Jaringan Syaraf Tiruan – Apa-Apa-Apa


Apa itu Jaringan Syaraf Tiruan(JST)?

      Jaringan saraf tiruan (JST) atau  neural network adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

     Layaknya neuron biologi, JST juga merupakan sistem yang bersifat  fault tolerant dalam 2 hal. Pertama, dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya.  Sebagai contoh, manusia sering dapat mengenali seseorang yang wajahnya pernah dilihat dari foto atau dapat mengenali sesorang yang wajahnya agak berbeda karena sudah lama tidak menjumpainya. Kedua, tetap mampu bekerja meskipun beberapa neuron-nya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain dapat dilatih untuk menggantikan fungsi neuron yang rusak tersebut.

     Jaringan saraf tiruan, seperti manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data-data sebelumnya dan mengenal pola data yang selalu berubah. Selain itu, JST merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran/pelatihan.

     Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara kemampuan  memorisasi  dan generalisasi. Yang dimaksud kemampuan memorisasi   adalah kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan  generalisasi adalah kemampuan JST untuk menghasilkan respons yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST itu dimasukkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati (Puspitaningrum, 2006).

     Jaringan saraf tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan saraf tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.  

JST menyerupai otak manusia dalam dua hal, yaitu:

  • Pengetahuan diperoleh jaringan melalui proses belajar     
  • Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.

Menurut (Siang, 2004) JST ditentukan oleh 3 hal:

  • Pola Hubungan Antar Neuron
  • Metode untuk menentukan bobot penghubung neuron
  • Fungsi Aktivasi

Apa yang bisa dan tidak bisa dilakukan oleh JST?

    Pada prinsipnya, JST mampu melakukan komputasi dengan semua fungsi komputasi, sebagai contoh: JST mampu melakukan semua yang bisa dilakukan oleh komputer. JST mampu melakukan pembelajaran terbimbing(supervised) maupun tak terbimbing(unsupervised learning), namun pada praktiknya lebih banyak digunakan untuk supervised learning. Untuk supervised learning diperlukan data training yang meliputi nilai input dan nilai target. Setelah training berhasil, bisa dimasukkan input data tanpa nilai target dan JST akan menghitung nilai output yang mendekati nilai target. Untuk mencapai keberhasilan proses training diperlukan data training dan waktu yang cukup banyak pada saat melakukan training.

 Penerapan JST yang telah digunakan dalam dunia nyata adalah sebagai berikut:

  • Pengenalan karakter
  • Diagnosa mesin -> mendeteksi ketika mesin mengalami kesalahan, sehingga sistem dapat secara otomatis mematikan mesin.
  • Manajemen portofolio -> mengalokasikan aset dalam portofolio dengan tujuan untuk memaksimalkan hasil dan meminimalisir resiko
  • Target recognition -> aplikasi militer yang menggunakan video atau data citra inframerah untuk menentukan letak target
  • Financial forecasting
  • Perkiraan fungsi
  • Klasifikasi
  • Kompresi data

Apa itu perceptron?

Perceptron merupakan feedforward neural network yang paling sederhana. Secara definisi perceptron adalah penggolongan biner yang memetakan input X kedalam fungsi f(x). Output yang dihasilkan pada perceptron dengan lebih dari satu layer jaringan syaraf akan menjadi input pada perceptron selanjutnya.

Apa saja jenis JST yang ada?

