Sugeng Rawuh ^_^

" Mugi saking serat kedik menika saged maringi faedah kagem sederek sedaya"

Rabu, 12 Desember 2012

UTS Sistem Pakar


1.      Definisi sistem pakar menurut Profesosr Edward Feigenbaum
Jawab :
Sistem Pakar adalah suatu program komputer cerdas yang menggunakan “knowledge”(pengetahuan) dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga membutuhkan seorang yang ahli untuk menyelesaikannya.

2.      Komponen utama sistem pakar
Jawab:
       User Interface
      Interaksi dengan end-user
      Pengembangan dan pemeliharaan sistem
       Knowledge Base
      Berisi informasi penting tentang domain permasalahan
      Menyatakan fakta dan aturan
       Inference Engine
      Mekanisme untuk memunculkan pengetahuan baru dari pengetahuan sistem dan informasi yang diberikan oleh user
      Berdasarkan penggunaan aturan
·         Development Engine
-        Digunakan untuk menciptakan sistem pakar
-        Menggunakan 2 pendekatan dasar dalam menciptakan sistem pakar yaitu, Bahasa pemrograman dan Shell sistem pakar

3.      Problem Domain dan Knowledge Domain
Jawab :
a.       Problem Domain adalah bidang atau ruang lingkup yang khusus, seperti kedokteran, keuangan, bisnis, ilmu teknik, dsb.
b.      Knowledge Domain merupakan Knowledge dari sistem pakar tentang penyelesaian masalah yang khusus.

4.      Keuntungan sistem pakar
Jawab :
Keuntungan sistem pakar bagi Manajer :
·         Mempertimbangkan lebih banyak alternatif
·         Menerapkan logika yang lebih tinggi
·         Menyediakan lebih banyak waktu untuk mengevaluasi hasil keputusan
·         Membuat keputusan yang lebih konsisten
·         Bisa melakukan proses secara berulang secara otomatis
·         Meningkatkan output dan produktivitas
·         Meningkatkan kapabilitas sistem komputer dan meningkatkan kapabilitas dalam penyelesaian masalah
·         Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian
Keuntungan sistem pakar bagi Perusahaan :
·         Kinerja perusahaan yang lebih baik
·         Mempertahankan pengendalian atas pengetahuan perusahaan

5.      Kelemahan sistem pakar
Jawab :
·         Tidak dapat menangani pengetahuan yang tidak konsisten
·         Sistem Pakar tidak dapat menerapkan penilaian dan intuisi
·         Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal
·         Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.
·         Sistem pakar tidak 100% bernilai benar

6.      Elemen-elemen sistem pakar
Jawab :
·         Pengalaman/keahlian
Pengetahuan sistem pakar dibentuk dari kaidah atau pengalaman tentang perilaku elemen dari domain bidang tertentu. Pengetahuan sistem pkar bisa berasal dari ahli, buku, basisdata, penelitian, dan gambar.
·         Orang ahli (pakar)
seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topic permasalahan, menyusun kembali pengetahuan jika dipandang perlu, memecahkan masalah dengan cepat dan tepat.
·         Transfer pengalaman
mentransfer keahlian dari seorang pakar ke dalam komputer kemudian ke masyarakat. Proses ini meliputi 4 kegiatan, yaitu perolehan pengetahuan (dari para ahli atau sumber-sumber lainnya), representasi pengetahuan ke komputer, kesimpulan dari pengetahuan dan pengalihan pengetahuan ke pengguna.
·         Mengambil Keputusan
Hal yang unik dari sistem pakar adalah kemampuan untuk menjelaskan dimana keahlian tersimpan dalam basis pengetahuan. Kemampuan komputer untuk mengambil kesimpulan dilakukan oleh komponen yang dikenal dengan mesin inferensi yaitu meliputi prosedur tentang pemecahan masalah.
·         Aturan
Sistem pakar yang dibuat merupakan sistem yang berdasarkan pada aturan-aturan dimana program disimpan dalam bentuk aturan-aturan sebagai prosedur pemecahan masalah. Aturan tersebut biasanya berbentuk IF – THEN.
·         Kemampuan untuk menjelaskan
Keunikan lain dari sistem pakar adalah kemampuan dalam menjelaskan atau member saran / rekomendasi serta juga menjelaskan mengapa beberapa tindakan / saran tidak direkomendasikan.

