Soft Computing Membangun Mesin Ber-IQ Tinggi : Toko Buku Komputer BI-OBSES
Soft Computing Membangun Mesin Ber-IQ Tinggi
Penerbit : INFORMATIKA
Penulis : Suyanto, ST., Msc.
Tahun Terbit : 2008
Tebal Buku : 258 Halaman
Kategori : Buku Teks Komputer / Artificial Intelligence
Berat Buku : 0.42 Kg
Harga : Rp 40.000  Rp. 32,000

Rating: 2.1/5 (96 Voters)

Soft Computing (SC) merupakan sekumpulan metodologi yang berkembang secara terus-menerus yang tujuan utamanya adalah untuk menghasilkan mesin ber-IQ tinggi. Teknik-teknik dasar yang termasuk ke dalam SC adalah Fuzzy Logic, Neuro Computing atau Artificial Neural Networks, Evolutionary Computation, Probabilistic Computing, Chaos Computing, Rough Sets, Multivalued Logic, Immune Network Theory, dan teknik-teknik lain yang serupa. Satu hal yang sangat penting dalam SC adalah antara satu bidang ilmu dengan bidang ilmu lainnya saling melengkapi dan berkontribusi untuk menyelesaikan suatu permasalahan. Misalnya, fuzzy systems, yang bisa memberikan penjelasan proses reasoning tetapi tidak dapat learning, bisa digabungkan dengan Neural Network yang bisa learning tetapi tidak bisa memberikan penjelasan proses reasoning­-nya. Penggabungan kedua metode bisa mengambil kelebihan dari kedua metode dan menghilangkan kelemahannya sehingga dihasilkan suatu sistem yang bisa learning sekaligus bisa memberikan penjelasan proses reasoning­-nya. Gabungan dua atau lebih metode dasar SC akan menghasilkan suatu sistem yang lebih baik dan kuat yang disebut hybrid system.

Buku ini memfokuskan pembahasan pada tiga teknik dasar SC: Fuzzy Systems, Artificial Neural Networks (ANN) dan Evolutionary Algorithms (EAs). Pembahasan dilakukan secara detail mulai dari motivasi, model matematis, dan permasalahan yang ada pada setiap teknik dasar tersebut. Selanjutnya, pembahasan lebih menarik terlihat ketika membangun sistem yang menggabungkan teknik-teknik dasar tersebut menjadi hybrid system, yaitu Neuro-fuzzy, Evolving ANN, Evolving Fuzzy Systems dan Fuzzy EAs. Untuk memahami SC secara lebih mendalam dan sebagai latihan, di sini dibahas studi kasus mengenai prediksi dan klasifikasi.

Daftar Isi

1 Pendahuluan
1.1..... Apa Itu Soft Computing?
1.2..... Teknik Dasar SC
1.3..... Kombinasi Teknik Dasar SC
1.4..... Aplikasi SC

2...... Fuzzy Systems
2.1..... Pendahuluan
2.2.... Classical Sets
2.3.... Keterbatasan Classical Sets
2.4.... Fuzzy Sets....
2.5.... Fuzzy Logic dan Approximate Reasoning

2.5.1.. Logical Connectives dan Implication
2.5.2. Approximate Reasoning.....
2.6.... Sistem Berbasis Aturan Fuzzy......
2.6.1.. Variabel Linguistik.....
2.6.2. Fuzzification.....
2.6.3. Inference...
2.6.4. Defuzzification..
2.7.... Studi Kasus..
2.7.1.. Model Mamdani..
2.7.1.1.. Fuzzification...
2.7.1.2.. Inference.
2.7.1.3.. Defuzzyfication......
2.7.2.... Model Sugeno...
2.7.2.1.. Fuzzification...
2.7.2.2. Inference.
2.7.2.3. Defuzzyfication......
2.7.3. Sistem Berbasis Crisp Sets dan First-Order Logic
2.8.... Kelebihan dan Kekurangan Fuzzy Systems

3...... Artificial Neural Networks
3.1..... Pendahuluan......
3.1.1.. Definisi ANN....
3.1.2.. Model Matematis Suatu Neuron
3.1.2.1.. Threshold Logic Unit (TLU)
3.1.2.2.. Model Non-Linier..
3.1.3.. Fungsi Aktivasi.
3.1.4.. Arsitektur ANN.
3.1.5.. Proses Belajar (Learning)...
3.1.6.. Klasifikasi ANN.
3.2.... Perceptron...
3.2.1.. Graph Aliran Sinyal.....
3.2.2. Algoritma Adaptasi Perceptron
3.3.... Ann dengan Supervised Learning
3.3.1.. Arsitektur MLP.
3.3.2. Algoritma Belajar untuk MLP
3.4.... Ann dengan Unsupervised Learning
3.4.1.. Kohonen Network
3.4.1.1.. Arsitektur Kohonen
3.4.1.2.. Algoritma Belajar untuk Jaringan Kohonen 
3.4.2. Adaptive Resonance Theory (ART)
3.4.2.1.. Arsitektur ART-2....
3.4.2.2. Algoritma Belajar untuk ART-2
3.5.... Permasalahan pada Ann

