Buku Panduan Belajar Kecerdasan BuatanNEURAL NETWORK (JARINGAN SARAF TIRUAN) A.Jaringan Saraf Biologi Otak manusia terdiri dari neuron-neuron dan penghubung yajng disbut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron dan meneruskan ke neuron lain. Diperkirakan otak manusia memiliki 1012neuron dan 6.1018sianapsis. Neuron memiliki komponen penting, yaitu denrit, somadan axson.Neuron biologi merupakan sistem yang “fault Tolerant” dalam dua hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuron-nya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, maka neuron lain dapat dilatih untuk menggantikan fungsi sel yang rusak. Sinapsisadalah unit fungsional antara 2 bauah sel saraf, misal A dan B, di mana yang satu adalah serabut akson dari neuron A dan yang satunya lagi dendrit dari neuron B.Kekuatan sinapsis bisa menurun atau meningkat tergantung kepada seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya.

jaringan saraf biologis merupakan kumpulan dari sel-sel saraf (neuron). Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat dikelompokan menjadi 3 bagian, yaitu : 1.Dendrit, bertugas untuk menerima informasi. 2.Badan Sel(Soma), berfungsi sebagai pengolahan informasi. 3.Akson(Neurit), bertugas mengirimkan impuls-impuls ke sel saraf lainnya.

Jaringan Saraf Tiruan (JST) Jaringan Saraf Tiruan (JST) adalah sistem pemosesan informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan saraf biologi, dengan asumsi bahwa : a)Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b)Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. c)Penghubung antara neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d)Untuk menetukan output, setiap neuron mengunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima.

Karakteristik Jaringan Saraf Tiruan Penyelesaian masalah dengan jaringan saraf tiruan tidak memerlukan pemrograman. Jaringan saraf tiruan menyelesaikan masalah melalui proses belajar dari contoh-contoh. Biasanya pada jaringan saraf tiruan diberikan sebuah himpunan pola pelatihan yang terdiri atas sekumpulan contoh pola. Sebagai tanggapan atas pola masukan-sasaran yang disajikan tersebut , jaringan akan menyesuaikan nilai bobotnya. Jika pelatihan telah berhasil, bobot –bobot yang dihasilkan selama pelatihan jaringan akan memberikan tanggapan yang benar terhadap masukan yang diberikan.

Sejarah Jaringan Saraf Tiruan Pada tahun 1940-an, para ilmuan menemukan psikologi dari otak sama dengan mode pemrosesan

yang dilakukan oleh peralatan komputer. Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama seakali sebagai

perhitungan dasar neuron.

Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut.

Pada tahun 1954, Ferly dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.

Pada tahun 1958, Rosenblett mengembangkan konsep dasar tentang perseptron untuk klasifikasi pola.

Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Leas Mean Square(LMS).

Pada tahun 1974, Werbos memperkenalkan algoritma backpropagationuntuk melatih perceptron dengan banyak lapisan.

Mengapa Jaringan Saraf Tiruan Perlu Dipelajari Beberapa alasan mengapa jaringan saraf tiruan perlu dipelajari : 1.Banyaknya algoritma Jaringan Saraf Tiruan yang tersedia. Teknik-teknik yang ada saat ini memiliki arsitektur yang sangat beragam dan lebih canggih. 2.Adanya komputer digital berkecepatan tinggi. Hal ini semakin mempermudah proses simulasi jaringan saraf tiruan. 3.Apilkaisi Jaringan Saraf Tiruan sangat luas.

Bidang-bidang Aplikasi Jaringan Saraf Tiruan

Aerospace Autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan autopilot, simulasi komponen pesawat.

Otomotif Sistem kendali otomatis mobil. Keuangan dan perbankan Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian

pola-pola data pasar saham. Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek,

pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data,ekstraksi bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.

Elektronik Pembuatan perangkat keras yang bisa mengimplementasikan JST secara efisien, machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.

