Cara Rusli
BAB 1
1 ,1 Soft Computing
Proses penalaran merupakan bagian yang sangat penting dalam sistem cerdas. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung ketidaktepatan dan ketidakpastian. Hal ini biasanya terjadi apabila diterapkan penalaran induktif, di mana munculnya fakta baru dapat mengakibatkan konklusi yang sudah terbentuk bisa berubah nilai kebenarannya, atau bahkan salah sama sekali. Bentuk penalaran statistis merupakan suatu solusi untuk menyelesaikan permasalahan tersebut, seperti aplikasi teori probabilitas Bayes; penggunakan certainty factor, atau penerapan teori Dempster Shafer (Rich, 1991). Namun pada tiga dasawarsa terakhir, mulai muncul adanya teknik-teknik pendekatan dalam penyelesaian masalah yang kemudian dikenal dengan istilah soft computing.
Soft computing adalah suatu model pendekatan untuk melakukan » . komputasi dengan meniru akal manusia dan memiliki kemampuan untuk menalar dan belajar pada lingkungan yang penuh dengan . ketidakpastian dan ketidaktepatan Uang, 1997). Soft computing mulai diperkenalkan oleh Lott“: A Zadeh pada tahun 1992. Soft computing ,
merupakan koleksi dari beberapa metodologi yang bertujuan untuk “mengeksploitasi ”adanya toleransr terhadap ketrdaktepatan,3ket_idak… pastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah. Soft computing merupakan suatu model yang menggunakan pendekatan dalam melakukan penalaran untuk memecahkan masalah. Proses pendekatan dapat dilakukan secara fungsional maupun melalui pen. ”carian random. Teknik ini sangat berbeda dengan hard computing yang merupakan model tertentu dengan menggunakan simbol-simbol ' sebagai logika penalarannya dalam menyelesaikan masalah. Pada hard computing, pencarian dan pemodelan masalah dilakukan secara numeris.
Komponen utama pembentuk soft computing adalah sistem fuzzy (fuzzy system), jaringan syarat (neural network), algoritma evolusioner (evolutionary algorithm), dan penalaran dengan probabilitas (probabilistic reasoning). Ke empat komponen tersebut bukanlah merupakan pesaing antara satu dengan yang lain, melainkan saling melengkapi. Komponen-komponen utama tersebut memiliki bidangbidang kajian yang sangat bervariasi. Beberapa bahasan yang dapat dikaji pada sistem fuzzy antara lain: . Sistem inferensi fuzzy (fuzzy inference system); beberapa metode yang sering digunakan antara lain: metode Mamdani, Metode TSK, dan metode Tsukamoto (Cox, 1994)(Gelley, 2000)Uang, 1997).
Fuzzy clustering; metode yang sering digunakan antara lain:, fuzzy c-mean (FCM), dan fuzzy subtractive ciustering (Gelley, 2000)(lang, 1997).
Fuzzy mathematical programming; antara lain: fuzzy linear programming, fuzzy integer transportation problem, fuzzy multi objective linear programming, an (Terano, 1992)(Kirsch, BA., 2000) (Chanas, 1998).
Fuzzy quantification; seperti fuzzy quantification theory l, fuzzy quantification theory II, dan fuzzy quantification theory ll! (Terano, 1992).
Fuzzy Multi Criteria Decision Making (FMCDM). (Zimmermann, 1991).
Beberapa bahasan yang dapat dikaji pada jaringan syaraf lebih banyak pada aplikasi dan pengembangan algoritma-algoritma pembelajaran. Secara umum, ada 2 algoritma pembelajaran pada jaringan syaraf, yaitu algoritma pembelajaran terawasi (supervised learning) dan algoritma pembelajaran tak terawasi (unsupervised learning). Beberapa algoritma pembelajaran yang termasuk supervised learning antara lain:
Algoritma pembelajaran Hebb (Fausett, 1998). Algoritma pembelajaran yang paling sederhana ini biasanya digunakan sebagai dasar untuk algoritma pembelajaran yang lebih kompleks.
