PENGANTAR TEKNOLOGI SISTEM CERDAS SOFTCOMPUTING

MAKALAH

PENGANTAR TEKNOLOGI SISTEM CERDAS

SOFTCOMPUTING

Disusun oleh

Kelompok 1

           1.        Ahmad Ghaelan A.D                                                                   10114557

           2.        Alvyn Laversha Indriadi                                                               10114911

           3.        Arizal Priambudi                                                                          11114656

           4.        Asih Imaniar                                                                                11114740

           5.        Azka Ali Hasan                                                                           11114935

           6.        Bagus Yogatama                                                                          12114013

           7.        Bardan Santani                                                                            12114032

           8.        Budy Hantoyo                                                                             12114242

           9.        Chaysar Juniardi D.                                                                     12114339

          10.    Dany Mochtar                                                                              12114537

3KA13

SISTEM INFORMASI

ILMU KOMPUTER & TEKNOLOGI INFORMASI

UNIVERSITAS GUNADARMA

PTA 2016/2017

ABSTRAK

Softcomputing merupakan metode yang dapat mengolah data-data yang bersifat tidak pasti, impresisi dandapat diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode yang termasukdalam kategori softcomputing misalnya fuzzy logic, artificial neural network, probabilistyc reasoning.

Softcomputing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan masalah, melainkanlebih pada kerjasama serasi antara metode-metode di atas, sehingga segi positif tiap metode dapatberkontribusi secara aktif. Sebagian dari materi pada makalah ini disampaikan sebagai pengantar kuliahmusim semi 2003: “Special Lecture on Media Science V”, pada School of Computer & CognitiveSciences, Chukyo University, Japan.

 BAB I

 PENDAHULUAN

Komputer merupakan alat yang mungkintidak dapat lagi kita lepaskan dari kehidupan sehari-hari. Di masa lampau, komputer selalu diasosiasikan dengan barang yang mahal, super canggih dan dapat menghitung lebih cepat daripada kemampuan manusia. Tapi saat ini ungkapan tersebut sudah banyak mengalami perubahan. Bila disebutkan "komputer", maka yang terbayang saat ini adalah sebuah piranti canggih yang bila dikoneksikan dengan internet, akan membuat sang pengguna dapat berjalan-jalan di dunia virtual yang kaya dengan informasi audio maupun visual. Fenomena ini menunjukkan perubahan fungsi computer dari sekedar “alat hitung” menjadi sebuah piranti yang lebih “manusiawi”. Hal ini merupakan buah yang dipetik dari pesatnya perkembangan teknologi hardware maupun software computer.

Gambar 1. Perkembangan jumlah transistor pada IC dari tahun ke tahun yang menunjukkan kesesuaian dengan Moore’s law.

Pada tahun 1965, Gordon Moore telahmemberikan prediksi bahwa jumlah transistor pada IC akan selalu berlipat dua setiap 18 bulan [1]. Dengan kata lain, tiap 18 bulan kemampuan komputer akan menjadi duakali lebih cepat. Korelasi ini ditunjukkan pada gambar 1. Ramalan ini secara ajaib masih berlaku hingga saat ini, setidaknya dalam dua dekade terakhir. Melihat perkembangan pesat dari computer ini, seringkali timbul fikiran bahwa pada suatu masa, komputer dapat mengatasi berbagai permasalahan. Semua masalahdalam hidup dapat dirumuskan dan dikalkulasikan. Hal ini tergambar juga pada beberapa film non-fiksi. Benarkah demikian ?Kalau kita cermati, tidak semua masalah yang kita hadapi dapat dibuat rumusan yang pasti dan eksak. Memang benar, bahwa komputer dapat menghitung secara akurat persamaan differensial, perkalian matriks, perhitungan eigen value secara cepat dan akurat. Akan tetapi terdapat juga masalah dalam kehidupan sehari-hari yang tidak dapat dibuat rumus matematika yang jelas untuk menghitung output yang diinginkan.

Misalnya:

·         bagaimanakah trend dari bursa saham pada tahun depan ?

