Artificial intelegent 2

BAB I

Pendahuluan

1. Latar Belakang

Jaringan Syaraf Tiruan Atau Neural Network adalah suatu metode komputasi yang meniru jaringan Syaraf Biologis. Jadi dengn kata lain Jaringan Syaraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran

Dalam makalah ini akan sedikit di ulas mengenai jaringan Syaraf Tiruan bagai mana sejarahnya, algoritma yang dugunakan serta perbandingannya dengan jaringan Syaraf Biologis

2. Pokok Bahasan

Adapun pokok bahasan dalam makalah ini adalah

1. Otak Manusia (Jaringan Biologis)
2. Sejarah Jaringan Syaraf Tiruan
3. Komponen Jaringan Syaraf Tiruan

BAB II

Pembahasan

1. Otak Manusia

Pembuatatn struktur jaringan syaraf tiruan diilhami oleh struktur jaringan biologis, khususnya otak manusia. Neuron adalah suatu unit terkecil dari otak manusia. Bentuk sederhanadari sebuah neuron yang oleh para ahli dianggap satuan unit pemroses tersebut di gambarkan sebagai berikut:

Gambar : Struktur dasar jaringan syaraf tiruan dan struktur sederhana sebuah neuron

Gambar diatas adalah bentuk dasar satuan unit jaringan otak manusiayang disederhanakan. Jaringan otrak manusia tersusuntidak kurang dari 10¹³ buah neuron yang masing-masing terhubung oleh 10¹⁵ buah dendrite. Fungsi dendrite adalah sebagai penyampai sinyal dari neuron tersebut ke neuron yang terhubung dengannya. Sebagai keluaran, setiap neuron memiliki axon, sedangkan sebagai penerima sinyal disebuta synapse.

Secara umum jaringan syaraf terbentuk dari jutaan bahkan lebih struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan terus menerus sesuei dengan kebutuhan.

2. Sejarah

Jaringan saraf tiruan diperkenalkan secara sederhana pada tahun 1943 oleh McCulloch dan Pitts [Fausett; 1994]. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan neuron-neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural) yang mempunya kemampuan komputasi yang lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana. Beliau-beliau ini menggunakan semacam fungsi aktivasi threshold.

Pada tahun 1958, Rosenblatt beserta Minsky dan Papert mulai mengembangkan model jaringan yang disebut dengan perceptron. Dalam model ini mereka mencoba untuk mengoptimalkan hasil iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga disebut kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang menyebabkan komputer dapat “belajar” dengan sendirinya; kecepatan belajar dapat diatur dengan menggunakan parameter tertentu.

Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba mengembangkan sistem layar tunggal (single layer) pada perceptron menjadi sistem layar jamak (multilayers), yang kemudian disebut dengan sistem backpropagation. Setelah itu, muncul beberapa model jaringan saraf tiruan lain yang dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain

3. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan atau neural network adalah suatu metode komputasi yang meniru system jaringan biologis. Metode ini menggunakan elemen perhiuungan non-linear dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip jaringan syaraf manusia.

Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Layaknya neuron biologis, Jaringan Syaraf tiruan ,erupakan system yang bersifat “fault tolerance” dalam dua hal. Pertama, dapat mengenali sinyal input yang agak berbedadari yang diterima sebelumnya sebagai contoh, seseorang dapat mengenali wajah orang lain yang pernah dilihat di foto atau dapat mengenali seseorang yang wajahnya agak berbeda Karena lama tidak bertemu. Kedua , etap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain dapat dilatih untuk mrnggantikan fungsi neuron yang rusak tersebut.

Jaringan Syaraf Tiruan (JST) bertujuan untuk meniru kemampuan manusia dalam beradaptasi dengan lingkungannya dan belajar dari pengalaman. Jaringan ini terdiri dari banyak simpul (node) pemroses yang dianalogikan dengan neuron pada otak. Proses matematis yang ada dalam jaringan ini juga merupakan pendekatan pada cara kerja otak. Inti dari proses pembelajaran pada Jaringan Syaraf Tiruan adalah untuk meminimumkan error antara keluaran sistem dengan keluaran JST.

