Jaringan Syaraf Tiruan (JST)
Berawal dari sistem mesin Von Neumann, sistem komputer pada saat ini telah berkembang pesat. Jaringan Syaraf Tiruan (JST) terjemahan dari Artificial Jaringan syaraf, merupakan suatu model dari sistem syaraf biologis yang disederhanakan sebagai suatu alternatif sistem komputasi.
Sel syaraf biologis atau disebut juga neuron memiliki tiga komponen penyusunan yang saling bekerja sama untuk mengolah sinyal-sinyal informasi, diantaranya yaitu dendrite, badan sel, dan axon. Dendrit merupakan serabut syaraf yang bercabang-cabang pendek dan berjumlah lebih dari satu ini bertugas menerima sinyal neuron lain. Sinyal listrik ini dilewatkan melalui celah sinapsi yang pada perjalanan biologisnya terjadi proses kimiawi dengan penskalaan frekuensi sinyal, pada JST proses in disebut pembentukan bobot. Sinyal yang diterima diolah oleh soma dan kemudian dijumlahkan.
Gambar 2.5 Sel Syaraf Biologis
Pemodelan jaringan pada syaraf tiruan sering dikategorikan menjadi tiga yaitu: single layer, multi layer dan competitive layer. Namun pada pembahasan kali ini hanya akan dibahas single layer dan multi layer, karena mengingat kaidah pelatihannya menggunakan algoritma backpropagation. Secara umum, tiap unit pada lapisan (layer) yang sama atau dapat kita sebut neuronmempunyai tingkah laku yang sama untuk pemrosesan sinyal data. Hanya hal terpenting yang perlu diperhatikan adalah menentukan penggunaan jenis fungsi aktifasi pada masing-masing unit pada lapisan tersebut dan pola koneksi pembobot antar lapisan. Namun biasanya unit pada lapisan yang sama mempunyai jenis fungsi aktifasi yang sama dan pola koneksi pembobot yang sama pula (Saludin, 2006).
Untuk pemilihan jumlah layer bukan berarti pemilihan later untuk neuron, namun pemilihan layer untuk penghubung jalur pembobot antar neuron. Jadi variabel terpenting untuk pengenalan pola adalah pembobot (Saludin, 2006).
JST dibentuk dari generasi model matematik jaringan syaraf biologis, berdasarkan asumsi bahwa:
1. Pemrosesan informasi terjadi pada suatu bentuk prosesor sederhana yang disebut neuron.
2. Sinyal dilewatkan antar neuron melalui sebuah koneksi tertentu.
3. Masing-masing koneksi berasosiasi dengan bobot (weight) tertentu.
4. Masing-masing neuron menerapkan fungsi aktifasi tertentu pada masing-masing jumlah sinyal inputuntuk menentukan sinyal keluaran.
Dengan demikian karakteristik suatu JST didasarkan pada:
1. Pola koneksi antar neuron, yang selanjutnya disebut sebagai arsitektur JST.
2. Metode untuk menentukan perubahan nilai bobot, yang selanjutnya disebut sebagai metode belajar atau algoritma JST.
3. Fungsi aktifasi.
Berdasarkan algoritma belajar, JST dapat dibedakan atas:
1. Suprevised learning, yaitu metode pembelajaran JST dengan pengawasan, dalam hal membandingkan suatu masukan dengan suatu pengeluaran (input dan output) yang sudah ditentukan. Contoh: Back Error Propagation (BEP), Multilayer-Perceptron (MLP), dan Radial Basis Function (RBF).
2. Unsuprised learning, yaitu metode belajar JST tanpa pengawasan dalam hal ini tidak diperlukan adanya suatu keluaran sebagai acuan. Contoh: Learning Vector Quantization (LVQ), Adaptive Resonance Theory (ART), dan Kohonen-Self-Organizing Map (SOM).
Model Dasar JST
Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkansebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap inputdatang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi/fungsi transfer untuk menghasilkan outputdari sel syaraf. Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input<0 dan 1 jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya tahapan fungsi jarang digunakan dalan JST.
Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu variabel dari luar) dan output(dari prediksi atau signal kontrol). Inputdan output sesuai dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan ke tangan, Dalam hal ini terdapat sel syaraf atau neuronpada lapisan tersembunyi berperan pada jaringan ini. Input, lapisan tersembunyi dan outputsel syaraf diperlukan untuk saling terhubung satu sama lain.
Berdasarkan dari arsitektur (pola koneksi), JST dapat dibagi kedalam dua katagori :
1. Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil).
Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).
Gambar 2.6 JST Feedforward
Yang termasuk dalam struktur feedforward :
a. Single-layer perceptron
b. Multilayer perceptron
c. Radial-basis function networks
d. Higher-order networks
e. Polynomial learning networks
2. Struktur recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam JST, namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam stuktur recurrent (feedback) :
a. Competitive networks
b. Self-organizing maps
c. Hopfield networks
d. Adaptive-resonanse theory models
Gambar 2.7 JST FeedBack
Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variable ditempatkan dalam suatu inputunit.dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot outputdari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.
.jpg)
