NEURAL NETWORK
Oleh:
UNIVERSITAS UDAYANA
2011
PENDAHULUAN
Pengertian
Jaringan Saraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh
sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen
mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan
informasi. Jaringan Saraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Saraf
Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau
klasifikasi karena proses pembelajaran. Jaringan Saraf Tiruan berkembang secara pesat pada
beberapa tahun terakhir. Jaringan Saraf Tiruan telah dikembangkan sebelum adanya suatu
komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami
masa vakum selama beberapa tahun.
Inspirasi Biologi
Jaringan Saraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk
menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan
model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel saraf yang
saling berhubungan. Sel saraf mempunyai cabang struktur input (dendrites), sebuah inti sel
dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites
yang lain melalui sebuah synapse. Ketika sebuah sel saraf aktif, kemudian menimbulkan
suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel saraf
yang lain. Sebuah sel saraf lain akan mendapatkan signal jika memenuhi batasan tertentu
yang sering disebut dengan nilai ambang atau (threshold).
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini
disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan
pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem
kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan
bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur
menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch
dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk
memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan
sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.
Pengertian Neuron
Bagian-Bagian Neuron
Dalam Sistem Jaringan Saraf Tiruan neuron akan bekerja dengan mengumpulkan sinyal dari
neuron yang terhubung sebelumnya dan memprosesnya untuk menjadi masukan bagi neuron
berikutnya. Neuron tersusun dari komponen-komponen sebagai berikut :
• Sekumpulan penghubung atau yang dikenal dengan Synapses atau Connection Link
yang di karakterkan dengan sebuah pembobot (weight/strength conecction).
• Sebuah Fungsi Tidak Dinamis (Non Dynamical) yang dikenal dengan sebutan Fungsi
Aktivasi (Activation Function).
Model Neuron
Satu sel saraf terdiri dari tiga bagian, yaitu : fungsi penjumlahan (summing function), fungsi
aktivasi (activation function), dan keluaran (output).
Gambar 2. Model Neuron
Neuron Layer
Setiap pola-pola informasi input dan output yang diberikan kedalam Jaringan Saraf Tiruan di
proses di dalam neuron. Neuron-neuron tersebut terkumpul di dalam lapisan-lapisan yg
disebut Neuron Layers. Lapisan-lapisan penyusun Jaringan Saraf Tiruan tersebut dapat dibagi
menjadi 3, yaitu :
• Lapisan Input : sebuah nilai input yang akan diproses menjadi nilai output.
• Lapisan Tersembunyi (Hidden Layer) : lapisan yang tidak terkoneksi secara langsung
dengan lapisan input atau output, memperluas kemampuan Jaringan Saraf Tiruan.
Jaringan Saraf Tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam
berbagai aplikasi. Arsitektur Jaringan Saraf Tiruan tersebut, antara lain :
Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap
neutron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap
neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian
secara langsung akan mengolahnya menjadi outpun tanpa harus melalui lapisan
tersembunyi. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : Peceptron,
ADALINE, Hopfield.
Jaringan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni
layer input, layer output, dan layer tersembunyi. Jaringan dengan banyak lapisan ini
dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan
lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung
lama. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : MADALINE,
Backpropagation, Neocognitron.
Gambar 5. Arsitektur Layer Jamak
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : LVQ.
1. Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal
bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit
output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai
sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel
syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu
variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain
dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan
beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).
Ketika sebuah Jaringan Saraf digunakan. Input dari nilai suatu variabel ditempatkan
dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output
menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil
jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi
dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilakan output dari sel saraf. Ketika semua unit pada Jaringan Saraf telah
dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan saraf.
PARADIGMA PEMBELAJARAN
Umumnya, jika menggunakan Jaringan Saraf Tiruan, hubungan antara input dan output harus
diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu
model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan
pembelajaran. Ada tiga tipe pembelajaran yang dikenal yaitu :
1. Hebb Rule
Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara
memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung
dan keduanya dalam kondisi “on” pada saat yang sama, maka bobot antara keduanya
dinaikkan
2. Perception
Biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering
dikenal dengan pemisahan secara linear. Algoritma yang digunakan
akan mengatur parameter-parameter bebasnya melalui proses
pembelajaran
3. Delta Rule
Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan
nilai target.
4. Backpropagation
Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception
dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuron-
neuron yang ada pada lapisan tersembunyi
5. Hetroassociative Memory
Jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut
dapat menyimapan kumpulan pola.
8. Jaringan Kohonan
Jaringan kohonen pertama kali diperkenalkan oleh Prf. Teuvo Kohonen tahun 1982.
Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya
sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan
istilah cluster Selama proses penyusunan diri, cluster yang memiliki vektor bbot
paling cocok dengan pola input akan terpilih sebagai pemenang.
FUNGSI AKTIVASI
• Fungsi Bipolar
Jaringan Saraf Tiruan mengalami “booming” dan diminati beberapa tahun terakhir ini, dan
sangat sukses digunakan untuk memecahkan berbagai masaalah dalam berbagai disiplin ilmu
seperti : bidang finansial, kedokteran, teknik, geologi dan fisika. Lebih jauh lagi, bahwa
sesuatu masaalah dengan menggunakan Jaringan Syaraf Tiruan dapat diprediksi,
dikelompokkan dan dikontrol.
Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan
antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs),
ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam
istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh
permasalahan yang dapat dipecahkan secara baik oleh Jaringan Saraf Tiruan antara lain :
6. Pemeliharaan Mesin.
Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor
pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang
berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan
bakar.
KESIMPULAN
Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan
dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk
mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar
komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari
Jaringan Syaraf Tiruan adalah :
1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang
didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman
sebelumnya.
2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan
informasi yang didapat pada saat pembelajaran.
3. Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device
hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya
kemampuan tersebut.
4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian
tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan
mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.
5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya.
Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau
fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri kaidah atau fungsi
tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi
yang tidak diketahui.
6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah
dibuktikan dalam berbagai macam penelitian.
DAFTAR PUSTAKA
Artificial Neural Network Theory and Applications, Dan W. Patterson, John Wiley and Sons,
Inc. 1995.
Dan W. Patterson, Artificial Neural Network Theory and Applications, John Wiley and Sons,
Inc. 1995.
Membangun Jaringan Syaraf Tiruan, Sri Kusumadewi, 2004, Graha Ilmu, Yogyakarta