BAB I. PENDAHULUAN
A. Latar Belakang
Jaringan Saraf Tiruan (JST) atau Artificial Neural
Network merupakan suatupendekatan yang berbeda dari metode AI lainnya. JST
merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan
kemudian diimplementasikan menggunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar
berikut ini.
Gambar 1.1 Diagram sederhana dari sel otak
Dari gambar diatas dapat dilihat bahwa setiap sel
saraf mempunyai satu inti sel (nucleus). Inti sel akan bertugas melakukan
proses informasi. Informasi sel akan diterima oleh dendrite yang merupakan dari
cell body. Selain menerima informasi, dendrit juga menyertai axon sebagai
keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan
menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan
dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron berupa
rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima
oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendri terakhir
yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan
diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal
sebagai threshold (nilai ambang).
Gambaran di atas merupakan gambaran sederhana dari
jaringan saraf, tetapidari gambaran itu semua komponen dari sel saraf tersebut
relevan bagi saraf modelkomputasi. Secara khusus, dapat dikatakan bahwa setiap
unit komputasional dihitung dari beberapa fungsi input.
Pengembangan terhadap jaringan saraf ini terus
dilakuakan dan memunculkanharapan baru yang dicapainya suatu mesin yang dapat
belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang
sama untuk persoalan yang mirip.
B.
Tujuan
Tujuan dalam penulisan makalah ini adalah untuk
menambah pengetahuan daninformasi bagi yang membacanya dan diharapkan dapat
bermanfaat bagi kita semua.
BAB III. PEMBAHASAN
A. Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan adalah suatu sistem pemrosesan
informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf
biologis [Fausett,1994]. Jaringan saraf tiruan dikembangkan sebagai model
matematis dari saraf biologis dengan berdasarkan asumsi bahwa:
1. Pemrosesan terjadi pada elemen-elemen sederhana
yang disebut neuron.
2. Sinyal dilewatkan antar neuron melalui penghubung.
3. Setiap penghubung memiliki bobot yang akan
mengalikan sinyal yang lewat.
4. Setiap neuron memiliki fungsi aktivasi yang akan
menentukan nilai sinyaloutput.
Jaringan saraf dapat digolongkan menjadi berbagai
jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron,
dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.
B. Komponen Neural Network
Terdapat banyak struktur NN, tetapi kesemuanya
mempunyai komponen yanghampir sama. Gambar berikut memperlihatkan struktur
ideal NN.
Seperti terlihat pada gambar, struktur NN mirip dengan
struktur otak manusiadiatas. Informasi (sebagai input) dikirim ke neuron
melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi
propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan
dengan threshold oleh activation function. Jika input melampaui threshold, maka
neutron akan diaktifkan, jika sebaliknya maka neutronakan inhibit. Jika
diaktifkan, neuron akan mengirim output melalui pembobotan outputke neuron
lainnya, dan seterusnya.
Dalam NN, neuron dikelompokan dalam layer, yang
disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke
semua neuron yang ada di layerbelakang maupun depannya (kecuali input dan
output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per –
layer mulai dari input hingga output tanpa ataumelalui satu atau lebih hidden
layers. Bergantung pada algoritma yang digunakan,informasi juga dapat
dipropagasi ke arah belakang (backpropagation). Gambar berikutmenunjukan NN dengan
tiga neuron layers.
Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NNyang tidak mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.
C. Multi Layer Perceptron
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun
1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih
hidden layers yangterletak antara input dan output layers.
Multi-layer-perceptron dapat digunakan untukoperasi logik termasuk yang
kompleks seperti XOR.
Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neurontersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output(output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya kelapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij melambangkan bobot koneksi dari unitj ke uniti, danθi adalah nilai bias dari uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.
D. Supervised Learning
Tujuan pada pembelajaran supervised learning adalah
untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan
dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang
diinginkan. Pemetaan ini ditentukanmelalui satu set pola contoh atau data
pelatihan (training data set).
Setiap pasangan polap terdiri dari vektor input xp dan
vektor target. Setelah selesaipelatihan, jika diberikan masukan xp seharusnya
jaringan menghasilkan nilai output. Besarnya perbedaan antara nilai vektor
target dengan output actual diukur dengan nilaierror yang disebut juga dengan
di mana adalah banyaknya unit pada output layer.Tujuan dari training ini pada
dasarnya sama dengan mencari suatu nilai minimumglobal dari E.
E. 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.
F. 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.
G. Algoritma Pembelajaran
Belajar Untuk JST merupakan suatu proses dimana
parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan
berkelanjutan oleh lingkungan dimana jaringan berada. Suatu Jaringan Saraf
Tiruan belajar dari pengalaman. Proses yang lazin dari pembelajaran meliputi
tiga tugas, yaitu :
1. Perhitungan Output,
2. Membandingkan output dengan target yang diinginkan.
3. Menyesuaikan bobot dan mengulangi prosesnya.
Proses pembelajaran tersebut dapat dilihat pada gambar
berikut ini :
Gambar Proses Pembelajaran dari suatu JST
Proses pembelajaran atau pelatihan tersebut merupakan
proses perubahan bobot antar neuron sehingga sebuah jaringan dapat
menyelesaikan sebuah masalah. Semakin besar bobot keterhubungannya maka akan
semakin cepat meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat
diklasifikasikan menjadi dua bagian, yaitu:
1. Supervised Learning (pembelajaran terawasi) yang
menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Contoh
dari tipe ini adalah metode back propagation, jaringan Hopfield dan perceptron.
2. Unsupervised Learning (pembelajaran tidak terawasi)
yang hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh
keluaranyang diharapkan.
BAB III. KESIMPULAN
Jaringan Saraf Tiruan (JST) atau Artificial Neural
Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST
merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan
kemudian diimplementasikan menggunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan selamaproses pembelajaran
berlangsung.
Dalam NN, neuron dikelompokan dalam layer, yang
disebut neuron layer. Biasanyasetiap neuron dari sebuah layer dihubungkan ke
semua neuron yang ada di layer belakangmaupun depannya (kecuali input dan
output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per –
layer mulai dari input hingga output tanpa atau melalui satu ataulebih hidden
layers.
Multi-Layer Perceptron adalah jaringan syaraf tiruan
feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh
bobot-bobot penghubung. Tujuan padapembelajaran supervised learning adalah
untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga jaringan
dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan yang
diinginkan. Pemetaan ini ditentukan melalui satu set polacontoh atau data
pelatihan (training data set).
Tujuan pada pembelajaran supervised learning adalah
untuk menentukan nilaibobot-bobot koneksi di dalam jaringan sehingga jaringan
dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang
diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data
pelatihan (training data set).
Referensi :
Tidak ada komentar:
Posting Komentar