JARINGAN SARAF TIRUAN (Artificial Neural Network)

DEFINISI ARTIFICIAL NEURAL NETWORK

Neural Networks (Jaringan Saraf Tiruan) menurut Haykin [4] didefinisikan sebagai berikut :

“Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. Neural network ini meniru otak manusia dari sudut : 1) Pengetahuan diperoleh oleh network dari lingkungan, melalui suatu proses pembelajaran. 2) Kekuatan koneksi antar unit yang disebut synaptic weights,berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.”

Jaringan Syaraf Tiruan dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", Jaringan Syaraf Tiruan dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.

SEJARAH ARTIFICIAL NEURAL NETWORK

Jaringan saraf tiruan diperkenalkan secara sederhana pada tahun 1943 oleh McCulloch dan Pitts [Fausett; 1994]. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan neuron-neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural) yang mempunya kemampuan komputasi yang lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana. Beliau-beliau ini menggunakan semacam fungsi aktivasi threshold.

Pada tahun 1958, Rosenblatt beserta Minsky dan Papert mulai mengembangkan model jaringan yang disebut. Dalam model ini mereka mencoba untuk mengoptimalkan hasil iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga disebut kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang menyebabkan komputer dapat “belajar” dengan sendirinya, kecepatan belajar dapat diatur dengan menggunakan parameter tertentu. Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba mengembangkan sistem layar tunggal (single layer) pada perceptron menjadi sistem layar jamak (multilayers), yang kemudian disebut dengan sistem backpropagation. Setelah itu, muncul beberapa model jaringan saraf tiruan lain yang dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain.

KONSEP ARTIFICIAL NEURAL NETWORK

1.  Proses Kerja Jaringan Syaraf Pada Otak Manusia Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat  sekitar 10¹¹ neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain, jumlahnya mencapai sekitar 10⁴ sinapsis. Masing-masing sel itu saling berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja otak manusia.

Dari gambar di atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:

Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.

Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain

Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf. Proses yang terjadi pada otak manusia adalah: Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai ambang (threshold).

STUDI KASUS 

JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA DALAM PEMODELAN KALIBRASI (STUDI KASUS : TANAMAN OBAT TEMULAWAK)

Permasalahan dalam prediksi model kalibrasi adalah multikolinearitas dan

jumlah variabel lebih besar dari jumlah pengamatan. Kepala Sekolah

Analisis Komponen-Artificial Neural Network-Genetic Algorithm (PCA-ANNGA) model diterapkan untuk hubungan antara sampel konsentrasi yang terbatas dan data pengiriman yang dalam dimensi besar. Besar jumlah variabel dikompresi menjadi komponen utama (PC). Dari PC ini, JST digunakan untuk prediksi konsentrasi. Itu Komponen utama yang dihitung oleh PCA diterapkan sebagai input ke jaringan saraf backpropagation dengan satu lapisan tersembunyi. Modelnya adalah dievaluasi menggunakan GA untuk struktur jaringan terbaik pada lapisan tersembunyi. Mean Root Square Error (RMSE) untuk 80% set pelatihan dan 20% set pengujian adalah 0,0314 dan 0,5225, masing-masing. Distribusi data sesuai dengan persentase pelatihan data dan data pengujian juga sangat berpengaruh untuk mendapatkan jaringan terbaik struktur dengan pencapaian RMSE terkecil. Model terbaik untuk metode ini adalah dua lapisan Neural Network dengan delapan neuron di lapisan tersembunyi.

REFERENSI

http://rafanabilbila.blogspot.com/2016/12/makalah-pengantar-teknologi-sistem.html

https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

file:///C:/Users/zainuddin%20daud/Downloads/4892-36229-1-PB.pdf

http://socs.binus.ac.id/2012/07/26/konsep-neural-network/