NEURAL NETWORK - Kecerdasan Buatan

 NEURAL NETWORK

Kecerdasan Buatan

1. Konsep Neural Network 

Neural Network (jaringan syaraf) adalah sistem pengolahan informasi yang didasari filosofi struktur perilaku syaraf mahluk hidup. Struktur jaringan syaraf untuk mempelajari bagaimana menghasilkan keluaran yang diinginkan pada saat diberikan sekumpulan masukan. Hal ini dikenal dengan input-output mapping. Menurut Haykin: Jaringan syaraf tiruan (JST) didefinisikan sebagai prosesor tersebar pararel yang sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan.

Proses ini dilakukan secara internal, yaitu dengan memerintahkan sistem untuk mengidentifikasikan
hubungan antar masukan kemudian mempelajarinya. Proses eksternal, sistem bisa menggunakan umpan balik eksternal atau tanggapan yang diinginkan, untuk membentuk prilaku jaringan yang disebut sebagai Supervised Learning.

2. Komponen Jaringan Syaraf

Jaringan Syaraf Riil terdiri dari :

• Sinapsis
• Dendrit
• Axon
• Cell Body (kumpulan cell)

Sebuah saraf terdiri dari sebuah badan sel, satu axon, dan beberapa dendrit. Dendrit menerima masukan dari axon saraf lain yang memperlihatkan gairah atau kalangan sinopses. Saraf sesungguhnya mempunyai lebih banyak dendrit.

Jaringan syaraf tiruan terdiri dari :

• Pengali
• Penambah
• Selisih

Jaringan Syaraf Tiruan (JST) menyerupai otak manusia dalam dua hal yaitu :

1. Pengetahuan yang diperoleh JST melalui proses belajar (learning)

2. Kekuatan hubungan antara neuron yang dikenal dengan sypnatic weights digunakan untuk menyimpan pengetahuan.

Syaraf yang ditiru. Masukan dari saraf lain dikalikan dengan bobot dan kemudian diisi bersama. Jumlah itu yang kemudian dibandingkan dengan sebuah tingkat theshold. Jika jumlah di atas threshold, outputnya 1, kalau sebaliknya output 0.

Input bagi neuron direpresentasikan oleh vektor x dan w sebagai bobot syaraf. Fungsi aktivasi merupakan jumlah dari perkalian x dengan w.

Bila w antara dua neuron bernilai positif maka input neuron memberikan efek excitatory atau menguatkan. Sebaliknya maka input neuron memberikan inhibitory atau meredam.

3. Arsitektur JST Backpropagation

4. Contoh Neural Network

Contoh Neural Network dalam aplikasi dunia nyata :

1. Aproksimasi fungsi (function approximation), analisa regresi (regression analysis), prediksi berkala (time series prediction).

2. Klasifikasi, pengenalan pola. Misalnya pengenalan pola tulisan tangan, pengenalan pola huruf abjad.

3. Pemrosesan data seperti clustering, filtering.

4. Game.

5. Single Perceptron Neural Network 

Dapat dilihat pada gambar dibawah, Jaringan syaraf Single perceptron (SLP) ini terdiri atas lapisan input dan lapisan output. SLP ini merupakan model yang sederhana. Biasa digunakan untuk mengemulasikan fungsi logika NOT, OR, AND, NOR, NAND.

6. Multi Layer Perceptron 

JST Multi Layer Perceptron, terdiri dari lapisan input, lapisan tersembunyi (hidden) dan lapisan output. Bila SLP digunakan untuk fungsi sederhana, MLP digunakan untuk fungsi yang lebih rumit seperti XOR. Jumlah lapisan pada Lapisan tersembunyi bisa sangat banyak

8. Metode Pembelajaran 

Ada dua jenis metode pembelajaran :

1. Supervised Learning

Metode pembelajaran ini merupakan metode belajar dari contoh yang benar. Dalam metode ini JST tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut. Contoh algoritma : Backpropagation, Least-Mean-Squared

2. Unsupervised Learning

Pada metode ini JST tidak diberikan contoh-contoh yang benar. Tetapi mengandalkan analisa JST mengenali kesamaan dan perbedaan antara data-data input. Contoh algoritma : k-means Clustering, Kohonen, ART.

9. Implementasi Neural network Selanjutnya

Pola koneksi antara neuron disebut Arsitektur JST. Suatu JST biasanya terdiri dari lapisan input, 1 atau 2 lapisan tersembunyi dan output. Dapat berupa SLP atau MLP. Berapa jumlah dan nilai input , weight, output. Setelah arsitektur telah selesai, JST perlu Belajar(learning) atau dilatih(train). JST Belajar dengan cara mengubah-ubah nilai weight sehingga output dari JST sesuai