Review Beberapa Metode Kecerdasan
Komputasional dan Aplikasinya
Ahmad Muyassar Ibrahim
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada
Abstract— Kecerdasan buatan terbagi ke dalam dua faham
pemikiran yaitu kecerdasan buatan konvensional dan
kecerdasan komputasional (CI, Computational Intelligence).
Terdapat beberapa metode yang digunakan dalam kecerdasan
komputasional, yaitu : Fuzzy Logic, Evolutionary Algorithm,
Machine Learning, Probabilistic Model.
Keywords—kecerdasan komputasional, fuzzy logic, algorithm,
metode, aplikasi
I. PENDAHULUAN
Kecerdasan buatan atau Artificial Intelligence adalah salah
satu bagian ilmu di mana sebuah mesin (komputer) dapat
melakukan apa yang dapat dikerjakan oleh manusia. Untuk
menyelesaikan sebuah permasalahan sistem yang dibangun
harus mempertimbangkan beberapa hal, seperti
mendefinisikan masalah, menganalisa, mempresentasikan
pengetahuan serta memilih teknik yang benar agar hasil yang
dicapai sesuai dengan yang diinginkan. Kecerdasan buatan
terbagi ke dalam dua faham pemikiran yaitu kecerdasan
buatan konvensional dan kecerdasan komputasional (CI,
Computational Intelligence). Kecerdasan Komputasional (CI)
merupakan pendekatan yang mana menerapkan cara berpikir
manusia dalam sebuah ketidakpastian dengan berpikir dan
belajar. Tujuan dari kecerdasan komputasional adalah
membantu menyelesaikan permasalahan manusia. Dengan
harapan sistem cerdas ini mempunyai kemampuan manusia
dalam hal tertentu, serta dapat mengkondisikan pada saat
terjadi perubahan pada lingkungan sehingga dapat
menjelaskan hasil yang telah diperoleh.
Kecerdasan Komputasional terdiri dari tiga paradigma
komputasi, yaitu: Neural Network System (NN), Fuzzy Logic
(FL), Probabilistic Reasoning yang terdiri dari teori Chaos,
Belief Networks, Genethic Algorithm (GA).
II. METODE KECERDASAN KOMPUTASIONAL
A. Fuzzy Logic (Logika Fuzzy)
Logika ini merupakan jenis logika yang memiliki nilai
samar antara benar dan salah. Nilai keanggotaan Logika
Fuzzy berada di rentang 0 hingga 1, berbeda dengan Logika
Aljabar Boolean yang hanya mengenal notasi 0 dan 1, atau ya
dan tidak. Kelebihan fuzzy logic diibandingkan dengan sistem
logika lain, fuzzy logic bisa menghasilkan keputusan yang
lebih adil dan lebih manusiawi. Fuzzy logic memodelkan
perasaan atau intuisi dengan cara merubah nilai crisp menjadi
nilai linguistik dengan fuzzification dan kemudian
memasukkannya ke dalam rule yang dibuat berdasarkan
knowledge. Kelebihan yang kedua adalah fuzzy logic cocok
digunakan pada sebagian besar permasalahan yang terjadi di
dunia nyata. Permasalahan di dunia nyata kebanyakan bukan
biner dan bersifat non linier sehingga fuzzy logic cocok
digunakan karena menggunakan nilai linguistik yang tidak
linier. Fuzzy dapat mengekspresikan konsep yang sulit untuk
dirumuskan, seperti misalnya “suhu ruangan yang nyaman”.
Pemakaian fungsi keanggotaan memungkinkan fuzzy
logic untuk melakukan observasi obyektif terhadap nilai-
nilai yang bersifat subyektif. Selanjutnya fungsi keanggotaan
XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
ini dapat dikombinasikan untuk membuat pengungkapan
konsep yang lebih jelas. [1]
B. Genetic Algorithm (Algoritma Genetika)
Algoritma genetika adalah algoritma komputasi yang
diinspirasi teori evolusi yang kemudian diadopsi menjadi
algoritma komputasi untuk mencari solusi suatu permasalahan
dengan cara yang lebih “alamiah”. Salah satu aplikasi
algoritma genetika adalah pada permasalahan optimasi
kombinasi, yaitu mendapatkan suatu nilai solusi optimal
terhadap suatu permasalahan yang mempunyai banyak
kemungkinan solusi.
