Anda di halaman 1dari 7

Kuliah Umum IlmuKomputer.

Com
Copyright © 2003 IlmuKomputer.Com

Pengantar Softcomputing
Anto Satriyo Nugroho
asnugroho@ieee.org
http://asnugroho.net

Lisensi Dokumen:
Copyright © 2003 IlmuKomputer.Com
Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
secara bebas untuk tujuan bukan komersial (nonprofit), dengan syarat tidak menghapus
atau merubah atribut penulis dan pernyataan copyright yang disertakan dalam setiap
dokumen. Tidak diperbolehkan melakukan penulisan ulang, kecuali mendapatkan ijin
terlebih dahulu dari IlmuKomputer.Com.

Abstrak:
Softcomputing merupakan metode yang dapat mengolah data-data yang bersifat tidak pasti, impresisi dan
dapat diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode yang termasuk
dalam kategori softcomputing misalnya fuzzy logic, artificial neural network, probabilistyc reasoning.
Softcomputing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan masalah, melainkan
lebih pada kerjasama serasi antara metode-metode di atas, sehingga segi positif tiap metode dapat
berkontribusi secara aktif. Sebagian dari materi pada makalah ini disampaikan sebagai pengantar kuliah
musim semi 2003: “Special Lecture on Media Science V”, pada School of Computer & Cognitive
Sciences, Chukyo University, Japan.

Keywords: softcomputing, ketakpastian, low-cost solution, fuzzy, artificial neural network, probabilistic
reasoning

1. PENDAHULUAN dipetik dari pesatnya perkembangan


Komputer merupakan alat yang mungkin teknologi hardware maupun software
tidak dapat lagi kita lepaskan dari kehidupan computer.
sehari-hari. Di masa lampau, komputer selalu transistors
diasosiasikan dengan barang yang mahal, 100000000

super canggih dan dapat menghitung lebih 10000000


cepat daripada kemampuan manusia. Tapi
1000000
saat ini ungkapan tersebut sudah banyak
mengalami perubahan. Bila disebutkan 100000

"komputer", maka yang terbayang saat ini 10000


adalah sebuah piranti canggih yang bila tahun
1000
dikoneksikan dengan internet, akan membuat 1965 1970 1975 1980 1985 1990 1995 2000 2005
sang pengguna dapat berjalan-jalan di dunia
virtual yang kaya dengan informasi audio
maupun visual. Fenomena ini menunjukkan Gambar 1. Perkembangan jumlah transistor
perubahan fungsi computer dari sekedar “alat pada IC dari tahun ke tahun yang
hitung” menjadi sebuah piranti yang lebih menunjukkan kesesuaian dengan Moore’s
“manusiawi”. Hal ini merupakan buah yang law.

