semester 2

manajemen pengetahuan

Temporal Data Mining

https://komarudintasdik.wordpress.com

Terjemahan dari buku Temporal Data Mining

Bab 3

Temporal Data Classification and Clustering

Classification dan clustering adalah dua tools pembelajaran mesin utama dan merupakan dua bidang sangat penting dari data mining, karena keduanya memiliki banyak aplikasi praktis seperti diagnosis medis, deteksi penipuan, dan memprediksi trend finansial. Classification adalah aktivitas penentuan sampel baru terhadap sejumlah kelas yang diketahui sebelumnya, sementara clustering adalah aktivitas pengelompokkan sampel-sampel ke dalam cluster sampel-sampel yang serupa. Ini merupakan alasan bahwa classification dikenal supervised learning dan clustering dikenal sebagai unsupervised learning.

Bab ini diorganisir sebagai berikut: Dalam Bagian 3.1 dan 3.2, kami mengkaji teknik-teknik classification dan clustering umum, yakni, teknik-teknik yang dikembangkan untuk data non-temporal. Alasannya ada dua: pertama, untuk mengenalkan kepada pembaca dengan konsep classification dan clustering. Kedua, setelah satu atau lebih skema representasi temporal yang telah kita kaji dalam bab sebelumnya diaplikasikan ke data seri waktu, representasi output dapat secara langsung digunakan sebagai input untuk teknik classification dan clustering nontemporal. Sebagai contoh, seri waktu yang dapat direpresentasikan menggunakan feature vector yang terdiri dari Fourier transform coefcients dari seri waktu dan mean, skewness, dan kurtosis-nya. Feature vector inilah yang dapat menjadi input untuk algoritma classification dan clustering nontemporal. Contoh penggunaan feature vector untuk mengkarakterisasi time series dan kemudian menjadikan feature vector sebagai input untuk algoritma clustering dideskripsikan dalam [Wan05].

Pada bagian 3.3, kami mempresentasikan teknik analisis outlier dan ukuran validitas cluster. Pada bagian 3.4, teknik classification dan clustering yang dikembangkan secara khusus untuk time series data dideskripsikan. Pada bagian 3.5, bibliografi tambahan pada teknik classification dan clustering umum sebaik time series teknik classification dan clustering disajikan.

3.1    Teknik Classification

Dalam classification, kami berasumsi bahwa kami memiliki banyak domain knowledge tentang masalah yang sedang kita coba atasi. Domain knowledge ini bisa berasal dari domain experts atau data sampel dari domain itu, yang merupakan rangkaian data training. Pada bagian ini, kami akan menguji teknik classification yang dikembangkan untuk data nontemporal. Bagaimanapun, teknik itu dapat diperluas dengan mudah, sebagaimana akan didemontrasikan dengan contoh untuk data temporal.

3.1.1        Distance-Based Classifiers

Sebagamana namanya, ide utama dalam rumpun classifier ini adalah untuk mengklasifikasikan sampel baru terhadap kelas terdekat. Tiap contoh direpresentasikan oleh fitur N. Terdapat implementasi yang berbeda dari jenis classifier ini, berdasarkan pada (1) bagaimana tiap kelas direpresentasikan dan (2) bagaimana jarak itu dikomputasi dari tiap kelas. Terdapat dua variasi pada bagaimana merepresentasikan tiap kelas. Pertama, dalam pendekatan K-Nearest Neighbours, semua sampel kelas digunakan untuk merepresentasikan kelas. Kedua, dalam pendekatan berbasis exemplars, tiap kelas direpresentasikan dengan sampel representative, biasanya mengarah pada sebagai exemplar dari kelas ini. Mengenai jarak sampel yang tidak diketahui terhadap kelas-kelas yang berbeda, semua ukuran jarak yang ditentukan dalam bab sebelumnya dapat digunakan. Sangat banyak yang telah menggunakan metrik untuk mengkomputasi jarak sampel kelas yang tidak diketahui terhadap kelas-kelas yang ada adalah jarak Euclidian. Bagaimanapun, untuk beberapa teknik classification ukuran jarak lainnya lebih sesuai. Contohnya adalah 1-Nearest Neighbor classifier (dideskripsikan di bawah) untuk yang metrik zDynamic Time Warping adalah yang terbaik (Eru07). Sebagai contoh, kita berasumsi kita memiliki sampel baru x dari kelas yang tidak diketahui dengan fitur N, di mana masing-masing fitur i^th dinotasikan sebagai X_i.

Kemudian jarak Euclidean dari sampel kelas, yang memiliki fiture ith dinotasikan sebagai yi, didefinisikan sebagai:

(3.1)

3.1.1.1  K-Nearest Neighbors

Dalam jenis classifier ini, domain knowledge tiap kelas direpresentasikan oleh semua sampelnya. Sampel baruu X, yang kelasnya kita tidak ketahui, diklasifikasikan ke kelas yang memiliki K nearest neighbors untuknya. K bisa berupa 1, 2, 3, dan seterusnya. Karena semua sampel training disimpan untuk tiap kelas, ini merupakan metode ekspensip secara komputasional. Mari kita lihat contoh temporal. Kita memiliki tanggal 22-6-2009, dan dua kelas hari, “Sunny Day” dan “Cloudy Day.” Kita akan mengetahui penggunaan classifier 1-nearest neighbor, apakah hari itu memiliki kelas “Sunny Day” atau “Cloudy Day”. Data training terdiri dari hari-hari yang dipilih secara random di tiap 12 bulan dan ditampilkan pada tabel 3.1.

Mari sekarang kita hitung jarak Euclidean dari sampel kita ke masing-masing salah satu dari dua kelas: Pertama, jarak Euclidean ke sampel sunny day adalah

TABLE 3.1 Data Training untuk Kelas Sunny-Cloudy

Bulan               Hari                 Kelas

1                      10                    Cloudy

2                      3                      Cloudy

3                      15                    Cloudy

4                      23                    Sunny

5                      18                    Cloudy

6                      12                    Sunny

7                      4                      Cloudy

8                      6                      Sunny

9                      12                    Sunny

10                    8                      Cloudy

11                    26                    Cloudy

12                    8                      Sunny

Kemudian jarak menuju kelas cloudy day dapat dikomputasi sebagai

Kami lihat bahwa sampel yang sangat tertutup terhadap incoming sample memiliki sunny class. Jadi 6/22 diklasifikasikan ke sunny class. Ini bisa juga dilihat pada Figure 3.1, yang menggambarkan sampled days tiap bulan berkaitan dengan hari-hari dari permulaan tahun.

S di atas bagian dari sampel yang menunjukkan bahwa sampel ini memiliki sunny class. Simbol X pada grafik (nilai 173) sesuai dengan 22 Juni, hari yang kita ingin klasifikasikan. Jika kita menggambarkan garis lurus dari X, kita akan melihat bahwa sampel yang sangat tertutup adalah hari dari bulan Juni yang memiliki sunny class.

Variasi teknik K-NN tidak memperlakukan sampel yang berbeda dalam sebuah kelas secara sama, tapi menetapkan weight untuk masing-masing sampel, berdasarkan baik peran pentingnya atau jaraknya dari sampel yang belum diketahui. Sebagai contoh, weight yang dapat digunakan adalah 1/(Eudis+1) di mana Eudis adalah jarak dari sampel tersebut ke sampel kelas yang belum diketahui.

