NEURAL NETWORK

KONSEP NEURAL NETWORK

Neural network (jaringan syaraf tiruan)adalah sistem pengolahan informasi yang didasari filosofi struktur perilaku syaraf mahluk hidup. Struktur jaringan syaraf untuk mempelajari bagaimana menghasilkan keluaran yang diinginkan pada saat diberikan sekumpulan masukan. Hal ini dikenal dengan input-output mapping.

KOMPONEN JARINGAN SYARAF 

A. 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

B. Jaringan syaraf tiruan terdiri dari : 

1. Pengali 

2. Penambah 

3. Selisih

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, jika sebaliknya output 0. 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 JST BACKPROPAGATION

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.

SINGLE PERCEPTRON NEURAL NETWORK

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

1. Pengetahuan yang diperoleh Jaringan Syaraf Tiruan melalui proses belajar (learning) 

2. Kekuatan hubungan antara neuron yang dikenal dengan sypnatic weights digunakan untuk menyimpan pengetahuan.

MULTI LAYER PERCEPTRON

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

PERANCANGAN NEURAL NETWORK

Perancangan algoritma jaringan syaraf tiruan, umumnya dibagi menjadi dua proses utama yaitu pelatihan dan pengujian. Sebelum kedua proses itu dilakukan, perlu dipersiapkan pembagian data untuk untuk data latih (training) dan data uji (testing)terlebih dahulu. Persentase pembagian data latih dengan data uji yang umumnya digunakan yaitu 50:50, 60:40, 70:30, dan 80:20. 

Proses pelatihan dilakukan menggunakan sekumpulan data latih yang memuat parameter ciri/ feature yang digunakan untuk membedakan antara objek satu dengan objek lainnya (pengenalan pola).Luaran dari proses pelatihan adalah suatu jaringan yang terdiri dari arsitektur beserta bobot-bobot terbaik hasil pembaharuan. Dengan jaringan tersebut, kemudian data latih dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target latih sehingga diperoleh tingkat akurasi proses pelatihan. 

Pada proses pengujian, dengan menggunakan jaringan syaraf tiruan hasil proses pelatihan, data uji dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target uji dan diperoleh tingkat akurasi proses pengujian.

Beberapa parameter yang perlu diperhatikan dalam menyusun/merancang arsitektur jaringan syaraf tiruan antara lain: 

1. Jenis jaringan syaraf tiruan yang akan digunakan 

2. Jumlah neuron pada layer masukan, layer tersembunyi, dan layer keluaran 

3. Jumlah layer tersembunyi (hidden layer) 

4. Fungsi aktivasi pada layer tersembunyi 

5. Inisialisasi bobot awal 

6. Inisialisasi nilai target kesalahan (error goal) 

7. Inisialisasi nilai epoch 

8. Inisialisasi nilai momentum

METODE PEMBELAJARAN 

Ada dua jenis metode pembelajaran : 

1. Supervised Learning 

Metode pembelajaran ini merupakan metode belajar dari contoh yang benar, dalam metode ini jaringan syaraf tiruan tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut. 

Contoh algoritma : Backpropagation, Least-MeanSquared

2. Unsupervised Learning

Pada metode ini jaringan syaraf tiruan tidak diberikan contoh-contoh yang benar, tetapi mengandalkan analisa jaringan syaraf tiruan mengenali kesamaan dan perbedaan antara data-data input. 

Contoh algoritma : k-means Clustering, Kohonen, ART.

IMPLEMENTASI NEURAL NETWORK

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.