Jaringan Saraf Tiruan

 

Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf tiruan mampu mengenali kegiatan dengan berbasis masa lalu. Data masa lalu akan dipelajari oleh jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari. Jaringan syaraf tiruan, seperti manusia, belajar dari suatu contoh karena mempunyai karateristik yang adaptif, yaitu dapat belajar dari data sebelumnya dan mengenal pola data yang selalu berubah, selain itu jaringan syaraf tiruan merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan di dasarkan pada pengalamannya selama mengikuti proses pembelajaran atau pelatihan.

Adapun istilah-istilah dalam jaringan saraf tiruan :

-       Bobot(weight) : w1,w2,w3,…wn adalah faktor bobot yang berhubungan dengan masing-masing node. Setiap input akan dikalikan dengan bobot dari node-nya masing-masing, xT .w. Tergantung dari fungsi aktivasi yang dipakai, nilai xT .w dapat membangkitkan (excite) node atau menghalangi (inhibit) node

-       Bias :  Pada fungsi Threshold (batas ambang). Fungsi Threshold merupakan fungsi threshold biner. Untuk kasus bilangan bipolar, maka angka 0 diganti dengan angka -1. Adakalanya dalam jaringan syaraf tiruan ditambahkan suatu unit masukkan yang nilainya selalu 1. Unit tersebut dikenal dengan bias. Bias dapat dipandang sebagai sebuah input yang nilainya selalu 1. Bias berfungsi untuk mengubah threshold menjadi = 0.

-       Learning rate merupakan salah satu parameter training untuk menghitung nilai koreksi bobot pada waktu proses training. Nilai α ini berada pada range nol (0) sampai (1). Semakin besar nilai learning rate, maka proses training akan berjalan semakin cepat. Namun apabila nilai learning rate relatif terlalu besar, pada umumnya proses training dapat melampaui keadaan optimal yaitu pada saat dicapai nilai error yang paling minimal. Dengan kata lain, learning rate mempengaruhi ketelitian jaringan suatu sistem. Semakin besar learning rate, maka ketelitian jaringan akan semakin berkurang, tetapi berlaku sebaliknya, apabila learning rate-nya semakin kecil, maka ketelitian jaringan akan semakin besar atau bertambah dengan konsekuensi proses training akan memakan waktu yang semakin lama (Skapura, 1991, pp.104)

-       Epoch adalah ketika seluruh dataset sudah melalui proses training pada Neural Netwok sampai dikembalikan ke awal untuk sekali putaran, karena satu Epoch terlalu besar untuk dimasukkan (feeding) kedalam komputer maka dari itu kita perlu membaginya kedalam satuan kecil (batches)

Properti penting dalam jaringan syaraf adalah kemampuan jaringan untuk belajar dari lingkungan, dan meningkatkan kinerjanya selama proses pembelajaran. Peningkatan kinerja ini membutuhkan waktu yang lebih dengan beberapa ukuran yang sudah diberikan. Jaringan syaraf mempelajari lingkungannya selama proses interaktif dalam penyesuaian  diterapkan pada bobot synaptic dan level bias. Idealnya, jaringan menjadi lebih paham (pintar) mengenali lingkungannya setelah tiap iterasi proses pelatihan/pembelajaran.

Ada banyak aktivitas yang dikaitkan dengan yang namanya “learning” / pelatihan untuk menyesuaikan definisi yang tepat. Selain itu, proses pelatihan adalah sesuatu yang begitu tampak, yang membuatnya lebih sulit untuk dipahami pada definisi yang tepat. Misalnya, pembelajaran seperti yang dipandang oleh seorang psikolog sangat berbeda dengan pembelajaran di ruang kelas. Definisi jaringan syaraf yang digunakan disino diadaptasi dari Mendel dan McClaren (1970).

Definisi pelatihan/pembelajaran dalam konteks jaringan syaraf :

Pelatihan/pembelajaran adalah proses dimana parameter bebas jaringan syaraf diadaptasi selama proses simulasi oleh lingkungan dimana jaringan ditempatkan. Jenis pelatihan ditentukan oleh cara dimana perubahan parameter membutuhkan tempat.

Definisi proses pelatihan ini mengimpilkasikan urutan kejadian berikut :

1. Jaringan syaraf distimulus oleh lingkungan

2. Jaringan syaraf mengalami perubahan pada parameter bebas sebagai hasil dari stimulasi ini

3. Jaringan syaraf menhasilkan cara baru untuk mengenali lingkungan karena perubahan yang terjadi dalam struktur internal.

 

Sejumlah aturan yang didefinisikan diatas adalah jawaban masalah pelatihan yang disebut dengan learning algorithm (algoritma pembelajaran). Algoritma pembelajaran berbeda satu sama lain dalam cara penyesuaian bobot synaptic dari neuron yang diformulasikan. Faktor lain yang diperhatikan adalah cara dimana jaringan syaraf (learning machine) dibuat dengan sejumlah interkoneksi neuron, yang berhubungan dengan lingkungannya.

Supervised learning adalah sebuah pendekatan dimana sudah terdapat data yang dilatih, dan terdapat variable yang ditargetkan sehingga tujuan dari pendekatan ini adalah mengkelompokan suatu data ke data yang sudah ada, lain halnya dengan unsupervised learning, unsupervised learning tidak memiliki data latih, sehingga dari data yang ada, kita mengelompokan data tersebut menjadi 2 bagian atau 3 bagian dan seterusnya. Contoh Supervised Learning adalah ketika Anda memiliki sejumlah buku yang sudah dilabeli dengan kategori tertentu. Misalnya, kategori buku novel seperti Digital Fortress, Inferno, Deception Point. Kategori buku akademik, seperti Pengantar Teknologi Informasi, R in Action, Rekayasa Perangkat Lunak. Kategori biografi antara lain Anne Frank, Abraham Lincoln dan Mandela. Selanjutnya, ketika Anda membeli sejumlah buku baru, maka Anda harus mengindentifikasi isi dari buku tersebut, dan memasukannya dalam kategori. Ketika Anda membeli buku Logika fuzzy, Anda pasti akan memasukan buku tersebut ke dalam buku akademik.

Lain halnya dengan Unsupervised Learning. Anda tidak memiliki data yang dilatih sebelumnya. Anggaplah Anda belum pernah membeli buku sama sekali, namun dalam satu hari, Anda membeli banyak tumpukan buku dan ingin membaginya kedalam beberapa kategori agar nantinya mudah dicari. Anda akan mengidentifikasi buku buku mana yang mirip. Dalam hal ini, kita memilih pendekatan buku berdasarkan isinya. Misalnya anda memiliki buku Digital Fortress, Inferno, Deception Point, Pengantar Teknologi Informasi, R in Action, Rekayasa Perangkat Lunak, Anne Frank, Abraham Lincoln dan Mandela. Anda akan mengklasifikasikan buku Pengantar Teknologi Informasi, R in Action, Rekayasa Perangkat Lunak Anda ke dalam buku akademik karena keperluannya untuk kuliah.

Untuk melakukan hal itu Anda perlu algoritma yang mendukung untuk pengimplementasian dari metode tersebut.

Algoritma Supervised Learning

·         Decision tree

·         Nearest — Neighbor Classifier

·         Naive Bayes Classifier

·         Artificial Neural Network

·         Support Vector Machine

·         Fuzzy K-Nearest Neighbor

Pendekatan unsupervised learning tidak menggunakan data latih atau data training untuk melakukan prediksi maupun klasifikasi. Berdasarkan model matematisnya, algoritma ini tidak memiliki target variabel. Salah satu tujuan dari algoritma ini adalah mengelompokkan objek yang hampir sama dalam suatu area tertentu. Contoh dari penerapan metode ini adalah ketika seorang data analyst ingin mengelompokkan customer salah satu provider hosting Indonesia berdasarkan kemiripan sifat dalam hal pendapatan, umur, hobi, dan jenis pekerjaan.

Untuk mengelompokkan customer berdasarkan kemiripan sifat tersebut tidak diperlukan data training. Menggunakan data yang ada, kita bisa secara langsung mengelompokkan customer-customer tersebut. Beberapa algoritma yang dapat digunakan dalam unsupervised learning adalah

Algoritma Unsupervised Learning

·         K-Means

·         Hierarchical Clustering

·         DBSCAN

·         Fuzzy C-Means

·         Self-Organizing Map

Kesimpulannya dari penjelasan di atas adalah jika anda memiliki data data sebelumnya dan memiliki variabel target yang akan diklasifikasikan, maka Anda dapat memakai metode supervised learning. Jika Anda ingin membagi data — data tersebut ke dalam beberapa kelompok maka Anda memakai metode unsupervised learning.