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.”
3.2 Saran
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.