Bab 2 Pengenalan Kecerdasan Komputasional

Kecerdasan Komputasional atau Computatioan Intelegence merupakan metodelogi atau pendekatan-pendekatan komputasi yang terinspirasi dari kehidupan biologi manusia ataupun lingkungan sekitar, dan digunakan untuk memecahkan permasalahan-permasalahan yang kompleks.

Semua Pendekatana pada kecerdasan komputasional ini berdasarkan pada soft computing yang memiliki kemampuan untuk mengeneralisai sehingga kecerdasan komputasioan toleran terhadap error ataupun noise.

Selain itu Kecerdasan komputasional ini juga melibatkan data-data yang bersifat uncertain infromation. Hal ini berbeda dengan Traditional Artifical Intelegence yang berdasarkan pada hard-computing, yang melibatkan data-data yang bersifat certainty dan pendekatan yang digunakan adalah pendekatan yang mengutamakan presisi.

Beberapa pendekatan yang termasuk pada CI ini antara lain:

1. Sistem Fuzy
2. Komputasi Evolusi (Evolution Computation)
3. Jaringan Syaraf Tiruan (Artificial Neural Networks)
4. Swarm Intelegence

2.1 Paradigma Kecerdasan Komputasioanl

    Fuzzy Systems (FS).  Dalam Fuzzy Systems ini melibatkan bahasa neural, untuk pengambilan keputusan. Terkadan di dalam suatu sistem, tidak semuanya dapat direpresentasikan dengan angak yang pasti, tidak menutup kemungkinan terdapat informasi yang samar atau dikenal juga dengan vague.

Jika terdapat data yang pasti dan hanya bernilai 0 dan 1, atau true dan false, maka pendekatan yang bersifat logic akan lebih tepat untuk  pengambilan keputusan (logic based reasoning).

Akan tetapi terkadang penilaian yang dilakukan manusai mengandung uncertainty information. Misalkan terdapat kalimat berikut: "Diperlukan suhu dingin di dalam ruangan, agar obat-obatan tetap awet". Pada kalimat tersebut terdapat uncertainty atau vague, dingin? seberapa dingin? Berapa derajat, dll. FS digunakan untuk mengambil kesimpulan berdasarkan uncertainty ini.

Pengambilan keputusan dengan menggunakan FS ini melibatkan input yang bersifat tidak pasti, dan data tersebut diolah dengan fuzzy rule, kemudian dari semua aturan yang sudah dibuat ini dapat diambil suatu kesimpulan. Gambar global FS ini dapat dilihat pada gambar 2.1

    Evolution Computation (EC) atau komputasi evolusi dimotivasi oleh ide evolusi dari mahluk hidup. Proses evolusi yang terjadi pada mahluk hidup ini tidak dapat dihindari, agar mereka dapat bertahan di dalam lingkungan yang bersifat dinamis. Mahluk hidup beradaptasi dengan kondisi lingkungan dari satu generasi ke generasi berikutnya. Konsep utama dari evolusi ini adalah survival of the fittest.

Individu yang mampu beradaptasi dengan lingkungan yang akan terus bertahan dan mewariskan sifat tersebut kepada generasi berikutnya, sebaliknya individu yangg lemah dan tidak mampu beradaptasi, tidak akan bertahan di dalam lingkungan yang bersifat dinamis.

Pada Umumnya, EC ini digunakan untuk menyelesaikan Permasalahan Optimasi (Suatu permsalahan yang memiliki banyak solusi), pemilihan fitur untuk suatu sistem pengenalan, penjadwalan, pencarian rute terbaik, dan lain-lain. 

Tugas akhir dari evolusi ini adalah mencari individu terabaik atau solusi yang optimal untuk penyelesaian Permasalahan Optimasi. Tahapan dari Evolutionary Computation ini dapat dilihat pada Gambar 2.2

    Artificial Neural Networks (ANN) Merupakan absraksi dari jaringan syaraf manusia. Tidak perlu diragukan lagi kemampuan yang dimiliki oleh jaringan syaraf manusia. Jaringan syaraf manusia mampu mengelola input yang bersifa pararel, sehingga dapat melakukan pekerjaan seperti pengenalan pola, prediksi, dan lain-lain.

