Sistem Jaringan Saraf Tiruan (Artificial Neural Network)

• Definisi

Jaringan saraf tiruan (JST) dalam Bahasa inggris disebut artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau  umumnya hanya disebut neural network (NN).  Jaringan saraf  tiruan adalah  jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia.

Disebut juga sebagai jaringan adaptif, maksudnya ialah JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Secara sederhana, JST adalah sebuah sistem komputerisasi yang prosesnya dijalankan mirip dengan jaringan syaraf  biologis manusia . JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.

• Sejarah

Sejarah perkembangan jaringan saraf tiruan :

1. Pada tahun 1940-an, ilmuan menemukan bahwa psikologi dari otak sama dengan pemrosesan yang dilakukan oleh peralatan komputer.
2. Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron.
3. Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut.
4. Pada tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.
5. Pada tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perceptron ntuk klasifikasi pola.
6. Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pengembangan pola yang dilatih dengan aturan pembelajaran Least Mean Square (LMS).
7. Pada tahun 1974, Werbos memperkenalkan algoritma backpropagationuntuk melatih perceptron dengan banyak lapisan.
8. Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistik.
9. Pada tahun 1982, Kohonen mengembangkan metode pembelajaranjaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan.
10. Pada tahun 1982, Grossberg mengembangkan teori jaringan yang diinspirasi oleh perkembangan psikologi. Bersama Carpenter, mereka mengenalkan sejumlah arsitektur jaringan, antara lain: Adaptive Resonance Theory (ART), ART2, dan ART3.
11. Pada tahun 1982, Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untuk menyimpan informasi dan optimasi.
12. Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan.
13. Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM). 
14.  Pada tahun 1988, mulai dikembangkan fungsi radial basis.

•      Konsep Dasar 

Sudah dijelaskan sebelumnya bahwa JST dibuat berdasarkan meniru jaringan saraf biologis manusia maka tiruan  neuron  dalam  struktur  jaringan  saraf  tiruan  adalah  sebagai  elemen pemroses  seperti  pada  gambar  dibawah, yang  dapat  berfungsi  seperti  halnya  sebuah neuron.  Sejumlah  sinyal  masukan  a  dikalikan  dengan  masing-masing  penimbang yang  bersesuaian w. Kemudian dilakukan  penjumlahan dari seluruh  hasil perkalian tersebut  dan  keluarannya yang  dihasilkan  dilalukan  kedalam  fungsi  pengaktip  untuk mendapatkan tingkatan derajad sinyal keluarannya F(a,w). Meskipun masih jauh dari sempurna, namun  kinerja  dari  tiruan  neuron  ini  identik  dengan  kinerja  dari  sel saraf biologi yang kita kenal saat ini.

Gambar diatas adalah tiruan sebuah neuron. Dengan penjeasan :

·           aj         : nilai aktivis dari unit j

·         wj,I      : bobot dari unit j ke unit i

·         ini      : penjumjlahan bobot dan masukkan ke unit i

·         g          : fungsi aktivasi

·         ai         : nilai aktivasi dari unit i 

      Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi keluaran dari neuron adalah persamaan berikut 

Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan berfungsi sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk setiap masalah yang akan diselesaikan adalah berbeda.

• Contoh Studi Kasus

Sudah banyak diterapkannya jaringan saraf tiruan dalam kehidupan saat ini. Contohnya pada judul “PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA KABUPATEN/KOTA DI PROVINSI RIAU” oleh Anjar Wanto. Ia menggunakan jaringan saraf tiruan backpropagation yaitu sebuah alat matematika yang ekstensif digunakan untuk memprediksi dan memperkirakan waktu, yang juga menentukan hasil untuk fungsi non-linier. Pada studi kasus ini, JST digunakan untuk mendapatkan nilai prediksi yang diharapkan akurat dalam menentukan jumlah kemiskinan di Kabupaten atau Kota di Provinsi Riau.

refrensi :

https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

http://ahmadfajri88.blogspot.com/p/14-sejarah-jaringan-syaraf-tiruan.html

http://yuliana.lecturer.pens.ac.id/Kecerdasan%20Buatan/Buku/Bab%208%20Jaringan%20Syaraf%20Tiruan.pdf

Wanto, Anjar. 2018. “PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA  KABUPATEN/KOTA DI PROVINSI RIAU”, http://klik.ulm.ac.id/index.php/klik/article/view/129/pdf pada 29 Desember 2019.