Jaringan Saraf Tiruan (JST) atau Artificial Neural Network For Thesis

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 Diagram sederhana dari sel otak

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendri terakhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).

Gambaran di atas merupakan gambaran sederhana dari jaringan saraf, tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf model komputasi. Secara khusus, dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input. Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip.

2. RUMUSAN MASALAH

1. Apa itu jaringan saraf tiruan?
2. Bagaimana sejarah jaringan saraf tiruan?

1. Seperti apa konsep pemodelan jaringan saraf tiruan?
2. Apa saja karakteristik jaringan saraf tiruan?
3. Apa kekurangan dan kelebihan jaringan saraf tiruan?
4. Apa kegunaan jaringan saraf tiruan?

3. TUJUAN PENULISAN

Tujuan penulisan makalah ini adalah untuk menjelaskan tentang robot jaringan saraf tiruan mulai dari pengertian, sejarah, permodelan dari jaringan saraf tiruan, karakteristik, kekurangan dan kelebihan, serta kegudaan jaringan saraf tiruan

ISI

1. PENGERTIAN JARINGAN SARAF TIRUAN

 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.”

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.

2. SEJARAH JARINGAN SARAF TIRUAN

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensimanusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut Cognitive Science.

Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Tahun	Pengembang	Perkembangan JST
1943	Waffen McCulloch dan Walter Pitts	Merancang model formal yang pertama kali sebagai perhitungan dasar neuron pada jaringan syaraf
1949	Donald O. Hebb	Memperkenalkan teori yang menjelaskan mengenai pembelajaran yang dilakukan oleh neuron yang kini dikenal dengan konsep Hebbian Learning
1954	Farley dan Clark	Mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.
1958	Rosenblatt	Mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola
1960	Widrow dan Hoff	Mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square
1969	Minsky dan Papert	Mengemukakan keterbatasan yang dimiliki perceptron, hanya mampu memproses 14 dari 16 fungsi logika, terutama mereka tidak dapat memproses fungsi exclusive-OR
1974	Werbos	Memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan
1975	Little dan Shaw	Menggambarkan jaringan syaraf menggunakan model probalistik
1982	Kohonen	Mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan
1982	Grosberg	Mengembangkan teori jaringan yang terinspirasi oleh perkembangan psikologi. Bersama Carpenter mereka mengenalkan sejumlah arsitektur jaringan, Adaptive Resonance Theory (ART), ART2 dan ART3
1982	Hopfield	Mengembangkan jaringan syaraf recurrent yang dapat digunakan untuk menyimpan informasi dan optimasi
1985		Algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan
1987	Kosko	Mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM)

3. KONSEP PERMODELAN JARINGAN SARAF TIRUAN

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, dan juga parallel processing.

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.

1. a)Input, berfungsi seperti dendrite
2. b)Output, berfungsi seperti akson
3. c)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.

4. KARAKTERISTIK JARINGAN SARAF TIRUAN

Karakteristik neural network ditunjukkan dalam 3 ciri yaitu : Arsitektur  jaringan algoritma  jaringan (Alg. Pembelajaran dan Pengenalan) dan fungsi aktivasi.

1. a)Arsitektur Jaringan

Arsitektur jaringan menggambarkan bagaimana mengatur neuron-neuron dalam lapisan dan bagaimana menghubungkan neuron-neuron tersebut dengan bobot keterhubungannya (Weight (w)).

Pada setiap neuron yang berada dalam satu lapisan yang sama mempunyai fungsi aktivasi yang sama, dan setiap neuron dalam satu lapisan harus dihubungkan dengan setiap neuron pada lapisan  berikutnya. Arsitektur jaringan syaraf tiruan yang sering digunakan adalah :

1)      Jaringan dengan lapisan tunggal

2)      Jaringan dengan banyak lapisan

      b)   Algoritma Jaringan 

1)      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 :

• Kohonen Self-Organizing Maps
• Learning Vector Quantization
• Counterpropagation

2)    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.

5. KELEBIHAN DAN KEKURANGAN JARINGAN SARAF TIRUAN

• Kelebihan Jaringan Saraf Tiruan

1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian
2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
3. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self-organizing)
4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja
5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat
6. ANN mampu :

• Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapka
• 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 Jaringan Saraf Tiruan

1. Black Box
2. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi
3. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis
4. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

6. KEGUNAAN JARINGAN SARAF TIRUAN

       a.    Pengenalan pola (pattern recognition)

• Huruf, tanda tangan, suara, gambar yang sudah sedikit berubah (mengandung noise)
• Identifikasi pola saham
• Pendeteksian uang palsu, kanker

       b.     Signal Processing 
             Menekan noise pada saluran telepon 
       c.      Peramalan 
             Peramalan saham 
       d.     Autopilot dan simulasi 
       e.     Kendali otomatis otomotif

KESIMPULAN

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.

Karakteristik dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. 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.

Perceptron pada Jaringan Syaraf Tiruan (Neural Network) termasuk kedalam salah satu bentuk Jaringan Syaraf (Neural Network) yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear.

Referensi :

1. https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
2. https://adityaemozha.wordpress.com/2011/03/04/sejarah-perkembangan-jst-2/
3. http://www.webpages.ttu.edu/dleverin/neural_network/neural_networks.htmlSharma, Vidushi, dkk.2012.
4. International Journal of Advanced Research in Computer Science and Software Enginering : A comprehensive Study of Arthificial Neural Network.India
5. http://elektronika-dasar.web.id/teori-elektronika/perceptron-dan-lapisan-jaringan-syaraf-tiruan-neural-network/