Dalam proses kerja JST, kemampuan kerjanya paling dipengaruhi oleh proses belajarnya. JST harus menyesuaikan bobot-bobot untuk melakukan pengolahan terhadap sinyal-sinyal masukannya. Kemampuan untuk menyesuaikan bobot-bobot itulah yang menentukan kemampuannya dalam belajar. Penyesuaian harga bobot-bobot itu biasa dilakukan dengan cara memperbaharuinya dalam setiap iterasi sampai bobot-bobot yang paling sesuai dicapai.

Arsitektur Jaringan Saraf Tiruan

Model JST yang digunakan adalah JST Diagonal Recurrent Neural Network (JST DRNN). Struktur JST DRNN ini dapat dilihat pada Gambar 2 - 1. dimana terdapat aksi umpan balik di lapisan tersembunyinya. Informasi berupa umpan balik ini diberikan supaya model kaya akan informasi dinamik dari sistem.

Gambar 1.: Struktur Diagonal Recurrent Neural Network

Pada gambar 2 – 1, input ditunjukkan dengan I_k(n) dan z(n). W_jk¹⁰, W_j^Z, W_j¹¹, W_j^1b, W_j²¹, X_j(n), dan Y(n) secara berurutan menunjukkan bobot masukan 1, masukan 2, diagonal, bias, output, keluaran lapisan hidden, dan keluaran JST.

Model matematik dari arsitektur DRNN tersebut dapat dituliskan sebagai berikut

(2.1)

S_j(n) adalah penjumlahan dari perkalian input dengan masing-masing bobotnya dan bobot bias.

(2.2)

di mana f adalah fungsi aktivasi dengan

0 ≤ k ≤ N, N jumlah neuron lapisan masukan

0 ≤ j ≤ M, M jumlah neuron lapisan tersembunyi

(2.3)

Y(n) adalah penjumlahan dari perkalian bobot output dan output lapisan sebelumnya pada setiap node.

Fungsi aktivasi f menyatakan bagaimana aktivitas dari neuron-neuron JST dalam menghasilkan keluara. Dalam JST, semua neuron dalam lapisan yang sama memiliki fungsi aktivasi yang sama juga. Ada beberapa tipe fungsi aktivasi yang banyak dipakai dalam pemodelan JST.

• Fungsi logsigmoid (2.4) yang berharga antara 0 dan 1
• Fungsi tansigmoid (2.5) Yang berharga antara -1 dan 1
• Fungsi linier/purelin (2.6)

Beberapa aspek yang mempengaruhi hasil identifikasi menggunakan JST antara lain

• Jumlah pasangan data training yang digunakan
• Arsitektur jaringan
• Fungsi aktifasi
• Algoritma pembelajaran
• Pemilihan input JST
• Kecepatan belajar (learning rate)
• Waktu delay dari sistem

Pemodelan dan Pengontrolan Menggunakan JST

JST dapat digunakan untuk memodelkan ataupun mengontrol suatu sistem, tetapi diperlukan nilai bobot-bobot tertentu pada JST. Oleh karena itu diperlukan pembelajaran terhadap bobot awal agar bobot tersebut konvergen menuju suatu nilai tertentu yang dapat merepresentasikan atau mengontrol plant.

Terdapat berbagai proses pembelajaran yang dapat diterapkan pada Jaringan Syaraf Tiruan, seperti algoritma pembelajaran Backpropagation-error (BP) , Random Search Method (RSM), Kalman Filter (KF), Extended Kalman Filter (EKF) dan beberapa algoritma pembelajaran lainnya.

Dikarenakan pada praktikum ini ditekankan pada pemahaman dan aplikasi dari konsep JST, maka metode pembelajaran ini tidak dibahas dalam praktikum ini.