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.
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
Tidak ada komentar:
Posting Komentar