Widrow dan
Hoff di
tahun 1960
mengembangkan perceptron
dengan memperkenalkan aturan pelatihan jaringan,
yang dikenal sebagai aturan delta atau sering disebut sebagai Mean Square Error. Aturan
ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan
target yang diinginkan. Kemudian pada tahun 1969, Minsky dan Papert melontarkan suatu
kritik tentang kelemahan teori perceptron dari Rosenblatt dalam memilah-milah pola yang
tidak linear. Sejak saat itu karya ilmiah di bidang jaringan syaraf tiruan telah mengalami
masa vakum untuk kurang lebih satu dasawarsa.
Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan lapisan
tunggal single layer. Kemudian pada tahun 1986
Rumelhart, Hinton
dan William
mengembangkan perceptron
menjadi propagasi balik, yang memungkinkan jaringan
diproses melalui beberapa lapisan. Maka dapat dibuktikan bahwa pemilahan pola-pola yang
tidak linear dapat diselesaikan sehingga dapat mengatasi kritik yang dilontarkan oleh Minsky
dan Papert.
Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh Kohonen
pada tahun 1972, Hopfield di tahun 1982 dengan konfigurasi jaringan yang dikenal
sebagai jaringan recurrent, dll.
Siang, 2005
2.2.2 Aplikasi jaringan syaraf tiruan
Beberapa aplikasi jaringan syaraf tiruan yang telah dilakukan adalah sebagai berikut :
a. Pengenalan pola pattern recognition
Jaringan syaraf tiruan dapat dipakai untuk mengenali pola misal huruf, angka,
suara atau tanda tangan yang sudah sedikit berubah. Hal ini mirip dengan otak
manusia yang masih mampu mengenali orang yang sudah beberapa waktu tidak
dijumpainya
mungkin wajahbentuk
tubuhnya sudah sedikit berubah. Jurnal yang pernah membahas tentang
pengenalan pola diantaranya yaitu : 1.
Pemrosesan dan pengenalan suatu gambar dengan menggunakan jaringan
syaraf tiruan Egmont-Petersen M, de Ridder Handels, 2002
2. Pengenalan suatu pola yang terjadi
dalam suatu kegiatan industri Bhagat, 2005
b. Pemrosesan sinyal
Jaringan syaraf tiruan model ADALINE dapat dipakai untuk menekan suatu noise
yang terdapat dalam saluran telepon. Aplikasi pemrosesan sinyal ini telah
digunakan dalam beberapa jurnal, salah satunya adalah jurnal pemrosesan sinyal
dan gambar dengan menggunakan jaringan syaraf tiruan Masters Timothy, 1994
c. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang akan
terjadi di masa yang akan datang
berdasarkan pola kejadian yang telah ada di masa
lampau. Ini
dapat dilakukan
mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat
generalisasi dari apa yang sudah ada sebelumnya.
Beberapa jurnal yang pernah membahas tentang penggunaan jaringan syaraf tiruan
dalam peramalan ini diantaranya adalah : 1.
Proses prediksi menggunakan jaringan syaraf tiruan recurrent Mandic
Chambers, 2001 2.
Pendekatan suatu pola kejadian dengan fungsi aktivasi sigmoid Cybenko,
1989 3.
Implementasi jaringan syaraf tiruan untuk memprediksi kadar gula dalam
darah Suwarno, 2010 Disamping
bidang-bidang yang
telah disebutkan di atas, jaringan syaraf tiruan juga
dapat menyelesaikan permasalahan di dalam bidang kontrol, kedokteran, ekonomi dan lain-
lain.
2.2.3 Arsitektur jaringan syaraf tiruan
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan, antara
lain : a.
Jaringan dengan lapisan tunggal single layer network
Dalam jaringan
ini, sekumpulan
masukan neuron dihubungkan langsung dengan sekumpulan keluarannya. Dalam
beberapa model misal perceptron, hanya terdapat sebuah unit neuron keluaran.
Gambar menunjukkan suatu arsitektur jaringan lapisan tunggal dengan
unit masukan
dan buah unit
keluaran .
Perhatikan bahwa dalam jaringan ini, semua unit masukan dihubungkan dengan
semua unit keluaran, meskipun dengan bobot yang berbeda-beda. Tidak ada unit
masukan yang dihubungkan dengan unit masukan lainnya. Demikian pula dengan
unit keluaran.
Besaran menyatakan
bobot hubungan antara unit ke- dalam lapisan
masukan dengan unit ke- dalam lapisan
keluaran. Bobot-bobot
ini saling
independen. Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi
untuk meningkatkan keakuratan hasil. Model semacam ini tepat digunakan untuk
pengenalan pola karena kesederhanaannya. Siang, 2005
Gambar 4 Jaringan dengan lapisan tunggal b.
Jaringan dengan lapisan jamak multi layer network
Jaringan dengan
lapisan jamak
merupakan perluasan dari lapisan dengan lapisan tunggal. Dalam jaringan ini, selain
unit masukan dan keluaran, ada unit-unit lain sering disebut lapisan tersembunyi.
Dimungkinkan pula ada beberapa lapisan tersembunyi. Sama seperti pada unit
masukan dan keluaran, unit-unit dalam satu lapisan tidak saling berhubungan.
Gambar 5 Jaringan lapisan jamak Gambar
adalah arsitektur jaringan lapisan jamak dengan buah unit masukan
, sebuah lapisan tersembunyi yang terdiri dari buah unit
dan buah unit keluaran
. Jaringan dengan lapisan jamak dapat
menyelesaikan masalah
yang lebih
kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses
pelatihan lebih kompleks dan lama. Siang, 2005
c. Jaringan recurrent
Model jaringan recurrent sangat mirip dengan jaringan lapisan tunggal ataupun
jamak. Hanya saja, ada neuron keluaran yang
memberikan sinyal
pada unit
masukan sering disebut feedback loop. Gambar 6 di bawah ini menunjukkan salah
satu contoh arsitektur jaringan dengan lapisan recurrent yang memiliki bobot
.
Gambar 6 Jaringan reccurent
2.2.4 Algoritma pembelajaran
