Jaringan Syaraf Tiruan (JST)

JARINGAN SYARAF TIRUAN

BAB I. PENDAHULUAN
A. Latar Belakang
Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Dengan kata lain JST adalah suatu jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem syaraf manusia.
JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Skema sederhana dari otak manusia :
Dari gambar ini, setiap sel syaraf memiliki satu inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite dari cell body. Selain menerima informasi, dendrite juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini menjadi masukan bagi sel syaraf lain dimana antar dendrite akan dipertemukan dengan sinapsis. Informasi yang dikirim antar neuron berupa rangsangan yang dilewatkan melalui dendrite, lalu dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite terakhir yang bersentuhan dengan dendrite dari sel syaraf lain. Informasi yang diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).

Sejarah Singkat Jaringan Syaraf Tiruan
Tahun 1943 Waffen McCulloh dan Walter Pitts merancang model matematis dari sel otak. Di 1949 Hebb menyatakan informasi dapat disimpan dalam koneksi antar neuron. Sekitar 1958 Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola. Dan pada 1982 Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning, Grossberg mengenalkan sejumlah arsitektur jaringan yaitu : ( ART, ART2, ART3), dan Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi.
BAB II PEMBAHASAN
Pengertian Jaringan Syaraf Tiruan
Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf biologis dengan asumsi bahwa:
1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.
2. Sinyal dilewatkan antar neuron melalui penghubung.
3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.
4. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.
Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu : pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu : cara penentuan nilai bobot pada penghubung.
MANFAAT JARINGAN SYARAF TIRUAN
Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :
Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
Pengambil keputusan dalam video game: Chess, Poker, Backgammon
Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
Diagnosa Medis untuk mendeteksi penyakit kanker
KELEBIHAN DAN KEKURANGAN JST
Kekurangan Jaringan Syaraf Tiruan :
Mengakuisisi pengetahuan walau tidak ada kepastian
Melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
Menciptakan pola pengetahuan melalui pengaturan diri atau kemampuan belajar
Memiliki fault tolerance, gangguan dianggap sebagai noise.
Kemampuan perhitungan secara paralel sehingga proses lebih singkat
Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang ditetapkan.
Asosiasi: menggambarkan keseluruhan obyek hanya dengan bagian dari obyek lain.
Self organizing: kemampuan mengolah data input tanpa harus mempunyai target.
Optimasi: menemukan jawaban terbaik, sehingga meminimalisasi fungsi biaya

Kekurangan Jaringan Syaraf Tiruan :
Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi.
Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis.
Proses training terjadi dalam waktu yang sangat lama untuk jumlah data yang besar.

Komponen Neural Network
 
    struktur ideal NN.          NN dengan tiga neuron layers.
Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang 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).

Multi Layer Perceptron
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. Multi-layer-perceptron dapat digunakan untuk operasi logika 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 tersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (input layer), 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 neuron didalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti.
 Supervised Learning
Tujuan supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan keinginan. Pemetaan ini ditentukan melalui satu set pola contoh/ data pelatihan (training data set). Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Setelah selesai, jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilai error (banyaknya unit pada output layer). Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E.

Algoritma Dalam Jaringan Syaraf Tiruan.
Algoritma Backpropagation
Merupakan salah satu algoritma pelatihan JST yang banyak dimanfaatkan dalam bidang pengenalan pola. Digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. 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 sampai mendapatkan nilai error yang diinginkan. Setelah training selesai, hanya tahap 1 yang diperlukan untuk memanfaatkan JST. Secara matematis [Rumelhart, 1986], ide dasar dari algoritma ini adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error.
Algoritma Quickprop
Dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap tiap-tiap bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman,1988], terbukti bahwa algoritma ini dapat meningkatkan kecepatan training. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan.

Arsitektur Jaringan Syaraf Tiruan
 Arsitektur JST terdiri atas beberapa lapisan, yaitu: lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda.







Lapisan Masukan (input layer)
Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron lain dalam jaringan. Lapisan ini diilhami berdasarkan ciri-ciri dan cara kerja sel syaraf sensori pada jaringan syaraf biologi.

Lapisan tersembunyi (hidden layer)
Merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan ini berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.

Lapisan keluaran (output layer)
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.
Algoritma Pembelajaran
Belajar untuk JST merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazin dari pembelajaran meliputi tiga tugas, yaitu :
1. Perhitungan Output,
2. Membandingkan output dengan target yang diinginkan.
3. Menyesuaikan bobot dan mengulangi prosesnya.

Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian, yaitu:
Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Contoh dari tipe ini adalah metode back propagation, jaringan Hopfield dan perceptron.
Unsupervised Learning (pembelajaran tidak terawasi) yang hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran yang diharapkan.
   