Algoritma pembelajaran delta rule, Adaline, Madaline (jang, 1997).
Backpropagation (BP), terdiri-dari algoritma BP standar (gradient-descent, dan gradient-descent dengan momentum); algoritma BP dengan perbaikan menggunakan teknik heuristik ‘ (gradient-descent dengan learning rate adaptif, gradient-descent dengan momentum dan learning rate adaptif, dan resilent back-propagation); BP dengan perbaikan menggunakan optimasi numerik (algoritma-algoritma dengan conjugate gradient, algoritma quasi newton, dan algoritma Levenberg-Marquardt) (Demuth, 1998) Gang, _1997);
learning Vector Quantization (LVQ) (Demuth, 1998). Algoritma _ pembelajaran ini biasanya digunakan untuk penyelesaian masalah kelasilikasi. '
Jaringan basis radial (Fausett, 1994). Algoritma pembelajaran ini sangat handal digunakan untuk penyelesaian masalah peramalan (forecasting).
Jaringan probabilistik (Demuth, 1998). Algoritma pembelajaran-' ini biasanya digunakan untuk penyelesaian masalah kelasinkasi.
Sedangkan algoritma pembelajaran yang termasuk unsupervised ' learning adalah self organizing map.
Beberapa bahasan yang dapat dikaji pada algoritma evolusioner juga lebih banyak pada aplikasi dan pengembangan algoritmanya. Algoritma genetika merupakan pendahulu dari konsep algoritma evolusioner Algoritma-algoritma yang dikembangkan selanjutnya ' seperti: particle swarm, fish schooling, bird flocking, dan ant system.
Beberapa perbandingan kinerja antara sistem fuzzy, jaringan syaraf dan algoritma genetika dapat dilihat pada Tabel 1 1 (Lin 1996)
Tabel 1.1 Perbandingan kinerja antara sistem fuzzy, Jaringan syaraf dan algoritma genetika
1 .2 Sistem Hybrid
Adakalanya komponen-komponen utama soft computing saling dipadupadankan untuk mendapatkan algoritma yang lebih sempurna. Beberapa contoh penggabungan tersebut adalah:
. Fuzzy Neural Network (FNN). FNN adalah jaringan syaraf dengan intput fuzzy dan atau bobot fuzzy, fungsi aktivasi (biasanya sigmoid), dan semua operasinya didasarkan atas prinsip-prinsip perluasan dari Zadeh.
. ANFlS (Adaptive Network-based Fuzzy lnference System atau Adaptive Neuro' Fuzzy lnference System). Jaringan syaraf digunakan untuk mengimplementasikan Fuzzy lnference System.
. Neural Fuzzy System. Model ini digunakan untuk akuisisi pengetahuan dan pembelajaran. Jaringan syaraf diinisialisasi dengan pengetahuan pakar dalam bentuk simbol, kemudian dilatih berdasarkan intput-output sistem nyata. Pengetahuan dalam bentuk simbol yang diperoleh dari pelatihan tersebut kemudian direpresentasikan dalam logika fuzzy.
. Fuzzy genetic algorithms. Kemampuan optimasi dari algoritma genetika digunakan untuk memilih aturan-aturan terbaik untuk fuzzy inference system.
. Neuro-genetic systems. Algoritma genetika digunakan sebagai sarana untuk mengukur performansi pembelajaran dari jaringan syaraf.
1.3 Aplikasi Sistem Hybrid
Sistem inferensi fuzzy seringkali digunakan sebagai salah satu mekanisme inferensi pada sistem pakar, terutama untuk sistem pakar yang menggunakan aturan-aturan dalam basis pengetahuannya. Meskipun logika fuzzy dapat menterjemahkan pengetahuan dari para pakar secara langsung dengan menggunakan aturan-aturan yang outputnya fuzzy; atau baik intput, output, maupun bobotnya bernilai fuzzy (Fuller, 1995). Dimungkinkan juga algoritma pembelajaran pada jaringan syaraf juga difuzzykan. Biasanya FNN merupakan jaringan syarat yang difuzzykan terlebih dahulu, dan selanjutnya sudah merupakan suatu jaringan utuh (Lin, 1996).
