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…

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s