Beberapa hal yang termasuk kelebihan dari Algoritma
Genetika adalah sebagai berikut (Haupt dan Haupt, 2004):
• Mengoptimalkan dengan variabel kontinu atau
diskrit,
• Tidak memerlukan informasi derivatif,
• Bersamaan pencarian dari sebuah sampling yang
luas pada permukaan biaya,
• Baik untuk komputer paralel,
• Mengoptimalkan permukaan variabel dengan biaya
yang sangat kompleks (GA bisa melompat dari
minimum lokal),
• Memberikan daftar variabel yang optimal, bukan
hanya solusi tunggal,
• Bekerja dengan data numerik yang dihasilkan, data
eksperimen, atau analitis fungsi. [2]
C. Swarm Intelegence (Kecerdasan Berkoloni)
Swarm Intelligence adalah salah satu teknik kecerdasan
buatan yang berlandaskan kepada perilaku kolektif
(collective behaviour) pada sistem yang terdesentralisasi dan
dapat mengatur dirinya sendiri (self-organizing). Sistem yang
memanfaatkan Swarm Intelligence biasanya merupakan
sebuah populasi yang terdiri atas anggota berupa agen-agen
yang sederhana, yang berinteraksi secara lokal dengan
sesama anggota, dan juga berinteraksi dengan lingkungan. [3]
SI merupakan algoritma-algoritma koloni tiruan yang
terinspirasi dari makhluk hidup seperti hewan bahkan sel
ataupun protein di dalam tubuh. Algoritma-algoritma SI
tersebut menjanjikan alternatif cepat dan sederhana untuk
mencari parameter optimal suatu fungsi. Ada tiga elemen
utama yang perlu diperhatikan pada algoritma SI yaitu
populasi, fungsi objektif, dan mekanisme untuk meng-update
populasi. Contoh algoritma SI yang populer adalah particle
swarm optimization, artificial immune system dan artificial
bee colony (ABC), masing-masing diturunkan dari perilaku
cerdas kelompok burung, antibodi dan lebah.
D. Support Vector Machine
Merupakan salah satu metode dalam supervised learning
yang biasanya digunakan untuk klasifikasi (seperti Support
Vector Classification) dan regresi (Support Vector
Regression). Dalam pemodelan klasifikasi, SVM memiliki
konsep yang lebih matang dan lebih jelas secara matematis
dibandingkan dengan teknik-teknik klasifikasi lainnya. SVM
juga dapat mengatasi masalah klasifikasi dan regresi dengan
linear maupun non linear. SVM digunakan untuk mencari
hyperplane terbaik dengan memaksimalkan jarak antar kelas.
Hyperplane adalah sebuah fungsi yang dapat digunakan
untuk pemisah antar kelas. Dalam 2-D fungsi yang digunakan
untuk klasifikasi antar kelas disebut sebagai line whereas,
fungsi yang digunakan untuk klasifikasi antas kelas dalam 3-
D disebut plane similarly, sedangan fungsi yang digunakan
untuk klasifikasi di dalam ruang kelas dimensi yang lebih
tinggi disebut hyperplane. [4]
E. Neural Network (Jaringan Saraf Tiruan)
Jaringan Syaraf Tiruan merupakan sebuah teknik atau
pendekatan pengolahan informasi yang terinspirasi oleh cara
kerja sistem saraf biologis, khususnya pada sel otak manusia
dalam memproses informasi. Elemen kunci dari teknik ini
adalah struktur sistem pengolahan informasi yang bersifat
unik dan beragam untuk tiap aplikasi. Neural Network terdiri
dari sejumlah besar elemen pemrosesan informasi (neuron)
yang saling terhubung dan bekerja bersama-sama untuk
menyelesaikan sebuah masalah tertentu, yang pada umumnya
dalah masalah klasifikasi ataupun prediksi. Neural Network,
dengan kemampuannya dapat digunakan untuk memperoleh
pengetahuan dari data yang rumit atau tidak tepat, serta juga
dapat digunakan untuk mengekstrak pola dan mendeteksi tren
yang terlalu kompleks untuk diperhatikan baik oleh manusia
atau teknik komputer lainnya.
Keuntungan menggunakan Neural Network :
• Pembelajaran adaptif: Kemampuan untuk belajar
dalam melakukan tugas-tugas berdasarkan data yang
diberikan
• Self-Organization: Sebuah Neural Network dapat
membangun representasi dari informasi yang
diterimanya selama proses pembelajaran secara
mandiri
• Operasi Real-Time: Penghitungan Neural Network
dapat dilakukan secara paralel, sehingga proses
komputasi menjadi lebih cepat. [5]
F. Deep Learning
Deep Learning (Pembelajaran Dalam) atau sering dikenal
dengan istilah Pembelajaran Struktural Mendalam (Deep
Structured Learning) atau Pembelajaran Hierarki
(Hierarchical learning) adalah salah satu cabang dari ilmu
pembelajaran mesin (Machine Learning) yang terdiri
algoritma pemodelan abstraksi tingkat tinggi pada data
menggunakan sekumpulan fungsi transformasi non-linear
yang ditata berlapis-lapis dan mendalam. Teknik dan
algoritma dalam Pembelaran dalam dapat digunakan baik
untuk kebutuhan pembelajaran terarah (supervised learning),
pembelajaran tak terarah (unsupervised learning) dan semi-
terarah (semi-supervised learning) dalam berbagai aplikasi
seperti pengenalan citra, pengenalan suara, klasifikasi teks,
dan sebagainya. Deep Learning disebut sebagai Deep
(dalam) karena struktur dan jumlah jaringan saraf pada
algoritmanya sangat banyak bisa mencapai hingga ratusan
lapisan.