IMPLEMENTASI JARINGAN SYARAF TIRUAN
Bidang Ketahanan Militer
Artificial Intelligence Projects
           Salah satu contoh aplikasi AI yang digunakan pada saat ini yaitu dalam bidang militer. Virtual reality dipakai untuk melakukan simulasi latihan perang, simulasi latihan terjun payung dll. Dimana dengan pemakaian teknologi ini bisa lebih menghemat biaya dan waktu dibandingkan dengan cara konvensional.
Teknologi Virtual Reality
            Virtual reality adalah sebuah teknologi yang memungkinkan seseorang melakukan simulasi terhadap suatu objek nyata dengan menggunakan komputer yang mampu membangkitkan suasana tiga dimensi (3-D) sehingga membuat pemakai seolah-olah terlibat secara fisik. Virtual Reality atau VR tidak hanya mensimulasikan apa yang ingin disimulasikan seseorang yang diprogramkan di Komputer seperti dunia nyata atau sesuatu yang lain, tetapi juga menciptakan kemampuan intelegensi dalam dunia virtual tersebut, dalam bahasan ini mengenai simulai militer dalam angkatan bersenjata.
Bidang Pendidikan
Aplikasinya:  Sistem Tutor Cerdas atau Intelligent Tutoring System (ITS)
Merupakan sebuah teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau output program sesuai dengan kebutuhan dari objek sasaran menggunakan keahliannya dalam metode pembelajaran dan materi yang diajarkan. Hal ini dapat dilakukan karena ITS dilengkapi oleh Artificial Intelligence (AI). Bayesian Network menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu inference atau kesimpulan tentang karakteristk setiap pengguna program ITS. Dalam simulasi program ITS berbasis metode Bayesian Network diketahui bahwa keandalan program tersebut adalah 52,3%.
 Bidang Argonomi
Aplikasinya :  Pengolahan Citra Dengan Metode Jaringan Syaraf Tiruan Berbasis Mobile Untuk Mengetahui Kualitas Tanaman Padi.
     Salah satu masalah yang dihadapi adalah menentukan kualitas tanaman hasil pertanian, khususnya tanaman padi. Terkadang memang sulit untuk melihat dengan kasat mata kualitas tanaman padi tersebut. Sebagai tanaman, padi juga tidak luput dari serangan hama yang membawa penyakit di antaranya bercak daun coklat (bintik perang), bercak daun cercospora, hawar daun (kresek), dan blast.
Dalam Bidang Kecerdasan Buatan
Aplikasinya :  Kecerdasan Buatan Dalam Robotika
      Kecerdasan Buatan (Artificial Intelligence) dalam robotik adalah suatu algoritma cerdas yang diprogramkan ke dalam kontroler robot. Pengertian cerdas di sini sangat relatif, karena tergantung dari sisi mana sesorang memandang. Para filsuf diketahui telah mulai ribuan tahun yang lalu mencoba untuk memahami dua pertanyaan mendasar: bagaimanakah pikiran manusia itu bekerja, dan, dapatkah yang bukan-manusia itu berpikir? (Negnevitsky, 2004).
Dalam Bidang Ekonomi dan Bisnis
Aplikasinya :   Sistem Prediksi Kurs Mata Uang Menggunakan Jaringan Syaraf Tiruan
            Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai pertimbangan untuk para pialang saham dan bursa efek untuk mengambil langkah bisnis selanjutnya.
         
BAB III. KESIMPULAN
Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. Jaringan syaraf tiruan adalah metode/ algoritma yang dapat membuat komputer mempunyai otak pintar seperti manusia yang bisa beradaptasi terhadap masalah.
Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya sehingga pengguna tidak perlu merumuskan kaidah  atau  fungsinya.  Jaringan  Syaraf  Tiruan  akan  belajar  mencari  sendiri kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui.
Manfaat JST dalam kehidupan sehari-hari :
Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
Pengambil keputusan dalam video game: Chess, Poker, Backgammon
Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
Diagnosa Medis untuk mendeteksi penyakit kanker


DAFTAR PUSTAKA
http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
http://cgeduntuksemua.blogspot.com/2012/03/pengertian-kelebihan-dan-kekurangan_29.html
http://catatan-syam.blogspot.com/2013/05/jaringan-syaraf-tiruan-artificial.html
http://jalanwaktu.wordpress.com/jaringan-syaraf-tiruan/
http://novaliahahyani.blogspot.com/2015/03/implementasi-jaringan-syaraf-tiruan.html
http://informaticrazy.blogspot.com/2013/06/jaringan-syaraf-tiruan-implementasinya.html
http://s6m-jst.blogspot.co.id/2015/06/kelompok-4.html