·         bagaimanakah cuaca esok hari, hujan ataukah mendung, ataukah terang benderang ?

·         Kapankah terjadinya gempa bumi di wilayah Tokai (Jepang Tengah) ?

·         Bagaimana mengenali seseorang lewat suaranya ?

Solusi untuk permasalahan jenis kedua ini tidak dapat dirumuskan dengan mudah. Banyak sekali faktor-faktor terlibat, yang mengandung kerancuan, ketidakpastian, kebenaran parsial, dsb. Dalam hal ini, solusi yang diharapkan lebih menitikberatkan pada hal-hal sbb.

·         memiliki kemampuan untuk mempelajaritrend yang telah ada, dan memprediksikeadaan di masa yad. (learning ability)

·         kemampuan menganalisa informasi yangdisertai oleh noise.

·         robust, sangat unggul

·         low cost solution

·         praktis dan mudah direalisasikan

Salah satu alternatif solusi yang memenuhi kriteria ini adalah softcomputing. Dalam

bab-bab berikutnya akan dijelaskan lebih lanjut mengenai definisi, metode-metode

dalam softcomputing, dan contoh aplikasinya.

BAB II

PEMBAHASAN

1.1.       Definisi SoftComputing

Berbagai macam definisi softcomputing diberikan oleh para ahli. Salah satudefinisinya adalah sebagaimana disampaikanoleh pencetus softcomputing, yaitu Prof.Lotfi A. Zadeh, di homepage BISC [2], sbb.

“Berbeda dengan pendekatan konvensional hardcomputing, softcomputing dapat bekerja dengan baik walaupun terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial pada data yang diolah. Hal inilah yang melatarbelakangi fenomena dimana kebanyakan metode softcomputing mengambil human-mind sebagai model.”.

Mengapakah human-mind merupakan modelyang menarik bagi pengembangansoftcomputing ? Kunci dari pertanyaan inisebenarnya terletak pada struktur dan fungsidari otak manusia. Otak manusia merupakan mesin molekuler, yang terdiri dari dua jenis sel: neuron dan glia. Dalam otak kita terdapat sekitar 1011 sel neuron, sedangkan sel glia sekitar 3 sampai 4 kali lipatnya. Sel neuron berfungsi sebagai pemroses informasi yang diterima oleh otak. Sel neuron terhubung antara satu dengan yang lain dengan benang-benang panjang. Berat otak manusia saat lahir sekitar 400 gram, sedangkan saat dewasa sekitar 1500 gram. Pertambahan berat ini disebabkan oleh bertambahpanjangnya benang-benang tersebut, disamping pertambahan sel glia.Pertambahan panjang ini berkaitan erat dengan proses pembelajaran yang dialamioleh manusia. Hal ini merupakan ide awalbagi pengembangan metode softcomputing:artificial neural network, yang memilikikemampuan pembelajaran terhadap informasi yang telah diterima.

Selain kemampuan pembelajaran, otak manusia juga memiliki kemampuan untuk mengambil keputusan walaupun informasi mengandung unsur ketakpastian dan kekurangtegasan, seperti “manis”, “pahit”, “tinggi”, “rendah”, dsb. Hal ini merupakan konsep yang mendasari pengembangan metode fuzzy, yang mencerminkan caraberfikir manusia. Selain neural network dan fuzzy, masih banyak lagi jenis-jenis metodesoftcomputing, yang ide awalnya bersumberdari otak manusia maupun mekanisme biologi yang terdapat di alam semesta. Positif dari metode yang ada tersebut dapat dimanfaatkan secara optimal. Berikut diuraikan konsep dan gambaran mengenai masing-masing pilar dalam softcomputing.

