RANGKUMAN SOFTCOMPUTING

-Fuzzy logic -Algoritma Genetika - Jaringan Syaraf tiruan / Neural Networks (NN)

Nama : Muhammad Akhmal Akbar Nurrizky

Nrp : 3121521026

 Softcomputing
Soft Computing adalah sebuah metode yang baik untuk melakukan pengolahan data.
Teknik soft computing telah membawa kemampuan otomatisasi ke aplikasi tingkat baru. pengendalian
proses adalah sebuah aplikasi penting dari industri apapun untuk mengendalikan parameter sistem yang
kompleks, dengan pengendalian paramater dapat memberikan added value dari kemajuan tersebut.
Pada pengendalian konvensional umumnya berdasarkan pada model matematika yang menggambarkan
perilaku dinamis dari sistem pengendalian proses. Pada pengendalian konvensional terdapat
kekurangan yang dapat dipahami, pengendali konvensional sering kalah dengan pengendali (controllers)
cerdas. Teknik soft computing memberikan kemampuan untuk membuat keputusan dan belajar dari
data yang dapat diandalkan. Selain itu, teknik soft computing dapat mengatasi dengan berbagai
lingkungan dan stabilitas ketidakpastian. Makalah ini membahas berbagai bagian teknik soft
computing yaitu. fuzzy logic, algoritma genetika dan hibridisasi dan meringkas hasil kasus pengendalian
proses. Hasil kesimpulan diperoleh pengendali soft computing memberikan kontrol yang lebih baik pada
kesalahan dibandingkan pengendali konvensional. Selanjutnya, pengendali algoritma genetika hibrida
berhasil dioptimalkan.

A. Fuzzy logic
Fuzzy logic merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then
rules. Karakteristik dari metode ini adalah

1. pemecahan masalah dilakukan dengan menjelaskan sistem bukan lewat angka-angka,

melainkan secara linguistik, atau variable-variable yang mengandung
ketakpastian/ketidaktegasan.

2. Pemakaian if-then rules untuk menjelaskan kaitan antara satu variable dengan yang lain.

3. 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 kontrol steam-engine. Hal ini
merupakan momentum penting, sebagai awal bagi teknologi fuzzy untuk menemukan ladang aplikasi di
dunia industri. Fuzzy memiliki kelebihan-kelebihan, diantaranya

1. Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu ruangan
yang nyaman”
 2. 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.

3. Penerapan logika dalam pengambilan keputusan.

fuzzy logic merupakan salah satu metode memiliki aplikasi luas di bidang kontrol. Hal ini disebabkan

1. kontrol memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang
2. kuantitas suatu materi dalam sistem kontrol sangat jelas, dan dapat diekspresikan dengan
istilah-istilah yang fuzzy seperti “besar”, “banyak”
3. aturan dalam kontrol mudah untuk didefinisikan memakai kata-kata. Misalnya “jika suhu
dalam ruangan terlalu dingin, naikkan suhu penghangat”
4. perkembangan teori fuzzy sangat pesat, sehingga batas-batasnya dapat dirumuskan dengan
jelas.

B. Algoritma genetika
Algoritma Genetika adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi
alamiah pada tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh
algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu
kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang
memaksimalkan kecocokannya atau lazim disebut fitness.

Algoritma genetika merupakan evaluasi atau perkembangan dunia komputer dalam bidang
kecerdasan buatan (artificial intelligence). Kemunculan algoritma genetika ini terinspirasi oleh teori
Darwin (walaupun pada kenyataannya teori tersebut terbukti keliru) dan teori-teori dalam ilmu biologi,
sehingga banyak istilah dan konsep biologi yang digunakan dalam algoritma genetika, karena sesuai
dengan namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan apa yang terjadi
pada evaluasi biologi.

Algoritma genetika adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi
alam dan genetika. Algoritma genetika merupakan salah satualgoritma yang sangat tepat digunakan
dalam menyelesaikan masalah optimasi kompleks, yang sulit dilakukan oleh metode konvernsional.

Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi awalnya. Dengan

melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses
evolusioner. Pada akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan yang
dihadapi. Untuk menggunakan algoritma genetika, solusi permasalahan direpresentasikan sebagai
khromosom.

Tiga aspek yang penting untuk penggunaan algoritma genetika:

1. Defenisi fungsi fitness
2. Defenisi dan implementasi representasi genetika
3. Defenisi dan implementasi operasi genetika
Jika ketiga aspek di atas telah didefinisikan, algoritma genetika akan bekerja dengan baik. Tentu
saja, algoritma genetika bukanlah solusi terbaik untuk memecahkan segala masalah. Sebagai contoh,
metode tradisional telah diatur untuk untuk mencari penyelesaian dari fungsi analitis convex yang
“berperilaku baik” yang variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih unggul
dari algoritma genetika karena metode ini dengan cepat menemukan solusi minimum ketika algoritma
genetika masih menganalisa bobot dari populasi awal.

Untuk problem-problem ini pengguna harus mengakui fakta dari pengalaman ini dan memakai
metode tradisional yang lebih cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar
golongan ini. Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara yang lebih cepat dari
algoritma genetika. Jumlah besar dari populasi solusi, yang merupakan keunggulan dari algoritma
genetika, juga harus mengakui kekurangannya dalam dalam kecepatan pada sekumpulan komputer yang
dipasang secara seri-fitness function dari tiap solusi harus dievaluasi. Namun, bila tersedia
komputerkomputer yang paralel, tiap prosesor dapat mengevaluasi fungsi yang terpisah pada saat yang
bersamaan. Karena itulah, algoritma genetika sangat cocok untuk perhitungan yang paralel.

C. Jaringan Syaraf tiruan / Neural Networks (NN)

Jaringan syaraf tiruan (JST) / (Neural Networks (NN)) adalah jaringan dari sekelompok unit
pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif
yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal
maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST
juga sering disebut dengan jaringan adaptif.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST 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", JST
dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan
seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.
Contoh gambar :
 Model
Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan
fungsi f : X → Y . Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang
diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST 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.
 Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan
masukan.
 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.
Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan
sebelumnya gi (x) (lapisan ke- i). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian
diubah ke nilai skalar melalui komposisi nonlinear weighted sum, dimana
f(x) = K (∑ wι gι( x )¿ , k ¿ merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi
dan w merupakan beban atau weight.