MAKALAH PENGANTAR TEKNOLOGI SISTEM CERDAS
Disusun Oleh :
Kelompok 3
- Muhammad Ramdhani (14115731)
- Nindi Risdiani (15115074)
- Pahlevi Ramadhan (15115291)
- Panggah Setianto (15115306)
- Radityo Pratomo (15115515)
- Ricky Ristianto (15115913)
3KA05
Dosen :
Eel Susilowati
UNIVERSITAS GUNADARMA
PTA 2017/2018
ABSTRAK
Soft
Computing adalah kumpulan teknik – teknik perhitungan dalam ilmu komputer,
inteligensia semu, machine learning dan beberapa disiplin ilmu teknik lainnya,
yang berusaha untuk mempelajari, memodelkan, dan menganalisa fenomena yang
sangat rumit : untuk metoda yang lebih konvensional yang tidak memberikan biaya
rendah, analitis dan solusi lengkap. Soft computing berusaha untuk
mengintegrasikan beberapa paradigma model perhitungan meliputi artificial
neural network, fuzzy logic dan genetic algorithms.
Keywords :soft computing, neurall networks
BAB I
PENDAHULUAN
1.1 Pendahuluan
Istilah soft computing dicetus pertama kali pada tahun 1990
sehubungan dengan ide untuk mendirikan BISC (Berkeley Initiative in Soft
Computer) oleh Prof. L.A.Zadeh dari Berkeley University. Soft computing,
berbeda dengan conventional (hard) computing, memungkinkan toleransi terhadap
input, proses dan output yang bersifat tidak akurat(imprecision), tidak pasti
(uncertainty) dan setengah benar (partial truth). Dengan adanya toleransi
terhadap imprecision, uncertainty dan partial truth, diharapkan akan dapat
menciptakan suatu system yang cerdas (intelligent systems), handal
(robustness), mudah diproses/dijalankan (tractability) dan membutuhkan biaya
yang lebih murah (low solution cost).
Neural Network merupakan kategori ilmu Soft Computing.
Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu
memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output.
Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak
manusia. Kemampuan manusia dalam memproses informasi merupakan hasil
kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa
dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu
pengetahuan.
1.2 Rumusan Masalah
1. Apakah yang
dimaksud dengan Soft Computing?
2. Apakah yang
dimaksud dengan Neurall Network?
1.3 Tujuan
Memberikan beberapa informasi tentang apa itu Soft Computing dan Neurall Networks
BAB II
ISI
2.1 Pengertian Soft Computing
Soft Computing adalah kumpulan teknik – teknik perhitungan
dalam ilmu komputer, inteligensia semu, machine learning dan beberapa disiplin
ilmu teknik lainnya, yang berusaha untuk mempelajari, memodelkan, dan
menganalisa fenomena yang sangat rumit : untuk metoda yang lebih konvensional
yang tidak memberikan biaya rendah, analitis dan solusi lengkap. Soft computing
berusaha untuk mengintegrasikan beberapa paradigma model perhitungan meliputi
artificial neural network, fuzzy logic dan genetic algorithms. Soft Computing
adalah segolongan metoda yang mampu mengolah data dengan baik walaupun
didalamnya terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial
(Prof. Lotfi A Zadeh, 1992). Soft Computing dicetus pertama kali pada tahun
1990 sehubungan dengan ide untuk mendirikan BISC (Berkeley Initiative in Soft
Computer) oleh Prof. L.A.Zadeh dari BerkeleyUniversity. Soft computing, berbeda
dengan conventional (hard) computing, memungkinkan toleransi terhadap input,
proses dan output yang bersifat tidak akurat(imprecision), tidak pasti
(uncertainty) dan setengah benar (partial truth).
2.2 Metodologi-Metodologi yang Digunakan Soft Computing
1. Sistem Fuzzy
(mengakomodasi ketidaktepatan) : Logika Fuzzy (fuzzy logic)
2. Jaringan
Syaraf (menggunakan pembelajaran) : Jaringan Syaraf Tiruan(neurall network)
3. Evolutionary
Computing (optimasi) : Algoritma Genetika (Genetic Algorithms (GA))
Fuzzy Logic
Fuzzy Logic merupakan suatu representasi dari pengetahuan
yang direkonstruksi dengan if-then rules. Sederhananya, Fuzzy Logic adalah
suatu metode untuk mengontrol sesuatu. Misalnya rekonstruksi if-then,
"Jika cuaca panas, Maka turunkan suhu AC". Disinilah Fuzzy Logic
berperan dalam Teknologi Komputer nantinya.
Neural Networks
Kompleksnya pikiran manusia juga merupakan masa depan dari
komputer yang menggunakan Soft Computing. Neural Networks adalah tiruan dari
jaringan saraf-saraf manusia yang terhubung dan membentuk sistem. Jadi metode
ini ditujukan untuk meniru saraf manusia yang kompleks dan dapat menyimpan
memori.
2.3 Jaringan Saraf Tiruan (Neurall Network)
2.3.1 Sejarah
Perkembangan ilmu Neural Network sudah ada sejak tahun 1943
ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model
neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa
processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara
keseluruhan pada kekuatan komputasi.
Gambar 2.1 McCulloch & Pitts, penemu pertama Neural
Network
Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt
pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang
disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi
pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar-network.
Gambar 2.2 Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola
tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa
keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan
permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network
ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun.
