Sekilas Jaringan Saraf Tiruan


Jaringan Saraf Tiruan (JST) (Bahasa Inggris: Artificial Neural Network (ANN), atau juga disebut Simulated Neural Network (SNN), atau umumnya hanya disebut Neural Network (NN)), merupakan cabang ilmu dari bidang ilmu Kecerdasan Buatan (Artificial Intelligence) yang merupakan alat untuk memecahkan masalah terutam bidang-bidang yang melibatkan pengelompokan dan pengenalan pola (pattern recognition). Jaringan saraf tiruan merupakan jaringan dari sekelompok unit pemroses kecil yang memproses sejumlah besar informasi secara paralel dan terdistribusi yang dimodelkan berdasarkan jaringan saraf biologis manusia. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.

Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:

“Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal”.

Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:

“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: [1]. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. [2]. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:

“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.

DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan saraf buatan sebagai berikut :

Sebuah jaringan saraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.

KOMPARASI JARINGAN SARAF TIRUAN DENGAN JARINGAN SARAF BIOLOGIS

Sebelum membandingkan jaringan saraf tiruan dengan jaringan saraf biologis, lebih baik kita pahami terlebih dahulu apa yang terjadi pada jaringan saraf biologis. Jaringan saraf bilogis merupakan kumpulan sel-sel saraf (neuron). Neuron merupakan satuan unit pemroses terkecil pada otak yang mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat dikelompokan menjadi 3 bagian yaitu :

  1. Dendrit. Dendrit bertugas untuk menerima informasi
  2. Badan sel (soma). Badan sel (soma) berfungsi sebagai tempat pengolahan informasi
  3. Axon (neurit). Axon mengirimkan impuls-impuls ke sel saraf lainnya.

Salah satu bentuk sederhana neuron yang oleh para ahli dianggap sebagai satuan pemroses tersebut seperti pada gambar di bawah ini :

mata-otak

a

neuron

Gambar 1. Proses Neuron dalam Menerima Informasi dari Indera Penglihatan

Struktur pada gambar 1 di atas merupakan standar dasar satuan unit jaringan otak manusia yang telah disederhanakan. Secara garis besar proses pada gambar di atas yaitu sebuah neuron menerima impuls-impuls sinyal dari neuron yang lain melalui dendrite dan mengirimkan sinyal yang dibangkitkan oleh badan sel melalui axon. Axon dari sel saraf biologis ini bercabang-cabang dan berhubungan dengan dendrite dari sel saraf lainnya dengan cara mengirimkan impuls melalui sinapsis yang ditransmisikan melalui sinaptic gap. Sinapsis adalah unit fungsional antara 2 buah sel saraf. Kekuatan sinapsis akan menurun atau meningkat tergantung kepada seberapa besar propagasi (penyiaran) sinyal yang diterimanya.

Jaringan saraf tiruan (JST) disusun dengan asumsi yang sama seperti pada jaringan saraf biologis seperti pada gambar di bawah ini :

jst

Gambar 2. Struktur Dasar Jaringan Saraf Tiruan

Adapun cara belajar jaringan saraf tiruan sebagai berikut : Ke dalam jaringan saraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan. Berikut merupakan tabel yang memperlihatkan ke-analogan antara jaringan saraf tiruan dengan jaringan saraf biologis.

Tabel 1. Ke-analog-an Jaringan Saraf Tiruan terhadap Jaringan Saraf Biologis

analog_jst_jsb

Hal yang ingin dicapai dengan melatih/mengajari jaringan saraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan saraf tiruan untuk memanggil kembali secara sempurna sebuah pola yang dipelajari. Kemampuan generalisasi adalah kemampuan jaringan saraf tiruan untuk menghasilkan respons yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola sebelumnya yang telah dipelajari. Hal ini sangat bermamfaat bila pada suatu saat dalam jaringan saraf tiruan tersebut di-inputkan informasi baruyang belum pernah dipelajari, maka jaringan saraf tiruan akan tetap dapat memberikan tanggapan baik, memberikan keluaran/output yang paling mendekati.

Teknologi jaringan saraf tiruan yang berkembang pesat merupakan solusi persoalan komputasi yang tidak dapat diselesaikan oleh komputer konvensional. Kemudian, jaringan saraf tiruan belajar dari contoh yang disebut set pelatihan. Karena belajar dari contoh, jaringan saraf tiruan mempunyai potensi membangun sistem komputasi sebagai hasil pemetaan hubungan masukan dan keluaran yang ada dalam sistem. Set pelatihan dikenal sebagai pola pelatihan berupa suatu vektor dan didapatkan dari sumber seperti citra, sinyal suara, data dari sensor, data keuangan, dan informasi.

