IF Notes

Bio-Inspired Computing and Why Engineers Study Biology

4 min read

Back to IF3211 Komputasi Domain Spesifik

Bio-Inspired Computing and Why Engineers Study Biology

Questions/Cues

  • Mengapa insinyur/informatika perlu mempelajari biologi?
  • Apa contoh desain bio-inspired (Shinkansen/kingfisher) dan apa pelajarannya?
  • Apa itu bio-inspired algorithms seperti genetic algorithm dan evolutionary computation?
  • Bagaimana biologi menjadi sumber masalah komputasi berskala besar?
  • Apa beda cara belajar biologi vs matematika vs fisika?

Reference Points

  • IF3211 — Course Introduction (PPT 1, bagian Need for Biology)
  • IF3211 — Course Introduction (PPT 1, bagian Bio-inspired Algorithms)
  • IF3211 — Course Introduction (PPT 1, bagian Learning Biology vs Mathematics)

Mengapa Belajar Biologi?

Deck membuka dengan klaim provokatif: “tidak ada bedanya antara belajar matematika dan belajar biologi.” Bagi insinyur, biologi adalah gudang solusi yang telah dioptimasi evolusi selama miliaran tahun. Kopling engineering–biology memberi dua keuntungan: (1) biologi menginspirasi desain rekayasa, dan (2) rekayasa memperbaiki kekurangan sistem biologis — contohnya retinal prosthetic (prostesis retina) yang memulihkan penglihatan. Buah dari kopling ini meliputi bio-sensors, bio-chips, bio-pesticides, dan self-healing concrete.

Studi Kasus Shinkansen dan Kingfisher

Contoh ikonik biomimicry: kereta cepat Shinkansen awalnya menghasilkan sonic boom (ledakan suara) saat keluar terowongan akibat gelombang tekanan udara. Insinyur menyelesaikannya dengan mendesain ulang hidung kereta meniru paruh burung kingfisher — yang secara alami menembus air dari medium berkepadatan rendah ke tinggi tanpa percikan. Hasilnya: kereta lebih senyap, lebih cepat, dan lebih hemat energi. Pelajaran: alam telah memecahkan banyak masalah optimasi; tugas insinyur adalah mengabstraksi prinsipnya.

Bio-Inspired Algorithms

Biologi juga menginspirasi kelas algoritma sendiri. Yang paling terkenal adalah genetic algorithm (GA) dan keluarga evolutionary computation: solusi kandidat dikodekan sebagai “kromosom”, lalu dievolusikan melalui selection, crossover, dan mutation terhadap sebuah fitness function. Keluarga bio-inspired lain mencakup ant colony optimization, particle swarm optimization, dan artificial neural networks (terinspirasi neuron). Semua berbagi pola: meminjam mekanisme adaptif dari alam untuk menjelajahi ruang solusi besar tanpa perlu turunan analitik.

Cara Belajar: Biologi vs Matematika vs Fisika

Deck membandingkan epistemologi tiga bidang. Matematika dipelajari lewat pengulangan operasi (penjumlahan, trigonometri, log, fungsi Bessel) hingga hafal/terbiasa. Fisika memakai observasi lalu diekspresikan secara matematis untuk kelengkapan. Biologi didominasi observasi, aturannya belum universal, dan representasi matematisnya masih berkembang. Implikasinya bagi mahasiswa CS: di biologi kita sering bekerja dengan model probabilistik dan heuristik, bukan hukum deterministik — sangat cocok untuk pendekatan machine learning dan statistik.

Computational Framing: Biologi sebagai Sumber Masalah Skala Besar

Biologi memberi insinyur dua hal sekaligus: metafora algoritmik (bio-inspired) dan problem instances raksasa. Genetic algorithm adalah metaheuristic stochastic search — berguna persis ketika ruang solusi terlalu besar untuk brute force dan fungsi objektif tidak konveks. Sementara itu, biologi memunculkan masalah NP-hard nyata: multiple sequence alignment, protein folding, phylogeny reconstruction. Keduanya adalah dua sisi koin: alam adalah algoritma sekaligus benchmark. Sifat biologi yang “belum universal” menjadikan approximation algorithms dan probabilistic modeling sebagai pendekatan default, bukan exact solver.

flowchart LR
    BIO["Biologi"] --> INS["Inspirasi Desain"]
    BIO --> PRB["Sumber Masalah<br/>Skala Besar"]
    INS --> BM["Biomimicry<br/>(Shinkansen/Kingfisher)"]
    INS --> ALG["Bio-inspired Algorithms<br/>(GA, Swarm, ANN)"]
    PRB --> NP["Masalah NP-hard<br/>(alignment, folding,<br/>phylogeny)"]
    ALG --> NP

Summary

Insinyur dan informatikawan mempelajari biologi karena ia adalah gudang solusi teroptimasi evolusi sekaligus sumber masalah komputasi berskala besar. Biomimicry seperti hidung Shinkansen yang meniru paruh kingfisher menunjukkan cara mengabstraksi prinsip alam menjadi desain rekayasa, sementara kopling engineering–biology menghasilkan retinal prosthetic, bio-sensors, bio-chips, dan self-healing concrete. Dari sisi algoritma, biologi menginspirasi genetic algorithm dan evolutionary computation (selection–crossover–mutation atas fitness function) serta swarm dan neural networks. Epistemologinya berbeda dari matematika/fisika: biologi didominasi observasi dengan aturan belum universal, sehingga model probabilistik, heuristik, dan ML menjadi pendekatan alami. Konsep ini melengkapi taksonomi di Foundations of Computational Biology and Bioinformatics.

Graph View

Backlinks