7.      Penjelasan tentang Forward Chaining dan Backward Chaining beserta contohnya
Jawab :
a.       Forward Chaining merupakan pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
Contoh : Studi kasus mencari kesimpulan warna dari jaket Levis
Basis aturan (rule base) terdiri dari 4 aturan if-then :
-        If X terbuat dari bahan kulit - Then X adalah jaket Levis
-        If X terbuat dari bahan parasut - Then X adalah jaket sport
-        If X adalah jaket Levis - Then X berwarna hitam
-        If X adalah jaket sport - Then X berwarna putih
Pada contoh studi kasus di atas, "If X terbuat dari bahan kulit" direpresentasikan sebagai anteseden (antecedent), sedangkan "Then X adalah jaket kulit" direpresentasikan sebagai konsekuen (consequent). Sehingga dari aturan tersebut diatas, didapatkan bahwa warna jaket Levis adalah hitam.
b.      Backward Chaining merupakan pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Contoh : Misalkan terdapat suatu sistem dengan tujuan : Goal_1. Untuk mencapai tujuan Goal_1 tersebut dibutuhkan fakta A yang bernilai 1 dan fakta B yang bernilai 1. (Asumsi nilai fakta adalah boolean 1 dan 0). Fakta A sendiri akan diperoleh jika ada fakta C yang  bernilai 1. Bagaimanan rancangan sistem pakar dan aturan yang akan dibuat:
·         Langkah 1 : Buat aturan standar untuk menyatakan Goal 1
- If A=1 and B=1 Then Goal 1
·         Langkah 2 : Buat aturan yang menyatakan bahwa jika C bernilai 1 maka A
- If C=1 Then A=1
·         Terlihat bahwa konsekuen (Then..) tidak harus mengarah kepada Goal 1, akan tetapi ditujukan kepada antisendent yang dalam hal ini adalah A.  Dengan demikian sistem akan mengetahui bahwa antisendent C akan ditanyakan dengan anisendent B untuk menghasilkan Goal 1.

8.      Penjelasan tentang A priori, A posteriori, Procedural, Declarative dan Tacit Knowledge beserta contonya
Jawab :
a.       A priori merupakan datang sebelumnya dan bebas dari arti, secara universal benar dan tidak menimbulkan kontradiksi.
Contoh : pernyataan logika, hukum matematika, “semua kejadian pasti ada sebabnya”
                        “jumlah sudut dalam segitiga 180 derajat”
b.      A posteriori merupakan adalah pengetahuan yang diperoleh dari arti atau knowledge yang diturunkan dari akal pikiran yang sehat. Kebenaran atau kesalahan pengetahuan posteriori dapat bervariasi, suatu pernyataan yang benar pada suatu saat, dapat disangkal dan menjadi salah pada saat yang lain.
Contoh : bola mata seseorang berwarna biru, tetapi ketika orang tersebut mengganti contact lens-nya, bisa jadi bola matanya menjadi berwarna hijau.
c.       Procedural merupakan pengetahuan tentang bagaimana melakukan sesuatu.
Contoh : pengetahuan tentang bagaimana mencuci dengan menggunakan mesin, pengetahuan tentang bagaimana membuat pudding, pengetahuan tentang bagaimana cara mengobati luka bakar.
d.      Declarative merupakan mengacu pada pengetahuan bahwa sesuatu itu benar atau salah, sehingga biasanya menghasilkan anjuran atau larangan.
Contoh : jangan berikan pisau pada anak berumur dibawah 3 tahun, buah apel berwarna hijau dan berbentuk bulat, ada asosiasi positif antara merokok dan kanker.
e.       Tacit konwledge merupakan disebut sebagai “unconscius knowledge” karena tidak dapat diekspresikan dengan bahasa.
Contoh : bagaimana cara mengangkat tangan, berjalan, mengendarai sepeda, dsb.

