Rabu, 14 Desember 2016

INFERENCIAL ENGINE

Inferencial Engine

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) yang merupakan imlikasi berdasarkan informasi yang tersedia. Pada sistem pakar proses inferensi dilakukan olehsuatu modul yang dinamakan mesin inferensi (inference engine). Pada komponen ini terkandung suatu mekanisme pola pikir yang digunakan oleh seorang pakar dalam memecahkan masalah.
Mesin inferensi/Inferencial Engine adalah modul yang merangkaikan basis data untuk menjadi sebuah kesimpulan. Mesin inferensi ini yang akan digunakan untuk menyelesaikan masalah yang diberikan kepada komputer. Data yang diambil dari basis pengetahuan diambil berdasarkan masalah apa yang akan diselesaikan oleh komputer, dan metode yang akan digunakan untuk menyelesaikan masalah itu pun akan berbeda-beda sesuai dengan pokok masalah. Jika masalah yang diberikan tidak dapat diselesaikan maka masalah tersebut akan disimpan ke dalam data.
Hasil pemrosesan yang dilakukan oleh mesin inferensi dari sudut pandang pengguna yang bukan pakar berupa konklusi yang di rekomendasikan oleh sistem pakar atau dapat juga berupa penjelasan jika memang dibutuhkan oleh pengguna. Untuk meningkatkan kemampuan sistem  pakar,  pada  sistem  tersebut  harus  dapat  dilakukan  proses  pembaharuan  pada  basis pengetahuan (knowledge base)  dan penyempurnaan pada mesin inferensi (inference engine) sehingga solusi yang dihasilkan lebih baik daripada sebelumnya [Hartati dan Iswanti dalam Kamsyakawuni].
Ada dua metode inferensi yang digunakan dalam sistem pakar yaitu Forward Chaining (runut maju), dan Backward Chaining (runut mundur) yang akan dibahas pada tulisan selanjutnya.

Sumber:
            Kamsyakawuni Ahmad. 2012. Aplikasi Sistem Pakar Untuk Diagnosa Penyakit Hipertiroid dengan Metode Inferensi fuzzy Mamdani (Tesis), Semarang: Universitas Diponegoro.
Kusrini. 2006. Sistem Pakar: Teori dan Aplikasi. Yogyakarta: Andi.
http://repository.usu.ac.id/bitstream/123456789/23487/4/Chapter%20II.pdf

KNOWLEDGE BASE BAB III : FRAME BASED KNOWLEDGE

Frame Based Knowledge

Model   representasi   bingkai   (frame    based   representation)   adalah    salah    satu representasi  pengetahuan  yang  dipakai  untuk  menyimpan  pengetahuan  dan  fakta  mengenai subyek  tertentu.  Model  ini  didukung  oleh  OKBC  yang  dapat  memfasilitasi  interoperabilitas antar basis pengetahuan.[Fridman, 2000]

Representasi pengetahuan dengan bingkai:
1.      Frame
Sebuah  FRS  mengelola  pengetahuan  dalam  gaya yang berorientasi objek.  “object  oriented”,  dimana fakta akan dihubungkan  dengan  obyek  yang  disebutkan  dalam  fakta dalam sebuah frame.  Frame  adalah  obyek  dimana  fakta saling dikaitkan. Frame membutuhkan nama,  yang kemudian FRS memelihara pemetaan dari nama  obyek  frame. Frame  ini  tercatat  sebagai  entitas  dalam  dunia  konseptual.  Frame tersimpan secara terbatas dalam basis pengetahuan.

2.      Slot
Slot  adalah  pemetaan  dari  frame kepada  himpunan  dari  nilai. Slot  juga  dikenal  dengan  nama.

3.      Classes and Instances
Classes and instancesClass  adalah  himpunan  dari  instance,  dimana  disebut  dengan  instance  dari  class. Sebuah entitas dapat menjadi instance dari banyak class, dimana disebut dengan tipenya, dan sebuah class dapat menjadi type dari banyak class. 

