MARI BELAJAR

Soft komputasi

Pengantar Softcomputing

Perkembangan teknologi hardware dan software komputer saat ini begitu pesat seiiring dengan kebutuhan akan pemrosesan data yang bertambah kompleks.

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 komputerini, seringkali timbul fikiran bahwa padasuatu masa, omputer dapat mengatasi berbagai permasalahan.

Kalau kita cermati, tidak semua masalah yang kita hadapi dapat dibuat rumusan yang pasti dan eksak, 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.

Salah satu alternatif solusi yang memenuhi kriteria ini adalah softcomputing.

Definisi softcomputing 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.”

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)

· Neural Fuzzy

Pengantar Softcomputing

Perkembangan teknologi hardware dan software komputer saat ini begitu pesat seiiring dengan kebutuhan akan pemrosesan data yang bertambah kompleks.

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 komputerini, seringkali timbul fikiran bahwa padasuatu masa, omputer dapat mengatasi berbagai permasalahan.

Kalau kita cermati, tidak semua masalah yang kita hadapi dapat dibuat rumusan yang pasti dan eksak, 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.

Salah satu alternatif solusi yang memenuhi kriteria ini adalah softcomputing.

Definisi softcomputing 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.”

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)

· Neural Fuzzy



Implementasi Fuzzy Logic

Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then rules.

Pengembangan sistem fuzzy dapat diterapkan dalam segala bidang, terutama dalam bidang sistem pakar untuk merepresentasikan pengetahuan pada lingkungan yang tidak pasti dan lengkap serta sangat kompleks. Sistem pakar fuzzy telah banyak diterapkan diberbagai bidang, yaitu: pengawasan linear dan non linier, pengenalan pola, serta sistem keuangan.

Selain diterapkan pada sistem pakar, fuzzy logic juga diterapkan pada pengambilan keputusan kelompok. Salah satu contohnya yaitu pada web chat dengan aplikasinya dalam pengambilan keputusan kelompok secara label linguistic.



Implementasi Neural Network

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.”

Neural Network dapat diterapkan dalam berbagai macam masalah kompleks, misalnya pengenalan pola, identifikasi, klasifikasi, sistem control dan lain-lain.



Implementasi Probabilistic Reasoning

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.

Aplikasi Genetic Algorithm dapat diterapkan di problem optimisasi seperti job-scheduling, optimisasi rute mobil, penentuan kandidat gen yang memiliki potensi kedokteran dan farmasi pada bidang bioinformatika



Implementasi Neural Fuzzy

Sistem neuro-fuzzy menggabungkan prinsip belajar dari neural network untuk adaptasi fungsi keanggotaan dari fuzzy. Penerapan kombinasi antara teori neural network dengan konsep fuzzy pada prinsipnya adalah usaha mengeliminasi kekurangan konsep yang satu dengan kelebihan yang dimiliki konsep yang lain. Dalam hal ini kemampuan adaptasi dan belajar dari neural network dimanfaatkan oleh fuzzy untuk melakukan tuning terhadap parameter fuzzy (kekurangan fuzzy yang tidak memiliki kemampuan belajar.

Pemanfaatan neural fuzzy diterapkan dalam berbagai bidang, terutama dalam sistem pakar. Neural Fuzzy dalam sistem pakar digunakan untuk akuisi pengetahuan dan pembelajaran, misalnya diterapkan dalam sistem intelijen penilaian kinerja perusahaan