3.5.1.. Bagaimana Struktur ANN yang Optimal?
3.5.1.1.. Jumlah Hidden Layer
3.5.1.2.. Jumlah Neuron pada Hidden Layer
3.5.1.3.. Jumlah Neuron pada Output Layer
3.5.1.4.. Fungsi Aktivasi yang Optimal
3.5.2. Learning Rate...
3.5.3. Kapan Menghentikan Learning

4...... Evolutionary Algorithms...
4.1..... Pendahuluan......
4.2.... Genetic Algorithm
4.2.1.. Proses Evolusi pada SGA....
4.2.2. Representasi Individu.
4.2.3. Seleksi Orang tua.
4.2.4. Rekombinasi....
4.2.5. Mutasi
4.2.6. Seleksi survivor
4.3.... Evolution Strategies...
4.3.1.. Representasi Individu....
4.3.2. Seleksi Orang tua.
4.3.3. Rekombinasi....
4.3.4. Mutasi
4.3.5. Self-adaptation.
4.3.6. Proses Evolusi..
4.4.... Evolutionary Programming..
4.4.1.. Representasi Individu.
4.4.2. Seleksi Orang tua.
4.4.3. Rekombinasi....
4.4.4. Mutasi
4.4.5. Seleksi Survivor
4.5.... Genetic Programming.
4.5.1.. Proses Evolusi..
4.5.2. Representasi Individu.
4.5.3. Seleksi Orang tua.
4.5.4. Rekombinasi....
4.5.5. Mutasi
4.5.6. Seleksi Survivor
4.5.7. Inisialisasi.
4.6.... Differential Evolution.
4.6.1.. Skema DE1
4.6.2. Skema DE2
4.7.... Grammatical Evolution..
4.7.1.. Backus Naur Form (BNF)...
4.7.2. Representasi Individu.
4.7.3. Operator Evolusi..
4.8.... Permasalahan pada Eas

5...... Neuro-Fuzzy
5.1..... Perbandingan Ann dan Fuzzy Systems
5.2.... Interaksi Ann dan Fuzzy Systems
5.3.... Fuzzy Neural Network...
5.3.1.. NEFPROX.
5.3.1.1.. Arsitektur NEFPROX
5.3.1.2.. Learning pada NEFPROX
5.3.2. ANFIS
5.3.2.1.. Arsitektur ANFIS...
5.3.2.2. Learning pada ANFIS

6...... Evolving ANN.
6.1..... Perbandingan Eas dan Ann..
6.2.... Eas untuk Melatih Ann..
6.2.1.. Representasi Kromosom....
6.2.2. Fungsi Fitness..
6.3.... Eas untuk Optimasi Struktur Ann
6.3.1.. Representasi Langsung......
6.3.2. Representasi Tak Langsung

7...... Evolving Fuzzy Systems.....
7.1..... Perbandingan Eas dan Fuzzy Systems
7.2.... Optimasi Fungsi Keanggotaan (Fk)
7.2.1.. Optimasi Batas-batas FK...
7.2.2. Optimasi Jumlah, Bentuk dan Batas-batas FK
7.3.... Optimasi Aturan Fuzzy..

8...... Fuzzy EAs....
8.1.... Permasalahan pada Eas
8.2.... Fuzzy untuk Eas..
8.3.... Adaptive Eas
8.4.... Eas dengan Komponen-Komponen Fuzzy
8.4.1. Fuzzy Fitness....
8.4.2. Rekombinasi Berbasis Fuzzy Connectives
8.4.3. Soft Genetic Operators.
8.4.3.1. Soft Modal Recombination
8.4.3.2. Soft Modal Mutation
8.4.4. Rekombinasi Menggunakan Templates 

9...... Studi Kasus..
9.1..... Peramalan Tingkat Partisipasi Angkatan Kerja
9.1.1.. Penyiapan Data...
9.1.2.. Parameter ANFIS.
9.1.3.. Hasil Penelitian...
9.2.... Prediksi Beban Listrik Jangka Pendek
9.2.1.. Penyiapan Data
9.2.2. Parameter NEFPROX..
9.2.3. Structure Learning......
9.2.4. Parameter Learning....
9.2.5. Akurasi NEFPROX......
9.3.... Klasifikasi Data dengan Imbalance Class
9.3.1.. Teknik Sampling.. 224
9.3.2. Evolving ANN berbasis EP
9.3.3. Penyiapan Data dan Parameter Awal

10.... Penutup

Komentar Pembaca
Tuliskan Komentar anda disini
Nama*
Email* (email tidak ditampilkan)
Komentar*