Jaringan Saraf Biologi Manusia Jaringan Saraf Tiruan
8
single layer. Pada tahun 1986, Rumelhart mengembangkan perceptron menjadi backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer.
2.2.2. Pengertian jaringan saraf tiruan Jaringan saraf tiruan adalah pemrosesan suatu informasi yang memiliki karakteristik
mirip dengan jaringan saraf biologi Fausett, 1994. Jaringan Saraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi
karena proses pembelajaran Smith, 1996. Jaringan saraf tiruan dibentuk sebagai generalisasi model matematika dari
jaringan saraf biologi, dengan asumsi bahwa : a.
Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. b.
Sinyal dikirirnkan diantara neuron-neuron melalui penghubung-penghubung. c.
Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal
d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
biasanyabukan fungsi linier yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas
ambang Dapat dilihat pada tabel 2.1 perbedaan antara jaringan saraf tiruan dengan
jaringan saraf biologi Medsker Liebowitz, 1994.
Tabel 2.1 Perbedaan Saraf Biologi dengan Jaringan Saraf Tiruan Medsker Liebowitz, 1994
Jaringan Saraf Biologi Manusia Jaringan Saraf Tiruan JST
Soma Node simpul
Dendrit Input
Axon Output
Synapse Weight bobot
Slow speed Fast speed
Terdiri dari banyak Neuron 10
9
Beberapa Neuron
2.2.3. Arsitektur jaringan Arsitektur jaringan merupakan salah satu hal terpenting dalam jaringan saraf tiruan.
9
W
11
W
1j
W
11
W
i1
W
ij
W
im
W
nm
W
nj
W
nm
Neuron-neuron pada jaringan diatur menjadi layer-layer. Di dalam tiap layer, neuron- neuron biasanya memiliki fungsi aktivasi yang sama serta pola hubungan yang sama
dengan neuron-neuron yang lain. Pengaturan neuron-neuron ke dalam layer dan pola hubungan antar layer dinamakan arsitektur jaringan saraf tiruan. Jaringan saraf tiruan
umumnya diklasifikasikan sebagai single layer network dan multilayer network.
a. Single Layer Network
Dalam jaringan single layer, input layer x berhubungan langsung dengan ouput layer y. Masing- masing input terhubung dengan bobot w dan
menghasilkan output yang berbeda tergantung dari input yang ada. Selama proses training, bobot-bobot akan dimodifikasi berdasarkan aturan tertentu
agar menghasilkan keakuratan yang tepat. Dapat dilihat pada gambar 2.2
gambar dari single layer network.
Gambar 2.2 Single Layer Network Fausett, 1994
b. Multilayer Network
Jaringan ini merupakan pengembangan dari single layer network. Pada model ini, jaringan mempunyai layer tambahan atau yang sering disebut dengan
hidden layer Z. Keunggulan model ini adalah adalah kemampuannya untuk menghasilkan output yang lebih akurat dari model pertama. Dapat dilihat pada
gambar 2.3 gambar multilayer network. X
1
Y
1
X
i
Y
j
X
n
Y
m
Unit output Unit input
10
V
11
V1j
V
1p
V
n1
V
np
V
i1
Vip
V
ij
V
nj
W
11
W
1k
W
j1
W
1m
W
jk
W
jm
W
p1
W
pk
W
pm
Gambar 2.3 Multilayer Network Fausett, 1994
2.2.4. Manfaat Menggunakan Jaringan Saraf Tiruan Berikut manfaat menggunakan Jaringan saraf tiruan.
a. Bersifat adaptif terhadap perubahan parameter yang mempengaruhi
karakteristik system. b.
Dapat dilatih untuk memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga jaringan saraf tiruan
mampu membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan.
c. Mempunyai struktur paralel yang terdistribusi. Artinya, komputasi dapat
dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan. d.
Mampu mengklasifikasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang diberikan
oleh jaringan saraf tiruan. Jaringan saraf tiruan ditentukan oleh 3 hal. 1.
Pola hubungan antar neuron Neuron adalah unit pemroses informasi yang menjadi dasar dalam
pengoperasian jaringan saraf tiruan. Neuron terdiri dari 3 elemen pembentuk. Elemen-elemen pembentuk neuron tersebut sebagi yaitu,
Himpunan unit-unit yang dihubungkan dengan jalur koneksi, unit X
1
Y
1
X
i
Y
k
X
n
X
m
Unit output Unit input X
Z
1
Z
j
Z
p
Unit hidden Z
11
penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya, fungsi aktivasi yang akan menentukan
apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak.
2.
Metode menentukan bobot penghubung
3.
Fungsi aktivasi
Fungsi aktivasi merupakan suatu fungsi yang akan mentransformasikan suatu inputan menjadi suatu output tertentu. Pada jaringan saraf tiruan
suatu informasi akan diterima oleh inputan. Inputan ini akan diproses melalui suatu fungsi perambatan. Fungsi ini akan menjumlahkan
sejumlah inputan, hasil dari penjumlahan ini kemudian akan dibandingkan dengan nilai ambang threshold tertentu melalui fungsi
aktivasi terhadap setiap neuron. Jika nilai yang dihasilkan melewati nilai ambang maka neuron tersebut akan diaktifkan jika tidak maka neuron
tidak diaktifkan. Artinya neuron akan menghasilkan suatu nilai output jika threshold dilewati.
2.2.5. Paradigma pembelajaran Berikut 2 macam paradigma pembelajaran yang dikenal
a. Supervised learning
Supervised learning adalah proses pembelajaran dengan memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. Supervised learning
adalah mencari algoritma dari kasus yang ada untuk menghasilkan hipotesis umum, yang kemudian membuat prediksi tentang kasus kedepannya
Kotsiantis, 2007. Supervised learning mendapatkan latihan dengan memberikan target keluaran, inisialisasi bobot, maka perubahan masukan akan
diadaptasi dengan mengubah bobot interkoneksinya mengikuti algoritma pembelajaran yang ditentukan. Dengan menginisialisasi bobot tiap neuron,
jaringan saraf tiruan akan mencari error terkecil, sehingga diharapkan output mendekati target yang diinginkan.Dapat dilihat pada gambar 2.4 proses
supervised learning.
12
Input Feature
extractor
Mechine learning
algorithm
Label
Input Feature
extractor Classifier
model Label
Features
Features a Training
b Prediction
Gambar 2.4 proses supervised learning Bird et al, ,2014
Berdasarkan proses yang dilakukan, kita perlu memperhatikan beberapa hal dalam menyusun set pelatihan, yaitu:
1. Pemberian urutan pola yang akan diajarkan
2. Kriteria perhitungan error
3. Kriteria proses belajar
4. Jumlah iterasi yang harus dilalui
5. Inisialisasi bobot dan parameter awal
Contoh jaringan saraf tiruan supervised learning backpropagation, learning vector quatization.
b. Unsupervised learning
Pada pelatihan unsupervised learning, jaringan tidak mendapatkan target, sehingga jaringan saraf tiruan mengatur bobot interkoneksi sendiri.
Unsupervised learning mempelajari bagaimana sistem dapat belajar untuk mewakili pola masukan tertentu dengan cara yang mencerminkan struktur
statistik keseluruhan pola masukan Dayan, 1999. Contoh jaringan saraf
tiruan unsupervised learning adalah jaringan Kohonen.