Jaringan Syaraf Tiruan - Tomy Cipher

Dalam melakukan proses belajar, jaringan syaraf tiruan dapat memodifikasi tingkah lakunya sesuai dengan keadaan lingkungannya. Jaringan syaraf dapat mengatur dirinya sendiri untuk menghasilkan suatu respon yang konsisten terhadap serangkaian masukan. Sejumlah besar algoritma pelatihan (training algorithm) telah dikembangkan masing-masing dengan kelebihan dan kekurangannya. Begitu selesai dilatih, respon sebuah jaringan dapat menjadi tidak peka terhadap perubahan minor dari masukannya sampai suatu tingkat tertentu. Kemampuan untuk mengabaikan derau agar mampu melihat pola sebenarnya merupakan hal yang sangat vital dalam pengenalan pola lingkungan sehari-hari yang sesungguhnya. Jaringan syaraf tiruan dapat melakukan generalisasi secara otomatis karena strukturnya, bukan dengan cara menggunakan program komputer aclhoc buatan manusia. Manusia memiliki kemampuan mengingat suatu informasi pola secara menyeluruh dan mengadaptasi pemrosesan pola dengan baik. Jaringan syaraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia. Jadi salah satu motivasi untuk mempelajari pengenalan pola yang terkait dengan jaringan syaraf tiruan ini adalah untuk memahami kemampuan manusia seperti yang telah diuraikan diatas dan diharapkan setelah dilatih maka kecerdasan dari jaringan syaraf tiruan menyerupai kecerdasan yang dimiliki oleh manusia.  Jaringan Syaraf Tiruan yang selanjutnya dikenal dengan nama JST merupakan cabang ilmu multidisiplin yang relatif masih barn. Pada dasamya JST mencoba meniru cara kerja otak makhluk hidup. Salah satu Struktur yang ingin ditiru adalah bentuk neuron-nya (sei syaraf). Sei syaraf (neuron) dalam banyak hal sama dengan sel-sel tubuh yang lain, hanya bedanya sei neuron tidak dapat berkembang biak. Faktor kecerdasan dari syaraf tidak ditentukan di dalam sei tetapi terletak pada bentuk dan topologi jaringannya. Selain itu JST juga memiliki sifat mendasar yaitu kecerdasannya analog dengan kecerdasan manusia. JST dapat menyelesaikan persoalan yang rumit, yang sulit atau tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional. Jaringan Syaraf Tiruan yang selanjutnya dikenal dengan nama JST merupakan cabang ilmu multidisiplin yang relatif masih baru. Pada dasarnya JST mencoba meniru cara kerja otak makhluk hidup. Salah satu Struktur yang ingin ditiru adalah bentuk neuron-nya (sei syaraf). Sei syaraf (neuron) dalam banyak hal sama dengan sel-sel tubuh yang lain, hanya bedanya sei neuron tidak dapat berkembang biak. Faktor kecerdasan dari syaraf tidak ditentukan di dalam sei tetapi terletak pada bentuk dan topologi jaringannya. Selain itu JST juga memiliki sifat mendasar yaitu kecerdasannya analog dengan kecerdasan manusia. JST dapat menyelesaikan persoalan yang rumit, yang sulit atau tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional.

Defini JST

Jaringan syaraf tiruan (artificial neural networks) atau disingkat JST adalah sistem komputasi dimana arsitekturdan operasi diilhami dari pengetahuan tentang sei syaraf biologi di dalam otak. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model syaraf biologi.

Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisa, prediksi dan asosiasi. Berdasarkan kemampuan yang dimiliki, JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh, untuk menghasilkan output yang sempurna dari contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristikdari input yang disimpan kepadanya.

Karena JST tidak lepas dari kemampuan belajar yang diperoleh dari otak khususnya otak manusia, maka terlebih dahulu akan dibahas tentang otak khususnya yang ditiru adalah otak manusia.