FIGURE 3.1 Diagram yang Menggambarkan Kelas-Kelas Sunny dan Cloudy Day

Beberapa pertimbangan penting tentang algoritma neighborhood terdekat diuraikan dalam [Wu08]:

• Kinerja algoritma dipengaruhi oleh pilihan K. Jika K kecil, maka algoritma tersebut dipengaruhi dengan poin noise. Jika K sangat besar, maka nearest neighbors dapat memiliki banyak kelas yang berbeda.
• Pilihan ukuran jarak dapat juga mempengaruhi kinerja algoritma. Banyak ukuran jarak dipengaruhi dengan dimensionalitas data. Contohnya, kekuatan klasifikasi jarak Euclidean direduksi sebagai jumlah pertambahan atribut.
• Error algoritma K-NN secara asimtotik mendekati Bayes error.
• K-NN sangat aplikatif untuk masalah klasifikasi dengan kelas multimodal. Sebagai contoh, [Wu08] menyebutkan bahwa untuk untuk profil ekspresi gen K-NN melibatkan Support Vecotr Machines (yang akan diuraikan di bawah).

Pekerjaan tambahan yang telah dilakukan untuk memperbaiki kinerja K-NN. Contoh pekerjaan oleh Hart [Har68], yang menghapus banyak objek training tanpa mengurangi akurasi klasifikasi K-NN. Proses ini dikenal sebagai condensing [Wu08]. Perbaikan K-NN juga disajikan dalam [Tou02], menggunakan proximity graphs.

3.1.1.2   Exemplar-Based Nearest Neighbor

Dalam jenis classifier ini, tiap kelas direpresentasikan dengan sampel representative yang dikenal sebagai exemplar. Secara khusus, fitur exemplar itu dikomputasi sebagai nilai mean dari fitur sampel training di tiap kelas. Sehingga, kelas Y muncul dengan tiga fitur, exemplarnya akan digambarkan oleh:

 

di mana bar horizontal menunjukkan nilai mean dari sebuah fitur.

Sekarang mari kita kaji contoh sebelumnya dengan kelas sunny-cloudy day dan menggunakan pendekatan berbasis exemplar. Exemplar kelas sunny adalah August 1 dan exemplar kelas cloudy adalah May 24. Tanggal sampel kita adalah June 22 semakin dekat dengan exemplar kelas cloudy, sehingga, ia sekarang diklasifikasikan dalamkelas cloudy.

Figure 3.2 menampilkan dua kelas, sampel di dalamnya, dan sampel kelas yang belum diketahui. Dalam kasus ini, 1-NN dan algoritma exemplar akan mengklasifikasikan secara tepat sampel itu untuk kelas 2. Bagaimanapun, Figure 3.3 menampilkan kasus di mana dua algoritma akan menghasilkan hasil yang berbeda. Secara khusus, algoritma exemplar akan menetapkan sampel yang belum diketahui terhadap kelas 2, tapi algoritma 1-NN akan mengklasifikasikan sampel yang belum diketahui ke kelas 1.

3.1.1        Bayes Classifier

Bayes classifier adalah sebuah classifier statistic, karena classification berbasis komputasi probabilitas, dan domain knowledge juga diekspresikan dalam cara probabilistic. Dalam buku ini, kita akan mendiskusikan sangat banyak penggunaan jenis Bayes classifier, yang dikenal sebagai naïve Bayes classifier, di mana kita berasumsi bahwa fitur-fitur itu berbeda-beda secara independen dari yang lainnya; yakni, fitur itu “independen secara kondisional.” Bayesian classification dibahas pada [Dud73]. Pelanggaran dari independensi fitur dalam naïve Bayes classifier dan efeknya pada akurasi classifier dibahas pada [Dom96]. Pada bagian ini, kita akan membahas naïve Bayes classifier secara detil, karena kesederhanaan dan efektivitasnya yang membuatnya sangat popular di bidang seperti text classification dan spam filtering seperti ini [Wu08].

Sebelum kita mengkaji bagaimana classification yang menggunakan jenis classifier ini dilakukan, mari kita kaji beberapa konsep dasar:

• Posteriori probability: Mari kita asumsikan bahwa kita memiliki domain dengan dua kelas, C dan D. Probabilitas bahwa sebuah sampel S dari kelas yang belum diketahui akan melibatkan C yang dikenal sebagai posteriori probability dan diekspresikan sebagai P(C/S). sebagaimana ia dapat dengan mudah diduga oleh pembacanya,

 

FIGURE 3.2 Sebuah Kasus di mana K-NN dan Exemplar-Based Clustering Menghasilkan Hasil yang Sama

Posteriori probability adalah kunci untuk menetapkan kelas mana yang menentukan sampel baru. Sehingga bagaimana probabilitas ini dikomputasi? Itu dilakukan menggunakan Baye’s theorem, yang dibahas di bawah.

• Baye’s Theorem:

 

 

FIGURE 3.3 Sebuah Kasus di mana K-NN dan Exemplar-Based Clustering menghasilkan hasil yang berbeda

 

Di mana P(S|C) merupakan probabilitas bahwa kelas C akan memiliki sampel S, P(C) merupakan probabilitas bahwa sampel akan melibatkan kelas C, dan P(S) merupakan probabilitas sebelum S.

Sekarang mari kita berasumsi bahwa kita diberi N kelas C₁, C₂,…, C_N. Sampel baru S dengan fitur K dan nilai S₁,…S_k, ditetapkan terhadap kelas i^th jika

 

Dengan kata lain, sampel baru S ditempatkan ke kelas dengan maximum posteriori probability. Posteriori probability dikomputasi menggunakan Baye’s theorem seperti tampak di atas. Karena denominator, P(S), sama untuk semua posteriori probability, ia dapat difaktorkan, sehingga sampel baru S itu ditempatkan ke kelas i^th untuk:

P(S|C_i) P(C_i)>P(S|C_j)P(C_j) for j=1…, N dan i≠j         (3.17)

Probabilitas tiap kelas, P(C_i), dikomputasi dari sampel training seperti

 

di mana N_total merupakan total number dari sampel training dan N(C_i) merupakan jumlah sampel training yang melibatkan kelas C_i. Probabilitas P(S|C_i)dikomputasi sebagai

P(S|C_i) =

di mana P(S_m|C_i) merupakan probabilitas bahwa untuk sampel dari kelas C, fitur m^th nya memiliki nilai S_m. Asumsi di sini bahwa fitur-fitur itu independen, yang merupakan alasan dari naïve Baye’s classifier.

The computation hal 74

semester 2

Back-Office Pemerintah Elektronik

Sumber: Tomasz Janowski. Introduction to Electronic Government. United Nations University

Penerjemah: Komarudin Tasdik

Gambaran Umum

5. Back Office

5.1 perubahan organisasi

5.2 kepemimpinan

5.3 koordinasi

5.4 kolaborasi antar agency

5.5 e-government skill

5.6 public-private partnership

Back-Office dan Reformasi

Definisi [Back-Office]

Back-office merupakan operasi internal organisasi yang mendukung proses-proses utama dan tidak diakses atau bukan untuk masyarakat umum.

e-government versus reformasi back-office:

• E-government membantu mereformasi back-office administrative
• E-government juga membutuhkan reformasi agar sukses

Implementasi back-office

Isu implementasi back-office:

1)      Perubahan organisasi

2)      Kepemimpinan dan koordinasi

3)      Kolaborasi antar agency

4)      E-government skills

5)      Private-public partnership

ICT dan Perubahan ICT

Pengenalan ICT ke dalam pemerintahan membutuhkan perubahan proses untuk membuat sangat banyak e-government.

Meskipun demikian:

• ICT sering dibebankan pada struktur organisasi yang ada tanpa berpikir bagaimana struktur itu bisa diperbaiki
• Pemerintah cenderung menganggap ICT sebagai interface yang ramah user untuk struktur administratif kompleks
• Portal nasional sering melibatkan penyusunan kembali informasi yang ada tanpa perubahan apapun dalam proses dan prosedur

Jenis Perubahan Organisasi

Aktivitas ICT skala kecil—perkembangan website sebagai channel informasi tamabahan—tidak membutuhkan perubaha pendukung yang kompleks.

Perubahan organisasi berskala besar akan dibutuhkan ketika:

1)      Website mulai menawarkan layanan lebih mendalam, lebih kompleks

2)      Agencies diminta untuk bekerja sama untuk menyampaikan layanan berdasarkan kebutuhan masyarakat dan bukan strukturnya

3)      Gaya kerja baru – tele-working, virtual teams, muncul

4)      Dengan meningkatkan data-sharing dan komunikasi:

• Data yang efektif menangani redundansi
• Keputusan lebih banyak dibuat pada level organiasi bawah
• Unit-unit khusus dibuat untuk proyek besar pemerintah

Hambatan Internal untuk Perubahan

Stuktur pemerintah secara tradisional susah berubah.

Dua isu yang muncul ketika merencanakan perubahan:

1)      Keinginan dan kemampan untuk mengadopsi cara kerja baru:

• Membantu staf memahami perannya dalam proses berbantuan ICT
• Menyajikan redesign pekerjaan dan program-program training
• Menetapkan kepemilikan reformasi
• Memelihara dialog dengan stakeholders

2)      Kebutuhan atas pemahaman/dukungan oleh manajemen senior:

• Lebih dari pernyataan prinsipil dan perhatian yang baik
• Memahami dampak, manfaat dan risiko reformasi
• Keinginan untuk menerapkan reformasi kepada staf dan pemimpin

Contoh: Perubahan

Contoh [Membuat Tenaga Kerja yang Cerdas di Canada]

Ekspektasi public untuk layanan public berkualitas tinggi membutuhkan seorang pekerja yang cerdas dan dapat beradaptasi.

Agency pemerintah sebagai sebuah “organisasi pembelajaran”.

Inisiasi pekerja cerdas oleh Organizational Readiness Office di Chief Information Officer Branch of the Treasury Board of Canada:

1)      Staf berbasis kompetensi

2)      Penggunaan lebih besar pada pre-qualified posts

3)      Kompetisi generik untuk posisi level eksekutif

4)      Repositori deskripsi kerja

5)      E-learning gateway

Berbasis komunitas layanan public yang memainkan peran-peran strategis dalam mentransformasi dan pengiriman layanan berbasis “e”.

Latihan: Perubahan

Latihan [Menciptakan Pekerja Cerdas di Kanada]

Perhatikanlah perubahan organisasi apa yang telah dilakukan di agency anda untuk mendukung pengenala ICT baru.

1)      ………….

2)      …………

Perhatikanlah perubahan organisasi apa yang telah dilakukan di agency anda yang dibantu dengan pengenalan ICT.

3)      …………..

4)      ………………

Kepemimpinan

Implementasi e-government bisa sulit, berisiko and mahal.

Pemerintah diminta untuk menterjemahkan visi besar ke dalam layanan public yang efektif, sekaligus menghadapi hambatan-hambatan waktu, kelemahan sumber daya dan tekanan politik,

Kepemimpinan yang terpelihara itu penting:

1)      memotivasi orang

2)      menciptakan insentif untuk tindakan

3)      memotivasi dan memecah rintangan-rintangan menuju perubahan

4)      meletakkan mekanisme administratif  yang benar untuk e-government

Tipe Kepemimpinan: Tahapan

Kepemimpinan dibutuhkan pada semua level:

• Tahap awal – memperoleh pandangan pada kebutuhan apa untuk perubahan, berbagi visi umum dengan staf, mengevaluasi ide-ide baru.
• Tahap menengah – menjual manfat visi itu, menciptakan komitmen personil
• Tahap akhir – momentum dan antusiasme yang berkelanjutan di antara stakeholders seperti waktu pengambilan manfaat yang semakin meningkat

Tipe kepemimpinan: level

Tergantung pada tahapan e-government

• politik—menetapkan visi, menentukan prioritas, mengekspresikan kebutuhan masyarakat, membuat keputusan, menyediakan keinginan untuk menyelesaikannya
• kementrian – menjamin perencanaan vertical, memperoleh sumber daya, memotivasi staf, menjamin kooperasi lintas agencies/kementrian
• level menengah – inovasi, mampu menerjemahkan visi atau tujuan ked ala tindakan dan kebijakan yang tepat.

Banyak perkembangan e-government telah dijalankan di masa lalu dengan antusiasme individu dan agencies individu

Kepemimpinan dan Disentralisasi

Kepemimpinan bukan sentralisasi kompetensi

Maka, organiasi e-government harus sejalan dengan pendelegasian kekuasaan dan tanggung jawab

Kunci untuk menciptakan kepemimpinan:

• pemimpin tim
• pemimpin proyek
• pemimpin koordinasi, …

dengan kerja tim dan data-sharing, aset krusial adalah kemampuan untuk mengkoordinir orang, sumber daya dan tanggung jawab.

Contoh: Kepemimpinan

Contoh [IT Strategy Headquarters di Jepang]

IT Strategy Headquarters didirikan pada tahun 2001 untuk “meningkatkan ukuran kebijakan untuk menciptakan information society sebelumnya”

Headquarters:

1)      diketuai oleh perdana menteri

2)      terdiri ats semua menteri cabinet, sector swasta, dll.

3)      Memiliki kewajiban yang eksplisit dan wewenang yang ditulis dalam hukum

4)      Memiliki secretariat sendiri dengan staf eklusif

5)      Dalam charge formulasi dan adopsi nasional menyeluruh

6)      Strategi dan kebijakan IT, mencakup e-government

IT Headquarter mereview kebijakan IT tahunan, mengkaji implementasinya dua kali per tahun, membuat publikasi hasil-hasil studi.

Latihan: Kepemimpinan

Latihan [Kepemimpinan]

Perhatikan potensi kepemimpinan apa yang ada di agency anda, di semua level, untuk mengarahkan proyek e-government.

Berikanlah contoh, menetapkan keunggulan dan kelemahan:

1)      ………..

2)      ……………..

Langkah apa  yang dapat agency anda adopsi untuk menciptakan banyak pemimpin?

…………….

Koordinasi Central

Koordinasi central merupakan cirri kebanyakan strategi e-government.

Ini mungkin membutuhkan bentuk-bentuk yang berbeda:

• unit-unit formal diletakan dalam administrasi public
• unit-unit formal yang terhubung ke unit-unit information society yang lebih luas
• komite koordinasi yang terdiri atas representasi agencies kunci, sector swasta dan level-level lain di pemerintahan
• komite agency mengepalai dan memimpin pegawai informasi

Koordinasi – Peran

Peran berbeda: dari berbagi laporan dan informasi, ke perkembangan kebijakan dan kekeliruan implementasi.

