DASAR KOMPUTASI CERDAS

NEURAL NETWORK DAN CONTOH

PERALATAN YANG MENGGUNAKANNYA

OLEH :

GEDE ENDRAWADI (0919451066)

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS UDAYANA

TH. 2011

JARINGAN SARAF TIRUAN

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network

(ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya

disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses

kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem

adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan

informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST

dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan

output untuk menemukan pola-pola pada data.

Gambar 1 Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil

yang saling terhubung, yang dimodelkan berdasar

jaringan saraf (neuron) jaringan saraf.

Sejarah

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi

manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari

sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme

proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori

dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam

perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan

yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu

yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap

bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan

Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk

memformulasikan model matematis sel-sel otak. Metode yang dikembangkan

berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam

industri komputer.

Pengertian Dasar

Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda

dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk

memahami bagaimana otak bekerja adalah dengan mengumpulkan informasi dari

sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut

merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta

otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak

mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa

hingga gerakan.

Walaupun demikian kepastian cara kerja otak manusia masih merupakan

suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah

diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :

a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula

kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang

cocok untuk setiap akson (saraf penghubung) yang dibentuk.

b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka

struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap

bagiannya.

c. Axon-axon pada daerah yang berdekatan akan berkembang dan

mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur

tertentu pada otak.

d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan

terhubung pada struktur otak yang berkembang dengan urutan waktu yang

sama.

Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan

bahwa otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain

yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya

menentukan bagaimana suatu informasi diproses oleh otak.

Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel

saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa

kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari

sumber yang lain dan mengkombinasikannya dengan beberapa cara,

melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan

kemudian mengeluarkan hasil akhir tersebut.

Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga

proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun

demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama.

Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu,

dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu perluasan dari soma

yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran

masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma

dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang

kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.

Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi

mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf

buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang

ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf

sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat

terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada

pemahaman terhadap otak biologi.

Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis.

Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-

sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan

sinyal atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang

ingin dicoba para ahli dalam menciptakan sel tiruan.

Definisi

Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara

paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis.

Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah

ini.

Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:

"Suatu neural network (NN), adalah suatu struktur pemroses informasi

yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses

(yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang

diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap

elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke

sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang

sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses

tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan.

Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar

dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada

saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori

lokal".

Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY,

Macmillan, mendefinisikan jaringan saraf sebagai berikut:

“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel

dan mempuyai kecenderungan untuk menyimpan pengetahuan yang

didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan.

Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh

jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang

dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems,

Boston: PWS Publishing Company, mendefinisikan sebagai berikut:

“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik

yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang

didapatkan dari pengalaman”.

DARPA Neural Network Study (1988, AFCEA International Press, p. 60)

mendefinisikan jaringan syaraf buatan sebagai berikut :

Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah

elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya

ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan

pada komputasi elemen atau nodes.

APLIKASI-APLIKASI JARINGAN SARAF TIRUAN

Masalah-masalah yang secara eksplisit dapat diformulasikan dan langkah-

langkah pemecahannya pun dapat secara eksplisit diformulasikan, maka

pendekatan dengan menggunakan jaringan saraf tiruan (artificial neural networks,

selanjutnya disebut jaringan saraf) akan dihindari. Dalam kasus ini seseorang akan

cenderung menggunakan komputer digital.

Banyak masalah yang paling kompleks seperti fisika partikel, struktur

molekul organik, pengendali pesawat antariksa, telemetri, dan bidang lainnya

dapat ditangani secara baik oleh komputer¾ bila permasalahan dapat

diformulasikan. Namun bilamana suatu permasalahn tidak dapat diformulasikan

secara eksplisit, atau ketika formulasi eksplisit berakibat hilangnya sensitivitas

karena pendekatan yang tidak tepat atau ketika terjadi gangguan maka

digunakanlah jaringan saraf.

Saat ini sulit memperkirakan sejauh mana jaringan saraf, teori fuzzy, dan

pendekatan-pendekatan logika lainnya akan mengubah kehidupan kita di masa

mendatang ¾ seperti halnya kehadiran komputer dan dampaknya bagi kita tidak

dapat diperkirakan pada saat kemunculan komputer elektronik pertama, ENIAC di

tahun 1946. Sehingga belum terlihat apakah kita akan memiliki pengemudi yang

dikendalikan oleh jaringan saraf ataupun fuzzy sehingga kita tidak perlu

mengemudikan mobil kita lagi. Tahapan hingga mencapai transformasi tersebut

hingga kini belumlah terlihat jelas, akan tetapi tanda-tanda ke arah tersebut telah

terlihat.

Robert Hecht-Nielsen, seorang kontributor dalam bidang jaringan saraf,

melihat bahwa aplikasi-aplikasi jaringan saraf selama beberapa tahun ini

umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola,

dan fungsi kendali.

Dalam analisis data, bidang aplikasi potensial mencakup pemrosesan

aplikasi pinjaman, analisis perdagangan komoditas, peramalan runtut waktu,

prediksi panen, meteorologi, analisis pasar, pola aktivitas konsumen, penegakan

hukum yang melibatkan pencarian catatan kriminal.

