Artificial
Neural Network (ANN)
Artificial Neural Network (ANN)
Merupakan
cabang ilmu multi disiplin yang meniru cara kerja otak manusia. Salah satu
struktur yang ditiru adalah bentuk neuronnya (sel saraf). Jaringan saraf tiruan
ANN dapat menyelesaikan persoalan rumit/tidak mungkin jika diselesaikan dengan
menggunakan komputasi kovensional.
Dengan
melakukan proses belajar jaringan saraf tiruan dapat mengatur dirinya untuk
menghasilkan suatu respon yang konsisten terhadap rangkaian masukkan. Jaringan
saraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti manusia.
Pengertian
Artificial Neural Network
Artificial
Neural Network atau jaringan saraf tiruan adalah system komputasi dimana
arsitektur dan komputasi diilhami dari pengetahuan tentang sel saraf dalam
otak. ANN merupakan model yang meniru cara kerja jaringan neural biologis.
Otak
sebagai system pengolah informasi
Otak
manusia juga hewan terdiri atas sel yang disebut neuron. Dibanding sel lain
yang selalu memproduksi dirinya, kemudian mati, dia punya keistimewaan tidak
mati. Karena informasi yang tersimpan di dalamnya dapat bertahan. Diperkiakan
otak manusia terdiri atas 109 neuron, dan terdapat 100 jenis
yang diketahui. Neuron – neuron ini terbagi atas grup – grup yang disebut
jaringan dan dibedakan atas fungsinya dan setiap grup mengandung ribuan neuron
yang saling terhubung. Dengan demikian dapat disimpulkan otak merupakan
kumpulan jaringan neuron. Kecepatan proses tiap jaringan jauh lebih kecil
disbanding dengan kecepatan proses komputer saat ini. Namun karena otak terdiri
atas jutaan jaringan yang bekerja secara parallel(simultan), maka otak dapat
mengerjakan pekerjaan yang lebih kompleks dibandingkan dengan apa yang
dikerjakan dengan komputer. Struk pemrosesan parallel ini merupakan bagian yang
menarik dari jaringan neural, yang dapat ditiru untuk diimplementasikan pada
komputer.
Perbedaan expert
system dan ANN
Expert system
a. Dalam pemecahan
masalah dibutuhkan programmer
b. Knowledge dibuat
programmer, sehingga dapat ditelusuri proses pembuatannya.
c. Sample input cacat
tidak menghasilkan output.
ANN
a. Dapat memecahkan
kasus rumit yang tidak dapat dilakukan Expert System.
b. Knowledge terbentuk
dengan sendirinya.
c. Dapat menghasilkan
output walau input cacat.
Arsitektur Artificial
Neural Network
Lapisan input (Input
Layer)
Berfungsi sebagai
penghubung jaringan ke dunia luar (sumber data). Neuron – neuron ini tidak
melakukan apapun pada data, hanya meneruskan data ini kelapisan berikutnya.
Lapisan Tersembunyi
(Hidden Layer)
Suatu jaringan dapat
memiliki lebih dari satu hidden layer atau bahkan tidak bisa punya sama sekali.
Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi
paling bawah yang menerima dari input dari input layer. Besar nilai masukan
(net) neuron ke-J pada lapisan tersembunyi ini tergantung pada akumulasi jumlah
perkalian antar nilai bobot (W, adalah kekuatan hubungan antar neuron, dengan
nilai keluaran U) neuron ke-I pada lapisan sebelumnya (neuron input)
ditambahkan dengan nilai bias (W, neuron ke-J atau
Nilai bias ini
merupakan nilai konstan yang dimiliki setiap neuron (kecuali neuron pada
lapisan input) yang digunakan untuk memperbaiki keluaran jaringan agar dapat
menyamai atau mendekati nilai keluaran yang diinginkan. Bobot W(ji) bernilai
0 (nol) menunjukkan bahwa antara neuron ke-J dan ke-I tidak berhubungan nilai
keluaran neuron pada lapisan tersembunyi ini merupakan fungsi dari nilai
masukannya pada eksperimen ini digunakan F C net(ji)fungsi
signoid
Output Layer
Prinsip kerja pada
lapisan ini sama dengan prinsip kerja pada hidden layer dan ini juga digunakan
fungsi sigmoid. Tetapi keluaran dari lapisan ini sudah dianggap dari keluaran
proses
Skema Proses yang
terjadi pada setiap neuron
Artificial
Neural Network (ANN) dalam
bahasa Indonesia disebut juga Jaringan Saraf
Tiruan
(JST) atau pada umumnya disebut juga hanya Neural Network adalah sebuah sistem
jaringan
yang dimodelkan berdasarkan sistem jaringan saraf manusia. Tujuan dari
dibuatnya
Neural
Network adalah membuat sebuah sistem yang dapat belajar sendiri sesuai dengan
data
dan
kondisi lingkungan yang kita berikan serta dapat memodelkan data statistic
(curve fitting)
non-linier,
permodelan yang kompleks tersebut menghubungkan antara input dan output
untuk
menemukan pola-pola data, seperti metode curve fitting.
Keuntungan
:
1.
Neural Network dapat mengerjakan permasalahan non-linier, maupun linier.
2.
Ketika salah satu elemen dari neural network gagal, dia akan terus lanjut,
karena bekerja
secara
parallel.
3.
Neural Network dapat belajar dan tidak perlu diprogram ulang.
4.
Neural Network dapat diimplementasikan dimana saja.
5.
Neural Network dapat diimplementasikan tanpa banyak masalah.
Kerugian
:
1.
Neural Network membutuhkan proses training untuk dioperasikan.
2.
Arsitektur Neural Network berbeda dari arsitektur mikroprosesor.
3.
Membutuhkan frekuensi yang tinggi (high processing time) untuk sistem neural
network
skala
besar.
Neural
Network bekerja pada 2 mode, yang pertama adalah proses training dan
yang
kedua adalah proses execution. Pada proses training kita akan melatih sistem
dengan
memberinya
sebanyak mungkin contoh data input serta
data output yang akan dihasilkan
oleh
data input tersebut.
Contoh, misalkan kita memberikan
data training pada
sistem untuk proses pembagian;
Data Input_1= 8
Data Input_2 = 2
Output = 4
Beberapa
contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf
Tiruan antara lain :
1. 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.
2. 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.
3. 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.
4. Perjanjian
Kredit.
Berbagai
informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan,
pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan Syaraf
Tiruan tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat
mengidentifikasi karaktersetik peminjam sehingga dapat digunakan untuk
mengklasifikasikan peminjam terhadap resiko peminjam dalam kategori baik atau
buruk.
5. Monitoring
Kondisi Mesin.
Jaringan
Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan keahlian
tambahan untuk menjadwa lkan 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.
6. Pemeliharaan
Mesin.
Jaringan
Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor pada
sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang
berjalan,
dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan
bakar.
