JST adalah proses paradigma suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim proses informasi. JST, seperti manusia, belajar dari suatu contoh JST dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Sejarah Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. JST didefinisikan sebagai susunan dari elemen-elemen penghitung yang disebut neuron atau titik ( node ) yang saling terhubung guna dimodelkan untuk meniru fungsi otak manusia. JST dicirikan dengan adanya proses pembelajaran ( learning ) yang berfungsi untuk mengadaptasi parameter-parameter jaringannya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold .
Tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan model jaringan yang disebut perceptron . Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya. Widrow dan Hoff (1960) mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atau sering disebut kuadrat rata- rata terkecil). Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan. Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layer tunggal ( single layer ).
Rumelhart (1986) mengembangkan perceptron menjadi Backpropagation , yang memungkinkan jaringan diproses melalui beberapa layer. Selain itu, beberapa model JST lain juga dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain. Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model JST untuk menyelesaikan berbagai masalah di dunia nyata. JST ditentukan oleh beberapa hal berikut hal :
- Pola hubungan antar neuron (disebut arsitektur jaringan)
- Metode untuk menentukan bobot penghubung (disebut metode learning atau training )
- Penggunaan Bias
- Fungsi aktivasi,
Dasar Jaringan Syaraf Tiruan
JST adalah proses paradigma suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim proses informasi. JST, seperti manusia, belajar dari suatu contoh JST dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
JST dibentuk sebagai generalisasi model matematika dari syaraf biologi, dengan asumsi bahwa :
- Proses informasi terjadi pada banyak elemen sederhana ( neuron)
- Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung.
- Penghubung, antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
- Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu ambang batas.
Neuron
Neuron dianalogikan dengan neurosikologi (neurophysiology) pada otak manusia. Dalam JST neuron diartikan sebagai bagian terkecil dari JST yang berfungsi sebagai elemen proses. Dengan demikian neuron juga dapat dinyatakan sebagai processor sederhana dari sistem JST. Neuron juga dikenal dengan sebutan percepton atau ADALINE.
Model Dasar Jaringan Syaraf Tiruan
Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight).
Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf).
Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf. Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input <0 dan 1 jika input > = 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya tahapan fungsi jarang digunakan dalam JST
Arsitektur Jaringan
Berdasarkan dari arsitektur (pola koneksi), JST dapat dibagi kedalam dua kategori :
-
Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik). Yang termasuk dalam struktur feedforward :
- Single-layer perceptron
- Multilayer perceptron
- Radial-basis function networks
- Higher-order networks
- Polynomial learning networks
Jaringan Layer Tunggal ( single layer network ). Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron ), hanya ada sebuah unit neuron output.
Jaringan Layar Jamak (multi layer network). Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut layar tersembunyi atau hidden layer). Dimungkinkan pula ada beberapa layer tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.
-
Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam JST, namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam struktur recurrent (feedback) :
- Competitive networks
- elf-organizing maps
- Hopfield networks
- Adaptive-resonanse theory models
Ketika sebuah JST digunakan, input dari nilai suatu variable ditempatkan dalam suatu input unit dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilkan output dari sel syaraf. Ketika semua unit pada JST telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.
Perceptron
Perceptron termasuk kedalam salah satu bentuk JST yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
1 Like