1 of 39

Week 1

PENGANTAR

KOMPUTASI LUNAK

2 of 39

Outline

  • Pengenalan Mata Kuliah
  • Pengantar Komputasi Lunak
  • Pengenalan Jaringan Syaraf Tiruan

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

3 of 39

CPL dan CPMK

CPL-P11:

Mampu menghasilkan rancangan, mengimplementasikan, dan mengevaluasi solusi berbasis komputasi cerdas

CPMK11-1:

Mampu menghasilkan rancangan, mengimplementasikan solusi berbasis komputasi cerdas menggunakan metode searching dan reasoning

CPMK11-2:

Mampu menghasilkan rancangan, mengimplementasikan, dan mengevaluasi solusi berbasis komputasi cerdas menggunakan metode learning dan pemodelan

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

4 of 39

CPMK

  • Sub CPMK11-1:
    • Mahasiswa mampu menggunakan (C3) operator fuzzy dalam menyelesaikan suatu permasalahan tertentu
    • Mahasiswa mampu mengimplementasikan (C3) Sistem Inferensi Fuzzy dan menggunakan (C5) Model Sistem Fuzzy dalam penyelesaian permasalahan tertentu
    • Mahasiswa dapat menggunakan (C3) logika fuzzy dalam pengambilan keputusan
    • Mahasiswa dapat mengimplementasikan (C3) dan mendemonstrasikan (P2) metode clustering fuzzy dan model neuro fuzzy dalam menyelesaikan suatu permasalahan tertentu

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

5 of 39

CPMK

  • Sub CPMK11-2:
    • Mahasiswa mampu menjelaskan (C2) konsep dasar komputasi lunak dan ranah kajian di dalamnya serta mampu mendemonstrasikan (C3) penerapan berbagai metode classical neural network
    • Mahasiswa mampu merancang (C3) struktur model logistic regression sebagai shallow neural network dan menghitung menghitung (C3) turunan dari logistic regression berdasarkan konsep backpropagation
    • Mahasiswa mampu mengimplementasikan (C3) model neural network dengan single hidden layer pada task klasifikasi biner dan mengimplementasikan (C3) forward & backward propagation dari model terkait
    • Mahasiswa mampu merancang (C3) struktur model deep L-layer neural network dan mengimplementasikan (C3) forward & backward propagation dari model terkait
    • Mahasiswa mampu menjelaskan (C2) berbagai macam arsitektur Deep Learning
    • Mahasiswa mampu mengimplementasikan (C3) dan mengevaluasi (C5) jaringan syaraf tiruan untuk menyelesaikan suatu permasalahan nyata

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

6 of 39

Materi (Sebelum UTS)

  1. Pengantar Komputasi Lunak
  2. Pengantar Jaringan Syaraf Tiruan dan Classiccal Model dari Jaringan Syaraf Tiruan
  3. Logistic Regression sebagai Shallow Neural Network
  4. Single Hidden Layer Neural Network (Forward & Backward Propagation)
  5. Deep Neural Network
  6. Pengenalan Berbagai Arsitektur Deep Learning
  7. Studi Kasus: Presentasi Tugas Mini Project Deep Learning
  8. UTS

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

7 of 39

Materi (Setelah UTS)

  1. Himpunan Fuzzy, fungsi keanggotaan fuzzy dan Operasinya
  2. Sistem Inferensi Fuzzy
  3. Model Sistem Fuzzy
  4. Model Sistem Fuzzy (lanjutan)
  5. Sistem Pendukung keputusan Fuzzy
  6. Metode Clustering Fuzzy
  7. Sistem Neuro Fuzzy
  8. UAS

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

8 of 39

Referensi

Jaringan Syaraf Tiruan & Deep Learning

  • Ng, Andrew, Course Material of Neural Network and Deep Learning Module on Deep Learning Spesialization by Deep Learning.ai
  • Nielsen, Michael, Neural Networks and Deep Learning available online at http://neuralnetworksanddeeplearning.com
  • Krohn, J., 2020. Deep Learning Illustrated, Pearson Education, Inc.
  • Haykin, S., 2005, Neural Networks: A Comprehensive Foundation Second Edition, Prentice Hall, Delhi.
  • Bullinaria, J.A., 2004, Inroduction to Neural Networks, Lecture Slides, http://www.cs.bham.ac.uk/~jxb.
  • Artikel Ilmiah terkait topik Deep Learning

