Peta Kognitif Fuzzy (FCM)
- Diperkenalkan oleh
- Bart Kosko
- Tahun
- 1986
- Jenis
- Fuzzy causal/feedback network for scenario analysis
- Keluarga
- Cognitive mapping
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Peta kognitif fuzzy, yang diperkenalkan oleh Bart Kosko pada tahun 1986, merepresentasikan sebuah sistem sebagai jaringan konsep yang terhubung oleh tautan kausal bertanda dan berbobot, serta mensimulasikan bagaimana konsep-konsep tersebut saling mempengaruhi dari waktu ke waktu.
Dengan menggabungkan struktur intuitif peta kognitif dengan bobot fuzzy dan aktivasi iteratif, FCM memungkinkan para ahli untuk mengkodekan pengetahuan kausal dan kemudian menjalankan skenario 'bagaimana jika' — menjadikannya populer untuk analisis kebijakan, pengambilan keputusan strategis, dan pemodelan sistem sosio-teknis yang kompleks.
Intuisi di balik metode
Para ahli sering memahami sebuah sistem sebagai 'lebih banyak hal ini menyebabkan lebih banyak hal itu, tetapi lebih sedikit hal lain' — sebuah jaringan panah kausal dengan kekuatan dan tanda yang bervariasi. FCM mengubah model mental tersebut menjadi graf berarah: node adalah konsep (misalnya, investasi, permintaan, polusi), panah membawa bobot antara −1 dan +1 untuk seberapa kuat dan ke arah mana satu konsep mendorong konsep lain. Untuk mengeksplorasi konsekuensi, Anda menetapkan nilai konsep awal dan membiarkan aktivasi merambat di sekitar jaringan, setiap konsep memperbarui dirinya dari pengaruh berbobot konsep lain dan 'diremas' ke dalam rentang terbatas, hingga sistem stabil. Keadaan stabil yang dihasilkan menunjukkan ke mana umpan balik sistem mendorongnya dalam skenario tertentu.
Sejarah
Bart Kosko memperkenalkan peta kognitif fuzzy pada tahun 1986, memperluas peta kognitif (biner) sebelumnya dari Axelrod dengan bobot fuzzy dan aktivasi dinamis, menyatukan logika fuzzy dengan perambatan gaya jaringan saraf. Metode ini matang melalui tahun 1990-an–2010-an dengan algoritma pembelajaran (pembelajaran bobot Hebbian dan evolusioner), ekstensi (FCM dinamis, abu-abu, dan intuisionistik), dan literatur aplikasi luas yang disurvei oleh Papageorgiou dan Salmeron (2013). FCM berada di persimpangan komputasi lunak, pemodelan sistem, dan dukungan keputusan, melengkapi dinamika sistem dan jaringan Bayesian.
Kapan digunakan
Gunakan peta kognitif fuzzy untuk memodelkan dan mensimulasikan sistem yang didominasi oleh umpan balik kausal di antara konsep-konsep kualitatif atau semi-kuantitatif, terutama ketika pengetahuan ahli adalah sumber data utama dan tujuannya adalah eksplorasi skenario dan kebijakan daripada prediksi numerik yang tepat — umum dalam manajemen lingkungan, dukungan keputusan medis, kontrol teknik, dan perencanaan strategis. Mereka berharga untuk pemodelan partisipatif (pemangku kepentingan dapat membangun dan memeriksa peta) dan untuk menggabungkan peta dari beberapa ahli. Keterbatasan: dinamika bergantung pada fungsi pemeras dan bobot yang dipilih, FCM menangkap pengaruh kausal relatif daripada besaran yang terkalibrasi, perilaku konvergensi bisa sensitif, dan mereka mengasumsikan struktur kausalnya benar. Ketika dinamika kuantitatif yang tepat atau inferensi probabilistik yang ketat diperlukan, dinamika sistem atau jaringan Bayesian mungkin lebih sesuai.
Batasan dan pertimbangan
- Menangkap pengaruh kausal relatif, bukan besaran kuantitatif yang terkalibrasi.
- Hasil bergantung pada fungsi pemeras, bobot, dan skema pembaruan.
- Konvergensi bisa sensitif dan dapat menghasilkan siklus batas atau kekacauan.
- Mengasumsikan struktur kausal yang dieksplorasi benar; tautan yang hilang membiaskan hasil.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengkodekan pengetahuan kausal ahli dalam graf yang intuitif dan dapat diperiksa.