FNN sering digunakan untuk pendekatan fungsi non-linear, sistem kendali, dan penyelesaian masalah prediksi yang bersifat runtun waktu (Maguire, 1997). Lee (1993) mengembangkan model pembelajaran yang merupakan kombinasi antara pembelajaran terawasi dan tak terawasi untuk melakukan kelasifikasi pola. lshibuchi (1993) mengembangkan FNN dengan bobot-bobot dan bias bernilai fuzzy, intput berupa vektor bernilai riil, dan target output bernilai fuzzy.
1.4.2 Neural Fuzzy System (jaringan syaraf didasarkan pada logika fuzzy)
Pada Neural Fuzzy System (NFS), jaringan syaraf digunakan untuk merealisasikan fungsi keanggotaan fuzzy dan operator-operator dasar fuzzy, seperti AND, OR, dan Not (Lin, 1996). Pada NFS, suatu jaringan syaraf dapat dilatih untuk merepresentasikan fungsi keanggotaan dengan bentuk tertentu, seperti bentuk segitiga, bentuk lonceng, sigmoid, dll. Demikian pula, pada NFS, fungsi aktivasi dapat diatur sedemikian rupa sehingga dapat mengimplementasikan fungsi min untuk operasi AND, max untuk operasi OR, dan Not.
Operator-operator untuk fuzzy neuron seperti 511,3) telah diperkenalkan oleh Li (1997). Operator ini digunakan untuk mel nyelesaikan persamaan-persamaan relasi fuzzy. Simpson (1993) mengaplikasikan jaringan syaraf dengan fuzzy min-max untuk pedekatan fungsi.
1 .4.3 Neuro Fuzzy Inference System
Neuro Fuzzy Inference System merupakan sekumpulan aturan dan . suatu metode inferensi yang dikombinasikan dalam suatu struktur terhubung kemudian dilakukan pelatihan dan adaptasi (Kasabov, 2002). Salah satu model yang merupakan bentuk jaringan adaptif yang berfungsi seperti halnya sistem inferensi fuzzy adalah AdaptiVe Neuro Fuzzy Inference System (ANFIS) (Jang, 1997), dan Dynamic
Evolving Neuro Fuzzy Inference System (DENFlS) (Song, 2003) (Kasabov, 2002).
Pada kebanyakan sistem neuro-fuzzy, digunakan algoritma pem-belajaran backpropagation untuk membangkitkan aturan-aturan fuzzy dengan fungsi keanggotaan menggunakan model Gauss yang diberikan secara terpisah. Hal ini mengakibatkan, jika jumlah variabel intput ditambah, maka bertambah banyak pula parameter-parameter yang harus dibangkitkan. Mizumoto (1997) memperkenalkan algoritma pembelajaran pada neuro-fuzzy tanpa harus mengubah bentuk aturan fuzzy. Metode ini sangat efisien terutama jika digunakan untuk identifikasi fungsi-fungsi non-linear.
Sulzberger (1993), mengembangkan metode untuk mengoptimasi aturan-aturan fuzzy dengan menggunakan jaringan syaraf. Pada riset ini juga dikembangkan suatu model jaringan syaraf baru yang mengakomodasi adanya translasi aturan fuzzy dan fungsi ke anggotaan ke dalam bentuk jaringan. Mengembangkan neuro-fuzzy melalui pembelajaran secara self-organization pada data-data yang dilatih untuk mendapatkan jumlah aturan fuzzy yang optimal dan untuk membangkitkan pusat fungsi keanggotaan (Osowski, 2005).
