Falsafah Fuzzy Logic

Sejarah dan definisi Logika Fuzzy

Logika Fuzzy merupakan salah satu sistem cerdas, dimana ciri dari sistem cerdas adalah sebagai berikut:

1. Kemampuan belajar dan penalaran tampak nyata

2. Kemampuan mengolah data/fakta yang tidak jelas/kabur (fuzzy) dengan mudah

3. Kemudahan pengembangannya.

Logika Fuzzy merupakan pengembangan dari teori himpunan fuzzy yang diprakarsai oleh Prof. Lofti A. Zadeh dari University California USA, pada tahun 1965. Menurut Lofti A. Zadeh . Logika Fuzzy adalah ‘Suatu sistem yang digunakan untuk menangani konsep kebenaran parsial yaitu kebenaran yang berada diantara sepenuhnya benar dan sepenuhnya salah’ (Yan, Jun. 1994;14).

Logika Fuzzy berbeda dengan logika digital biasa, dimana logika digital biasanya hanya mengenal dua keadaan yaitu 'Ya'-'Tidak' atau `ON'-'OFF' atau High'-`Low' atau `1'-`0'. Misalnya pada rice cooker, produk tersebut hanya berbekal sistem kendali 'ON'­'OFF, ia akan berada pada posisi `ON' bila keadaan tertentu terpenuhi, dan akan `OFF' bila keadaan lain terpenuhi. Sedangkan ciri-ciri kecerdasan seperti kemampuan belajar (learning) dan penalaran (reasoning) tidak dipunyai oleh rice cooker.

Alasan Digunakannya Logika Fuzzy :

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:

1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.

2. Logika fuzzy sangat fleksibel.

3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

7. Logika fuzzy didasarkan pada bahasa alami

Aplikasi

Beberapa aplikasi logika fuzzy, antara lain:

1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).

2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.

3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.

4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll.

5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.

6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.

7. Klasifikasi dan pencocokan pola.

8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.

9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.

10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi,dll.

12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.

13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.

Penerapan Logika Fuzzy

Contoh aplikasi logika fuzzy antara lain:

· Penerapan logika fuzzy dalam pengaturan kipas angin atau AC. Dimana dalam masalah ini digunakan thermometer untuk menentukan suhu ruangan, dan variabel fuzzy yang dimodelkan adalah suhu ruangan dan putaran mesin. Dengan himpunan fuzzy untuk variabel suhu ruangan adalah dingin, sedang, dan panas. Sedang untuk variable putaran mesin, himpunan fuzzy yang dipakai adalah lambat, sedang dan cepat.

· Penerapan logika fuzzy dalam otomatisasi persneling pada mobil otomatis. Pada masalah ini variable fuzzy yang dimodelkan adalah putaran mesin dan posisi gear kendaraan. Dengan himpunan fuzzy untuk variabel putaran mesin adalah rendah, sedang, dan tinggi. Dan untuk variabel posisi gear adalah kecil, sedang, dan besar.

· Penerapan logika fuzzy dalam penentuan diafragma pada kamera foto manual. Variabel yang digunakan adalah intensitas cahaya dan ukuran diafragma. Dengan himpunan fuzzy untuk variabel intensitas cahaya adalah gelap, sedang, dan terang. Dan untuk variabel ukuran diafragma adalah buka penuh, buka setengah, dan buka sedikit. Dan masih banyak lagi aplikasi lainnya.

Falsafah Jaringan Syaraf Tiruan

Sejarah jaringan saraf buatan

Di awal abad 20, seorang penemu Spanyol, Torres y Quevedo, membuat sebuah mesin yang dapat men’skak-mat’ raja lawannya dengan sebuah ratu dan raja. Perkembangan secara sistematis kemudian dimulai segera setelah iketemukannya komputer digital. Artikel ilmiah pertama tentang Kecerdasan Buatan ditulis oleh Alan Turing pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie Mellon University oleh Allen Newell and Herbert Simon. Namun bidang Kecerdasan Buatan baru dianggap sebagai bidang tersendiri di konferensi Dartmouth tahun 1956, di mana 10 peneliti muda memimpikan mempergunakan komputer untuk memodelkan bagaimana cara berfikir manusia. Hipotesis mereka adalah: “Mekanisme berfikir manusia dapat secara tepat dimodelkan dan disimulasikan pada komputer digital”, dan ini yang menjadi landasan dasar Kecerdasan Buatan.

