IDSS Intelligent Decision Support System

Gambar 19. Susunan Syaraf Pada Manusia Enchanted, 2011 Setiap sel syaraf neuron memiliki suatu inti sel nucleus, inti sel tersebut bertugas untuk melakukan pemrosesan informasi. Informasi yang datang diterima oleh dendrit. Informasi hasil olahan tersebut akan menjadi masukan bagi neuron lain, di mana antar dendrit ke dua sel tersebut dipertemukan melalui sinapsis. Informasi yang dikirimkan antar sel syaraf tersebut berupa rangsangan atau sinyal yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang bersentuhan dengan dendrit dari sel syaraf yang lain. Jika memenuhi batasan tertentu, yang dikenal dengan nama nilai ambang threshold maka informasi ini akan diterima oleh sel syaraf lain Kusumadewi, 2003. Lebih lanjut menurut Kusumadewi 2003, arsitektur JST terdiri dari jaringan dengan lapisan tunggal single layer net dan jaringan dengan banyak lapisan multilayer net. Jaringan dengan banyak lapisan memiliki satu atau lebih jaringan tersembunyi hidden layer yang terletak di antara lapisan masukan dan lapisan keluaran. Jaringan dengan banyak lapisan tersebut dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal. Ilustrasi tersebut dapat dilihat pada Gambar 20. Menurut Smith 1999 dan Kahfourushan 2010, struktur JST yang sering digunakan berbentuk jaringan dengan tiga lapisan yang disebut dengan lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Garis antara node menunjukkan aliran informasi dari satu node ke node berikutnya. Pada JST seperti ini, aliran informasi hanya bergerak dari masukan menuju keluaran. Struktur tersebut diperlihatkan pada Gambar 21. Menurut Krose 1996 proses pembelajaran dalam JST terbagi menjadi dua bagian, sebagai berikut : a. Terawasi supervised learning yaitu pembelajaran dengan cara memberikan pasangan masukan dan keluaran yang sesuai terhadap suatu jaringan. Proses pembelajaran tersebut dapat dilihat pada Gambar 22. b. Tidak terawasi unsupervised learning yaitu pembelajaran dimana suatu unit keluaran dilatih untuk merespon sekelompok pola masukan. Gambar 20. Jaringan Syaraf Tiruan Banyak Lapisan Kusumadewi, 2003. Gambar 21. Jaringan Syaraf Tiruan Tiga Lapis Rounds, 2002. Gambar 22. Pembelajaran Jaringan Syaraf Tiruan Terawasi Neuro AI, 2011. Menurut Faucett 1994, contoh metode pembelajaran untuk JST yang masuk ke dalam kategori pembelajaran terawasi adalah metode Hebb Rule, Perceptron, Delta rule dan Backpropagation, sedangkan menurut Jain 1998 dan Patuelli 2006, JST banyak lapisan backpropropagation adalah jaringan dengan pembelajaran terawasi yang paling banyak dipergunakan. Menurut Munakata 2008, terdapat sejumlah kelebihan dan kekurangan dari penggunaan JST. Kelebihan dari penggunaan JST adalah sebagai berikut : 1. Kemampuan jaringan untuk belajar, dengan cara menyesuaikan bobot mereka untuk setiap proses pembelajarannya. 2. Kehandalan, jaringan saraf dapat menangani sejumlah noise pada input, bahkan jika bagian dari jaringan saraf rusak sama seperti kerusakan otak secara parsial, jaringan seringkali masih dapat melakukan tugas sampai batas tertentu. 3. Generalisasi, suatu JST dapat menangani pola baru yang sama dengan pola belajar. 4. Nonlinier, masalah nonlinear sulit untuk diselesaikan secara matematis tetapi jaringan syaraf dapat menangani masalah tersebut selama jaringan dapat mempelajari pola non-linearitas tersebut . Menurut Rurkhamet 1998, terdapat nilai lebih dan nilai kurang dari prakiraan dengan metode JST dibandingkan dengan metode regresi. Perbandingan kelebihan dan kekurangan dari ke dua metode tersebut dapat dilihat pada Tabel 9. Tabel 9. Perbandingan Prakiraan Antara Metode JST dan Regresi Prediksi Nilai Lebih Nilai Kurang Metode Regresi 1. Mudah digunakan 2. Hasil lebih mudah untuk diinterpretasikan 1. Jumlah variable terbatas 2. Tidak sesuai untuk data non-linear tingkat tinggi. 3. Hanya data numerik yang dapat diolah Metode JST 1. Mampu menangani banyak variabel 2. Jumlah variable tidak terbatas dan lebih banyak dimensi data 3. Perilaku data dapat diketahui tanpa mengidentifikasi sebagai masukan 4. Kecenderungan hasil lebih akurat 5. Mampu beradaptasi pada saat parameter atau data diubah 1. Periode pelatihan yang tepat tidak dapat diperkirakan 2. Metode JST berbeda memberikan hasil yang berbeda yang mengakibatkan ketidakpastian untuk mendapatkan solusi terbaik. 3. Dapat menyebabkan kondisi yang tidak stabil. 4. Lebih sulit dan rumit untuk diterapkan 5. Sulit untuk menjelaskan mengapa dan bagaimana jaringan syaraf dapat menyelesaikan masalah Rurkhamet, 1998 Selain JST memiliki banyak kelebihan, JST juga memiliki beberapa kekurangan sebagai berikut Munakata, 2008 : 1. Jaringan belum benar-benar dapat meniru cara kerja otak manusia sehingga masih perlu pengkajian dan pengembangan. 2. Setelah jaringan dilatih untuk mempelajari suatu pola, bobot yang dihasilkan tidak memberikan informasi yang jelas. Seperti terjadi pada otak manusia, walau otak bekerja dengan kecerdasan tingkat tinggi, tetapi ketika otak dilihat secara phisiology, yang terlihat hanya lalu lintas sinyal elektrokimia saja. 3. Proses perhitungan seringkali memakan waktu lama, tetapi ketika jaringan sudah terlatih, dia dapat dipergunakan untuk memahami dan memperkirakan suatu pola yang sudah dipelajarinya. 4. Peningkatan skala scaling-up suatu jaringan syaraf tidak mudah. Misal jaringan dengan input 100 neuron sudah terlatih, tetapi apabila input neuron ditingkatkan menjadi 101, maka proses pelatihan dimulai dari awal kembali. Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan multy layer perceptron Patuelli, 2006. Algoritma backpropagation menggunakan galat keluaran untuk mengubah nilai bobot-bobotnya dalam arah mundur backward. Error output ini diperoleh setelah tahap perambatan maju forward propagation dikerjakan. Pada saat perambatan maju, sel-sel syaraf diaktifkan dengan menggunakan fungsi aktivasi Sigmoid Biner atau Sigmoid Bipolar. Arsitektur JST backpropagation diperlihatkan pada Gambar 23, sedangkan algoritma dari JST mengacu pada Faucett 1994, Munakata 2008 dan Seminar 2010. Gambar 23. Arsitektur JST Backpropagation Regensburg, 2009 Menurut Faucett 1994, Munakata 2008 dan Seminar 2010 algoritma Backpropagation dimulai dari tahap inisialisasi bobot, tahap perambatan maju feedforward propagation, tahap perambatan mundur back propagation dan tahap perbaikan bobot. Secara lebih rinci, algoritma jaringan syaraf tiruan backpropagation dapat dilihat pada Lampiran 2.