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.
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
http://catatan-syam.blogspot.com/2013/05/jaringan-syaraf-tiruan-artificial.html
Comments
Post a Comment