Otak sebagai sistem pengolah informasi

Otak manusia berisi sekitar 10 milyar sei syaraf (neurons) yang berfungsi untuk memroses informasi yang masuk. Rata-rata, masing-masing neuron dihubungkan dengan neurons yang lain sampai sekitar 10000 synapses. Jaringan otak dari neurons membentuk suatu sistem pengolahan informasi Hal tersebut sama dengan komputer konvensional, di mana sebuah prosesor menjalankan sebuah instruksi tunggal.

Berkenaan dengan hal ini, waktu yang dipertimbangkan untuk masing-masing operasi dasar adalah: neurons secara khusus beroperasi pada kondisi maksimum yaitu sekitar 100 Hz, sedang suatu CPU konvensional menyelesaikan dalam waktu beberapa ratus juta untuk operasi per detiknya.
Berikut ini adalah perbandingan secara komplet antara kemampuan yang dimiliki oleh otak manusia dengan sebuah CPU.

Tabel 1.1. Perbandingan kemampuan antara otak dengan CPU

Jaringan syaraf dalam otak

Otak tidak selalu homogen. Dalam skala anatomis yang paling besar, bisa diklasifikasikan antara lain cortex, midbrain, brainstem, and cerebellum. Masing-masing secara hirarkis dapat dibagi lagi ke dalam beberapa daerah dan bagian, dan dalam daerah masing-masing, Struktur anatomi jaringan syaraf berbeda, sesuai dengan fungsi yang dilakukan.

Perhatikan susunan jaringan syaraf dalam otak berikut ini:

Gambar 1.1. Susunan jaringan syaraf dalam otak

Sedangkan hubungan antara neuron yang satu dengan neuron yang lain atau jaringan syaraf dalam otak secara kompleks dapat dilihat pada gambar di bawah ini:

Gambar 1.2. Susunan dan hubungan neuron

yang satu dengan yang lain

Sebuah neuron memiliki : Dendrites (sebagai input), Tubuh sei dan Axon (sebagai output)

Sebuah neuron menerima input dari neuron yang lain dan akan dijumlahkan dengan menggunakan suatu model matematika dan berdasarkan arsitektur dari jaringan syaraf itu sendiri.

Axon yang paling akhir mengenai badan sei atau dendrit serta mengenai neuron yang berikutnya. Transmisi dari suatu isyarat elektrik dari satu neuron kepada neuron yang lain diakibatkan oleh neurotransmittors, dimana dari neuron pertama akan mengikat sebuah sei pada neuron yang kedua dan seterusnya. Mata rantai ini disebut dengan suatu sinapsis. Tingkat isyarat dari satu neuron ke neuron yang lain tergantung pada banyak faktor, antara lain : jumlah neurotransmittor yang tersedia, jumlah sei yang peka rangsangan, jumlah neurotransmittor yang menyerap kembali, dan lain lain.

Perhatikan gambar berikut ini:

Susunan syaraf manusia secara sederhana dapat dilihat pada gambar berikut ini:

Gambar 1.4. Susunan sel syaraf manusia

Dari gambar diatas dapatdijelaskan ada beberapa bagian yang ada pada syaraf manusia yaitu neuron, inti sei, axon, dendrit dan synapsis. Setiap neuron memiliki satu inti sei dan inti sei inilah yang akan memroses informasi yang masuk ke dalam otak. Dendrit juga berfungsi memproses informasi yang masuk dan membawa axon sebagai output. Informasi yang dikeluarkan axon akan masuk ke neuron yang lain disertai dengan bobot sinapsis. Ada satu syarat bagaimana informasi yang masuk ke sebuah neuron yaitu neuron harus memenuhi nilai ambang batas, yang sering dikenal dengan nama treshold.

1.2. Tahun-tahun permulaan JST

1. Tahun 1940-an : Permulaan Jaringan Syaraf

1. Jaringan Syaraf McCulloch-Pitts

Di tahun 1940-an, Warren S. McCulloch, seorang psikologi saraf, dan Walter Pitts seorang matematikawan, mengemukakan pembuatan suatu model matematika dan sei urat saraf. Dinyatakan bahwa “kejadian-kejadian pada saraf dan hubungan antara saraf- saraf tersebut dapat di sajikan dengan memakai logika proporsional1' (McCulloch dan Pitts, 1943), mereka ingin mendefinisikan apa yang sejak lama dikenal sebagal saraf Mc Culloch-Pitts. Saraf yang mereka definisikan menggunakan operasi-operasi logika dua atau tiga inputan untuk menghasilkan sebuah output.

