A. PENGERTIAN
Menurut
teori Haykin (1999,p2) : " jaringan syaraf tiruan (Artificial
Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara
pararel dan terdiri dari unit pemrosesan sederhana, dimana masing – masing unit
memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat
digunakan kembali."
Neural
Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya
mengadopsi dari kemampuan otak manusia yang mampu memberikan
stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh
dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan
manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam
otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk
melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang
digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan
sebuah keunggulan di dalam kajian ilmu pengetahuan.
B. KONSEP
DASAR PEMODELAN ARTHIFICIAL NEURAL NETWORK
1. Struktur
Dasar Jaringan Biologi
Pembuatan
struktur jaringan syaraf tiruan diilhami oleh struktur jaringan biologi,
khususnya jaringan otak manusia. Untuk lebih mengenal asal-usul serta bagaimana
suatu struktur jaringan syaraf tiruan dibuat dan dapat dipakai sebagai suatu
alat penghitung. Berikut ini akan diulas sedikit istilah yang secara umum
digunakan.
Neuron adalah
suatu unit pemroses terkecil pada otak, bentuk sederhana sebuah neuron yang
oleh para ahli dianggap sebagai satuan unit pemroses tersebut.
Ada beberapa bagian dari otak
manusia, yaitu:
·
Dendrit
(Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan
sel syaraf.
·
Akson
(Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan
lain
·
Sinapsis
berfungsi sebagai unit fungsional di antara dua sel syaraf.
2. Pemodelan
Arthificial Neural Network
Dari struktur neuron pada otak
manusia, dan proses kerja yang dijelaskan di atas, maka konsep dasar
pembangunan neural network buatan (Artificial Neural Network) terbentuk.
Karakteristik dari ANN dilihat dari pola hubungan antar
neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya.
Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam
kenyataannya tidak hanya sederhana seperti itu.
a) Input, berfungsi seperti dendrite
b) Output, berfungsi seperti akson
c) Fungsi aktivasi, berfungsi seperti
sinapsis
C.
KARAKTERISTIK ARTHIFICIAL NEURAL NETWORK
1.
Arsitektur
Jaringan
Arsitektur jaringan menggambarkan bagaimana mengatur
neuron-neuron dalam lapisan dan bagaimana menghubungkan neuron-neuron tersebut
dengan bobot keterhubungannya (Weight (w)). Pada setiap neuron yang berada
dalam satu lapisan yang sama mempunyai fungsi aktivasi yang sama, dan setiap
neuron dalam satu lapisan harus dihubungkan dengan setiap neuron pada lapisan
berikutnya. Arsitektur jaringan syaraf tiruan yang sering digunakan adalah :
a. Jaringan dengan lapisan tunggal
b. Jaringan dengan banyak lapisan
Jaringan dengan lapisan tunggal
hanya memiliki 1 lapisan dengan bobot-bobot keterhubungannya. Jaringan ini
hanya menerima input pada lapisan input dan kemudian seacara langsung
mengolahnya menjadi output pada lapisan output. Arsitektur jaringan dengan
lapisan tunggal dapat dilihat pada gambar berikut.
2.
Algoritma
Jaringan
a.
Algoritma
Jaringan Pembelajaran
Algoritma pembelajaran digunakan untuk menemukan
nilai-nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma yang
digunakan Neural Network dalam pembelajaran tergantung pada arsitektur
jaringan yang digunakan. Secara umum, algoritma pembelajaran terbagi menjadi
dua bagian, yaitu supervised learning (pembelajaran terawasi) dan unsupervised
learning (pembelajaran tak terawasi).
Supervised learning merupakan algoritma pembelajaran yang memerlukan target output yang
diharapkan untuk diketahui sebelumnya dalam proses pembelajarannya. Setiap pola
input beserta target output yang ditentukan disebut sebagai pasangan
pembelajaran. Algoritma pembelajaran NN yang termasuk dalam kelompok ini antara
lain hebb, perceptron dan back Propagation.