1
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

Pada tahun 1965, Gordon Moore telah - robust, sangat unggul


memberikan prediksi bahwa jumlah transistor - low cost solution
pada IC akan selalu berlipat dua setiap 18 - praktis dan mudah direalisasikan
bulan [1]. Dengan kata lain, tiap 18 bulan
kemampuan komputer akan menjadi duakali Salah satu alternatif solusi yang memenuhi
lebih cepat. Korelasi ini ditunjukkan pada kriteria ini adalah softcomputing. Dalam
gambar 1. Ramalan ini secara ajaib masih bab-bab berikutnya akan dijelaskan lebih
berlaku hingga saat ini, setidaknya dalam dua lanjut mengenai definisi, metode-metode
dekade terakhir. dalam softcomputing, dan contoh
aplikasinya.
Melihat perkembangan pesat dari komputer
ini, seringkali timbul fikiran bahwa pada
suatu masa, komputer dapat mengatasi 2. DEFINISI SOFTCOMPUTING
berbagai permasalahan. Semua masalah Berbagai macam definisi softcomputing
dalam hidup dapat dirumuskan dan diberikan oleh para ahli. Salah satu
dikalkulasikan. Hal ini tergambar juga pada definisinya adalah sebagaimana disampaikan
beberapa film non-fiksi. Benarkah oleh pencetus softcomputing, yaitu Prof.
demikian ? Lotfi A. Zadeh, di homepage BISC [2], sbb.
Kalau kita cermati, tidak semua masalah “Berbeda dengan pendekatan
yang kita hadapi dapat dibuat rumusan yang
konvensional hardcomputing,
pasti dan eksak. Memang benar, bahwa
softcomputing dapat bekerja dengan baik
komputer dapat menghitung secara akurat walaupun terdapat ketidakpastian,
persamaan differensial, perkalian matriks,
ketidakakuratan maupun kebenaran
perhitungan eigen value secara cepat dan
parsial pada data yang diolah. Hal inilah
akurat. Akan tetapi terdapat juga masalah yang melatarbelakangi fenomena dimana
dalam kehidupan sehari-hari yang tidak dapat
kebanyakan metode softcomputing
dibuat rumus matematika yang jelas untuk
mengambil human-mind sebagai model.”.
menghitung output yang diinginkan.
Misalnya: Mengapakah human-mind merupakan model
- bagaimanakah trend dari bursa saham yang menarik bagi pengembangan
pada tahun depan ? softcomputing ? Kunci dari pertanyaan ini
- bagaimanakah cuaca esok hari, hujan sebenarnya terletak pada struktur dan fungsi
ataukah mendung, ataukah terang dari otak manusia. Otak manusia merupakan
benderang ? mesin molekuler, yang terdiri dari dua jenis
- Kapankah terjadinya gempa bumi di sel: neuron dan glia. Dalam otak kita terdapat
wilayah Tokai (Jepang Tengah) ? sekitar 1011 sel neuron, sedangkan sel glia
- Bagaimana mengenali seseorang lewat sekitar 3 sampai 4 kali lipatnya. Sel neuron
suaranya ? berfungsi sebagai pemroses informasi yang
diterima oleh otak. Sel neuron terhubung
Solusi untuk permasalahan jenis kedua ini antara satu dengan yang lain dengan
tidak dapat dirumuskan dengan mudah. benang-benang panjang. Berat otak manusia
Banyak sekali faktor-faktor terlibat, yang saat lahir sekitar 400 gram, sedangkan saat
mengandung kerancuan, ketidakpastian, dewasa sekitar 1500 gram. Pertambahan
kebenaran parsial, dsb. Dalam hal ini, solusi berat ini disebabkan oleh
yang diharapkan lebih menitikberatkan pada bertambahpanjangnya benang-benang
hal-hal sbb. tersebut, disamping pertambahan sel glia.
Pertambahan panjang ini berkaitan erat
- memiliki kemampuan untuk mempelajari dengan proses pembelajaran yang dialami
trend yang telah ada, dan memprediksi oleh manusia. Hal ini merupakan ide awal
keadaan di masa yad. (learning ability) bagi pengembangan metode softcomputing:
- kemampuan menganalisa informasi yang artificial neural network, yang memiliki
disertai oleh noise.

2
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

kemampuan pembelajaran terhadap informasi positif dari metode yang ada tersebut dapat
yang telah diterima. dimanfaatkan secara optimal.

