ARTIFICIAL NEURAL NETWORK

ARTIFICIAL NEURAL NETWORK

Artificial Neural Network (ANN) dalam bahasa Indonesia disebut juga Jaringan Saraf Tiruan (JST) atau pada umumnya disebut juga hanya Neural Network adalah sebuah sistem jaringan yang dimodelkan berdasarkan sistem jaringan saraf manusia. Tujuan dari dibuatnya Neural Network adalah membuat sebuah sistem yang dapat belajar sendiri sesuai dengan data dan kondisi lingkungan yang kita berikan serta dapat memodelkan data statistic (curve fitting) non-linier, permodelan yang kompleks tersebut menghubungkan antara input dan output untuk menemukan pola-pola data, seperti metode curve fitting.

Keuntungan :

1.      Neural Network dapat mengerjakan permasalahan non-linier, maupun linier.

2.      Ketika salah satu elemen dari neural network gagal, dia akan terus lanjut, karena bekerja secara parallel.

3.      Neural Network dapat belajar dan tidak perlu diprogram ulang.

4.      Neural Network dapat diimplementasikan dimana saja.

5.      Neural Network dapat diimplementasikan tanpa banyak masalah.

Kerugian :

1.      Neural Network membutuhkan proses training untuk dioperasikan.

2.      Arsitektur Neural Network berbeda dari arsitektur mikroprosesor.

3.      Membutuhkan frekuensi yang tinggi (high processing time) untuk sistem neural network skala besar.

Neural Network bekerja pada 2 mode, yang pertama adalah Proses Training dan yang kedua adalah Proses Execution. Pada proses training kita akan melatih sistem dengan memberinya sebanyak mungkin contoh data Input serta data Output yang akan dihasilkan oleh data Input tersebut.

Contoh, misalkan kita memberikan data training pada sistem untuk proses pembagian;
Data Input_1   = 8
Data Input_2   = 2
Output             = 4

Maka, kita telah mengajarkan pada sistem apabila inputan terdiri dari angka 8 dan 2, maka outputnya adalah 4. Akan tetapi, jika hanya diberikan satu contoh, sistem tidak akan belajar dengan baik. Sebaiknya diberikan data training sebanyak mungkin, agar sistem dapat belajar dengan baik dan handal.

Struktur asitektur dari Neural Network pada umumnya terdiri dari 3 layer, yang menjadi ciri khas dari sistem NN ini, yaitu Input Layer, Hidden Layer, dan Output Layer. Tiap Layer terdiri dari unit-unit node yang jumlahnya dapat kita tentukan sendiri, bias dibayangkan bahwa tiap node pada sistem Neural Network ibaratnya seperti neuron pada otak manusia.

·         Input Layer :

Input Layer, merupakan data-data yang kita masukkan sebagai data training pada sistem ANN. Banyaknya jumlah node pada input layer tergantung pada jumlah data input yang telah kita masukkan ke dalam sistem.

·         Hidden Layer:

Jumlah node pada hidden layer sangat bervariasi, akan tetapi pada umumnya jumlah node pada hidden layer adalah 5 yang dianggap sudah mencukupi untuk memecahkan berbagai macam kasus. Ada juga teori yang dapat menentukan banyak-nya node pada hidden layer denga tepat.

·         Output Layer:

Banyak-nya node pada output layer tergantung dari sistem ANN itu sendiri. Data output juga termasuk dari data training yang sebelumnya telah diberikan.

Konsep dari sistem ANN yang penting adalah nilai Error minimum yang diharapkan. Pada saat ANN di-inisialisasi akan dibangkitkan nilai random untuk koneksi antar node dari suatu layer dengan layer sesudahnya, jadi antar node-node di hidden layer saling terkoneksi satu sama lain dengan node-node di hidden layer, dan antar node-node di hidden layer akan saling terkoneksi satu sama lain dengan node-node pada output layer. Nilai koneksi antar node tersebut sering disebut 'bobot'. Nilai bobot inilah yang akan menentukan kecerdasan suatu sistem. Pada saat proses training, nilai bobot tersebut akan terus berubah sehingga didapatkan kesesuaian antara input dengan output dengan Error minimum. Dengan kata lain, pada proses training kita akan menentukan nilai minimum error yang bisa di tolerir oleh sistem, sistem tidak akan memberikan kepastian jawaban untuk suatu kasus yang tidak pernah dilatihkan kepadanya, pasti ada nilai Error dari jawaban sistem dengan jawaban yang seharusnya, nilai Error tersebut yang harus di-definisikan oleh kita sebelum melatih sistem sehingga sistem bisa menjawab dengan tingkat kebenaran semaksimal mungkin (misalnya : tingkat kebenaran sistem 99,9999% dengan nilai Error 0.0001).

Inspirasi Jaringan Syaraf Tiruan (Neural Network)

Jaringan Syaraf Tiruan (Neural Network) terinspirasi dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Gambar Susunan Syaraf Manusia

Perbandingan Jaringan Syaraf Tiruan Dengan Metode Konvensional

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.

Gambar Sebuah Sel Syaraf Sederhana

Jaringan Syaraf Tiruan (Neural Network) dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan (Neural Network) untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan (Neural Network) tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luarbiasa.

Contoh Penerapan ANN pada Pemetaan Soal UN

Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki karakteristik yang menyerupai jaringan syaraf biologi dalam memproses informasi. Salah satu penerapan ANN adalah untuk pemetaan data input dengan suatu pola yang diinginkan (Santoso,2004). Parameter-parameter yang ada dalam pemetaan soal UN digunakan sebagai bagian dalam sistem ANN yang dibangun. Dengan penggunaan ANN diharapkan memberi kemudahan bagi guru dalam melakukan pemetaan soal UN dan hasil yang diperoleh relatif lebih akurat.

ANN sendiri telah banyak diaplikasikan dalam bidang komputer, teknik, ilmu murni, perdagangan, financial dan lain-lain. Diantaranya adalah pengklasifikasian jenis tanah (Nafisah dkk,2008), dalam penelitian ini digunakan metode ANN Backpropagation untuk mengenali pola dalam pengklasifikasian jenis tanah ke dalam jenis gravel, sand, slit/ sloam, clay, heavy clay, atau peat, dengan bantuan software Weka 3.5.7. Sedangkan Giri Daneswara dan Veronika S Moertini (2004) dalam penelitiannya mengaplikasikan jaringan syaraf tiruan propagasi balik untuk klasifikasi data, dan Harryanto (2006) meneliti tentang aplikasi cluster analysis menggunakan self organizing maps (SOM) untuk analisa talenta pemain basket. Contoh aplikasi yang lain adalah pengenalan daun untuk klasifikasi tanaman (Budi,2008), pemodelan multivariat deret waktu sumber daya air (Ferianto, 2003), prakiraan harga minyak sawit (Salya, 2006), prakiraan keuntungan saham (Zhang, 2004) dan prakiraan kebutuhan energi (McMenamin,1998).  Pada penelitian ini ANN digunakan untuk membangun sebuah model pemetaan soal UN matematika secara mudah berdasarkan bank data hasil laporan UN yang dikeluarkan oleh pusat penilaian pendidikan balitbang diknas dan BSNP.

Daftar Pustaka

https://www.scribd.com/doc/55693337/Artificial-Neural-Network

http://elektronika-dasar.web.id/jaringan-syaraf-tiruan-neural-network

http://www.lpmpjateng.go.id/web/index.php/arsip/karya-tulis-ilmiah/798-penggunaan-metode-artificial-neural-network-dengan-algoritma-self-organizing-maps-untuk-membantu-gur