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/