12.1.

Pendahuluan

Cabang ilmu kecerdasan buatan cukup luas dan erat kaitannya dengan disiplin ilmu
yang lainnya. Hal ini bisa dilihat dari berbagai aplikasi kombinai dari berbagai
ilmu. Misalnya, banyak aplikasi kedokteran yang dibuat dari perpaduan ilmu
kecerdasan buatan dan ilmu kedokteran atau Neural Network merupakan kategori
ilmu Soft Computing. Neural network sebenarnya mengadopsi dari kemampuan
otak manusia yang mampu memberikan stimulasi/ransangan, 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, anak-anak mampu belajar
melakukan pengenalan meskipun tidak mengetahui algoritma yang digunakan.
Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah
keunggulan dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah :

1.     Pengklasifikasian pola

2.     Memetakan pola yang didapat dari input ke dalam pola baru pada output

3.     Penyimpan pola yang akan dipanggil kembali

4.     Memetakan pola-pola yang sejenis

5.     Pengoptimasi permasalahan

6.     Prediksi

12.2. Sejarah

Perkembangan ilmu Neural Network sudah sejak tahun 1943 ketika Warren
McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network.
Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama
yang mampu memberikan peningkatan secara keseluruhan pada kekuaatan
komputasi
McCulloch & Pitts, penemu pertama Neural Network

Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pda tahun
1950, dimana ia berhasil menemukan sebuah  two-layer network, yang disebut
dengan perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi
pemebelajaran tertentu dengan penambahan untuk pekerjaan klasifikasi
pembelajran tertentu dengan penambaahan bobot pada setiap koneksi antar
network.

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak

sepenuhnya sempurna karena masih ditemukan juga beberapa keterbatasan.
Perceptron tidak mampu menyelesaikan permasalahan XOR (exclusive-OR).
Penilaian terhadap keterbatasan neural network ini membuat penelitian dibidang
ini sempat mati selama kurang lebih 15 tahun. Namun, perceptron berhasil menjadi
sebuah dasar untuk penelitian selanjutnya dibidang neural network.
 

Pengkajian terhadap neural network mulai berkembang lagi diawal tahun 1980-an.
Para peneliti banyak menemukan bidang interest baru pada zaman domain ilmu
neural network. Penelitian terakhir adalah mesin Boltzmann, jaringan Hopfield,
model pembelajaran kompetitif, multi layer network, dan tori model resonasi
adaptof. Untuk saat ini, neural network sudah dapat diterapkan pada beberapa task,
misalnya classification, recognition, approximation, prediction, clusterization,
mempry simulation, dan banyak task-task berbeda lainnya, dimana jumlahnya
semakin bertambah seiring berjalannya waktu.

12.3. Konsep Neural Network

1.     Proses Kerja Jaringan Syaraf Pada Otak Manusia

Ide dasar neural network adalah otak manusia, dimana otak memuat sekitar
1011 neuron. Neuron berfungsi memroses setiap informasi yang masuk. Satu neuron
memiliki 1 akson dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf
lain, jumlah mencapai sekitar 104 sinapsis. Masing-masing sel saling berinteraksi
satu sama lain menghasilkan kemampuan tertentu pada kerja otak manusia.

Struktur Neuron pada otak manusia

Dari gambar diatas, dapat dilihat ada beberapa bagian dari otak manusia, yaitu:
 o Dendrit (Dendrites)

Berfungsi untuk mengirimkan impuls yang diterima ke bdan sel syaraf

o Akson (Axon)

Berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain.

o Sinapsis

Berfungsi sebagai unit fungsional di antara 2sel syaraf

2.     Proses Otak Manusia

Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan
sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari self syaraf
bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan cara
mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2
buah sel syaraf, misalnya A dan B, dimana yang satu adalah serabut akson dari
neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa
menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal
yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain
jika memenuhi batasan tertentu, yang disebut dengan nilai ambang (threshold).

12.4. Struktur Neural Network

Dari struktur neural pada otak manusia, dan proses kerja yang dijelaskan di atas,
maka konsep dasar pembangunan struktur neural 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 erorr, pada parallel processing.
Struktur ANN

Karakteristik dari ANN dilihat dari pola hubungan antar neuron, metode penentuan
bobot dari tiap koneksi, dari fungsi aktifasinya. Gambar tersebut menjelaskan
struktur ANN secara mendasar, yang dalam kenyataannya tidak sederhana seperti
itu.

1.     Input, berfungsi seperti dendrite

2.     Output, berfungsi akson

3.     Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara
langsung. Link dari unit yang satu unit yang lainnya digunakan untuk melakukan
propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot
numerik. Bobot ini menerangkan 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 kedalam neuron, nilai output yang ada akan dijumlahkan oleh suatu
fingsi perambatan (summing function). Fungsi ini dilambangkan dengan sigma (S).
Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron. Pada proses
ini akan dibandingkan hasil penjumlahan dengan threshold (niai 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. Neuron-
neuron ini akan dikelompokkan kedalam beberapa layer. Neuron yang terdapat
pada tiap layer dihubungkan dengan neuron pada neuron lainnya. Hal ini tentunya
tidak berlaku pada layer input dan output, tapi hanya layer yang berada
diantaranya.
Informasi yang diterima delayer input dilanjutkan ke layer-layer dalam ANN satu
per satu hingga mencapai layer terakhir/layer output/ Layer yang terletak diantara
input dan output disebut dengan hidden layer. Namun, tidak semua ANN memiliki
hidden layer, ada juga yang hanya terdapat layer input dan output saja.

12.5. Arsitektur Neural Network

Neuron lebih mudah dikenali apabila divisualisasikan dalam bentuk yang lebih
tertata dengan layering. Secara umum, neuron yang berada pada layer yang sama
memiliki behaviour yang sama. Faktor kunci dalam menentukan behaviour dari
sebuh neuron adalah fungsi aktivasinya dan pola bobot tiap konsekuensinya baik
pada saat menerima ataupun mengiriman sinyal.

Arsitektur net adalah susunan neuron dalam layer-layer pada pola koneksi pada
layer-layer tersebut. Neural nets sering diklasifikasikan ke dalam single layer atau
juga multi layer. Pada penentuan jumlah layer, unit input tidak dihitung sebagai
sebuah layer, karena unit input tidak melakukan komputasi apapun. Pada layer
yang sama, neuron-neurn akan memiliki fungsi aktivasi yang sama. Jika neuron-
neuron dalam suatu layer akan dihubungkan dengan neuron-neuron pada layer
yang lain, maka setiap neuron pada layer tersebut juga harus dihubungkan dengan
setiap layer pada layer lainnya.

1.     Single layer-net

Memiliki satu layer dengan bobot pada setiap koneksinya. Layer yang ada di dalam
Single-layer net dapat dibedakan menjadi dua, yaitu layer input yang menerima
signal dari luar dan layer output yang memberikan respon atau hasil dari net.
Untuk single layer-net, bobot pada satu layer output tidak berpengaruh pada bobot
layer output lainnya.

2.     Multilayer Net

Sebuah net yang terdiri dari satu layer atau lebih. Layer ini biasanya disebut
dengan hidden layer. Hidden layer terletak di antara layer input dan layer output.
Pada umumnya, hubungan di antara layer akan memiliki bobot, baik dari unit input
ke hidden layer, ataupun dari hidden layer ke unit output. Multi layer mampu
menyelesaikan lebih banyak permsalaha yang rumit dibandingkan dengan single-
layer, namun kesulitannya ada pada saat training.
3.     Competitive Layer Net

Bentuk dari Competitive Layer Net menghasilkan sebuah bagian yang besar dari
neural network. Pada umumnya, di competitive layer net ini,  hubungan antara
neuron yang satu dengan yang lainnya tidak diperlihatkan pada diagram
arsitektural dari setiap net.

12.6. Fungsi Aktivasi

Fungsi ini digunakan untuk menetukan keluaran suatu neuron berdasarkan proses
yang dilakukan terhadap input yang dimasukkan. Ada berbagai jenis fungsi
aktivasi pada Neural Network :

o Hard Limit Function

Network dengan single layer sering menggunakan step function untuk

mengkonfirmasikan suatu variabel yang nialainya kontinu ke suatu output biner (0
atau 1)

o Threshold Function

adalah hard limit function dengan menggunakan nilai ambang. Sering disebut
dengan nama fungsi Heaviside

o Bipolar Function

Fungsi ini sebenarnya hampir sama dengan function biner (hard limit dan
threshold), hanya saja output yang dihasilkan oleh bipolar function adalah berupa
1, 0, atau -1

o Bipolar with Threshold Function

Fungsi bipolar hampir sama dengan threshold function hanya saja output yang
dihasilkan berupa 1, 0, atau -1. Fungsi ini diukur sebagai nilai ambang.

o Linear Function

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya
 o Binary Sigmoid Function

Fungsi sigmoid biner ini digunakan untuk neural network yang dilatih dengan
metode backpropagation. Memiliki range dari 0 hingga 1 oleh karna itu, fungsi ini
sering digunakan untuk neural network yang membutuhkan nilai output yang
dalam range 0 hingga 1. Namun fungsi ini bisa juga digunakan oleh neural network
yang nilai outputnya 0 atau 1.

12.7. Konsep Learning di Neural Network

Tujuan learning/training adalah supaya input dari network dapat menghasilkan

output yang diinginkan. Output yang diharapkan adalah output yang akurat atau
paling tidak menghasilkan output yang konsisten sebagai tambahan pada arsitektur
Neural Network, metode yang melakukan pengaturan nilai pada bobot adalah
sebuah karakter pembeda yang penting dari berbagai neural nets.

Ada 2 tipe training yang dikenali dalam Neural Network, yaitu :

1. Supervised Learning

Pada Supervised Learning, training dilakukan dengan memberikan sebuah training

vector yang berurutan, atau sebuah pola yang diasosiasikan dengan target output
vector.

2. Unsupervised Learning
Apabila pada Supervised Learning diperlukan target output, pada Unsupervised
Learning hal ini tidak diperlukan. Data training hanya terdiri dari vector-vektor
input, tanpa adanya pasangan output.