9.      Penjelasan tentang Rules, Semantic nets, Frames dan Script beserta contohnya
a.       Rules merupakan representasi pengetahuan berbasis aturan terpusat pada penggunaan perintah if kondisi then tindakan.
Contoh : [1] if pasien diasingkan sebelum tahun 1965
then pasien itu langsung bisa dianggap terserang penyakit radang paru-paru kronis
[2] if si pasien langsung dianggap radang paru-paru kronis dan si pasien dibiarkan diruang terkurung
then pasien mengidap penyakit keras
b.      Semantic nets (Jaringan Semantik) merupakan gambaran pengetahuan grafis yang menunjukan hubungan antar berbagai objek atau teknik representasi kecerdasan buatan klasik yang digunakan untuk informasi proposional (pernyataan yang bernilai benar atau salah) dan disajikan dalam graf berarah.
c.       Frames merupakan kumpulan pengetahuan tentang suatu obyek tertentu, peristiwa, lokasi, situasi, dll. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik obyek.
d.      Scripts merupakan skema representasi pengetahuan yang sama dengan frame, yaitu merepresentasikan pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman. Perbedaannya, frame menggambarkan obyek sedangkan script menggambarkan urutan peristiwa.
Contoh : script pergi ke restoran

SCRIPT Restoran
Jalur (track) : fast food restoran
Peran (roles) : tamu, pelayan
Pendukung (prop): conter, baki, makanan, uang, serbet, garam, merica, kecap, sedotan, dll
Kondisi masukan : tamu lapar –tamu punya uang

Adegan (scene) 1 : Masuk
·         Tamu parkir mobil
·         Tamu masuk restoran
·         Tamu antri
·         Tamu baca menu di list menu dan mengambil keputusan tentang apa yang akan diminta

Adegan (scene) 2 : Pesanan
·         Tamu memberikan pesanan pada pelayan
·         Pelayan mengambil pesanan dan meletakkan makanan di atas baki
·         Tamu membayar

Adegan (scene) 3 : Makan
·         Tamu mengambil serbet, sedotan, garam, dll
·         Tamu makan dengan cepat

Adegan (scene) 4 : Pulang
·         Tamu membersihkan meja
·         Tamu membuang sampah
·         Tamu meninggalkan restoran
·         Tamu naik mobil dan pulang

Hasil
·         Tamu merasa kenyang
·         Tamu senang
·         Tamu kecewa
·         Tamu sakit perut

Selasa, 30 Oktober 2012

Pengenalan Pola Angka 0 - 9 Menggunakan Matlab


à menginputkan pola angka 0 sampai 9
>> pola = [0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 0 1 0 0;0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0;0 0 1 1 0 0 1 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 0;0 1 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 1 0 0;0 0 0 1 0 0 0 1 1 0 0 1 0 1 0 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0;0 1 1 1 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 1 1 1 0;0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 0 0 1 0 1 0 0 1 0 1 0 0 0 1 0 0;1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0;0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 0 1 0 0;0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0];

pola =
     0     0     0     0     0     0     0     1     0     0
     0     0     0     1     0     1     0     1     0     0
     1     1     1     1     0     1     0     1     1     1
     0     0     1     0     1     1     1     1     0     0
     0     0     0     0     0     0     0     1     0     0
     0     0     0     0     0     0     0     0     0     0
     1     0     1     0     0     1     0     0     1     1
     0     1     0     0     1     0     1     0     0     0
     1     0     1     1     1     0     0     0     1     1
     0     0     0     0     0     0     0     1     0     0
     0     0     0     0     0     0     0     0     0     0
     1     0     0     0     1     1     1     0     1     1
     0     1     0     0     0     0     0     0     0     0
     1     0     1     1     1     0     0     0     1     1
     0     0     0     0     0     0     0     1     0     0
     0     0     0     0     1     0     0     0     0     0
     1     0     0     0     1     1     1     0     0     1
     0     1     1     1     1     1     1     0     1     1
     1     0     0     0     1     1     1     1     0     1
     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     0     0     0     0
     1     0     1     0     0     0     1     0     1     0
     0     1     0     0     0     0     0     1     0     0
     1     0     0     1     1     1     1     0     1     1
     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     0     0     0     0
     1     0     1     0     0     0     1     1     1     0
     0     1     0     0     0     0     0     0     0     1
     1     0     0     1     1     1     1     0     1     0
     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     0     1     0     0
     0     0     1     1     0     1     0     0     0     1
     1     1     1     1     0     1     1     0     1     0
     0     0     1     0     1     1     0     0     0     0
     0     0     0     0     0     0     0     0     0     0