1.2.       Metode-metode SoftComputing

Mengacu pada definisi yang diberikan olehZadeh, metode-metode dalam softcomputingdapat dikategorikan ke dalam tiga kategoribesar:

·         Fuzzy Logic (FL)

·         Neural Network Theory (NN)

·         Probabilistic Reasoning (PR)

Metode-metode ini sebenarnya bukanlahsesuatu yang baru diadakan setelah konsepsoftcomputing dirumuskan. Yang terjadijustru sebaliknya. Metode-metode FuzzyLogic, Neural Network maupun ProbabilisticReasoning telah ada lebih dahulu. FuzzyLogic telah berkembang sejak tahun 1965.Konsep-konsep dasar neural network telahdigali sejak tahun 1940-an. ProbabilisticReasoning juga bukanlah hal yang baru samasekali. Karena itu, Zadeh menyebutsoftcomputing sebagai reinkarnasi darimetode-metode di atas.Lebih lanjut lagi, dalam konsep softcomputing, ketiga jenis metode ini ibaratpilar, saling mendukung dan bekerjasamadalam memecahkan suatu permasalahan Keunggulan yang diperoleh dari kerjasamametode-metode itu lebih ditekankan daripadakeunggulan individual salah satu daripadanya.Kekurangan satu metode akan ditutup dengan kelebihan metode yang lain. Keunggulan satumetode disumbangkan, sehingga segi-segi dimanfaatkan secara optimal. Berikut diuraikan konsep dan gambaran mengenai masing-masing pilar dalam softcomputing.

a.       Fuzzy Logic (FL)

Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan denganif-then rules. Karakteristik dari metode iniadalah [3]

·         pemecahan masalah dilakukan denganmenjelaskan sistem bukan lewatangka-angka, melainkan secara linguistik,atau variable-variable yang mengandungketakpastian/ketidaktegasan.

·         Pemakaian if-then rules untukmenjelaskan kaitan antara satu variable dengan yang lain.

·         Menjelaskan sistem memakai algoritmafuzzy

Berawal dari paper-paper Zadeh di tahun 1965 mengenai fuzzy-sets, ilmu iniberkembang pesat, dan mulai menemukanaplikasinya di bidang control pada tahun1974. Pada saat itu, Mamdanimemperkenalkan aplikasi fuzzy sebagai alatkontrol steam-engine. Hal ini merupakanmomentum penting, sebagai awal bagi teknologi fuzzy untuk menemukan lading aplikasi di dunia industri. Fuzzy memiliki kelebihan-kelebihan, diantaranya [3]

1.      Dapat mengekspresikan konsep yangsulit untuk dirumuskan, seperti misalnya“suhu ruangan yang nyaman”

2.      Pemakaian membership-functionmemungkinkan fuzzy untuk melakukan observasi obyektif terhadap nilai-nilai yang subyektif. Selanjutnya membership-function ini dapat dikombinasikan untuk membuat pengungkapan konsep yang lebih jelas.

3.      Penerapan logika dalam pengambilankeputusan.

Dewasa ini, fuzzy merupakan salah satu metode memiliki aplikasi luas di bidang kontrol. Hal ini disebabkan a.l. [3]

1.      kontrol memiliki potensi aplikasi yangsangat luas dan dibutuhkan di berbagai bidang.

2.      kuantitas suatu materi dalam system kontrol sangat jelas, dan dapatdiekspresikan dengan istilah-istilah yang fuzzy seperti “besar”, “banyak”.

3.      aturan dalam kontrol mudah untukdidefinisikan memakai kata-kata.Misalnya “jika suhu dalam ruanganterlalu dingin, naikkan suhupenghangat”.

4.      perkembangan teori fuzzy sangat pesat, sehingga batas-batasnya dapat dirumuskan dengan jelas.

b.      Neural Networks (NN)

Neural Networks (Jaringan Saraf Tiruan) menurut Haykin [4] didefinisikan sebagaiberikut :

“Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yangterdistribusi paralel, terbuat dari unit-unityang sederhana, dan memiliki kemampuanuntuk menyimpan pengetahuan yangdiperoleh secara eksperimental dan siappakai untuk berbagai tujuan. Neuralnetwork ini meniru otak manusia darisudut :

1.      Pengetahuan diperoleh olehnetwork dari lingkungan, melalui suatu proses pembelajaran.

2.      Kekuatan koneksiantar unit yang disebut synaptic weights,berfungsi untuk menyimpan pengetahuanyang telah diperoleh oleh jaringan tersebut.”

