Pengertian Neural Network (NN)
Neural Network 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 (Rajasekaran,
2005).
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.
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.
Gambar 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 nilaithreshold, 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.
Perbandingan
Jaringan Syaraf Tiruan Dengan Metode Konvensional
Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk
memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional.
Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer
konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika
suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional
tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana
memecahkan suatu masalah pada komputer konvensional dimana komputer
konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana
pengguna belum mengatahui bagaimana melakukannya.
Gambar Sebuah Sel
Syaraf Sederhana
Jaringan Syaraf Tiruan (Neural Network) dan suatu algoritma
komputer konvensional tidak saling bersaing namun saling melengkapi satu sama
lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya
menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional
digunakan untuk mengontrol Jaringan Syaraf Tiruan (Neural Network) untuk
menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan (Neural Network)
tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan
menghasilkan sasuatu hasil yang luar biasa.
Contoh Kegunaan Artificial Neural Network/Jaringan Saraf Tiruan
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
1.
Optical
Character Recognation
Salah
satu penerapan Artificial Neural Network adalah digunakan untuk pengenalan karakter optik yang dikenal dengan
Optical Character Recognation.
Optical
Character Recognition merupakan suatu teknologi yang memungkinkan mesin
(komputer) secara otomatis dapat mengenali karakter lewat suatu mekanisme
optik. Proses yang dilakukan adalah mengubah citra yang mengandung
karakter-karakter di dalamnya ke dalam informasi yang dapat dimanipulasi oleh
mesin.
2. Prediksi Pasar Saham
Fluktuasi
dari harga saham dan index saham adalah contoh lain yang kompleks, multidimesi
tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat prediksi.
Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat
prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti
keadaan masa lalu bursa yang lain dan berbagai indikator ekonomi.
3.
Monitoring
Kondisi Mesin
Jaringan
Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan keahlian
tambahan untuk menjadwalkan perawatan mesin. Jaringan Syaraf Tiruan dapat
dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false
alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periode
pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk
memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum
terjadi yang akan menyebabkan biaya yang tidak terduga.
References :
0 comment:
Post a Comment