Keseluruhan aplikasi ini, pada tahapan yang lebih kompleks, meliputi

pemrosesan data base berukuran besar yang belum terlihat hubungan antar tiap

elemennya. Beberapa di antaranya, meski dapat diselesaikan oleh teknik komputer

klasik, dapat pula diselesaikan oleh jaringan saraf. Sedangkan aplikasi yang lain

seperti misalnya peramalan cuaca jangka panjang, yang melibatkan faktor-faktor

chaotic mungkin berada di luar lingkup jaringan saraf.

Dalam pengenalan pola, optical character recognition disebut sebagai

aplikasi saraf¾ utamanya bila melibatkan cek yang ditulis tangan dan alamat surat

yang ditulis tangan. Masalah-masalah pengenalan pola juga terdapat dalam bidang

inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat cacat yang tidak

mudah dikenali, lalu penyaring berdasar jaringan saraf menjadi alat yang disukai.

Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi fungsi-

fungsi seperti operasi peralatan mesin. Sebagai contoh, suatu alat yang cukup

kaku memegang blok metal menjadi rentan untuk rusak dalam operasi kecepatan

tinggi. Sensor yang mendeteksi getaran dan tekanan dapat memberikan petunjuk

real-time mengenai kelemahan-kelemahan operasi¾ dengan sebuah jaringan saraf

dilatih untuk mengenali kelemahan-kelemahan multi dimensional.

Selanjutnya kami akan mengetengahkan beberapa aplikasi yang telah ada

dalam kehidupan kita yang menggunakan jaringan saraf.

Aplikasi-aplikasi yang telah ada

Sebagian besar aplikasi yang ada saat ini merupakan prototipe-prototipe

ataupun proyek-proyek riset. Meskipun untuk saat ini produk jaringan saraf ini

belum begitu banyak kita jumpai, namun kami berkeyakinan bahwa di masa

mendatang kita akan menjumpai lebih banyak lagi aplikasi jaringan saraf, oleh

karena banyaknya para jenius yang berkecimpung di bidang ini.

Aplikasi-aplikasi jaringan saraf yang ada saat ini umumnya dapat

dijalankan pada PC tanpa bantuan hardware khusus, namun demikian terdapat

pula yang memerlukan suatu hardware jaringan saraf khusus.

Aplikasi-aplikasi berikut ini berkaitan dengan kehidupan kita sehari-hari

dan jaringan saraf telah memegang peranan yang cukup penting di dalamnya.

Adaptive Noise Canceling

Aplikasi ini telah mendapatkan penghargaan Institute of Electrical

and Electronic Engineers' Alexander Graham Bell. Sumbangan aplikasi ini

adalah membersihkan gangguan pada saluran telpon (dikenal sebagai

echo) dan mengurangi kesalahan transmisi modem. Setiap kita melakukan

sambungan telpon jarak jauh, suara kita akan diproses melalui suatu

penyaring adaptif. Proses penyaringan adaptif ini dikembangkan oleh

Bernard Widrow pada tahun 1950-an. Aplikasi ini merupakan aplikasi

yang sukses untuk jangka waktu terpanjang.

Mortgage Risk Evaluator

Perusahaan Nestor telah berhasil mengembangkan produk yang

digunakan dalam aplikasi hipotek (Mortgage Risk Evaluator). Produk ini

membantu biro kredit mengidentifikasikan seseorang yang mampu

membayar hipotek. Sistem telah dilatih dalam beberapa ribu aplikasi

nyata, sekitar setengahnya diterima dan setengah yang lain ditolak oleh

pemeriksa. Belajar dari kesuksesan dan kegagalan pengalaman ini, sistem

kemudian mencari pola di dalam data untuk menentukan hal-hal apa saja

yang menunjukkan suatu risiko tinggi. Selain itu, sistem dapat pula

dikonfigurasi agar pendugaannya bersifat konservatif atau pun optimistik.

Terdapat tiga tingkatan permasalahan yaitu pemeriksaan asal

hipotek, pemeriksaan jaminan hipotek, dan pendugaan risiko. Semakin

tinggi tingkatan, maka semakin besar risiko dan semakin sulit tugasnya.

Dua tujuan utama pembuatan produk ini adalah pertama untuk

mengotomatisasi proses pemeriksaan, sehingga dapat mengurangi biaya

proses; kedua, untuk memperbaiki praktik yang ada saat ini. Dalam suatu

uji perbandingan dengan pemeriksa manusia (human underwriters)

diketahui bahwa jaringan saraf lebih konsisten dalam mengklasifikasikan

berkas, dan menghasilkan kualitas berkas tersertifikasi yang lebih baik

serta mampu mengurangi secara nyata kesalahan-kesalahan kerja.

AVCO Financial Services, di Irvine, California, menggunakan

sistem jaringan saraf untuk menganalisis risiko kredit. Sistem ini diujikan

pada lebih dari 100.000 kasus kredit. Dalam artikelnya New York Times

melaporkan bahwa dalam satu uji terlihat indikasi akan adanya kenaikan

laba sebesar 27% jika digunakan sistem jaringan saraf dibanding bila

menggunakan sistem evaluasi dengan menggunakan komputer yang

sebelumnya dipakai AVCO.