​

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

9 of 39

Referensi

Logika Fuzzy

  • Cengiz Kahraman, 2008, Fuzzy Multi-Criteria Decision Making : Theory and Applications with Recent Developments, Springer Science+Business Media, LLC; New York
  • Klir, Greoge J. and Folger, Tina A., 1988, Fuzzy Sets, Uncertainty, and Information, Prentice- Hall International,Inc.
  • Konar, Amit. 2005, Computational Intelligence. Principles, Techniques and Applications. Springer.
  • Kusumadewi, Sri; dan Hartati, Sri. 2006. Fuzzy Multi-Attribute Decision Making. Graha Ilmu, Yogyakarta.
  • Kusumadewi, Sri; dan Purnomo, Hari. 2004. Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta.
  • Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Toolbox MATLAB. Graha Ilmu, Yogyakarta.
  • Li-Xing Wang, 1997, A Course in Fuzzy Systems and Control, Prentice Hall International,Inc.
  • Puyin Liu & Hongxing Li, 2004, Fuzzy Neural Network Theory and Applications, Singapura: Word Scientific Publishing Co.Pte.Ltd
  • Timothy J. Ross, 2004, Fuzzy Logic With Engineering Applications, Second Edition, John Wiley & Sons Ltd

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

10 of 39

Outline

  • Pengenalan Mata Kuliah
  • Pengantar Komputasi Lunak
  • Pengenalan Jaringan Syaraf Tiruan

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

11 of 39

Two Approaches for Problem Solving

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

12 of 39

Hard vs. Soft Computing

Aspek

Hard Computing

Soft Computing

Model

Model matematis yang precise dan eksak

Approximate model

Pendekatan

symbolic logic reasoning dan numerical modeling

approximate reasoning dan approximate modeling

Sifat

deterministik — untuk input yang sama selalu menghasilkan output yang sama persis

fleksibel — meniru cara manusia berpikir dan mengambil keputusan dalam kondisi tidak pasti

Hasil

Exact/accurate solution

Good-enough/acceptable solution

Toleransi terhadap data

Sulit menangani data yang tidak lengkap, noisy, atau ambigu;

Mampu menangani data yang tidak lengkap, tidak presisi, atau kompleks; lebih adaptif dan robust terhadap noise.

Cocok untuk

Masalah yang terdefinisi dengan jelas

Masalah kompleks dan sulit dimodelkan secara eksak

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

13 of 39

Soft Computing vs. Hard Computing

Hard Computing (Excact Models)

Symbolic Logic Reasoning

Numerical Modeling

Soft Computing (Approximate Models)

Approximate Reasoning

Approximate Modelling

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

14 of 39

Hard Computing

  • Symbolic Logic Reasoning
    • Menggunakan aturan logika formal (benar/salah), tidak ada nilai antara.
    • Menggunakan representasi simbol dan aturan inferensi (misalnya logika proposisional, logika predikat) untuk menarik kesimpulan yang pasti dari premis yang diketahui.
    • Contoh: rule-based expert system misalnya: "JIKA suhu > 100°C DAN tekanan > batas normal, MAKA alarm menyala.“
  • Numerical Modelling
    • Menggunakan persamaan matematis dan perhitungan numerik yang presisi.
    • Masalah dirumuskan ke dalam persamaan matematis, lalu diselesaikan dengan metode numerik (iteratif, differensial, dsb.) untuk mendapatkan nilai eksak.

​

​

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

15 of 39

Soft Computing

  • Approximate Reasoning
    • Menalar informasi yang tidak lengkap, ambigu, atau mengandung derajat kebenaran, bukan hanya benar/salah.
    • Metode: Logika Fuzzy, Bayesian Reasoning, Rough Set Theory, Case Based Reasoning
    • Contoh: Aturan fuzzy pada Sistem AC otomatis: "JIKA suhu agak panas MAKA kipas berputar sedang."
  • Approximate Modelling
    • Membangun model dari data (bukan dari rumus pasti) dan mampu belajar/beradaptasi meski datanya tidak sempurna.
    • Metode: jaringan saraf tiruan (belajar dari pola data pelatihan), algoritma genetika (mengevolusi solusi terbaik melalui iterasi).
    • Contoh: Model machine learning untuk mengenali wajah atau tulisan tangan.