Namun demikian, perceptron berhasil menjadi sebuah dasar untuk
penelitian-penelitian selanjutnya di bidang neural network. Pengkajian terhadap
neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para
peneliti banyak menemukan bidang interest baru pada domain ilmu neural network.
Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield,
model pembelajaran kompetitif, multilayer network, dan teori model resonansi adaptif. Untuk saat
ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya
classification, recognition, approximation, prediction, clusterization, memory
simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya semakin
bertambah seiring berjalannya waktu.
2.3.2. Definisi
Neurall Network
Neural Networks (Jaringan Saraf Tiruan)menurut Haykin [4]
didefinisikan sebagaiberikut :
“Sebuah neural network (JST: JaringanSaraf Tiruan) adalah
prosesor yangterdistribusi paralel, terbuat dari unit-unityang sederhana, dan
memiliki kemampuanuntuk menyimpan pengetahuan yangdiperoleh secara
eksperimental dan siappakai untuk berbagai tujuan. Neuralnetwork ini meniru
otak manusia darisudut : 1) Pengetahuan diperoleh olehnetwork dari lingkungan,
melalui suatu proses pembelajaran. 2) Kekuatan koneksiantar unit yang disebut
synaptic weights,berfungsi untuk menyimpan pengetahuanyang telah diperoleh oleh
jaringantersebut.”
Secara sederhana, Jaringan Syaraf Tiruan adalah sebuah alat
pemodelan datastatistik non-linier. Jaringan Syaraf Tiruan dapat digunakan
untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data. Menurut suatu teorema yang disebut "teorema
penaksiran universal", Jaringan Syaraf Tiruan dengan minimal sebuah lapis
tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi
terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.
2.3.3. Lapisan Neurall Network
Istilah "jaringan" pada Jaringan Syaraf Tiruan
merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan
yang berbeda. Secara umum, lapisan pada Jaringan Syaraf Tiruan dibagi menjadi
tiga bagian:
· Lapis
masukan (input layer) terdiri dari neuron yang menerima data masukan dari
variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan
tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan
lapisan tersembunyi.
1. Lapisan tersembunyi
(hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
2. Lapisan luaran
(output layer) terdiri dari neuron yang menerima data dari lapisan
tersembunyi atau langsung dari lapisan
masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai
Y.
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.
2.3.4 Fungsi Neurall Network
Berikut ini adalah fungsi dari Neurall Networks:
-Pengklasifikasian pola
- Memetakan pola yang didapat dari input ke dalam pola baru
pada output
- Penyimpan pola yang akan dipanggil kembali
- Memetakan pola-pola yang sejenis
- Pengoptimasi permasalahan
- Prediksi
2.3.5 Proses Kerja
Jaringan Syaraf Pada Otak Manusia
Ide dasar Neural Network dimulai dari otak manusia, dimana
otak memuat sekitar 1011 neuron. Neuron
ini berfungsi memproses setiap informasi yang masuk. Satu neuron memiliki 1
akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain,
jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling
berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja
otak manusia.
Gambar 2.3 Struktur Neuron pada otak manusia
2.3.6 Struktur
Neural Network
Dari struktur neuron pada otak manusia, dan proses kerja
yang dijelaskan di atas, maka konsep dasar pembangunan neural network buatan
(Artificial Neural Network) terbentuk. Ide mendasar dari Artificial Neural
Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi
yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang
diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.
Gambar 2.4 Struktur ANN
Karakteristik dari ANN dilihat dari pola hubungan antar
neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya.
Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam
kenyataannya tidak hanya sederhana seperti itu.
1. Input,
berfungsi seperti dendrite
2. Output,
berfungsi seperti akson
3. Fungsi
aktivasi, berfungsi seperti sinapsis
Neural network dibangun dari banyak node/unit yang
dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang
lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit
selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta
penanda dari sebuah konektivitas.
Proses pada ANN dimulai dari input yang diterima oleh neuron
beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke
dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi
perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan
lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap
neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai
ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan
dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan
diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya.
ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron
ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap
layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak
berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya.
Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN
secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang
terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak
semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan
output saja.
BAB III
PENUTUP
3.1 Kesimpulan
Soft Computing adalah kumpulan teknik – teknik perhitungan
dalam ilmu komputer, inteligensia semu, machine learning dan beberapa disiplin
ilmu teknik lainnya, yang berusaha untuk mempelajari, memodelkan, dan
menganalisa fenomena yang sangat rumit : untuk metoda yang lebih konvensional
yang tidak memberikan biaya rendah, analitis dan solusi lengkap.
Neurall Network atau Jaringan Syaraf Tiruan adalah sebuah
alat pemodelan data statistik non-linier.
Jaringan Syaraf Tiruan dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data. 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.”
Demikian penulisan ini kami buat, kami sadar adanya banyak kekurangan
dan banyak terdapatnya kesalahan yang kami buat sehingga makalah ini masih jauh
dari kata sempurna. Kami juga membutuhkan kritik dan saran agar bisa menjadikan
motivasi bagi kami agar kedepan bisa lebih baik lagi. Semoga makalah ini dapat
bermanfaat bagi pembaca. Demikian kami ucapkan terimakasih kepada para pihak yang telah membantu dalam pembuatan makalah ini.
DAFTAR PUSTAKA
Jakarta