Pada tahun 1943, Mc.Culloch dan Pittsmemperkenalkan model matematika yang merupakan penyederhanaan dari struktur selsaraf yang sebenarnya (lihat gambar 1).

Gambar 2 memperlihatkan bahwa sebuah neuron memiliki tiga komponen:

·         synapse (w1 , w2 ,…,wn) T

·         alat penambah (adder)

·         fungsi aktifasi (f)

Korelasi antara ketiga komponen inidirumuskan pada persamaan (1).

        (1)

Signal x berupa vektor berdimensi n (x1 , x2 ,…,xn)T akan mengalami penguatan olehsynapse w (w1, w2 ,…,wn)T. Selanjutnyaakumulasi dari penguatan tersebut akanmengalami transformasi oleh fungsi aktifasi f.Fungsi f ini akan memonitor, bila akumulasipenguatan signal itu telah melebihi batastertentu, maka sel neuron yang semula beradadalam kondisi “0”, akan mengeluarkan signal“1”. Berdasarkan nilai output tersebut (=y),

sebuah neuron dapat berada dalam dua status: “0” atau “1”. Neuron disebut dalam kondisifiring bila menghasilkan output bernilai “1”.Sebuah neural network dapat dianalisa daridua sisi:

1.      bagaimana neuron-neuron tersebutdirangkaikan dalam suatu jaringan (arsitektur).

2.      bagaimana jaringan tersebut dilatih agarmemberikan output sesuai dengan yang dikehendaki (algoritma pembelajaran).Algoritma pembelajaran ini menentukancara bagaimana nilai penguatan yang optimal diperoleh secara otomatis.

Berdasarkan arsitekturnya, neural network dapat dikategorikan, antara lain, single-layer neural network, multilayer neural network, recurrent neural network dsb. Berbagai algoritma pembelajaran antara lain Hebb’s law, Delta rule, Backpropagation algorithm, Self Organizing Feature Map, dsb.Berawal dari diperkenalkannya modelmatematika neuron oleh McCulloch & Pitts, penelitian di bidang neural network berkembang cukup pesat, dan mencapaipuncak keemasan pertama pada era tahun 60, dan puncak kedua pada pertengahan tahun80-an. Penelitian dalam bidang ini, dapat dibagi dalam tiga kategori:

1.      Riset untuk meneliti proses informasiyang terjadi pada otak dan jaringan saraf. Tema ini merupakan porsi penelitian para ahli medis dan neuroscientist.

2.      Penelitian teoritis untuk mendalamikonsep dasar proses informasi pada otak. Kategori ini memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari proses tersebut.

3.      Penelitian yang bertujuan memanfaatkanteori-teori yang telah ada untuk aplikasi. Dalam hal ini, perlu sekali memperhatikan tingkat akurasi sistem, dan menekan biaya serendah mungkin (low cost solution).

Dewasa ini, neural network telah diaplikasikan di berbagai bidang. Hal ini dikarenakan neural network memiliki kelebihan-kelebihan sbb.

1.       Dapat memecahkan problema non-linear yang umum dijumpai di aplikasi

2.      Kemampuan memberikan jawabanterhadap pattern yang belum pernah dipelajari (generalization)

3.      Dapat secara otomatis mempelajari datanumerik yang diajarkan pada jaringan tersebut

c.       Probabilistic Reasoning (PR) dan

Genetic Algorithm (GA)Reasoning berarti mengambil suatukeputusan atas suatu alasan atau sebabtertentu. Dua jenis reasoning adalah logicalreasoning dan probabilistic reasoning. Salahsatu kelebihan probabilistic reasoningdibandingkan logical reasoning terletak padakemampuan untuk mengambil keputusan yang rasional, walaupun informasi yangdiolah kurang lengkap atau mengandungunsur ketidakpastian. Termasuk dalam kategori PR antara lain teori Chaos, Belief

Networks, Genetic Algorithm. Diskusi dalam makalah ini difokuskan pada salah satumetode dalam PR, yaitu Genetic Algorithm (GA).

Dasar-dasar GA digali oleh John Holland pada pertengahan tahun 70-an. GA adalahmetode komputasi yang meniru prosesevolusi dan seleksi alam. Metode ini seringdimanfaatkan untuk mencari nilai optimalsuatu fungsi/permasalahan.Gambar 3 menunjukkan urutan tahapandalam GA. Untuk mencari nilai optimaltersebut, pertama-tama parameter-parameterpermasalahan ditransfer kedalam bentuk genetik sebuah kromosom individu yang disebut genotype.

Kromosom ini terdiri darisederetan string (misalnya angka “0” dan“1”) yang merupakan analogi dari rantaiDNA: A, T, G dan C yang sebenarnya, padatubuh makhluk hidup. Selanjutnya suatupopulasi yang terdiri dari ribuan kromosom individu ini mengalami proses seleksi, crossover (persilangan) dan mutasi yang meniru proses biologi yang terjadi di alam. Operasi ini diulang-ulang, dari satu generasi ke generasi berikutnya. Kualitas suatu individu ditunjukkan oleh nilai fitness, yangdiukur dengan suatu kriteria yangmencerminkan sejauh mana kromosomindividu tersebut mendekati nilai optimal yang diinginkan.

Kriteria ini menjadi alatkontrol bagi proses evolusi, agar kondisi fitness generasi yang mendatang lebih baik daripada generasi-generasi sebelumnya. Setelah melewati ratusan atau mungkin ribuan generasi, proses evolusi ini akan menghasilkan individu-individu dengan nilai fitness yang tinggi. Hal ini mencerminkandiperolehnya jawaban yang merupakan pendekatan terhadap nilai optimal yang diinginkan.Beberapa keunggulan yang dimiliki oleh GA adalah sbb. [3]

1.      GA memiliki kemampuan untuk mencarinilai optimal secara paralel, melaluiproses kerjasama antara berbagai unityang disebut kromosom individu.

2.      GA tidak memerlukan perhitunganmatematika yang rumit seperti differensial yang diperlukan oleh algoritma optimisasi yang lain.

Namun demikian GA memiliki jugakelemahan dan keterbatasan.

1.      Tidak memiliki rumusan yang pasti,bagaimana mentransfer parameter permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan wawasan dari desainer.

2.       Banyak parameter yang perlu disetsecara baik agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.

3.      Penentuan rumus menghitung fitnessmerupakan hal yang sangat penting dan mempengaruhi proses evolusi pada GA.Sayangnya tidak ada prosedur yang bakubagaimana menentukan rumus tsb.

Dalam hal ini pengalaman dari desainermemegang peranan penting.Terlepas dari kendala yang ada, GA merupakan alternatif solusi yang dikenal cukup handal dalam berbagai masalah optimisasi.

1.3.       Riset dan Aplikasi SoftComputing

Dewasa ini penelitian di bidangsoftcomputing berkembang dengan pesat danaplikasinya dapat ditemukan di berbagaibidang. Hal ini disebabkan softcomputing menawarkan solusi yang sangat sesuaidengan karakteristik informasi pada real-lifedomain yang senantiasa diikuti dengan faktor impresisi, ketidakpastian, dan memerlukankemampuan pembelajaran.Berawal dari pemakaiannya untuk alatkontrol mesin uap, dewasa ini fuzzy memilikiwilayah aplikasi yang luas terutama dalambidang kontrol, robotika, pattern recognition,sistem cerdas, dll. Selain paper dan artikelyang dipublikasikan oleh berbagai journalilmiah, diskusi mengenai fuzzy ini dapatdiikuti di berbagai milis, maupun newsgroupseperti comp.ai.fuzzy. Arsip postingnewsgroup ini dapat dibaca lewathttp://groups.google.com/denganmengetikkan “comp.ai.fuzzy” pada kotakpencarian.

