Artificial Neural Network (ANN)

Diposting oleh pada tanggal

 Artificial Neural Network  


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

Sejarah Neural Network

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

Gambar McCulloch & Pitts, penemu pertama Neural Network

Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

Gambar Perceptron

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network,  dan teori model resonansi adaptif.

Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya classification, recognition, approximation, prediction, clusterization, memory simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.

Konsep Dasar Artificial Neural Network

ANN adalah replika dari sistem syaraf yang terdapat pada sistem otak manu- sia. Dalam proses kerjanya, otak manusia disusun atas miliaran neuron dimana masing-masing neuron akan terhubung pada puluhan ribu neuron lain. Suatu neuron tersusun atas 3 komponen utama yaitu:

  1. Dendrites, merupakan saluran sinyal input yang kekuatan koneksinya kepada inti sel dipengaruhi oleh sebuah bobot (weight )
  2. Badan Sel (Cell Body ), adalah tempat proses komputasi sinyal input berbobot utnuk menghasilkan sinyal output yang akan dikirimkan kepada neuron
  3. Axon, adalah bagian yang mengirimkan sinyal output kepada neuron lain yang terhubung pada neuron

Pada model ANN, dendrite direpresentasikan sebagai input yang merupakan berbagai informasi yang diperlukan oleh ANN dalam menyelesaikan masalah yang diberikan. Sedangkan badan sel adalah tempat melakukan proses komputasi  penjumlahan  (-)  dan  fungsi  aktivasi  yang  diberikan  kepada hasil perhitungan penjumlahan – (f (-)).  Selanjutnya hasil dari perhitungan yang dilakukan pada badan sel akan dikeluarkan pada output yang merupakan representasi dari axon.

ANN memiliki beberapa elemen dasar yang berguna untuk melakukan proses komputasi dalam menyelesaikan berbagai masalah yang diberikan.  Elemen-elemen dasar  tersebut antara lain,layer input ,layer output , bobot (weights ), fungsi aktivasi dan fungsi pembelajaran.

Neuron Secara Biologi(a) dan Representasinya dalam ANN (b)

Setiap model ANN memiliki layer input yang berperan sebagai media informasi berupa data-data yang berkenaan dengan output yang diinginkan. Input layer ini terdiri dari beberapa neuron yang merepresentasikan variabel-variabel ataupun parameter-parameter yang diperlukan untuk menyelesaikan suatu permasalahan. Input layer akan meneruskan data-data ini kepada neuron selanjut-nya pada layer hidden ataupun layer output melalui satu set bobot. Bobot ini adalah penghubung dari setiap neuron kepada neuron lainnya pada layer selan- jutnya yang akan membantu menyesuaikan struktur ANN pada pola data yang diberikan dengan cara learning. Pada proses learning, bobot akan diperbarui secara terus menerus hingga salah satu dari jumlah iterasi, error dan waktu proses telah tercapai. Hal ini dilakukan dalam rangka penyesuaian struktur ANN terhadap pola yang diinginkan berdasarkan masalah tertentu yang akan dipecahkan dengan menggunakan ANN.Bobot disebut juga sebagai parameter bebas, sedangkan ANN adalah model parametrik yang memerlukan estimasi nilai parameter yang optimum.

Layer output adalah layer yang akan memberikan hasil perhitungan akhir dari input dan weight menggunakan fungsi aktivasi (activation function). Fungsi aktivasi atau sering juga disebut sebagai fungsi transfer adalah filter non-linear terhadap hasil perhitungan – dari input dan bobot. Telah disampaikan sebelumnya bahwa bobot akan diperbarui secara terus-menerus dalam rangka penyesuaian struktur ANN yang tepat, proses perubahan bobot ini akan diatur oleh fungsi pembelajaran (learning function) dan metode pembelajaran.

Jika kita perhatikan komponen-komponen dasar ANN beserta proses kerja ANN, dapat kita simpulkan beberapa karakteristik khusus yang dimiliki oleh ANN, yaitu:

  1. ANN terhubung tanpa putus secara terus menerus dari input hingga meng- hasilkan output, sehingga ANN memiliki kemampuan pemetaan yag ANN dapat memetakan pola pada input terhadap pola pada output yang menjadi pasangannya.
  1. ANN adalah suatu metode yang menitikberatkan pada proses learning, yaitu ANN akan dilatih (train)dengan menggunakan contoh dari suatu ka- sus, sehingga ANN akan mengenal pola dari contoh Berdasarkan hasil train ini, ANN akan dites dengan menggunakan contoh lain yang baru dari kasus yang sama , dimana ANN akan dapat juga mengidenti- fikasi pola pada contoh baru tersebut dengan baik.
  1. ANN memiliki kemampuan generalisasi, yaitu ANN dapat memprediksi hasil yang baru berdasarkan tren dari pola
  1. ANN toleran terhadap berbagai jenis data, ia mampu mengidentifikasi su- atu pola pada data yang tidak lengkap, parsial ataupun noisy.
  1. ANN dapat memproses informasi secara paralel, kecepatan tinggi dan ter-