Selain kemampuan pembelajaran, otak Berikut diuraikan konsep dan gambaran


manusia juga memiliki kemampuan untuk mengenai masing-masing pilar dalam
mengambil keputusan walaupun informasi softcomputing.
mengandung unsur ketakpastian dan
kekurangtegasan, seperti “manis”, “pahit”, a. Fuzzy Logic (FL)
“tinggi”, “rendah”, dsb. Hal ini merupakan
konsep yang mendasari pengembangan Fuzzy merupakan representasi suatu
metode fuzzy, yang mencerminkan cara pengetahuan yang dikonstruksikan dengan
berfikir manusia. Selain neural network dan if-then rules. Karakteristik dari metode ini
fuzzy, masih banyak lagi jenis-jenis metode adalah [3]
softcomputing, yang ide awalnya bersumber
dari otak manusia maupun mekanisme - pemecahan masalah dilakukan dengan
biologi yang terdapat di alam semesta. menjelaskan sistem bukan lewat
angka-angka, melainkan secara linguistik,
atau variable-variable yang mengandung
3. METODE-METODE ketakpastian/ketidaktegasan.
SOFTCOMPUTING - Pemakaian if-then rules untuk
Mengacu pada definisi yang diberikan oleh menjelaskan kaitan antara satu variable
Zadeh, metode-metode dalam softcomputing dengan yang lain.
dapat dikategorikan ke dalam tiga kategori - Menjelaskan sistem memakai algoritma
besar: fuzzy
- Fuzzy Logic (FL)
- Neural Network Theory (NN) Berawal dari paper-paper Zadeh di tahun
- Probabilistic Reasoning (PR) 1965 mengenai fuzzy-sets, ilmu ini
berkembang pesat, dan mulai menemukan
Metode-metode ini sebenarnya bukanlah aplikasinya di bidang control pada tahun
sesuatu yang baru diadakan setelah konsep 1974. Pada saat itu, Mamdani
softcomputing dirumuskan. Yang terjadi memperkenalkan aplikasi fuzzy sebagai alat
justru sebaliknya. Metode-metode Fuzzy kontrol steam-engine. Hal ini merupakan
Logic, Neural Network maupun Probabilistic momentum penting, sebagai awal bagi
Reasoning telah ada lebih dahulu. Fuzzy teknologi fuzzy untuk menemukan ladang
Logic telah berkembang sejak tahun 1965. aplikasi di dunia industri. Fuzzy memiliki
Konsep-konsep dasar neural network telah kelebihan-kelebihan, diantaranya [3]
digali sejak tahun 1940-an. Probabilistic
Reasoning juga bukanlah hal yang baru sama 1. Dapat mengekspresikan konsep yang
sekali. Karena itu, Zadeh menyebut sulit untuk dirumuskan, seperti misalnya
softcomputing sebagai reinkarnasi dari “suhu ruangan yang nyaman”
metode-metode di atas. 2. Pemakaian membership-function
memungkinkan fuzzy untuk melakukan
Lebih lanjut lagi, dalam konsep observasi obyektif terhadap nilai-nilai
softcomputing, ketiga jenis metode ini ibarat yang subyektif. Selanjutnya
pilar, saling mendukung dan bekerjasama membership-function ini dapat
dalam memecahkan suatu permasalahan. dikombinasikan untuk membuat
Keunggulan yang diperoleh dari kerjasama pengungkapan konsep yang lebih jelas.
metode-metode itu lebih ditekankan daripada 3. Penerapan logika dalam pengambilan
keunggulan individual salah satu daripadanya. keputusan
Kekurangan satu metode akan ditutup dengan
kelebihan metode yang lain. Keunggulan satu Dewasa ini, fuzzy merupakan salah satu
metode disumbangkan, sehingga segi-segi metode memiliki aplikasi luas di bidang
kontrol. Hal ini disebabkan a.l. [3]

