ARTIFICIAL NEURON NETWORK (ANN)

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.

Daftar Pustaka

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