SEJARAH

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.

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya

sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron
tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian
terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat
mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi
sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network.
Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal
tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain
ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann,
jaringan Hopfield, model pembelajaran kompetitif, multilayer network, dan teori model
resonansi adaptif.
Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task,
diantaranya classification, recognition, approximation, prediction, clusterization,
memory simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya
semakin bertambah seiring berjalannya waktu.

Definisi Neurall Network

Neural Networks (Jaringan Saraf Tiruan) menurut Haykin [4] didefinisikan sebagai
berikut :

“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.

Konsep Neural Network

1. Proses Kerja Jaringan Syaraf Pada Otak Manusia
Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat sekitar
1011 neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu
neuron memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan
syaraf lain, jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling
berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja otak
manusia.

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).

2. Struktur 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.

1. Input, berfungsi seperti dendrite

2. Output, berfungsi seperti 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 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.

Algoritma Dalam Jaringan Saraf Tiruan.

 Algoritma Backpropagation
 Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyakdimanfaatkan
dalam bidang pengenalan pola adalah backpropagation. Algoritma iniumumnya
digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang
tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dariinput menuju
output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tigatahapan
[Fausett, 1994], yaitu:

1. Input nilai data pelatihan sehingga diperoleh nilai output.

2. Propagasi balik dari nilai error yang diperoleh.
3. Penyesuaian bobot koneksi untuk meminimalkan nilai error.
Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error
yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang
diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Secara matematis
[Rumelhart, 1986], ide dasar dari algoritmabackpropagation ini sesungguhnya
adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh
masing-masing bobot terhadap fungsi error.

 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.

Arsitektur Jaringan Saraf Tiruan

Secara umum, Arsitektur JST terdiri atas beberapa lapisan, yaitu lapisanmasukan
(input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer).
Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda.
Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini :
 Gambar 1.2 Arsitektur Jaringan Saraf Tiruan

1. Lapisan Masukan (input layer)

Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan
menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam
jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori
pada jaringan saraf biologi.

2. Lapisan tersembunyi (hidden layer)

Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan
saraf bilogis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan
dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan
menjadi makin sulit atau lama.

3. Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan
jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan
tiruan dari sel saraf motor pada jaringan saraf biologis.
Dasar Pemahaman Neural
Network
Pendahuluan
Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin ilmu yang
lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil kombinasi dari
berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang berbentuk aplikasi. Sudah
berkembang bahwa aplikasi yang dibuat merupakan hasil perpaduan dari ilmu kecerdasan
buatan dan juga ilmu kedokteran atau lebih khusus lagi yaitu ilmu 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.

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
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.

Gambar 2.2 Perceptron

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya
sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu
untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan
neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15
tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-
penelitian selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai
berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang
interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin
Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network, dan teori
model resonansi adaptif.
Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya
classification, recognition, approximation, prediction, clusterization, memory simulation dan
banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring
berjalannya waktu.

Konsep Neural Network

1. Proses Kerja Jaringan Syaraf Pada Otak Manusia
Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat sekitar
1011 neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron
memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain,
jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling berinteraksi satu sama
lain yang menghasilkan kemampuan tertentu pada kerja otak manusia.

Gambar 2.3 Struktur Neuron pada otak

manusia
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).

2. Struktur 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.

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.

1. Input, berfungsi seperti dendrite

2. Output, berfungsi seperti 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 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.

CONTOH PENERAPAN ARTIFICIAL NEURAL

NETWORK
Algoritma ANN lahir dari gagasan seorang psikolog Warren McCulloch dan Walter Pitts
pada 1943 yang menjelaskan cara kerja jaringan syaraf dengan perangkat jaringan elektronik.

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:

Courtesy Hampson Russell

Dari gambar di atas terlihat bahwa, prinsip dasar ANN adalah sejumlah parameter sebagai
masukan (input layer) diproses sedemikian rupa didalam hidden layer (perkalian,
penjumlahan, pembagian, dll.), lalu diproses lagi didalam output layer untuk menghasilkan
sebuah output.

Courtesy Hampson Russell

Gambar diatas menunjukkan contoh penerapan ANN untuk data seismik, katakanlah kita
memiliki beberapa input seperti impedance (x1), reflection strength (x2), instantaneous
frequency (x3),… dll . yang akan digunakan untuk memprediksi porositas reservoir sebagai
output. Maka secara sederhana porositas reservoir akan didapatkan dengan mengkalikan
setiap sampel data input dengan suatu pembobotan (weight) lalu dijumlahkan, lalu hasil
penjumlahan tersebut menjadi input untuk fungsi aktivasi untuk menghasilkan parameter
porositas.

Fungsi aktivasi tersebut dapat berupa sigmoid function ataupun hyperbolic tangent function
(perhatikan keterangan dibawah ini).

