NAMA : ANNISA BADZLINA
NPM : 10116939
KELAS : 3KA19
DOSEN : YOGI PERMADI
ARTIFICIAL NEURAL NETWORK
Artificial neural
network (ANN) adalah peranti lunak dan keras yang berusaha menyamai pola
pemrosesan dari otak manusia, ANN juga disebut simulated neural network (SNN),
atau umumnya hanya disebut neural network (NN)), adalah jaringan dari
sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia. ANN merupakan sistem adaptif yang dapat mengubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang
mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, ANN juga
sering disebut dengan jaringan adaptif.
Artifical 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.
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
unitsederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan
pada kekuatan komputasi
.
Gambar 2.1 McCulloch & Pitts.
penemu pertama Neural Network
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.
Gambar 2.2 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.
Contoh Penerapan ANN pada Pemetaan Soal UN
Menurut Marimin dalam Indrawanto (Indrawanto dkk,2007) metode ANN memiliki
karakteristik yang menyerupai jaringan syaraf biologi dalam memproses
informasi. Salah satu penerapan ANN adalah untuk pemetaan data input dengan
suatu pola yang diinginkan (Santoso,2004). Parameter-parameter yang ada dalam
pemetaan soal UN digunakan sebagai bagian dalam sistem ANN yang dibangun.
Dengan penggunaan ANN diharapkan memberi kemudahan bagi guru dalam melakukan
pemetaan soal UN dan hasil yang diperoleh relatif lebih akurat.
Pelatihan Pada
Artificial Neural Network
1. Supervised Training (Pelatihan Terbimbing)
Dalam
pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan target
keluaran) yang dipakai untuk melatih jaringan hingga
didapatkan bobot jaringan yang diinginkan. Untuk setiap kali pelatihan, suatu input diberikan ke jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target merupakan kesalahan yang terjadi. Jaringan akanmemodifikasi
bobot sesuai dengan kesalahan tersebut
Contoh dari
metode pelatihan terbimbing yang sering digunakan yaitu
Single Perceptron, Multi Perceptron dan Back Propagation
2. Unsupervised
Training (Pelatihan Takterbimbing)
Dalam jaringan Unsupervised, jaringan
ini terdiri dari dua layar atau lapisan, yaitulayar input dan layar kompetensi.
Layar input menerima data eksternal. Layarkompetitif berisi neuron-neuron yang
saling berkompetisi agar memperolehkesempatan untuk merespon atau menanggapi
sifat-sifat yang ada didalam datamasukan. Neuron yang memenangkan kompetisi
akan memperoleh sinyal
yang berikutnya ia teruskan. Bobot dari neuron pemenang akan dimodifikasi sehinggamenyerupai
dengan data masukkan.
Contoh model yang digunakan :
Competitive dan Neocognitron
3. Hybrid
(Hibrida)
Yaitu merupakan kombinasi dua atau lebih
teknik / metode pembelajaran supervisi dan tanpa unsupervised yang bertujuan
menggabungkan kekuatan masing-masing teknik tersebut dan meminimalkan
kekurangannya, sehingga dapat menjadikan alternatif atau solusi untuk
mengoptimalkan opini benar atau tidaknya suatu data yang terkumpul untuk
dijadikan bahan dalam proses pengambilan keputusan. Pada metode yang ke 3 ini
juga dapat dikatakan sebagai Integrasi dari beberapa computer system
tools untuk menyelesaikan masalah. Tujuannya adalah agar antara satu
system dengan sitem yang lainya saling melengkapi kekurangan dari masing-masing
sistem, sehingga keputusan akan dapat dengan mudah untuk diambil dan
permasalahan akan dengan mudah terselesaikan
Contoh model yang digunakan : algoritma
RBF.
DAFTAR PUSTAKA
http://lzrdysnet.blogspot.com/2017/01/artificial-neural-network.html
http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
http://azizmusyaffaa.blogspot.com/2016/10/artifical-neural-network-ann-contoh.html
0 komentar:
Posting Komentar