Biologically inspired computing

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