​

​

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

16 of 39

Soft Computing

    • Lotfi A. Zadeh, 1992 : “Soft Computing adalah pendekatan komputasi yang sejajar dengan kemampuan manusia untuk berpikir (reason) dan belajar (learn) dalam lingkungan yang penuh ketidakpastian (uncertainty) dan ketidaktepatan (imprecision)”.

Definisi

    • Mengembangkan mesin cerdas (intelligent machine) untuk memberikan solusi terhadap permasalahan dunia nyata, yang tidak dapat dimodelkan, atau terlalu sulit untuk dimodelkan secara matematis.

Tujuan

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

17 of 39

Soft Computing

  • Komputasi lunak toleran terhadap imprecision, uncertainty, partial truth, dan approximation.
  • Imprecision (ketidaktepatan)
    • Nilai atau informasi tidak terukur/terdefinisi secara tepat/eksak, biasanya karena keterbatasan alat ukur, bahasa, atau data yang bersifat kualitatif.
    • Contoh: suhu ruangan sekitar 25°C" (bukan 25,03°C tepat)
  • Uncertainty (ketidakpastian)
    • Suatu informasi/kejadian tidak diketahui dengan pasti apakah benar terjadi atau tidak, biasanya karena kurangnya data, informasi acak, atau tidak lengkapnya pengetahuan tentang sistem.
    • Contoh: Kemungkinan besok hujan adalah 70%

​

​

​

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

18 of 39

Soft Computing

  • Partial Truth (Kebenaran Parsial)
    • Suatu pernyataan tidak sepenuhnya benar atau sepenuhnya salah, melainkan punya derajat kebenaran di antara keduanya.
    • Contoh: Usia 40 tahun adalah Parobaya dengan derajad keanggotaan 0.9 atau Tua dengan derajad keanggotaan 0.6.
  • Approximation (Perkiraan)
    • Proses mendekati suatu solusi atau nilai yang sebenarnya tanpa harus benar-benar eksak, karena solusi eksak sulit/mustahil dihitung atau tidak diperlukan tingkat presisi setinggi itu.
    • Contoh: model machine learning memprediksi harga rumah "sekitar Rp 500 jutaan" berdasarkan pola data, bukan rumus pasti.

​

​

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

19 of 39

Soft Computing

  • Prinsip komputasi lunak adalah memanfaatkan toleransi ini untuk mencapai tractability, ketahanan (robustness), dan biaya solusi yang rendah (low-cost solution).
  • Berbeda dengan metode analitik, metodologi komputasi lunak meniru kesadaran dan kognisi dalam beberapa hal hal penting:
    • dapat belajar dari pengalaman
    • dapat melakukan universalisasi domain dimana pengalaman langsung tidak ada;
    • melalui arsitektur komputer paralel yang mensimulasikan proses biologis, soft computing dapat melakukan pemetaan input ke output lebih cepat daripada representasi analitis serial.
  • Trade-off: penurunan akurasi.

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

20 of 39

Soft Computing

(Zadeh, 1981)

Evolutionary Computing (Rechenberg, 1960)

Neural Network (McCulloch, 1943)

Fuzzy Logic

(Zadeh, 1965)

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

21 of 39

Evolutionary Computing

(Rechenberg, 1960)

Genetic Programming (Koza, 1992)

Evolution Strategies (Rechenberg, 1965)

Evolutionary Programming (Fogel, 1962)

Genetic Algorithm

(Holland, 1970)

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

22 of 39

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

23 of 39

Outline

  • Pengenalan Mata Kuliah
  • Pengantar Komputasi Lunak
  • Pengenalan Jaringan Syaraf Tiruan

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

24 of 39

Jaringan Syaraf Biologi

  • Jaringan syaraf manusia tersusun atas lebih dari 10 milyar neuron.
    • Fungsi: memproses stimulus yang diterima untuk menghasilkan respon.
  • Bagian penting dalam sebuah neuron (sel syaraf):
    • Dendrit menerima sinyal (impuls elektrik) dari neuron lain (yang dikirim melalui sinapsis).
    • Soma (badan sel) memproses sinyal yang diterima melalui dendrit dan menghasilkan output aktivasi.
    • Akson meneruskan aktivasi ke neuron lainnya melalui sinapis.
  • Antara sebuah neuron dengan neuron lainnya terhubung melalui synapsis.

