Saat ini, metode-metode komputasi telah berkembang semakin cerdas. Pada prinsipnya, metode-metode komputasi cerdas atau biasa diistilahkan dengan soft computing dapat dikategorikan menjadi metode-metode searching, reasoning, dan learning. Metode-metode searching merepresentasikan masalah ke dalam state dan ruang masalah, lalu menggunakan strategi pencarian untuk menemukan solusi. Sedangkan, metode-metode reasoning merepresentasikan masalah ke dalam basis pengetahuan, lalu menggunakan strategi penalaran untuk menemukan solusi. Pendekatan searching dan reasoning mengharuskan adanya aturan-aturan yang berlaku, namun terkadang aturan-aturan tidak selalu bisa didefinisikan secara benar dan lengkap, maka pendekatan learning hadir untuk mengatasi kendala tersebut yang diistilahkan dengan machine learning.
Jika pendekatan searching kesulitan dalam menentukan apakah aturan-aturan sudah benar dan lengkap karena masalah yang dihadapi cukup kompleks sehingga representasi masalah ke dalam state menjadi tidak efisien, maka pendekatan reasoning dengan representasi logic (bahasa formal) merupakan solusinya. Awalnya, metode-metode reasoning digunakan pada masalah yang memiliki kepastian. Bagaimana jika masalah mengandung ketidakpastian? Pendekatan seperti teori probabilitas dan Fuzzy Logic merupakan solusinya. Metode-metode dengan pendekatan probabilitas untuk masalah yang mengandung ketidakpastian bersifat peluang. Bagaimana jika masalah mengandung ketidakpastian yang bersifat samar? Fuzzy Logic merupakan solusinya.
Fuzzy Logic mampu memodelkan fungsi-fungsi nonlinear, mampu mengatasi masalah yang sangat kompleks, didasarkan pada bahasa formal/alami, memiliki toleransi terhadap data yang tidak tepat, dan mampu merepresentasikan pengetahuan pakar ke dalam basis pengetahuannya sebagai aturan-aturan yang berlaku sehingga tidak memerlukan proses learning. Namun, seperti yang telah dikatakan sebelumnya, terkadang aturan-aturan tidak selalu bisa didefinisikan secara benar dan lengkap sehingga metode-metode machine learning menjadi solusi untuk itu yang juga mampu memodelkan fungsi-fungsi nonlinear, mampu mengatasi masalah yang sangat kompleks, dan memiliki toleransi terhadap data yang tidak tepat.
Kata lainnya, Fuzzy Logic tidak mampu melakukan pembelajaran, sementara pendekatan machine learning mampu melakukannya, namun tidak mampu melakukan penalaran seperti Fuzzy Logic. Melalui pembelajarannya, pendekatan machine learning mampu menggali pengetahuan, memprediksi, maupun mengenal pola dari masalah kompleks yang dihadapi sehingga dapat memodelkan aturan-aturan. Dengan demikian, bagaimana jadinya jika pendekatan reasoning Fuzzy Logic diintegrasikan dengan pendekatan machine learning? Bagaimana jika pendekatan machine learning memodelkan aturan-aturan yang sulit didefinisikan melalui pembelajarannya untuk digunakan Fuzzy Logic? Atau bagaimana jika pendekatan reasoning Fuzzy Logic mengoptimalkan proses prediksi, pengenalan pola, dan pemodelan pengetahuan yang dilakukan pendekatan machine learning? Buku ini merupakan salah satu jawabannya.
Bagaimana jika metode-metode machine learning diintegrasikan dengan metode Fuzzy Logic? Buku ini membahas karakteristik, algoritma, manual, dan penerapan (menggunakan tools Matlab dan Rapidminer) beberapa metode-metode machine learning dan pengembangannya dengan reasoning Fuzzy Logic, meliputi:
Mengapa Machine Learning & Reasoning FuzzyLogic?
Pengantar Machine Learning
Pra Pengolahan Data
Evaluasi Model
FuzzyLogic
ANN, SVM, & Fuzzy
K-Means& FCM
Naïve Bayes, k-NN& Fuzzy
Bonus: C4.5, Linear Regression, & A-Priori