4.      Slot Value Inharitance dan Default
Slot   adalah   pemetaan   dari   sebagian   frame   ke   himpunan   nilai. Tetapi   karena modularitas dan alasan lain FRS mengizinkan satu slot untuk mendeskripsikan himpunan dari pemetaan untuk semua instance dari class.

5.      Facets
 Facets  adalah  keterangan  dari  slot. Facet  memiliki  nilai  yang  sama  dengan  nilai  slot.

Object Based Knowledge
Adalah sebuah sistem yang dirancang untuk membentuk basis pengetahuan dengan bentuk objek dan kelas. Karena system ini bekerja dengan dasar objek dan kelas yang sangat ekspresif, layanan system ini lebih cocok untuk meneyediakan representasi sistem berbasis pengetahuan. Namun sistem ini sulit untuk diterapkan dengan benar.


Sumber:

KNOWLEDGE BASE BAB II : RULE BASED SYSTEM & CASE BASED REASONING

Rule based System Adalah suatu cara untuk menyimpan dan memanipulasi data pengetahuan untuk menyediakan informasi yang berguna. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang langkah-langkah pencapaian solusi.

Jikaingin membuat Rule Based System untuk masalah tertentu, maka anda harus memiliki:
  1. Sekumpulan fakta untuk mewakili pekerjaan yang nantinya akan dilakukan.
  2.        Sekumpulan fakta.
  3.       Sebuah kondisi yang menentukan bahwa solusi telah ditemukan atau tidak ada satupun yang exist.
Keuntungan Rule Based System:
  1.              Modularity
  2.          Uniformity
  3.            Naturalness
k    Kerugian Ruled Based System:
  1.      Infinite Chaining
  2.      Possibility of Contraditions
  3.      Inefficiency
  4.      Opacity
  5.      Complex Domains
Case Based Reasoning dilakukan pada penalaran berbasis kasus (cases), basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk mengetahui lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan atau dapat diartikan pengetahuan direpresentasikan dalam bentuk kesimpulan kasus.

Case-Based Reasoning (CBR) terdiri dari atas empat langkah utama, yaitu:
  1. Retrieve : yaitu mengambil kembali permasalahan yang sama. Pada langkah ini dilakukan proses pencarian atau kalkulasi dari kasus-kasus yang memiliki kesamaan.
  2. Reuse : yaitu menggunakan kembali informasi dan pengetahuan dalam kasus tersebut untuk mengatasi masalah baru. Pada langkah ini dicari solusi dari kasus serupa pada kondisi sebelumnya  untuk permasalahan baru.
  3. Revise : yaitu meninjau kembali solusi yang diberikan. Pada langkah ini dicari solusi dari kasus serupa pada kondisi sebelumnya  untuk permasalahan yang terjadi kemudian.
  4. Retain : yaitu mendalami bagian dari pengalaman sebelumnya untuk digunakan dalam pemecahan masalah berikutnya.
Sumber:

KNOWLEDGE BASE. BAB I : PENDAHULUAN

KNOWLEDGE BASE

Basis pengetahuan atau Knowledge base merupakan representasi pengetahuan dari seorang pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan masalah. Terdiri dari dua elemen dasar, yaitu :
1.       Fakta yang berupa informasi tentang situasi permasalahan, teori dari area permasalahan atau informasi tentang objek.
2.       Spesial heuristik yang merupakan informasi tentang cara bagaimana membangkitkan fakta baru dari fakta yang sudah diketahui. Dalam sistem pakar berbasis rule, bagian ini berupa rules.
Knowledge base adalah jantung sebuah sistem pakar. Bagian ini adalah totalitas keahlian pakar yang telah disarikan dan diformat ke dalam external memory komputer. Sampai saat ini terdapat berbagai cara representasi pengetahuan yang telah dikenal, misalnya :

Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan. Pada penalaran berbasis aturan, pengetahuan dipersentasikan dengan menggunakan aturan berbentuk : IF-THEN. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang langkah-langkah pencapaian solusi.