Kemampuan dan proses komputasi pada jaringan saraf tiruan memberikan keuntungan-keuntungan sebagai berikut :

  1. Jaringan saraf tiruan bersifat adaptif terhadap perubahan parameter yang mempengaruhi karakteristik sistem.
  2. Jaringan saraf tiruan memiliki kekebalan atau toleran terhadap kesalahan. Artinya, jaringan saraf tiruan tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan karena memiliki kemampuan mengisi bagian masukan yang kurang lengkap sedemikian rupa sehingga tetap diperoleh hasil keluaran yang lengkap.
  3. Jaringan saraf tiruan dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu
  4. Jaringan saraf tiruan mempunyai struktur paralel dan terdistribusi yang artinya, komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan.
  5. Jaringan saraf tiruan mampu mengklasifikasi pola masukan dan pola keluaran.
  6. Jaringan saraf tiruan mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih.
  7. Jaringan saraf tiruan dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah.
  8. Jaringan saraf tiruan dapat digunakan pada proses pengendalian sistem agar masukan memperoleh tanggapan yang diinginkan.

Walaupun jaringan saraf tiruan merupakan teknologi komputasi yang masih terus berkembang, fungsi-fungsi jaringan yang dikehendaki jaringan saraf tiruan mempunyai 3 elemen dasar:

  1. Topologi, bagaimana mengorganisasikan dan menginterkoneksikan jaringan menggunakan lapisan elemen pemroses, sehingga terbentuk jaringan saraf tiruan.
  2. Proses belajar, bagaimana informasi disimpan dalam jaringan saraf tiruan.
  3. Pemanggilan kembali, bagaimana infoimasi yang disimpan dapat dipanggil kembali.

Berdasarkan ketiga elemen dasar, kita dapat menentukan arsitektur yang cocok. Untuk mengetahui struktur dan arsitektur yang akan digunakan, kita perlu meninjau dari beberapa tingkatan yang berbeda.

  1. Struktur mikro, adalah struktur jaringan pada tingkat yang paling rendah yaitu elemen pemroses (neuron).
  2. Struktur meso, adalah struktur yang dibentuk berkaitan dengan fungsinya.
  3. Struktur makro, adalah struktur yang terdiri atas banyak jaringan dan dapat mengakomodasikan tugas-tugas yang kompleks. Struktur makro melibatkan dua atau lebih jaringan yang berinteraksi.

Bidang-bidang penelitian yang memamfaatkan jaringan saraf tiruan antara lain :

  1. Aerospace : Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat, perbaikan autopilot dan simulasi komponen pesawat.
  2. Otomotif : Sistem kendali otomatis mobil.
  3. Keuangan dan Perbankan :Pendeteksi uang palsu, evaluator aplikasi kredit, pengindentifikasian pola-pola data pasar saham.
  4. Pertahanan (Militer) : Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar dan pengolahan sinyal citra yang meliputi kompresi data, ekstrasi bagian istimewa dan penghilang derau, pengenalan sinyal atau citra.
  5. Elektronik : Pembuatan perangkat keras yang bisa mengimplementasikan jaringan saraf tiruan secara efisien (desain VLSI), machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.
  6. Broadcast : Pencarian klip berita melalui pengenalan wajah.
  7. Keamanan : Jaringan saraf tiruan digunakan untuk mengendalikan mobil dan mengenali wajah oknum.
  8. Industri dan Pertambangan : Neuro Furnace Controller (NFC) yang merupakan penerapan jaringan saraf tiruan untuk pengendali ketiga elektroda pada mesin EAF (industri baja) secara terpadu yang ditujukan untuk menanggulangi masalah tidak efisiennya pemakaian energi listrik dan elektroda pada mesin EAF (Electric Arc Furnace) tersebut, pengenalan pola-pola unik dalam penambangan data (data mining).
  9. Medis : Analisis sel kanker payudara, pendeteksi kanker kulit.
  10. Pengenalan Suara : Pengenalan percakapan, klasifikasi suara.
  11. Pengenalan Tulisan : Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin.
  12. Matematika : Alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara variable-variabel tertentu tidak diketahui.
  13. Pengenalan Benda Bergerak : Pengenalan citra orang bergerak, pengenalan citra tangan yang bergerak dan lain-lain.

REFERENSI

  1. Diyah Puspitaningrum, Pengantar Jaringan Saraf Tiruan, Andi Offset,Yogyakarta, 2006
  2. Yudhi Gunardi, Modul Ajar Jaringan Saraf Tiruan, Universitas Mercu Buana, Jakarta, 2012
  3. http://lecturer.eepis-its.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%208%20Jaringan%20Syaraf%20Tiruan.pdf
  4. http://id.wikipedia.org
  5. http://www.steelindonesia.com

Posted on January 11, 2013, in Artificial Intelligence, Sekilas Jaringan Saraf Tiruan and tagged , , , , , , , . Bookmark the permalink. Leave a comment.

Comments are closed.

%d bloggers like this: