Jaringan saraf tiruan
Click here to load reader
-
Upload
rahmat-darmawan -
Category
Documents
-
view
183 -
download
5
Transcript of 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)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan
jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui
jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier.
JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data.
Sejarah
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut
‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada
komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan
buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang
lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep
jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun
1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-
sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu
langkah maju dalam industri komputer.
Pengertian Dasar
Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam
ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak
bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan
memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak
manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak
mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan.
Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski
beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak.
Beberapa aspek-aspek tersebut, yaitu :
a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem
saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf
penghubung) yang dibentuk.
b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu
sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik
mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.
d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada
struktur otak yang berkembang dengan urutan waktu yang sama.
Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak
seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi
dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi
diproses oleh otak.
Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah
membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada
dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan
mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear
untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.
Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir
manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf
alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui
berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan
suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan.
Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam
hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke
sel saraf lainnya melalui akson dan sinapsis.
Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur
yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk
menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu
pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para
perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada
berdasarkan pada pemahaman terhadap otak biologi.
Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat
menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain.
Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan
kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam
menciptakan sel tiruan.
Definisi
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan
terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. 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 syaraf buatan sebagai berikut :
Sebuah jaringan syaraf 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.
Kelebihan dan Kekurangan
Keuntungan :
Suatu neural jaringan dapat melaksanakan tugas yang suatu program linier tidak bisa.
Ketika suatu unsur neural jaringan gagal, ANN masih dapat melanjut tanpa masalah oleh
paralel mereka.
ANN bias diimplementasikan pada berbagai aplikasi.
ANN bias diimplementasikan tanpa masalah yang berarti
Kerugian:
ANN membutuhkan “pelatihan” terlbih dahulu sebelum beroprasi.
Arsitektur dari ANN berbeda dari arsitektur kebanyakan microprocessor, sehingga
membutuhkan proses emulasi.
Membutuhkan waktu processing yang tinggi untuk ANN dengan ukuran yang besar.
Sumber : http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
APLIKASI-APLIKASI JARINGAN SARAF TIRUAN
Masalah-masalah yang secara eksplisit dapat diformulasikan dan langkah-langkah
pemecahannya pun dapat secara eksplisit diformulasikan, maka pendekatan dengan
menggunakan jaringan saraf tiruan (artificial neural networks, selanjutnya disebut jaringan saraf)
akan dihindari. Dalam kasus ini seseorang akan cenderung menggunakan komputer digital.
Banyak masalah yang paling kompleks seperti fisika partikel, struktur molekul organik,
pengendali pesawat antariksa, telemetri, dan bidang lainnya dapat ditangani secara baik oleh
komputer¾ bila permasalahan dapat diformulasikan. Namun bilamana suatu permasalahn tidak
dapat diformulasikan secara eksplisit, atau ketika formulasi eksplisit berakibat hilangnya
sensitivitas karena pendekatan yang tidak tepat atau ketika terjadi gangguan maka digunakanlah
jaringan saraf.
Saat ini sulit memperkirakan sejauh mana jaringan saraf, teori fuzzy, dan pendekatan-pendekatan
logika lainnya akan mengubah kehidupan kita di masa mendatang¾ seperti halnya kehadiran
komputer dan dampaknya bagi kita tidak dapat diperkirakan pada saat kemunculan komputer
elektronik pertama, ENIAC di tahun 1946. Sehingga belum terlihat apakah kita akan memiliki
pengemudi yang dikendalikan oleh jaringan saraf ataupun fuzzy sehingga kita tidak perlu
mengemudikan mobil kita lagi. Tahapan hingga mencapai transformasi tersebut hingga kini
belumlah terlihat jelas, akan tetapi tanda-tanda ke arah tersebut telah terlihat. Robert Hecht-
Nielsen, seorang kontributor dalam bidang jaringan saraf, melihat bahwa aplikasi-aplikasi
jaringan saraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu
analisis data, pengenalan pola, dan fungsi kendali. Dalam analisis data, bidang aplikasi potensial
mencakup pemrosesan aplikasi pinjaman, analisis perdagangan komoditas, peramalan runtut
waktu, prediksi panen, meteorologi, analisis pasar, pola aktivitas konsumen, penegakan hukum
yang melibatkan pencarian catatan kriminal. Keseluruhan aplikasi ini, pada tahapan yang lebih
kompleks, meliputi pemrosesan data base berukuran besar yang belum terlihat hubungan antar
tiap elemennya. Beberapa di antaranya, meski dapat diselesaikan oleh teknik komputer klasik,
dapat pula diselesaikan oleh jaringan saraf. Sedangkan aplikasi yang lain seperti misalnya
peramalan cuaca jangka panjang, yang melibatkan faktor-faktor chaotic mungkin berada di luar
lingkup jaringan saraf. Dalam pengenalan pola, optical character recognition disebut sebagai
aplikasi saraf¾ utamanya bila melibatkan cek yang ditulis tangan dan alamat surat yang ditulis
tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang inspeksi industri, misalnya
dalam inspeksi silicon wafer, terdapat cacat yang tidak mudah dikenali, lalu penyaring berdasar
jaringan saraf menjadi alat yang disukai.
Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi fungsi-fungsi seperti operasi
peralatan mesin. Sebagai contoh, suatu alat yang cukup kaku memegang blok metal menjadi
rentan untuk rusak dalam operasi kecepatan tinggi. Sensor yang mendeteksi getaran dan tekanan
dapat memberikan petunjuk real-time mengenai kelemahan-kelemahan operasi¾ dengan sebuah
jaringan saraf dilatih untuk mengenali kelemahan-kelemahan multi dimensional.
Selanjutnya kami akan mengetengahkan beberapa aplikasi yang telah ada dalam kehidupan kita
yang menggunakan jaringan saraf.
Aplikasi-aplikasi yang telah ada
Sebagian besar aplikasi yang ada saat ini merupakan prototipe-prototipe ataupun proyek-proyek
riset. Meskipun untuk saat ini produk jaringan saraf ini belum begitu banyak kita jumpai, namun
kami berkeyakinan bahwa di masa mendatang kita akan menjumpai lebih banyak lagi aplikasi
jaringan saraf, oleh karena banyaknya para jenius yang berkecimpung di bidang ini.
Aplikasi-aplikasi jaringan saraf yang ada saat ini umumnya dapat dijalankan pada PC tanpa
bantuan hardware khusus, namun demikian terdapat pula yang memerlukan suatu hardware
jaringan saraf khusus.
Aplikasi-aplikasi berikut ini berkaitan dengan kehidupan kita sehari-hari dan jaringan saraf telah
memegang peranan yang cukup penting di dalamnya.
Adaptive Noise Canceling
Aplikasi ini telah mendapatkan penghargaan Institute of Electrical and Electronic Engineers'
Alexander Graham Bell. Sumbangan aplikasi ini adalah membersihkan gangguan pada saluran
telpon (dikenal sebagai echo) dan mengurangi kesalahan transmisi modem. Setiap kita
melakukan sambungan telpon jarak jauh, suara kita akan diproses melalui suatu penyaring
adaptif. Proses penyaringan adaptif ini dikembangkan oleh Bernard Widrow pada tahun 1950-an.
Aplikasi ini merupakan aplikasi yang sukses untuk jangka waktu terpanjang.
Mortgage Risk Evaluator
Perusahaan Nestor telah berhasil mengembangkan produk yang digunakan dalam aplikasi
hipotek (Mortgage Risk Evaluator). Produk ini membantu biro kredit mengidentifikasikan
seseorang yang mampu membayar hipotek. Sistem telah dilatih dalam beberapa ribu aplikasi
nyata, sekitar setengahnya diterima dan setengah yang lain ditolak oleh pemeriksa. Belajar dari
kesuksesan dan kegagalan pengalaman ini, sistem kemudian mencari pola di dalam data untuk
menentukan hal-hal apa saja yang menunjukkan suatu risiko tinggi. Selain itu, sistem dapat pula
dikonfigurasi agar pendugaannya bersifat konservatif atau pun optimistik.
Terdapat tiga tingkatan permasalahan yaitu pemeriksaan asal hipotek, pemeriksaan jaminan
hipotek, dan pendugaan risiko. Semakin tinggi tingkatan, maka semakin besar risiko dan
semakin sulit tugasnya.
Dua tujuan utama pembuatan produk ini adalah pertama untuk mengotomatisasi proses
pemeriksaan, sehingga dapat mengurangi biaya proses; kedua, untuk memperbaiki praktik yang
ada saat ini. Dalam suatu uji perbandingan dengan pemeriksa manusia (human underwriters)
diketahui bahwa jaringan saraf lebih konsisten dalam mengklasifikasikan berkas, dan
menghasilkan kualitas berkas tersertifikasi yang lebih baik serta mampu mengurangi secara
nyata kesalahan-kesalahan kerja.
AVCO Financial Services, di Irvine, California, menggunakan sistem jaringan saraf untuk
menganalisis risiko kredit. Sistem ini diujikan pada lebih dari 100.000 kasus kredit. Dalam
artikelnya New York Times melaporkan bahwa dalam satu uji terlihat indikasi akan adanya
kenaikan laba sebesar 27% jika digunakan sistem jaringan saraf dibanding bila menggunakan
sistem evaluasi dengan menggunakan komputer yang sebelumnya dipakai AVCO.
Bomb Sniffer
Pada bulan Agustus 1989, Federal Aviation Administration memasang suatu sistem detektor bom
baru di New York's JFK International Airport. Metode-metode tradisional untuk menentukan
risiko semacam ini memiliki keterbatasan yaitu operator dapat menjadi lelah, bosan dan
kehilangan konsentrasi. Science Applications International Corporation (SAIC) mengembangkan
suatu jaringan saraf yang disebut Thermal Neutron Analysis (TNA) atau lebih umum dikenal
sebagai SNOOPE.
Sistem ini bekerja secara otomatis dan tidak dapat menjadi lelah dan bosan. SNOOPE ini telah
diuji pada sejumlah bahan peledak untuk mengidentifikasi pola emisi sinar gamma yang dimiliki
oleh bahan-bahan tersebut.
Sistem ini mampu memeriksa sekitar sepuluh buah kopor per menitnya. Jika SNOOPE ragu atas
suatu kopor, ia dapat memberikannya kepada inspektur. Lalu data kopor yang dicurigai disimpan
untuk digunakan di masa mendatang.
SNOOPE dinyatakan lebih aman bagi manusia dibanding sinar X, dan aman pula untuk film,
media elektronik, makanan dan obat-obatan. Neutron energi rendah yang dipancarkan bukan
suatu radioaktif. Namun demikian, untuk menggunakan sistem ini diperlukan biaya yang cukup
tinggi yaitu sekitar $ 1,1 juta.
GTE Process Monitor
GTE Laboratories telah menggunakan jaringan saraf dalam pabrik bola lampunya. Tujuan
proyek ini adalah untuk mengidentifikasi parameter-parameter yang paling berpengaruh terhadap
proses produksi. Sistem ini memantau lini produksi, menjejaki hal-hal seperti misalnya variasi
panas, tekanan, dan bahan kimia yang digunakan untuk membuat bola lampu. Masukan-masukan
dari pengukuran sensor ini lalu dibandingkan dengan kinerja pabrik. Informasi ini akan
digunakan untuk membantu menentukan kondisi pabrik yang optimum, mengindikasikan kendali
apa yang perlu disesuaikan, dan bahkan menghentikan lini produksi jika terjadi kesalahan.
Word Recognizer
Intel mengembangkan aplikasi kecil yang menyelidiki keekspresifan pembicaraan manusia.
Dengan membatasi sistem hanya untuk pembicara tunggal pada satu waktu dan dengan
membatasi kosa kata (sekitar 100 kata atau frase), sistem ini mampu mengenali suara manusia
dengan ketepatan 99%. Sistem pemasukan data yang dikendalikan suara ini telah banyak
digunakan dalam berbagai aplikasi manufaktur sejak tahun 1983.
Blower Motor Checker
Siemens, sebuah perusahaan pembuat peralatan elektronik Jerman, menggunakan jaringan saraf
untuk mendeteksi tingkat kebisingan blower motor yang dibuat untuk mobil Ford. Sebelumnya
mereka telah mencoba cara-cara tradisional, seperti menugaskan sejumlah karyawan untuk
mendengarkan seluruh motor, namun tidak begitu berhasil. Tetapi setelah menggunakan jaringan
saraf, mereka berhasil dengan tingkat akurasi lebih dari 90%.
Prototype dan Research Activity
Para ahli kesehatan di Universitas Brown telah menggunakan sebuah jaringan simulasi
pengetahuan medis untuk merelasikan informasi kasus, tanda-tanda, dan penyembuhan. Para
periset di Los Alamos National Laboratory menggunakan jaringan saraf untuk memprakirakan
apakah urutan DNA tertentu mewakili kode genetik bagi pembuat protein. Petugas US Postal
Service sedang menyelidiki kemungkinan penggunaan jaringan saraf untuk membaca alamat
yang ditulis secara manual. Badan-badan penegak hukum menggunakan jaringan saraf untuk
berusaha menentukan apakah profil psikologi seseorang (yang melakukan kejahatan) berubah.
Aplikasi riset yang lain mencakup text-to-speech, pengenalan target, dan pencarian.
Sumber:
http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
http://k12008.widyagama.ac.id/ai/diktatpdf/BabIII_Jaringan_Syaraf_Tiruan.pdf
http://one.indoskripsi.com/judul-skripsi-makalah-tentang/algoritma-jaringan-syaraf-tiruan
http://www.learnartificialneuralnetworks.com/