Case-Base Reasoning
Pada penalaran berbasis kasus (cases), basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk mengetahui lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan atau dapat diartikan pengetahuan direpresentasikan dalam bentuk kesimpulan kasus.

Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari objek-objek. Objek adalah elemen data yang terdiri dari data dan metode (proses).



Sumber : http://informatika.web.id/basis-pengetahuan-knowledge-base.htm

Kamis, 17 November 2016

METODE INFERENSI

Tree (Pohon) dan Graph

- Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang
menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan
node.
- Binary tree mempunyai 0,1 atau 2 cabang per-node.

  1. Node tertinggi disebut root
  2. Node terendah disebut daun

- Tree merupakan tipe khusus dari jaringan semantic, yang setiap nodenya kecuali akar,

mempunyai satu node orang tua dan mempunyai nol atau lebih node anak.
- Tree adalah kasus khusus dalam Graph
- Graph dapat mempunyai nol atau lebih link di antara node dan tidak ada perbedaan
antara orangtua dan anak.
- Dalam graph, link dapat ditunjukkan berupa panah atau arah yang memadukan node
dan bobot yang merupakan karakteristik beberapa aspek dari link.
- Beberapa contoh graph sederhana:
- Graph asiklik adalah graph yang tidak mengandung siklus.
- Graph dengan link berarah disebut digraph.
- Graph asiklik berarah disebut lattice.
- Tree yang hanya dengan path tunggal dari akar untuk satu daun disebut degenerate tree.
- Aplikasi tree dan lattice adalah pembuatan keputusan disebut decision tree dan decision
lattice.
- Contoh : decision tree yang menunjukkan pengetahuan tentang hewan.

- Aturan produksi (IF…THEN…) dari contoh di atas :
JIKA pertanyaan=”Apakah dia bertubuh besar ?”
DAN jawaban=”Tidak”
MAKA pertanyaan=”Apakah dia mencicit?”
JIKA pertanyaan=”Apakah dia bertubuh besar ?”
DAN jawaban=”Ya”
MAKA pertanyaan=”Apakah dia mempunyai leher panjang?”
dst……
Pohon AND-OR dan Tujuan
- Banyak tipe system pakar menggunakan backward chaining untuk mendapatkan solusi
dari permasalahan.
- Salah satu tipe dari tree atau lattice yang digunakan dalam masalah representasi
backward chaining adalah Pohon AND-OR.
- Contoh :
Penalaran Deduktif dan Silogisme
- Tipe-tipe Inferensi
Deduction
 Pemberian alasan logikal dimana kesimpulan harus mengikuti premis
Induction
 Inferensi dari khusus ke umum
Intuition
 Tidak ada teori yg menjamin. Jawabannya hanya muncul, mungkin dengan
penentuan pola yg ada secara tidak disadari.
Heuristic
 Aturan yg didasarkan pada pengalaman
Generate & Test
 Trial dan error. Digunakan dgn perencanaan.
Abduction
 Pemberian alasan kembali dari kesimpulan yg benar ke premis .
Default
 Diasumsikan pengetahuan umum sebagai default.
Autoepistemic
 Self-knowledge
Nonmonotonic
 Pengetahuan yg sebelumnya mungkin tdk benar jika bukti baru didapatkan
Analogy
 Kesimpulan yg berdasarkan pada persamaan untuk situasi yg lainnya.
· Suatu logika argument adalah kumpulan dari pernyataan-pernyataan yang dinyatakan
untuk dibenarkan sebagai dasar dari rantai penalaran.
· Salah satu jenis logika argumen adalah Silogisme.
Contoh :
Premis : Siapapun yang dapat membuat program adalah pintar
Premis : John dapat membuat program
Konklusi : Oleh karenanya John adalah pintar
Proses deduktif pada contoh di atas bergerak dari prinsip umum menuju konklusi
khusus.
· Penalaran deduktif umumnya terdiri dari tiga bagian : premis mayor, premis minor dan
konklusi.
· Premis disebut juga antecedent.
· Konklusi/kesimpulan disebut juga consequent.
-
Silogisme dapat direpresentasikan ke dalam bentuk aturan JIKA…..MAKA….. (IF…
THEN…..), contoh :
JIKA siapapun yang dapat membuat program adalah pintar
DAN John dapat membuat program
MAKA John adalah pintar
- Silogisme klasik disebut categoricall syllogism (silogisme yang pasti)
- Premis dan konklusi didefinisikan sebagai statement yang pasti dari empat bentuk
berikut :
- Subjek dari konklusi S disebut bagian minor bila predikat konklusi P adalah bagian
mayor.
- Premis terdiri dari premis mayor dan premis minor.
- Contoh :
Premis mayor : Semua M adalah P
Premis minor : Semua S adalah M
Konklusi : Semua S adalah P

