Sistem Jaringan
Saraf Tiruan (Artificial Neural Network)
DEFINISI
Jaringan Saraf Tiruan
(JST) atau dalam bahasa inggrisnya adalah Artificial Neural Network (ANN) atau
juga disebut Simulated Neural Network (SNN), adalah suatu jaringan yang dibuat
menyerupai otak manusia dalam menerima informasi dan juga dalam memecahkan
suatu masalah seperti pengenalan pola atau klasifikasi dalam suatu proses
pembelajaran. JST ini juga belajar dari suatu contoh sama seperti manusia.
SEJARAH
Pada beberapa tahun
terakhir ini, Jaringan Saraf Tiruan terus berkembang dengan pesat. Dalam
perkembangan JST ini terdapat orang orang yang berhasil mengembangkan JST,
seperti pada pertama kali JST di temukan pada tahun 1943 oleh Waffen McCulloch
dan Walter Pitts yaitu yang merancang model formal yang pertama kali sebagai
perhitungan dasar neuron pada jaringan syaraf. Lalu pada tahun 1949, Donald
O.Hebb memperkenalkan teori yang menjelaskan pembelajaran yang dilakukan oleh
neuron yang kini dikenal dengan konsep Hebbian Learning. Pada tahun 1954,
Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon
dalam jaringan random. Pada tahun 1958, Rosenblatt mengembangkan konsep dasar
tentang perceptron untuk klasifikasi pola. Pada tahun 1960 Widrow dan Hoff
mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih
dengan aturan pembelajaran Least Mean Square. Pada tahun 1969 Minsky dan Papert
mengemukakan keterbatasan yang dimiliki perceptron, hanya mampu memproses 14
dari 16 fungsi logika, terutama mereka tidak dapat memproses fungsi
exclusive-OR. Pada tahun 1974, Webos memperkenalkan algoritma backpropagation
untuk melati perceptron dengan banyak lapisan. Pada tahun 1975, Little dan Shaw
menggambarkan jaringan syaraf menggunakan model probabilistic. Pada tahun 1982,
Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi
(unsurpervised learning) untuk pemetaan. Pada tahun 1982, Grosberg
mengembangkan teori jaringan yang terinspirasi oleh perkembangan psikologi.
Bersama Carpenter mereka mengenalkan sejumlah arsitektur jaringan, Adaptive
Resonance Theory (ART), ART2 dan ART3. Di taun 1982 juga, Hopfield
mengembangkan jaringan syaraf recurrent yang dapat digunakan untuk menyimpan
informasi dan optimasi. Pada tahun 1985, Algoritma pembelajaran dengan
menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf
probabilistic mulai dikembangkan. Yang terakhir pada tahun 1987, Kosko
mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM).
KONSEP
DASAR
Pada Jaringan Saraf
Tiruan ini berprinsip sama seperti cara kerja otak manusia dimana terdapat
neuron neuron yang saling berhubungan dengan sel sel saraf lainnya, yang
nantinya sel saraf ini mampu mengolah berbagai informasi, dimana pada saraf
otak manusia informasi yang masuk ini akan diterima oleh dendrit, yang kemudian
dijumlahkan di dalam nucleus lalu dikirim melalui batang sel ke dendrit akhir.
Untuk konsep JST, informasi inputan atau masukkannya (x1, x2, x3, …) dikalikan
dengan bobot w dan dijumlahkan dengan bobot bias b. Hasil perkalian dan
penjumlahan a akan diaktifkan dengan menggunakan fungsi aktivitas F untuk mendapatkan
keluaran jariangan Y
STUDI
KASUS
Contoh studi kasus yang
saya dapatkan adalah sebuah jurnal dari R.Ayu Mahessya, S.Kom, mahasiswa dari
Universitas Putra Indonesia YPTK Padang, yang berjudul Memprediksi Kecerdasan
Siswa Menggunakan Jaringan Syaraf Tiruan Berbasis Algoritma Backpropagation
(Studi Kasus di LP3I Course Center Padang).
Dalam penelitian ini
peneliti menggunakan sistem jaringan syaraf tiruan dengan metode
backpropagation untuk mengetahui tingkat kecerdasan siswa, sehingga tidak lagi
meleset dan tepat pada sasaran yang diharapkan.
Dalam menganalisa data
dan penentuan pola, ada beberapa faktor yang digunakan untuk memprediksi
kecerdasan siswa sebagai siswa yang brilliant, yaitu:
1). Kreatifitas
(Creative), untuk melahirkan sesuatu yang baru baik gagasan maupun karya nyata.
2). Akademik (Knowledge),
kemampuan intelektual dari siswa dalam menyelesaikan pertanyaan yang diberikan.
3). Kepribadian
(Personality), untuk menyelesaikan permasalahan yang diberikan kepadanya.
Lalu dalam perancangan
menggunakan algoritma backpropagation, terdapat tahap pelatihan, transformasi
data, analisa algoritma backpropagation, dan perancangan.
REFERENSI