- Mensimulasikan dinamika umpan balik dan mendukung analisis skenario 'bagaimana jika' yang cepat.
- Menangani konsep kualitatif/semi-kuantitatif tanpa data yang tepat.
- Mendukung pemodelan partisipatif dan penggabungan peta dari beberapa ahli.
Penerapan
- Analisis skenario manajemen lingkungan dan ekologi.
- Dukungan keputusan medis dan diagnosis dari model konsep kausal.
- Perencanaan strategis dan analisis 'bagaimana jika' kebijakan dengan pemangku kepentingan.
- Kontrol proses teknik dan analisis kesalahan.
- Pemodelan sistem sosio-ekonomi di mana umpan balik mendominasi.
Cara kerjanya
Cara kerjanya
Definisikan konsep C₁…Cₙ yang relevan dalam sistem dan matriks bobot kausal W, di mana wᵢⱼ ∈ [−1, 1] mengkodekan kekuatan dan tanda pengaruh konsep i pada konsep j. Bobot berasal dari penilaian ahli, dari data, atau dari algoritma pembelajaran; positif berarti mempromosikan, negatif berarti menghambat.
Rumus
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})Setiap konsep memiliki nilai aktivasi. Pada setiap langkah, nilai baru sebuah konsep adalah nilai sebelumnya ditambah jumlah berbobot dari aktivasi semua konsep yang mengarah kepadanya. Ini adalah perambatan pengaruh kausal melalui struktur umpan balik jaringan.
Rumus
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)Jumlah pengaruh dilewatkan melalui fungsi pemeras (ambang batas) — umumnya sigmoid dengan kemiringan λ, atau fungsi tanda/tangen hiperbolik — untuk menjaga aktivasi dalam rentang terbatas (misalnya, [0,1] atau [−1,1]) dan untuk memperkenalkan non-linearitas, sehingga konsep tidak dapat tumbuh tanpa batas.
Rumus
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})Pembaruan diulang sampai aktivasi berhenti berubah (atraktor titik tetap), menetap dalam siklus batas yang berulang, atau dinyatakan sebagai kaotik. Pola yang konvergen adalah hasil skenario; membandingkan keadaan konvergen di berbagai pengaturan awal atau pengeditan bobot adalah cara FCM menjawab pertanyaan 'bagaimana jika' dan kebijakan.
Rumus
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})Kesalahan umum
- Membaca nilai konsep yang konvergen sebagai prediksi yang tepat daripada kecenderungan relatif.
- Mengabaikan bagaimana pilihan fungsi ambang batas dan λ mengubah keadaan stabil.
- Membangun peta dengan bobot ahli yang tidak tervalidasi dan memperlakukannya sebagai kebenaran dasar.
- Mengabaikan non-konvergensi (siklus batas) dan melaporkan keadaan transien sebagai hasil.
Pertanyaan yang sering diajukan
Bagaimana FCM berbeda dari jaringan Bayesian?
Keduanya adalah graf berarah atas konsep, tetapi jaringan Bayesian mengkodekan distribusi probabilitas bersyarat dan bersifat asiklik, mendukung inferensi probabilistik. FCM menggunakan bobot fuzzy bertanda, memungkinkan siklus (umpan balik), dan disimulasikan secara dinamis hingga keadaan stabil. FCM lebih baik untuk skenario 'bagaimana jika' yang kaya umpan balik; jaringan Bayesian untuk penalaran probabilistik yang ketat.
Dari mana bobot berasal?
Biasanya dari penilaian ahli (sering dieksplorasi sebagai istilah linguistik yang dipetakan ke angka), dari data historis, atau dari algoritma pembelajaran seperti penyetelan bobot Hebbian atau evolusioner. Karena hasil bergantung pada bobot, sumber dan validasinya harus selalu dilaporkan.
Apa artinya jika FCM tidak konvergen?
Alih-alih menetap pada titik tetap, sistem dapat memasuki siklus batas (pola berulang) atau perilaku kaotik, tergantung pada bobot dan fungsi pemeras. Non-konvergensi itu sendiri informatif tentang struktur umpan balik sistem, tetapi keadaan transien tidak boleh dilaporkan sebagai hasil skenario.
Metode terkait
Sumber
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.
Buka referensi DOIDisalin.Papageorgiou, E. I., & Salmeron, J. L. (2013). A review of fuzzy cognitive maps research during the last decade. IEEE Transactions on Fuzzy Systems, 21(1), 66–79.
Buka referensi DOIDisalin.