Peranan Aljabar dalam Artificial 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 disiplin ilmu. Salah satunya adalah Arthificial Neural Network (ANN), merupakan kombinasi antara ilmu arthificial intelligent dengan biologi.

Menurut Wikipedia "Jaringan Syaraf Tiruan (JST) atau dalam bahasa Inggris Arthificial Neural Network (ANN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut" .

Menurut Jurnal international (A Comprehensive Study of Artificial Neural Networks) Arthificial Neural Network adalah "An Artificial Neuron is basically an engineering approach of biological neuron".

Menurut teori  Haykin (1999,p2) : " jaringan syaraf tiruan (Artificial Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara pararel dan terdiri dari unit pemrosesan sederhana, dimana masing -- masing unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat digunakan kembali."

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 selama proses pembelajaran berlangsung. Skema  sederhana dari otak manusia dapat dilihat dari gambar berikut ini.

Gambar 1.1 Diagram sederhana dari sel otak/komlab

                                              

      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.

 

1. Algoritma Jaringan

     a. Algoritma Jaringan Pembelajaran

         Algoritma pembelajaran digunakan untuk menemukan nilai-nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma yang digunakan Neural Network dalam pembelajaran tergantung pada arsitektur jaringan yang digunakan. Secara umum, algoritma pembelajaran terbagi menjadi dua bagian, yaitu supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi).

 

         Supervised learning merupakan algoritma pembelajaran yang memerlukan target output yang diharapkan untuk diketahui sebelumnya dalam proses pembelajarannya. Setiap pola input beserta target output yang ditentukan disebut sebagai pasangan pembelajaran. Algoritma pembelajaran NN yang termasuk dalam kelompok ini antara lain hebb, perceptron dan back Propagation.

 

          Unsupervised learning tidak memerlukan target output dan tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Yang termasuk dalam Unsupervised learning antara lain :

                                   1) Kohonen Self-Organizing Maps

                                   2) Learning Vector Quantization

                                   3) Counterpropagation

 

      b. Algoritma pengenalan

           Setelah menemukan nilai bobot keterhubungan antar neuron yang bersesuaian dengan nilai output, maka nilai bobot tersebut digunakan untuk menguji NN jika suatu input dimasukkan sehingga suatu nilai ouput dihasilkan. Proses ini dinamakan proses pengenalan (pengujian). Algoritma pengenalan yang digunakan tergantung pada algoritma pembelajaran yang digunakan, biasanya merupakan bagian dari algoritma pembelajarannya.

       c. Separabilitas Linear

            Salah satu cara yang biasa digunakan sebagai syarat henti proses pembelajaran atau digunakan juga untuk proses pengenalan adalah separabilitas linier.(garis pembatas). Dalam aplikasi pengenalan pola, garis pembatas ini merupakan batas keputusan apakah suatu anggota termasuk dalam kelompok (berespon positip) atau bukan kelompok. (berespon negatip)..Dalam koordinat Cartesian (x,y) garis pembatas ini digambarkan sebagai garis lurus yang mempunyai persamaan :

 

                                                                                                y= mx + c

 

dengan :

                         m : gradien garis

                          c : konstanta atau titik potong dengan sumbu-y (0,c)

 

2. Fungsi Aktivasi

     Ada beberapa bentuk fungsi aktivasi yang umum digunakan dalam Neural Network, antara lain:

      a. Fungsi tangga biner

           Jaringan dengan lapisan tunggal sering menggunakan fungsi tangga biner untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu ouput biner (0 atau 1). Fungsi tangga biner dirumuskan sebagai,

 

dokpri

Sedangkan grafiknya dapat dilihat pada gambar dibawah ini;

 

dokpri

      b. Fungsi linear (identitas)

          Fungsi linear memiliki nilai output yang sama denagn nilai inputnya. Fungsi linear dirumuskan sebagai,

 

                                                                                                                                           y=x

 dan grafik fungsi linear dapat dilihat pada gambar berikut.

 

dokpri

    c. Fungsi sigmoid biner

        Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi ini dirumuskan sebagai,

 

dokpri

Dan grafik fungsi ini dapat dilihat pada gambar berikut :

 

dokpri

      d. Fungsi sigmoid bipolar

 

Fungsi ini mempunyai nilai pada range antara --1 sampai 1. Fungsi ini dirumuskan sebagai,

 

dokpri

Sedangkan grafik fungsinya dapat dilihat pada gambar berikut ,

 

dokpri

KELEBIHAN DAN KEKURANGAN ARTHIFICIAL NEURAL NETWORK

 

Kelebihan Arthificial Neural Network

 

• Mampu mengakuisisi pengetahuan walau tidak ada kepastian

 

• Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu

 

• JST 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

 

• ANN mampu :

 

Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan

 

Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain

 

Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target

 

Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

 

Kekurangan Arthificial Neural Network

 

• 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

 

Penerapan Artificial Neural Network

 

• Pengenalan pola (pattern recognition)
•  Huruf, tanda tangan, suara, gambar yang sudah sedikit berubah (mengandung noise)
•  Identifikasi pola saham
• Pendeteksian uang palsu, kanker
• Signal Processing
• Menekan noise pada saluran telepon 
• Peramalan saham
• Autopilot dan simulasi
• Kendali otomatis otomotif

DAFTAR PUSTAKA

• http://www.webpages.ttu.edu/dleverin/neural_network/neural_networks.html
• Sharma, Vidushi, dkk.2012. International Journal of Advanced Research in Computer Science and Software Enginering : A comprehensive Study of Arthificial Neural Network.India
• www.wikipedia.org
• http://elektronika-dasar.web.id/teori-elektronika/perceptron-dan-lapisan-jaringan-syaraf-tiruan-neural-network/