à menginputkan target dari pola angka 0 sampai 9
>> target = [0 0 0 0;0 0 0 1;0 0 1 0;0 0 1 1;0 1 0 0;0 1 0 1;0 1 1 0;0 1 1 1;1 0 0 0;1 0 0 1];

target =
     0     0     0     0     0     0     0     0     1     1
     0     0     0     0     1     1     1     1     0     0
     0     0     1     1     0     0     1     1     0     0
     0     1     0     1     0     1     0     1     0     1

à menghitung net
>> net=newff(minmax(pola),[10,4],{'logsig','logsig'})
Warning: NEWFF used in an obsolete way.
> In nntobsu at 18
  In newff at 86
          See help for NEWFF to update calls to the new argument list.


** Warning in INIT
** Network "input{1}.processedRange" has a row with equal min and max values.
** Constant inputs do not provide useful information.


net =

    Neural Network object:

    architecture:

         numInputs: 1
         numLayers: 2
       biasConnect: [1; 1]
      inputConnect: [1; 0]
      layerConnect: [0 0; 1 0]
     outputConnect: [0 1]

        numOutputs: 1  (read-only)
    numInputDelays: 0  (read-only)
    numLayerDelays: 0  (read-only)

    subobject structures:

            inputs: {1x1 cell} of inputs
            layers: {2x1 cell} of layers
           outputs: {1x2 cell} containing 1 output
            biases: {2x1 cell} containing 2 biases
      inputWeights: {2x1 cell} containing 1 input weight
      layerWeights: {2x2 cell} containing 1 layer weight

    functions:

          adaptFcn: 'trains'
         divideFcn: (none)
       gradientFcn: 'gdefaults'
           initFcn: 'initlay'
        performFcn: 'mse'
          plotFcns: {'plotperform','plottrainstate','plotregression'}
          trainFcn: 'trainlm'

    parameters:

        adaptParam: .passes
       divideParam: (none)
     gradientParam: (none)
         initParam: (none)
      performParam: (none)
        trainParam: .show, .showWindow, .showCommandLine, .epochs,
                    .time, .goal, .max_fail, .mem_reduc,
                    .min_grad, .mu, .mu_dec, .mu_inc,
                    .mu_max

    weight and bias values:

                IW: {2x1 cell} containing 1 input weight matrix
                LW: {2x2 cell} containing 1 layer weight matrix
                 b: {2x1 cell} containing 2 bias vectors

    other:

              name: ''
          userdata: (user information)

>> net=init(net)

** Warning in INIT
** Network "input{1}.processedRange" has a row with equal min and max values.
** Constant inputs do not provide useful information.


net =

    Neural Network object:

    architecture:

         numInputs: 1
         numLayers: 2
       biasConnect: [1; 1]
      inputConnect: [1; 0]
      layerConnect: [0 0; 1 0]
     outputConnect: [0 1]

        numOutputs: 1  (read-only)
    numInputDelays: 0  (read-only)
    numLayerDelays: 0  (read-only)

    subobject structures:

            inputs: {1x1 cell} of inputs
            layers: {2x1 cell} of layers
           outputs: {1x2 cell} containing 1 output
            biases: {2x1 cell} containing 2 biases
      inputWeights: {2x1 cell} containing 1 input weight
      layerWeights: {2x2 cell} containing 1 layer weight

    functions:

