Pengenalan Sistem Jaringan Syaraf Tiruan

Posting kali ini bukan membahas tentang jaringan syaraf manusia seperti pelajaran biologi, tapi kita akan membahas dasar dari algoritma untuk pembuatan sistem kecerdasan buatan menggunakan Artficial Neural Network alias Jaringan Syaraf Tiruan.

Dengan tidak bermaksud melanggar hak cipta atas tulisan berikut ini karena yang menyusun materi tentan sistem jaringan syaraf tiruan adalah salah satu dosen saya ketika masih kuliah dulu yaitu Bapak Dr. Ir. Gunadi Widi Nurcahyo, MSc.

Saya hanya ingin sedikit sharing saja, karena menurut saya materi kuliah yang satu ini sangat menarik. Berikut pembahasan dasar tentang Sistem Jaringan Syaraf Tiruan.

Pengertian Jaringan Syaraf Tiruan

Pemodelan yg didasari oleh kemampuan otak manusia dalam mengorganisasikan sel-sel penyusunnya yang disebut neuron, sehingga mampu melaksanakan tugastugas tertentu, khususnya pengenalan pola dengan efektifitas yang sangat tinggi. Sel syaraf (neuron) adalah unit pemrosesan informasi yang merupakan dasar operasi JST.

3 Elemen dasar dari neuron :

• Sekumpulan sinapsis atau jalur hubungan, di mana masing-masing sinapsis memiliki bobot atau kekuatan hubungan.
• Suatu adder untuk menjumlahkan sinyal-sinyal input yang diberi bobot oleh sinapsis neuron yang sesuai. Operasi-operasi yang digambarkan di sini mengikuti aturan linear combiner.
• Suatu fungsi aktivasi untuk membatasi amplitudo output dari setiap neuron.

Contoh Aplikasi Jaringan Syaraf Tiruan : 

1. 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.

2. 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.

3. 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.

Model Jaringan Syaraf Neuron

Terdapat tiga variasi model neuron yang bisa digunakan karena ketiganya sebenarnya ekuivalen. Pertama, model model ini memasukkan threshold 0k (diterapkan secara external) yang memperkecil nilai input untuk fungsi aktivasi. Sebaliknya, nilai input untuk fungsi aktivasi bisa diperbesar dengan menggunakan bias yang merupakan kebalikan dari threshold.

Model Jaringan Syaraf Neuron

Pada Gambar diatas terlihat serangkaian aliran sinyal masukan x1, x2, .., xp yang direpresentasikan oleh sebuah neuron. Sebuah neuron bisa memiliki banyak masukan dan hanya satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain. Aliran sinyal masukan ini dikalikan dengan suatu penimbang (bobot sinapsis) wk1, wk2, .., wkp dan kemudian dilakukan penjumlahan terhadap semua masukan yang telah diboboti tadi. Hasil penjumlahan ini disebut keluaran dari the linear combiner uk.

Fungsi Aktivasi

Fungsi aktivasi mendefinisikan nilai output dari suatu neuron dalam level aktivasi tertentu berdasarkan nilai output pengkombinasi linear ui.

Macam-macam fungsi aktivasi :

• Threshold function
• Piecewise-linear function
• Sigmoid function

Sekian dulu deh pembahasan dasarnya..., kapan-kapan kita lanjutin lagi ketingkat yang lebih rumit.....

Salam......