Jaringan Syaraf Tiruan (JST)

LancangKuning - Jaringan Syaraf Tiruan (JST) atau dalam bahasa Inggris nya adalah Artificial Neural Network (ANN) yang juga disebut Simulated Neural Network (SNN) yang umumnya dikenal sebagai Neural Network (NN) merupakan sekelompok unit pemrosesan kecil yang meniru prinsip kerja dari jaringan saraf manusia. JST bisa digunakan untuk memodelkan hubungan yang kompleks antara output dan input dalam menemukan pola pada data.

Dari teori dasar dibuatlah suatu model untuk disimulasikan pada komputer, dalam perkembangannya yang lebih lanjut terdapat beberapa sistem kecerdasan buatan (artificial intelligence) yang salah satunya yaitu jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru.

Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak.

Secara umum, ada  3 bagian dari jaringan saraf tiruan yaitu:

1. Lapis masukan (Input  Layer) yang terdiri dari neuron yang menerima data input dari variabel X. semua neuron pada lapis ini bisa terhubung ke lapis hidden ataupun langsung ke lapis output jika neuron tidak menggunakan lapis hidden

2. Lapis tersembunyi (Hidden Layer) yang terdiri dari neuron yang menerima data dari lapisan masukan

3. Lapisan luaran (Outpun Layer) yang terdiri dari neuron yang menerima data dari lapisan hidden atau langsung dari lapis input yang nilai output nya melambangkan hasil dari kalkulasi X menjadi nilai Y

Ada beberapa jenis dari jaringan saraf tiruan ini, yaitu:

1. Perceptron

2. Backpropagation / Propagasi Balik

3. Learning Vector Quantization

4. dll

Contoh dari arsitektur jaringan saraf tiruan propagasi balik:

Ada dua proses utama pada perancangan jaringan saraf tiruan, yaitu pelatihan dan pengujian. Perlu persiapan pembagian data untuk data latih dan data uji sebelum kedua proses itu dilakukan. Pada umumnya, persentase pembagian data yang digunakan yaitu 50:50, 60:40, 70:30, dan 80:20. Sementara pada proses pelatihan, dapat dilakukan dengan menggunakan sekumpulan data latih yang memuat parameter ciri/feature yang dapat digunakan untuk membedakan antara objek yang satu dengan yang lain nya.

Output dari proses pelatihan yaitu suatu jaringan yang terdiri dari arsitektur serta bobot-bobot terbaik yang dihasilkan dari pembaharuan. Dengan jaringan itu, lalu kemudian data latih dirambatkan maju sehingga diperoleh data output yang lalu kemudian dibandingkan dengan target latih sehingga diperoleh tingkat akurasi proses pelatihan. Kemudian pada proses pengujian, dapat digunakan hasil proses pelatihan tadi, data uji dirambatkan maju sehingga diperoleh data output yang lalu kemudian dibandingkan dengan target uji dan diperoleh lah tingkat akurasi proses pengujian.

Ada beberapa parameter yang harus diperhatikan dalam merancang arsitektur jaringan saraf tiruan, yaitu:

1. Jenis jaringan saraf tiruan yang akan digunakan
2. Jumlah neuron pada layer input, layer hidden, dan layer output
3. Jumlah layer tersembunyi (hidden layer)
4. Fungsi aktivasi pada layer tersembunyi
5. Inisialisasi bobot awal
6. Inisialisasi nilai target kesalahan (error goal)
7. Inisialisasi nilai epoch
8. Inisialisasi nilai momentum

Jaringan saraf tiruan dapat diaplikasikan dalam penyelesaian berbagai persoalan komputasi, yaitu kasus klasifikasi, identifikasi, prediksi, deteksi anomali, dll. Jaringan saraf tiruan berfungsi untuk mencari rumusan dalam memetakan nilai input menuju nilai output yang dimana secara matematis ataupun secara fisis tidak ada persamaan yang berhubungan dengan kedua tersebut.

Jaringan saraf tiruan dapat bekerja dengan baik hanya jika nilai input dan nilai output memiliki pola yang jelas dan teratur. Contohnya pada kasus prediksi hujan, yang secara fisis tidak ada hubungan nya antara besarnya suhu, kelembaban, kecepatan angin dan curah hujan hari ini dengan besar nya curah hujan pada keesokan hari nya. Tetapi menurut pola nya, data-data itu memiliki pola yang jelas dan berulang, dapat dilihat dari pola curah hujan dalam selang waktu yang relatif lama misalnya 5 atau 10 tahun terakhir, pada kasus tersebut peran dari algoritma jaringan saraf tiruan ini yaitu dapat diandalkan dalam melakukan prediksi curah hujan dalam jangka waktu ke depannya.(Hana)