soft computing

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. 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.

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 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 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 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).

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 a.l.

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.

Neural Networks

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.”

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.

Probabilistic Reasoning

Genetic Algorithm (GA)

Penentuan cara perumusan genotype START dan 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. 

Beberapa keunggulan yang dimiliki oleh GA

adalah sbb. 

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 GA juga memiliki 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.

sekian dulu ya... di kesempatan yang akan datang akan kita bahas lagi.