Peng. Teknologi Sistem Cerdas JARINGAN SYARAF TIRUAN (Neural Network)

Peng. Teknologi Sistem Cerdas

JARINGAN SYARAF TIRUAN (Neural Network)

 

 

Disusun Oleh:

1.      Andhika Dwisakti Nugraha        (11114023)

2.    Ayuanita                                   (11114899)

3.    Fazar Setiawan R                      (14114090)

4.    Firman Gustomi                        (14114285)

5.    Ghasa Rizky Perdana                        (14114508)

6.    Hagai Pantoro                          (14114697)

7.    Johanes Reynaldi                      (1D114133)

8.    Lhea Zefanya R                         (16114048)

9.    M Rafly Afiat                             (16114983)

10.Mutia Salfa N                           (17114677)

11.  Novita Sari                               (18114089)

UNIVERSITAS GUNADARMA

2016/2017

 

 

 

 

KATA PENGANTAR

Dengan memanjatkan puji syukur kehadirat ALLAH SWT. Dan dengan rahmat dan karuanianya, MAKALAH JARINGAN SYARAF TIRUAN (NEURAL NETWORK) ini dapat kami buat sebagai tugas softkill kami. Sebagai bahan pembelajaran kami dengan harapan dapat diterima dan di pahami secara bersama.

Makalah ini diajukan guna memenuhi tugas mata kuliah Peng. Teknologi Sistem Cerdas. Kami mengucapkan terimakasih kepada semua pihak yang telah membantu sehingga makalah ini dapat diselesaikan tepat pada waktunya. Makalah ini masih jauh dari kesempurnaan.

Akhirnya kami dengan kerendahan hati meminta maaf jika terdapat kesalahan dalam penulisan ataupun penguraian makalah yang kami buat. Dengan harapan dapat di terima oleh Bapak/Ibu dan dapat dijadikan sebagai acuan dalam proses pembelajaran kami.

Depok,  Desember 2016

Penulis

ABSTRAKSI

Makalah ini dilatarbelakangi oleh kepentingan pembelajaran peng. Teknologi Sistem Cerdas  khususnya jaringan syaraf tiruan (neural network). Melalui kajian struktur ini, peneliti diharapkan dapat menggambarkan peran unsur-unsur fisik tersebut dalam memperjelas pengertian apakah jaringan syaraf tiruan dan beserta contohnya.

Berdasarkan makalah ini ditemukan hal apa saja pengertian, sejarah beserta contoh jaringan syaraf komputer. Implementasi pembelajaran dengan membahas apa itu jaringan syaraf tiruan ini diharapkan dapat meningkatkan minat mahasiswa dalam pembelajaran peng. Teknologi sistem cerdas ini. Dan semoga dengan makalah  ini di buat dapat menambah pengetahuan pembaca dalam mempelajari dan memahami jaringan syaraf tiruan (neural network).

PENDAHULUAN

 Latar Belakang

Secara awam, aspek yang cukup penting yang mendasari berbagai teori adalah system pengenalan pola (Pattern Recognizing) yang merupakan bagian dari pengimplementasian Neural Network (NN) atau Jaringan Syaraf Tiruan secara praktis. Sistem pengenalan pola merupakan komponen penting dalam proses peniruan kemampuan inderawi manusia terutama penglihatan dan pendengaran. Sebagai contoh, untuk meniru indera penglihatan manusia, komputer harus mempunyai suatu mekanisme standar dan logis dalam mengenali pola yang ada pada suatu citra yang sedang diproses. Dari sinilah diperoleh motivasi untuk mencoba suatu konsep sederhana untuk mengenali pola dari suatu citra sehingga dapat diidentifikasi dengan baik oleh komputer.

Permasalahan utama yang terjadi apabila hendak mengenali suatu pola tertentu dan mengumpankannya ke dalam suatu proses jaringan syaraf buatan adalah bagaimana proses akuisisi data dilakukan sehingga menghasilkan sejumlah data numerik yang representatif dan konsisten terhadap sampel yang diberikan. Dalam penulisan ini, kita mencoba mengaplikasikan suatu metode sederhana untuk mengenali suatu citra sehingga dapat diidentifikasi dengan baik oleh komputer dengan memanfaatkan berbagai teori seperti Image Proccessing, Artificial Neural Networks.

 Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini. 

 

Gambar 1.1 Diagram sederhana dari sel otak

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendri terakhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).

Gambaran di atas merupakan gambaran sederhana dari jaringan saraf, tetapidari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi. Secara khusus, dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input.

Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkanharapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip.

PEMBAHASAN

Pengertian Jaringan Saraf Tiruan

Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa:

1.      Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

2.      Sinyal dilewatkan antar neuron melalui penghubung.

3.      Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.

4.      Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyaloutput.

Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.

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.

Komponen Neural Network

Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yang hampir sama. Gambar berikut memperlihatkan struktur ideal NN.

 

 

Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusiadiatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutronakan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan outputke neuron lainnya, dan seterusnya.

Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layerbelakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per – layer mulai dari input hingga output tanpa ataumelalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan,informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikutmenunjukan NN dengan tiga neuron layers

 

Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NNyang tidak mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.

Multi Layer Perceptron

Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yangterletak antara input dan output layers. Multi-layer-perceptron dapat digunakan untukoperasi logik termasuk yang kompleks seperti XOR

 

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neurontersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output(output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya kelapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij melambangkan bobot koneksi dari unitj ke uniti, danθi adalah nilai bias dari uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.

Algoritma Dalam Jaringan Saraf Tiruan

1)      Algoritma Backpropagation

Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyakdimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma iniumumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dariinput menuju output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tigatahapan [Fausett, 1994], yaitu:

1.      Input nilai data pelatihan sehingga diperoleh nilai output.

2.       Propagasi balik dari nilai error yang diperoleh.

3.      Penyesuaian bobot koneksi untuk meminimalkan nilai error.

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Secara matematis [Rumelhart, 1986], ide dasar dari algoritmabackpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error.

2)      Algoritma Quickprop

Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwakurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidakterpengaruh oleh bobot-bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman,1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatantraining. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatankecepatan training dan unjuk kerja yang signifikan.

Arsitektur Jaringan Saraf Tiruan

Secara umum, Arsitektur JST terdiri atas beberapa lapisan, yaitu lapisanmasukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini :

 

 

Gambar 1.2 Arsitektur Jaringan Saraf Tiruan

1.      Lapisan Masukan (input layer)

Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi.

2.      Lapisan tersembunyi (hidden layer)

Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.

3.      Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.

Aplikasi-aplikasi JST

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.

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.

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.

4)      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.

5)      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.

6)      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%.

7)      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 pola.

PENUTUP

Kesimpulan

Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selamaproses pembelajaran berlangsung.

Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanyasetiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakangmaupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu ataulebih hidden layers.

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Tujuan padapembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan (training data set).

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilaibobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

Saran

Untuk para pembaca mudah-mudahan makalah ini bisa membantu pembaca dalam memahami tentang apa itu jaringan saraf tiruan. Semoga setelah membaca ini pembaca bisa langsung memahami dan memberikan contoh jaringan saraf tiruan lainnya