ARTIFICIAL NEURAL NETWORK
Artificial Neural Network
(ANN)
Apa itu Artificial Neural Network (ANN) ? Artificial
Neural Network atau jaringan saraf tiruan merupakan sistem komputasi dimana arsitektur
dan komputasi didasari dari pengetahuan tentang sel saraf dalam otak. ANN
merupakan model yang meniru cara kerja jaringan neural biologis. Artificial Neural Network
merupakan cabang ilmu multi disiplin yang meniru cara kerja otak manusia. Salah
satu struktur yang ditiru adalah bentuk neuronnya (sel saraf). Jaringan saraf
tiruan ANN dapat menyelesaikan persoalan rumit atau tidak mungkin jika
diselesaikan dengan menggunakan komputasi kovensional. Jaringan saraf tiruan
dirancang dan dilatih untuk memiliki kemampuan seperti manusia.
v
Sejarah Artificial Neural Network
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.
Lalu 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.
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.
v 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
- · Back Propagation
2. Unsupervised
Training (Pelatihan Takterbimbing)
Dalam jaringan Unsupervised,
jaringan ini terdiri dari dua layar atau lapisan, yaitu layar input dan layar
kompetensi. Layar input menerima data eksternal. Layar kompetitif berisi
neuron-neuron yang saling berkompetisi agar memperolehkesempatan untuk merespon
atau menanggapi sifat-sifat yang ada didalam datamasukan.
Contoh model yang digunakan :
- · Competitive
- · Neocognitron
3. Hybrid
(Hibrida)
Hybrid merupakan kombinasi dua atau lebih teknik 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.
v Daftar
Pustaka
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
https://sirohito.wordpress.com/2010/11/03/hybrid-support-system/
http://www.academia.edu/7523960/IMPLEMENTASI_ARTIFICIAL_NEURAL_NETWORK_ANN_UNTUK_OPTICAL_CHARACTER_RECOGNATION
0 komentar:
Posting Komentar