Pengertian akan neuron ini statis, dalam hal ini neuron tersebut tidak termasuk perubahan bobot-bobot input. Tapi dalam neuron tersebut berhubungan dengan input-input yang berubah-ubah, yang mana input-input tersebut dikalikan dengan bobot-bobot sinaptis yang tetap, dengan hasil-hasil yang dijumlahkan. Jika penjumlahan melebihi threshold neuron, maka neuron pada posisi on (atau tetap). Jika penjumlahan kurang dari threshold neuron atau jika sebuah puisa négatif (menghambat) diterima, maka neuron akan berada pada posis off (atau tetap). Sebuah puisa penghambat (puisa négatif) pasti merubah neuron ke posisi off.

Neuron McCulloch-Pitts merupakan bentuk yang pertama dari semuajaringan saraf tiruan, sekalipun bentuk tersebut sepenuhnya menggunakan sinyal hambatan (sinyal négatif) yang tidak digambarkan pada versi-versi yang modern.

Jaringan syaraf McCulloch-Pitts merupakan awal dari permulaan jaringan syaraf tiruan. Ada beberapa hal yang sangat penting dalam jaringan syaraf yang dikemukakan oleh McCulloch- Pitts, antara lain :

• Aktivasi dari sebuah neuron McCulloch-Pitts berupa angka biner. Jadi kalau aktivasi dalam keadaan hidup, maka angkanya menunjukkan 1, sedangkan kalau tidak hidup, maka angkanya menunjukkan 0.

• Neuronnya dihubungkan secara langsung dengan bobot.

• Sebuah koneksi disebut excitatory, jika bobot bernilai positif, sedangkan yang lain disebut inhibitory jika bernilai négatif. Semua koneksi excitatory yang berhubungan dengan sebagian dari neuron mempunyai bobot yang sama.

• Beberapa neuron mempunyai tresholdyang tetap, kalau input yang masuk ke neuron lebih besar dari treshold.

I.2.1.2. Jaringan Syaraf Hebb

Pada tahun 1949, Donald Hebb, seorang ahli psikologi dari Universitas McGill, merancang hukum pembelajaran atau pelatihan bagi jaringan syaraf tiruan. Dalam hukum tersebut dijelaskan bahwa jika 2 buah neuron aktif secara terus menerus, maka kekuatan dari koneksi antara keduanya akan bertambah.

Ide dari Hebb tersebut, kemudian dikembangkan menjadi pelatihan dalam korelasi matriks yang dirancang oleh Kohonen dan Anderson (1972).

1.2.2. Tahun 1950an-1960an

1.2.2.1. Perceptron

Beberapa tahun setelah McCulloch dan Pitts menyajikan model saraf mereka, Donald Hebb (tahun 1949) merumuskan sebuah konsep tentang bagaimana sebuah sinapsis berubah fungsinya menjadi berlawanan dari kegiatannya. Tetapi pekerjaan Hebb’s, meskipun hal itu merupakan teori penting untuk dipelajari, tidak menyertakan beberapa konsep pengamatan akibat-akibat dari penggabungan perkalian beberapa input menjadi sebuah neuron tunggal.

Di tahun 1958 Frank Rosenblatt dari Cornell Aeronautical Laboratory membuat sebuah mesin belajar, perceptron, yang ditakdirkan menjadi pelopor dari jaringan saraf antara tahun 1980-an sampai 1990-an. Mesin tersebut (perceptron) memadukan antara model McCulloch-Pitts dan model Hebbs, dan juga dalam hal memfungsikan bagian-bagian perangkat keras {hardware). Mesin Rosenblatt ini merupakan yang lengkap dan sangat besar (dengan lebih banyak standar-standar yang baru), dengan menggunakan potensiometer pengatur-motor untuk menggambarkan sinapsis yang berubah-ubah.

