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.
Budi Hantoyo 12114242
9.
Chaysar Juniardi D. 12114339
10. Dany
Mochtar 12114537
3KA13
SISTEM
INFORMASI
ILMU
KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS
GUNADARMA
PTA
2016/2017
ABSTRAK
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. Salah satu alternatif solusi yang
memenuhi kriteria ini adalah softcomputing.
Soft computing dapat bekerja dengan baik
walaupun terdapat ketidak pastian,
ketidak akuratan maupun kebenaran parsial pada
data yang diolah. Hal inilah yang melatar belakangi
fenomena dimana kebanyakan metode softcomputing mengambil human-mind sebagai
model. Soft computing merupakan metode yang
dapat mengolah data-data yang bersifat tidak pasti, impresisi dan dapat
diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode
yang termasuk dalam kategori softcomputing misalnya fuzzy logic, artificial
neural network, probabilistyc reasoning.
Soft
computing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan
masalah, melainkan lebih pada kerjasama serasi antara metode-metode di atas,
sehingga segi positif tiap metode dapat berkontribusi secara aktif.
BAB I
PENDAHULUAN
PENDAHULUAN
Komputer
merupakan alat yang mungkin tidak 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 telah memberikan 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 masalah dalam 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 mempelajari trend
yang telah ada, dan memprediksi keadaan di masa yad. (learning ability)
·
kemampuan menganalisa informasi yang disertai
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 satu definisinya
adalah sebagaimana disampaikan oleh 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 model yang menarik bagi pengembangan softcomputing ? Kunci
dari pertanyaan ini sebenarnya terletak pada struktur dan fungsi dari 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 bertambah panjangnya benang-benang tersebut, disamping
pertambahan sel glia. Pertambahan panjang ini berkaitan erat dengan proses
pembelajaran yang dialami oleh manusia. Hal ini merupakan ide awal bagi
pengembangan metode softcomputing: artificial neural network, yang memiliki kemampuan
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 cara berfikir manusia.
Selain neural network dan fuzzy, masih banyak lagi jenis-jenis metode softcomputing,
yang ide awalnya bersumber dari 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 oleh Zadeh, metode-metode dalam softcomputing dapat
dikategorikan ke dalam tiga kategori besar:
·
Fuzzy Logic (FL)
·
Neural Network Theory (NN)
·
Probabilistic Reasoning (PR)
Metode-metode
ini sebenarnya bukanlah sesuatu yang baru diadakan setelah konsep softcomputing
dirumuskan. Yang terjadi justru sebaliknya. Metode-metode Fuzzy Logic, Neural
Network maupun Probabilistic Reasoning telah ada lebih dahulu. Fuzzy Logic
telah berkembang sejak tahun 1965. Konsep-konsep dasar neural network telah digali
sejak tahun 1940-an. Probabilistic Reasoning juga bukanlah hal yang baru sama sekali.
Karena itu, Zadeh menyebut softcomputing sebagai reinkarnasi dari metode-metode
di atas. Lebih lanjut lagi, dalam konsep softcomputing, ketiga jenis metode ini
ibarat pilar, saling mendukung dan bekerjasama dalam memecahkan suatu
permasalahan Keunggulan yang diperoleh dari kerjasama metode-metode itu lebih
ditekankan daripada keunggulan individual salah satu daripadanya. Kekurangan
satu metode akan ditutup dengan kelebihan metode yang lain. Keunggulan satu metode
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 dengan if-then
rules. Karakteristik dari metode ini adalah [3]
·
pemecahan masalah dilakukan dengan menjelaskan
sistem bukan lewat angka-angka, melainkan secara linguistik, atau
variable-variable yang mengandung ketakpastian/ketidaktegasan.
·
Pemakaian if-then rules untuk menjelaskan
kaitan antara satu variable dengan yang lain.
·
Menjelaskan sistem memakai algoritma fuzzy
Berawal
dari paper-paper Zadeh di tahun 1965 mengenai fuzzy-sets, ilmu ini berkembang
pesat, dan mulai menemukan aplikasinya di bidang control pada tahun 1974. Pada
saat itu, Mamdani memperkenalkan aplikasi fuzzy sebagai alat kontrol
steam-engine. Hal ini merupakan momentum penting, sebagai awal bagi teknologi
fuzzy untuk menemukan lading aplikasi di dunia industri. Fuzzy memiliki
kelebihan-kelebihan, diantaranya [3]
1. Dapat
mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu
ruangan yang nyaman”
2. Pemakaian
membership-function memungkinkan 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 pengambilan keputusan.
Dewasa ini, fuzzy merupakan salah satu
metode memiliki aplikasi luas di bidang kontrol. Hal ini disebabkan a.l. [3]
1. kontrol
memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang.
2. kuantitas
suatu materi dalam system kontrol sangat jelas, dan dapat diekspresikan dengan
istilah-istilah yang fuzzy seperti “besar”, “banyak”.
3. aturan
dalam kontrol mudah untuk didefinisikan memakai kata-kata. Misalnya “jika suhu
dalam ruangan terlalu dingin, naikkan suhu penghangat”.
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 sebagai berikut :
“Sebuah neural network (JST:
Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi paralel, terbuat dari
unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan
yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan.
Neural network ini meniru otak manusia dari sudut :
1.
Pengetahuan
diperoleh oleh network dari lingkungan, melalui suatu proses pembelajaran.
2.
Kekuatan
koneksi antar unit yang disebut synaptic weights, berfungsi untuk menyimpan
pengetahuan yang telah diperoleh oleh jaringan tersebut.”
Pada tahun 1943, Mc.Culloch dan Pitts memperkenalkan
model matematika yang merupakan penyederhanaan dari struktur sel saraf 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 ini dirumuskan pada persamaan (1).
Signal x berupa vektor berdimensi n (x1 , x2 ,…,xn)T
akan mengalami penguatan oleh synapse w (w1, w2 ,…,wn)T. Selanjutnya akumulasi
dari penguatan tersebut akan mengalami transformasi oleh fungsi aktifasi f. Fungsi
f ini akan memonitor, bila akumulasi penguatan signal itu telah melebihi batas tertentu,
maka sel neuron yang semula berada dalam kondisi “0”, akan mengeluarkan signal “1”.
Berdasarkan nilai output tersebut (=y),
sebuah
neuron dapat berada dalam dua status: “0” atau “1”. Neuron disebut dalam
kondisi firing bila menghasilkan output bernilai “1”. Sebuah neural network
dapat dianalisa dari dua sisi:
1. bagaimana
neuron-neuron tersebut dirangkaikan dalam suatu jaringan (arsitektur).
2. bagaimana
jaringan tersebut dilatih agar memberikan output sesuai dengan yang dikehendaki
(algoritma pembelajaran). Algoritma pembelajaran ini menentukan cara 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 model matematika neuron oleh McCulloch
& Pitts, penelitian di bidang neural network berkembang cukup pesat, dan
mencapai puncak keemasan pertama pada era tahun 60, dan puncak kedua pada
pertengahan tahun 80-an. Penelitian dalam bidang ini, dapat dibagi dalam tiga
kategori:
1. Riset
untuk meneliti proses informasi yang terjadi pada otak dan jaringan saraf. Tema
ini merupakan porsi penelitian para ahli medis dan neuroscientist.
2. Penelitian
teoritis untuk mendalami konsep dasar proses informasi pada otak. Kategori ini
memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari
proses tersebut.
3. Penelitian
yang bertujuan memanfaatkan teori-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 jawaban terhadap pattern yang belum pernah dipelajari
(generalization)
3. Dapat
secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut
c. Probabilistic
Reasoning (PR) dan
Genetic Algorithm (GA) Reasoning berarti mengambil
suatu keputusan atas suatu alasan atau sebab tertentu. Dua jenis reasoning
adalah logical reasoning dan probabilistic reasoning. Salah satu kelebihan
probabilistic reasoning dibandingkan logical reasoning terletak pada kemampuan
untuk mengambil keputusan yang rasional, walaupun informasi yang diolah kurang
lengkap atau mengandung unsur ketidakpastian. Termasuk dalam kategori PR antara
lain teori Chaos, Belief
Networks,
Genetic Algorithm. Diskusi dalam makalah ini difokuskan pada salah satu metode
dalam PR, yaitu Genetic Algorithm (GA).
Dasar-dasar GA digali oleh John Holland pada
pertengahan tahun 70-an. GA adalah metode komputasi yang meniru proses evolusi
dan seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal suatu
fungsi/permasalahan. Gambar 3 menunjukkan urutan tahapan dalam GA. Untuk
mencari nilai optimal tersebut, pertama-tama parameter-parameter permasalahan
ditransfer kedalam bentuk genetik sebuah kromosom individu yang disebut
genotype.
Kromosom ini terdiri dari sederetan string (misalnya
angka “0” dan “1”) yang merupakan analogi dari rantai DNA: A, T, G dan C yang
sebenarnya, pada tubuh makhluk hidup. Selanjutnya suatu populasi 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, yang diukur dengan suatu
kriteria yang mencerminkan sejauh mana kromosom individu tersebut mendekati
nilai optimal yang diinginkan.
Kriteria ini menjadi alat kontrol 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 mencerminkan diperolehnya jawaban yang merupakan
pendekatan terhadap nilai optimal yang diinginkan. Beberapa keunggulan yang dimiliki oleh GA
adalah sbb. [3]
1. GA
memiliki kemampuan untuk mencari nilai optimal secara paralel, melalui proses
kerjasama antara berbagai unit yang disebut kromosom individu.
2. GA
tidak memerlukan perhitungan matematika yang rumit seperti differensial yang
diperlukan oleh algoritma optimisasi yang lain.
Namun
demikian GA memiliki juga kelemahan 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 diset secara baik
agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.
3. Penentuan
rumus menghitung fitness merupakan hal yang sangat penting dan mempengaruhi
proses evolusi pada GA. Sayangnya tidak ada prosedur yang baku bagaimana menentukan
rumus tsb.
Dalam hal ini pengalaman dari desainer memegang
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 bidang softcomputing berkembang dengan pesat dan aplikasinya
dapat ditemukan di berbagai bidang. Hal ini disebabkan softcomputing menawarkan
solusi yang sangat sesuai dengan karakteristik informasi pada real-life domain
yang senantiasa diikuti dengan faktor impresisi, ketidakpastian, dan memerlukan
kemampuan pembelajaran. Berawal dari pemakaiannya untuk alat kontrol mesin uap,
dewasa ini fuzzy memiliki wilayah aplikasi yang luas terutama dalam bidang
kontrol, robotika, pattern recognition, sistem cerdas, dll. Selain paper dan
artikel yang dipublikasikan oleh berbagai journal ilmiah, diskusi mengenai
fuzzy ini dapat diikuti di berbagai milis, maupun newsgroup seperti
comp.ai.fuzzy. Arsip posting newsgroup ini dapat dibaca lewat http://groups.google.com/
dengan mengetikkan “comp.ai.fuzzy” pada kotak pencarian.
Neural
Network memiliki aplikasi yang sangat luas di bidang pattern recognition, seperti
voice recognition, character recognition maupun aplikasi-aplikasi pada bidang
ekonomi, bisnis dan bioteknologi. Salah satu forum diskusi virtual (newsgroup) yang
terkenal di bidang ini adalah comp.ai.neural-nets yang arsipnya dapat dilihat
di google, dengan cara sama sebagaimana uraian sebelumnya. Kumpulan dari 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 cara sebagaimana 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 untuk mempublikasikan penelitian di bidang softcomputing
di antaranya adalah “Soft Computing - A Fusion of Foundations, Methodologies
and Applications” terbitan Springer-Verlag Heidelberg. Journal lain adalah
Applied Soft Computing yang diterbitkan oleh Elsevier. Disamping itu, paper
mengenai teori dan aplikasi softcomputing dapat dibaca pada journal-journal
IEEE, IEICE, maupun proseding seminar-seminar internasional dalam bidang tsb.
Ciri
khas dari softcomputing adalah penekanan pada partnership atau kerjasama yang
saling menguntungkan dari berbagai metode yang ada. Tiap metode memiliki segi positif
yang dapat disumbangkan secara komplementer, menutupi kekurangan dari metode
yang lain. Contoh populer dari kerjasama komplementer ini adalah system neurofuzzy.
Aplikasi dari kombinasi kedua metode ini dapat dimanfaatkan untuk system control
pada AC, mesin cuci dan berbagai macam alat kebutuhan sehari-hari konsumen. Kombinasi
lain dapat ditemukan pada system neuroGA, dimana GA dimanfaatkan untuk menentukan
struktur yang optimal dari suatu neural network.
BAB III
PENUTUP
3.1. Kesimpulan
Untuk menilai jenis
kontroler yang berbeda, masing-masing kontroler telah diuji menggunakan labirin
yang sama dan jalan yang sama. Untuk membandingkan pengendali secara adil,
setiap tes telah diulang dua puluh kali dan mean dan standar deviasi dari kriteria
Peringkat berikut telah ditentukan. Hal
ini terbukti dari hasil studi kasus diambil dalam makalah ini bahwa teknik soft
computing dalam penelitian ini dapat mengatasi proses yang kompleks
non-linear pengendalian sistem. Dapat ditarik kesimpulan bahwa logika fuzzy adalah
sebuah pendekatan sistematis untuk mengendalikan proses. Selain fuzzy logic,
hibridisasi dengan algoritma genetik, akan lebih memberikan optimasi yang lebih
baik..
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
DAFTAR
PUSTAKA