Broadcast Pencarian klip berita melalui pengenalan wajah. Keamanan

JST digunakan untuk mengenali mobil dan mengenali wajah oknum. Medis

Analisis sel kanker payudara, pendeteksian kanker kulit dll. Pengenalan suara Pengenalan percakapan, klasifikasi suara. Pengenalan tulisan Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin. Matematika

Alat pemodelan adalah dimana bentuk eksplisit dari hubungan antara variabel-variabel tertentu tidak diketahui.

Pengenalan benda bergerak Selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari video seperti citra orang yang bergerak, dll.

JST digunakan sebagai detektor virus komputer, penginderaan bau, dll

Proses Pembelajaran dan Pelatihan1) Pembelajaran Terawasi (Supervised Learning) Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui. Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.

2) Pembelajaran Tak Terawasi (Unsupervised Learning) Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektor-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi. Paradigma pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.

3) Pembelajaran Gabungan (Hybrid). Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

Istilah-istilah Jaringan Saraf Tiruana) Neuron atau Node atau Unit : Sel saraf tiruan yang merupakan elemen pengolahan

jaringan saraf tiruan untuk menerima dan memproses input. b) Jaringan : Kumpulan neuron yang saling terhubung dan membentuk lapisan.

c) Input atau Masukan : Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.

d) Output atau Keluaran : Solusi atau hasil pemahaman jaringan terhadap data nput. Tujuan dari jaringan saraf tiruan adalah untuk mengetahui nilai output.

e) Lapisan Tersembunyi (hidden layer) : Lapisan yang tidak secara langsung berinteraksi dengan dunia luar.

f) Bobot : Nilai matematik dari koneksi, mentransfer data antar lapisan. Bobot digunakan untuk mengatur jaringan sehingga menghasilkan output yang diinginkan.

g) Summation Function : Fungsi yang digunakan untuk mencari rata-rata bobot dari semua elemen input.

Model Dasar Jaringan Saraf Tiruan Jaringan syaraf mempunyai beberapa tipe, namun hampir semua tipe dari jaringan syaraf memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron yang mempunyai hubungan satu dengan lainnya. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot (weight). Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Arsitektur Jaringan Saraf Tiruan aringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh di mana seluruh model jaringan memiliki konsep dasar yang sama.Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Arsitektur sebuah jaringan

akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalah dapat diselesaikan dengan arsitektur yang sama. Ada beberapa arsitektur jaringan saraf. a) Jaringan dengan lapisan tunggal (single layer net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima inputkemudian secara langsung akan mengolahnya menjadi outputtanpa harus melalui lapisan tersembunyi.b) Jaringan dengan Banyak Lapisan (Multilayernet) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan Input dan lapisan output. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan ang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit. c) Jaringan dengan lapisan Kompetitif (competitive layernet)

Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot –n.

Fungsi Aktivasi a. Dipakai ntuk menentukan keluaran suatu neuron b. Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation

function) yang mungkin berbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST diantaranya hard limit, purelin, dan sigmoid.Yang populer digunakan adalah fungsi sigmoid yang memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid tangen.

c. Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan secara linier, sigmoid berupa fungsi smooth bernilai antara 0 sampai dengan 1 (bila biner) atau antara -1 sampai 1 (bila bipolar) a.Bipolar Sigmoid Bipolar sigmoid memiliki rangedari (-1,1) dan didefinisikan :

Lengkung sigmoid secara relatif mendatar pada kedua ujungnya, dan meningkat cepat pada pertengahannya. Ketika x kurang dari –3, f(x) mendekati 0, ketika x lebih besar dari 3, f(x) mendekati 1. Kenyataannya, f(x) mendekati 1 secara lurus sebagaimana x bertambah dan f(x) mendekati 0 secara lurus sebagaimana x menjadi lebih besar dari harga negatif. Ada suatu transisi dari 0 ke-1 dimana x secara perkiraan (-3 < x <3). Fungsi sigmoid menunjukkan semacam threshold yang dibulatkan (dan dapat diturunkan} terhadap fungsi step.