Jaringan Syaraf Tiruan Dan Pola Aplikasinya Pada Model Adaline

Secara awam, aspek yang cukup penting yang mendasari banyak sekali teori dalam AI ialah system pengenalan pola (Pattern Recognizing) yang merupakan bab dari pengimplementasian Neural Network (NN) atau Jaringan Syaraf Buatan secara praktis. Sistem pengenalan pola merupakan komponen penting dalam proses peniruan kemampuan inderawi insan terutama penglihatan dan pendengaran. Sebagai contoh, untuk memalsukan indera penglihatan manusia, komputer harus mempunyai suatu prosedur standar dan logis dalam mengenali pola yang ada pada suatu gambaran yang sedang diproses. Dari sinilah diperoleh motivasi untuk mencoba suatu konsep sederhana untuk mengenali pola dari suatu gambaran sehingga sanggup diidentifikasi dengan baik oleh komputer. Permasalahan utama yang terjadi apabila hendak mengenali suatu pola tertentu dan mengumpankannya ke dalam suatu proses jaringan syaraf buatan ialah 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 gambaran sehingga sanggup diidentifikasi dengan baik oleh komputer dengan memanfaatkan banyak sekali teori menyerupai Image Proccessing, Artificial Neural Networks.

Jaringan Syaraf Biologi

Otak insan mempunyai struktur yang sangat kompleks dan mempunyai kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja menurut impuls atau sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan insan mempunyai 1012 neuron dan 6.1018 sinapsis. Dengan jumlah yang begitu banyak, otak bisa mengenali pola, melaksanakan perhitungan, dan mengontrol organ-organ tubuh.

Neuron mempunyai tiga komponen penting yaitu dendrit, soma dan axon. Dendrit mendapatkan sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi di celah sinaptik. Berikutnya soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlah tersebut cukup berpengaruh dan melebihi batas ambang (treshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda beda antara satu sel dengan yang lain.

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) ialah sistem pemroses gosip yang mempunyai karakteristik menyerupai dengan jaringan syaraf biologi.

JST dibuat sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan perkiraan bahwa :

• Pemrosesan gosip terjadi pada banyak elemen sederhana (neuron)
• Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung
• Penghubung antar neuron mempunyai bobot yang akan memperkuat atau memperlemah sinyal
• Untuk memilih output, setiap neuron memakai fungsi aktivasi yang dikenakan pada jumlah output yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.

JST ditentukan oleh tiga hal :

1. Pola hubungan antar neuron (disebut arsitektur jaringan)
2. Metode untuk memilih bobot penghubung (disebut metode training/learning/algoritma)
3. Fungsi aktivasi

Beberapa aplikasi jaringan syaraf tiruan ialah sebagai berikut :

Pengenalan Pola (pattern Recognition)

Jaringan syaraf tiruan sanggup digunakan untuk mengenali pola (misal huruf, angka, bunyi atau tanda tangan) yang sudah sedikit berubah. Hal ini menyerupai dengan otak insan yang masih bisa mengenali orang yang sudah beberapa waktu tidak di jumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit berubah).

Signal Processing

Jaringan syaraf tiruan (model ADALINE) sanggup digunakan unuk menekan noise dalam kanal telepon.

Peramalan

Jaringan syaraf tiruan juga sanggup digunakan untuk meramalkan apa yang sudah terjadi di masa yang akan tiba menurut pola insiden yang ada di masa lampau. Ini sanggup dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan menciptakan generalisasi dari apa yang sudah ada sebelumnya. Disamping area-area terebut, jaringan syaraf tiruan juga di laporkan sanggup menuntaskan problem dalam bidang kontrol, kedokteran, dan lain-lain.

Meskipun banyak aplikasi menjanjikan yang sanggup di lakukan oleh jaringan syaraf tiruan juga mempunyai beberapa keterbatasan umum, namun jaringan syaraf tiruan juga mempunyai beberapa keterbatasan umum. Pertama ialah ketidak akuratan hasil yang di peroleh. Jaringan syaraf tiruan bekerja menurut pola yang terbentuk pada inputnya.

Arsitektur Neural Network

Secara umum, terdapat tiga jenis neural network yang sering digunakan menurut jenis network-nya, yaitu :

1. Single-Layer Neural Network
2. Multilayer Perceptron Neural Network
3. Recurrent Neural Networks

Single-Layer Neural Network

Neural network jenis ini mempunyai koneksi pada inputnya secara eksklusif ke jaringan output. Jenis neural network ini sangatlah terbatas, hanya digunakan pada kasus-kasus yang sederhana.

Recurrent Neural Network

Neural network jenis ini mempunyai ciri, yaitu adanya koneksi umpan balik dari output ke input. Kelemahan dari jenis ini ialah Time Delay akhir proses umpan balik dari output ke titik input.

Proses Pembelajaran pada Neural Network

Proses pembelajaran merupakan suatu metoda untuk proses pengenalan suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini bergotong-royong untuk memperkecil tingkat suatu error dalam pengenalan suatu objek. Secara mendasar, neural network mempunyai sistem pembelajaran yang terdiri atas beberapa jenis berikut :

Supervised Learning

Sistem pembelajaran pada metoda Supervised learning ialah system pembelajaran yang mana setiap pengetahuan yang akan diberikan kepada sistem, pada awalnya diberikan suatu teladan untuk memetakan suatu masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran ini akan terus dilakukan selama kondisi error atau kondisi yang diinginkan belum tercapai. Adapun setiap perolehan error akan dikalkulasikan untuk setiap pemrosesan sampai data atau nilai yang diinginkan telah tercapai.

Unsupervised Learning

Sistem pembelajaran pada neural network, yang mana sistem ini memperlihatkan sepenuhnya pada hasil komputasi dari setiap pemrosesan, sehingga pada sistem ini tidak membutuhkan adanya teladan awal biar perolehan nilai sanggup dicapai. Meskipun secara mendasar, proses ini tetap mengkalkulasikan setiap langkah pada setiap kesalahannya dengan mengkalkulasikan setiap nilai weight yang didapat

Arsitektur Jaringan Syaraf Tiruan

Berdasarkan taktik pelatihan, model jaringan dibagi menjadi :

Pelatihan dengan supervisi.

Contoh model ini ialah : Hebbian, Perceptron, ADALINE, Boltzman, Hopfield, Backpropagation,dll.

Pelatihan tanpa supervise

Contoh model yang masuk dalam kategori ini antara lain model competitive, Hebbian, Kohonen, LVQ (Learning Vektor Quantization),Neocognitron,dll.

Aplikasi Model ADALINE

Model ADALINE (Adaptive Linear Neuron) ditemukan oleh Widrow dan Hoff (1960). Beberapa masukan dan sebuah bias (unit masukan tambahan) dihubungkan eksklusif dengan sebuah neuron keluaran. Bobot dimodifikasi dengan hukum delta (sering juga disebut least mean square). Selama pelatihan, fungsi aktivasi yang digunakan ialah fungsi identitas.

Referensi :

https://apryanto.wordpress.com/2011/01/07/jaringan-syaraf-tiruan-dan-contoh-aplikasinya-pada-model-adaline/

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: