Pemodelan & Simulasi - Database
Tujuan database dalam Pemodelan & Simulasi adalah untuk menyediakan representasi data dan hubungannya untuk keperluan analisis dan pengujian. Model data pertama diperkenalkan pada tahun 1980 oleh Edgar Codd. Berikut adalah fitur-fitur yang menonjol dari model tersebut.
Database adalah kumpulan objek data berbeda yang mendefinisikan informasi dan hubungannya.
Aturan untuk menentukan batasan pada data di objek.
Operasi dapat diterapkan ke objek untuk mengambil informasi.
Awalnya, Pemodelan Data didasarkan pada konsep entitas & relasi dimana entitas merupakan jenis informasi data, dan relasi merepresentasikan asosiasi antar entitas.
Konsep terbaru untuk pemodelan data adalah desain berorientasi objek di mana entitas direpresentasikan sebagai kelas, yang digunakan sebagai template dalam pemrograman komputer. Kelas yang memiliki nama, atribut, batasan, dan hubungan dengan objek kelas lain.
Representasi dasarnya terlihat seperti -
Representasi data
Representasi Data untuk Acara
Peristiwa simulasi memiliki atributnya seperti nama peristiwa dan informasi waktu yang terkait. Ini mewakili pelaksanaan simulasi yang disediakan menggunakan satu set data input yang terkait dengan parameter file input dan memberikan hasilnya sebagai satu set data output, disimpan dalam beberapa file yang terkait dengan file data.
Representasi Data untuk File Input
Setiap proses simulasi memerlukan sekumpulan data masukan yang berbeda dan nilai parameter terkait, yang direpresentasikan dalam file data masukan. File masukan dikaitkan dengan perangkat lunak yang memproses simulasi. Model data mewakili file yang direferensikan oleh asosiasi dengan file data.
Representasi Data untuk File Output
Ketika proses simulasi selesai, ini menghasilkan berbagai file keluaran dan setiap file keluaran direpresentasikan sebagai file data. Setiap file memiliki nama, deskripsi, dan faktor universal. File data diklasifikasikan menjadi dua file. File pertama berisi nilai numerik dan file kedua berisi informasi deskriptif untuk konten file numerik.
Jaringan Neural dalam Pemodelan & Simulasi
Jaringan saraf adalah cabang dari kecerdasan buatan. Jaringan saraf adalah jaringan dari banyak prosesor yang disebut sebagai unit, setiap unit memiliki memori lokalnya yang kecil. Setiap unit dihubungkan oleh saluran komunikasi searah yang disebut sebagai koneksi, yang membawa data numerik. Setiap unit hanya bekerja pada data lokalnya dan pada input yang mereka terima dari koneksi.
Sejarah
Perspektif sejarah simulasi seperti yang disebutkan dalam urutan kronologis.
Model saraf pertama dikembangkan di 1940 oleh McCulloch & Pitts.
Di 1949, Donald Hebb menulis sebuah buku “The Organization of Behavior”, yang menunjuk pada konsep neuron.
Di 1950, dengan komputer yang maju, menjadi mungkin untuk membuat model pada teori-teori ini. Itu dilakukan oleh laboratorium penelitian IBM. Namun, usahanya gagal dan upaya selanjutnya berhasil.
Di 1959, Bernard Widrow dan Marcian Hoff, mengembangkan model yang disebut ADALINE dan MADALINE. Model ini memiliki Beberapa ADAptive LINear Elements. MADALINE adalah jaringan saraf pertama yang diterapkan pada masalah dunia nyata.
Di 1962, model perceptron yang dikembangkan oleh Rosenblatt memiliki kemampuan untuk memecahkan masalah klasifikasi pola sederhana.
Di 1969, Minsky & Papert memberikan bukti matematis tentang keterbatasan model perceptron dalam komputasi. Dikatakan bahwa model perceptron tidak dapat menyelesaikan masalah X-OR. Kelemahan tersebut menyebabkan penurunan sementara jaringan saraf.
Di 1982, John Hopfield dari Caltech mempresentasikan idenya di atas kertas kepada National Academy of Sciences untuk membuat mesin menggunakan garis dua arah. Sebelumnya, garis searah digunakan.
Ketika teknik kecerdasan buatan tradisional yang melibatkan metode simbolik gagal, maka muncul kebutuhan untuk menggunakan jaringan saraf. Jaringan saraf memiliki teknik paralelisme masif, yang menyediakan daya komputasi yang diperlukan untuk memecahkan masalah semacam itu.
Area Aplikasi
Jaringan saraf dapat digunakan dalam mesin sintesis ucapan, untuk pengenalan pola, untuk mendeteksi masalah diagnostik, di papan kontrol robotik dan peralatan medis.
Fuzzy Set dalam Pemodelan & Simulasi
Seperti dibahas sebelumnya, setiap proses simulasi kontinu bergantung pada persamaan diferensial dan parameternya seperti a, b, c, d> 0. Umumnya, perkiraan titik dihitung dan digunakan dalam model. Namun, terkadang estimasi ini tidak pasti sehingga kami membutuhkan bilangan fuzzy dalam persamaan diferensial, yang memberikan estimasi dari parameter yang tidak diketahui.
Apa itu Fuzzy Set?
Dalam himpunan klasik, sebuah elemen bisa menjadi anggota himpunan atau bukan. Himpunan fuzzy didefinisikan dalam himpunan klasikX sebagai -
A = {(x, μA (x)) | x ∈ X}
Case 1 - Fungsinya μA(x) memiliki properti berikut -
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Biarkan kabur B didefinisikan sebagai A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, maka notasi fuzzy standarnya ditulis sebagai A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Nilai apa pun dengan nilai keanggotaan nol tidak muncul dalam ekspresi himpunan.
Case 3 - Hubungan antara himpunan fuzzy dan himpunan renyah klasik.
Gambar berikut menggambarkan hubungan antara himpunan fuzzy dan himpunan renyah klasik.