3
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

1. kontrol memiliki potensi aplikasi yang Gambar 2 memperlihatkan bahwa sebuah


sangat luas dan dibutuhkan di berbagai neuron memiliki tiga komponen:
bidang - synapse (w1 , w2 ,…,wn) T
2. kuantitas suatu materi dalam sistem - alat penambah (adder)
kontrol sangat jelas, dan dapat - fungsi aktifasi (f)
diekspresikan dengan istilah-istilah yang
fuzzy seperti “besar”, “banyak” Korelasi antara ketiga komponen ini
3. aturan dalam kontrol mudah untuk dirumuskan pada persamaan (1).
didefinisikan memakai kata-kata.
Misalnya “jika suhu dalam ruangan
 n 
terlalu dingin, naikkan suhu y = f  ∑ xi × wi  (1)
penghangat”  i =1 
4. perkembangan teori fuzzy sangat pesat,
sehingga batas-batasnya dapat
dirumuskan dengan jelas. Signal x berupa vektor berdimensi n (x1 ,
x2 ,…,xn)T akan mengalami penguatan oleh
b. Neural Networks (NN) synapse w (w1, w2 ,…,wn)T. Selanjutnya
akumulasi dari penguatan tersebut akan
Neural Networks (Jaringan Saraf Tiruan) mengalami transformasi oleh fungsi aktifasi f.
menurut Haykin [4] didefinisikan sebagai Fungsi f ini akan memonitor, bila akumulasi
berikut : penguatan signal itu telah melebihi batas
“Sebuah neural network (JST: Jaringan tertentu, maka sel neuron yang semula berada
Saraf Tiruan) adalah prosesor yang dalam kondisi “0”, akan mengeluarkan signal
terdistribusi paralel, terbuat dari unit-unit “1”. Berdasarkan nilai output tersebut (=y),
yang sederhana, dan memiliki kemampuan sebuah neuron dapat berada dalam dua status:
untuk menyimpan pengetahuan yang
“0” atau “1”. Neuron disebut dalam kondisi
diperoleh secara eksperimental dan siap
pakai untuk berbagai tujuan. Neural firing bila menghasilkan output bernilai “1”.
network ini meniru otak manusia dari
sudut : 1) Pengetahuan diperoleh oleh Sebuah neural network dapat dianalisa dari
network dari lingkungan, melalui suatu dua sisi:
proses pembelajaran. 2) Kekuatan koneksi
antar unit yang disebut synaptic weights, - bagaimana neuron-neuron tersebut
berfungsi untuk menyimpan pengetahuan dirangkaikan dalam suatu jaringan
yang telah diperoleh oleh jaringan (arsitektur)
tersebut.” - bagaimana jaringan tersebut dilatih agar
memberikan output sesuai dengan yang
Pada tahun 1943, Mc.Culloch dan Pitts dikehendaki (algoritma pembelajaran).
memperkenalkan model matematika yang Algoritma pembelajaran ini menentukan
merupakan penyederhanaan dari struktur sel cara bagaimana nilai penguatan yang
saraf yang sebenarnya (lihat gambar 1). optimal diperoleh secara otomatis.

Input Berdasarkan arsitekturnya, neural network


x1 dapat dikategorikan, antara lain, single-layer
w1 neural network, multilayer neural network,
x2 recurrent neural network dsb. Berbagai
w2 Output algoritma pembelajaran antara lain Hebb’s
x3 .. w3 f y
law, Delta rule, Backpropagation algorithm,
. wn
Self Organizing Feature Map, dsb.
xn Berawal dari diperkenalkannya model
matematika neuron oleh McCulloch & Pitts,
Gambar 2 McCulloch & Pitts neuron penelitian di bidang neural network
model berkembang cukup pesat, dan mencapai

4
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

puncak keemasan pertama pada era tahun 60,


Penentuan cara
dan puncak kedua pada pertengahan tahun START
perumusan genotype
80-an. Penelitian dalam bidang ini, dapat
dibagi dalam tiga kategori: Membuat generasi pertama
yang terdiri dari sekumpulan
1. Riset untuk meneliti proses informasi kromosom individu
yang terjadi pada otak dan jaringan saraf.
Tema ini merupakan porsi penelitian para Fitness mencapai
Y
ahli medis dan neuroscientist. nilai yang diinginkan ?
2. Penelitian teoritis untuk mendalami
No
konsep dasar proses informasi pada otak.
Seleksi Selesai
Kategori ini memerlukan ketajaman
analisa matematika untuk menggali
Crossover
dasar-dasar teori dari proses tersebut.
3. Penelitian yang bertujuan memanfaatkan
Mutasi
teori-teori yang telah ada untuk aplikasi.
Dalam hal ini, perlu sekali
memperhatikan tingkat akurasi sistem, Gambar 3 Urutan proses pada GA
dan menekan biaya serendah mungkin
(low cost solution). Dasar-dasar GA digali oleh John Holland
pada pertengahan tahun 70-an. GA adalah
Dewasa ini, neural network telah metode komputasi yang meniru proses
diaplikasikan di berbagai bidang. Hal ini evolusi dan seleksi alam. Metode ini sering
dikarenakan neural network memiliki dimanfaatkan untuk mencari nilai optimal
kelebihan-kelebihan sbb. suatu fungsi/permasalahan.