BAB 1
1 ,1 Soft Computing
Proses penalaran merupakan bagian yang sangat penting dalam sistem cerdas. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung ketidaktepatan dan ketidakpastian. Hal ini biasanya terjadi apabila diterapkan penalaran induktif, di mana munculnya fakta baru dapat mengakibatkan konklusi yang sudah terbentuk bisa berubah nilai kebenarannya, atau bahkan salah sama sekali. Bentuk penalaran statistis merupakan suatu solusi untuk menyelesaikan permasalahan tersebut, seperti aplikasi teori probabilitas Bayes; penggunakan certainty factor, atau penerapan teori Dempster Shafer (Rich, 1991). Namun pada tiga dasawarsa terakhir, mulai muncul adanya teknik-teknik pendekatan dalam penyelesaian masalah yang kemudian dikenal dengan istilah soft computing.
Soft computing adalah suatu model pendekatan untuk melakukan » . komputasi dengan meniru akal manusia dan memiliki kemampuan untuk menalar dan belajar pada lingkungan yang penuh dengan . ketidakpastian dan ketidaktepatan Uang, 1997). Soft computing mulai diperkenalkan oleh Lott“: A Zadeh pada tahun 1992. Soft computing ,
merupakan koleksi dari beberapa metodologi yang bertujuan untuk “mengeksploitasi ”adanya toleransr terhadap ketrdaktepatan,3ket_idak… pastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah. Soft computing merupakan suatu model yang menggunakan pendekatan dalam melakukan penalaran untuk memecahkan masalah. Proses pendekatan dapat dilakukan secara fungsional maupun melalui pen. ”carian random. Teknik ini sangat berbeda dengan hard computing yang merupakan model tertentu dengan menggunakan simbol-simbol ' sebagai logika penalarannya dalam menyelesaikan masalah. Pada hard computing, pencarian dan pemodelan masalah dilakukan secara numeris.
Komponen utama pembentuk soft computing adalah sistem fuzzy (fuzzy system), jaringan syarat (neural network), algoritma evolusioner (evolutionary algorithm), dan penalaran dengan probabilitas (probabilistic reasoning). Ke empat komponen tersebut bukanlah merupakan pesaing antara satu dengan yang lain, melainkan saling melengkapi. Komponen-komponen utama tersebut memiliki bidangbidang kajian yang sangat bervariasi. Beberapa bahasan yang dapat dikaji pada sistem fuzzy antara lain: . Sistem inferensi fuzzy (fuzzy inference system); beberapa metode yang sering digunakan antara lain: metode Mamdani, Metode TSK, dan metode Tsukamoto (Cox, 1994)(Gelley, 2000)Uang, 1997).
Fuzzy clustering; metode yang sering digunakan antara lain:, fuzzy c-mean (FCM), dan fuzzy subtractive ciustering (Gelley, 2000)(lang, 1997).
Fuzzy mathematical programming; antara lain: fuzzy linear programming, fuzzy integer transportation problem, fuzzy multi objective linear programming, an (Terano, 1992)(Kirsch, BA., 2000) (Chanas, 1998).
Fuzzy quantification; seperti fuzzy quantification theory l, fuzzy quantification theory II, dan fuzzy quantification theory ll! (Terano, 1992).
Fuzzy Multi Criteria Decision Making (FMCDM). (Zimmermann, 1991).
Beberapa bahasan yang dapat dikaji pada jaringan syaraf lebih banyak pada aplikasi dan pengembangan algoritma-algoritma pembelajaran. Secara umum, ada 2 algoritma pembelajaran pada jaringan syaraf, yaitu algoritma pembelajaran terawasi (supervised learning) dan algoritma pembelajaran tak terawasi (unsupervised learning). Beberapa algoritma pembelajaran yang termasuk supervised learning antara lain:
Algoritma pembelajaran Hebb (Fausett, 1998). Algoritma pembelajaran yang paling sederhana ini biasanya digunakan sebagai dasar untuk algoritma pembelajaran yang lebih kompleks.