          adaptFcn: 'trains'
         divideFcn: (none)
       gradientFcn: 'gdefaults'
           initFcn: 'initlay'
        performFcn: 'mse'
          plotFcns: {'plotperform','plottrainstate','plotregression'}
          trainFcn: 'trainlm'

    parameters:

        adaptParam: .passes
       divideParam: (none)
     gradientParam: (none)
         initParam: (none)
      performParam: (none)
        trainParam: .show, .showWindow, .showCommandLine, .epochs,
                    .time, .goal, .max_fail, .mem_reduc,
                    .min_grad, .mu, .mu_dec, .mu_inc,
                    .mu_max

    weight and bias values:

                IW: {2x1 cell} containing 1 input weight matrix
                LW: {2x2 cell} containing 1 layer weight matrix
                 b: {2x1 cell} containing 2 bias vectors

    other:

              name: ''
          userdata: (user information)

>> net=newff(minmax(pola),[10,4],{'logsig','logsig'});
Warning: NEWFF used in an obsolete way.
> In nntobsu at 18
  In newff at 86
          See help for NEWFF to update calls to the new argument list.


** Warning in INIT
** Network "input{1}.processedRange" has a row with equal min and max values.
** Constant inputs do not provide useful information.

>> net=newff(minmax(pola),[10,4],{'logsig','logsig'})
Warning: NEWFF used in an obsolete way.
> In nntobsu at 18
  In newff at 86
          See help for NEWFF to update calls to the new argument list.


** Warning in INIT
** Network "input{1}.processedRange" has a row with equal min and max values.
** Constant inputs do not provide useful information.


net =

    Neural Network object:

    architecture:

         numInputs: 1
         numLayers: 2
       biasConnect: [1; 1]
      inputConnect: [1; 0]
      layerConnect: [0 0; 1 0]
     outputConnect: [0 1]

        numOutputs: 1  (read-only)
    numInputDelays: 0  (read-only)
    numLayerDelays: 0  (read-only)

    subobject structures:

            inputs: {1x1 cell} of inputs
            layers: {2x1 cell} of layers
           outputs: {1x2 cell} containing 1 output
            biases: {2x1 cell} containing 2 biases
      inputWeights: {2x1 cell} containing 1 input weight
      layerWeights: {2x2 cell} containing 1 layer weight

    functions:

          adaptFcn: 'trains'
         divideFcn: (none)
       gradientFcn: 'gdefaults'
           initFcn: 'initlay'
        performFcn: 'mse'
          plotFcns: {'plotperform','plottrainstate','plotregression'}
          trainFcn: 'trainlm'

    parameters:

        adaptParam: .passes
       divideParam: (none)
     gradientParam: (none)
         initParam: (none)
      performParam: (none)
        trainParam: .show, .showWindow, .showCommandLine, .epochs,
                    .time, .goal, .max_fail, .mem_reduc,
                    .min_grad, .mu, .mu_dec, .mu_inc,
                    .mu_max

    weight and bias values:

                IW: {2x1 cell} containing 1 input weight matrix
                LW: {2x2 cell} containing 1 layer weight matrix
                 b: {2x1 cell} containing 2 bias vectors

    other:

              name: ''
          userdata: (user information)

>> net.trainParam.epochs

ans =

        1000

à mentraining net,pola,target sehingga muncul proses epoch pada gambar 1.1
>> net=train(net,pola,target)

net =

    Neural Network object:

    architecture:

         numInputs: 1
         numLayers: 2
       biasConnect: [1; 1]
      inputConnect: [1; 0]
      layerConnect: [0 0; 1 0]
     outputConnect: [0 1]

        numOutputs: 1  (read-only)
    numInputDelays: 0  (read-only)
    numLayerDelays: 0  (read-only)

    subobject structures:

            inputs: {1x1 cell} of inputs
            layers: {2x1 cell} of layers
           outputs: {1x2 cell} containing 1 output
            biases: {2x1 cell} containing 2 biases
      inputWeights: {2x1 cell} containing 1 input weight
      layerWeights: {2x2 cell} containing 1 layer weight

    functions:

