SISTEM INFORMASI CERDAS
PENGANTAR SOFT COMPUTING
Dosen : Eel Susilowati
Kelas : 3KA13
Nama Kelompok :
-
Hilmy
Verian
-
Ikbar
Aji Hawali
-
Ilham
Fitrah Ramadhan
-
Lianda
Sari
-
M.
Qori Hakim
-
M.
Ginda Kinanta
-
M.
Nurul Alim
-
Nur
Asmawati F.A.
UNIVERSITAS GUNADARMA
Tahun Ajaran 2017/2018
Abstrak
Softcomputing
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. Softcomputing
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. Sebagian dari materi
pada makalah ini disampaikan sebagai pengantar kuliah musim semi 2003: “Special
Lecture on Media Science V”, pada School of Computer & Cognitive Sciences,
Chukyo University, Japan.
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. 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 komputer 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.
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, sebagai berikut.
“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 bertambahpanjangnya 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.
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 positif dari metode yang ada tersebut dapat
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 :
-
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 ladang
aplikasi di dunia industri. Fuzzy memiliki kelebihan-kelebihan, diantaranya :
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 antara lain :
1.
kontrol
memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang
2.
kuantitas
suatu materi dalam sistem 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 McCulloch & Pitts neuron model
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:
-
bagaimana
neuron-neuron tersebut dirangkaikan dalam suatu jaringan (arsitektur)
-
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 mencapaipuncak 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 sebagai berikut.
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).
Gambar 3 Urutan proses pada 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 nilaifitness yang
tinggi. Hal ini mencerminkan diperolehnya jawaban yang merupakan pendekatan
terhadap nilai optimal yang diinginkan.
Beberapa keunggulan yang
dimiliki oleh GA adalah sebagai berikut :
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.
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
“SoftComputing - 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 sistem
neurofuzzy. Aplikasi dari kombinasi kedua metode ini dapat dimanfaatkan untuk
sistem control pada AC, mesin cuci dan berbagai macam alat kebutuhan
sehari-hari konsumen. Kombinasi lain dapat ditemukan pada sistemneuroGA, dimana
GA dimanfaatkan untuk menentukan struktur yang optimal dari suatu neural
network.
PENUTUP
Makalah
ini membahas garis besar konsep-konsep dalam softcomputing dan karakteristik
masing-masing metode. Sebagai suatu solusi, softcomputing memiliki kelebihan
dalam hal kemampuan mengolah informasi mengandung unsur ketakpastian
(uncertainty), kebenaran parsial, atau pada masalah yang memerlukan proses
pembelajaran terhadap trend yang dialami sebelumnya. Softcomputing lebih
menekankan pada partnership antara metode-metodenya, sehingga kelebihan metode
yang satu akan menutup kelemahan dari metode yang lain. Faktor-faktor inilah
yang menyebabkan softcomputing menjadi suatu alternatif yang menjanjikan untuk
aplikasi yang luas di berbagai bidang.
REFERENSI
1.
Moore’s
Law dan Intel:
2.
Homepage
Berkeley Initiative in SoftComputing (BISC)
3.
Masafumi
Hagiwara, “Neuro-Fuzzy-GA”, Sangyotosho,
cetakan ke-9, 2003 (bahasa Jepang).
4.
Simon
Haykin, Neural Networks: A Comprehensive Foundation, Pearson Education, cetakan
ke-3 di India, 1999
Komentar
Posting Komentar