Softcomputing

stilah soft computing (SC) diperkenalkan oleh Prof. Lotfi A. Zadeh (1992): “An evolving collection of methodologies, which aims to exploit tolerance for imprecission, uncertainty, and partial truth to achieve robustness, tractability (TR), and low cost (LC)”. Tujuan dari SC adalah terbentuknya High Machine Intelligence Quotient (HMIQ), suatu sistem yang mampu mengolah informasi seperti cara berpikir manusia, mempunyai kemampuan untuk menyelesaikan permasalahan non-linier dan tidak ada model matematisnya (TR), serta dapat diimplementasikan dengan biaya rendah (LC). Komponen utama dalam SC adalah Fuzzy Logic (FL), Neural Network (NN), dan Probabilistic Reasoning (PR), yang kemudian diikuti oleh Belief Network, Genetic Algorithms, Chaos Theory dan Learning Theory. Yang terpenting dalam SC adalah antara satu komponen dengan komponen lainnya saling melengkapi dan berkontribusi untuk menyelesaikan suatu permasalahan.

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.


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.”


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).

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.

Sumber : http://softcomputing.wordpress.com/about/
dan Anto Satriyo Nugroho
asnugroho@ieee.org
http://asnugroho.net