Jaringan syaraf tiruan (artifical neural network)

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.

Adapun cara belajar jaringan saraf tiruan sebagai berikut:
Ke dalam jaringan saraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam
suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan.

Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:

1. Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang
ada saat ini memiliki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun terbatas.
2. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi jaringan saraf tiruan.
3. Aplikasi yang sangat luas.Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya:

• Aeorospace

Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,
perbaikan autopilot dan simulasi komponen pesawat.

• Otomoti

Sistem kendali otomatis mobil.

• Keuangan dan Perbankan

Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.

• Pertahanan (Militer)

Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali
sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi
bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

• Elektronik

Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan
secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan
robot, sintesis suara.

• Broadcast

Pencarian klip berita melalui pengenalan wajah.

Lapisan – lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
1. Lapisan input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima
input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu
masalah.
2. Lapisan tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari
lapisan ini tidak secara langsung dapat diamati.
3. Lapisan output
Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari
lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

jaringan saraf tiruan dibagi ke dalam 3 macam arsitektur, yaitu:
1. Jaringan lapisan tunggal
Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot
koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari
dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf
tiruan tersebut.

2. Jaringan multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini
memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan
single-layer net, namun pela-tihannya mungkin lebih rumit.
3. Jaringan kompetitif
Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Istilah-istilah Jaringan Saraf Tiruan 

Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:

• Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output.

• Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan.

• Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.

• Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output.

• Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksidengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalh yang kompleks.

• Bobot: Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yangmentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.

• Summation Function: Fungsi yang digunakan untuk mencari rata-rata bobot dari semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

• Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent.

• Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid).

1. Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan.
2. Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.  

Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan (error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajarankompetitif (competitive learning).
1. Aturan Pengoreksian Error
Prinsip dasar dari aturan pembelajaran pengoreksian error adalah memodifikasi bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output target – output actual)untuk mengurangi besarnya kesalahan secara bertahap.
2. Aturan Pembelajaran Boltzmann
Mesin Bolztmann merupakan jaringan saraf tiruan balik yang simetris, terdiri dari nit-unit biner (+1 dan -1, masing – masing untuk on dan off). Dengan kesimetrisannya, bobot pada koneksi dari unit I ke unit j sama dengan bobot koneksi dari unit j ke unit I (Wij = Wji). Setiap neuron pada

3. Aturan Hebbian
Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron memiliki tingkah laku yang sama (keduanya memiliki aktivasi positif atau keduanya memiliki aktivasi negative).

4. Aturan Pembelajaran Kompetitif
Unit –unit output pada aturan pembelajaran kompetititf ini hanya harus saling bersaing untuk beraktivasi. Jadi hanya satu unit output yang aktif pada satu waktu. Fenomena ini dikenal sebagai winner-take-all. Bobot-bobotnya diatur setelah satu node pemenang terpilih.