Bidang kepakaran yang dianugerahkan Allah swt kepada saya selama ini adalah model komputasi yang diinspirasi oleh fenomena biologi (Biologically Inspired Computing) merupakan salah satu cabang ilmu yang aplikasinya secara meluas sudah banyak dinikmati hasilnya dalam mendukung percepatan penyelesaian masalah pada beberapa bidang ilmu lainnya yang punya karakteristik mengenali pola data, pengklasifikasian, pengklusteran, ekstrapolasVintrapolasi, dan optimasi terutama optimasi tidak berkendala (unconstraint optimization). Bidang ini saya kenaI ketika saya mengenyam pendidikan S3 di Technische UniversWit Wien (TU-Wien) Austria 15 tahun yang lalu, telah membuka pikiran saya untuk menggali lebih dalam akan fenomena alam yang bisa dibuat sebagai model komputasi secara lebih komprehensif dan mendasar, dan akhimya membawa saya pada pemikiran peran seorang matematikawan yang saat ini sudah tidak bisa lagi dipisahkan dengan peran komputer dalam mempercepat melakukan komputasi dan simulasi untuk pembuktian secara empiris teori yang ada.
Biologically inspired computing Hadirin yang saya muliakan Judul yang saya pilih ini sejalan dengan perkembangan bidang kajian ini dan posisi say a sebagai ilmuan MIP A. Biologically inspired computing adalah suatu bidang yang menggabungkan bersama-sama beberapa sub-bidang yang berhubungan dengan topik keterkaitan connectionism, social behaviour) and emergence. Seringkali berhubungan dekat dengan bidang kecerdasan buatan, sebagaimana banyaknya bidang yang terlingkup dapat dikaitkan ke machine learning. Bidang ini berada lebih condong ke biologi, matematika dan ilmu komputer. Jelasnya, bidang ini menggunakan komputer untuk mensimulasikan fenomena alam yang secara logika telah dissusun menjadi suatu algoritma dan secara simultan kajian fenomena alam untuk meningkatkan penggunaan komputer. Biologically inspired computing adalah subset utama dari natural computation. Hadirin yang saya muliakan, marilah kita mentelaah sejenak bidang-bidang yang terlingkup dalam biologically inspired computing dan patner biologi inspiratomya
• • • •
• Page 12
neural networks +-+- otak atau syaraf manusia genetic algorithms +-+- teori evolusi Darwin emergent systems (ant colony system) +-+- koloni semut dalam mencari makan Particle swarm optimization +-+- pergerakan koloni burung terbang/koloni ikan berenang artificial life +-+- kehidupan Page 13
• artificial immune systems ~ sistem kekebalan • rendering (computer graphics) ~ patterning and rendering of animal skins, bird feathers, mollusk shells and bacterial colonies lindenmayer systems ~ plant structures communication networks and protocols ~ epidemiology and the spread of disease biodegradability prediction ~ waktu hidup makhluk cellular automata ~ kehidup membrane computers ~ intra-membrane molecular processes in the living cell excitable media ~ forest fires, the Mexican wave, heart conditions, etc
• • • • • •
Dengan keterbatasan waktu, maka tidak semua bisa kita telaah di sini.
Yang pertama adalah artificial neural netWorks Garingan syaraf tiruan). Awal penafsiran tentang neural networks dapat ditemukan dalam reportasi Herbert Spencer's Principles of Psychology, 3rd ed (1872), Theodor Meynert's Psychiatry (1884), William James' Principles of Psychology (1890), dan Sigmund Freud's Project for a Scientific Psychology (disusun 1895). Aturan pertama dari neuronal learning dideskripsikan oleh Hebb dalam 1949, Hebbian learning. Jadi, Hebbian mempasangkan aktifitas pre-synaptic dan post-synaptic dapatsecara substantive mengubah karakteristik dinamis dari koneksi synaptic dan selanjutnya memfasilitasi ataupun menghalangi transmisi sinyal. Ilmuan Warren Sturgis McCulloch dan Walter Pitts mempublikasikan kerja pertamanya pada pemrosesan dari neural networks yang mereka namakan "What the frog's eye tells to the frog's brain." Page
14
Mereka menunjukkan secara teoritis bahwa jaringan dari neuron-neuron tiruan mampu mengimplementasikan fungsifungsi logika, aritmatika dan simbolik. Model-model penyederhanaan dibuat, yang saat ini dikenal seba~a~ perceptron atau artificial neurons. Model sederhana ~1l1 menjelaskan proses penjumlahan dalam neuron, yaltu potensial pada post-synaptic membrane akan dijumlahkan dalam cell body. Selanjutnya model juga menyediakan transmisi synapsic excitatory dan inhibitory. Setelah masa itu perkembangan penelitian artificial neural networks mengalamani masa yang stagnan. Pada tahun 1974 warga Jerman, Paul Werbos dalam thesis PhD di Universitas Harvard melakukan kajian applied mathematics for an interdisciplinary meletakkan dasar-dasar algorit~a backpropagation. Penemuannya memperkaya tools matematls lintas disiplin; mendeskripsikan rancangan baru untuk forecasting dan sistem control yang mengeksploitasi kemampuan algoritma backpropagation; Hadirin yang saya muliakan. Selajutnya bermunculan algoritma yang lain, seperti Kohonen SOM yang punya kemampuan untuk melakukan clustering data, LVQ yang punya kemampuan mengelompokkan data berdas~r~an kelasnya. Associative Memories, Hetero ASSOCiative Memrories, dan Bidirectional Associative Memories mampu mengenali ulang pol a data yang disimpan dalam bobotnya. Fungsi Basis Radial, dan lainnya semakin memperkokoh kehadiran cabang ilmu baru ini yang mana pemanfaatnnya digunakan oleh multidisiplin keilmuan.
Page
15
+Wl,2X2 + ... + Wl,nXn + b; 'y = J{z)
~ =Wl,lXl
Sinyal input pada neuron di atas, dapat direpresentasikan sebagai vektor kolom berelemen-n,
"- - -body
; =
synap;;
X2
•• ,'Xn ) T
dengan kata lain, ruang inputnya berdimensi n. Sedangkan untuk bobotnya dapat dipandang sebagai vektor baris berelemen n
e/. ( synapse
[Xl
~
-
'W
Gambar 1. Biological Neuron
=
[WI
lil2
".
tlJn]
atau dalam bentuk matriks dapat ditulis:
Hl =
•
F
,
[Wll
W12
•••
W1n]
Sehingga jumlahannya dapat ditulis 1 I)
z = b+
L:
WHXi
= WX + b= [b Wll • •• WIn]
Xl
i=l
Xn
Gambar 2. Artificial Neuron
Sedangkan untuk output jaringannya adalah y = fez) = f(Wx + b) Penggunaan matriks atau vektor tergantung modellarsitektur jaringan yang digunakan.
kepada
Pada umumnya neuron selalu memiliki input lebih dari satu. Misalkan suatu neuron memiliki n-input seperti pada Gambar 2. Setiap input akan dikenakan bobot. Apabila neuron memiliki bias b, maka secara matematis model z atau jumlahan dari Gambar 2 dapat dituliskan sebagai berikut: Page
16
Page
17
Pemakaian model-model artificial neural network membuktikan bahwa artifial neural networks bisa digunakan untuk menginferensi fungsi dari data pengamatan. Hal ini khusus sangat berguna dalam aplikasi dim ana kompleksitas data atau tugas tidak praktis lagi menggunakan hitungan manual. Pekerjaan dimana artificial neural networks diterapkan lebih mengarah ke kategori-kategori berikut:
Yang Kedua adalah Algoritma Genetika (A G). Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma komputasi yang diinspirasi teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan "yang kuat adalah yang survive". Darwin juga menyatakan bahwa kelangsungan hidup suatu makhluk dapat dipertahankan melalui proses reproduksi, crossover, dan mutasi. Konsep dalam teori evolusi Darwin tersebut kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih "alamiah".
• Function approximation, atau meliputi time series prediction, fitness approximation dan pemodelan. Classification, meliputi dan sequence recognition, novelty detection dan pengambilan keputusan sequential. • Data processing, meliputi filtering, clustering, blind source separation dan compression. • Robotics, meliputi mengendalikan robot manipulators, Computer numerical control. Area aplikasi termasuk identifikasi sistem ~vehicle • control, process control), quantum chemistry,I? gameplaying and decision making (backgammon, chess, racing), pengenalan pola (radar systems, face identification, object recognition dan lainnya), pengenalan sequence (gesture, speech, handwritten text recognition), medical diagnosis, financial applications (automated trading systems), data mining (or knowledge discovery in databases,"KDD")
Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai chromosome, sedangkan kumpulan chromosome-chromosome tersebut disebut sebagai populasi. Sebuah chromosome dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Chromosomechromosome tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi chromosome-chromosome tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (Jungst objektif) menggunakan ukuran yang disebut denganfitness. Untuk memilih chromosome yang tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses seleksi chromosome menggunakan konsep aturan evolusi Darwin yang telah disebutkan sebelumnya yaitu chromosome yang mempunyai nilai fitness tinggi akan memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.
Hadirin yang saya muliakan.
Page 18
Page 19
a)
l'I"I~leJl Ii]~I!1 b)
(Grot· It lol-It (01 IIIQII [I If 11101 11
~)
loiolaloi Q(a 11(0]
dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan. Aplikasi yang menggunakan algoritma genetika pada umumnya adalah masalah optimasi yang tanpa kendala (unconstraint optimization), yang mana hasil yang diperoleh near optimal. Meskipun demikian hal ini masih dianggap bagus, karena masalah unc;;~straint optimization tidak bisa diselesaikan dengan met ode Riset Operasi.
II]tiJOJ1]IJCi]If!]
10 lel PI" fellil Q111 Gambar 3. Analogi Proses Crossover menggunakan bilangan biner
Chromosome-chromosome baru yang disebut dengan offspring, dibentuk dengan cara melakukan perkawinan antar chromosome-chromosome dalam satu generasi yang disebut sebagai proses crossover. Jumlah chromosome dalam populasi yang mengalami crossover ditetukan oleh paramater yang disebut dengan crossover_rate. Mekanisme perubahan susunan unsur penyusun mahkluk hidup akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam chromosome dengan suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang dinamakan mutation_rate. Setelah beberapa generasi akan dihasilkan chromosome-chromosome yang nilai gen-gennya konvergen ke suatu nilai tertentu yang merupakan solusi terbaik yang Page 110
Hadirin yang saya muliakan Yang ketiga. adalah Ant Colony Optimization (ACO). Ant Colony Optimization :diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, et.al, 1996). Semut mampu mengindera lingkungannya yang kompleks untuk mencari makanan dan kemudian kembali ke sarangnya dengan meninggalkan zat Pheromone pada rute-rute yang mereka lalui. Pheromone adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis, individu lain, kelompok, dan untuk membantu proses reproduksi. Berbeda dengan hormon, Pheromone menyebar ke luar tubuh dan hanya dapat mempengaruhi dan dikenali oleh yang sejenis (satu spesies). Proses peninggalan Pheromone ini dikenal sebagai stigmery, yaitu sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk mengingat jalan pulang ke sarang, tetapi juga memungkinkan para semut berkomunikasi dengan koloninya. Seiring waktu, bagaimanapun juga jejak Pheromone akan menguap dan akan mengurangi kekuatan daya tariknya. Lebih cepat setiap semut pulang pergi melalui rute tersebut, maka Pheromone yang menguap lebih sedikit. Begitu pula sebaliknya jika semut lebih
Page
111
11111:
lama pulang pergi melalui rute tersebut, maka Pheromone yang menguap lebih banyak.
1) Ants follow path between the nest and the food source
,
Food
2) Ants go around the obstacle following on of two different paths with equal probability
Hadirin yang saya muliakan Yang keempat adalah Particle Swarm Optimization (PSO). Particle swarm optimization (PSO) adalah suatu algoritma evolusioner yang awalnya terinspirisai oleh perilaku sosial sekawanan burung atau kerumunan ikan, dim ana arah perjalanan kawanan tersebut seolah-olah dip imp in secara bergantian tanpa ada yang menetapkan.(swarm-intelligence technique). Seperti algoritma genetika, PSO memperhatikan populasi dari individual, yang dinamakan sebagai Partikelpartikeluntuk merepresentasikan beberapa penyelesaian potensial terhadap suatu masalah optimisasi.