Gambar 1.5 menunjukkan perceptron yang diimplementasikan pada tahun 1958. Unit-unit S. seperti Rosenblatt menyebutnya, merupakan sensor-sensor (photoreceptors). Disampingnya terletak sebuah penampungan elemen-elernen logika yang disebut associators atau unit-unit A. Setiap unit S dihubungkan dengan sebuah himpunan bagian unit-unit Ayang acak (seperti pada Gambar 1-5).

Gambar 1.5. Organisasi perception

Dari gambar diatas menjelaskan tentang penggambaran suatu perception seperti yang dirancang oleh Frank Rosenblatt. Sinapsis antara unit input (unit A atau assosiators) dan syaraf yang dapat dilatih (unit R atau responders) dilatih melalui pelatihan pengamatan. Teknik pengajaran, yang didasarkan pada tanda aljabar dari aktivitas neuron, hanya merubah sinapsis-sinapsis yang berhubungan dengan respon yang tidak benar, dan tidak memiliki neuron internal (tersembunyi), bukti dibatasi untuk persoalan pada kelas yang terbatas. Gambar diatas juga menjelaskan bahwa perceptron berisi banyak node dan menyertakan umpan balik. seperti unit-unit R dalam keadaan on yang menghalangi input ke saingannya.

Kemudian masuk pada penampungan penjumlahan elemen- elemen, yang disebut responders, atau unit-unit R. Output dari setiap unit A hanya menuju ke satu unit R saja. Sebuah unit R. bagaimanapun juga. dalam penjumlahan menghasilkan sebuah output utama (untuk dijadikan sebagai indikator), mengirimkan sinyal umpan balik yang menghambat (négatif) ke kelompok unit A yang acak. Tetapi satu unit Arnerangsang unit R agar menerima signal umpan balik yang positif.

Ketika sebuah input dalam bentuk pola-pola cahaya dikenalkan ke unit-unit S. maka beberapa unitAdan unit-unit ini juga merupakan permulaan (threshold) yang dilebihkan dengan cara menjumlahkan input-input dan unit-unit S yang akan berada posisi on (nyala) dan yang lainnya pada posisi off (mati). Pada saat unit A ke-i menyala (pada posisi on), unit R ke-i juga akan demikian (pada posisi on). Bagaimanapun. unit R ke-i mengirimkan kembali sinyal hambatan (négatif) kesetiap unit A ke-j. untuk berbagai macam j tidak sama dengan i. Sebagai hasilnya, semua susunan tersebut akan mengalami serangkaian iterasi, dengan elemen-elemennya yaitu nyala (on) dan mati (off), sampai sistem menjadi stabil.

Istilah perceptron agak sedikit mempunyai arti ganda. Terkadang istilah tersebut digunakan untuk menunjuk ke jaringan dengan banyak titik, seperti yang digambarkan sebelumnya. Dalam hal itu. ketika sinyal penghambat (sinyal négatif) dikirim kembali ke unit-unit A dan unit-unit R. maka perceptron mengerjakan umpan balik.

Dalam beberapa pembicaraan, unit-unit R yang berdiri sendiri disebut juga sebagai perceptron, yang terns dilatih rnenggunakan contoh atau model pengarnatan arus ke depan.

Untuk melatih perceptron. Rosenblatt mengembangkan sebuah prosedur untuk merubah bobot-bobot sinapsis (dengan mengatur potensiometer) utama kedalam sebuah unit-A, atau titik (node}-A, seperti yang akan disebutkan disini. Prosedur untuk titik (node)-A yang tunggal. dinyatakan sebagai berikut : 

Pada saat t output dan sebuah titik-A adalah :

Fungsi sgn didefinisikan sebagal =1 jika argumennya bernilal positif dan -1 jika argumennya tidak bernilai positif.