Courtesy Hampson Russell

Tentu kita menginginkan agar nilai porositas yang diprediksi semirip mungkin dengan nilai
porositas yang sesungguhnya, dengan kata lain kita harus memiliki nilai selisih (baca error)
antara nilai prediksi dengan nilai sesungguhnya yang sekecil mungkin, untuk tujuan ini
didalam algoritma ANN di atas, kita harus melakukan updating nilai weight untuk masing-
masing input.

Contoh Penerapan ANN pada Pemetaan Soal UN

Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki
karakteristik yang menyerupai jaringan syaraf biologi dalam memproses informasi. Salah
satu penerapan ANN adalah untuk pemetaan data input dengan suatu pola yang diinginkan
(Santoso,2004). Parameter-parameter yang ada dalam pemetaan soal UN digunakan sebagai
bagian dalam sistem ANN yang dibangun. Dengan penggunaan ANN diharapkan memberi
kemudahan bagi guru dalam melakukan pemetaan soal UN dan hasil yang diperoleh relatif
lebih akurat.

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.

ARTIFICIAL NEURAL NETWORK

Artificial neural network (ANN) adalah peranti lunak dan keras yang
berusaha menyamai pola pemrosesan dari otak manusia, ANN juga disebut
simulated neural network (SNN), atau umumnya hanya disebut neural
network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan jaringan saraf manusia. ANN merupakan sistem
adaptif yang dapat mengubah strukturnya untuk memecahkan masalah
berdasarkan informasi eksternal maupun internal yang mengalir melalui
jaringan tersebut. Oleh karena sifatnya yang adaptif, ANN juga sering
disebut dengan jaringan adaptif.

Artifical 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.

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;

• Lapisan Input (Input Layer).

• Lapisan Tersembunyi (Hidden Layer).
• Lapisan Output (Output Layer).

Kelebihan dan kekurangan ANN

Kelebihan
• Mampu mengakuisisi pengetahuan walau tidak ada kepastian
• Mampu melakukan generalisasi dan ekstraksi dari suatu pola data
tertentu ANN 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

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.

Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan

diantaranya.
• Aeorospace
Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali
pesawat,
perbaikan autopilot dan simulasi komponen pesawat.

• Otomotif
Sistem kendali otomatis mobil.

• Keuangan dan Perbankan

Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian
pola-pola data pasar
saham.

• 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.

Artifical Neural Network dan Implementasinya Dalam Data

Mining
 Artifical Neural Network disebut neural network karena didesain
mengikuti cara otak memproses dan menyimpan informasi. Otak
manusia terdiri dari ratusan sampai jutaan neuron. Setiap neuron
memiliki desain yang sederhana. Neural network disusun dari
nodes yang mengkombinasikan input-inputnya (variabel dari
database atau output dari node yang lain). Node ini dapat
diklasifikasikan dari tiga layer yang sederhana yaitu Input layer,
output layer dan middle layer.

Pertama-tama kita membuat model logistic yang sederhana untuk

menunjukkan neural network. Di sini, tidak dibutuhkan waktu yang
cukup panjang untuk membangun model yang lebih baik
menggunakan logistic refression dibandingkan neural network.

Dalam prakteknya, neural network adalah perangkat pemodelan

data statistik non linear.Neural network dapat digunakan untuk
memodelkan relasi yang kompleks antara input dan output untuk
mencari pola dalam data.

Neural network secara esensial terdiri dari tiga bagian: arsitektur

atau model, algoritma learning, dan fungsi aktivasi. Pada gambar di
bawah ini diperlihatkan artificial neural network.

Keuntungan Artifical Neural Network

1. Akurasi yang tinggi: Neural network digunakan untuk mapping

aproksimasi kompleks non linear.
2. Toleransi terhadap noise: Neural network sangat fleksibel dengan
data yang noisy.
3. Independensi dari asumsi prior: Neural network tidak membuat
asumsi priori tentang distribusi data atau bentuk interaksi dari
faktor-faktor.
4. Mudah untuk dikelola: Neural network dapat diupdate dengan data
yang baru, membuat berguna untuk lingkungan yang dinamis.
5. Neural network dapat diimplementasikan di hardware yang paralel.
6. Ketika element neural network gagal, ia dapat melanjutkan tanpa
masalah karena polanya yang paralel.
7. Neural network dapat dilatih di dataset yang sangat besar secara
iteratif.
Perbandingan algoritma-algoritma dalam data mining
Terdapat banyak algoritma-algoritma dalam data mining. Algoritma-
algoritma yang akan dibandingkan adalah learning classifier
system, neural networks dan decision tree. Learning classfier
system ensemble (LCSE) mengkombinasikan sistem learning
classifier dengan ensemble learning dalam rangka memperlengkap
sistem. Pada gambar di bawah ini diperlihatkan perbandingan
LCSE, decision tree, dan neural network.

