Jaringan Saraf Tiruan (Artificial Neural Network)


Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.

Sejarah

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.
Pengertian Dasar

Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan.

Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :

a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung) yang dibentuk.

b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.

c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.

d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada struktur otak yang berkembang dengan urutan waktu yang sama.

Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh otak.

Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.

Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.

Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi.

Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan sel tiruan.
Definisi

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 adalah sebagai berikut di bawah ini.

Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:

“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 sebarang 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, mendefinisikan jaringan saraf sebagai berikut:

“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. 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.

Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:

“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.

DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan syaraf buatan sebagai berikut :

Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes

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

APLIKASI-APLIKASI JARINGAN SARAF TIRUAN

Masalah-masalah yang secara eksplisit dapat diformulasikan dan langkah-langkah pemecahannya pun dapat secara eksplisit diformulasikan, maka pendekatan dengan menggunakan jaringan saraf tiruan (artificial neural networks, selanjutnya disebut jaringan saraf) akan dihindari. Dalam kasus ini seseorang akan cenderung menggunakan komputer digital.

Banyak masalah yang paling kompleks seperti fisika partikel, struktur molekul organik, pengendali pesawat antariksa, telemetri, dan bidang lainnya dapat ditangani secara baik oleh komputer¾ bila permasalahan dapat diformulasikan. Namun bilamana suatu permasalahn tidak dapat diformulasikan secara eksplisit, atau ketika formulasi eksplisit berakibat hilangnya sensitivitas karena pendekatan yang tidak tepat atau ketika terjadi gangguan maka digunakanlah jaringan saraf.

Saat ini sulit memperkirakan sejauh mana jaringan saraf, teori fuzzy, dan pendekatan-pendekatan logika lainnya akan mengubah kehidupan kita di masa mendatang¾ seperti halnya kehadiran komputer dan dampaknya bagi kita tidak dapat diperkirakan pada saat kemunculan komputer elektronik pertama, ENIAC di tahun 1946. Sehingga belum terlihat apakah kita akan memiliki pengemudi yang dikendalikan oleh jaringan saraf ataupun fuzzy sehingga kita tidak perlu mengemudikan mobil kita lagi. Tahapan hingga mencapai transformasi tersebut hingga kini belumlah terlihat jelas, akan tetapi tanda-tanda ke arah tersebut telah terlihat.

Robert Hecht-Nielsen, seorang kontributor dalam bidang jaringan saraf, melihat bahwa aplikasi-aplikasi jaringan saraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola, dan fungsi kendali.

Dalam analisis data, bidang aplikasi potensial mencakup pemrosesan aplikasi pinjaman, analisis perdagangan komoditas, peramalan runtut waktu, prediksi panen, meteorologi, analisis pasar, pola aktivitas konsumen, penegakan hukum yang melibatkan pencarian catatan kriminal.

Keseluruhan aplikasi ini, pada tahapan yang lebih kompleks, meliputi pemrosesan data base berukuran besar yang belum terlihat hubungan antar tiap elemennya. Beberapa di antaranya, meski dapat diselesaikan oleh teknik komputer klasik, dapat pula diselesaikan oleh jaringan saraf. Sedangkan aplikasi yang lain seperti misalnya peramalan cuaca jangka panjang, yang melibatkan faktor-faktor chaotic mungkin berada di luar lingkup jaringan saraf.

Dalam pengenalan pola, optical character recognition disebut sebagai aplikasi saraf¾ utamanya bila melibatkan cek yang ditulis tangan dan alamat surat yang ditulis tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring berdasar jaringan saraf menjadi alat yang disukai.

Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi fungsi-fungsi seperti operasi peralatan mesin. Sebagai contoh, suatu alat yang cukup kaku memegang blok metal menjadi rentan untuk rusak dalam operasi kecepatan tinggi. Sensor yang mendeteksi getaran dan tekanan dapat memberikan petunjuk real-time mengenai kelemahan-kelemahan operasi¾ dengan sebuah jaringan saraf dilatih untuk mengenali kelemahan-kelemahan multi dimensional.

