Jaringan Syaraf Tiruan

Kecerdasan Buatan

Jaringan Syaraf Tiruan (JST) atau Neural Network  dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

JST adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

Model Dasar JST

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang 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 output dari sel syaraf.

Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi kedalam dua katagori :

1. Struktur feedforward, signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil)
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. Permasalahan tersebut di teliti dengan struktur ini

Lapisan JST

Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit : lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan output.

• Jaringan dengan Lapisan Tunggal
• Jaringan dengan Banyak Lapisan
• Jaringan dengan Lapisan Kompetitif

Algoritma Pembelajaran

Terdapat tiga jenis algoritma,

• Algoritma Hebb
• Algoritma Perceptron
• Algoritma Backpropagation

Keunggulan JST

• Berkemampuan menganalisis data (dalam jumlah besar)
• Mampu memahami data yang dimasukkan, meskipun data tidak lengkap/ terkena gangguan
• Mampu melakukan pembelajaran sistem dari pengalaman
• Mampu menghemat biaya dan lebih standar

Kelemahan JST

• Kurang sesuai untuk aritmatika dan pengolahan data
• butuh campur tangan pakar (dibidang yang sesuai penelitian), untuk memasukkan pengetahuan dan menguji data
• kurang dapat menjelaskan hasil, seperti pada penolakkan pinjaman bank

Kesimpulan

JST secara umum dapat dikatakan baik, dalam menangani masalah pada beberapa bidang berikut :

• Pengklasifikasian fitur geometrik dan fitur fisik
• Pengklasifikasian pola data
• Bidang yang melibatkan masalah optimasi