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 :
- Pola hubungan antar neuron (disebut arsitektur jaringan).
- Metode untuk menentukan bobot penghubung (disebut metode training/learning).
- Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neuron.
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.
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
- 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.
- 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.
- 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
- Akurasi yang tinggi : Neural Network digunakan untuk mapping aproksimasi kompleks non linier.
- Toleransi terhadap noise : Neural Network sangat fleksibel dengan data yang noisy.
- Independensi dari asumsi prior : Neural Network tidak membuat asumsi priori tentang distribusi data atau bentuk interaksi dari faktor-faktor.
- Mudah untuk dikelola : Neural Network dapat diupdate dengan data yang baru, membuat berguna untuk lingkungan yang dinamis.
- Neural Network dapat diimplementasikan di hardware yang paralel.
- Ketika elemen Neural Network gagal, ia dapat melanjutkan tanpa masalah karena polanya yang paralel.
- Neural Network dapat dilatih di dataset yang sangat besar secara iteratif.
PENERAPAN
DAN IMPLEMENTASI ARTIFICIAL
NEURAL NETWORK
- 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 :
- Apakah pemodelan berkualitas tinggi dalam keadaan “noisy” dan data masih setengah matang
- Model harus dipahami oleh pengguna dan dapat digunakan untuk pengambilan keputusan
- 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.
- 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
:
Komentar
Posting Komentar