Jaringan Saraf Tiruan (Artificial Neural Network)

Nama : Erlin Novianty

Kelas : 3KA33

NPM : 1C114791

Tugas : Softskill Peng. Teknologi Sistem Cerdas

Dosen : Dewi Andriyani

Jaringan Saraf Tiruan (Artificial Neural Network)

PENGERTIAN ARTIFICIAL NEURAL NETWORK

Sejarah perkembangan jaringan saraf tiruan telah dimulai pada tahun 1940 dengan mengasosiasikan cara kerja otak manusia dengan logika numerik yang diadaptasi peralatan komputer. Sederhananya, jaringan saraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi, dimana jaringan saraf tiruan menyerupai otak manusia dalam mendapatkan pengetahuan yaitu dengan proses learning (belajar) dan menyimpan pengetahuan yang didapat di dalam kekuatan koneksi antarneuron. Hal tersebut membuat JST mampu mengenali kegiatan dengan berbasis pada data. Data akan dipelajari oleh JST sehingga memiliki kemampuan untuk memberi keputusan terhadap data yang belum dipelajari. 

 

JST ditentukan oleh 3 hal :

1. Pola hubungan antar neuron (disebut arsitektur jaringan). 
    
2. Metode untuk menentukan bobot penghubung (disebut metode training/learning).
   
   
3. Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neuron.
   
   

JST menyerupai otak manusia dalam dua hal, yaitu :

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

Artificial Neural Network (ANN)

Neuron adalah satuan unit pemroses terkecil dari otak. Tiruan neuron dalam struktur Artificial Neural Network adalah sebagai elemen pemroses. Dimana berfungsi sebagai sebuah neuron dalam sistem syaraf dalam sel biologi. Disebut neural network karena didesain mengikuti cara otak memperoses dan menyimpan informasi. Otak manusia terdiri dari ratusan sampai jutaan neuron. setiap neuron memiliki desain yang sederhana. Neural network disusun dari nodes yang mengkombinasikan input-inputnya (variabel dari database atau output dari node yang lain). Node ini dapat diklasifikasikan dari tigas layer yang sederhana. Input layer, output layer dan middle layer.

Arsitektur Artificial Neural Network

1. Jaringan layar tunggal (single layer network)

Jaringan dengan lapisan tunggal umumnya terdiri dari 1 layar input dan 1 layar output. Setiap neuron atau unit yang terdapat pada layar input selalu terhubung dengan setiap neuron yang terdapat pada layar output.

2. Jaringan layar jamak (multi layer network)

Jaringan dengan layar jamak memiliki layar input, layar tersembunyi (hidden layer) dan layar output. Jaringan dengan layar jamak mampu menyelesaikan permasalahan yang lebih kompleks dibandingkan dengan jaringan layar tunggal, namun proses pelatihan membutuhkan waktu lama.

3. Recurrent

      Model jaringan recurrent mirip dengan jaringan layar tunggal maupun majemuk. Hanya saja, ada neuron output yang memberikan sinyal pada layar atau unit input. Hal ini juga sering disebut dengan feedback loop.

Keuntungan Neural Network

1. Akurasi yang tinggi : Neural Network digunakan untuk mapping aproksimasi kompleks non linier.
   
   
2. Toleransi terhadap noise : Neural Network sangat fleksibel dengan data yang noisy.
   
   
3. Independensi dari asumsi prior : Neural Network tidak membuat asumsi priori tentang distribusi data atau bentuk interaksi dari faktor-faktor.
   
   
4. Mudah untuk dikelola : Neural Network dapat diupdate dengan data yang baru, membuat berguna untuk lingkungan yang dinamis.
   
   
5. Neural Network dapat diimplementasikan di hardware yang paralel.
   
   
6. Ketika elemen Neural Network gagal, ia dapat melanjutkan tanpa masalah karena polanya yang paralel. 
    
7. Neural Network dapat dilatih di dataset yang sangat besar secara iteratif. 
   
   
    

PENERAPAN DAN IMPLEMENTASI ARTIFICIAL NEURAL NETWORK

1. Neural Network dan implementasinya dalam Data Mining

Terdapat faktor-faktor penting dalam implementasi Neural Network :

• Kombinasi yang efektif antara Neural Network dan Teknologi Data Mining

Teknologi umunya menggunakan software Neural Network atau mentransformasikan dari perangkat Neural Network yang sudah dikembangkan, diagram kerja dari data mining harus dimengerti sebaik-baiknya. Model data dan perangkat muka aplikasi harus bisa dikembangkan dengan form yang sudah distandarisasikan sehingga dua teknologi dapat efektif diintegrasikan dan bersama-sama memiliki peran dalam data mining. Oleh sebab itu, dibutuhkan pendekatan yang lebih baik lagi dalam mengkombinasikan Neural Network dan teknologi data mining harus dapat dikembangkan lebih baik lagi untuk terciptanya teknologi data mining yang lebih baik ke depannya.