a. Tahun 1940-an, para ilmuwan menemukan bahwa psikologi otak sama dengan mode pemrosesan yang dilakukan oleh komputer

b. Tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron

c. Tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random

d. Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola

e. Tahun 1960, Widrow dan Hof mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square (LMS)

f. Tahun 1974, Werbos memperkenalkan algoritma backpropagation

g. Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik\

Jaringan saraf Tiruan masa kini.

Saat ini sulit memperkirakan sejauh mana jaringan saraf, teori fuzzy, dan pendekatan-pendekatan logika lainnya akan mengubah kehidupan kita di masa mendatang¾ seperti halnya kehadiran komputer dan dampaknya bagi kita tidak dapat diperkirakan pada saat kemunculan komputer elektronik pertama, ENIAC di tahun 1946. Sehingga belum terlihat apakah kita akan memiliki pengemudi yang dikendalikan oleh jaringan saraf ataupun fuzzy sehingga kita tidak perlu mengemudikan mobil kita lagi. Tahapan hingga mencapai transformasi tersebut hingga kini belumlah terlihat jelas, akan tetapi tanda-tanda ke arah tersebut telah terlihat.

Robert Hecht-Nielsen, seorang kontributor dalam bidang jaringan saraf, melihat bahwa aplikasi-aplikasi jaringan saraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola, dan fungsi kendali.

Dalam analisis data, bidang aplikasi potensial mencakup pemrosesan aplikasi pinjaman, analisis perdagangan komoditas, peramalan runtut waktu, prediksi panen, meteorologi, analisis pasar, pola aktivitas konsumen, penegakan hukum yang melibatkan pencarian catatan kriminal.

Keseluruhan aplikasi ini, pada tahapan yang lebih kompleks, meliputi pemrosesan data base berukuran besar yang belum terlihat hubungan antar tiap elemennya. Beberapa di antaranya, meski dapat diselesaikan oleh teknik komputer klasik, dapat pula diselesaikan oleh jaringan saraf. Sedangkan aplikasi yang lain seperti misalnya peramalan cuaca jangka panjang, yang melibatkan faktor-faktor chaotic mungkin berada di luar lingkup jaringan saraf.

Dalam pengenalan pola, optical character recognition disebut sebagai aplikasi saraf¾ utamanya bila melibatkan cek yang ditulis tangan dan alamat surat yang ditulis tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring berdasar jaringan saraf menjadi alat yang disukai.

Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi fungsi-fungsi seperti operasi peralatan mesin. Sebagai contoh, suatu alat yang cukup kaku memegang blok metal menjadi rentan untuk rusak dalam operasi kecepatan tinggi. Sensor yang mendeteksi getaran dan tekanan dapat memberikan petunjuk real-time mengenai kelemahan-kelemahan operasi¾ dengan sebuah jaringan saraf dilatih untuk mengenali kelemahan-kelemahan multi dimensional.

Selanjutnya kami akan mengetengahkan beberapa aplikasi yang telah ada dalam kehidupan kita yang menggunakan jaringan saraf.

Aplikasi-aplikasi yang telah ada

Sebagian besar aplikasi yang ada saat ini merupakan prototipe-prototipe ataupun proyek-proyek riset. Meskipun untuk saat ini produk jaringan saraf ini belum begitu banyak kita jumpai, namun kami berkeyakinan bahwa di masa mendatang kita akan menjumpai lebih banyak lagi aplikasi jaringan saraf, oleh karena banyaknya para jenius yang berkecimpung di bidang ini.

Aplikasi-aplikasi jaringan saraf yang ada saat ini umumnya dapat dijalankan pada PC tanpa bantuan hardware khusus, namun demikian terdapat pula yang memerlukan suatu hardware jaringan saraf khusus.

Aplikasi-aplikasi berikut ini berkaitan dengan kehidupan kita sehari-hari dan jaringan saraf telah memegang peranan yang cukup penting di dalamnya.

Adaptive Noise Canceling

Aplikasi ini telah mendapatkan penghargaan Institute of Electrical and Electronic Engineers' Alexander Graham Bell. Sumbangan aplikasi ini adalah membersihkan gangguan pada saluran telpon (dikenal sebagai echo) dan mengurangi kesalahan transmisi modem. Setiap kita melakukan sambungan telpon jarak jauh, suara kita akan diproses melalui suatu penyaring adaptif. Proses penyaringan adaptif ini dikembangkan oleh Bernard Widrow pada tahun 1950-an. Aplikasi ini merupakan aplikasi yang sukses untuk jangka waktu terpanjang.

Mortgage Risk Evaluator

Perusahaan Nestor telah berhasil mengembangkan produk yang digunakan dalam aplikasi hipotek (Mortgage Risk Evaluator). Produk ini membantu biro kredit mengidentifikasikan seseorang yang mampu membayar hipotek. Sistem telah dilatih dalam beberapa ribu aplikasi nyata, sekitar setengahnya diterima dan setengah yang lain ditolak oleh pemeriksa. Belajar dari kesuksesan dan kegagalan pengalaman ini, sistem kemudian mencari pola di dalam data untuk menentukan hal-hal apa saja yang menunjukkan suatu risiko tinggi. Selain itu, sistem dapat pula dikonfigurasi agar pendugaannya bersifat konservatif atau pun optimistik.

Terdapat tiga tingkatan permasalahan yaitu pemeriksaan asal hipotek, pemeriksaan jaminan hipotek, dan pendugaan risiko. Semakin tinggi tingkatan, maka semakin besar risiko dan semakin sulit tugasnya.

Dua tujuan utama pembuatan produk ini adalah pertama untuk mengotomatisasi proses pemeriksaan, sehingga dapat mengurangi biaya proses; kedua, untuk memperbaiki praktik yang ada saat ini. Dalam suatu uji perbandingan dengan pemeriksa manusia (human underwriters) diketahui bahwa jaringan saraf lebih konsisten dalam mengklasifikasikan berkas, dan menghasilkan kualitas berkas tersertifikasi yang lebih baik serta mampu mengurangi secara nyata kesalahan-kesalahan kerja.

AVCO Financial Services, di Irvine, California, menggunakan sistem jaringan saraf untuk menganalisis risiko kredit. Sistem ini diujikan pada lebih dari 100.000 kasus kredit. Dalam artikelnya New York Times melaporkan bahwa dalam satu uji terlihat indikasi akan adanya kenaikan laba sebesar 27% jika digunakan sistem jaringan saraf dibanding bila menggunakan sistem evaluasi dengan menggunakan komputer yang sebelumnya dipakai AVCO.

Bomb Sniffer

Pada bulan Agustus 1989, Federal Aviation Administration memasang suatu sistem detektor bom baru di New York's JFK International Airport. Metode-metode tradisional untuk menentukan risiko semacam ini memiliki keterbatasan yaitu operator dapat menjadi lelah, bosan dan kehilangan konsentrasi. Science Applications International Corporation (SAIC) mengembangkan suatu jaringan saraf yang disebut Thermal Neutron Analysis (TNA) atau lebih umum dikenal sebagai SNOOPE.

Sistem ini bekerja secara otomatis dan tidak dapat menjadi lelah dan bosan. SNOOPE ini telah diuji pada sejumlah bahan peledak untuk mengidentifikasi pola emisi sinar gamma yang dimiliki oleh bahan-bahan tersebut.

Sistem ini mampu memeriksa sekitar sepuluh buah kopor per menitnya. Jika SNOOPE ragu atas suatu kopor, ia dapat memberikannya kepada inspektur. Lalu data kopor yang dicurigai disimpan untuk digunakan di masa mendatang.

SNOOPE dinyatakan lebih aman bagi manusia dibanding sinar X, dan aman pula untuk film, media elektronik, makanan dan obat-obatan. Neutron energi rendah yang dipancarkan bukan suatu radioaktif. Namun demikian, untuk menggunakan sistem ini diperlukan biaya yang cukup tinggi yaitu sekitar $ 1,1 juta.

