IW{1,1};
>> net.trainParam.show = 10;
>> net.trainParam.lr = 0.01;
>> net.trainParam.epochs = 100;
>> net.trainParam.goal = 1e-5;
>> [net,tr]=train(net,p,t);

1
TRAINGD, Epoch 0/100, MSE 0.196696/1e-005, Gradient 1.27304/1e-010
TRAINGD, Epoch 10/100, MSE 0.0907155/1e-005, Gradient 0.784086/1e-010
TRAINGD, Epoch 20/100, MSE 0.049744/1e-005, Gradient 0.49616/1e-010
TRAINGD, Epoch 30/100, MSE 0.0327756/1e-005, Gradient 0.328726/1e-010
TRAINGD, Epoch 40/100, MSE 0.0249382/1e-005, Gradient 0.232348/1e-010
TRAINGD, Epoch 50/100, MSE 0.0207786/1e-005, Gradient 0.176307/1e-010
TRAINGD, Epoch 60/100, MSE 0.0182488/1e-005, Gradient 0.142005/1e-010
TRAINGD, Epoch 70/100, MSE 0.0165432/1e-005, Gradient 0.11903/1e-010
TRAINGD, Epoch 80/100, MSE 0.0153175/1e-005, Gradient 0.102065/1e-010
TRAINGD, Epoch 90/100, MSE 0.0144053/1e-005, Gradient 0.0885609/1e-010
TRAINGD, Epoch 100/100, MSE 0.0137144/1e-005, Gradient 0.0773027/1e-010
TRAINGD, Maximum epoch reached, performance goal was not met.

iii) .

>> a = sim(net,p)

a=
0.0955 0.1043 0.1787 0.2682 0.5970 0.6615 0.6158

>> [a,Pf,Af,e,perf] = sim(net,p,[ ],[ ],t)

a=
0.0955 0.1043 0.1787 0.2682 0.5970 0.6615 0.6158

Pf =
[]

Af =
[]

2
e=
0.0115 0.0299 -0.0049 0.1522 0.0926 -0.0252 -0.2501

perf =
0.0137

Desired Actual
X1 X2 X3 Error Performance
Output (t) Output (a)
0.1614 0.1394 0.1171 0.1070 0.0955 0.0115
0.1394 0.1171 0.1070 0.1342 0.1043 0.0299
0.1171 0.1070 0.1342 0.1738 0.1787 -0.0049
0.1070 0.1342 0.1738 0.4204 0.2682 0.1522 0.0137
0.1342 0.1738 0.4204 0.6896 0.5970 0.0926
0.1738 0.4204 0.6896 0.6363 0.6615 -0.0252
0.4204 0.6896 0.6363 0.3657 0.6158 -0.2501

2. apa yang saudara ketahui mengenai teknik artifisial neural network dan expert system selanjutnya
jelaskan sejauhmana kedua teknik ini di aplikasikan ?
jawab :
a) Artifial Neural Network (ANN)

Artificial Neural Network merupakan suatu jaringan saraf tiruan yang dibangun untuk meniru
cara kerja otak manusia. Dengan jaringan saraf tiruan maka kita dapat memberikan semacam
kecerdasan pada sistem, dimana sistem tersebut akan diberikan waktu untuk 'belajar' dan
kemudian diharapkan dari proses belajarnya, sistem bisa memberikan solusi dari suatu kasus.
Terdapat dua metode : yaitu : a. Training b. Tetsing

Contoh : Jaringan saraf tiruan

b) Expert System

Sistem pakar : sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang
untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan
sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari
suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di
bidangnya.
Metode sistem pakar : yaitu mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules)
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.

Contoh penerapan Sistem Pakar : fuzzy logic, algoritma

3. Apakah teknik neural network dan expert system dapat digabungkan ? untuk memberikan jawaban
lihat contoh penggabungan kedua teknik ini pada halaman 259 – 266.
Jawab :
Bisa.
sistem pakar dan jaringan syaraf, sebagai tehnologi cerdas, tujuan bersama saham. mereka
berusaha baik untuk meniru kecerdasan manusia dan akhirnya membuat mesin cerdas. Namun,
mereka menggunakan cara yang sangat berbeda untuk mencapai tujuan mereka.
sedangkan sistem pakar bergantung pada kesimpulan logis dan pohon keputusan dan fokus pada
model penalaran manusia, jaringan saraf mengandalkan pengolahan data paralel dan fokus pada
pemodelan otak manusia. sistem pakar memperlakukan otak sebagai kotak-hitam, sedangkan
jaringan saraf melihat struktur dan fungsinya, terutama pada kemampuannya untuk belajar.
perbedaan-perbedaan mendasar feflected di representasi pengetahuan dan pengolahan data teknik
yang digunakan dalam sistem pakar dan jaringan saraf.
3
sistem pakar syaraf menggunakan jaringan nueral dilatih di tempat basis pengetahuan. jaringan
saraf mampu generalisasi. dengan kata lain, data masukan baru tidak harus tepat sesuai dengan
data yang digunakan dalam pelatihan jaringan. ini memungkinkan sistem ahli saraf untuk
menangani data berisik dan tidak lengkap. kemampuan ini disebut penalaran perkiraan.
unit ekstraksi aturan menguji pengetahuan dasar syaraf dan menghasilkan aturan implisit 'terkubur'
dalam jaringan saraf terlatih.
fasilitas penjelasan menjelaskan kepada pengguna bagaimana sistem pakar syaraf tiba di suatu
solusi khusus saat bekerja dengan data masukan baru. user interface menyediakan sarana
komunikasi antara pengguna dan sistem pakar saraf.