• Kombinasi yang efektif antara proses knowledge dan komputasi neural

Mengevaluasi apakah suatu pelaksanaan algoritma data mining baik; indikator berikut dan karakteristiknya dapat digunakan :

1. Apakah pemodelan berkualitas tinggi dalam keadaan “noisy” dan data masih setengah matang
   
   
2. Model harus dipahami oleh pengguna dan dapat digunakan untuk pengambilan keputusan 
    
3. Model dapat mendapatkan pengetahuan (aturan memasukkan dan ekstraksi) untuk memperbaiki kualitas pemodelan. Yang ada neural network tinggi presisinya dalam kualitas pemodelan tetapi rendah dalam dua indikator terakhir. Neural Network sebenarnya bisa dilihat sebagai kotak hitam untuk pengguna, pembatasan aplikasi membuat klasifikasi dan proses prediksi tidak dapat dipahami oleh pengguna dan langsung digunakan untuk pengambilan keputusan. Dalam Neural Network di data mining, perlu menggunakan metode pengetahuan untuk mengekstraksi pengetahuan dari proses data mining dan menyadari inosculation pengolahan pengetahuan dan jaringan syaraf. Selain itu, dalam sistem keputusan yang efektif jelas. Mekanisme juga harus didirikan untuk meningkatkan validitas dan kepraktisan dati data mining serta teknologi Neural Network.

• Perangkat muka input dan output

Berdasarkan pertimbangan bahwa metode yang menggunakan perangkat Neural Network sangatlah kompleks, diperlukan perangkat muka dengan basis data relasional, basis data multidimensional dan data warehouse harus dapat disinergikan untuk kebutuhan data mining. Data mining berdasarkan Neural Network disusun dengan menyiapkan data, rules extracting, rules assessment.

2. Aplikasi Jaringan Saraf Tiruan (Artificial Neural Network) pada Pengenalan Pola Tulisan

Salah satu alat bantu yang dipakai oleh penyandang tunanetra untuk membaca adalah dengan menggunakan huruf Braille. Ketika menggunakan huruf Braille, penyandang tunanetra harus menyentuh huruf yang dibaca dengan menggunakan tangan, mengenali huruf yang dipegang, settelah itu merangkai huruf-huruf berikutnya menjadi sebuah kata lalu menjadi kalimat dan seterusnya.

Namun jika menggunakan cara ini, maka penyandang tunanetra yang ingin membaca harus menunggu cetakan khusus huruf Braille. Agar penyandang tunanetra juga dapat membaca buku selain cetakan huruf Braille, maka dibutuhkan suatu pengembangan, misalnya menggunakan alat yang langsung dapat mengenali pola tulisan dan memberitahukan huruf, kata atau kalimat untuk penyandang tunanetra tersebut. Alat tersebut dapat dibuat dengan menggunakan suatu program untuk mengenali pola tulisan dan dihubungkan dengan program yang memproses tulisan menjadi bentuk besaran fisis lain.

Untuk mengenali pola tulisan, salah satu metode yang dapat dipakai adalah dengan menggunakan jaringan saraf tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan suatu sistem yang bertugas untuk memproses data dengan meniru jaringan saraf biologis. Sehingga sampel tulisan yang dijadikan sebagai input dapat dikenali oleh komputer seperti otak yang memproses informasi dan kemudian mengenali pola tulisan yang dilihat oleh mata. Karena kelebihan inilah, jaringan saraf tiruan merupakan metode yang tepat untuk mengenali pola tulisan. Selain kelebihan-kelebih diatas, jaringan saraf tiruan juga memiliki kemampuan untuk belajar dan sifat toleransi kesalahan (fault toleransi).

Referensi :

https://www.academia.edu/7523960/IMPLEMENTASI_ARTIFICIAL_NEURAL_NETWORK_ANN_UNTUK_OPTICAL_CHARACTER_RECOGNATION

http://www.digilib.itb.ac.id/files/disk1/560/jbptitbpp-gdl-agirobbyri-27954-3-pagesfr-2.pdf

http://hfi-diyjateng.or.id/sites/default/files/18/FULL-Aplikasi%20Jaringan%20Saraf%20Tiruan%20(Artificial%20Neural%20Network)%20pada%20Pengenalan%20Pola%20Tulisan.pdf