Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren
McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network
yang pertama kalinya. Mereka melakukan kombinasi beberapa processing
unit sederhana bersama-sama yang mampu memberikan peningkatan secara
keseluruhan pada kekuatan komputasi.
“Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi
paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan
pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan.
Neural network ini meniru otak manusia dari sudut : 1) Pengetahuan diperoleh oleh network
dari lingkungan, melalui suatu proses pembelajaran. 2) Kekuatan koneksi antar unit yang
disebut synaptic weights,berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh
jaringan tersebut.”
Secara sederhana, Jaringan Syaraf Tiruan adalah sebuah alat
pemodelan data statistik non-linier. Jaringan Syaraf Tiruan dapat digunakan untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data. Menurut suatu teorema yang disebut “teorema penaksiran
universal”, Jaringan Syaraf Tiruan dengan minimal sebuah lapis tersembunyi dengan
fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun
dari suatu dimensi ke dimensi lainnya.
Dari gambar di atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:
1. Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2. Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain
3. Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf.
Proses yang terjadi pada otak manusia adalah:
Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan
sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini
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, misal 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 sering disebut dengan nilai ambang
(threshold).
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.
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.
Algoritma Quickprop
Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwakurva fungsi
error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka
ke atas, dan gradien dari kurva error untuk suatu bobot tidakterpengaruh oleh bobot-
bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot
hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot
pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan
masalah XOR dan encoder/decoder [Fahlman,1988], terbukti bahwa algoritma
Quickprop dapat meningkatkan kecepatantraining. Eksperimen dari [Schiffmann,
1993] juga menunjukkan peningkatankecepatan training dan unjuk kerja yang
signifikan.
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
Sejarah Neural Network
Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch
dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya.
Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang
mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Gambar 2.1 McCulloch & Pitts,
penemu pertama Neural Network
Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana
dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron.
Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan
penambahan bobot pada setiap koneksi antar-network.
Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal
yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini 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, misal 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 sering disebut dengan nilai ambang
(threshold).
Gamba
r 2.4 Struktur ANN
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.
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.
Didalam dunia seismik eksplorasi, algoritma ANN sudah cukup populer diaplikasikan,
diantaranya untuk identifikasi noise, estimasi wavelet, analisa kecepatan, analisis gelombang
geser, autotracking reflector, prediksi hidrokarbon, karakterisasi reservoir, dll.
Konfigurasi sederhana algoritma ANN dapat dijelaskan pada gambar dibawah ini:
Fungsi aktivasi tersebut dapat berupa sigmoid function ataupun hyperbolic tangent function
(perhatikan keterangan dibawah ini).
ANN sendiri telah banyak diaplikasikan dalam bidang komputer, teknik, ilmu murni,
perdagangan, financial dan lain-lain. Diantaranya adalah pengklasifikasian jenis tanah
(Nafisah dkk,2008), dalam penelitian ini digunakan metode ANN Backpropagation untuk
mengenali pola dalam pengklasifikasian jenis tanah ke dalam jenis gravel, sand, slit/ sloam,
clay, heavy clay, atau peat, dengan bantuan software Weka 3.5.7. Sedangkan Giri Daneswara
dan Veronika S Moertini (2004) dalam penelitiannya mengaplikasikan jaringan syaraf tiruan
propagasi balik untuk klasifikasi data, dan Harryanto (2006) meneliti tentang aplikasi cluster
analysis menggunakan self organizing maps (SOM) untuk analisa talenta pemain basket.
Contoh aplikasi yang lain adalah pengenalan daun untuk klasifikasi tanaman (Budi,2008),
pemodelan multivariat deret waktu sumber daya air (Ferianto, 2003), prakiraan harga minyak
sawit (Salya, 2006), prakiraan keuntungan saham (Zhang, 2004) dan prakiraan kebutuhan
energi (McMenamin,1998). Pada penelitian ini ANN digunakan untuk membangun sebuah
model pemetaan soal UN matematika secara mudah berdasarkan bank data hasil laporan UN
yang dikeluarkan oleh pusat penilaian pendidikan balitbang diknas dan BSNP.
Setiap sel saraf atau biasa disebut neuron dapat memiliki beberapa
masukan dan mempunnyai satu keluaran. Jalur masukan pada suatu neuron
bisa berisi data mentah atau data hasil olahan neuron sebelumnya.
Sedangkan hasil keluaran suatu neutron dapat berupa hasil akhir atau
berupa bahan masukkan bagi neutron berikutnya. Jaringan neuron buatan
terdiri atas kumpulan grup neuron yang tersusun dalam lapisan yaitu;
Kekurangan
• 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
Peran Jaringan Syaraf Tiruan Dalam Aspek
Kehidupan
Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau pekerjaan
yang kurang
praktis jika dikerjakan secara manual. Kegunaan Dalam Kehidupan Nyata :
• Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time
series dan modeling.
• Klasifikasi, termasuk pengenalan pola dan pengenalan
urutan, serta pengambil keputusan dalam pengurutan.
• Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
• Robotik.
• Otomotif
Sistem kendali otomatis mobil.
• Pertahanan (Militer)
Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan
objek, pengendali sensor,
sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data,
ektrasksi bagian
istimewa dan penghilangan derau, pengenalan sinyal atau citra.
• Elektronik
Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf
tiruan
secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan
dan penglihatan
robot, sintesis suara.
• Broadcast
Pencarian klip berita melalui pengenalan wajah.
Kesimpulan
Dari makalah ini, kita dapat melihat peranan neural network dalam
data mining. Neural network merupakan topik yang relatif baru dan
masih memerlukan penelitian untuk menghasilkan inovasi. Data
mining sangat sesuai untuk memecahkan masalah karena akurasi
yang tinggi, toleransi terhadap noise, independensi dari asumsi
prior, mudah untuk dikelola. Dan juga neural network dapat dilatih
di dataset yang sangat besar secara iteratif. Data mining menjadi
lebih berguna dengan menggabungkan kekuatan neural network
dengan perangkat statistik. Dipercaya dengan gabungan ini, dapat
menghasilkan sinergi yang penting. Neural network menyediakan
benchmark model yang baik. Dengan menggabungkan kekuatan
data mining dan metode yang tradisional, kita dapat mendapatkan
pengertian yang baik terhadap lingkungan marketing. Ini akan
mengarahkan kita kepada keputusan marketing yang lebih baik dan
akhirnya akan membawa keuntungan yang lebih besar kepada
perusahaan.