1. Dapat memecahkan problema non-linear Gambar 3 menunjukkan urutan tahapan


yang umum dijumpai di aplikasi dalam GA. Untuk mencari nilai optimal
2. Kemampuan memberikan jawaban tersebut, pertama-tama parameter-parameter
terhadap pattern yang belum pernah permasalahan ditransfer kedalam bentuk
dipelajari (generalization) genetik sebuah kromosom individu yang
3. Dapat secara otomatis mempelajari data disebut genotype. Kromosom ini terdiri dari
numerik yang diajarkan pada jaringan sederetan string (misalnya angka “0” dan
tersebut “1”) yang merupakan analogi dari rantai
DNA: A, T, G dan C yang sebenarnya, pada
c. Probabilistic Reasoning (PR) dan tubuh makhluk hidup. Selanjutnya suatu
Genetic Algorithm (GA) populasi yang terdiri dari ribuan kromosom
individu ini mengalami proses seleksi,
Reasoning berarti mengambil suatu crossover (persilangan) dan mutasi yang
keputusan atas suatu alasan atau sebab meniru proses biologi yang terjadi di alam.
tertentu. Dua jenis reasoning adalah logical Operasi ini diulang-ulang, dari satu generasi
reasoning dan probabilistic reasoning. Salah ke generasi berikutnya. Kualitas suatu
satu kelebihan probabilistic reasoning individu ditunjukkan oleh nilai fitness, yang
dibandingkan logical reasoning terletak pada diukur dengan suatu kriteria yang
kemampuan untuk mengambil keputusan mencerminkan sejauh mana kromosom
yang rasional, walaupun informasi yang individu tersebut mendekati nilai optimal
diolah kurang lengkap atau mengandung yang diinginkan. Kriteria ini menjadi alat
unsur ketidakpastian. Termasuk dalam kontrol bagi proses evolusi, agar kondisi
kategori PR antara lain teori Chaos, Belief fitness generasi yang mendatang lebih baik
Networks, Genetic Algorithm. Diskusi dalam daripada generasi-generasi sebelumnya.
makalah ini difokuskan pada salah satu Setelah melewati ratusan atau mungkin
metode dalam PR, yaitu Genetic Algorithm ribuan generasi, proses evolusi ini akan
(GA). menghasilkan individu-individu dengan nilai

5
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

fitness yang tinggi. Hal ini mencerminkan impresisi, ketidakpastian, dan memerlukan
diperolehnya jawaban yang merupakan kemampuan pembelajaran.
pendekatan terhadap nilai optimal yang
diinginkan. Berawal dari pemakaiannya untuk alat
kontrol mesin uap, dewasa ini fuzzy memiliki
Beberapa keunggulan yang dimiliki oleh GA wilayah aplikasi yang luas terutama dalam
adalah sbb. [3] bidang kontrol, robotika, pattern recognition,
sistem cerdas, dll. Selain paper dan artikel
1. GA memiliki kemampuan untuk mencari yang dipublikasikan oleh berbagai journal
nilai optimal secara paralel, melalui ilmiah, diskusi mengenai fuzzy ini dapat
proses kerjasama antara berbagai unit diikuti di berbagai milis, maupun newsgroup
yang disebut kromosom individu. seperti comp.ai.fuzzy. Arsip posting
2. GA tidak memerlukan perhitungan newsgroup ini dapat dibaca lewat
matematika yang rumit seperti http://groups.google.com/ dengan
differensial yang diperlukan oleh mengetikkan “comp.ai.fuzzy” pada kotak
algoritma optimisasi yang lain. pencarian.