GTE Process Monitor

GTE Laboratories telah menggunakan jaringan saraf dalam pabrik bola lampunya. Tujuan proyek ini adalah untuk mengidentifikasi parameter-parameter yang paling berpengaruh terhadap proses produksi. Sistem ini memantau lini produksi, menjejaki hal-hal seperti misalnya variasi panas, tekanan, dan bahan kimia yang digunakan untuk membuat bola lampu. Masukan-masukan dari pengukuran sensor ini lalu dibandingkan dengan kinerja pabrik. Informasi ini akan digunakan untuk membantu menentukan kondisi pabrik yang optimum, mengindikasikan kendali apa yang perlu disesuaikan, dan bahkan menghentikan lini produksi jika terjadi kesalahan.

Word Recognizer

Intel mengembangkan aplikasi kecil yang menyelidiki keekspresifan pembicaraan manusia. Dengan membatasi sistem hanya untuk pembicara tunggal pada satu waktu dan dengan membatasi kosa kata (sekitar 100 kata atau frase), sistem ini mampu mengenali suara manusia dengan ketepatan 99%. Sistem pemasukan data yang dikendalikan suara ini telah banyak digunakan dalam berbagai aplikasi manufaktur sejak tahun 1983.

Blower Motor Checker

Siemens, sebuah perusahaan pembuat peralatan elektronik Jerman, menggunakan jaringan saraf untuk mendeteksi tingkat kebisingan blower motor yang dibuat untuk mobil Ford. Sebelumnya mereka telah mencoba cara-cara tradisional, seperti menugaskan sejumlah karyawan untuk mendengarkan seluruh motor, namun tidak begitu berhasil. Tetapi setelah menggunakan jaringan saraf, mereka berhasil dengan tingkat akurasi lebih dari 90%.

Prototype dan Research Activity

Para ahli kesehatan di Universitas Brown telah menggunakan sebuah jaringan simulasi pengetahuan medis untuk merelasikan informasi kasus, tanda-tanda, dan penyembuhan. Para periset di Los Alamos National Laboratory menggunakan jaringan saraf untuk memprakirakan apakah urutan DNA tertentu mewakili kode genetik bagi pembuat protein. Petugas US Postal Service sedang menyelidiki kemungkinan penggunaan jaringan saraf untuk membaca alamat yang ditulis secara manual. Badan-badan penegak hukum menggunakan jaringan saraf untuk berusaha menentukan apakah profil psikologi seseorang (yang melakukan kejahatan) berubah. Aplikasi riset yang lain mencakup text-to-speech, pengenalan target, dan pencarian pola.

Airline Marketing Tactician (AMT)

Sistem ini merupakan prototipe pembuktian konsep yang dikembangkan oleh BehavHeuristic, Inc., Silver Spring, Maryland. Ia menasehati pengguna atas manajemen kursi pesawat. Sistem ini terdiri dari dua jaringan saraf berbeda, himpunan aturan (rule set) dan antar muka grafis (graphics interface).