Silogisme di atas adalah bentuk standar karena premis mayor dan minor sudah
diketahui.
Contoh :
“Semua mikrokomputer adalah computer”
Subjeknya (objek yang digambarkan) adalah mikrokomputer.
Predikatnya (beberapa sifat subjek) adalah computer
- M (middle term) adalah hal yang penting karena silogisme didefinisikan sedemikian
sehingga konklusi tidak dapat disimpulkan dengan mengambil salah satu premis.
- Q (quantifier) menggambarkan porsi dari kelas yang diketahui.
o Quantifier “semua” dan “tidak” adalah universal karena menunjukkan
keseluruhan kelas.
o “beberapa” adalah khusus (particular) karena hanya menunjukkan satu bagian
dari kelas yang diketahui.
- Mood dari silogisme didefinisikan sebagai tiga huruf yang memberikan bentuk masingmasing
premis mayor, minor dan konklusi.
Contoh :
Semua M adalah P
Semua S adalah M
\Semua S adalah P
menunjukkan suatu mood AAA-1
- Ada 4 kemungkinan pola susunan istilah S, P dan M :
- Tidak selalu argument yang mempunyai bentuk silogisme merupakan silogisme yang
valid.
- Contoh : Silogisme tidak valid berbentuk AEE-1
Semua M adalah P
Tidak S adalah M
\Tidak S adalah P
Semua mikrokomputer adalah computer
Bukan mainframe adalah mikrokomputer
\Bukan mainframe adalah computer
- Diperlukan prosedur keputusan (decision procedure) untuk pembuktian validitas.
- Prosedur keputusan untuk silogisme dapat dilakukan menggunakan diagram venn tiga
lingkaran yang saling berpotongan yang merepresentasikan S,P, M.
- Contoh : Prosedur Keputusan untuk AEE-1
Semua M adalah P
Tidak S adalah M
\Tidak S adalah P
- Contoh : Prosedur Keputusan untuk EAE-1
Tidak M adalah P
Semua S adalah M
\Tidak S adalah P
Kaidah dari Inferensi
- Diagram Venn tidak sesuai untuk argumen yang lebih kompleks karena sulit dibaca
pada decision tree untuk silogisme.
- Logika proposisi memberikan pengertian lain dari penggambaran argumen.
- Contoh :
Jika ada daya listrik, komputer akan bekerja
     Ada daya
- Bentuk umum Ponens / direct reasoning / law of detachment / assuming the antecedent
Bentuk tersebut valid, karena argumen tersebut dapat ditunjukkan sebagai suatu
tautologi.
Terdapat argumen yang menyerupai ponens namun perlu dibuktikan validitasnya.
Contoh :
Jika tidak kesalahan maka program dapat mengkompile
Program dapat mengkompile
- Beberapa hukum Inferensi
- Kaidah inferensi dapat digunakan untuk argumen yang mempunyai lebih dari dua
premis.
Contoh :
Harga chip naik hanya jika yen naik
Yen naik hanya jika dollar turun dan
jika dollar turun maka yen naik
Karena harga chip telah naik
\Dollar harus turun
SISTEM RESOLUSI DAN DEDUKSI
- Refutation adalah pembuktian teorema dengan menunjukkan negasi atau pembuktian
kontradiksi melalui reductio ad absurdum.
- Melakukan refute berarti membuktikan kesalahan.
- Contoh :
Penggunaan konjungsi dari disjunctive form pada premis dan negasi pada konsklusi,
memberikan conjuctive normal form yang cocok untuk resolusi refutation.

