MSE = Mean Square Error SV = Backscattering Volume
2.1 Jaringan Saraf Tiruan
Jaringan saraf manusia tersusun atas 1010 sel saraf yang masing-masing selnya tersambung dengan 103 hingga 105 sel saraf. membentuk suatu jaringan yang sangat kompleks (Rumelhard & McLelland, 1986 yang diacu Storbeck & Daan, 2001). Gambar 1 memperlihatkan beberapa bagian sel saraf seperti inti sel, badan sel, dendron, dendrit, akson, serta sinapsis.
Gambar 1 Jaringan sel saraf biologi (Artificial Neural Networks in Medicine
http://www.MedicineNet.org,15 Juli 2005).
Inti sel yang terletak di pusat badan sel saraf dikelilingi oleh sitoplasma yang mengandung mitokondria, lisosom, badan golgi, dan badan napsel. Mitokondria merupakan alat respirasi sel sementara lisosom menangani pembentukan enzim-enzim pencernaan. Proses ekskresi sel dilakukan oleh badan golgi sedangkan badan napsel berperan aktif dalam sintesis protein.
Rangsangan atau impuls berupa sinyal elektris akan diterima oleh dendrit dan diteruskan melalui dendron menuju badan sel saraf. Akson kemudian membawa impuls menyeberangi sinapsis (pertemuan antara akson suatu sel saraf dengan dendrit sel saraf lain) dan mengantarkan impuls tersebut ke sel saraf berikutnya.
Hubungan antara sel saraf bukan hanya sekedar bersifat on dan off saja, melainkan memiliki bobot (weight) yang bervariasi yang juga menentukan besar kecilnya pengaruh suatu sel saraf terhadap sel saraf berikutnya (Lawrence, 1992). Selain itu banyak proses pada fungsi otak manusia khususnya proses berlatih yang berkaitan erat dengan bobot hubungan antar sel saraf yang bervariasi tersebut. Sebagai pusat pemrosesan data, aktivitas otak dapat digambarkan sebagai pola aktivitas perjalanan impuls pada jaringan sel saraf (firing) yang khas, dan kerja sama sel saraf secara simultan inilah yang menyebabkan otak manusia mempunyai daya komputasi yang menakjubkan. Untuk menciptakan daya komputasi yang menakjubkan tersebut maka diciptakanlah JST yang diharapkan dapat bekerja sebagaimana bekerjanya jaringan saraf manusia. Jaringan saraf ini selanjutnya disebut Jaringan Saraf Tiruan (Artificial Neural Networks). Oleh beberapa ahli JST didefinisikan sebagai berikut;
(1) JST adalah jaringan kerja yang tersusun dari sejumlah elemen-elemen komputasi yang bersifat non-linier yang dioperasikan dan dirancang sebagaimana layaknya struktur saraf biologi. Elemen komputasi atau node dihubungkan satu sama lain berdasarkan bobot tertentu yang dapat beradaptasi dengan kondisi tertentu (Kosko, 1992).
(2) JST adalah jaringan kerja yang terbentuk oleh sejumlah sel saraf yang terhubung dengan cara yang sama seperti sel saraf otak biologi dan karenanya dapat bekerja sebagaimana bekerjanya sel saraf biologi. Jaringan sel-sel saraf yang terhubung dengan baik tadi dapat bekerja secara paralel dalam mengolah informasi (Lawrence, 1992).
(3) JST adalah sistem pemrosesan informasi yang menyerupai struktur jaringan otak biologi. Dari sudut pandang teknis, JST dapat diinterpretasi sebagai kumpulan model matematik yang mencoba melakukan fungsi-fungsi sel saraf otak dalam memproses sejumlah informasi dengan
kemampuan sama atau lebih baik dari kemampuan sel saraf itu sendiri (Reid et al., 2000).
Dengan demikian diharapkan JST dapat bekerja lebih cepat dan akurat dalam pemrosesan informasi dibandingkan dengan jaringan saraf biologi dan dapat beradaptasi dengan dinamika informasi yang diterimanya sebagai mana hal tersebut terjadi pada sel saraf biologi (Vemuri, 1990). Dari definisi tentang JST seperti yang disebutkan diatas maka dapat disimpulkan bahwa;
(1) JST adalah jaringan kerja komputasi yang mencoba meniru kerja saraf biologi.
(2) Struktur JST menyerupai struktur saraf biologi.
(3) Pemerosesan informasi pada setiap simpul saraf dilakukan secara paralel. (4) Setiap simpul saraf pada dasarnya adalah model matematis yang dapat
digunakan untuk memproses setiap informasi yang masuk.
JST telah diaplikasikan pada beberapa bidang kegiatan seperti Pertahanan & Keamanan (Militer) untuk pembuatan simulator pesawat tempur yang digunakan untuk melatih pilot-pilot baru pesawat tempur Angkatan Udara Amerika (US Air Force) dan deteksi bom di sejumlah terminal pesawat TWA, bidang Kesehatan untuk membantu dokter dalam menganalisis kemajuan kesehatan pasien di rumah-rumah sakit, bidang Industri Perminyakan untuk mengidentifikasi tipe batuan yang ditemukan pada lubang-lubang eksplorasi minyak, dan bidang Transportasi untuk digunakan dalam merancang sistem pengereman pada kendaraan truk raksasa yang digunakan di Amerika (Lawrence, 1992). Selain itu, oleh Federal Bureau of Investigation (FBI), JST juga sudah digunakan untuk melakukan identifikasi dan klasifikasi tanda tangan, wajah, sidik jari dan DNA seseorang (Kosko, 1992). Ada beberapa jenis sistem JST, tetapi pada dasarnya semua sistem JST dapat dipelajari dari sel saraf tiruan, koneksitas sel saraf tiruan (topology), dan aturan pembelajarannya (learning rule).
2.1.1 Sel saraf tiruan (artificial neural)
Sel saraf tiruan disebut juga elemen pemrosesan, nodes, atau sel. Setiap sel saraf tiruan menerima sinyal keluaran dari sel saraf tiruan lainnya, sedangkan untuk menghasilkan keluarannya sendiri maka setiap sel saraf tiruan
menjumlahkan masukan yang diterimanya dengan terlebih dahulu memberikan bobot tertentu pada setiap masukan. Selanjutnya, dengan memperhatikan batasan aktivasi yang telah ditentukan sebelumnya, masukan-masukan tersebut dijadikan sebagai keluaran dengan menggunakan fungsi transfer. Dengan demikian kualitas koneksi antara satu sel saraf tiruan dengan sel saraf tiruan lainnya ditentukan dengan besarnya nilai bobot yang diberikan.
Gambar 2 Sebuah sel saraf dengan masukan tunggal.
Gambar 2 memperlihatkan sebuah sel saraf tiruan dengan masukan tunggal. Setiap sel saraf dengan masukan tunggal atau jamak selalu memiliki parameter-parameter masukan I, bobot W, bias b, masukan murni n dan fungsi transfer F, serta keluaran yang berupa skalar O.
Gambar 3 Sebuah sel saraf dengan r masukan.
Gambar 3 memperlihatkan sel saraf tunggal dengan r masukan. Elemen bobot W(1,1), W(1,2), …, W(1,r) diberikan pada setiap masukan I(1), I(2), …,
[ ]
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ) I( . . . I(2) I(1) ) (1, ..., (1,2), (1,1), I * r r W W W W ………… (1)Masukan berbobot W*I ini merupakan hasil perkalian antara vektor baris
W dan vektor kolom I, sedangkan masukan murni (net input, n) untuk fungsi transfer F diperoleh melalui penjumlahan masukan berbobot W*I dengan bias b
sehingga n = W*I + b. Bias adalah sebuah parameter saraf yang ditambahkan ke masukan yang sudah terbobot dan melewati fungsi aktivasi untuk mengaktivkan keluaran sel.
2.1.2 Koneksitas sel saraf tiruan (topology)
Koneksitas diantara sel saraf tiruan merupakan bentuk komunikasi yang unik yang terjadi dari sebuah sel saraf tiruan pengirim sinyal ke sebuah sel saraf tiruan penerima sinyal. Koneksi yang terjadi diantara sel-sel saraf tiruan tersebut akan menentukan tipe pemrosesan yang akan terjadi dalam suatu JST. Sebagai contoh, jika terjadi koneksi antara keluaran sel saraf tiruan yang satu dengan bagian masukan pada sel saraf tiruan sebelumnya maka tipe pemrosesan yang terjadi adalah tipe pemrosesan umpan balik (feedback).
target
I K/M
pembaruan bobot O
Gambar 4 Pemrosesan umpan balik.
Dengan O adalah keluaran dan I adalah masukan. Dilihat dari sifatnya, bentuk koneksi yang terjadi diantara sel saraf tiruan dapat bersifat inhibitory
sel saraf
awal
sel saraf pembanding
connections dan exitatory connectios. Disebut inhibitory connections karena koneksi bersifat mencegah atau menghambat terjadinya pengiriman sinyal. Koneksi seperti ini terjadi antara sel saraf tiruan yang terdapat pada lapisan yang sama, sedangkan exitatory connectios adalah tipe koneksi yang bersifat cenderung mengirimkan sinyal seperti yang terjadi antara sel saraf tiruan yang satu dengan sel saraf tiruan lain yang ada pada lapisan berikutnya.
2.1.3 Aturan pembelajaran (learning rule)
Aturan pembelajaran pada dasarnya digunakan untuk menentukan perubahan nilai bobot (W) yang optimum yang dapat memperkecil galat. Hal ini dilakukan dengan cara memberikan nilai koreksi bobot (ΔW) pada bobot sebelumnya sehingga bobot yang baru (W ) akan bernilai W+ΔW. Dari sejumlah aturan pembelajaran yang ada, aturan pembelajaran yang umum digunakan pada sebuah jaringan sel saraf tiruan adalah Aturan Hebb (Hebb’s Rule), Aturan Delta (Delta Rule), dan Aturan Perambatan Balik (Back Propagation Rule).