          adaptFcn: 'trains'
         divideFcn: (none)
       gradientFcn: 'gdefaults'
           initFcn: 'initlay'
        performFcn: 'mse'
          plotFcns: {'plotperform','plottrainstate','plotregression'}
          trainFcn: 'trainlm'

    parameters:

        adaptParam: .passes
       divideParam: (none)
     gradientParam: (none)
         initParam: (none)
      performParam: (none)
        trainParam: .show, .showWindow, .showCommandLine, .epochs,
                    .time, .goal, .max_fail, .mem_reduc,
                    .min_grad, .mu, .mu_dec, .mu_inc,
                    .mu_max

    weight and bias values:

                IW: {2x1 cell} containing 1 input weight matrix
                LW: {2x2 cell} containing 1 layer weight matrix
                 b: {2x1 cell} containing 2 bias vectors

    other:

              name: ''
          userdata: (user information)

à hasil target pola angka 0 sampai 9
>> output=sim(net,pola)

output =
    0.0000    0.0000    0.0000    0.0000    0.0000    0.0000    0.0000    0.0000    1.0000    1.0000
    0.0000    0.0000    0.0000    0.0000    1.0000    1.0000    1.0000    1.0000    0.0000    0.0000
    0.0000    0.0000    1.0000    1.0000    0.0000    0.0000    1.0000    1.0000    0.0000    0.0000
    0.0000    1.0000    0.0000    1.0000    0.0000    1.0000    0.0000    1.0000    0.0000    1.0000

à menguji inputan pola angka 0
>> output=sim(net,[0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;1;0;1;0;0;1;0;1;0;0;1;0;1;0;0;0;1;0;0])

output =

  1.0e-006 *

    0.0017
    0.0400
    0.0000
    0.2389

à menguji inputan pola angka 1
>> output=sim(net,[0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0])

output =

    0.0000
    0.0000
    0.0000
    1.0000

à menguji inputan pola angka 2
>> output=sim(net,[0;0;1;1;0;0;1;0;1;0;0;0;0;1;0;0;0;1;0;0;0;1;0;0;0;0;1;0;0;0;0;1;1;1;0])

output =

    0.0000
    0.0000
    1.0000
    0.0000

à menguji inputan pola angka 3
>> output=sim(net,[0;1;1;0;0;0;0;0;1;0;0;0;0;1;0;0;0;1;0;0;0;0;0;1;0;0;0;0;1;0;0;1;1;0;0])

output =

    0.0000
    0.0000
    1.0000
    1.0000

à menguji inputan pola angka 4
>> output=sim(net,[0;0;0;1;0;0;0;1;1;0;0;1;0;1;0;1;1;1;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0])

output =

    0.0000
    1.0000
    0.0000
    0.0000

à menguji inputan pola angka 5
>> output=sim(net,[0;1;1;1;0;0;1;0;0;0;0;1;0;0;0;0;1;1;1;0;0;0;0;1;0;0;0;0;1;0;0;1;1;1;0])

output =

    0.0000
    1.0000
    0.0000
    1.0000

à menguji inputan pola angka 6
>> output=sim(net,[0;0;0;1;0;0;0;1;0;0;0;1;0;0;0;0;1;1;1;0;0;1;0;1;0;0;1;0;1;0;0;0;1;0;0])

output =

    0.0000
    1.0000
    1.0000
    0.0000

à menguji inputan pola angka 7
>> output=sim(net,[1;1;1;1;1;0;0;0;0;1;0;0;0;0;1;0;0;0;1;0;0;0;1;0;0;0;1;0;0;0;1;0;0;0;0])

output =

    0.0000
    1.0000
    1.0000
    1.0000

à menguji inputan pola angka 8
>> output=sim(net,[0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;0;1;0;0])

output =

    1.0000
    0.0000
    0.0000
    0.0000

à menguji inputan pola angka 9
>> output=sim(net,[0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;1;1;1;0;0;0;0;1;0;0;0;1;0;0;0;1;0;0;0])

output =

    1.0000
    0.0000
    0.0000
    1.0000