ARTIFICIAL NEURAL NETWORK

Sejarah Neural Network

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

(eacharya.inflibnet.ac.in)

Hal ini 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.

1943    : Waffen McCulloh dan Walter Pitts merancang model matematis dari sel-sel otak.
1949    : Hebb menyatakan informasi dapat disimpan dalam koneksi-koneksi antar neuron.
1958    : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola.
1982    : Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning.
1982    : Grossberg mengenalkan sejumlah arsitektur jaringan (ART,ART2,ART3).
1982    :   Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi.

(Gambar Perceptron)

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.

Penjelasan Artificial Neural Network

Jaringan Syaraf Tiruan (Artificial Neural Network) adalah sebuah model matematika yang berupa kumpulan unit yang terhubung secara parallel yang bentuknya menyerupai jaringan saraf pada otak manusia (neural). Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah:

·         Pengklasifikasian pola

·         Memetakan pola yang didapat dari input ke dalam pola baru pada output

·         Penyimpan pola yang akan dipanggil kembali

·         Memetakan pola-pola yang sejenis

·         Pengoptimasi permasalahan

·         Prediksi

Ada tiga paradigma bagaimana jaringan syaraf tiruan dapat berfikir dan beradaptasi terhadap suatu masalah, tiga paradigma tersebut diantaranya :

•       Supervised Learning
•        Unsupervised Learning
•     Reinforced Learning

1.Supervised Learning (pembelajaran terawasi) adalah metode pembelajaran yang menyimpulkan pemetaan data dengan membandingkan ketidaksesuaian antara pemetaan data saat ini ( yang mengandung knowledge saat ini) dengan pemetaan data sebelumnya (yang mengandung knowledge sebelumnya).

2.Unsupervised Learning (pembelajaran tidak terawasi) adalah metode pembelajaran yang mengelompokkan unit-unit yang hampir sama dalam area tertentu. Metode ini biasa digunakan untuk pengklafisikasian pola.

3.Reinforced Learning, adalah metode yang membuat system (system) dapat belajar dari keputusan yang diambil sebelumnya dengan cara memberikan reward setiap kali system melakukan suatu hal yang benar. Dengan pemberian reward ini system akan mencari hal apa yang harus dilakukan agar mendapatkan lebih banyak lagi reward, sehingga system dapat terus berkembang. System (learner) dibiarkan belajar sendiri dengan lingkungan, ketika system bermain berdasarkan rule maka akan diberi reward, ketika tidak akan diberi punishment.

Sebelum menggunakan Jaringan Syaraf Tiruan kita harus mempertimbangkan tiga hal yaitu :

·         Model apa yang akan kita gunakan.

·         Algoritma belajar apa yang akan kita gunakan.

·         Bagaimana caranya agar JST tahan terhadap masalah.

·         Manfaat Jaringan Syaraf Tiruan

Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :

·         Identifikasi dan control : Kontrol kendaraan, Natural Resources Management.

·         Pengambil keputusan dalam video game: Chess, Poker, Backgammon.

·         Pengenal Pola : Radar, Pengenal wajah, Pengenal objek.

·         Diagnosa Medis untuk mendeteksi penyakit kanker.

Sumber: http://arumsasi21.blogspot.com/2016/09/artificial-neural-network-ann.html
http://catatan-syam.blogspot.com/2013/05/jaringan-syaraf-tiruan-artificial.html