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

25 of 39

Jaringan Syaraf Tiruan (JST)

Merupakan generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa:

  • Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron/ node)
  • Sinyal dikirimkan diantara neuron melalui penghubung (sinapsis).
  • Sinapsis antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
  • Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima.

Neuron

Sinapsis (memiliki bobot w)

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

26 of 39

Jaringan Syaraf Biologi vs. Tiruan

Jaringan Syaraf Biologi

Jaringan Syaraf Tiruan

Badan sel

Neuron/ node

Dendrit

Input ke neuron

Akson

Output dari neuron

Synapse

Sinapsis antar neuron dengan bobot tertentu

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

27 of 39

Brief History of ANN to Deep Learning

https://miro.medium.com/v2/resize:fit:1200/1*JyQ03_VaA5sdERx9WEIQRQ.png

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

28 of 39

McCulloch-Pitts Neuron

  • Dirumuskan oleh McCulloch-Pitts (1943).
  • Neuron paling sederhana, disebut juga Threshold Logic Unit.
  • Input neuron bernilai 0 atau 1.
  • Output/ aktivasi neuron bernilai 0 atau 1.
  • Bobot dan threshold ditentukan secara analitik

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

29 of 39

McCulloch-Pitts Neuron (lanj.)

Contoh kasus: Gerbang Logika AND 2 input

Data latih

Arsitektur JST

 

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

30 of 39

McCulloch-Pitts Neuron (lanj.)

Contoh kasus: Gerbang Logika AND 2 input

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

31 of 39

McCulloch-Pitts Neuron (lanj.)

Contoh kasus: Gerbang Logika AND 2 input

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

32 of 39

McCulloch-Pitts Neuron (lanj.)

Contoh kasus: Gerbang Logika AND 2 input

  • Nilai bobot dan threshold yang didapat selanjutnya dapat digunakan untuk memetakan nilai input ke output dengan tepat.

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

33 of 39

McCulloch-Pitts Neuron (lanj.)

Contoh kasus: Gerbang Logika OR 2 input

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

34 of 39

Decision Boundary

  • Pada saat kita mencari nilai bobot w1, w2, dan θ yang tepat, pada dasarnya kita sedang mencari decision boundary untuk memisahkan data yang memiliki output 0 dan 1.

​

​

  • Decision boundary
    • Pada contoh kasus gerbang logika, input berupa data 2 dimensi, maka decision boundary berupa sebuah garis lurus dengan persamaan:

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

35 of 39

Decision Boundary (lanj.)

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

36 of 39

McCulloh-Pits Neuron

Contoh kasus: Gerbang logika XOR 2 input

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

37 of 39

McCulloh-Pits Neuron

  • Contoh kasus: Gerbang logika XOR 2 input
    • Tidak bisa diselesaikan dengan arsitektur 1 layer karena data dengan output 0 dan 1 tidak dapat dipisahkan dengan sebuah garis lurus (🡪 nonlinearly separable).

​

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

38 of 39

Decision Boundary

  • Jika input 2 dimensi, maka decision boundary berupa sebuah garis lurus.
  • Jika input berupa n dimensi, maka decision boundary berupa n-1 dimensional hyperplane.

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com

39 of 39

Referensi

  • Patra, P.K., Lecture Notes on Principle of Soft Computing, College of Engineering and Technology Bhubaneswar.
  • Bullinaria, J.A., 2004, Inroduction to Neural Networks, Lecture Slides, http://www.cs.bham.ac.uk/~jxb.
  • Fausett, L., 1994, Fundamentals of Neural Networks, Architecture, Algorithms and Applications, Prenctice Hall.

This presentation uses a free template provided by FPPT.com

www.free-power-point-templates.com