Review Metode pada Soft Computing Part 1

Jaringan Syaraf Tiruan

Review singkat salah satu metode di soft computing.

Pada posting sebelumnya, saya telah memberikan sedikit informasi mengenai kecerdasan komputasional yang menjelaskan adanya Hard Computing dan Soft Computing sebagai cara untuk menyelesaika suatu masalah secara komputer. Jika teman-teman sekalian belum membacanya, silahkan kunjungi terlebih dahulu di sini.

Kali ini saya akan melanjutkan pembahasan pada posting sebelumnya itu dengan membahas lebih lanjut beberapa metode yang digunakan untuk soft computing. Saya memilih soft computing karena model solve problem ini adalah model komputasional yang semakin populer dan semakin maju perkembangan pada masa sekarang ini. Hampir dari segala sisi kehidupan sudah mulai menggunakan model soft computing karena mampu menyelesaikan masalah yang kompleks.

Mari kita mulai pembahasan kali ini dengan metode Jaringan Syaraf Tiruan.

Pengertian Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi.

Model jaringan syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik input yang diberikan kepada jaringan syaraf tiruan (Hermawan:2006).

Konsep Dasar Jaringan Syaraf Tiruan (JST)

Bobot merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan hubungan antara suatu node dengan node yang lain. Semakin besar bobot  suatu hubungan menandakan semakin pentingnya hubungan kedua node tersebut.

Bobot merupakan suatu hubungan berupa bilangan real maupun integer, tergantung dari jenis permasalahan dan model yang digunakan. Bobot-bobot tersebut bisa ditentukan untuk berada didalam interval tertentu. selama proses pelatihan, bobot tersebut dapat menyesuaikan dengan pola-pola input.

Jaringan dengan sendirinya akan memperbaiki diri terus-menerus karena adanya kemampuan untuk belajar. Setiap ada suatu masalah baru, jaringan dapat belajar dari masalah baru tersebut, yaitu dengan mengatur kembali nilai bobot untuk menyesuaikan karakter nilai (Puspaningrum:2006).

Model pada Jaringan Syaraf Tiruan

Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi : 

f: X → Y

Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

• Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
• Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
• Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

Ilustrasi Pemodelan JST (Sumber: Wikipedia)

Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya gi(x) (lapisan ke-i). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi nonlinear weighted sum, dimana :

K merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan w merupakan beban atau weight.

Contoh Implementasi Jaringan Syaraf Tiruan (JST)

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain (Yuliana:2012) :

• Pendeteksi Golongan Darah

         Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana pola- pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.

• Prediksi Pasar Saham

      Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks, multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat prediksi.  Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan masa lalu bursa yang lain dan berbagai indikator ekonomi.

• Aplikasi Pemeliharaan Mesin

       Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor pada sebuah mesin.  Dengan mengontrol beberapa parameter ketika mesin sedang berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar.

Kelebihan dan Kekurangan Jaringan Syaraf Tiruan

Kelebihan

• Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan
• Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain
• Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target
• Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

Kekurangan

• Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi 
• Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis 
• Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

Demikian penjelasan singkat yang dapat saya sampaikan. Mohon maaf jika ada kesalahan dan semoga bermanfaat bagi pembaca sekalian. Selanjutnya saya masih akan membahas 1 metode lagi dari soft computing yang bisa dibilang cukup sering digunakan untuk masalah dikehidupan sehari-hari. 

Terima Kasih