Tanda-tanda didalam tanda kurung yaitu:

• x(t) merupakan signal input ke-i

• w (t) merupakan bobot sinapsis pada input ke-i ke suatu titik (node)

• e merupakan nilai permulaan (threshold)

• w (t) dapat bernilai positif atau négatif

Jikajumlah dan bobot input, x w dalam persamaan (1) diatas melebihi threshold, maka y(t) = 1. Selain itu maka y(t)= -1.

Pada awal percobaan. w (0) dan 8 diatur pada nilai-nilai acak yang kecil. Kemudian pelatihan jaringan dimulai. dengantujuan untuk mengajarinya membedakan dua kelas input, yaitu I dan II. Secara khusus. tujuannya untuk memperoleh titik (node) output. y(t), sama dengan + 1 jika input kelas I, dan bernilai y(t) sama dengan -1 jika input kelas II.

Pemakai bebas memilih nilai input, x yang berubah-ubah, dan menandainya sebagai kelas I atau II (meskipun, seperti yang akan dilihat. pemilihan kelas I dan II akan rnenghilangkan usaha perceptron untuk belajar).

Jika terjadi bahwa titik (node) menghasilkan signal +1 pada saat diberikan pola input kelas I. maka bobot. w tidak berubah. Hal yang sama juga. perubahan tidak akan terjadi jika y(t) = -1 sebagai tanggapan terhadap pola input kelas II. (perceptron bekerja dengan pemikiran bahwa “jika sesuatu tidak rusak, maka jangan memperbaikinya').

Bagaimanapun. jika output merupakan jawaban yang salah, y(t) = -1 untuk pola input I atau y(t)= +1 untuk pola II, maka sinapsis akan berubah menurut aturan berikut: 

Fungsi d(t) merupakan output tujuan atau sasaran yang dikehendaki: agar nilai y sama dengan 1 untuk pola input I dan -1 untukpola input II.

Saat d dan y dianggap hanya bernilai 1 dan -1, perbedaannya. jika tidak nol. bisa sama dengan ± 2. Jadi, jika dilihat perbedaannya (berdasarkan persamaan (2)), maka perubahan dari ± 2n ; x(t) dijadikan sinapsis yang ke-i. Simbol n diartikan selalu bernilai positif, dan biasanya tidak lebih besar dari 0.1 atau 0.2.

Perhatikan Struktur dan tingkah laku dari sebuah perceptron pada gambar 1.6 berikut ini :

Gambar 1.6. Struktur dan tingkah laku dari perceptron

Dari gambar diatas dapat dijelaskan bahwa Struktur perceptron dengan node tunggal dan mempunyai 2 buah input. Perceptron tersebut dilatih untuk membedakan pasangan input yang tinggi (high) dari pasangan input yang rendah (low). Bagaimanapun. perceptron tersebut tidak dapat membedakan suatu pasangan campuran (satu input high dan satunya input low) dari pasangan-pasangan yang tidak bercampur (keduanya input high atau low). Sehingga, perceptron tidak dapat menyelesaikan persoalan XOR.

Anggaplah sebuah kasus lama yang digambarkan pada Gambar 1.6. Disini perceptron ditunjukkan hanya berisi satu titik (node) dan hanya memiliki dua input. Nilai awal dari perceptron selalu berubah-ubah termasuk bobot input sinapsis yaitu 0.5 dan 0.2.

biasnya bernilai 1 dan suatu konstanta yang bemilal 0.1.

Anggaplah, sebagal sebuah latihan sederhana, bahwa perceptron membedakan pola-pola dimana dua Input yang maslng- maslng kurang dan 1/3 (dlsebut kelas L untuk low") darl polanya dan dua input yang masing-masing lebih besar dari 2/3 (disebut kelas H untuk 'high"). Pola (0.3, 0.2) dapat dimasukkan kedalam contoh kelas L dan pola (0.7, 0.9) dapat dimasukkan dalam contoh kelas H. Tapi jika terdapat pola seperti (0.5, 0.5) maka tidak dapat dimasukkan kedalam salah satu kelas yang ada.