Bomb Sniffer

Pada bulan Agustus 1989, Federal Aviation Administration

memasang suatu sistem detektor bom baru di New York's JFK

International Airport. Metode-metode tradisional untuk menentukan risiko

semacam ini memiliki keterbatasan yaitu operator dapat menjadi lelah,

bosan dan kehilangan konsentrasi. Science Applications International

Corporation (SAIC) mengembangkan suatu jaringan saraf yang disebut

Thermal Neutron Analysis (TNA) atau lebih umum dikenal sebagai

SNOOPE.

Sistem ini bekerja secara otomatis dan tidak dapat menjadi lelah

dan bosan. SNOOPE ini telah diuji pada sejumlah bahan peledak untuk

mengidentifikasi pola emisi sinar gamma yang dimiliki oleh bahan-bahan

tersebut.

Sistem ini mampu memeriksa sekitar sepuluh buah kopor per

menitnya. Jika SNOOPE ragu atas suatu kopor, ia dapat memberikannya

kepada inspektur. Lalu data kopor yang dicurigai disimpan untuk

digunakan di masa mendatang.

SNOOPE dinyatakan lebih aman bagi manusia dibanding sinar X,

dan aman pula untuk film, media elektronik, makanan dan obat-obatan.

Neutron energi rendah yang dipancarkan bukan suatu radioaktif. Namun

demikian, untuk menggunakan sistem ini diperlukan biaya yang cukup

tinggi yaitu sekitar $ 1,1 juta.

GTE Process Monitor

GTE Laboratories telah menggunakan jaringan saraf dalam pabrik

bola lampunya. Tujuan proyek ini adalah untuk mengidentifikasi

parameter-parameter yang paling berpengaruh terhadap proses produksi.

Sistem ini memantau lini produksi, menjejaki hal-hal seperti misalnya

variasi panas, tekanan, dan bahan kimia yang digunakan untuk membuat

bola lampu. Masukan-masukan dari pengukuran sensor ini lalu

dibandingkan dengan kinerja pabrik. Informasi ini akan digunakan untuk

membantu menentukan kondisi pabrik yang optimum, mengindikasikan

kendali apa yang perlu disesuaikan, dan bahkan menghentikan lini

produksi jika terjadi kesalahan.

Word Recognizer

Intel mengembangkan aplikasi kecil yang menyelidiki

keekspresifan pembicaraan manusia. Dengan membatasi sistem hanya

untuk pembicara tunggal pada satu waktu dan dengan membatasi kosa kata

(sekitar 100 kata atau frase), sistem ini mampu mengenali suara manusia

dengan ketepatan 99%. Sistem pemasukan data yang dikendalikan suara

ini telah banyak digunakan dalam berbagai aplikasi manufaktur sejak

tahun 1983.

Blower Motor Checker

Siemens, sebuah perusahaan pembuat peralatan elektronik Jerman,

menggunakan jaringan saraf untuk mendeteksi tingkat kebisingan blower

motor yang dibuat untuk mobil Ford. Sebelumnya mereka telah mencoba

cara-cara tradisional, seperti menugaskan sejumlah karyawan untuk

mendengarkan seluruh motor, namun tidak begitu berhasil. Tetapi setelah

menggunakan jaringan saraf, mereka berhasil dengan tingkat akurasi lebih

dari 90%.

Prototype dan Research Activity

Para ahli kesehatan di Universitas Brown telah menggunakan

sebuah jaringan simulasi pengetahuan medis untuk merelasikan informasi

kasus, tanda-tanda, dan penyembuhan. Para periset di Los Alamos

National Laboratory menggunakan jaringan saraf untuk memprakirakan

apakah urutan DNA tertentu mewakili kode genetik bagi pembuat protein.

Petugas US Postal Service sedang menyelidiki kemungkinan penggunaan

jaringan saraf untuk membaca alamat yang ditulis secara manual. Badan-

badan penegak hukum menggunakan jaringan saraf untuk berusaha

menentukan apakah profil psikologi seseorang (yang melakukan

kejahatan) berubah. Aplikasi riset yang lain mencakup text-to-speech,

pengenalan target, dan pencarian pola.

Gambar Ilusrasi

Gambar 2 Struktur jaringan sraf manusia

Gambar 3 Struktur JST satu neuron

Gambar 4 Struktur JST 3 layer

DAFTAR PUSTAKA

http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

http://www.facebook.com/topic.php?uid=140684282629888&topic=145

http://www.facebook.com/photo.php?

op=1&view=all&subj=140684282629888&pid=31585575&id=1124020385&oid

=140684282629888

http://www.facebook.com/photo.php?

op=1&view=all&subj=140684282629888&pid=31553190&id=1124020385&oid

=140684282629888

http://www.facebook.com/photo.php?

op=1&view=all&subj=140684282629888&pid=31585574&id=1124020385&oid

=140684282629888