Neural Network memiliki aplikasi yang sangat luas di bidang pattern recognition,seperti voice recognition, characterrecognition maupun aplikasi-aplikasi padabidang ekonomi, bisnis dan bioteknologi.Salah satu forum diskusi virtual (newsgroup)yang terkenal di bidang ini adalahcomp.ai.neural-nets yang arsipnya dapatdilihat di google, dengan cara samasebagaimana uraian sebelumnya. Kumpulandari materi diskusi yang berlangsung sejak

1994 di forum ini, kemudian dirangkumkan oleh Warren Sale sebagai FAQ (Frequently Asked Questions) yang dapat dilihat arsipnya di ftp://ftp.sas.com/pub/neural/FAQ.html

Aplikasi Genetic Algorithm dapat ditemukan di problem optimisasi seperti job-scheduling, optimisasi rute mobil, penentuan kandidat gen yang memiliki potensi kedokteran dan farmasi pada bidang bioinformatika. Salah satu forum diskusi yang cukup hangat mengenai riset di bidang GA adalah comp.ai.genetic (newsgroup). Arsip diskusi pada forum ini dapat dicari dengan carasebagaimana diuraikan di atas. Selain itu,informasi mengenai Genetic Algorithm ini dapat juga dilihat pada situs http://www.aic.nrl.navy.mil/galist/

Salah satu journal yang didedikasikan untukmempublikasikan penelitian di bidang softcomputing di antaranya adalah “Soft Computing - A Fusion of Foundations,Methodologies and Applications” terbitanSpringer-Verlag Heidelberg. Journal lain adalah Applied Soft Computing yangditerbitkan oleh Elsevier. Disamping itu,paper mengenai teori dan aplikasisoftcomputing dapat dibaca padajournal-journal IEEE, IEICE, maupunproseding seminar-seminar internasional dalam bidang tsb.

Ciri khas dari softcomputing adalahpenekanan pada partnership atau kerjasama yang saling menguntungkan dari berbagaimetode yang ada. Tiap metode memiliki segi positif yang dapat disumbangkan secarakomplementer, menutupi kekurangan darimetode yang lain. Contoh populer darikerjasama komplementer ini adalah system neurofuzzy. Aplikasi dari kombinasi keduametode ini dapat dimanfaatkan untuk system control pada AC, mesin cuci dan berbagaimacam alat kebutuhan sehari-hari konsumen.Kombinasi lain dapat ditemukan pada system neuroGA, dimana GA dimanfaatkan untukmenentukan struktur yang optimal dari suatuneural network.

BAB III

PENUTUP

3.1.       Kesimpulan

Sistem cerdas adalah sistem yang dapat mengadopsi sebagaian kecil dari tingkat kecerdasan manusia untuk berinteraksi dengan keadaan eksternal suatu sistem. Sebagian kecil dari tingkat kecerdasan itu antara lain: kemampuan untuk dilatih, mengingat kembali kondisi yang pernah dialami, mengolah data-data untuk memberikan aksi yang tepat sesuai yang telah diajarkan, dan kemampuan menyerap kepakaran seorang ahli melalui perintah yang dituliskan dalam sebuah bahasa pemrograman tertentu.

3.2.       Saran
Penulis mengharapkan teknologi seperti ini digunakan sebijak-bijaknya oleh para pengguna. Pesan kami untuk masyarakat, selalu lakukan tindakan positif dan kembangkan kemampuan kita dengan teknologi yang semakin berkembang ini.

DAFTAR PUSTAKA

Moore’s Law dan Intel:http://www.intel.com/research/silicon/m

https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwia_eGn7NTQAhUHvI8KHST_BPcQFggZMAA&url=http%3A%2F%2Frosyid.lecturer.pens.ac.id%2FKTI%2520(softcomputing)%2Fantosoftcomputing.pdf&usg=AFQjCNHDEfSw9sUrG63nLookNWuAmk5Jig&bvm=bv.139782543,d.c2I Diakses pada 2 desember 13:10