Selasa, 26 Desember 2017
FUZZY LOGIC & SOFT COMPUTING
PENG. TEKNOLOGI SISTEM CERDAS #
DISUSUN OLEH:
ABDUL HAFIZ ICHWAN 10115017
UNIVERSITAS GUNADARMA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
SISTEM INFORMASI
DEPOK 2017
===============================================================================
PENERAPAN LOGIKA FUZZY DENGAN KECERDASAN BUATAN
ABSTRAKSI
Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien. Paper ini akan menjelaskan tentang penerapan logika fuzzy/fuzzy logic dengan artificial intelligent /kecerdasan buatan.
Kata kunci: Logika Fuzzy , Kecerdasan Buatan.
PENDAHULUAN
Artificial Intelligence atau yang lebih sering disingkat dengan AI merupakan kecerdasan buatan/bikinan atau sebuah kecerdasan yang ditanamkan dalam sistem yang dapat dikelola dalam konteks ilmiah atau Artificial Intelligence (inteligensi artifisial). AI bisa juga diartikan sebagai kecerdasan yang berwujud ilmiah. Sistem yang dibenamkan AI biasanya adalah sistem yang berkaitan dengan komputer atau robot. AI sendiri dibuat dan dibenamkan dalam mesin komputer supaya ia bisa mengerjakan pekerjaan layaknya manusia. Hal ini tentu saja akan mempermudah dan mempersingkat suatu pekerjaan agar lebih praktis dan efisien dalam menghemat waktu pengerjaan. Namun begitu, bukan berarti AI adalah robot yang selalu bekerja membantu manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.
Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya, ia pasti akan sangat tertarik dan akan menjadi pendatang baru untuk ikut serta mempelajari logika fuzzy. Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep.
2. Teori Dasar
2.1. Logika Fuzzy
Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia kedalam suatu sistem. Banyak alasan mengapa penggunaanlogika fuzzy ini sering dipergunakan antara lain, konsep logika fuzzy yang miripdengan konsep berpikir manusia. Sistem fuzzy dapat merepresentasikanpengetahuan manusia ke dalam bentuk matematis dengan lebih menyerupai caraberpikir manusia.Pengontrol dengan logika fuzzy mempunyai kelebihan yaitudapat mengontrol sistem yang kompleks, non-linier, atau sistem yang sulitdirepresentasikan kedalam bentuk matematis.Selain itu, informasi berupapengetahuan dan pengalaman mempunyai peranan penting dalam mengenaliperilaku sistem di dunia nyata.
Logika fuzzy juga memiliki himpunan fuzzy yang mana pada dasarnya, teorihimpunan fuzzy merupakan perluasan dari teori himpunan klasik. Dimana dengan logika fuzzy, hasil yang keluar tidak akan selalu konstan dengan input yang ada.Cara kerja logika fuzzy secara garis besar terdiri dari input, proses dan output.Logika fuzzy merupakan suatu teori himpunan logika yang dikembangkan untukmengatasi konsep nilai yang terdapat diantara kebenaran (truth) dan kesalahan(false). Dengan menggunakan fuzzy logic nilai yang dihasilkan bukan hanya ya(1) atau tidak (0) tetapi seluruh kemungkinan diantara 0 dan 1.
2.2 Perangkat Lunak Kecerdasan Buatan
Perangkat lunak kecerdasan buatan membuat baik penggunaan fuzzy logic di daerah yang tidak memiliki aturan yang jelas atau nilai-nilai absolut. Dalam setiap kasus di mana jawabannya akan “kadang-kadang” atau “mungkin,” logika fuzzy sangat membantu. Kredit – Fuzzy logic dapat digunakan untuk membantu mengevaluasi kredit peminjam. Kadang-kadang, peminjam yang memiliki skor kredit yang rendah harus diberikan kredit, jika mereka memiliki atribut positif lainnya, seperti pendapatan yang stabil dan aset yang cukup. Baca lebih lanjut di Aplikasi Logika Fuzzy untuk Perbankan dan Pinjaman .
Dalam Robotika – Fuzzy logic adalah sangat berguna dalam membantu robot memutuskan apa yang harus dilakukan dengan input sensorik. Setiap jenis kontak akan memerlukan respon yang berbeda, tergantung pada sejumlah factors.Read lebih lanjut tentang peran AI dalam teknologi robot saat ini, di Robotika dan Kecerdasan Buatan Campurkan dalam Perang Robot modern . Business Intelligence – aplikasi Fuzzy logic dapat membantu eksekutif mengevaluasi keputusan berdasarkan sejumlah kriteria. Aplikasi logika fuzzy dapat digunakan untuk berbagai solusi AI. Jenis algoritma pengolahan informasi bisa sangat sulit untuk membuat, tetapi hasilnya sangat besar.