Sumber : http://ratriptyas.staff.gunadarma.ac.id/Downloads/files/28078/BAB_3.pdf



















Kamis, 27 Oktober 2016

Contoh Program Prolog Penyakit & Nama Obat Penyembuh

Contoh Program Nama Penyakit & Nama Obatnya

Inputannya adalah sebagai berikut :





Output & pertanyaan-pertanyaannya ialah sebagai berikut :
1. Obat apa yang bisa menyembuhkan cough dan nasal congestion ?
        Ouput : 

2. Obat apa yang bisa menyembuhkan batuk jika pasien mempunyai gejala penyakit diabetes dan glaucuma ?
      Ouput : 


3. Obat apa yang bisa menyembuhkan nausea ? Pasien tersebut menderita penyakit apa ?
       Output : 

4. Obat apa yang dapat menyembuhkan pilek ?
      Ouput : 

5. Apa obat yang dapat menyembuhkan pilek dapat menyembuhkan hidung yang sakit ?
     Output : 

6. Obat apa yang harus diminum jika pasien menderita penyakit ashtma ? obat tersebut dapat diminum juga pada kondisi apa ?
    Ouput : 

7. Obat apa yang dapat digunakan juga sebagai pain killer ?
   Output : 

8. Obat apa yang harus diminum oleh john ?
    Output : 


Sabtu, 08 Oktober 2016

4 Unsur Soft Computing

Keahlian/kemampuan seperti manusia pada domain tertentu,mampu beradaptasi dan belajar agar dapat bekerja 
lebih baik jika terjadi perubahan lingkungan. Soft Computing adalah kumpulan teknik–teknik perhitungan dalam 
ilmu komputer,inteligensia semu,machine learning dan beberapa disiplin ilmu teknik lainnya,yang berusaha untuk 
mempelajari,memodelkan,dan menganalisa fenomena yang sangat rumit.

Unsur-unsur pokok dalam Soft Computing,adalah sebagai berikut :

1.Sistem Fuzzy/Fuzzy System (Mengakomodasi Ketidaktepatan)
   
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output. 
Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic) adalah salah satu pemecahannya. 
Sistem tradisional dirancang untuk mengontrol keluaran tunggal yang berasal dari beberapa masukan yang 
tidak saling berhubungan. Karena ketidaktergantungan ini, penambahan masukan yang baru akan memperumit 
proses kontrol dan membutuhkan proses perhitungan kembali dari semua fungsi . Kebalikannya, penambahan 
masukan baru pada sistem fuzzy, yaitu sistem yang bekerja berdasarkan prinsip-prinsip logika fuzzy, hanya 
membutuhkan penambahan fungsi keanggotaan yang baru dan aturan-aturan yang berhubungan dengannya.
Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran, yaitu:

- Memasukkan input fuzzy.
- Mengaplikasikan operator fuzy.
- Mengaplikasikan metode implikasi.
- Komposisi semua output.

Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk sistem yang menangani 
masalah-masalah yang sulit didefinisikan dengan menggunakan model matematis .
Misalkan,nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau kurang jelas,sehingga sulit 
mendefinisikan model matematikanya.

Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional, misalkan pada 
jumlah aturan yang dipergunakan. Pemrosesan awal sejumlah besar nilai menjadi sebuah nilai derajat keanggotaan 
pada sistem fuzzy mengurangi jumlah nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi 
jumlah nilai yang harus dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya adalah sistem
fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan penalaran manusia. Hal ini disebabkan karena 
sistem fuzzy mempunyai kemampuan untuk memberikan respon berdasarkan informasi yang bersifat kualitatif, tidak akurat, 
dan ambigu.

Ada beberapa alasan penggunaan Logika Fuzzy :

- Logika Fuzzy sangat fleksibel.
- Logika Fuzzy memiliki toleransi.
- Konsep logika fuzzy mudah dimengerti. 
  Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
- Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
- Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus 
   melalui proses pelatihan.
- Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

- Logika fuzzy didasarkan pada bahasa alami.(Sri Kusumadwi,2002:3)

2.Jaringan Syaraf/Neural Networks (Menggunakan Pembelajaran)
                        
Jaringan Syaraf Tiruan, yang merupakan metode yang dikembangkan oleh mcculloch – pitts merupakan algoritma yang berusaha 
meniru bentuk syaraf biologis makhluk hidup. Dengan konsep Neuron-nya disertai dengan bobot dan fungsi aktivasi merupakan 
terobosan dalam algoritma soft computing. 
Setelah sempat redup di tahun 70-an karena tidak sanggup menyelesaikan kasus serderhana seperti XoR, akhirnya algoritma ini 
marak diteliti kembali setelah Hopfield menemukan metode pembelajaran rambatan kesalahan (backprogragation error) yang 
sanggup mengeset bobot sesuai dengan target pembelajaran.

3.Penalaran Probabilistik/Probabilistic Reasoning (Mengakomodasi Ketidakpastian)
         
Probabilistic Reasoning adalah metode Soft Computing juga untuk membuat komputer atau suatu device mengambil keputusan 
layaknya makhluk hidup. 
Jadi,dari semua data-data yang sudah dimiliki,metode ini memberikan pola-pola tertentu untuk mengambil keputusan.

4.Evolutionary Computing (Optimalisasi)

Evolutionary Computing merupakan algoritma yang berusaha meniru sifat adaptive dari alam sekitar (mirip teori darwin) dimana 
organisme yang hidup saat ini adalah organisme terbaik yang berhasil unggul dibanding organisme lain yang sudah punah. 
Metodenya adalah membangkitkan sembarang bilangan, kemudian dievaluasi dengan fungsi objective dan jika kurang baik maka 
dimusnahkan, sedangkan yang baik,dikawin silangkan serta dimutasi sehingga menghasilkan individu baru yang lebih baik dari
induknya. 
Operasi ini terus berlangsung hingga dihasilkan individu terbaik hasil dari kawin silang dan mutasi.

Jadi,kesimpulannya adalah Fuzzy System mengakomodasi ketidaktepatan (imprecision),lalu Probabilistic Reasoning 
mengakomodasi ketidakpastian (uncertainity),dan Neural Networks menggunakan pembelajaran untuk meminimalisir kebenaran 
parsial (partial truth) dan perkiraan untuk mencapai tractability,sementara itu,Evolutioner Computing untuk mencapai optimasi 
dalam rangka ketahanan (robustness) dan biaya penyelesaian murah.

Keempat unsur tersebut akan saling menyatu bersinergi untuk saling melengkapi dalam mengerjakan/menyelesaikan sesuatu.


Sumber : http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2009200177IFBab2/page18.html
                http://socs.binus.ac.id/2012/03/02/pemodelan-dasar-sistem-fuzzy/
                https://rahmadya.com/2012/01/27/soft-computing/
                http://syahrulzzadie.blogspot.co.id/2014/10/pengertian-soft-computing.html