Namun demikian GA memiliki juga Neural Network memiliki aplikasi yang


kelemahan dan keterbatasan. sangat luas di bidang pattern recognition,
seperti voice recognition, character
1. Tidak memiliki rumusan yang pasti, recognition maupun aplikasi-aplikasi pada
bagaimana mentransfer parameter bidang ekonomi, bisnis dan bioteknologi.
permasalahan ke dalam kode genetik. Salah satu forum diskusi virtual (newsgroup)
Dengan kata lain, hal ini memerlukan yang terkenal di bidang ini adalah
pengalaman dan wawasan dari desainer. comp.ai.neural-nets yang arsipnya dapat
2. Banyak parameter yang perlu diset dilihat di google, dengan cara sama
secara baik agar proses evolusi dalam sebagaimana uraian sebelumnya. Kumpulan
GA berjalan sesuai dengan yang dari materi diskusi yang berlangsung sejak
diharapkan. 1994 di forum ini, kemudian dirangkumkan
3. Penentuan rumus menghitung fitness oleh Warren Sale sebagai FAQ (Frequently
merupakan hal yang sangat penting dan Asked Questions) yang dapat dilihat arsipnya
mempengaruhi proses evolusi pada GA. di
Sayangnya tidak ada prosedur yang baku
bagaimana menentukan rumus tsb. ftp://ftp.sas.com/pub/neural/FAQ.html
Dalam hal ini pengalaman dari desainer
memegang peranan penting. Aplikasi Genetic Algorithm dapat ditemukan
di problem optimisasi seperti job-scheduling,
Terlepas dari kendala yang ada, GA optimisasi rute mobil, penentuan kandidat
merupakan alternatif solusi yang dikenal gen yang memiliki potensi kedokteran dan
cukup handal dalam berbagai masalah farmasi pada bidang bioinformatika. Salah
optimisasi. satu forum diskusi yang cukup hangat
mengenai riset di bidang GA adalah
comp.ai.genetic (newsgroup). Arsip diskusi
4. RISET DAN APLIKASI pada forum ini dapat dicari dengan cara
SOFTCOMPUTING sebagaimana diuraikan di atas. Selain itu,
Dewasa ini penelitian di bidang informasi mengenai Genetic Algorithm ini
softcomputing berkembang dengan pesat dan dapat juga dilihat pada situs
aplikasinya dapat ditemukan di berbagai
bidang. Hal ini disebabkan softcomputing http://www.aic.nrl.navy.mil/galist/
menawarkan solusi yang sangat sesuai
dengan karakteristik informasi pada real-life Salah satu journal yang didedikasikan untuk
domain yang senantiasa diikuti dengan faktor mempublikasikan penelitian di bidang
softcomputing di antaranya adalah “Soft

6
Kuliah Umum IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

Computing - A Fusion of Foundations, ooreslaw.htm


Methodologies and Applications” terbitan 2. Homepage Berkeley Initiative in
Springer-Verlag Heidelberg. Journal lain SoftComputing (BISC)
adalah Applied Soft Computing yang http://www-bisc.cs.berkeley.edu/bisc/bis
diterbitkan oleh Elsevier. Disamping itu, c.memo.html
paper mengenai teori dan aplikasi 3. Masafumi Hagiwara,
softcomputing dapat dibaca pada “Neuro-Fuzzy-GA”, Sangyotosho,
journal-journal IEEE, IEICE, maupun cetakan ke-9, 2003 (bahasa Jepang).
proseding seminar-seminar internasional 4. Simon Haykin, Neural Networks: A
dalam bidang tsb. Comprehensive Foundation, Pearson
Education, cetakan ke-3 di India, 1999.
Ciri khas dari softcomputing adalah
penekanan pada partnership atau kerjasama
yang saling menguntungkan dari berbagai
metode yang ada. Tiap metode memiliki segi
positif yang dapat disumbangkan secara
komplementer, menutupi kekurangan dari
metode yang lain. Contoh populer dari
kerjasama komplementer ini adalah sistem
neurofuzzy. Aplikasi dari kombinasi kedua
metode ini dapat dimanfaatkan untuk sistem
control pada AC, mesin cuci dan berbagai
macam alat kebutuhan sehari-hari konsumen.
Kombinasi lain dapat ditemukan pada sistem
neuroGA, dimana GA dimanfaatkan untuk
menentukan struktur yang optimal dari suatu
neural network.

5. PENUTUP
Makalah ini membahas garis besar
konsep-konsep dalam softcomputing dan
karakteristik masing-masing metode. Sebagai
suatu solusi, softcomputing memiliki
kelebihan dalam hal kemampuan mengolah
informasi mengandung unsur ketakpastian
(uncertainty), kebenaran parsial, atau pada
masalah yang memerlukan proses
pembelajaran terhadap trend yang dialami
sebelumnya. Softcomputing lebih
menekankan pada partnership antara
metode-metodenya, sehingga kelebihan
metode yang satu akan menutup kelemahan
dari metode yang lain. Faktor-faktor inilah
yang menyebabkan softcomputing menjadi
suatu alternatif yang menjanjikan untuk
aplikasi yang luas di berbagai bidang.

6. REFERENSI
1. Moore’s Law dan Intel:
http://www.intel.com/research/silicon/m