3. Pembahasan
Logika Fuzzy, yang dalam bahasa Indonesia dapat diartikan sebagai Logika Kabur atau Logika Samar, dapat dikatakan sebagai “logika baru yang sudah lama”. Hal ini karena ilmu tentang logika fuzzy secara modern dan metodis ditemukan pada tahun 1965, namun konsep logika fuzzy sudah melekat pada diri manusia, sejak manusia ada. Konsep logika fuzzy dapat dengan mudah kita temukan pada perilaku manusia dalam kesehariannya, misalnya: - Pedal gas kendaraan akan kita tekan dengan tekanan tertentu sesuai kecepatan yang kita inginkan. (Berapa besar tekanan yang kita berikan?) - Kita cenderung memberi hadiah kepada seseorang dengan nilai tertentu sesuai dengan manfaat orang tersebut kepada kita. (Berapa besar nilai hadiah yang akan kita berikan?) Kita akan marah kepada orang yang merugikan kita. (Berapa besar kemarahan kita?)Kita tidak bisa menjawab dengan pasti pertanyaan-pertanyaan yang muncul di atas. Inilah beberapa contoh kasus yang bisa dijelaskan menggunakan konsep logika fuzzy. Sebagai contoh adalah robot yang menggunakan fuzzy logic dapat memprediksikan kapan ia harus bertindak atau menghindar saat ada halangan di depannya dengan hanya ada peringatan ‘awas’ dan tanpa ada hitungan matematis yang diberikan oleh user. Sedangkan robot yang menggunakan alogaritma pemrograman konvensional tidak akan dapat memutuskan sendiri untuk menghindar dari halangan yang ada di depannya.
3.1.
Perbedaan Logika Klasik Atau Tegas Dengan Logika Fuzzy
Perbedaan antara kedua jenis logika ini adalah logika fuzzy memiliki nilai 0 hingga 1, sedangkan logika tegas 0 dan 1.Secara grafik perbedaan logika fuzzy dan logika tegas ditunjukan pada gambar 3.1.
 |
| Logika Fuzzy |
 |
| Logika Tegas |
Gambar 3.1
Perbedaan logika fuzzy (a) dan logika tegas (b)
Pada gambar 3.1 (a) apabila x lebih dari atau sama dengan 10 baru dikatakan benar yaitu y=1, sebaliknya nilai x kurang dari 10 adalah salah yaitu y=0. Maka angka 9, 8, dan 7 dan seterusnya adalah dikatakan salah. Pada gambar 2.1 (b) nilai x= 9, 8, atau 7 atau nilai antara 0 – 10 dapat dikatakan benar dan dapat dikatakan salah. Dalam contoh kehidupan kita seseorang dikatakan sudah dewasa apabila berumur 17 tahun, maka siapapun yang kurang umur dari 17 tahun didalam logika tegas akan dikatakan sebagai belum dewasa atau anak-anak. Sedangkan dalam hal ini pada logika fuzzy umur 17 tahun dapat dikategorikan dewasa tapi belum dewasa, misal untuk umur 16 tahun dan 15 tahun atau 14 tahun dan 13 tahun. Secara grafik dapat digambarkan sebagai berikut.
Gambar 3.2
Perbandingan contoh logika tegas (a) logika fuzzy (b).
3.2.
Aturan Fuzzy IF-THEN
Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel fuzzy direlasikan dengan implikasi sederhana sebagai berikut :
If x is A Then Y is B atau y=f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesendennya. Aturan Fuzzy If-Then (atau disebut juga aturan fuzzy, fuzzy implikasi, atau pernyataan kondisional Fuzzy) adalah aturan yang digunakan untuk merumuskan relasi conditional antara 2 atau lebih himpunan fuzzy.
Bentuk umum : If (X1 is A1)Ù (X2 is A2) … (Xn is An) Then Y is B; xi, yi skalar, dan A, B himpunan Fuzzy
Menurut Kusumadewi (2004) Ada 2 fungsi implikasi yang digunakan yaitu :
1. Min (minimum), fungsi ini akan memotong output (konsekuen) himpunan fuzzy.
2. Dot (product), fungsi ini akan menskala output himpunan fuzzy.
Contoh Implementasi
Gambar 1. (a) Aplikasi fungsi implikasi menggunakan
operator min
(b) Aplikasi fungsi implikasi menggunakan operator dot
3.3.
Alasan digunakannya Logika Fuzzy
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami
3.4.
Aplikasi yang menggunakan Logika Fuzzy
1. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.
2. Ekonomi, seperti pemodelan fuzzy pada system pemasaran yang kompleks dll.
3. Klasifikasi dan pencocokan pola.
4. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.
5. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.
6. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
7 Jurnal ELKHA Vol.4, No 2,Oktober 2012 4.
Kesimpulan
1. Logika merupakan ilmu yang sangat penting untuk dipelajari, karena merupakan ilmu dasar bagi ilmuilmu yang lain. Hal ini dapat dilihat dari beberapa contoh yang dipaparkan di atas. Selain itu, logika juga merupakan ilmu untuk berpikir secara sistematis, sehingga mudah dipahami dan dapat dirunut kebenarannya.
2. Logika juga sangat banyak digunakan pada dunia pemrograman, karena hampir setiap bahasa pemrograman menggunakan logika dalam pemecahan permasalahan dan setiap decision-nya. Oleh karena itu, sangat penting kiranya untuk mempelajari logika.
Referensi:
[1] Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya) Graha Ilmu, Yogyakarta, 2002.
[2] Kosko, Bart. Neural Network and Fuzzy Systems (A Dynamic Systems Approach to Machine Intelligence), USA Prenticee-Hall,1992
[3] Suparman, Mengenal Artificial Intelligence, Edisi-1, Andi Offset, Yogyakarta, 1991.
[4] Wang, L. A Course in Fuzzy Systems and Control, Prentice-Hall International, Inc., New Jersey, 1997.
[5] Zimmermann, Fuzzy Set Theory an Its Applications, Second Edition, Kluwer Academic Publishers, 1991.
[5] Aziz, Shahariz Abdul. “You Fuzzyin’ With Me?” 1996. Online posting. 13 Dec. 2002.
[6] Kosko, Bart. “Fuzzy Thinking: The New Science of Fuzzy Logic.” Hyperion. New York. 1993.
[7] “Tour Of Fuzzy Logic Functions.” Wolfram Reasearch, Inc. 28 Nov. 2002.
===============================================================================
PENGAMBILAN KEPUTUSAN DENGAN TEKNIK SOFT COMPUTING
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 adalahsoft computing.
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.
Kata kunci : Fuzzy logic, Algoritma Evolusioner, Algoritma Genetika, Turbin Compressor System
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 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 ?
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 yang akan datang. (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.
PEMBAHASAN
DEFINISI SOFTCOMPUTING, yaitu Prof. Lotfi A. Zadeh, di Berbagai macam definisi softcomputing diberikan oleh para ahli. Salah satu definisinya adalah sebagaimana disampaikan oleh pencetus softcomputing homepage BISC yaitu:
“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.
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.
FuzzyLogic(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 lading aplikasi di dunia industri. Fuzzy memiliki kelebihan-kelebihan, diantaranya :
Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu ruangan yang nyaman”.
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.
Penerapan logika dalam pengambilan keputusan.
Dewasa ini, fuzzy merupakan salah satu metode memiliki aplikasi luas di bidang kontrol. Hal ini disebabkan antara lain :
Kontrol memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang.
Kuantitas suatu materi dalam system kontrol sangat jelas, dan dapat diekspresikan dengan istilah-istilah yang fuzzy seperti “besar”, “banyak”.
Aturan dalam kontrol mudah untuk didefinisikan memakai kata-kata. Misalnya “jika suhu dalam ruangan terlalu dingin, naikkan suhu penghangat”.
Perkembangan teori fuzzy sangat pesat, sehingga batas-batasnya dapat dirumuskan dengan jelas.
NeuralNetworks(NN)
Neural Networks (Jaringan Saraf Tiruan) menurut Haykin 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.
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 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 :
Riset untuk meneliti proses informasi yang terjadi pada otak dan jaringan saraf. Tema ini merupakan porsi penelitian para ahli medis dan neuroscientist.
Penelitian teoritis untuk mendalami konsep dasar proses informasi pada otak. Kategori ini memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari proses tersebut.
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).
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 :
Riset untuk meneliti proses informasi yang terjadi pada otak dan jaringan saraf. Tema ini merupakan porsi penelitian para ahli medis dan neuroscientist.
Penelitian teoritis untuk mendalami konsep dasar proses informasi pada otak. Kategori ini memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari proses tersebut.
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.
Dapat memecahkan problema non-linear yang umum dijumpai di aplikasi.
Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut.
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.
GA memiliki kemampuan untuk mencari nilai optimal secara paralel, melalui proses kerjasama antara berbagai unit yang disebut kromosom individu.
GA tidak memerlukan perhitungan matematika yang rumit seperti differensial yang diperlukan oleh algoritma optimisasi yang lain.
Namun demikian GA memiliki juga kelemahan dan keterbatasan.
Tidak memiliki rumusan yang pasti, bagaimana mentransfer parameter permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan wawasan dari desainer.
Banyak parameter yang perlu diset secara baik agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.
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.
4. 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 “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.
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.
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
SUMBER
PENS ITS Diakses pada 2 desember 13:10
Langganan:
Posting Komentar (Atom)
0 komentar