Ads 120 X 160px

Senin, 03 Mei 2010

Jaringan Saraf Tiruan


JARINGAN SYARAF TIRUAN (JST)

JST didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia (JSB)

JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut :

1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron

2. Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung

3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim melaluinya.

4. Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya

Model Struktur NEURON JST


Jaringan syaraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakteristik esensial input bahkan untuk data yang tidak relevan.

Algoritma untuk JST beroperasi secara langsung dengan angka sehingga data yang tidak numerik harus diubah menjadi data numerik.

JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola input (dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.

Pada dasarnya karakteristik JST ditentukan oleh :

1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau proses belajar jaringan)

3. Fungsi aktivasi

ARSITEKTUR JST

Pada JST, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers).

Neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya.

Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan tersembunyi (hidden layer).

Gambar berikut ini jaringan syaraf dengan 3 lapisan dan bukanlah struktur umum jaringan syaraf karena beberapa jaringan syaraf ada yang tidak memiliki lapisan tersembunyi.


Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya.

Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama sehingga pada setiap lapisan yang sama neuron-neuron memiliki fungsi aktivasi yang sama.

Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan lain (misal lapisan output) maka setiap neuron pada lapisan tersebut (lapisan tersembunyi) juga harus dihubungkan dengan setiap neuron pada lapisan lainnya (lapisan output)

Macam arsitektur JST ada 3 :

1. Jaringan dengan lapisan tunggal (single layer net)

Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Pada gambar berikut neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.


2. Jaringan dengan banyak lapisan (multilayer net)

Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output. Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.

3. Jaringan dengan lapisan kompetitif (competitive layer net)

Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -η


PROSES PEMBELAJARAN JARINGAN

Cara belajar JST :

Ke dalam JST diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya.

Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian JST dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan.

Hal yang ingin dicapai dengan melatih/mengajari JST adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi.

Kemampuan memorisasi = kemampuan JST untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari.

Kemampuan generalisasi = adalah kemampuan JST untuk menghasilkan respon yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST diinputkan informasi baru yang belum pernah dipelajari, maka JST masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati.

Paradigma/metode pembelajaran/pelatihan JST :

1. Pembelajaran terawasi (supervised learning)

Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui. Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.

2. Pembelajaran tak terawasi (unsupervised learning) / pembelajaran tanpa guru

Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektorvektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi. Paradigma pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.

3. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)

Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

FUNGSI AKTIVASI

Dipakai ntuk menentukan keluaran suatu neuron

Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST diantaranya hard limit, purelin, dan sigmoid. Yang populer digunakan adalah fungsi sigmoid yang memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid tangen.

Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan secara linier, sigmoid berupa fungsi smooth bernilai antara 0 sampai dengan 1 (bila biner) atau antara -1 sampai 1 (bila bipolar)

APLIKASI JARINGAN SYARAF TIRUAN

Aerospace

autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan autopilot, simulasi komponen pesawat

Otomotif : sistem kendali otomatis mobil

Keuangan dan perbankan

pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham

Militer

Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.

Elektronik

Pembuatan perangkat keras yang bisa mengimplementasikan JST secara efisien, machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara

Broadcast : pencarian klip berita melalui pengenalan wajah

Keamanan : JST digunakan untuk mengenali mobil dan mengenali wajah oknum

Medis : analisis sel kanker

Pengenalan suara : pengenalan percakapan, klasifikasi suara

Pengenalan tulisan : pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin

Matematika : alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara variabel-variabel tertentu tidak diketahui

Pengenalan benda bergerak

selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari video seperti citra orang yang bergerak, dll.

JST digunakan sebagai detektor virus komputer, penginderaan bau, dll

5 komentar:

zakki mengatakan...

makasih ya artikelnya. saya rencananya mau neliti tentang jst juga

Saiya Rhieyaa mengatakan...

sama2... ^_^

Anonim mengatakan...

thanks...

http://blog.unand.ac.id/nanda

Anonim mengatakan...

gan bagaimana proses perhitungan bobot antara neuron pada jaringan dengan kompetitif ? mohon bantuannya!

Rahmi Imanda mengatakan...

artikel yang menarik, kami juga punya artikel tentang 'Jaringan Saraf Tiruan' silahkan buka link ini
http://repository.gunadarma.ac.id/bitstream/123456789/3001/1/IMG_0011.pdf
semoga bermanfaat ya

Posting Komentar