Jaringan
saraf tiruan (Artificial Neural Network
(ANN)) adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan sistem saraf manusia. Jaringan saraf tiruan merupakan
sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah
berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan
tersebut.
Secara
sederhana, JST adalah sebuah alat pemodelan data statistic non-linier, dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menentukan pola-pola pada data. Menurut suatu teorema yang disebut “teorema
penaksitan universal”, JST dengan minimal sebuah lapis tersembunyi dengan
fungsi aktivasi non-linier dapat memodelkan seluruh fungsi terukur Boreal
apapun dari suatu dimensi ke dimensi lainnya.
Arsitektur
Jaringan Saraf Tiruan
1.
Lapisan Masukan (input layer)
Lapisan masukan merupakan lapisan
yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan
kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini dillhami
berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf
biologi.
2.
Lapisan tersembunyi (hidden layer)
Lapisan tersembunyi merupakan tiruan
dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan tersembunyi
berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi
dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
3.
Lapisan keluaran (output layer)
Lapisan keluaran berfungsi
menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga
terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf
motor pada jaringan saraf biologis.
Komponen Neural Network
Terdapat banyak struktur NN, tetapi kesemuanya mempunyai
komponen yanghampir sama. Gambar berikut memperlihatkan struktur ideal NN.
Seperti terlihat pada gambar, struktur NN mirip dengan
struktur otak manusia diatas. Informasi (sebagai input) dikirim ke neuron
melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi
propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan
dengan threshold oleh activation function. Jika input melampaui threshold, maka
neutron akan diaktifkan, jika sebaliknya maka neutronakan inhibit. Jika
diaktifkan, neuron akan mengirim output melalui pembobotan outputke neuron
lainnya, dan seterusnya.
Dalam NN, neuron dikelompokan dalam layer, yang disebut
neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua
neuron yang ada di layerbelakang maupun depannya (kecuali input dan output).
Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per – layer mulai
dari input hingga output tanpa ataumelalui satu atau lebih hidden layers.
Bergantung pada algoritma yang digunakan,informasi juga dapat dipropagasi ke
arah belakang (backpropagation). Gambar berikutmenunjukan NN dengan tiga neuron
layers.
Perlu dicatat bahwa gambar ini bukan merupakan struktur umum
dari NN. Ada NNyang tidak mempunyai hidden layer, atau ada juga NN yang
layer-nya berbentuk matriks.
Multi Layer Perceptron
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969,
merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden
layers yangterletak antara input dan output layers. Multi-layer-perceptron
dapat digunakan untukoperasi logik termasuk yang kompleks seperti XOR.
Multi-Layer Perceptron adalah jaringan syaraf tiruan
feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh
bobot-bobot penghubung. Neuron-neurontersebut disusun dalam lapisan- lapisan
yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan
tersembunyi (hidden layer), dan satu lapisan output(output layer). Lapisan
input menerima sinyal dari luar, kemudian melewatkannya kelapisan tersembunyi
pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output
[Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit
pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap
inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij
melambangkan bobot koneksi dari unitj ke uniti, danθi adalah nilai bias dari
uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias
digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan
demikian bias dapat diperlakukan secara sama dengan bobot koneksi.
Supervised Learning
Tujuan pada pembelajaran supervised learning adalah untuk menentukan
nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan
pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan
ini ditentukanmelalui satu set pola contoh atau data pelatihan (training data
set).
Setiap pasangan polap terdiri dari vektor input xp dan
vektor target. Setelah selesaipelatihan, jika diberikan masukan xp seharusnya
jaringan menghasilkan nilai output. Besarnya perbedaan antara nilai vektor
target dengan output actual diukur dengan nilaierror yang disebut juga dengan
di mana adalah banyaknya unit pada output layer.Tujuan dari training ini pada
dasarnya sama dengan mencari suatu nilai minimumglobal dari E.
Algoritma Dalam Jaringan Saraf
Tiruan.
- Algoritma Backpropagation
Salah satu algoritma pelatihan jaringan syaraf tiruan yang
banyakdimanfaatkan dalam bidang pengenalan pola adalah backpropagation.
Algoritma iniumumnya digunakan pada jaringan syaraf tiruan yang berjenis
multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal
dialirkan secara searah dariinput menuju output. Algoritma pelatihan
backpropagation pada dasarnya terdiri dari tigatahapan [Fausett, 1994], yaitu:
- Input nilai data pelatihan sehingga diperoleh nilai output.
- Propagasi balik dari nilai error yang diperoleh.
- Penyesuaian bobot koneksi untuk meminimalkan nilai error.
Ketiga tahapan tersebut diulangi terus-menerus sampai
mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan,
hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan
tersebut. Secara matematis [Rumelhart, 1986], ide dasar dari
algoritmabackpropagation ini sesungguhnya adalah penerapan dari aturan rantai
(chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi
error.
- Algoritma Quickprop
Pada algoritma Quickprop dilakukan pendekatan dengan asumsi
bahwakurva fungsi error terhadap masing-masing bobot penghubung berbentuk
parabolayang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot
tidakterpengaruh oleh bobot-bobot yang lain [Fahlman, 1988]. Dengan demikian
perhitungan perubahan bobot hanya menggunakan informasi lokal pada
masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan
sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman,1988],
terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatantraining.
Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatankecepatan
training dan unjuk kerja yang signifikan.
Contoh Penerapan
Jaringan Saraf Tiruan
Pengenalan wajah menggunakan perbandingan metode
jaringan saraf tiruan merupakan salah satu contoh penerapan JST. Wajah merupakan salah satu bagian dari manusia yang
memiliki ciri berbeda. Wajah dapat digunakan untuk mengenali seseorang,
misalnya untuk absensi, pendataan penduduk dan sistem pengamanan, dengan menggunakan
sistem pengenalan wajah.
Contoh sistem berbasis artificial intelligence adalah
sistem pengenalan gambar menggunakan jaringan saraf tiruan. Tahap pertama yaitu dengan menginput gambar melalui proses scaling untuk menyamakan ukuran semua gambar, ambar akan diubar menjadi warna abu-abu. Setelah itu gambar akan disimpan di database. Kemudian akan dilakukan proses menggunakan software untuk mengidentifikasi wajah yang sudah di input.
Sumber
:
Tidak ada komentar:
Posting Komentar