A. Pengertian jaringan syaraf tiruan
Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi.
Model jaringan syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik input yang diberikan kepada jaringan syaraf tiruan. Jaringan saraf tiruan telah dikembangkan sebagai turunan model matematika dari kesadaran manusia atau saraf biologis, karena berdasar pada asumsi bahwa:
a. Pemrosesan informasi terjadi pada beberapa elemen sederhana yang disebut neuron.
b. Sinyal lewat diantara neuron menciptakan jaringan koneksi.
c. Setiap koneksi penghubung memiliki bobot yang terhubung, yang dalam jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
d. Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada jaringan inputnya (jumlah dari bobot sinyal input) untuk menentukan sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah :
o Pola hubungan antar neuron ( yang menjadi arsitekturnya).
o Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).
o Fungsi aktivasi.
B. Konsep dasar jaringan syaraf tiruan
Jaringan syaraf tiruan terdiri dari beberapa neuron dan ada hubungan antar neuron- neuron seperti pada otak manusia. Neuron/selsaraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan syaraf tiruan.
Jaringan syaraf tiruan terdiri atas beberapa elemen penghitung tak linier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun secara paralel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama proses pelatihan.
Pelatihan perlu dilakukan pada suatu jaringan syaraf tiruan sebelum digunakan untuk menyelesaikan masalah. Hasil pelatihan jaringan syaraf tiruan dapat diperoleh tanggapa yang benar (yang diinginkan) terhadap masukan yang diberikan. Jaringan syaraf tiruan dapat memberikan tanggapan yang benar walaupun masukan yang diberikan terkena derau atau berubah oleh suatu keadaan.
C. Arsitektur jaringan syaraf tiruan
Pada umumnya neuron yang terletak pada lapisan yang sama akan memiliki keadaan sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron–neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron–neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron–neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan lapisan lainnya (misalkan lapisan output). Ada beberapa bentuk arsitektur jaringan saraf , antara lain:
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya memiliki satu lapisan dengan bobot–bobot terhubung. Jaringan ini menerima input yang kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Sebuah neuron berinput tunggal diperlihatkan pada gambar 4. Input skalar p dikalikan dengan skalar weight w untuk kodisi (bentuk) wp, salah bentuk ini yang dikirim ke dalam penjumlah. Input yang lain, 1, adalah dikalikan dengan bias b dan dilewatkan ke dalam penjumlah. Output dari penjumlah n sering kali digunakan sebagai input net, yang berjalan ke dalam fungsi transfer f , yang menghasilkan output neuron skalar a. (“fungsi aktivasi” disebut juga fungsi transfer dan “offset” disebut juga bias).
Bobot w berhubungan dengan sebuah kekuatan gabungan dari sel badan yang direpresentasikan dengan penjumlahandan fungsi transfer, dan output neuron a mengambarkan signal dalam axon.
Model jaringan syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik input yang diberikan kepada jaringan syaraf tiruan. Jaringan saraf tiruan telah dikembangkan sebagai turunan model matematika dari kesadaran manusia atau saraf biologis, karena berdasar pada asumsi bahwa:
a. Pemrosesan informasi terjadi pada beberapa elemen sederhana yang disebut neuron.
b. Sinyal lewat diantara neuron menciptakan jaringan koneksi.
c. Setiap koneksi penghubung memiliki bobot yang terhubung, yang dalam jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
d. Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada jaringan inputnya (jumlah dari bobot sinyal input) untuk menentukan sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah :
o Pola hubungan antar neuron ( yang menjadi arsitekturnya).
o Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).
o Fungsi aktivasi.
B. Konsep dasar jaringan syaraf tiruan
Jaringan syaraf tiruan terdiri dari beberapa neuron dan ada hubungan antar neuron- neuron seperti pada otak manusia. Neuron/selsaraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan syaraf tiruan.
Jaringan syaraf tiruan terdiri atas beberapa elemen penghitung tak linier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun secara paralel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama proses pelatihan.
Pelatihan perlu dilakukan pada suatu jaringan syaraf tiruan sebelum digunakan untuk menyelesaikan masalah. Hasil pelatihan jaringan syaraf tiruan dapat diperoleh tanggapa yang benar (yang diinginkan) terhadap masukan yang diberikan. Jaringan syaraf tiruan dapat memberikan tanggapan yang benar walaupun masukan yang diberikan terkena derau atau berubah oleh suatu keadaan.
C. Arsitektur jaringan syaraf tiruan
Pada umumnya neuron yang terletak pada lapisan yang sama akan memiliki keadaan sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron–neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron–neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron–neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan lapisan lainnya (misalkan lapisan output). Ada beberapa bentuk arsitektur jaringan saraf , antara lain:
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya memiliki satu lapisan dengan bobot–bobot terhubung. Jaringan ini menerima input yang kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Sebuah neuron berinput tunggal diperlihatkan pada gambar 4. Input skalar p dikalikan dengan skalar weight w untuk kodisi (bentuk) wp, salah bentuk ini yang dikirim ke dalam penjumlah. Input yang lain, 1, adalah dikalikan dengan bias b dan dilewatkan ke dalam penjumlah. Output dari penjumlah n sering kali digunakan sebagai input net, yang berjalan ke dalam fungsi transfer f , yang menghasilkan output neuron skalar a. (“fungsi aktivasi” disebut juga fungsi transfer dan “offset” disebut juga bias).
Bobot w berhubungan dengan sebuah kekuatan gabungan dari sel badan yang direpresentasikan dengan penjumlahandan fungsi transfer, dan output neuron a mengambarkan signal dalam axon.
 |
| Gambar neuron berinput tunggal |
Output nyata bergantung pada fakta-fakta fungsi transfer yang dipilih. Kita akan mendiskusikan transfer fungsi dalam bagian berikutnya.
Bias lebih mirip dengan bobot, kecuali jika mempunyai input konstan 1. Akan tetapi, jika kita tidak menginginkan bias di dalam sebuah bagian neuron, bias ini bisa diabaikan. Penting untuk w dan b diatur keduanya dalam bentuk neuron berparameter skalar. Biasanya fungsi transfer dipilih oleh desainer dan kemudian parameter w dan b akan diatur oleh beberapa peraturan pelatihan jadi neuron input atau output yang saling berhubunngan ditetapkan terlebih dahulu dengan spesifik tujuan (goal).
2. Jaringan dengan banyak lapisan (multilayer)
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan outputnya (memiliki satu atau lebih lapisan tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada jaringan dengan lapisan tunggal, tetapi pembelajarannya lebih rumit. Jaringan ini pada banyak kasus lebih sukses dalam menyelesaikan masalah. Pada gambar 1.5 menunjukkan jaringan saraf multilayer.
 |
| Gambar jaringan syaraf multilayer |
Tidak ada komentar:
Posting Komentar