NEURAL NETWORK

KONSEP NEURAL NETWORK

Neural network (jaringan syaraf) adalah sistem pengolahan informasi yang didasari filosofi struktur perilaku syaraf mahluk hidup. 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.

Fungsi dari Neural Network diantaranya adalah:

1. Pengklasifikasian pola
2. Memetakan pola yang didapat dari input ke dalam pola baru pada output
3. Penyimpan pola yang akan dipanggil kembali
4. Memetakan pola-pola yang sejenis
5. Pengoptimasi permasalahan
6. Prediksi

Konsep Neural Network yaitu :

• 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:

1. Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2. Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain
3. 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).

• Struktur Neural Network

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/error, 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. Input, berfungsi seperti dendrite
2. Output, berfungsi seperti akson
3. Fungsi aktivasi, berfungsi seperti sinapsis

KOMPONEN JARINGAN SYARAF

Jaringan syaraf riil terdiri dari : 

1. Sinapsis 
2. Dendrit 
3. Axon 
4. Cell Body (kumpulan cell) 

Sebuah saraf terdiri dari sebuah badan sel, satu axon, dan beberapa dendrit. Dendrit menerima masukan dari axon saraf lain yang memperlihatkan gairah atau kalangan sinopses. Saraf sesungguhnya mempunyai lebih banyak dendrit.

Jaringan syaraf tiruan terdiri dari : 

1. Pengali 
2. Penambah 
3. Selisih

Jaringan Syaraf Tiruan (JST) menyerupai otak manusia dalam dua hal yaitu : 

1. Pengetahuan yang diperoleh JST melalui proses belajar (learning)
2. Kekuatan hubungan antara neuron yang dikenal dengan sypnatic weights digunakan untuk menyimpan pengetahuan.

Syaraf yang ditiru. Masukan dari saraf lain dikalikan dengan bobot dan kemudian diisi bersama. Jumlah itu yang kemudian dibandingkan dengan sebuah tingkat theshold. Jika jumlah di atas threshold, outputnya 1, kalau sebaliknya output 0.8 . Input bagi neuron direpresentasikan oleh vektor x dan w sebagai bobot syaraf. Fungsi aktivasi merupakan jumlah dari perkalian x dengan w. 

Bila w antara dua neuron bernilai positif maka input neuron memberikan efek excitatory atau menguatkan. Sebaliknya maka input neuron memberikan inhibitory atau meredam. 

ARSITEKTUR BACKPROPAGATION

Arsitektur algoritma backpropagation terdiri dari tiga layer, yaitu input layer, hidden layer dan output layer. Pada input layer tidak terjadi proses komputasi, namun pada input layer terjadi pengiriman sinyal input X ke hidden layer. Pada hidden dan output layer terjadi proses komputasi terhadap bobot dan bias dan dihitung pula besarnya output dari hidden dan output layer tersebut berdasarkan fungsi aktivasi tertentu. Dalam algoritma backpropagation ini digunakan fungsi aktivasi sigmoid biner, karena output yang diharapkan bernilai antara 0 sampai 1.

Tiga layer backpropagation adalah input layer, hidden layer dan output layer. Pada input layer, inputan divariabelkan dengan Xn. Pada hidden layer, terdapat bobot (Vij) dan bias (Voj), serta Z sebagai data hidden layer. Pada output layer juga demikian, terdapat bobot (Wij) dan bias (Woj) dengan data output divariabelkan dengan Y.

CONTOH NEURAL NETWORK

Jaringan syaraf yang mengenali saudara kandung dan kenalan. Semuanya kecuali dua yang menunjukkan bobot ada kala 1.0. threshold adalah ditunjukkan di bagian dalam simpul tersebut.

MULTILAYER PERCEPTRON

JST Multi Layer Perceptron, terdiri dari lapisan input, lapisan tersembunyi (hidden) dan lapisan output.

 

Bila SLP digunakan untuk fungsi sederhana, MLP digunakan untuk fungsi yang lebih rumit seperti XOR. Jumlah lapisan pada Lapisan tersembunyi bisa sangat banyak.

METODE PEMBELAJARAN

JST perlu Belajar(learning) atau dilatih(train). JST Belajar dengan cara mengubah-ubah nilai weight sehingga output dari JST sesuai Ada dua jenis metode pembelajaran :

• Supervised Learning 

Metode pembelajaran ini merupakan metode belajar dari contoh yang benar. Dalam metode ini JST tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut. Contoh algoritma : Backpropagation, Least-Mean-Squared.

• Unsupervised Learning 

Pada metode ini JST tidak diberikan contoh-contoh yang benar. Tetapi mengandalkan analisa JST mengenali kesamaan dan perbedaan antara data-data input. Contoh algoritma : k-means Clustering, Kohonen, ART. 

IMPLEMENTASI NEURAL NETWORK

Implementasi JST ada 2 yaitu :

• Arsitektur

Pola koneksi antara neuron disebut Arsitektur JST. Suatu JST biasanya terdiri dari lapisan input, 1 atau 2 lapisan tersembunyi dan output. Dapat berupa SLP atau MLP. Berapa jumlah dan nilai input , weight, output.

• Metode Belajar

Setelah arsitektur telah selesai, JST perlu Belajar(learning) atau dilatih(train). JST Belajar dengan cara mengubah-ubah nilai weight sehingga output dari JST sesuai.

Contoh Implementasi JST dalam aplikasi dunia nyata :

1. Aproksimasi fungsi (function approximation), analisa regresi (regression analysis), prediksi berkala (time series prediction). 
2. Klasifikasi, pengenalan pola. Misalnya pengenalan pola tulisan tangan, pengenalan pola huruf abjad. 
3. Pemrosesan data seperti clustering, filtering. 
4. Game.