  1. Supervised
    1. Feedforward
      • Linear
        • Hebbian – Hebb (1949), Fausett (1994)
        • Perceptron – Rosenblatt (1958), Minsky and Papert (1969/1988), Fausett (1994)
        • Adaline – Widrow and Hoff (1960), Fausett (1994)
        • Higher Order – Bishop (1995)
        • Functional Link – Pao (1989)
      • MLP: Multilayer perceptron – Bishop (1995), Reed and Marks (1999), Fausett (1994)
        • Backprop – Rumelhart, Hinton, and Williams (1986)
        • Cascade Correlation – Fahlman and Lebiere (1990), Fausett (1994)
        • Quickprop – Fahlman (1989)
        • RPROP – Riedmiller and Braun (1993)
      • RBF networks – Bishop (1995), Moody and Darken (1989), Orr (1996)
        • OLS: Orthogonal Least Squares – Chen, Cowan and Grant (1991)
      • CMAC: Cerebellar Model Articulation Controller – Albus (1975), Brown and Harris (1994)
      • Classification only
        • LVQ: Learning Vector Quantization – Kohonen (1988), Fausett (1994)
        • PNN: Probabilistic Neural Network – Specht (1990), Masters (1993), Hand (1982), Fausett (1994)
      • Regression only
        • GNN: General Regression Neural Network – Specht (1991), Nadaraya (1964), Watson (1964)
    2. Feedback – Hertz, Krogh, and Palmer (1991), Medsker and Jain (2000)
      • BAM: Bidirectional Associative Memory – Kosko (1992), Fausett (1994)
      • Boltzman Machine – Ackley et al. (1985), Fausett (1994)
      • Recurrent time series
        • Backpropagation through time – Werbos (1990)
        • Elman – Elman (1990)
        • FIR: Finite Impulse Response – Wan (1990)
        • Jordan – Jordan (1986)
        • Real-time recurrent network – Williams and Zipser (1989)
        • Recurrent backpropagation – Pineda (1989), Fausett (1994)
        • TDNN: Time Delay NN – Lang, Waibel and Hinton (1990)
    3. Competitive
      • ARTMAP – Carpenter, Grossberg and Reynolds (1991)
      • Fuzzy ARTMAP – Carpenter, Grossberg, Markuzon, Reynolds and Rosen (1992), Kasuba (1993)
      • Gaussian ARTMAP – Williamson (1995)
      • Counterpropagation – Hecht-Nielsen (1987; 1988; 1990), Fausett (1994)
      • Neocognitron – Fukushima, Miyake, and Ito (1983), Fukushima, (1988), Fausett (1994)
  2. Unsupervised – Hertz, Krogh, and Palmer (1991)
    1. Competitive
      • Vector Quantization
        • Grossberg – Grossberg (1976)
        • Kohonen – Kohonen (1984)
        • Conscience – Desieno (1988)
      • Self-Organizing Map
        • Kohonen – Kohonen (1995), Fausett (1994)
        • GTM: – Bishop, Svensén and Williams (1997)
        • Local Linear – Mulier and Cherkassky (1995)
      • Adaptive resonance theory
        • ART 1 – Carpenter and Grossberg (1987a), Moore (1988), Fausett (1994)
        • ART 2 – Carpenter and Grossberg (1987b), Fausett (1994)
        • ART 2-A – Carpenter, Grossberg and Rosen (1991a)
        • ART 3 – Carpenter and Grossberg (1990)
        • Fuzzy ART – Carpenter, Grossberg and Rosen (1991b)
      • DCL: Differential Competitive Learning – Kosko (1992)
    2. Dimension Reduction – Diamantaras and Kung (1996)
      • Hebbian – Hebb (1949), Fausett (1994)
      • Oja – Oja (1989)
      • Sanger – Sanger (1989)
      • Differential Hebbian – Kosko (1992)
    3. Autoassociation
      • Linear autoassociator – Anderson et al. (1977), Fausett (1994)
      • BSB: Brain State in a Box – Anderson et al. (1977), Fausett (1994)
      • Hopfield – Hopfield (1982), Fausett (1994)
  3. Nonlearning
    1. Hopfield – Hertz, Krogh, and Palmer (1991)
    2. various networks for optimization – Cichocki and Unbehauen (1993)

Sekian dulu pengenalan JST dengan tema ‘apa apa apa’. Semoga bermanfaat.

Referensi:

Puspitanigrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.

Sarle, W.S., ed. (1997), Neural Network FAQ, part 1 of 7: Introduction, periodic posting to the Usenet newsgroup comp.ai.neural-nets, URL: ftp://ftp.sas.com/pub/neural/FAQ.html

Siang, J. J. (2004). Jaringan Saraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

 

9 thoughts on “Jaringan Syaraf Tiruan – Apa-Apa-Apa

    1. pada dasarnya BSB itu prosesnya sama dengan Data Assosiatif memory. Perbedaan mendasarnya terdapat pada proses aktivasi tiap iterasi. untuk penjelasan lebih detil n beserta contoh soalnya masih belum bisa ngasi sekarang.🙂
      Soalnya masih mempelajari juga.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s