Deep Learning adalah salah satu jenis algoritma jaringan
saraf tiruan yang menggunakan metadata sebagai input dan
mengolahnya menggunakan sejumlah lapisan tersembunyi
(hidden layer) transformasi non linier dari data masukan
untuk menghitung nilai output. Algortima pada Deep
Learning memiliki fitur yang unik yaitu sebuah fitur yang
mampu mengekstraksi secara otomatis. Hal ini berarti
algoritma yang dimilikinya secara otomatis dapat menangkap
fitur yang relevan sebagai keperluan dalam pemecahan suatu
masalah. Algortima semacam ini sangat penting dalam
sebuah kecerdasan buatan karena mampu mengurangi beban
pemrograman dalam memilih fitur yang eksplisit. Dan,
algortima ini dapat digunakan untuk memecahkan
permasalahan yang perlu pengawasan (supervised), tanpa
pengawasan (unsupervised), dan semi terawasi (semi
supervised). [6]
G. Bayesian Networks
Bayesian Networks merupakan suatu metode pemodelan
data berbasis probabilitas yang merepresentasikan suatu
himpuan variabel dan conditional interdependenciesnya
melalui suatu DAG (Directed Acyclic Graph). Jaringan
Bayesian ideal untuk mengambil peristiwa yang terjadi dan
memprediksi kemungkinan bahwa salah satu dari beberapa
kemungkinan penyebab yang diketahui adalah faktor yang
berkontribusi. Misalnya, jaringan Bayesian dapat mewakili
hubungan probabilistik antara penyakit dan gejala. Dengan
adanya gejala, jaringan dapat digunakan untuk menghitung
probabilitas dari adanya berbagai penyakit. [7]
H. Logistic Reggression (Regresi Logistik)
Regresi logistik merupakan salah satu jenis regresi yang
menghubungkan antara satu atau beberapa variabel
independen (variabel bebas) dengan variabel dependen yang
berupa kategori; biasanya 0 dan 1. Jenis variabel independen
berupa kategori inilah yang membedakan regresi logistik
dengan regresi berganda atau regresi linear lainnya. Nilai
kategori biasanya tertulis 0 dan 1, saat artikel ini ditulis,
kebanyakan peneliti menggunakan regresi logistik untuk
memproses 2 kategori saja. 0 biasanya digunakan untuk
kategori “tidak” atau “belum”. Sedangkan angka 1 biasanya
digunakan untuk mendeskripsikan responden yang
bersesuaian dengan maksud penelitian.
Tujuan utama dari regresi logistik, yaitu:
1. Memprediksi probabilitas terjadinya atau tidak
terjadinya event (terjadinya nonevent) berdasarkan
nilai-nilai prediktor yang ada. Event merupakan
status variabel respons yang menjadi pokok
perhatian.
2. Mengklasifikasikan subjek penelitian berdasarkan
ambang (threshold) probabilitas.
Memprediksi respons kualitatif dalam pengamatan dapat
disebut sebagai mengklasifikasikan pengamatan itu, karena
melibatkan pengamatan tersebut ke suatu kategori atau kelas.
Di sisi lain, metode yang sering digunakan untuk klasifikasi
pertama adalah memprediksi probabilitas masing-masing
kategori dari variabel kualitatif, sebagai dasar untuk
membuat klasifikasi. [8]
REFERENCES
[1] Caid, “FUZZY LOGIC – PENGERTIAN,” 2018. [Online]. Available:
https://elektronika-portal.com/2018/11/17/fuzzy-logic-pengertian/.
[2] Firman Arifin, “ALGORITMA GENETIKA DAN CONTOH
APLIKASINYA,” 2007. [Online]. Available: https://www.firman-
its.com/2007/05/17/algoritma-genetika-dan-contoh-aplikasinya/.
[3] Abda Suganda Girsang, “KECERDASAN BERKOLONI ( SWARM
INTELLIGENCE ),” 2015. [Online]. Available:
https://mti.binus.ac.id/2015/04/07/kecerdasan-berkoloni-swarm-
intelligence/.
[4] Samsudin, “Penjelasan Sederhana tentang Apa Itu SVM?,” 2019.
[Online]. Available: https://medium.com/@samsudiney/penjelasan-
sederhana-tentang-apa-itu-svm-149fec72bd02.
[5] H. D. Widiputra, “Artificial Neural Network,” 2016. [Online].
Available: https://dosen.perbanas.id/artificial-neural-network/.
[6] W. Dadang, “Memahami Kecerdasan Buatan berupa Deep Learning dan
Machine Learning,” 2018. [Online]. Available:
https://warstek.com/2018/02/06/deepmachinelearning/.
[7] Yudi Agusta, “Bayesian Networks,” p. 1, 2010.
[8] F. Ramadhini, “REGRESI LOGISTIK DALAM ANALISIS
KLASIFIKASI.” [Online]. Available:
https://swanstatistics.com/regresi-logistik-dalam-analisis-klasifikasi/.