Algoritma pembelajaran delta rule, Adaline, Madaline (jang, 1997).
Backpropagation (BP), terdiri-dari algoritma BP standar (gradient-descent, dan gradient-descent dengan momentum); algoritma BP dengan perbaikan menggunakan teknik heuristik ‘ (gradient-descent dengan learning rate adaptif, gradient-descent dengan momentum dan learning rate adaptif, dan resilent back-propagation); BP dengan perbaikan menggunakan optimasi numerik (algoritma-algoritma dengan conjugate gradient, algoritma quasi newton, dan algoritma Levenberg-Marquardt) (Demuth, 1998) Gang, _1997);
learning Vector Quantization (LVQ) (Demuth, 1998). Algoritma _ pembelajaran ini biasanya digunakan untuk penyelesaian masalah kelasilikasi. '
Jaringan basis radial (Fausett, 1994). Algoritma pembelajaran ini sangat handal digunakan untuk penyelesaian masalah peramalan (forecasting).
Jaringan probabilistik (Demuth, 1998). Algoritma pembelajaran-' ini biasanya digunakan untuk penyelesaian masalah kelasinkasi.
Sedangkan algoritma pembelajaran yang termasuk unsupervised ' learning adalah self organizing map.
Beberapa bahasan yang dapat dikaji pada algoritma evolusioner juga lebih banyak pada aplikasi dan pengembangan algoritmanya. Algoritma genetika merupakan pendahulu dari konsep algoritma evolusioner Algoritma-algoritma yang dikembangkan selanjutnya ' seperti: particle swarm, fish schooling, bird flocking, dan ant system.
Beberapa perbandingan kinerja antara sistem fuzzy, jaringan syaraf dan algoritma genetika dapat dilihat pada Tabel 1 1 (Lin 1996)
Tabel 1.1 Perbandingan kinerja antara sistem fuzzy, Jaringan syaraf dan algoritma genetika
1 .2 Sistem Hybrid
Adakalanya komponen-komponen utama soft computing saling dipadupadankan untuk mendapatkan algoritma yang lebih sempurna. Beberapa contoh penggabungan tersebut adalah:
. Fuzzy Neural Network (FNN). FNN adalah jaringan syaraf dengan intput fuzzy dan atau bobot fuzzy, fungsi aktivasi (biasanya sigmoid), dan semua operasinya didasarkan atas prinsip-prinsip perluasan dari Zadeh.
. ANFlS (Adaptive Network-based Fuzzy lnference System atau Adaptive Neuro' Fuzzy lnference System). Jaringan syaraf digunakan untuk mengimplementasikan Fuzzy lnference System.
. Neural Fuzzy System. Model ini digunakan untuk akuisisi pengetahuan dan pembelajaran. Jaringan syaraf diinisialisasi dengan pengetahuan pakar dalam bentuk simbol, kemudian dilatih berdasarkan intput-output sistem nyata. Pengetahuan dalam bentuk simbol yang diperoleh dari pelatihan tersebut kemudian direpresentasikan dalam logika fuzzy.
. Fuzzy genetic algorithms. Kemampuan optimasi dari algoritma genetika digunakan untuk memilih aturan-aturan terbaik untuk fuzzy inference system.
. Neuro-genetic systems. Algoritma genetika digunakan sebagai sarana untuk mengukur performansi pembelajaran dari jaringan syaraf.
1.3 Aplikasi Sistem Hybrid
Sistem inferensi fuzzy seringkali digunakan sebagai salah satu mekanisme inferensi pada sistem pakar, terutama untuk sistem pakar yang menggunakan aturan-aturan dalam basis pengetahuannya. Meskipun logika fuzzy dapat menterjemahkan pengetahuan dari para pakar secara langsung dengan menggunakan aturan-aturan yang outputnya fuzzy; atau baik intput, output, maupun bobotnya bernilai fuzzy (Fuller, 1995). Dimungkinkan juga algoritma pembelajaran pada jaringan syaraf juga difuzzykan. Biasanya FNN merupakan jaringan syarat yang difuzzykan terlebih dahulu, dan selanjutnya sudah merupakan suatu jaringan utuh (Lin, 1996).
