Cabang ilmu kecerdasan buatan cukup banyak dan luas, serta
erat kaitannya dengan disiplin ilmu yang lainnya. Hal ini bisa dilihat dari
berbagai aplikasi yang merupakan hasil kombinasi dari berbagai disiplin ilmu.
Salah satunya adalah Artificial Neural Network (ANN),yang merupakan
kombinasi antara ilmu artificial intelligence dengan biologi.
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
ARTIFICIAL 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 digambarkan sebagai berikut :
Struktur pada gambar tersebut adalah bentuk standar dasar
satuan unit jaringan otak manusia yang telah disederhanakan. Bentuk standar ini
mungkin dikemudian hari akan berubah bila ada ilmuan yang dapat menciptakan
bentuk standar yang lebih baik ataupun memperbaiki bentuk standar yang
digunakan saat ini. Jaringan otak manusia tidak kurang dari 1013 neuron yang
msing-masing terhubung oleh sekitar 1015 buah dendrite.
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.
Secara umum jaringan syaraf terbentuk dari jutaan (bahkan
lebih) struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu
dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan terus
menerus sesuai dengan kebutuhan.
2. Pemodelan Artificial
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. Ide mendasar dari Artificial Neural
Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi
yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang
diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.
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
Neural network dibangun dari banyak node/unit yang
dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang
lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit
selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan
serta penanda dari sebuah konektivitas.
Proses pada ANN dimulai dari input yang diterima oleh
neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk
ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi
perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan
lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap
neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai
ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan
dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan
diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya.
ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron
ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap
layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak
berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya.
Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN
secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang
terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak
semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan
output saja.
3. Mengaktifkan Jaringan
Syaraf Tiruan
Mengaktifkan jaringan syaraf tiruan berarti mengaktifkan
setiap neuron yang dipakai pada jaringan tersebut. Banyak fungsi yang dapat
dipakai sebagai pengaktif, seperti fungsi-fungsi goniometri dan hiperboliknya,
fungsi unit step, impulse, sigmoid, dan lain sebagainya. Tetapi yang lazim
digunakan adalah fungsi sigmoid, karena dianggap lebih mendekti kinerja sinyal
pada otak.
Perceptron
Perceptron pada Jaringan Syaraf Tiruan (Neural Network)
termasuk kedalam salah satu bentuk Jaringan Syaraf (Neural Network) yang
sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe
pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada
dasarnya perceptron pada Jaringan Syaraf Tiruan (Neural Network) dengan satu
lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang
digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya
melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga
terjadi pembatasan antara daerah positif dan daerah negatif.
C. KARAKTERISTIK ARTIFICIAL NEURAL NETWORK
Karakteristik neural network ditunjukkan dalam 3 ciri yaitu
: Arsitektur jaringan algoritma jaringan (Alg. Pembelajaran dan Pengenalan) dan
fungsi aktivasi.
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
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.
b. Jaringan dengan banyak
lapisan
Jaringan dengan banyak lapisan memiliki 1 atau lebih
lapisan yang terletak diantara lapisan input dan lapisan output yang disebut
sebagai lapisan tersembunyi (hidden layer). Jaringan dengan banyak
lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan
dengan lapisan tunggal, tetapi tentu proses pembelajaran menjadi jauh lebih
rumit dan memakan waktu yang lama. Tetapi pada sebagian besar kasus,
pembelajaran dengan banyak lapisan ini lebih sukses dalam hasil pengujian
masalahnya. Arsitektur jaringan dengan banyak lapisan 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 mengelompokkan 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:
a. 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 tangga biner dirumuskan sebagai,
Sedangkan grafiknya dapat dilihat pada gambar dibawah ini;
b. Fungsi linear (identitas)
Fungsi linear memiliki nilai output yang sama denagn nilai
inputnya. Fungsi linear dirumuskan sebagai,
y=x
dan grafik fungsi linear dapat dilihat pada gambar berikut.
c. Fungsi sigmoid biner
Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi
ini dirumuskan sebagai,
Dan grafik fungsi ini dapat dilihat pada gambar berikut :
d. Fungsi sigmoid bipolar
Fungsi ini mempunyai nilai pada range antara –1 sampai 1.
Fungsi ini dirumuskan sebagai,
Sedangkan grafik fungsinya dapat dilihat pada gambar
berikut ,
D. KELEBIHAN DAN KEKURANGAN ARTIFICIAL
NEURAL NETWORK
1. Kelebihan Artificial
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 Artificial
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
E. KEGUNAAN ARTIFICIAL 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
Daftar Pustaka :
http://www.webpages.ttu.edu/dleverin/neural_network/neural_networks.html
Sharma,
Vidushi, dkk.2012. International Journal of Advanced Research in Computer
Science and Software Enginering : A comprehensive Study of Arthificial Neural
Network.India
www.wikipedia.org
http://elektronika-dasar.web.id/teori-elektronika/perceptron-dan-lapisan-jaringan-syaraf-tiruan-neural-network/
