ARTIFICIAL NEURAL NETWORK [ANN]
1.1 Pengertian ANN
Artificial Neural Network (Jaringan Syaraf Tiruan) ANN adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Artificial Neural Network (Jaringan Syaraf Tiruan) merupakan model yang meniru cara kerja jaringan neural biologis.
1.2. otak sebagai system pengolah informasi
Otak manusia (juga hewan) terdiri atas sel-sel yang disebut neuron. Dibandingkan dengan sel-sel lain yang selalu mereproduksi dirinya kemudian mati, neuron memiliki keistimewaan, yaitu tidak mati. Hal ini menyebabkan informasi yang tersimpan di dalamnya dapat bertahan. Diperkirakan otak manusia terdiri atas 109neuron, dan terdapat 100 jenis neuron yang telah diketahui. Neuron-neuron ini terbagi atas grup-grup (disebut jaringan) yang dibedakan atas fungsinya dan setiap grup mengandung ribuan neuron yang saling berhubungan. Dengan demikian dapat disimpulkan bahwa otak merupakan kumpulan dari jaringan-jaringan neuron. Kecepatan proses setiap jaringan ini sebenarnya jauh lebih kecil dibandingkan dengan kecepatan proses komputer yang ada pada saat ini. Namun karena otak terdiri atas jutaan jaringan yang bekerja secara paralel (simultan), maka otak dapat mengerjakan pekerjaan yang jauh lebih kompleks dibandingkan dengan apa yang dapat dikerjakan oleh komputer yang semata-mata hanya mengandalkan kecepatan. Struktur pemrosesan paralel ini merupakan bagian lain yang menarik dari jaringan neural, yang juga dapat ditiru untuk diimplementasikan pada computer.
gambar di atas menunjukkan hubungan antara neuron pada otak. Pada gambar tersebut terdapat bagian-bagian : dendrit yang berfungsi sebagai saluran masukan bagi neuron, nucleus merupakan inti dari suatu neuron, axon berfungsi sebagai saluran keluaran dari neuron, dan synapsis yang mengatur kekuatan hubungan antar neuron.
Perbedaan antara ES (expert System) dan ANN
Perbedaan antara ES (expert System) dan ANN
a. ES (expert system)
- Dalam pemecahan masalah masih membutuhkan bantuan programmer
- Knowledge di buat oleh programmer, sehingga knowledge dapat di telusuri proses pembuatannya
- Sample yang inputnya cacat tidak dapat menghasilkan output
b. ANN
b. ANN
- Dapat memecahkan masalah/kasus yang rumit yang tidak dapat dilakukan oleh ES
- Knowledgenya terbentuk dengan sendirinya
- Dapat menghasilkan output walaupun inputnya cacat
1.3 Arsitektur ANN
Setiap neuron dapat memiliki beberapa masukan dan mempunnyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neutron dapat berupa hasil akhir atau berupa bahan masukkan bagi neutron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedfordward(data proses pada satu arah)
1.3 Arsitektur ANN
Setiap neuron dapat memiliki beberapa masukan dan mempunnyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neutron dapat berupa hasil akhir atau berupa bahan masukkan bagi neutron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedfordward(data proses pada satu arah)
1. Lapisan input [input Layer].
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data).
2. Lapisan tersembunyi [Hidden Layer]
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden layer) atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi terbawah berfungsi untuk menerima masukan dari lapisan input.
3. Lapisan Output [Output Layer]
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.
4. Lapisan Output [Output Layer]
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.
Skema proses yang terjadi pada setiap neuron, kecuali neuron input
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data).
2. Lapisan tersembunyi [Hidden Layer]
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden layer) atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi terbawah berfungsi untuk menerima masukan dari lapisan input.
3. Lapisan Output [Output Layer]
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.
4. Lapisan Output [Output Layer]
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasildari proses.
Skema proses yang terjadi pada setiap neuron, kecuali neuron input
- Bobot adalah parameter pengkali terhadap nilai output neuron.
- Bobot dan bias diset secara random
- Wj (bias) sebagai kalibrator
- Momentum adalah penurunan nilai bobot.
- f = fungsi aktivasi transfer function
- Oi = nilai neuron ke-i
- Wji = nilai bobot penghubung neuron
- Fungsi sigmoid paling sering digunakan karena terbukti secara empiris paling efektif daripada fungsi yang lain.
Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki karakteristik yang menyerupai jaringan syaraf biologi dalam memproses informasi. Salah satu penerapan ANN adalah untuk pemetaan data input dengan suatu pola yang diinginkan (Santoso,2004). Parameter-parameter yang ada dalam pemetaan soal UN digunakan sebagai bagian dalam sistem ANN yang dibangun. Dengan penggunaan ANN diharapkan memberi kemudahan bagi guru dalam melakukan pemetaan soal UN dan hasil yang diperoleh relatif lebih akurat.
ANN sendiri telah banyak diaplikasikan dalam bidang komputer, teknik, ilmu murni, perdagangan, financial dan lain-lain. Diantaranya adalah pengklasifikasian jenis tanah (Nafisah dkk,2008), dalam penelitian ini digunakan metode ANN Backpropagation untuk mengenali pola dalam pengklasifikasian jenis tanah ke dalam jenis gravel, sand, slit/ sloam, clay, heavy clay, atau peat, dengan bantuan software Weka 3.5.7. Sedangkan Giri Daneswara dan Veronika S Moertini (2004) dalam penelitiannya mengaplikasikan jaringan syaraf tiruan propagasi balik untuk klasifikasi data, dan Harryanto (2006) meneliti tentang aplikasi cluster analysis menggunakan self organizing maps (SOM) untuk analisa talenta pemain basket. Contoh aplikasi yang lain adalah pengenalan daun untuk klasifikasi tanaman (Budi,2008), pemodelan multivariat deret waktu sumber daya air (Ferianto, 2003), prakiraan harga minyak sawit (Salya, 2006), prakiraan keuntungan saham (Zhang, 2004) dan prakiraan kebutuhan energi (McMenamin,1998). Pada penelitian ini ANN digunakan untuk membangun sebuah model pemetaan soal UN matematika secara mudah berdasarkan bank data hasil laporan UN yang dikeluarkan oleh pusat penilaian pendidikan balitbang diknas dan BSNP.
Sumber :
http://note-why.blogspot.co.id/2012/10/artificial-neural-network-ann.html
http://www.lpmpjateng.go.id/web/index.php/arsip/karya-tulis-ilmiah/798-penggunaan-metode-artificial-neural-network-dengan-algoritma-self-organizing-maps-untuk-membantu-gur
Tidak ada komentar:
Posting Komentar