Terdapat faktor-faktor penting dalam implementasi neural

network:

a. Kombinasi yang efektif antara Neural Network dan Teknologi

Data Mining

Teknologi umumnya menggunakan software neural network atau

meng-transformasikan dari perangkat neural network yang sudah
dikembangkan, diagram kerja dari data mining harus dimengerti
sebaik-baiknya. Model data dan perangkat muka aplikasi harus bisa
dikembangkan dengan form yang sudah distandardsasikan
sehingga dua teknologi dapat efektif diintegrasikan dan bersama-
sama memiliki peran dalam data mining. Oleh sebab itu, dibutuhkan
pendekatan yang lebih baik lagi dalam mengkombinasikan neural
network dan teknologi data mining harus dapat dikembangkan lebih
baik lagi untuk terciptanya teknologi data mining yang lebih baik ke
depannya.

b. Kombinasi yang efektif antara proses knowledge dan komputasi

neural.

Mengevaluasi apakah suatu pelaksanaan algoritma data mining

baik; indikator berikut dan karakteristiknya dapat digunakan: (1)
apakah pemodelan berkualitas tinggi dalam keadaan ”noisy” dan
data masih setengah matang, (2) model harus dipahami oleh
pengguna dan dapat digunakan untuk pengambilan keputusan; (3)
model dapat mendapatkan pengetahuan (aturan memasukkan dan
ekstraksi) untuk memperbaiki kualitas pemodelan. Yang ada neural
network tinggi presisinya dalam kualitas pemodelan tetapi rendah
dalam dua indikator terakhir. Neural network sebenarnya bisa
dilihat sebagai kotak hitam untuk pengguna, pembatasan aplikasi
membuat klasifikasi dan proses prediksi tidak dapat dipahami oleh
pengguna dan langsung digunakan untuk pengambilan keputusan.
Untuk data mining, tidak cukup tergantung pada model jaringan
saraf menyediakan hasil karena sebelum itu pembuatan keputusan
yang penting yaitu pengguna perlu memahami alasan dan
pembenaran untuk pengambilan keputusan. Oleh karena itu, dalam
data mining, neural network pengetahuan dasarnya harus dibentuk
dalam rangka menerima domain pengetahuan dan pengetahuan
neural network belajar untuk sistem dalam proses data mining.
Artinya, dalam neural network di data mining, perlu menggunakan
metode pengetahuan untuk mengekstraksi pengetahuan dari
proses data mining dan menyadari inosculation pengolahan
pengetahuan dan jaringan syaraf. Selain itu, dalam sistem
keputusan yang efektif dan jelas. Mekanisme juga harus didirikan
untuk meningkatkan validitas dan kepraktisan dari data mining serta
teknologi neural network.

c. Perangkat muka input dan output

Berdasarkan pertimbangan bahwa metode yang menggunakan

perangkat neural network sangatlah kompleks, diperlukan
perangkat muka dengan Basis data relasional, basisdata
multidimensional dan data warehouse harus dapat disinergikan
untuk kebutuhan data mining.

Data mining berdasarkan neural network disusun dengan

menyiapkan data, rules extracting,rules assessment. Sebagai
contoh, kita mempunyai database yang terdiri dari records ribuan
orang yang memesan brosur tentang produk terbaru kita. Database
terdiri dari 5 variabel: umur, jenis kelamin, pendapatan, tingkat
pendidikan, dan apakah dia memesan produk kita setelah me-
review informasi yang kita sediakan. Kita dapat membangun neural
network dengan empat node input (umur, jenis kelamin,
pendapatan, tingkat pendidikan), satu node output (behaviour
pemesanan), dan satu layer node tersembunyi. Kita dapat melatih
network menggunakan database. Setelah itu, kita dapat
menggunakannya untuk mengirimkan brosur kepada orang yang
diklasifikasikan sebagai client oleh neural network.
Data mining berdasarkan neural network disusun dengan
menyiapkan data, rules extracting, rules assessment.

Kekuatan neural network adalah dengan satu layer tersembunyi

fungsi transfer logistic, neural network dapat mengaproksimasi tipe-
tipe fungsi non linear dan interaction terms.

Kita menggunakan tiga langkah untuk mendekati jembatan antara

neural network dan logistic regression. Pertama kita menjalankan
algoritma neural networkdi data. Langkah pertama digunakan untuk
menghasilkan benchmark solusi yang terbaik. Kedua, kita
menerapkan algoritma yang sudah diseleksi di model logistic
regression untuk menemukan sekumpulan variabel dan interaksi
yang paling relevan dengan masalah. Ketika kita membandingkan
neural network dan model logistic. Jika hasilnya hampir sama,
maka model logistic adalah esensi dari relasi yang digambarkan
neural network. Jika hasilnya berbeda, maka model logistic
kehilangan komponen yang krusial dari perbedaan diantara client
dan non-client. Sehingga kita perlu melihat lebih dekat variabel
yang terdapat dalam model dan mencari variabel mana yang
hilang.

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.