FNN sering digunakan untuk pendekatan fungsi non-linear, sistem kendali, dan penyelesaian masalah prediksi yang bersifat runtun waktu (Maguire, 1997). Lee (1993) mengembangkan model pembelajaran yang merupakan kombinasi antara pembelajaran terawasi dan tak terawasi untuk melakukan kelasifikasi pola. lshibuchi (1993) mengembangkan FNN dengan bobot-bobot dan bias bernilai fuzzy, intput berupa vektor bernilai riil, dan target output bernilai fuzzy.
1.4.2 Neural Fuzzy System (jaringan syaraf didasarkan pada logika fuzzy)
Pada Neural Fuzzy System (NFS), jaringan syaraf digunakan untuk merealisasikan fungsi keanggotaan fuzzy dan operator-operator dasar fuzzy, seperti AND, OR, dan Not (Lin, 1996). Pada NFS, suatu jaringan syaraf dapat dilatih untuk merepresentasikan fungsi keanggotaan dengan bentuk tertentu, seperti bentuk segitiga, bentuk lonceng, sigmoid, dll. Demikian pula, pada NFS, fungsi aktivasi dapat diatur sedemikian rupa sehingga dapat mengimplementasikan fungsi min untuk operasi AND, max untuk operasi OR, dan Not.
Operator-operator untuk fuzzy neuron seperti 511,3) telah diperkenalkan oleh Li (1997). Operator ini digunakan untuk mel nyelesaikan persamaan-persamaan relasi fuzzy. Simpson (1993) mengaplikasikan jaringan syaraf dengan fuzzy min-max untuk pedekatan fungsi.
1 .4.3 Neuro Fuzzy Inference System
Neuro Fuzzy Inference System merupakan sekumpulan aturan dan . suatu metode inferensi yang dikombinasikan dalam suatu struktur terhubung kemudian dilakukan pelatihan dan adaptasi (Kasabov, 2002). Salah satu model yang merupakan bentuk jaringan adaptif yang berfungsi seperti halnya sistem inferensi fuzzy adalah AdaptiVe Neuro Fuzzy Inference System (ANFIS) (Jang, 1997), dan Dynamic
Evolving Neuro Fuzzy Inference System (DENFlS) (Song, 2003) (Kasabov, 2002).
Pada kebanyakan sistem neuro-fuzzy, digunakan algoritma pem-belajaran backpropagation untuk membangkitkan aturan-aturan fuzzy dengan fungsi keanggotaan menggunakan model Gauss yang diberikan secara terpisah. Hal ini mengakibatkan, jika jumlah variabel intput ditambah, maka bertambah banyak pula parameter-parameter yang harus dibangkitkan. Mizumoto (1997) memperkenalkan algoritma pembelajaran pada neuro-fuzzy tanpa harus mengubah bentuk aturan fuzzy. Metode ini sangat efisien terutama jika digunakan untuk identifikasi fungsi-fungsi non-linear.
Sulzberger (1993), mengembangkan metode untuk mengoptimasi aturan-aturan fuzzy dengan menggunakan jaringan syaraf. Pada riset ini juga dikembangkan suatu model jaringan syaraf baru yang mengakomodasi adanya translasi aturan fuzzy dan fungsi ke anggotaan ke dalam bentuk jaringan. Mengembangkan neuro-fuzzy melalui pembelajaran secara self-organization pada data-data yang dilatih untuk mendapatkan jumlah aturan fuzzy yang optimal dan untuk membangkitkan pusat fungsi keanggotaan (Osowski, 2005).
Tidak ada komentar:
Posting Komentar