Dimulai dengan memasukkan input L seperti (0,0). Ketika dua angka 0 ini di masukkan ke dalam persamaan (1) untuk nilai x, dan x, , y bernilai -1, seperti yang kita inginkan, jadi tidak terjadi perubahan. Tapi ketika kita memasukkan nilai H seperti (1, 1), y juga bernilai -1, hal ini tidak kita inginkan karena output yang diinginkan adalah 1. Sehingga. bobot-bobot perceptron perlu disesuaikan.

Perhatikan tabel 1.2 berikut ini yang menunjukkan tingkah laku dari perceptron dengan pasangan input yang berurutan. 

Tabel 1.2. Tingkah laku dari perceptron dengan

pasangan Input yang berurutan

Tabel 1.2 menunjukkan tingkah laku dari perceptron untuk pasangan Input berurutan dengan bobot-bobot yang disesuaikan ketika output menunjukkan klasifikasi yang salah dari pola input. Berangsur-angsur. perceptron dilatih membedakan kelas Ldan H. Terdapat kombinasi-kombinasi yang bervariasi dari bobot-bobot yang akan memberikan penyeiesaian untuk masalah klasifikasi ini. Berdasarkan hal-hal bersifat khusus. bagaimanapun, perceptron menyediakan bobot-bobot sekitar w,=1.0 dan w.= 0.68. Maksudnya, seperti yang ditunjukkan pada tabel. perceptron hampirtepat untuk menandai bahwa input mendekati batas kelas seperti (0.7,0.7) atau (0.3, 0.3) untuk kategori yang benar.

Pada tahun 1969. Marvin Minsky dan Seymor Papert dari MIT mengumumkan sebuah analisa. dan mendemonstrasikan (secara khusus dalam bidang matematika) bahwa kelas-kelas input dan sebuah perceptron dapat dibedakan dengan sangatterbatas.

Perhatikan gambar 1.7 dan 1.8 berikut ini yang menunjukkan sejumlah komponen yang dapat dipisahkan dan tidak dapat dipisahkan ke dalam kelas oleh pola garis lurus. 

Gambar 1.7. Komponen-komponen yang dapat

dipisahkan ke dalam kelas-kelas

Gambar 1.8. Komponen-komponen yang tidak dapat

dipisahkan ke dalam kelas-kelas

Hanya jlka dua kelas dapat dipisahkan dengan 1 garis (lihat Gambar 1.7) sehingga perceptron dapat belajar untuk membedakannya. Anggaplah. bahwa perceptron ditanya untuk menerima dengan sebuah kategori tunggal (kategori M dlgabungkan) seperti gabungan pasangan (0.8.0.1) atau (0.2.0.7), di mana salah satu dan kedua Input tersebut lebih besar dan 2/3 dan yang lainnya lebih kecil dari 1/3. Jika keduanya merupakan pasangan yang tinggl seperti (0.8.0.9) atau pasangan rendah (0.2, 0.2) maka dapat dimasukkan dalarn kategory kedua (U yang tidak bisa digabungkan).

Kemampuan menghasilkan tanggapan untuk pasangan yang digabungkan (tinggi rendah atau rendah tinggi) ditunjukkan dengan fungsi XOR pada gerbang digital. Sebuah perceptron, karena dibatasi oleh garis pemisah kelas. tidak membentuk sebuah XOR.

Pola-pola yang tidak dapat dipisahkan secara linier, seperti yang digambarkan pada Gambar 1.8. maka perceptron akan mengatur bobot-bobotnya naik atau turun. tapi dalarn beberapa cara tidak pernah untuk membedakan dua kelas.