Selanjutnya kami akan mengetengahkan beberapa aplikasi yang telah ada dalam kehidupan kita yang menggunakan jaringan saraf.

Aplikasi-aplikasi yang telah ada

Sebagian besar aplikasi yang ada saat ini merupakan prototipe-prototipe ataupun proyek-proyek riset. Meskipun untuk saat ini produk jaringan saraf ini belum begitu banyak kita jumpai, namun kami berkeyakinan bahwa di masa mendatang kita akan menjumpai lebih banyak lagi aplikasi jaringan saraf, oleh karena banyaknya para jenius yang berkecimpung di bidang ini.

Aplikasi-aplikasi jaringan saraf yang ada saat ini umumnya dapat dijalankan pada PC tanpa bantuan hardware khusus, namun demikian terdapat pula yang memerlukan suatu hardware jaringan saraf khusus.

Aplikasi-aplikasi berikut ini berkaitan dengan kehidupan kita sehari-hari dan jaringan saraf telah memegang peranan yang cukup penting di dalamnya.

Adaptive Noise Canceling

Aplikasi ini telah mendapatkan penghargaan Institute of Electrical and Electronic Engineers’ Alexander Graham Bell. Sumbangan aplikasi ini adalah membersihkan gangguan pada saluran telpon (dikenal sebagai echo) dan mengurangi kesalahan transmisi modem. Setiap kita melakukan sambungan telpon jarak jauh, suara kita akan diproses melalui suatu penyaring adaptif. Proses penyaringan adaptif ini dikembangkan oleh Bernard Widrow pada tahun 1950-an. Aplikasi ini merupakan aplikasi yang sukses untuk jangka waktu terpanjang.

Mortgage Risk Evaluator

Perusahaan Nestor telah berhasil mengembangkan produk yang digunakan dalam aplikasi hipotek (Mortgage Risk Evaluator). Produk ini membantu biro kredit mengidentifikasikan seseorang yang mampu membayar hipotek. Sistem telah dilatih dalam beberapa ribu aplikasi nyata, sekitar setengahnya diterima dan setengah yang lain ditolak oleh pemeriksa. Belajar dari kesuksesan dan kegagalan pengalaman ini, sistem kemudian mencari pola di dalam data untuk menentukan hal-hal apa saja yang menunjukkan suatu risiko tinggi. Selain itu, sistem dapat pula dikonfigurasi agar pendugaannya bersifat konservatif atau pun optimistik.

Terdapat tiga tingkatan permasalahan yaitu pemeriksaan asal hipotek, pemeriksaan jaminan hipotek, dan pendugaan risiko. Semakin tinggi tingkatan, maka semakin besar risiko dan semakin sulit tugasnya.

Dua tujuan utama pembuatan produk ini adalah pertama untuk mengotomatisasi proses pemeriksaan, sehingga dapat mengurangi biaya proses; kedua, untuk memperbaiki praktik yang ada saat ini. Dalam suatu uji perbandingan dengan pemeriksa manusia (human underwriters) diketahui bahwa jaringan saraf lebih konsisten dalam mengklasifikasikan berkas, dan menghasilkan kualitas berkas tersertifikasi yang lebih baik serta mampu mengurangi secara nyata kesalahan-kesalahan kerja.

AVCO Financial Services, di Irvine, California, menggunakan sistem jaringan saraf untuk menganalisis risiko kredit. Sistem ini diujikan pada lebih dari 100.000 kasus kredit. Dalam artikelnya New York Times melaporkan bahwa dalam satu uji terlihat indikasi akan adanya kenaikan laba sebesar 27% jika digunakan sistem jaringan saraf dibanding bila menggunakan sistem evaluasi dengan menggunakan komputer yang sebelumnya dipakai AVCO.

Bomb Sniffer

Pada bulan Agustus 1989, Federal Aviation Administration memasang suatu sistem detektor bom baru di New York’s JFK International Airport. Metode-metode tradisional untuk menentukan risiko semacam ini memiliki keterbatasan yaitu operator dapat menjadi lelah, bosan dan kehilangan konsentrasi. Science Applications International Corporation (SAIC) mengembangkan suatu jaringan saraf yang disebut Thermal Neutron Analysis (TNA) atau lebih umum dikenal sebagai SNOOPE.

