Pages - Menu

Tuesday, September 27, 2016

Artifical Neural Network - Tugas Softskill 1


Artifical  Neural Network

Jaringan Syaraf Tiruan (Artificial Neural Network) adalah sebuah model matematik yang berupa kumpulan unit yang terhubung secara parallel yang bentuknya menyerupai jaringan saraf pada otak manusia (neural)

            Jaringan syaraf tiruan sering digunakan juga dalam bidang kecerdasan buatan. Lalu kalau begitu apa bedanya jaringan syaraf tiruan dengan kecerdasan buatan?

Kecerdasan buatan bertujuan untuk membuat sebuah mesin dapat mengerjakan suatu pekerjaan layaknya seperti manusia. Nah itu berarti kita harus bisa membuat mesin itu berfikir , menyelesaikan suatu masalah layaknya manusia. Jaringan syaraf tiruan ini adalah salah satu algoritma berpikirnya dari kecerdasan buatan.
Menurut seorang ahli jaringan syaraf tiruan bernama Haykin S. Jaringan syaraf tiruan itu seperti sebuah prosesor yang dapat menyimpan pengetahuan dan pengalaman sehingga prosesor ini dapat bekerja menyerupai otak manusia yang dapat beradapatasi dengan masalah.

Jadi, Jaringan syaraf tiruan itu adalah metode/algoritma yang dapat membuat komputer mempunyai otak pintar seperti manusia yang bisa beradaptasi terhadap masalah.


Sejarah


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.








Bagaimana Jaringan Syaraf Tiruan Bekerja ?





Artificial Neural Network Bekerja


Ada tiga paradigma bagaimana jaringan syaraf tiruan dapat berfikir dan beradaptasi terhadap suatu masalah, tiga paradigma tersebut adalah :
  1.  Supervised Learning
  2. Unsupervised Learning
  3. Reinforced Learning
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).
Unsupervised Learning (pembelajaran tidak terawasi) adalah metode pembelajaran yang mengelompokkan unit-unit yang hampir sama dalam area tertentu. Metode ini biasa digunakan untuk pengklasifikasikan pola.
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 :
  1.  Model apa yang akan kita gunakan
  2. Algoritma belajar apa yang akan kita gunakan
  3. 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 :
  1. Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
  2. Pengambil keputusan dalam video game: Chess, Poker, Backgammon
  3. Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
  4. Diagnosa Medis untuk mendeteksi penyakit kangker

CONTOH PENERAPAN ARTIFICIAL NEURAL NETWORK

Algoritma ANN lahir dari gagasan seorang psikolog Warren McCulloch dan Walter Pitts pada 1943 yang menjelaskan cara kerja jaringan syaraf dengan perangkat jaringan elektronik.

Didalam dunia seismik eksplorasi, algoritma ANN sudah cukup populer diaplikasikan, diantaranya untuk identifikasi noise, estimasi wavelet, analisa kecepatan, analisis gelombang geser, autotracking reflector, prediksi hidrokarbon, karakterisasi reservoir, dll.

Konfigurasi sederhana algoritma ANN dapat dijelaskan pada gambar dibawah ini:




Courtesy Hampson Russell
Dari gambar di atas terlihat bahwa, prinsip dasar ANN adalah sejumlah parameter sebagai masukan (input layer) diproses sedemikian rupa didalam hidden layer (perkalian, penjumlahan, pembagian, dll.), lalu diproses lagi didalam output layer untuk menghasilkan sebuah output.



Courtesy Hampson Russell

Gambar diatas menunjukkan contoh penerapan ANN untuk data seismik, katakanlah kita memiliki beberapa input seperti impedance (x1), reflection strength (x2), instantaneous frequency (x3),… dll . yang akan digunakan untuk memprediksi porositas reservoir sebagai output. Maka secara sederhana porositas reservoir akan didapatkan dengan mengkalikan setiap sampel data input dengan suatu pembobotan (weight) lalu dijumlahkan, lalu hasil penjumlahan tersebut menjadi input untuk fungsi aktivasi untuk menghasilkan parameter porositas.

Fungsi aktivasi tersebut dapat berupa sigmoid function ataupun hyperbolic tangent function (perhatikan keterangan dibawah ini).



Courtesy Hampson Russell

Tentu kita menginginkan agar nilai porositas yang diprediksi semirip mungkin dengan nilai porositas yang sesungguhnya, dengan kata lain kita harus memiliki nilai selisih (baca error) antara nilai prediksi dengan nilai sesungguhnya yang sekecil mungkin, untuk tujuan ini didalam algoritma ANN di atas, kita harus melakukan updating nilai weight untuk masing-masing input.

Sumber :
its.edu/~entin/Machine%20Learning/Minggu%2012/Minggu%2012%20Reinforcement%20Learning.pdf
http://lecturer.eepis-
 Yani, Eli. (2005). Pengantar Jaringan Saraf Tiruan. Artikel kuliah.
Puspitaningrum, Diyah. (2006). Pengantar Jaringan Saraf Tiruan. Penerbit Andi. Jogjakarta









Kesimpulan
Jaringan syaraf tiruan atau yang biasa disebut Artifical Neural Network adalah teknologi buatan yang menyerupai syaraf jaringan otak manusia untuk melakukan suatu intruksi sesuai dengan pemanfaatannya. ANN dapat berupa kumpulan algoritma atau perintah yang dapat membuat komputer menjalankan seperti apa yang dilakukan kinerja otak manusia. Awal mulanya ANN ditemukan oleh Waffen McCulloh dan Walter Pitts pada tahun 1943 dengan membuat model matematis dari sel-sel otak. Pada tahun 1982 Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi sehingga ANN sudah banyak ditemukan di berbagai aplikasi dalam pemanfaatan teknologi informasi seperti sekarang yang sudah banyak ditemui. Ada tiga paradigma bagaimana jaringan syaraf tiruan dapat berfikir dan beradaptasi terhadap suatu masalah, tiga paradigma tersebut adalah  Supervised Learning, Unsupervised Learning, Reinforced Learning. Model, algortima dan JST menangani masalah merupakan hal-hal yang harus dipertimbangkan dalam menggunakan jaringan tersebut. Contoh penerapan ANN, antara lain; Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement, Pengambil keputusan dalam video game: Chess, Poker, Backgammon, Pengenal Pola : Radar, Pengenal wajah, Pengenal objek Diagnosa Medis untuk mendeteksi penyakit cancer. ANN sangat bermanfaat dan mempermudah pengolahan informasi sesuai dengan kebutuhan yang diperlukan setiap pengguna dalam menggunakan maupun mengembangkannya.



No comments:

Post a Comment