Pengertian Artificial Neural
Network
Artificial Neural Network
(ANN) adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan sistem saraf manusia. ANN merupakan sistem
adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan
informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Oleh karena sifatnya yang adaptif, ANN juga sering disebut dengan jaringan
adaptif.
Secara sederhana, ANN
adalah sebuah alat pemodelan data statistik non-linier. ANN dapat digunakan untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data. Menurut suatu teorema yang disebut "teorema
penaksiran universal", ANN dengan minimal sebuah lapis tersembunyi dengan
fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal
apapun dari suatu dimensi ke dimensi lainnya.
Sejarah Artificial Neural
Network
Perkembangan ilmu
Artificial Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch
dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama
kalinya. Mereka melakukan kombinasi beberapa processing unitsederhana
bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan
komputasi.
Gambar McCulloch & Pitts, penemu pertama Neural
Network
Hal ini dilanjutkan pada
penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil
menemukan sebuah two-layer network, yang disebut sebagai perceptron.
Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu
dengan penambahan bobot pada setiap koneksi antar-network.
Gambar Perceptron
Keberhasilan perceptron
dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih
ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk
menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan
neural network ini membuat penelitian di bidang ini sempat mati selama kurang
lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk
penelitian-penelitian selanjutnya di bidang neural network.
Pengkajian terhadap
neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para
peneliti banyak menemukan bidang interest baru pada domain ilmu neural network.
Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield,
model pembelajaran kompetitif, multilayer network, dan teori model
resonansi adaptif.
Untuk saat ini, Neural
Network sudah dapat diterapkan pada beberapa task, diantaranya classification,
recognition, approximation, prediction, clusterization, memory simulation dan
banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah
seiring berjalannya waktu.
Pelatihan Pada Artificial
Neural Network
1.
Supervised Training (Pelatihan Terbimbing)
Dalam pelatihan dengan
supervisi, terdapat sejumlah pasangan data (masukan target keluaran) yang
dipakai untuk melatih jaringan hingga didapatkan bobot jaringan yang diinginkan. Untuk setiap kali pelatihan, suatu input diberikan ke jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target merupakan kesalahan yang terjadi. Jaringan akanmemodifikasi
bobot sesuai dengan kesalahan tersebut
Contoh
dari metode pelatihan terbimbing yang sering
digunakan yaitu Single Perceptron, Multi Perceptron dan Back
Propagation
2.
Unsupervised Training (Pelatihan Takterbimbing)
Dalam
jaringan Unsupervised, jaringan ini terdiri dari dua layar atau lapisan,
yaitulayar input dan layar kompetensi. Layar input menerima data eksternal.
Layarkompetitif berisi neuron-neuron yang saling berkompetisi agar
memperolehkesempatan untuk merespon atau menanggapi sifat-sifat yang ada
didalam datamasukan. Neuron yang memenangkan kompetisi akan memperoleh sinyal
yang berikutnya ia teruskan. Bobot dari neuron pemenang akan dimodifikasi sehinggamenyerupai
dengan data masukkan.
Contoh
model yang digunakan : Competitive dan Neocognitron
3.
Hybrid (Hibrida)
Yaitu
merupakan kombinasi dua atau lebih teknik / metode pembelajaran supervisi dan
tanpa unsupervised yang bertujuan menggabungkan kekuatan masing-masing teknik
tersebut dan meminimalkan kekurangannya, sehingga dapat menjadikan alternatif
atau solusi untuk mengoptimalkan opini benar atau tidaknya suatu data yang
terkumpul untuk dijadikan bahan dalam proses pengambilan keputusan. Pada metode
yang ke 3 ini juga dapat dikatakan sebagai Integrasi dari beberapa computer
system tools untuk menyelesaikan masalah. Tujuannya adalah agar antara
satu system dengan sitem yang lainya saling melengkapi kekurangan dari
masing-masing sistem, sehingga keputusan akan dapat dengan mudah untuk diambil
dan permasalahan akan dengan mudah terselesaikan
Contoh
model yang digunakan : algoritma RBF.
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
http://www.academia.edu/7523960/IMPLEMENTASI_ARTIFICIAL_NEURAL_NETWORK_ANN_UNTUK_OPTICAL_CHARACTER_RECOGNATION
https://sirohito.wordpress.com/2010/11/03/hybrid-support-system/
http://www.academia.edu/7523960/IMPLEMENTASI_ARTIFICIAL_NEURAL_NETWORK_ANN_UNTUK_OPTICAL_CHARACTER_RECOGNATION
Tidak ada komentar:
Posting Komentar