Tujuan :
Menjelaskan cara kerja Artificial Neural Network (ANN)
Menjelaskan klasifikasi ANN 6.1 Artificial Neural Network (ANN)
Otak manusia adalah inspirasi dari pengembangan ANN. Otak manusia terdiri dari 100 s.d 500 juta neuron. Neuron-neuron tersebut membentuk klaster dan jaringan. Sesuai dengan target dan tujuan masing-masing, neuron-neuron tersebut dapat dikelompokkan secara hirarki atau berlapis-lapis.
Secara biologis, terdapat dua grup sel pada sistem syaraf yaitu sel glial dan nervous. Sel nervous atau disebut neuron, tersusun dalam sebuah fungsi syncytium. Neuron dapat dibayangkan seperti sistem jaringan telpon atau sistem jaringan komputer yang kompleks. Neuron berkomunikasi melalui synapse. Bagian ini merupakan titik hubung antara dua neuron.
Komponen utama neuron adalah axon dan dendrite. Setiap neuron hanya memiliki satu axon. Jumlah dendrite bervariasi dan setiap dendrite adalah perpanjangan dari tubuh neuron, jumlahnya mempengaruhi jumlah informasi yang dikumpulkan.
Axon adalah satu-satunya titik keluar neuron dan panjangnya bisa mencapai 120mm. Gambar 6-1 menunjukkan diagram skema neuron biologis.
78
Gambar 6-1 Diagram Skema Neuron Biologis
Gambar 6-2 Cara Kerja Neuron
79
Secara sederhana cara kerja neuron diperlihatkan pada Gambar 6-2. Neuron menerima satu atau lebih impuls elektrik melalui dendrite dari axon neuron lain. Impuls elektrik tersebut ditambahkan sehingga akan menghasilkan beda potensial tertentu. Beda potensial ini harus melewati batas tertentu agar neuron menghasilkan sebuah impuls elektrik pada axon-nya. Jika level yang dibutuhkan tidak sesuai maka axon pada neuron tersebut tidak akan menghasilkan impuls elektrik.
Secara lengkap, neuron dapat digambarkan seperti pada Gambar 6-3. Pertukaran informasi antara satu neuron dengan lainnya terjadi pada Synapse. Synapse merupakan terminal axon dimana senyawa kimia neurotransmitter dilepaskan untuk berkomunikasi dengan neuron lainnya. Neurotransmitter adalah senyawa kimia yang berasal dari organisme yang dihasilkan dari dalam organisme itu sendiri. Beberapa jenis neurotransmitter diklasifikasikan sebagai asam amino, gasotransmitter (karbon monoksida, hidrogen sulfida), monoamines (adrenalin, dopamin), peptides (somatostatin, substance P, cocaine, amphetamine) dan purines (adenosine triphosphate, adenosine).
Neurotransmitter tersimpan di dalam sebuah synapse pada bagian synaptic vesicles. Neurotransmitter dilepaskan dan terdifusi melewati synaptic cleft, kemudian melekat pada receptor tertentu di dalam membran pada sisi postsynaptic dari synapse.
80
Gambar 6-3 Diagram Neuron Secara Lengka
Otak manusia mengolah informasi dan dapat bereaksi dengan stimulasi yang jelas. Lebih dari itu, otak dapat menyamaratakan informasi tersebut untuk melakukan aksi ketika situasi tertentu terjadi. Jika kita melihat kedalam neuron, maka kita akan berfikir bagaimana cara otak manusia belajar dan menyamaratakan informasi. Pada titik ini, maka neuron dapat dimodelkan sebagai berikut:
Dendrite terhubung ke beberapa axon dari neuron lain, namun beberapa sambungannyaakan dikuatkan ketika aksi tertentu terjadi.
Sambungan-sambungan dendrite bisa tidak cukup kuat jika tidak digunakan, oleh karena itu sinyal input diboboti dengan penguatan (secara positif atau negatif).
3 Diagram Neuron Secara Lengkap
Otak manusia mengolah informasi dan dapat bereaksi dengan stimulasi yang jelas. Lebih dari itu, otak dapat menyamaratakan informasi tersebut untuk melakukan aksi ketika situasi tertentu terjadi. Jika kita melihat kedalam neuron, maka kita akan berfikir agaimana cara otak manusia belajar dan menyamaratakan informasi. Pada titik ini, maka neuron dapat dimodelkan sebagai
Dendrite terhubung ke beberapa axon dari neuron lain, akan dikuatkan ketika aksi sambungan dendrite bisa tidak cukup kuat jika tidak digunakan, oleh karena itu sinyal input diboboti dengan penguatan (secara positif atau negatif).
81
Semua sinyal tersebut kemudian dijumlahkan dan inti sel memproses informasi.
Proses ini dimodelkan secara matematis dengan sebuah fungsi aktivasi (activation function). Hasil akhirnya akan dikirimkan oleh axon dan sinyal output neuron mengalir ke sel lain. Gambar 6-4 memperlihatkan model neuron. Fungsi aktivasi adalah sifat aktivitas neuron ketika sinyal input menstimulasinya. Sifat fungsi aktivasi bermacam-macam, namun umumnya sifat fungsi aktivasi adalah sigmoidal, linier dan tangen hiperbolik. Gambar 6-5 memperlihatkan bentuk secara grafik dari fungsi-fungsi tersebut.
Gambar 6-4 Model Neuron
82
Gambar 6-5 Grafik Beberapa Fungsi Aktivasi. (a) Fungsi Sigmoidal, (b) Fungsi Tangen Hiperbolik, (c) Fungsi Linier.
Fungsi sigmoidal dapat dibuat dengan persamaan 6-1.
( ) = 2
+ 1− 1 (6-1)
Fungsi tangen hiperbolikdapat dibuat dengan persamaan 6-2.
( ) = tanh ( ) (6-2)
Fungsi Linier dapat dibuat dengan persamaan 6-3.
( ) = (6-3)
83 6.2 Klasifikasi Artificial Neural Network
Model neural digunakan pada banyak permasalahan, namun secara umum terdapat 5 permasalahan yang bisa diselesaikan oleh ANN, seperti tersaji pada Tabel 6-1.
Tabel 6-1 Tugas Utama Yang Bisa Dikerjakan oleh ANN
Tugas Deskripsi
Pendekatan fungsi Fungsi linier dan non-linier dapat didekati dengan neural network. Oleh karena itu dapat digunakan sebagai sebuah fungsi untuk mencari kesesuaian.
Klasifikasi 1. Klasifikasi data. Neural network membagi data menjadi kelas-kelas tertentu. Sangat baik digunakan untuk mencari pola.
2. Klasifikasi sinyal. Data yang berurutan secara waktu (time series), dikelompokkan menjadi sub kelompok atau kelas-kelas.
Berguna untuk identifikasi objek.
Pengelompokan Tidak Tertuntun (Unsupervised clustering)
Membuat kelompok-kelompok data pada kelas yang tidak diketahui.
Melakukan prediksi (forecasting)
Neural network digunakan untuk memprediksi nilai berikutnya dari sebuah data time series.
Sistem kendali Pendekatan fungsi, klasifikasi, unsupervised clustering dan forecasting adalah karakteristik yang digunakan pada sistem kendali. Oleh karena itu ANN digunakan pada pemodelan dan analisa sistem kendali.
84
Neural network dapat diklasifikasikan berdasarkan struktur yang digunakan untuk menyelesaikan tugas atau permasalahan.
Struktur model neural berbeda tergantung dari tugas yang dijalankan, namun secara umum terdapat dua kategori struktur neural network yaitu:
1. Feed-forward network, pada jenis ini sinyal input mengalir hanya satu arah menjadi sinyal output. Contoh struktur ini adalah single dan multi-layer neural network.
2. Feed-back network, pada jenis ini beberapa neuron memeliki sinyal loop, dimana sinyal output kembali ke neuron yang sama atau ke neuron sebelumnya.
Neural network juga dapat diklasifikasikan berdasarkan prosedur pembelajaran yang digunakan. Berikut adalah tiga tipe dasar prosedur pembelajaran pada neural network:
1. Supervised network, jenis ini digunakan ketika kita memiliki data yang benar-benar sudah diketahui, kemudian neural network akan dilatih berdasarkan data tersebut. Sinyal input dan output dimasukkan/dijalankan ke dalam struktur neural network dan bobot (weight) struktur dapat ditemukan.
2. Unsupervised network, jenis ini digunakan ketika kita tidak memiliki informasi apapun. Neural network jenis ini digunakan untuk menemukan pola yang ada pada input sebagai tujuan pembelajarannya. Contoh neural network jenis ini adalah Hebbian network.
3. Competitive atau self-organizing network, jenis ini adalah pengembangan dari unsupervised network, dimana tidak
85
ada informasi yang digunakan dalam pembelajaran network. Namun pada kasus ini setiap neuron akan berusaha menghasilkan respon yang diinginkan berdasarkan data input tertentu yang masuk ke input neural network. Contoh neural network jenis ini adalah Kohonen Maps.
Gambar 6-6 memperlihatkan klasifikasi neural network berdasarkan stuktur maupun prosedur pembelajarannya.
Gambar 6-6 Klasifikasi Neural Network (a) Feed-forward, (b) Feed-back, (c) Supervised, (d) Unsupervised, (e) Competitive
atau selff-organizing
86 6.3 Artificial Neural Network
Neuron otak manusia beradaptasi agar dapat menyelesaikan permasalahan yang sedang dihadapinya. Artinya bentuk neural network memiliki arsitektur yang berbeda atau susunan neuron-nya yang berbeda.
6.4 Perseptron
Perseptron atau threshold neuron adalah pemodelan neuron dalam bentuk paling sederhana. Neuron ini memiliki sinyal input dan sinyal tersebut diberi bobot. Kemudian fungsi aktivasi memutuskan sebuah sinyal output. Hal terpenting dari neuron jenis ini adalah fungsi aktivasi dimodelkan sebagai fungsi threshold seperti persamaan 6-4. Perseptron sangat berguna untuk melakukan pengelompokan data.
( ) = = 0 < 0
1 ≥ 0 (6-4)
Contoh, kita ingin mengelompokkan vektor input = { , }, seperti pada Tabel 6-2 dengan target . Contoh ini mensimulasikan operator AND.
Tabel 6-2 Data Untuk Contoh Perseptron
0.2 0.2 0
0.2 0.8 0
0.8 0.2 0
0.8 0.8 1
87