Unsupervised learning tidak memerlukan target output dan tidak dapat
ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran.
Tujuan pembelajaran ini adalah mengelompkkan unit-unit yang hampir sama dalam
suatu area tertentu. Yang termasuk dalam Unsupervised learning antara
lain :
1)
Kohonen
Self-Organizing Maps
2)
Learning Vector
Quantization
3)
Counterpropagation
b.
Algoritma
pengenalan
Setelah menemukan nilai bobot
keterhubungan antar neuron yang bersesuaian dengan nilai output, maka nilai
bobot tersebut digunakan untuk menguji NN jika suatu input dimasukkan sehingga
suatu nilai ouput dihasilkan. Proses ini dinamakan proses pengenalan
(pengujian). Algoritma pengenalan yang digunakan tergantung pada algoritma
pembelajaran yang digunakan, biasanya merupakan bagian dari algoritma
pembelajarannya.
c.
Separabilitas
Linear
Salah
satu cara yang biasa digunakan sebagai syarat henti proses pembelajaran atau
digunakan juga untuk proses pengenalan adalah separabilitas linier.(garis
pembatas). Dalam aplikasi pengenalan pola, garis pembatas ini merupakan batas
keputusan apakah suatu anggota termasuk dalam kelompok (berespon positip) atau
bukan kelompok. (berespon negatip)..Dalam koordinat Cartesian (x,y) garis
pembatas ini digambarkan sebagai garis lurus yang mempunyai persamaan :
y=
mx + c
dengan
:
m : gradien garis
c : konstanta atau titik potong dengan
sumbu-y (0,c)
3.
Fungsi Aktivasi
Ada beberapa bentuk fungsi aktivasi yang umum
digunakan dalam Neural Network, antara lain:
·
Fungsi tangga
biner
Jaringan dengan lapisan tunggal sering menggunakan fungsi
tangga biner untuk mengkonversikan input dari suatu variabel yang bernilai
kontinu ke suatu ouput biner (0 atau 1).
·
Fungsi linear
(identitas)
Fungsi
linear memiliki nilai output yang sama denagn nilai inputnya.
·
Fungsi sigmoid
biner
Fungsi
ini mempunyai nilai pada range 0 sampai 1.
·
Fungsi sigmoid
bipolar
Fungsi
ini mempunyai nilai pada range antara –1 sampai 1.
D.
KELEBIHAN DAN
KEKURANGAN ARTHIFICIAL NEURAL NETWORK
1.
Kelebihan
Arthificial Neural Network
·
Mampu
mengakuisisi pengetahuan walau tidak ada kepastian
·
Mampu melakukan
generalisasi dan ekstraksi dari suatu pola data tertentu
·
JST dapat
menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan
belajar (self organizing)
·
Memiliki fault
tolerance, gangguan dapat dianggap sebagai noise saja
·
Kemampuan
perhitungan secara paralel sehingga proses lebih singkat
·
ANN mampu :
-
Klasifikasi:
memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan
-
Asosiasi: menggambarkan
suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain
-
Self organizing:
kemampuan mengolah data-data input tanpa harus mempunyai target
-
Optimasi:
menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya
2.
Kekurangan
Arthificial Neural Network
·
Black Box
·
Kurang mampu
untuk melakukan operasi operasi numerik dengan presisi tinggi
·
Kurang mampu
melakukan operasi algoritma aritmatik, operasi logika dan simbolis
·
Lamanya
proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah
data yang besar
A. KEGUNAAN ARTHIFICIAL NEURAL NETWORK
•
Pengenalan pola (pattern recognition)
–
Huruf, tanda tangan, suara, gambar yang
sudah sedikit berubah (mengandung noise)
–
Identifikasi pola saham
–
Pendeteksian uang palsu, kanker
•
Signal Processing
–
Menekan noise pada saluran telepon
•
Peramalan
–
Peramalan saham
•
Autopilot dan simulasi
•
Kendali otomatis otomotif
