Jaringan Syaraf Tiruan

Sistem jaringan sudah ada di dalam organisme biologis dan telah menjadi topik menarik dan penelitian para ahli matematika, mencoba untuk mengembangkan model yang akan mendeskripsikan sistem ini dan kompleksitasnya. Jaringan Syaraf Tiruan (JST), sebagaimana yang dikenal saat ini, telah berkembang menjadi generalisasi dari konsep-konsep berikut. Pada tahun 1943, Warren McCulloch dan Walter Pitts mengemukakan tiga hal: pengetahuan fisiologi dasar dan fungsi syaraf dalam otak, analisis formal tentang logika proposisi, dan teori komputasi Turing. Hebb mendefinisikan peraturan learning yang tidak ditilik pada 1949, sementara perseptron milik Rosenblatt diimplementasikan untuk pertama kali pada 1958.

Penerapan JST terhadap tugas komputasi dan efisiensi telah banyak dipertanyakan. Terutama di masa buku “Perceptrons”, yang dipublikasikan tahun 1969 oleh Minsky dan Pepert, menimbulkan disipasi antuisme dan minat awal. Namun ketika algoritma backpropagation learning ditemukan pada tahun 1985-an dan diimplementasi pada bidang komputasi dan psikologi, JST memperoleh status mereka kembali dan terbukti menjadi solusi yang memuaskan untuk banyak masalah.

Sebuah jaringan dapat dianggap sebagai sistem komputasi yang terdiri dari beberapa unit pengolahan yang sederhana, yaitu syaraf, yang saling terhubung dan bekerja paralel. Jaringan memiliki kemampuan inheren untuk belajar dan beradaptasi, memungkinkan beberapa toleransi kesalahan, menyediakan representasi pengetahuan terdistribusi.

Spesifikasi JST terdiri dari seperangkat syaraf memberi jumlah dan organisasinya, keadaan aktivasi syaraf yang dinyatakan oleh fungsi aktivasi dan offset yang menentukan kapan syaraf menyala, interkoneksi antara syaraf mempengaruhi syaraf lain, dan peraturan learning dan training yang menunjukkan metode pengumpulan informasi oleh jaringan.

Fungsi aktivasi untuk neuron mendefinisikan nilai output dari suatu neuron, demikian bagaimana reaksi mereka terhadap data yang terakumulasi melalui semua input. Biasanya digunakan fungsi: linier atau semi-linier, fungsi threshold yang membatasi, sigmoid, atau garis singgung hiperbolik. Sifat fungsional, seperti linieritas, kontinuitas, differentiability, menyebabkan fungsi untuk bekerja dengan efisiensi yang bervariasi dalam menyelesaikan tugas spesifik. Sigmoid adalah fungsi aktivasi yang paling sering digunakan dalam mengklasifikasikan data karena sifatnya yang non-linier, kontinu, dan differentiable.

Arsitektur jaringan adalah pola dimana neuron-neuron pada JST disusun behubungan erat dengan algoritma learning yang digunakan untuk melatih jaringan. Secara umum arsitektur jaringan di JST terdiri dari: single-layer feed-forward, multi-layer feed-forward, recurrent dan lattice. Arsitektur feed-forward merupakan penyaluran data yang berasal dari input ke output diorganisasikan dalam bentuk lapisan-lapisan, recurrent adalah jaringan yang mempunyai minimal satu feedback loop, lattice terdiri dari satu dimensi, dua dimensi, atau lebih array neuron dengan himpunan node sumber yang bersesuaian yang memberikan sinyal input ke array.

Untuk mengetahui, keluaran output yang mana yang diinginkan setiap kali satu set nilai data dipresetasikan ke jaringan syaraf tiruan, perlu untuk menyesuaikan jumlah interkoneksi dan hal ini tercakup dalam network learning atau training rule. Learning adalah suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Jenis belajar ditentukan oleh pola dimana pengubahan parameter dilakukan. Terdapat jenis belajar supervised, unsupervised, atau reinforcement. Dalam Multilayer Perceptron biasanya diterapkan beberapa varian metode supervised backpropagation. Istilah supervised artinya terdapat guru yang berperan untuk menyediakan informasi mengenai jawaban yang diinginkan sehingga merepresentasikan aksi yang optimum. Parameter jaringan diubah-ubah berdasarkan vektor latih dan sinyal kesalahan dan dilakukan secara berulang agar JST memiliki kemampuan yang mirip gurunya.

Keuntungan terbesar dari JST adalah kemampuan mereka untuk digunakan sebagai fungsi sembarang mekanisme perkiraan yang belajar dari data yang telah diamati dan akibatnya telah dipergunakan luas di berbagai bidang seperti bisnis, sains dan teknik. JST bisa digunakan untuk menyelesaikan berbagai masalah, mulai dari klasifikasi, optimasi, kompresi, peramalan, sistem control, sistem pendeteksian kecurangan, dan sebagainya. Pada umumnya, JST sangat sesuai untuk permasalahan yang bernilai kontinyu, seperti pengenalan tulisan tangan, pengenalan wajah, pengenalan suara, dan sebagainya. Tetapi, kita juga bisa menggunakan JST untuk masalah yang bernilai diskrit.