Sistem ini bekerja secara otomatis dan tidak dapat menjadi lelah dan bosan. SNOOPE ini telah diuji pada sejumlah bahan peledak untuk mengidentifikasi pola emisi sinar gamma yang dimiliki oleh bahan-bahan tersebut.

Sistem ini mampu memeriksa sekitar sepuluh buah kopor per menitnya. Jika SNOOPE ragu atas suatu kopor, ia dapat memberikannya kepada inspektur. Lalu data kopor yang dicurigai disimpan untuk digunakan di masa mendatang.

SNOOPE dinyatakan lebih aman bagi manusia dibanding sinar X, dan aman pula untuk film, media elektronik, makanan dan obat-obatan. Neutron energi rendah yang dipancarkan bukan suatu radioaktif. Namun demikian, untuk menggunakan sistem ini diperlukan biaya yang cukup tinggi yaitu sekitar $ 1,1 juta.

GTE Process Monitor

GTE Laboratories telah menggunakan jaringan saraf dalam pabrik bola lampunya. Tujuan proyek ini adalah untuk mengidentifikasi parameter-parameter yang paling berpengaruh terhadap proses produksi. Sistem ini memantau lini produksi, menjejaki hal-hal seperti misalnya variasi panas, tekanan, dan bahan kimia yang digunakan untuk membuat bola lampu. Masukan-masukan dari pengukuran sensor ini lalu dibandingkan dengan kinerja pabrik. Informasi ini akan digunakan untuk membantu menentukan kondisi pabrik yang optimum, mengindikasikan kendali apa yang perlu disesuaikan, dan bahkan menghentikan lini produksi jika terjadi kesalahan.

Word Recognizer

Intel mengembangkan aplikasi kecil yang menyelidiki keekspresifan pembicaraan manusia. Dengan membatasi sistem hanya untuk pembicara tunggal pada satu waktu dan dengan membatasi kosa kata (sekitar 100 kata atau frase), sistem ini mampu mengenali suara manusia dengan ketepatan 99%. Sistem pemasukan data yang dikendalikan suara ini telah banyak digunakan dalam berbagai aplikasi manufaktur sejak tahun 1983.

Blower Motor Checker

Siemens, sebuah perusahaan pembuat peralatan elektronik Jerman, menggunakan jaringan saraf untuk mendeteksi tingkat kebisingan blower motor yang dibuat untuk mobil Ford. Sebelumnya mereka telah mencoba cara-cara tradisional, seperti menugaskan sejumlah karyawan untuk mendengarkan seluruh motor, namun tidak begitu berhasil. Tetapi setelah menggunakan jaringan saraf, mereka berhasil dengan tingkat akurasi lebih dari 90%.

Prototype dan Research Activity

Para ahli kesehatan di Universitas Brown telah menggunakan sebuah jaringan simulasi pengetahuan medis untuk merelasikan informasi kasus, tanda-tanda, dan penyembuhan. Para periset di Los Alamos National Laboratory menggunakan jaringan saraf untuk memprakirakan apakah urutan DNA tertentu mewakili kode genetik bagi pembuat protein. Petugas US Postal Service sedang menyelidiki kemungkinan penggunaan jaringan saraf untuk membaca alamat yang ditulis secara manual. Badan-badan penegak hukum menggunakan jaringan saraf untuk berusaha menentukan apakah profil psikologi seseorang (yang melakukan kejahatan) berubah. Aplikasi riset yang lain mencakup text-to-speech, pengenalan target, dan pencarian pola.

Gambar struktur jaringan saraf biologis manusia

Gambar jaringan saraf tiruan dengan 1 neuron

Gambar struktur jaringan saraf buatan dengan 3 layer

 

3 Responses to Jaringan Saraf Tiruan (Artificial Neural Network)

  1. imudjdnk says:

    terimakasih link artikelnya..

  2. zhurian says:

    terimakasih infonya… tp udah banyak yang dihapus file downloahnya.. mohon diuploadkan lagi, terimakasih

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: