A.

Pengertian Jaringan Saraf Tiruan

Neural network atau dikenal sebagai Jaringan Syaraf Tiruan (JST) merupakan
himpunan bagian dari machine learning, khususnya deep learning. Nama dan struktur
yang diberikan terinspirasi oleh otak manusia dan meniru cara neuron biologis memberi
sinyal berinteraksi satu sama lain antar neuron.

Jaringan saraf tiruan (Artifial Neural Network) merupakan salah satu sistem
pemrosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan
bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan di pelajari oleh jaringan syaraf tiruan
sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang
belum pernah dipelajari.
Sejak ditemukan pertamakali oleh Mc.Culloch dan Pitts sistem jaringan syaraf
tiruan berkembang pesat dan banyak di gunakan oleh banyak aplikasi, jaringan syaraf
tiruan (Artificial Nural Network) adalah suatu jaringan untuk memodelkan cara kerja
sistem syaraf manusia (otak) dalam melaksanakan tugas tertentu. Pemodelan ini
didasari oleh kemampuan otak manusia dalam mengorganisasi sel – sel penyusunan
(neuron), sehingga memiliki kemampuan untuk melaksanakan tugas – tugas tertentu
khususnya pengenalan pola dengan Efektifitas jaringan tertiggi. (Suyanto, 2013).
Sebagai sistem yang mampu menirukan perilaku manusia, umumnya sistem
mempunyai ciri khas yang mampu menujukan kemampuan dalam hal:
1. Menyimpan informasi;
2. Menggunakan informasi yang dimiliki untuk melakukan pekerjaan dan
menarik kesimpulan;
3. Beradaptasi dengan keadaan baru;
4. Berkomunikasi dengan penggunanya.
Adapun ilustrasi dari Jaringan Saraf Tiruan dapat dilihat pada gambar dibawah ini:

Dendrit dari jaringan saraf biologis mewakili input dalam JST, inti sel mewakili node,
sinapsis mewakili bobot, dan akson mewakili output. Berikut hubungan antara jaringan
saraf biologis dan JST:

Jaringan Saraf Biologis Jaringan Saraf Tiruan

Dendrit Masukan (input)
Inti sel (neuron) Simpul (node)
Sinapsis Bobot (weight)
Akson Keluaran (output)

Jaringan saraf tiruan di bidang kecerdasan buatan (artificial intelligent)

mencoba untuk meniru jaringan neuron yang membentuk otak manusia sehingga
komputer akan memiliki opsi untuk memahami berbagai hal dan membuat keputusan
layaknya cara seperti manusia berpikir. JST dirancang oleh komputer seperti sel-sel
otak yang saling berhubungan.

Sejak ilmuwan komputer pertama kali mencoba jaringan saraf tiruan

konvensional, banyak penemuan penting yang dipelajari oleh para ahlli dibidang ilmu
saraf. Salah satunya adalah bahwa bagian-bagian otak yang berbeda bertanggung jawab
untuk memproses berbagai aspek informasi dan bagian-bagian ini diatur secara
hierarkis.

Jadi, ketika input masuk ke otak maka setiap tingkat neuron akan memberikan
wawasan dan kemudian informasi tersebut diteruskan ke neuron berikutnya yang punya
tingkat tanggung jawab lebih besar. Mekanisme ini yang coba ditiru oleh algoritma JST.
 Agar JST dapat belajar, jaringan perlu memiliki sebagian besar informasi yang
diberikan melalui proses training. Misalnya ketika kita melakukan training terhadap
model JST untuk membedakan gambar kucing dari anjing, kita perlu menyediakan
ribuan gambar yang ditandai sebagai anjing sehingga jaringan akan mulai 'belajar'.

Setelah dilatih dengan jumlah data yang signifikan, JST akan mencoba
mengklasifikasikan data berikutnya berdasarkan apa yang dipelajari di seluruh unit
yang berbeda. Selama periode training, output mesin dibandingkan dengan deskripsi
yang diberikan manusia tentang apa yang harus diamati.

Jika hasil perbandingannya sama maka dianggap valid. Namun apabila salah,
JST menggunakan backpropagation untuk menyesuaikan pembelajarannya kembali
dengan mudur ke lapisan sebelumnya untuk mengubah persamaan matematika.

Dari proses belajar secara terus menerus inilah kemudian JST disebut sebagai
algoritma Deep Learning, yaitu algoritma yang menjadi semakin cerdas dari waktu ke
waktu.
B. Arsitektur Jaringan Saraf Tiruan
Arsitektur JST menggunakan berbagai lapisan pemrosesan matematis untuk
memahami informasi yang diberikan. Biasanya, jaringan saraf tiruan memiliki puluhan
hingga jutaan neuron buatan yang disebut sebagai unit dan tersusun dalam beberapa
lapisan atau layer.

Adapun lapisan pada jaringan saraf tiruan terdiri dari tiga layer utama yakni input
layer, hidden layer, dan output layer.
1. Input Layer
Seperti namanya, lapisan ini menerima input dalam beberapa format berbeda yang
disediakan oleh programmer. Input yang terima adalah data yang ingin diproses
atau dipelajari oleh jaringan.
2. Hidden Layer
Lapisan tersembunyi atau hidden layer menjembatani lapisan input dan output. Dari
unit input (input layer), data dapat melewati satu atau lebih hidden layer. Tugas
hidden layer adalah mengubah input menjadi sesuatu yang dapat digunakan unit
output. Selain itu, lapisan ini melakukan semua perhitungan untuk menemukan fitur
dan pola tersembunyi.
Mayoritas jaringan saraf sepenuhnya terhubung dari satu lapisan ke lapisan lainnya.
Koneksi ini diberi bobot; semakin tinggi angkanya, semakin besar pengaruh satu
unit terhadap unit lain, mirip dengan otak manusia. Saat data melewati setiap unit,
jaringan belajar lebih banyak tentang data.
3. Output Layer
Masukan atau input melewati serangkaian transformasi menggunakan hidden layer,
pada akhirnya menghasilkan output yang dibawa menuju lapisan ini. Jaringan saraf
tiruan mengambil input dan menghitung jumlah bobot dari input dan bias.
Perhitungan ini direpresentasikan dalam bentuk fungsi transfer.
JST menentukan bobot yang dilewatkan sebagai input ke sebuah fungsi aktivasi
untuk menghasilkan keluaran (output). Fungsi aktivasi memilih apakah sebuah node
akan dibangkitkan atau tidak. Hanya node yang berhasil dibangkitkan yang akan
dibuat sebagai output layer.
C. Kelebihan dan Kekurangan Jaringan Saraf Tiruan
Adapun kelebihan dari jaringan saraf tiruan adalah sebagai berikut:
1. Kemampuan pemrosesan secara parallel
Jaringan syaraf tiruan memiliki kemampuan menyediakan data untuk diproses
secara paralel, yang berarti dapat menangani lebih dari satu tugas pada waktu yang
bersamaan.
2. Menyimpan data di selirih jaringan
Jaringan syaraf tiruan digunakan untuk menyimpan informasi pada jaringan.
Sehingga, meskipun tanpa adanya pasangan data, tidak berarti bahwa jaringan
tersebut tidak menghasilkan keluaran/output.
3. Dapat bekerja dengan pengetahuan yang kurang lengkap
Setelah pelatihan JST, informasi dapat menghasilkan output bahkan ketika terdapat
data yang tidak memadai. Penurunan kinerja algoritma sangat bergantung pada
seberapa penting data yang hilang.
4. Memiliki distribusi memori
Jaringan saraf tiruan dipecah secara bertahap, yang berarti JST tidak akan tiba-tiba
berhenti bekerja.
5. Memiliki toleransi kesalahan
Jaringan saraf tiruan memiliki resistensi dan toleran terhadap kesalahan. Ini berarti
bahwa hilangnya satu atau lebih sel tidak mempengaruhi kinerja jaringan saraf
tiruan.
Adapun kekurangan dari jaringan saraf tiruan adalah sebagai berikut:
1. Perilaku jaringan yang tidak dikenali
JST mampu menghasilkan solusi pengujian, namun tidak dapat memberikan alasan
dan cara kerja dari solusi tersebut. Hal ini mengurangi kepercayaan pada jaringan.
2. Sangat bergantung pada perangkat keras
Jaringan saraf tiruan membutuhkan prosesor dengan kekuatan pemrosesan paralel,
sesuai dengan strukturnya. Oleh karena itu, kemampuannya sangat bergantung dan
dipengaruhi pada peralatan yang digunakan.
3. Perlu menunjukkan masalah dalam nilai numerik
JST dapat bekerja dengan data numerik. Sebelum diperkenalkan ke JST, masalah
harus diubah menjadi nilai numerik terlebih dahulu. Mekanisme ini akan
berdampak langsung pada kinerja jaringan.
4. Sulit menentukan struktur jaringan yang sesuai