Falsafah Artificial Intelligence

Istilah kecerdasan buatan sebenarnya berasal dari bahasa Inggris: “Artificial Intelligence”. Jika diartikan tiap kata, artificial artinya buatan, sedangkan intelligence adalah kata sifat yang berarti cerdas. Jadi artificial intelligence maksudnya adalah sesuatu buatan atau suatu tiruan yang cerdas. Cerdas di sini kemungkinan maksudnya adalah kepandaian atau ketajaman dalam berpikir, seperti halnya otak manusia dalam menyelesaikan suatu masalah.
AI jika dilihat dari berbagai sudut pandang :
1. Sudut pandang Kecerdasan : mesin menjadi ‘cerdas’ (mampu berbuat apa yang dilakukan oleh manusia)
2. Sudut pandang Penelitian : studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dilakukan oleh manusia.
Domain penelitian :
a. Mundande task
# Persepsi (vision & speech)
# Bahasa alami (understanding, generation & translation)
#Pemikiran yang bersifat commonsense
#Robot control
b. Formal task
# Permainan/games
# Matematika (geometri, logika, kalkulus, integral, pembuktian)
c. Expert task
# Analisis finansial
# Analisis medikal
# Analisis ilmu pengetahuan
# Rekayasa (desain, pencarian, kegagalan, perencanaan, manufaktur)
3. Sudut pandang Bisnis : kumpulan peralatan yang sangat powerful dan metodologis dalam menyelesaikan masalah-masalah bisnis
4. Sudut pandang Pemrograman : studi tentang pemrograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
Aplikasi AI memiliki 2 bagian utama, yaitu :
- Basis Pengetahuan (Knowledge Base) : berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.
- Motor Inferensi (Inference Engine) : kemampuan menarik kesimpulan berdasarkan pengalaman.
Intelegensia buatan merupakan inovasi baru di bidang ilmu pengetahuan. Mulai ada sejak muncul komputer modern, yakni pada 1940 dan 1950. Dalam literatur, orang pertama yang dianggap sebagai pionir dalam mengembangkan mesin cerdas (intelligence machine) adalah Alan Turing, seorang matematikawan asal Inggris yang memulai karir saintifiknya di awal tahun 1930-an. Di tahun 1937 ia menulis paper tentang konsep mesin universal (universal machine). Kemudian, selama perang dunia ke-2 ia dikenal sebagai pemain kunci dalam penciptaan Enigma, sebuah mesin encoding milik militer Jerman. Setelah perang, Turing membuat automatic computing engine. Ia dikenal juga sebagai pencipta pertama program komputer untuk bermain catur, yang kemudian program ini dikembangkan dan dimainkan di komputer milik Manchester University. Karya-karyanya ini, yang kemudian dikenal sebagai Turing Machine, dewasa ini masih dapat ditemukan aplikasi-aplikasinya. Beliau melakukan percobaan Turing (Turing Test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. Di ujung yang satu ada terminal dengan software AI dan diujung lain ada sebuah terminal dengan seorang operator. Operator itu tidak mengetahui kalau di ujung terminal lain dipasang software AI. Mereka berkomunikasi dimana terminal di ujung memberikan respon terhadap serangkaian pertanyaan yang diajukan oleh operator. Dan sang operator itu mengira bahwa ia sedang berkomunikasi dengan operator lainnya yang berada pada terminal lain. Turing beranggapan bahwa jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia). Beberapa tulisannya yang berkaitan dengan prediksi perkembangan komputer di masa datang akhirnya juga ada yang terbukti. Misalnya tentang ramalannya bahwa di tahun 2000-an komputer akan mampu melakukan percakapan dengan manusia. Meski tidak ditemukan dalam paper-papernya tentang istilah resmi artificial intelligence, namun para peneliti di bidang ini sepakat untuk menobatkan Turing sebagai orang pertama yang mengembangkan kecerdasan buatan .
Secara ilmu pengetahuan, istilah kecerdasan buatan untuk selanjutnya disebut sebagai AI (artificial intelligence), pertama kali diperkenalkan oleh Warren McCulloch, seorang filsuf dan ahli perobatan dari Columbia University, dan Walter Pitts, seorang matematikawan muda pada tahun 1943, (Negnevitsky, 2004). Mereka mengajukan suatu teori tentang jaringan saraf tiruan (artificial neural network) untuk selanjutnya disebut sebagai ANN, bahwa setiap neuron dapat dipostulasikan dalam dua keadaan biner, yaitu ON dan OFF. Mereka mencoba menstimulasi model neuron ini secara teori dan eksperimen di laboratorium. Dari percobaan, telah didemonstrasikan bahwa model jaringan saraf yang mereka ajukan mempunyai kemiripan dengan mesin Turing, dan setiap fungsi perhitungan dapat diselesaikan melalui jaringan neuron yang mereka modelkan.
Pentingnya kecerdasan buatan menjadi nyata bagi negara-negara yang berperan sejak tahun 1970. Para pemimpin negara yang mengakui potensialnya kecerdasan buatan mengharap mendapat persetujuan jangka panjang untuk sumber-sumber yang memerlukan dana intensif. Awalnya, kecerdasan buatan hanya ada di universitas-universitas dan laboratorium penelitian, dan hanya sedikit produk yang dihasilkan dan dikembangkan. Menjelang akhir 1970-an dan 1980-an, mulai dikembangkan secara penuh dan hasilnya berangsur-angsur dipublikasikan di khalayak umum.