Neural Network
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.
Pengertian Jaringan Syaraf Tiruan
(Neural Network) Jaringan Syaraf Tiruan atau Neural Network adalah paradigma
pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi,
sama seperti otak yang memproses suatu informasi. Elemen mendasar dari
paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi.
Jaringan Syaraf Tiruan (Neural Network), seperti manusia, belajar dari suatu
contoh. Jaringan Syaraf Tiruan (Neural Network) dibentuk untuk memecahkan suatu
masalah tertentu seperti pengenalan pola atau klasifikasi karena proses
pembelajaran. Jaringan Syaraf Tiruan atau Neural Network berkembang secara
pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan
sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang
walaupun pernah mengalami masa vakum selama beberapa tahun.
Fungsi dari Neural Network
diantaranya adalah:
- Pengklasifikasian pola
- Memetakan pola yang didapat dari input ke dalam pola baru pada output
- Penyimpan pola yang akan dipanggil kembali
- Memetakan pola-pola yang sejenis
- Pengoptimasi permasalahan
- 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:
- Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
- Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain
- 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.
- Input, berfungsi seperti dendrite
- Output, berfungsi seperti akson
- 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.
Referensi:
http://www.internetworkingindonesia.org/Vol-1-No2-Fall2009/iij_vol1_no2_meinanda.pdf
http://www.instiperjogja.ac.id/download/jurnal/JST-LAHAN-PRODUKTIVITAS-PERKEBUNAN.PDF