Food
~lIlla,~'
3) On the shorter path, more pheromones 4) At the end, all ants follow the shortest are laid down path
Gambar 4. Perilaku semut yang menjadi ide dasar algoritma koloni semut (Ant Colony Optimization) Peranan utama dari penguapan Pheromone adalah untuk mencegah stagnasi, yaitu situasi dimana semua semut berakhir dengan melakukan tour yang sarna. Proses di atas kemudian diulangi sampai tour-tour yang dilakukan mencapai jumlah maksimum atau sistem ini menghasilkan perilaku stagnasi dimana sistem ini berhenti untuk mencari solusi altematif. Masalah optimasi yang bisa diselesaikan dengan menggunakan algoritma ini adalah optimasi tracking sistem, yaitu mencari rute yang paling optimal yang bisa diambil sebagai solusinya. Page 112
Gambar 5. Swarm Intelligence - perilaku sekumpulan ikan Berbeda dengan GA, PSO menghasilkan individu baru secara eksplisit melalui model matematika, menggantikan operator genetika seperti crossover atau mutasi. Ketika digunakan untuk menyelesaikan masalah optimisasi, PSO membawa setiap partikel (solusi) ke solution space dengan trayektori tertentu. Berpedoman pada hasil yg diperoleh setiap partikel atau tetangganya, setiap partikel akan bergerak menuju area Page
113
potensial dari optimum global. Sejak versi awal yang diperkenalkan tahun 1995 oleh Kennedy dan Eberhart, PSO telah menarik banyak perhatian para peneliti di seluruh dunia dan telah terbukti sebagai tmetode yang efektif untuk optimisasi. Oleh karena fitur-fitur menariknya seperti mudah untuk diimpleniasikan dan independen dari ketidakakuratan informasi, PSO telah sukses diterapkan untuk menyelesaikan bermacam-macam masalah optimasi, termasuk masalah multimodal complex problems, multi-objective optimizations, dan beberapa lainnya. Hanya saja, seperti halnya algoritma stokastik lainnya, PSO kadang terjebak ke masalah local optimum, khususnya dalam masalah yang skala besar dan kompleks. Hadirim yang saya muliakan Yang terakhir diulas adalah bioinformatika, meskipun masih banyak cabang ilmu lain yang terinspirasi fenomena sistem biologi. Bioinformatika adalah ilmu interdisiplin yang melibatkan bidang keilmuan biologi molekuler, fisika, matematika, ilmu komputer, dan beberapa ilmu lainnya. Bidang bioinformatika meliputi algoritma, representasi sequence, pemodelan Markov, jaringan syaraf tiruan untuk memprediksi struktur protein sekunder, di samping itu juga metode komputasi dan pemodelan matematika untuk analisis dan menyimpan data biologi. Termasuk di dalamnya kajian struktur, fungsi dan evolusi gen, protein, dan keseluruhan genomes. Hal ini dapat dipandang sebagai perkawinan antara teknologi informasi dan biologi molekuler. Penelitian tentang DNA sangat potensial dalam penemuan-penemuan baru bidang
Page 114
penyakit, obat-obatan, dan varietas unggul dalam pemuliaan tanaman dan temak.
Penutup Dari pemaparan yang singkat dan terbatas ini, perkenankan saya untuk menarik beberapa catatan penting antara lain: Meskipun komputasi yang dilakukan dalam setiap elemen pemroses jaringan syaraf tiruan merupakan hal yang sederhana, apabila dalam komputasinya menggunakan kumpulan elemen pemroses yang terhubung sebagai jaringan, sudah banyak bukti bahwa aplikasi jaringan syaraf tiruan dapat dikatakan sukses. Tidak selalu masalah optimasi bisa dirumuskan dalam bentuk yang lengkap dengan persamaanJpertidaksamaan kendala (constraint optimization), seringkali permasalahan yang akan dioptimasikan tidak bisa menyatakan secara eksplisit persamaanJpertidaksamaan kendalanya (unconstraint optimization). Hal ini sulit untuk diselesaikan melalui metode optimasi konvensional. Altematif penyelesaian masalah tersebut adalah menggunakan metode heuristik dan stokastik, seperti algoritma genetika (AG), ant colony optimization (ACO), dan particle swarm optimization (PSO). Perkembangan ilmu interdisipliner seperti bioinformatika yang sangat potensial untuk bisa berkembang di ITS perlu dukungan banyak pihak, termasuk pengadaan laboratorium dan penyiapan SDM. Page 115