Analisa Minsky-Papert menentang teori jaringan saraf yang barn muncul dengan membuat sesuatu kriteria untuk apa yang dapat dilakukan maupun yang tldak dapat dilakukan oleh sebuah jaringan khusus. Yang dilakukan Minsky-Papert tersebut sanga! tepat tetapi tentu saja hal ini lebih banyak menterjemahkan dasar dari semua pendekatan terhadap jaringan saraf tiruan. Efek ini mengena. dan hampirsetiap orang membutuhkan mesin pintaryang baru tersebut dan mengabaikan jaringan saraf tiruan. Bahkan sebagian besar pemeliharaan dilakukan oleh Minsky, aturan dasar sistem pakar dan dasar dan kecerdasan buatan menjadi bagian penyelidikan yang paling dominan, sekitartahun 1970-an dan awal 1980-an.

Contoh yang sangat terkenal dan sistem kecerdasan buatan pertama. dapat dilihatpada MYCIN yang dikembangkan pada tahun 1970-an di Universitas Stanford, yang berasal dari desertasi Edward Shortliffe Ph. D. MYCIN berfungsi untukmendiagnosis penyakit bakteri dan gejala-gejala yang diderita oleh pasien dan rujukan perawatan.

Yang diharapkan dan sini adalah sebuah prototipe untuk sistem pakar berikutnya. MYCIN menyertakan dasar pengetahuan yang menyimpan informasi serta menyediakan secara khusus beberapa variasi obat-obatan. Seorang dokter yang perlu mengambil keputusan yang berkenaan dengan perawatan seorang pasien. dapat menggunakan dasar pengetahuan lev/at sebuah program yang dikenal dengan mesin penarik kesimpulan (inferencemachine), yang akan memberikan tanggapan untuk pemeriksaan dengan memberikan nasehat informasi yang terdapat dalam basis pengetahuan. Dokter dapat menentukan data-data secara cepat dan sebagian informasi yang berhubungan untuk memulai merawat seorang pasien.

Berikutnya, versi yang umum dan MYCIN yang termasuk didalamnya mesin penarik kesimpulan dan shell tapi tidak termasuk basis pengetahuan, dibuat untuk pengembangan sistem pakar dalam beberapa topik. Dalam hal ini. dikenal sebagai EMYCIN atau 'empty MYCIN (MYCIN kosong).'

Pada prinsipnya yang dilakukan MYCIN adalah khas dan telah digunakan dalam sistem pakar-sistem pakar yang lain. Sistem ini, bercirikan aturan hubungan sebab-akibat antara pernyataan- pernyataan. yang menggambarkan sebuah bentuk eksplisit dari kecerdasan. Langkah-langkah proses setiap alasan dari sebuah sistem pakar dilalui dalam program, dasar iogika yang berurutan, dan berdasarkan pada perintah bahasa komputer.

Sebuab sistem seperti MYCIN sanggup memecahkan masalah yang rumit dan kompleks dengan cara menggambarkan Struktur silogisme Iogika. Ini merupakan perbandingan secara langsung dengan jaringan saraf. yang penting dalam menentukan masalah yang tidak dapat diselesaikan dengan analisa akhir yang tepat.

Sehingga, hal tersebut merupakan bentuk eksplisit dari mesin pintar yang menempati posisi utama setelah perceptron jatuh.

Kebenaran dari Rosenblatt merupakan penemuan yang luar biasa. Ini tidak nampak sebagai kekosongan yang mutlak dalam pandangan model-model analisa permulaan yang mendahuluinya. Apa yang telah dilakukan Rosenblatt dengan pekerjaan sintesisnya. membawa serta pekerjaan menjadi cepat.

Kejatuhan perceptron merupakan hasil dari ketidakmampuan suatu model. Aturan untuk melatih perceptron, dengan kebebasannya pada fungsi sgn dan perubahan hanya pada titik- titik {node) yang keliru dalam klasifikasi dan tidak cukup teliti.

Hal itu berlalu 19 tahun setelah analisis Minsky-Papert. sebelum IEEE Konferensi Internasional Jaringan Saraf Tiruan (International Conference on Neural Networks) mendengar Marvin Minsky berbicara. Sayang sekali. catatan dari pembicaraan itu hilang. Tapi sebagian besar orang telah mengetahui bahwa Minsky telah menyatakan perkembangan yang sangat besar dan mengambil tempat dalam teknologi jaringan saraf tiruan.