BAB I
PENDAHULUAN
Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan. Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :
a) Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung) yang dibentuk.
b) Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
c) Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.
d) Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung Pada struktur otak yang berkembang dengan urutan waktu yang sama.
Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh otak.
Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.
Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.
Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi.
Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan sel tiruan.
Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh
. Sejarah penemuan tentang jaringan syaraf tiruan yaitu :
• Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi otak sama dengan model pemrosesan yang dilakukan oleh Komputer
• Tahun1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron.
• Tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.
• Tahun1958, Rosenblatt mengembangkankonsepdasartentangperception untukklasifikasipola.
• Tahun 1960, Widrow dan Hoff mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square (LMS).
• Tahun 1974, Werbos memperkenalkan algoritma backpropagation.
• Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistic.
• Tahun1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi untuk pemetaan.
• Tahun1982, Grossberg mengembangkan teori jaringan.
• Tahun1982, Hopfield mengembangkan jaringan syaraf recurrent.
• Tahun1985, algoritma pembelajaran dengan mensin Boltzmann.
• Tahun1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM).
• Tahun1988, dikembangkan fungsi radial bebas.
BAB II
JARINGAN SYARAF TIRUAN
A. Jaringan Saraf Tiruan
Jaringan syaraf tiruan (JST) (Bahasa Inggris : artificial neural network (ANN) atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. JST merupakan system adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Jaringan Syaraf Tiruan 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, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini di implementasikan dengan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).
B. Perbandingan Jaringan Syaraf Tiruan dengan 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.
Jaringan Syaraf Tiruan 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 untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luar biasa
C. Prototipe Biologi dan Neuron Buatan
Neuron merupakan suatu jaringan syaraf yang berfungsi untuk mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain. Pada jaringan syaraf hubungan antar neuro-neuron dikenal dengan nama bobot. Seperti yang terlihat pada gambar dibawah:
Gambar 1. Hubungan antar neuron-neuron pada jaringan syaraf
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (layers). Informasi yang diberikan pada jaringan syaraf akan dirambatkan dari lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bias jadi informasi tersebut akan dirambatkan secara mundur pada jaringan
D. ARSITEKTUR JARINGAN SYARAF TIRUAN
Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Ada beberapa arsitektur jaringan syaraf antara lain :
a. Jaringan dengan lapisan tunggal (single layer net)
• Hanya memiliki satu lapisan dengan bobot-bobot yang terhubung
• Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Gambar 2. Jaringan dengan lapisan tunggal
b. Jaringan dengan banyak lapisan (multilayer net)
• Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output
• Ada lapisan yang berbobot yang terletak diantara 2 kapisan yang bersebelahan
Gambar 3. Jaringan dengan banyak lapisan
c. Jaringan dengan lapisan kompetitif (competitive layer net)
• Hubungan antar neuron tidak diperlihatkan secara langsung pada arsitektur
• Hubungan antar neuron dapat digambarkan sebagai jaring yang rumit
Gambar 4. Jaringan syaraf dengan lapisan kompetitif
E. FUNGSI AKTIVASI JARINGAN SYARAF
a. Fungsi Undak Biner (hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk menkonversi input dari suatu variable yang bernilai kontinu ke suatu output biner. Fungsi hard limit dirumuskan sebagai berikut :
b. Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai ambang atau fungsi Heaviside. Dirumuskan :
c. Fungsi Bipolar
Fungsi ini hamper sama dengan fungsi undak biner, hanya saja output yang di hasilkan berupa 1,0,-1 atau fungsi Symetric Hard Limit dirumuskan sebagai berikut :
d. Fungsi Bipolar dengan Threshold
Fungsi ini menghasilkan output berupa 1,0 atau -1, dengan rumusan sebagai berikut:
e. Fungsi Linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya, yang dirumuskan dengan Y = X
f. Fungsi Sturating Linear
Fungsi ini akan bernilai 0 jika inputnya kuarang dari - ½ , dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara – ½ dan ½ , maka
outputnya akan bernilai sama dengan nilai input ditambah ½ . fungsi Sturating Linear dirumuskan sebagai berikut :
g. Fungsi Symmetric Sturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya.
Fungsi Symetric Sturating Linear dirumuskan sebagai berikut :
h. Fungsi Sigmoid Biner
Fungsi ini, digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Memiliki nilai pada range 0 sampai 1. Fungsi Sigmoid Biner dirumuskan :
i. Fungsi Sigmoid Bipolar
Output dari fungsi ini memiliki range antara 1 sampai -1, dan dirumuskan :
F. PROSES PEMBELAJARAN JARINGAN SYARAF
Umumnya, jika menggunakan Jaringan Syaraf Tiruan, hubungan antara input dan output harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan pembelajaran. Ada dua tipe pembelajaran yang dikenal yaitu :
pembelajaran terawasi dan pembelajaran tak terawasi.
a) Pembelajaran Terawasi (supervised Learning)
Metode pembelajaran pada jaringan syaraf terawasi jika output yang diharapkan telah diketahui sebelumnya.
b) PembelajaranTakTerawasi(unsupervised learning)
Pada metode pembelajaran takterawasi ini tidak memerlukan target output. Tujuan metode ini adalah pengelompokan unit-unit yang hamper sama dalam suatu area tertentu.
G. PENDEKATAN LOGIKA SAMAR (FUZY LOGIC)
Fuzzy logic (logika fuzzy ) atau biasa disebut dengan logika samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang out put didasari oleh konsep himpunana fuzzy.
Gambar : pemetaan input-output
Diantara input dan output terdapat blackbox . Di dalam black box, terdapat proses yang tidak diketahui, bias di dekati dengan system pendekatan linear, ekonometri, interpolasi, system pakar atau logika fuzzy dan lain-lain.
H. Perceptron
Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yang
sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar perceptron
I. NETWORK SELF-ORGANIZING UNTUK PENGENALAN POLA
Jaringan syaraf tiruan merupakan salah satu metode pengenalan pola. Pengenalan pola itu sendiri merupakan teknik yang bertujuan untuk mengklasifikasikan citra yang telah diolah sebelumnya berdasarkan kesamaan atau kemiripan cirri yang dimilikinya.
Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential,PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf.
J. APLIKASI JARINGAN SYARAF TIRUAN
Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain :
a. Deteksi Fenomena Kedokteran
Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring. Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel, dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.
b. Untuk mendeteksi golongan darah manusia
Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana pola-pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.
c. 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.
BAB III
KESIMPULAN
Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari Jaringan Syaraf Tiruan adalah :
1. Memiliki kemampuan untuk melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman sebelumnya.
2. Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran
3. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui.
DAFTAR PUSTAKA
http://ai-a-fharjo.blogspot.com/?zx=cf5d7eef6bd70685
http://www.ittelkom.ac.id/library/index.php?view=article&catid=15%3Apemrosesan-sinyal&id=381%3Apengenalan-pola&option=com_content&Itemid=15
http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
Tidak ada komentar:
Posting Komentar