Artificial Neural Network (Jaringan Syaraf Tiruan)

Apa itu Neural Network ??

       Neural Network (Jaringan Syaraf Tiruan) adalah jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf (neuron). Secara sederhana Neural Network adalah sebuah alat pemodelan data statistik non linier. Fungsi Neural Network adalah untuk memodelkan hubungan yang kompleks antara input dan output dalam menemukan pola-pola pada data. Dan digunakan untuk melakukan suatu tugas yang kurang praktis jika dikerjakan secara manual.

     Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan antara lain :

• Hecht-Nielsend (1988)

"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebuah jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".

• Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, 

“Sebuah jaringan saraf adalah sejumlah besar prosesor yang terdistribusi secara pararel dan terdiri dari unit pemrosesan sederhana, dimana masing-masing unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat digunakan kembali.". Hal ini menyerupai kerja otak dalam dua hal yaitu : 

1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

Kegunaan Neural Network  dalam Kehidupan Nyata

1. Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan modeling.
2. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil keputusan dalam pengurutan.
3. Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
4. Robotik

Metode-Metode yang dipakai dalam Neural Network :

• Back Propagation
• Bidirectional Assosiate Memory atau lebih dikenal dengan istilah BAM
• Hopfield Network
• Counter Propagation Network dan banyak metode lainnya yang sudah atau sedang dikembangkan oleh para ahli.

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.

Struktur Neuron pada otak manusia

Dari gambar di atas, dapat 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, yaitu : 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 diatas, 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 dapat 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 sesederhana itu.

• Input, berfungsi seperti dendrite
• Output, berfungsi seperti akson
• 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.

      Pada umumnya neural network dibagi berdasarkan layer-layer yaitu : input layer, hidden layer dan output layer. Setiap node pada masing-masing layer memiliki suatu error rate, yang akan digunakan untuk proses training.

Konsep kerja Neural Network jika dilihat dari layernya sebagai berikut : 

1. Input layer menunggu user memasukan input ke masing-masing node nya, setelah masing-masing node diinput layer memperoleh data yang dibutuhkan maka akan dikalikan dengan weight-nya menghasilkan sum (jumlah) atau yang lebih dikenal dengan akumulator dengan rumus :

NET = O1 W1 + O2 W2 + ... + On Wn = Σ Oi Wi

2. Kemudian akumulator tersebut akan dimasukan kedalam Fungsi Aktivasi yang digunakan, rumusnya :

OUT = F ( NET )

    Pada Back Propagation umumnya menggunakan fungsi sigmoid biner dan fungsi sigmoid bipolar. 8

SUMBER : http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

                  http://sharinginpo.blogspot.com

                  http://menirlina.blogspot.com/2013/04/perkembangan-komputasi-modern.html

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