  Jaringan syaraf manusia terdiri dari jutaan bahkan milyaran unit pemrosesan informasi yang di sebut dengan neuron, dan informasi dikirim dari neuron ke neuron lain. ANN memodlekan secara sederhana jaringan syaraf ini, dimulai dari struktur, fungsi dan termasuk kemampuan pembelajaranya. Sehingga diharapkan ANN atau Jaringan Syraf Tiruan ini memiliki kemampuan yang menyerupai kemampuan jaringan syraf manusai. Jaringan syaraf manusai dapat dilihat pada gambar 2.3

Terdapat komponen penting dari syaraf yaitu:

1. Neuron, adalah unit pemrosesan informasi dasar dari jaringan syaraf. Secara umum, sinyal-sinyal input yang masuk ke dalam suatu neuron dijumlahkan terlebih dahulu, jik input tersebut "cukup" maka neuron akan menembak "fire" sinyal hasil pengolahan informasi menuju neuron lain melalui axon. Jika total sinyal input masih belum cukup, maka neuron masih dalam keadaan aktif. Neuron ini dilindungi oleh soma atau badan sel.
2. Dendrite, berperan sebagai penghubung antara semua sinyal input ke suatu neuron.
3. Axon merupakan output dari neuron, axon disebut juga dengan neuron linear threshold device.
4. Synapse, yang menghubungkan antara axon dengan dendrit dari neuron lain.

Fitur penting dari jaringan syaraf manusia adalah kemampuanya untuk beradaptasi dan belajar dari lingkungan. Sehingga dengan kemampuan ini, maka jaringan syaraf mampu melakukan tugas-tugas seperti klasifikasi, penganalan pola, prediksi data, dan lain-lain. Jaringan syaraf tiruan akan meniru baik arsitektur maupun kemampuan belajar dari jaringan syaraf.

    Swarm Intelegence (SI) di inspirasi dari perilaku-perilaku mahluk sosial yang hidup dan saling bekerjasama di dalam koloninya. Kerjasama yang mereka lakukan ternyata mampu menghantarkan mereka kepada tujuan yang ingin dicapai dengan cara yang optimal. Oleh karena itu Swarm Intelegence ini seperti halnya pada komputasi evolusi, digunakan untuk menyelesaikan Permasalahan Optimasi. Contoh mahluk hidup dalam koloni yang digunakan dalama pendekatan komputational adalah burung dan semut.

Perilaku sekawanan butung yang terbang berkelompok menuju daeraeh tertentu ini menghisnpirasi algoritma Particle Swarm Optimization (PSO). Pada awalnya sekawanan burung ini terbang secar acak, akan tetapi lama kelamaan, mereka berkerja sama secara berkelompok untuk mencari daerah yang ingin dituju. Dengan cara, arah terbang yang mereka tempuh untuk mencari tujuan tersebut tidak hanya didasarkan kepada kemampuan terbang masing-masing burung, akan tetapi juga dipengaruhi perilaku terbang burung lain yang membentuk formasi tertentu hingga akan mengantarkan kepada daerah yang dituju.

Sedangakan perilaku sekawanan semut dalam mencari sumber makanan dan membawa makanan ke sarang mereka, menginspirasi algoritma Ant Colony Optimization (ACO). Dalam mencari makanan, setiap semut akan melihat jejak pheromone yang ditinggalkan oleh semut lain. Semakin besar konsentrasi pheromone yang berada di suatu jalur tertentu, mak semakin besar pula kemungkinan semut akan memilih jalur tersebut.

Pada bab-bab selanjutnya akan dijelaskan secara detail masing-masing pendekatan dari Kecerdasan Komputasional, mulai dari konsep, cara perhitungan, dan implementasi pendekatan tersebut untuk memecahkan suatu permasalahan dengan menggunakan bahasa pemograman python.

2.2 Ringkasan

• Kecerdasan Komputasioanl merupakan pendekatan komputasi yang terinspirasi pada kehidupan biologi manusai atau lingkuangn sekitar untuk memcahkan permasalahan. Empat pendekatan yang sering digunakan berdasarkan kecerdasaan komputasioan ini, yaitu System Fuzzy, Komputasi Evolusi, Jaringan Syaraf Tiruanm, dan Swarm Intelegence
• System Fuzzy mengolah informasi-informasi yang bersifat samar (vague information) dan menggunakan bahasa neural untuk pengambilan keputusan.
• Paradigma komputasi evolusi di inspirasi dari prosess evolusi mahluk hidup untuk bertahan hidup, mulai dari pemilihan individu, kawin silang atau crossover, sampai dengan mutasi. Paradigma ini digunakan untuk menyelesaian permasalahan optimasi
• Paradigma Jaringan Syaraf Tiruan merupakan abstraksi dari jaringan syaraf manusia. Pada jaringan syaraf tiruan ini terdapat neuron-neuron pemroses informasi dan akan menghasilkan sinyal output. Permasalahan klasifikasi, pengenalan pola, identifikasi dan lain-lain dapat diselesaikan dengan menggunakan paradigma ini.
• Swarm Intelegence meniru perilaku mahluk hidup sosial yang hidup dan saling bekerja sama di dalam koloninya, misalkan burung untuk berpindah dari satu lokasi ke lokasi lainya, ataupun semut untuk mencari sumber makanan. Paradigma ini digunakan untuk menyelesaikan permasalahan optimasi.