Pages

Subscribe:

Labels

.

Effeck Saljou

Ads 468x60px

.
.

Rabu, 08 Februari 2012

ARTIFICIAL NEURAL NETWORK [ANN]


1.  PENGERTIAN ARTIFICIAL NEURAL NETWORK

           Artificial Neural Network (Jaringan Syaraf Tiruan) 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.


          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 109 neuron, 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 komputer.



          Gambar 1 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 :

§  ES (Expert System)
·           Dalam pemecahan masalah masih membutuhkan bantuan programer
·           Knowledge di buat oleh Progammer, sehingga Knowledge dapat ditelusuri proses pembuatannya .
·           Sample yang inputnya cacat tidak dapat menghasilkan  output.

§  ANN (Artificial Neural Network)
·           Dapat memecahkan masalah/ kasus yang rumit yang tidak dapat dilakukan oleh ES.
·           Knowledgenya terbentuk dengan sendirinya.
·           Dapat menghasilkan Output walaupun  inputnya cacat

 

1.4  ARSITEKTUR ARTIFICIAL NEURAL NETWORK


          Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neuron dapat berupa hasil akhir atau berupa bahan masukan bagi neuron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar 2 di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedforward (data diproses pada satu arah).

Gambar 2.  Arsitektur ANN


1.  Lapisan input [Input Layer].
     Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data). Neuron-neuron ini tidak melakukan perubahan apapun terhadap data, tapi hanya meneruskan data ini ke lapisan berikutnya.

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. Besarnya nilai masukan (net) neuron ke-j pada lapisan tersembunyi ini tergantung pada akumulasi jumlah perkalian antara nilai bobot (w, kekuatan hubungan antar neuron) dengan nilai keluaran (O) neuron ke‑i pada lapisan sebelumnya (neuron input) ditambah dengan nilai bias (w, neuron ke-j).

     Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap neuron (kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki keluaran jaringan agar dapat menyamai atau mendekati nilai keluaran (output) yang diinginkan. Bobot wji bernilai 0 menunjukkan bahwa antara neuron ke-j dan ke-i tidak terdapat hubungan.
     Nilai keluaran neuron pada lapisan tersembunyi ini merupakan fungsi dari nilai masukannya f(net (j)). Pada eksperimen ini digunakan fungsi Sigmoid, yaitu :

                                                Ox(j) = 1 / (1 + exp(-net(j)))

     Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku hal yang sama seperti hidden layer di atas, hanya saja data masukannya berasal dari hidden layer lapisan sebelumnya.

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 hasil dari proses


    Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap neuron (kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki keluaran jaringan agar dapat menyamai atau mendekati nilai keluaran (output) yang diinginkan. Bobot wji bernilai 0 menunjukkan bahwa antara neuron ke-j dan ke-i tidak terdapat hubungan.
     Nilai keluaran neuron pada lapisan tersembunyi ini merupakan fungsi dari nilai masukannya f(net (j)). Pada eksperimen ini digunakan fungsi Sigmoid, yaitu :

                                                Ox(j) = 1 / (1 + exp(-net(j)))                        (2)

     Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku hal yang sama seperti hidden layer di atas, hanya saja data masukannya berasal dari hidden layer lapisan sebelumnya.

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 hasil dari proses

Skema proses yang terjadi pada setiap neuron, kecuali neuron input
                        
                           Ox (j) = f(net)               

  •   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.




Tidak ada komentar:

Posting Komentar