Khususnya:

1)      mengembangkan strategi e-government

2)      memonitor kemajuan menuju tujuan

3)      mempromosika manfaat-manfaat kepada public

4)      menghubungkan e-government ke reformasi public yang lebih luas

5)      menghubungkan e-government ke information society yang lebih luas

6)      menegaskan kembali strategi-strategi dalam kilasan pengalaman dan kemajuan

Koordinasi – Implementasi

Bersambung….

Neuro-Fuzzy and Soft Computing

Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence

Jyh-Shing Roger Jang, Chuen-Tsai Sun, and Eiji Mizutani. USA: Prentice-Hall. 1997

Diterjemahkan oleh: Komarudin Tasdik

https://komarudintasdik.wordpress.com

Bab 1

Pengantar Neuro-Fuzzy and Soft Computing

1.1  Pendahuluan

Soft Computing (SC), sebuah pendekatan inovatif untuk konstruksi sistem inteligen secara komputasional, telah mengundang banyak perhatian. Sekarang terbukti bahwa permasalahan dunia nyata yang komplek membutuhkan sistem inteligen yang mengkombinasikan pengetahuan, teknik, dan metodologi dari berbagai sumber. Sistem inteligen ini diharapkan memiliki keahlian seperti manusia dalam domain yang spesifik, beradaptasi sendiri dan belajar untuk melakukan yang lebih baik dalam mengubah lingkungan, dan menjelaskan bagaimana mereka membuat keputusan atau mengambil tindakan. Dalam menghadapi permasalahan komputasi dunia nyata, seringkali keberhasilan menggunakan beberapa teknik komputasi secara sinergetis lebih baik dari cara yang eklusif, berhasil dalam konstruksi sistem inteligen hybrid yang saling melengkapi. Inti dari desain sistem inteligen jenis ini adalah neuro-fuzzy computing: neural network yang mengenal pola-pola dan beradaptasi sendiri terhadap perubahan lingkungan; fuzzy inference system yang menggabungkan pengetahuan manusia dan membuat kesimpulan (inferencing) serta membuat keputusan. Integrasi dari dua pendekatan yang saling melengkapi ini, bersama-sama dengan teknik-teknik optimisasi derivative-free tertentu, menghasilkan disiplin baru yang disebut neuro-fuzzy dan soft computing.

Sebagai pendahuluan, kami akan menyajikan pandangan tentang pendekatan sistem inteligen yang relevan, sedikit membahas teorinya, dan membahas fitur-fitur neuro-fuzzy dan soft computing.

1.2  Soft Computing Constituents and Conventional Artificial Intelligence

Soft computing adalah pendekatan yang muncul untuk komputasi yang paralel dengan kemampuan yang bagus dari pikiran manusia untuk beralasan dan belajar dalam lingkungan yang tidak menentu dan ketidaktepatan. (Lotfi A. Zadeh, 1992 [12])

Figure 1.1 Neural character recognizer dan kerja sama berbasis pengetahuan dalam merespon tiga karakter tulis tangan yang membentuk kata “dog.”

Tabel 1.1 Soft computing constituents (tiga item pertama) dan kecerdasan buatan konvensional

Metodologi	Kekuatan
Neural network	Belajar dan adaptasi
Fuzzy set theory	Representasi pengetahuan via aturan fuzzy if-then
Genetic algorithm and simulated annealing	Pencarian acak sistematis
Conventional AI	Manipulasi simbolik

Soft computing terdiri dari banyak paradigma komputasi, mencakup neural network, fuzzy set theory, approximate reasoning, dan metode derivative-free optimization seperti genetic algorithm dan simulated annealing. Masing-masing metodologi pokok ini memiliki kekuatannya, seperti yang diringkas pada tabel 1.1. Integrasi seamless dari bentuk-bentuk metodologi ini menjadi inti soft computing; sinergisme memungkinkan soft computing menggabungkan pengetahuan manusia secara efektif, berhubungan dengan ketidaktepatan dan ketidakpastian, dan belajar beradaptasi terhadap lingkungan yang tidak diketahui atau berubah-ubah menuju kinerja yang lebih baik. Untuk belajar dan adaptasi, soft computing membutuhkan komputasi ekstensif. Dalam pengertian ini, soft computing berbagi karakteristik yang sama sebagai kecerdasan komputasional.

Pada umumnya, soft computing tidak melakukan banyak manipulasi simbolik, maka kita dapat memandangnya sebagai disiplin baru yang melengkapi pendekatan kecerdasan buatan konvensional (AI), dan sebaliknya. Contohnya, Figure 1.1 mengilustrasikan situasi di mana neural character recognizer dan basis pengetahuan digunakan bersama-sama untuk menentukan arti dari kata yang ditulis tangan. Neural character recognizer menghasilkan dua jawaban yang mungkin “dog” dan “dag,” sejak karakter tengah bisa “o” atau “a.” Jika knowledge base menyediakan penggalan informasi ekstra yang mana kata itu dihubungkan dengan binatang, maka jawabannya “dog” dilakukan dengan tepat.

Figure 1.2 adalah daftar pendekatan AI konvensional dan tiap soft computing constituents diatur secara kronologis. Kami membahas fitur-fitur AI konvensional pada Bagian 1.2.1, dan soft computing constituents pada Bagian 1.2.2 sampai 1.2.4. Pada bagian 1.3, kami meringkas karakteristik neuro-fuzzy dan soft computing.

1.1.1        Dari AI Konvensional Menuju Kecerdasan Komputasional

Manusia biasanya menggunakan natural languages dalam beralasan dan menggambakan konklusi. Penelitian AI konvensional fokus pada usaha untuk meniru-niru tindakan kecerdasan manusia dengan mengekspresikannya dalam bentuk-bentuk bahasa atau aturan-aturan simbolik. AI konvensional pada dasarnya memanipulasi simbol-simbol pada asumsi bahwa tindakan seperti itu dapat disimpan dalam basis pengetahuan terstruktur secara simbolik. Ini disebut physical symbol system hypothesis [3,5]. Sistem-sistem simbolik menyajikan basis yang baik untuk memodelkan para pakar manusia dalam suatu masalah sederhana jika pengetahuan eksplisit ada. Barangkali produk AI konvensional yang banyak sekali berhasil adalah sistem berbasis pengetahuan atau sistem pakar (ES); ini direpresentasikan dalam bentuk skematik pada Figure 1.3.

Literatur AI konvensional merefleksikan karya lebih awal dalam sistem cerdas. Banyak para pelopor AI mendefinisikan AI dalam bahasa filsafatnya; banyak definisi AI representatif didaftar seiring dengan sejumlah definisi ES.

• “AI adalah pelajaran agent yang ada dalam sebuah lingkungan dan merasa serta bertindak.” (S. Russell dan P. Norvig) [6]
• “AI adalah seni membuat komputer melakukan sesuatu dengan cerdas.” (Waldrop) [9]
• “AI adalah gaya pemrogaman, di mana program-program beroperasi pada data berdasarkan aturan-aturan untuk mencapai tujuan.” (W. A. Taylor) [8]
• “AI adalah aktivitas menyediakan mesin seperti komputer dengan kemampuan untuk menampilkan tindakan yang akan dianggap cerdas jika ia diobservasi secara manusiawi.” (R. McLeod) [4]

“ES adalah program komputer yang menggunakan pengetahuan ahli untuk mencapai level tinggi dari kinerja dalam area permasalahan sempit.” (D. A. Waterman) [10]

Figure 1.2. Sketsa historis soft computing constituent dan pendekatan AI konvensional

• “ES adalah karikatur manusia pakar, dalam arti bahwa ia  mengetahui hampir segala sesuatu tentang yang hampir tidak ada.” (A. R. Mirzai) [2]

Definisi-definisi ini menyediakan framework AI yang mencolok walaupun mungkin hanya sebentar karena framework konseptual bermetamorfosis dengan cepat. Pembacanya mungkin sangat heran, “Apakah AI sudah usang?”

Menyebutkan soft computing constituents “bagian dari AI modern” yang tidak dapat disepelekan tergantung pada pertimbangan personal. Benar bahwa banyak buku AI modern memaparkan neural network dan mungkin komponen-komponen soft computing lainnya, seperti tampak pada [6,11].

Figure 1.3. Sistem Pakar: salah satu produk AI (konvensional) yang sangat sukses

Ini berarti bahwa bidang AI sedang berkembang dengan bagus; batasan antara AI dan soft computing menjadi tidak jelas dan, benar-benar, generasi suksesif dari metodologi-metodologi AI akan berkembang lebih canggih. Lebih jauh pembahasan tentang wilayah AI secara filosofis [7] melebihi skup buku ini.

Secara praktis, manipulasi-manipulasi simbolik membatasi situasi-situasi berkaitan teori-teori AI konvensional yang bisa diaplikasikan karena penerimaan dan representasi pengetahuan bukan hal yang mudah, tapi tugas-tugas yang sulit. Lebih banyak perhatian diarahkan pada metodologi-metodologi yang terinspirasi secara biologis seperti brain modeling, evolutionary algorithms, dan immune modeling; itu semua mensimulasikan mekanisme biologis yang bertanggung jawab untuk menghasilkan natural intelligence. Metodologi-metodologi ini agak orthogonal terhadap pendekatan AI konvensional dan biasanya mengimbangi kekurangan simbolisme.

Tujuan jangka panjang dari penelitian AI adalah kreasi dan memahami machine intelligence. Dari perspektif ini, soft computing berbagi tujuan pokok yang sama dengan AI. Figure 1.4 adalah representasi skematik dari sistem cerdas yang bisa memahami lingkungannya (merasa) dan bertindak sesuai persepsinya (bereaksi). Ekstensi yang mudah dari ES mungkin juga berhasil dalam cita-cita yang sama sistem cerdas komputasional yang dicari oleh para peneliti soft computing. Soft computing rupanya sedang berkembang di bawah pengaruh AI yang dibuka dari cybernetics (kajian tentang informasi dan kontrol dalam manusia dan mesin).

Figure 1.4. Sistem Cerdas

1.1.1        Neural Network hal 32

Otak manusia merupakan sumber daya kecerdasan alami dan sangat serupa dengan komputer. Otak memproses informasi tidak lengkap yang diperoleh dengan persepsi pada angka kecepatan yang tidak dapat dipercaya. Fungsi sel saraf sekitar 10⁶ kali lebih lambat daripada circuit gates elektronik, tapi otak manusia memproses informasi audio dan visual lebih cepat daripada komputer modern.

Terinspirasi dengan nervous system biologis, banyak peneliti, terutama brain modeler, telah mengeksplorasi jaringan sarat tiruan, pendekatan non-algoritmik baru untuk pemrosesan informasi. Mereka memodelkan otak sebagai sistem dinamis non linear berkelanjutan dalam arsitektur connectionist yang diharapkan untuk meniru-niru mekanisme otak guna mensimulasikan tindakan cerdas. Koneksionisme seperti ini menggantikan representasi terstruktur simbolik dengan representasi terdistribusi dalam berat antara sejumlah besar neuron yang saling terkoneksi (atau unit-unit pemrosesan). Ini tidak membutuhkan keputusan kritis yang mengalir dalam algoritmanya.

Berbagai pendekatan connectionist yang telah dipelajari; banyak metodologi representatif dan kapasitas komputasionalnya dibahas dalam bab selanjutnya.

1.2  Fuzzy Set Theory

Otak manusia menginterpretasikan informasi sensori yang tidak tepat dan tidak lengkap yang disediakan oleh organ-organ perseptif. Fuzzy set theory menyediakan kalkulus sistematis berkaitan dengan informasi secara linguistik, dan melakukan komputasi numerik dengan menggunakan label-label linguistik yang ditentukan dengan membership functions. Bahkan, seleksi aturan fuzzy if-then membentuk komponen kunci dari fuzzy inference system (FIS) yang dapat memodelkan keahlian manusia secara efektif dalam aplikasi khusus.

Walaupun fuzzy inference system memiliki representasi pengetahuan terstruktur dalam bentuk aturan fuzzy if-then, ia melemahkan kemampuan adaptasi terhadap perubahan lingkungan eksternal. Jadi, kami memasukkan konsep pembelajaran neural network dalam fuzzy inference system, berhasil dalam neuro-fuzzy modeling, sebuah teknik yang sangat penting dalam soft computing.

 

1.2.4        Komputasi Evolusiner

Kecerdasan alami merupakan produk jutaan tahun evolusi biologis. Mensimulasikan proses-proses evolusioner biologis yang kompleks mengarahkan kita untuk menemukan bagaimana evolusi menggerakkan sistem kehidupan menuju intelegensi level lebih tinggi. Perhatian lebih besar diberikan kepada teknik komputasi evolusioner seperti genetic algorithms (GAs), yang berbasis pada prinsip evolusioner seleksi alam. Immune Modeling dan Artificial Life adalah disiplin yang mirip dan berbasis pada asumsi bahwa hukum-hukum kimia dan fisika mungkin mampu menjelaskan living intelligence. Faktanya, Artificial Life, sebuah paradigma inklusif, berusaha untuk menyadari lifelike behavior dengan mengimitasi proses-proses yang terjadi dalam perkembangan atau mekanika kehidupan [1].

Secara heuristik diinformasikan bahwa teknik-teknik pencarian digunakan di dalam banyak aplikasi AI. Ketika space pencarian sangat besar untuk pencarian yang ekshaustif (blind, brute-force) dan sulit untuk mengidentifikasi pengetahuan yang dapat diaplikasikan untuk mereduksi search space, kita tidak memiliki pilihan selain menggunakan yang lain, teknik-teknik pencarian yang lebih efisien untuk menemukan solusi-solusi less-than-optimum. GA adalah teknik kandidat untuk tujuan ini, menawarkan kapasitas untuk pencarian acak sistematis berbasis populasi. Simulated annealing dan random search merupakan kandidat lain yang mengeksplorasi space dalam masalah stokastik. Metode-metode optimisasi itu dibahas pada Bab 7

 

1.3    Karakteristik Neuro-Fuzzy dan Soft Computing

Dengan neuro-fuzzy modeling sebagai sebuah kekuatan, karakteristik soft computing dapat diringkas sebagai berikut:

Kemampuan manusia, Soft computing menggunakan keahlian manusia dalam bentuk aturan fuzzy if-then, sebaik representasi pengetahuan konvensional, untuk mengatasi masalah praktis.

Model komputasi yang terinspirasi secara biologis, terinspirasi dengan neural network biologis, jaringan saraf tiruan digunakan secara ekstensif dalam soft computing yang berkaitan dengan persepsi, pengenalan pola, dan regeresi non-linear sera permasalahan klasifikasi.

Teknik optimisasi baru, Soft computing mengaplikasikan metode optimisasi inovatif yang berasal dari berbagai sumber; mereka adalah genetic algorithms (terinspirasi dengan proses evolusi dan seleksi), simulated annealing (dimotivasi dengan termodinamik), metode pencarian acak, dan metode downhill simplex. Metode optimisasi ini tidak membutuhkan vektor gradient fungsi objektif, sehingga mereka lebih fleksibel berhubungan dengan permasalah optimisasi yang kompleks.

Komputasi Numerik, Tidak seperti AI simbolik, soft computing sangat mengandalkan pada komputasi numerik. Inkorporasi teknik-teknik simbolik dalam soft computing merupakan sebuah penelitian aktif di bidang ini.

Domain aplikasi baru, Karena komputasi numeriknya, soft computing telah menemukan sejumlah domain aplikasi baru di samping pendekatan AI. Domain-domain aplikasi ini kebanyakan intensif komputasi dan mencakup pemrosesan sinyal adaptif, kontrol adaptif, identifikasi sistem non-linear, regresi non-linear, dan pengenalan pola.

Model-free learning, Neural network dan fuzzy inference system adaptif memiliki kemampuan untuk mengkonstruksi model-model yang hanya menggunakan data sampel sistem target. Pengetahuan detail ke dalam sistem target membantu set up struktur model inisial, bukan hanya mandaroty.

Komputasi intensif, Tanpa mengasumsikan pengetahuan latar belakang yang sangat banyak dari masalah yang dihadapi, neuro-fuzzy dan soft computing sangat mengandalkan pada komputasi number-crunching berkecepatan tinggi untuk menemukan aturan atau regularitas dalam data sets. Ini adalah fitur biasa dari semua area inteligensi komputasional.

Toleransi yang salah, Neural network dan fuzzy inference system memperlihatkan toleransi yang salah. Penghapusan sebuah neuron dalam neural network, atau sebuah aturan dalam fuzzy inference system, tidak perlu merusak sistem. Walaupun sistem terus berjalan karena arsitektur dan redundansinya, walaupun kualitas kinerja secara gradual memburuk.

Goal driven characteristic, Neuro-fuzzy dan soft computing merupakan goal driven; path ini berasal dari keadaan terkini untuk solusi yang tidak benar-benar bermasalah selama kita bergerak menuju tujuan dalam perjalanan panjang. Ini sangat benar ketika digunakan dengan skema optimisasi derivative-free, seperti genetic algorithms, simulated annealing, dan metode pencarian acak. Pengetahuan khusus domain membantu mereduksi sejumlah komputasi dan waktu pencarian, padahal tidak dibutuhkan.

Aplikasi dunia nyata, Permasalahan dunia nyata yang sangat banyak merupakan skala besar dan tidak bisa diremehkan termasuk ketidakpastian yang ada; ini menghambat penggunakan pendekatan konvensional yang membutuhkan deskripsi rinci tentang masalah yang sedang diatasi. Soft computing merupakan pendekatan terintegrasi yang biasanya dapat menggunakan teknik-teknik khusus dalam sub tugas untuk mengkonstruksi  solusi-solusi yang umumnya memuaskan terhadap permasalahan dunia nyata.

Bidang soft computing sedang berkembang dengan pesat; Teknik-teknik dan aplikasi-aplikasi baru tetap dibutuhkan. Kita dapat melihat bahwa firm foundation dari soft computing sedang dibangun melalui usaha-usaha kolektif para peneliti dalam berbagai disiplin di seluruh dunia. Yang mendasari driving force adalah untuk mengkonstruksi mesin-mesin yang sangat otomatis dan cerdas untuk kehidupan esok yang lebih baik, yang sudah siap di semua penjuru.

REFERENSI

Bagian I

Fuzzy Set Theory

 

Bab 2 Fuzzy Sets (J. -S. R. Jang)

Bab ini memperkenalkan definisi-definisi, notasi dan  operasi-operasi dasar untuk fuzzy sets yang akan dibutuhkan dalam bab-bab berikutnya. Sejak penelitian terhadap fuzzy sets dan aplikasi-aplikasinya telah berlangsung selama 30 tahun hingga sekarang, memungkinkan untuk mengcover semua aspek perkembangan saat ini dalam bidang ini. Jadi tujuan bab ini adalah menyajikan pengantar ringkas dan ringkasan dari pokok konsep dasar terhadap kajian fuzzy sets. Laporan detail tentang subjek yang spesifik dapat ditemukan dalam daftar referensi di akhir bab ini.

2.1    Pendahuluan

Himpunan klasik adalah sebuah himpunan dengan batasan sederhana. Contohnya, himpunan klasik A bilangan real lebih besar dari 6 dapat dinyatakan sebagai

Di mana terdapat kejelasan, batasan yang tidak ambigu 6 jika x lebih besar dari angka ini, maka x termasuk himpunan A; kalau sebaliknya, x bukan bilangan tersebut. Meskipun himpunan bilangan klasik sesuai untuk berbagai aplikasi dan telah membuktikan menjadi tool penting untuk matematika dan ilmu komputer, mereka tidak merefleksikan sifat konsep dan pemikiran manusia yang cenderung abstrak dan tidak teliti. Seperti sebuah ilustrasi, secara matematis kita dapat menyatakan himpunan semua orang yang tinggi sebagai kumpulan orang-oran yang memiliki ketinggian lebih dari 6 ft; ini adalah himpunan yang dinotasikan sebagai Equation (2.1). Jika kita memisalkan A= “orang tinggi” dan x =  “tinggi.” Ini merupakan cara yang masih belum cukup dan tidak natural untuk merepresenasikan konsep biasa kita tentang “orang tinggi.” Untuk satu hal, sifat dichotomous dari himpunan klasik akan mengklasifikasikan orang dengan tinggi 6.001 ft sebagai orang tinggi, tapi bukan orang dengan tinggi 5,999 ft. Perbedaan ini secara intuitif tidak beralasan. Kekurangan ini berasal dari transisi tajam antara inklusi dan eklusi dalam sebuah himpunan.

Bersambung…

PEMAHAMAN TERHADAP ISLAM

PEMAHAMAN TERHADAP ISLAM

Diterjemahkan ke dalam bahasa Indonesia oleh: Komarudin Tasdik

https://komarudintasdik.wordpress.com

Bab Satu

Pengertian Islam

Setiap agama dunia telah dinamai baik setelah pendirinya atau setelah suatu komunitas atau bangsa lahir. Sebagai contoh, Christianity mengambil nama dari nabinya Jesus Christ; Buddhism dari pendirinya, Gautama Buddha; Zoroastrianism dari pendirinya Zoroaster; dan Judaism, agama Jews, dari nama suku Judah (bagian dari negara Judea) tempat ia berasal. Sama halnya dengan semua agama lain kecuali Islam, yang menikmati perbedaan unik yang tidak berhubungan dengan orang atau masyarakat atau negara tertentu. Islam juga bukan produk pikiran manusia. Islam adalah agama universal dan bertujuan untuk menciptakan dan menanamkan kualitas dan sikap Islami pada manusia.

Faktanya, Islam, merupakan titel atributif. Barang siapa yang memiliki atributnya, apapun ras, komunitas, negara atau golongan yang dimilikinya, adalah Muslim. Berdasarkan Qur’an (Kitab Suci Muslim), di antara manusia dan berbagai usia terdapat orang-orang baik dan berbudi yang memiliki atribut tersebut—maka semuanya itu adalah Muslim.

Islam—Apakah Artinya?

Islam adalah kosakata bahasa Arab dan mengandung arti ketundukan, kepasrahan dan kepatuhan. Sebagai sebuah agama, Islam bertujuan untuk menyempurnakan ketundukan dan kepatuhan kepada Allah.[1]

Setiap orang  dapat melihat bahwa kita hidup di alam semesta yang teratur, di mana segala sesuatu menempati tempat dengan skema besar. Bulan, bintang-bintang dan semua bintang di langit bersama-sama dalam sistem yang bagus sekali. Benda-benda itu mengikuti hukum yang tidak dapat diubah dan tidak bergeser sedikitpun dari takdir yang telah ditetapkan. Demikian pula, segala sesuatu di dunia, dari elektron yang berputar tiap menit sampai nebulae yang hebat, selalu mengikuti hukumnya masing-masing. Zat, energi dan kehidupan—semua mentaati hukumnya dan tumbuh, berubah, hidup, serta mati berdasarkan hukum-hukum itu. Bahkan dalam dunia manusia hukum alam merupakan yang tertinggi. Kelahiran, pertumbuhan dan kehidupan seorang manusia semuanya diatur oleh rangkaian hukum-hukum biologis. Dia mendapatkan makanan dari alam berdasarkan hukum yang tidak data diubah. Semua organ tubuhnya, dari jaringan terkecil hingga hati dan otak, diatur dengan hukum-hukum yang ditentukan untuknya. Pendek kata, milik kita adalah alam yang diatur hukum dan segala sesuatu yang ada di dalamnya mengikuti takdir yang telah ditetapkan untuknya.

Kekuatan ini, semua dapat menembus hukum, yang mengatur semua termasuk alam semesta, dari butiran debu yang sangat kecil hingga galaksi-galaksi langit yang hebat, adalah hukum Allah, Yang Maha Pencipta dan Maha Pengatur alam semesta. Sebagaimana semua makhluk mentaati hukum Allah, maka, seluruh alam semesta benar-benar mengikuti agama Islam—sehingga Islam itu menunjukkan ketiadaan selain tunduk dan patuh kepada Allah, Tuhan semesta alam. Matahari, bulan, bumi dan semua bintang-bintang di langit adalah ‘Muslim’. Demikian pula udara, air, panas, batu, tumbuhan dan hewan. Segala sesuatu di alam semesta ini adalah ‘Muslim’ selama ia mentaati Tuhan dengan tunduk kepada hukumnya. Bahkan seorang manusia yang menolak untuk tunduk kepada Tuhan, atau menjalankan ibadahnya kepada seseorang selain Allah, memiliki kebutuhan untuk menjadi ‘Muslim’ sejauh eksistensinya diperhatikan.

Selama hidupnya, dari embryonic hingga tubuh berubah menjadi debu setelah mati, setiap jaringan ototnya dan setiap anggota badannya mengikuti takdir yang ditetapkan oleh hukum Tuhan. Setiap lidahnya, dengan sejumlah kebodohannya menyokong penyangkalan kepada Tuhan atau menganut banyak dewa, secara alamiah adalah ‘Muslim’. Kepalanya dengan tanpa alasan tunduk kepada selain Allah dilahirkan dalam keadaan ‘Muslim’. Hatinya, karena kekurangan ilmu pengetahuan yang benar, mengharap cinta dan penghormatan kepada sesama, secara intuisi adalah ‘Muslim’. Ini semua patuh kepada Hukum Tuhan, dan fungsi serta pergerakannya diatur oleh perintah hukum itu sendiri.

Mari kita kaji situasi ini dari sudut pandang yang berbeda. Manusia itu memiliki dua tipe yang berbeda. Satu tipe di mana dia menemukan dirinya secara totalitas diatur oleh Hukum Tuhan. Seperti makhluk lainnya, dia benar-benar menemukan pedoman hukum alam fisik dan dituntut untuk mengikutinya. Tetapi ada juga tipe lain berkenaan aktivitasnya. Dia telah dianugerahi akal dan pikiran. Dia memiliki kekuatan untuk berpikir dan membuat keputusan, untuk memilih dan menolak, untuk setuju atau tidak setuju. Dia bebas mengadposi apapun takdir hidup yang dia pilih. Dia menganut beberapa keyakinan, dan hidup dengan beberapa ideologi yang dia suka. Dia mungkin mempersiapkan kode etik sendiri atau menerima dari yang telah diformulasikan oleh orang lain. Tidak seperti makhluk lainnya, dia telah diberikan kebebasan berpikir, memilih dan bertindak. Pendek kata, manusia telah dianugerahi keinginan yang bebas.

Kedua aspek ini saling berdampingan dalam kehidupan manusia. Pertama dia, seperti semua makhluk lainnya, lahir Muslim, selalu mentaati perintah Tuhan, dan diikat untuk mempertahankannya. Sejauh aspek kedua diperhatikan, dia bebas untuk menjadi atau tidak menjadi Muslim. Itu adalah jalan orang menggunakan kebebasannya yang membagi manusia ke dalam dua kelompok: orang-orang beriman dan tidak beriman. Individu yang memilih untuk mengakui Penciptanya, menerimanya sebagai Pemiliknya, secara jujur dan teliti tunduk kepada hukum-hukum-Nya dan mengikuti undang-undang-Nya. Dia telah memperoleh kesempurnaan dalam keislamannya dengan sadar memutuskan untuk mentaati Tuhan dalam domain di mana dia dianugerahi kebebasan memilih. Dia adalah Muslim yang sempurna: ketundukan seluruh jiwa dan raganya hanya kepada kehendak Allah adalah Islam dan tidak ada yang lain kecuali Islam.

Sekarang dia benar-benar tunduk kepada-Nya Yang telah dia tidak taati. Dia menghamba sepenuhnya kepada Yang Maha Pemilik yang telah dia sembah tanpa keikhlasan. Pengetahuannya sekarang jelas agar dia mengakui Yang Maha memberkahinya kemampuan untuk belajar dan mengenal. Sekarang alasan dan keputusannya berada dalam keadaan stabil—dia sudah benar memutuskan untuk mentaati Tuhan Yang telah memberikannya kemampuan berpikir dan mempertimbangkan. Lidahnya juga jujur mengekspresikan keyakinannya kepada Tuhan Yang telah membeiikan kemampuan berbicara. Semua eksitensinya merupakan perwujudan dari kebenaran, dalam semua aspek kehidupan, dia mau tidak mau harus mentaati hukum-hukum Tuhan Yang Maha Esa—Tuhan semesta alam. Dia berada dalam kedamaian dengan alam selama dia menyembah-Nya Yang seluruh alam sembah. Orang seperti ini adalah khalifah Tuhan di muka bumi. Seluruh dunia untuknya dan dia untuk Allah.

