neural network dan contoh peralatan yang menggunakannya.docx
TRANSCRIPT
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