Karakter di atas menunjukkan bahwa ANN dapat diandalkan dalam melakukan beberapa tugas dalam rangka menemukan solusi dari suatu kasus. Tugas-tugas yang dapat dilakukan oleh ANN diantaranya adalah prediksi atau penaksiran fungsi, klasifikasi, clustering dan peramalan (forecasting ). ANN memiliki kemampuan yang baik dalam menyesuaikan model nonlinear yang kompleks dengan data multidimensi dalam rangka prediksi atau penaksiran fungsi. Sedangkan dari segi pengelompokan, ANN tangguh dalam melakukan pengelompokan berdasarkan target yang diinginkan (klasifikasi) dan pengelompokan tanpa target (clustering ). Kelas linear, nonlinear, kompleks dan multi kelas adalah jenis klasifikasi yang mampu dilakukan oleh ANN, sementara dalam clustering, ANN dapat secara simultan mengungkap hubungan spatial dari setiap kelompok data dalam rangka menemukan cluster data tersebut. Peramalan adalah salah satu bagian dari prediksi yang didasarkan pada data time series yang mampu dilakukan oleh ANN. Data time series adalah kumpulan hasil observasi yang diperoleh secara berurutan berdasarkan waktu, artinya peramalan data time series merupakan suatu prediksi terhadap hasil selanjutnya atau beberapa langkah berikutnya berdasarkan urutan waktu. Hal ini dilakukan dengan cara mengidentifikasi pola sementara suatu data pada urutan waktu lampau yang sesuai dengan model yang berkaitan. Gambaran tugas-tugan yang mampu dilakukan oleh ANN.

Penggunaan ANN dalam:(a)Prediksi atau Perkiraan Fungsi, (b)Klasifikasi, (c)Clustering dan (d) Peramalan (Forecasting )

Konsep 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:

  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).

2.  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.

Struktur ANN

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

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan output saja.

Permodelan jaringan pada ANN ada 3 macam, yaitu :

1. Single layer

Dalam ANN, neuron disusun dalam bentuk lapisan (layer). Pembentukan ANN yang paling sederhana yaitu single layer. Cara kerja dari single layer, input layer yang berasal dari sumber node  di proyeksikan langsung ke output layer dari neuron ( node komputasi), tetapi tidak berlaku sebaliknya. Permodelan ini merupakan jenis jaringan feedforward. Pada gambar tersebut input dan output memiliki 4 node, namun yang dimaksud dengan single layer yaitu output dari jaringan, sedangkan inputnya tidak memiliki pengaruh karena pada saat melakukan input tidak terjadi proses komputasi

2. Multi layer

Pada single layer apabila terdapat tambahan satu atau dua hidden layer maka jaringan akan terganggu karena input dan output dari jaringan tidak dapat melihat hidden layer yang di masukkan. Sehingga memerlukan jaringan yang bisa menampung nya yaitu bernama multi layer. Cara kerja  multi layer adalah input layer menyuplai input vektor pada jaringan, kemudian input  yang dimasukkan melakukan komputasi pada layer yang kedua, lalu output dari layer yang kedua digunakan sebagai input dari layer yang ketiga dan seterusnya.

3. Recurrent network

Reccurent network terbentuk karena pada jaringan single layer dan multi layer harus memiliki feedback untuk dirinya sendiri pada setiap loop jaringan nya, pada reccurent network jaringan tidak memerlukan feedback untuk dirinya sendiri melainkan feedback dari input yang digunakan. 

Rule knowledge representation pada ANN

  1. Input yang mirip dari class yang mirip akan menghasilkan representasi yang mirip  dalam jaringan.dan diklasifikasikan pada kelas yang sama
  2. Item yang akan di kategorikan dengan kelas yang terpisah  harus di beri representasi yang berbeda dalam sebuah jaringan
  3. Jika ada fitur penting, maka harus disediakan jumlah neuron yang besar yang meliputi item pada sebuah jaringan
  4. Informasi prior dan invariances harus di bangun ke dalam desain ANN ketika mereka tersedia, sehingga desain jaringan yang sedeharna tidak harus mempelajari nya.

 

DAFTAR PUSTAKA

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

https://socs.binus.ac.id/2017/02/27/artificial-neural-network-part-1/

https://machinelearning.mipa.ugm.ac.id/2018/05/24/artificial-neural-network-ann/

Komentar

Posting Komentar

Postingan Populer

Gambar

Klasifikasi Decision Tree

KLASIFIKASI DECISION TREE Klasifikasi Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Klasifikasi merupakan suatu teknik yang digunakan untuk mengetahui atau memperkirakan kelas dari suatu objek berdasarkan atribut yang ada. Klasifikasi dapat diselesaikan menggunakan metode statistika dan machine learning. Proses klasifikasi biasanya dibagi menjadi dua fase : Fase learning : sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model perkiraan.   Fase test : model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data yang belum diketahui. Klasifikasi dicirikan dengan data training mempunyai label, berdasarkan label ini proses klasifikasi memperoleh pola attribut dari suatu dat...
Gambar

K-Means Clustering

K-MEANS CLUSTERING   Clustering Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode  Data Mining , yang tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke ‘wilayah’ yang lain. Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan  partition-based clustering  mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering disebut dengan  hierarchical clustering  mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan. Di sa...
Gambar

SISTEM PAKAR

SISTEM PAKAR A.     Sejarah dan Perkembangan Sistem   Pakar         Expert System atau sistem pakar dikembangkan pada pertengahan tahun 1960-an oleh Artificial Intelligence Corporation. Periode penelitian artificial intelligence ini didominasi oleh suatu keyakinan bahwa nalar yang digabungkan dengan komputer canggih akan menghasilkan prestasi pakar atau manusia super. Suatu usaha kearah ini adalah General Purpose Problem- Solver (GPS). GPS yang berupa sebuah prosedur yang dikembangkan Allen Newell, John Cliff Show dan Herbert Alexander Simon dari Logic Theorist, merupakan sebuah percobaan untuk menciptakan mesin yang cerdas. GPS sendiri merupakan sebuah Predecessor menuju Expert System (ES). GPS berusaha untuk menyusun langkah – langkah yang dibutuhkan untuk mengubah situasi awal menjadi state tujuan yang telah ditentukan sebelumnya.         Pada pertengahan tahun 1960-an, terjadi pergantian dari program serba bisa yang bi...