Definisi soft computing

Banyak para ahli yang telah mendefinisikan softcomputing, salah satunya

adalah Prof. Lotfi A. Zadeh, di hompage BISC.(pencetus softcomputing)
Berbeda dengan pendekatan konvensional hardcomputing, softcomputing
dapat bekerja dengan baik walaupun terdapat ketidakpastian,
ketidakakuratan maupun kebenaran parsial pada data yang diolah. Hak
inilah yang melatarbelakangi fenomena dimana kebanyakan metode
softcomputing mengambil human-mind sebagai model.
Apa yang menjadikan human-mind atau pikiran manusia menjadi suatu
model yang menarik bagi pengembangan softcomputing. Tentu saja hal ini
bisa dilihat dari struktur otak manusia yang bisa disebut sebagai mesin
molekuler yang terdiri dari berjuta-juta sel neuron yang saling terhubung
satu sama lain oleh suatu benang.. Berat otak manusia saat lahir adalah
sekitar 400 gram, sedangkan saat dewasa beratnya sekitar 1500 gram.
Pertambahan berat ini disebabkan bertambahnya benang penhgubung atar
neuron. Selain itu pertambahan panjang ini berkaitan dengan proses
pembelajaran yang dialami oleh manusia. Kemampuan pembelajaran dari
informasi yang telah diterima di dalam softcomputing berhubungan dengan
metode artifial neural network.
Selain kemampuan pembelajaran,otak manusia juga memiliki kemampuan
untuk mengambil suatu keputusan walaupun keputusan tersebut bisa
mengandung unsur ketidakpastian dan kekurangtegasan seperti tinggi,
rendah, asam, manis, dll. Hal ini merupakan konsep yang mendasari
pengembangan metode fuzzy, yang mencerminkan cara berpikir manusia.
Metode-Metode Softcomputing
Mengacu pada definisi yang telah diberikan oleh Zadeh, metode-metode
dalam sodtcomputing dapt dikategorikan ke dalam tiga kategori besar,
yaitu:

Fuzzy Logic (FL)

Neural Network (NN)

Probabilistic Reasoning (PR)

1. Fuzzy Logic (FL)

Metode Fuzzy merupakan representasi suatu permasalahan yang

dikonstruksikan dengan aturan if-then. Karakteristik dari metode ini adalah
sebagai berikut:

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 control steam-engine. Hal ini merupakan momentum penting,
sebagai awal bagi teknologi fuzzy untuk menemukan lading aplikasi di dunia
industri. Fuzzy memiliki kelebihan-kelebihan, antara lain:

o Dapat mengekspresikan konsep yang sulit untuk dirumuskan,

seperti misalnya suhu ruangan yang nyaman
o 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.
o Penerapan logika dalam pengambilan keputusan
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.

2. Neural Network (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.
Sebuah neural network dapat dianalisa dari dua sisi:

o bagaimana neuron-neuron tersebut dirangkaikan dalam suatu

jaringan (arsitektur)
o 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 Hebbs law, Delta
rule, Backpropagation algorithm, Self Organizing Feature Map, dsb
Dewasa ini, neural network telah diaplikasikan di berbagai bidang. Hal ini
dikarenakan neural network memiliki kelebihan-kelebihan sbb.
1.
o Dapat memecahkan problema non-linear yang umum dijumpai di
aplikasi
o Kemampuan memberikan jawaban terhadap pattern yang belum
pernahdipelajari (generalization)
o Dapat secara otomatis mempelajari data numerik yang diajarkan
pada jaringan tersebut
Neural Network memiliki aplikasi yang sangat luas di bidang pattern
recognition, seperti voice recognition, character recognition maupun aplikasiaplikasi pada bidang ekonomi, bisnis dan bioteknologi.

3. Probabilistic Reasoning (PR)

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.
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.