Nantikan kelanjutannya……

---

[1] Arti harfiah lain dari kata Islam adalah ‘damai’ dan ini menunjukkan bahwa seseorang dapat mencapai kedamaian badan dan pikiran yang sebenarnya hanya melalui ketundukan dan kepatuhan kepada Allah. Seperti hidup patuh membawa kedamaian hati dan menentukan kedamaian yang sebenarnya di masyarakat luas–editor

***

The title in English: Towards Understanding Islam

Source: Abul A’la Mawdudi. 1990. Towards Understanding Islam. Saudi Arabia: The Islamic Foundation, Muslim World League—Riyadh Office

CISEWU SUDAH SAATNYA MAJU

CISEWU SUDAH SAATNYA MAJU

Oleh: Komarudin Tasdik

https://komarudintasdik.wordpress.com

Kemajuan suatu negara dipengaruhi oleh berbagai faktor. Salah satu faktor yang sangat kentara saat ini adalah penguasaan informasi. Faktor ini telah mengantarkan Amerika Serikat lebih unggul dibandingkan dengan negara-negara lainnya di dunia. Walaupun saat ini ia sedang mengalami berbagai krisis, khususnya di bidang ekonomi yang saat ini sedang bersaing ketat dengan Eropa dan China. Tapi tetap saja, sejarah telah mencatat bahwa Amerika telah memegang title negara super power atau adikuasa dalam waktu yang cukup lama setelah keruntuhan Uni Sovyet.

Sebagai bukti penguasaan informasi telah dilakukan Amerika Serikat di antaranya: perkembangan teknologi komputer terutama internet sangat pesat dikembangkan di negara Paman Sam ini, mengingat perusahaan software kaliber dunia berdiri di negara berbahasa Inggris ini, yakni Microsoft Corporation. Hingga saat ini, perusahaan di bawah kepemilikan Bill Gates ini tengah merajai dunia software, khususnya yang bersifat software komersil, yang mana kita sangat mengenal nama-nama: Microsoft windows, Microsoft word, Microsoft excel, Microsoft power point, dll. Software-software ini sangat menjamur di negeri kita Indonesia, bahkan sampai ke kampung tercinta Cisewu yang indah, walaupun masih banyak yang bersifat bajakan. (Bicara bajak-membajak kita tinjau lagi di lain waktu) He…he…

Selain Amerika, negara-negara maju saat ini juga benar-benar sadar atas pentingnya informasi, seperti perhatian besar terhadap perkembangan teknologi informasi/komputer yang dilakukan oleh Eropa (sistem operasi Linux yang bersifat opensource berasal dari Jerman), Jepang (sudah dikenal dunia tentang daya kreativitas di bidang robotika yang notabene menjadi tahap puncak target produk teknologi informasi), dan China (sudah sangat banyak hacker-hacker yang membuat Mr Google hengkang dari negara Panda ini, padahal para hackernya terdiri dari gadi-gadis cantik di bawah kepemimpinan Xiao Tian).

Satu lagi yang sangat penting dalam memajukan suatu bangsa, adalah adanya kerja sama, semangat gotong royong, kerja tim atau apapun istilahnya yang jelas maknanya adalah melakukan sesuatu dengan semangat saling mendukung dan saling memajukan. Lihat sifat solid orang-orang Chinese, dan Jepang, walaupun kedua negara ini agak tertutup terhadap adopsi penggunaan bahasa Inggris di negaranya, tetapi hal ini mereka lakukan bukan untuk menutup diri dari kemajuan, melainkan memupuk ‘produk dalam negerinya’ (bahasa masing-masing) agar mempunyai kekuatan di mata internasional. Dengan demikian untuk membuat bahasanya mempunyai kekuatan, di sinilah Sumber Daya Manusia (SDM) dituntut produktif, produktif, dan produktif. Buat, buat, dan buat. Lakukan apa yang bisa dilakukan selama hal itu dianggap positif.

Bagaimana dengan Cisewu?

Cisewu saat ini sudah mengalami ‘Internet Goes to Cisewu’, maka informasi sudah tidak terbatas seperti di jaman purbakala dulu. SDM Cisewu, khususnya anak-anak muda Cisewu sudah banyak yang melanjutkan kuliah, hal ini menunjukkan intelektualitas Cisewu tidak bisa disepelekan lagi, tidak bisa dipandang sebelah mata.

Dengan kemajuan ini, kemajuan Cisewu akan sangat bergelora apabila para insan Cisewu melakukan apa yang bisa dilakukan, yang penting positif, kalau khawatir tidak positif ya minimal netral lah enggak apa-apa. Yang bisa berkontribusi dengan uang silahkan. Yang bisa berkontribusi dengan ilmu silahkan. Yang ahli di bidang pertanian, silahkan majukan bidang pertanian jangan sampai waktu menanam padi menunggu waktu hujan, jangan sampai mau buah tomat, jengkol, peuteuy, cabe cengek, harus pergi belanja ke pangalengan. Yang bisa mengembangkan dunia pendidikan, silahkan kembangkan dunia pendidikan, jangan sampai ada adik-adik kita yang susah untuk sekolah, minimal kalau masih keberatan ambil dari saku pribadi, baik alasannya sayang atau belum ada, kita carikan beasiswanya. Dan kalaulah contoh-contoh sebelumnya masih dirasa berat, mari kita lakukan apa yang kita mampu lakukan. Sekedar mengingatkan kita semua, ada amalan-amalan yang kadang kita lupakan, di antaranya:

1. Mendoakan anak Cisewu untuk bisa bersekolah
2. Menyapa anak-anak sekolah walaupun kita sudah cape pulang dari sawah
3. Menulis di Internet (seperti di facebook Cisewu nu Urang) tentang apa yang kita ingin tuliskan, tidak perlu nunggu ahli dulu, tidak perlu mencari-cari bahan yang super ilmiah. Tuliskan apa yang ada di benak, biar saudara-saudara kita yang sudah sedikit lebih maju dapat teringatkan untuk memahami keinginan dan keberadaan kita sebenarnya
4. Dan lain-lain

Yang jelas kita harus mulai curhat dengan sesama, khususnya warga Cisewu agar kita bisa mengatasi masalah bersama-sama. Minimal yang kaya tidak melupakan yang “kosong saku”, yang cerdas tidak melupakan yang “sering lupa”. Orang membuat dirinya sukses itu hal biasa, tapi orang yang membuat orang lain sukses itulah yang luar biasa. Lakukan apa yang mampu kita lakukan. Semoga tulisan ini bermanfaat! ***

Hayu urang majengkeun Cisewu saenggalna, minimal “ka jamban ulah darurat, ka sakola ulah tihothat pisan”. Sok sanaos abdi oge teu acan tiasa masihan naon-naon kanggo Cisewu, mung nembe kanyaah nu kuat di jero hate.

Sanaos sesah, cape, ripuh ngemutan nasib masing-masing. Tapi urang tangtos sadar yen Cisewu titipan Allah, jiwa-raga urang oge titipan Allah. Janten teu aya nu mustahil ku kersaning izin manten-Na mah. Mugi Gusti Allah ngabimbing urang sadaya. Amiin!

Salam kasono kahatur Cisewu…..