NEURALL NETWORKS

MAKALAH PENGANTAR TEKNOLOGI SISTEM CERDAS
NEURALL NETWORKS

Disusun Oleh :

Kelompok 4

-         Riyan Saputro (16115098)

-         Rizki Darmawan  (16115141)

-         Rizki Widianto (16115163)

-         Riva Raissa Azizah (16115086)

-         Samsul Rizal (16115355)

-         Syema Alma Tasya (16115774)

-         Sandra Dwi Widiyaningsih (16115371)

-         Shavira Putri Virissya (16115525)

-         Muhammad Diva Buana (17114165)

3KA05

Dosen :

Eel Susilowati

UNIVERSITAS GUNADARMA

PTA 2017/2018

ABSTRAK

Soft Computing  merupakan inovasi baru dalam membangun sistem cerdas yaitu sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

Keywords: soft computing, neural network

BAB I

PENDAHULUAN

1.1       Latar Belakang

Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin ilmu yang lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil kombinasi dari berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang berbentuk aplikasi. Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran atau lebih khusus lagi yaitu ilmu biologi.

Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

1.2       Rumusan Masalah

1.      Apakah yang dimaksud dengan Soft Computing?

2.      Apakah yang dimaksud dengan Neurall Network?

1.3       Tujuan

Memberikan informasi mengenai Soft Computing dan Neurall Network

BAB II

ISI

2.1       Pengertian Soft Computing

Soft Computing  merupakan inovasi baru dalam membangun sistem cerdas yaitu sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Soft Computing mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dan dikendalikan dengan mudah agar sesuai dengan realita (Prof. Lotfi A Zadeh, 1992).

2.2       Metodologi-Metodologi yang Digunakan Soft Computing

1.      Sistem Fuzzy (mengakomodasi ketidaktepatan) : Logika Fuzzy (fuzzy logic)

2.      Jaringan Syaraf (menggunakan pembelajaran) : Jaringan Syaraf Tiruan(neurall network)

3.      Evolutionary Computing (optimasi) : Algoritma Genetika (Genetic Algorithms (GA))

2.3       Jaringan Syaraf Tiruan (Neurall Network)

2.3.1    Sejarah

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.

Gambar 2.1 McCulloch & Pitts, penemu pertama Neural Network

Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

Gambar 2.2 Perceptron

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network,  dan teori model resonansi adaptif.

Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya classification, recognition, approximation, prediction, clusterization, memory simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.

2.3.2    Definisi Neurall Network

Neural Networks (Jaringan Saraf Tiruan) menurut Haykin didefinisikan sebagai berikut : “Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. Neural network ini meniru otak manusia dari sudut :

1)  Pengetahuan diperoleh oleh network dari lingkungan, melalui suatu proses pembelajaran.

2) Kekuatan koneksi antar unit yang disebut synaptic weights,berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.”

Secara sederhana, Jaringan Syaraf Tiruan adalah sebuah alat pemodelan data statistik non-linier. Jaringan Syaraf Tiruan dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", Jaringan Syaraf Tiruan dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.

2.3.3    Lapisan Neurall Network

Istilah "jaringan" pada Jaringan Syaraf Tiruan merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada Jaringan Syaraf Tiruan 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.

1.         Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.

2.  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.

Berdasarkan arsitekturnya, neural network dapat dikategorikan, antara lain, single-layer neural network, multilayer neural network, recurrent neural network dsb. Berbagai algoritma pembelajaran antara lain Hebb’s law, Delta rule, Backpropagation algorithm, Self Organizing Feature Map, dsb.

2.3.4    Fungsi Neurall Network

Fungsi dari Neural Network diantaranya adalah:

1.      Pengklasifikasian pola

2.      Memetakan pola yang didapat dari input ke dalam pola baru pada output

3.      Penyimpan pola yang akan dipanggil kembali

4.      Memetakan pola-pola yang sejenis

5.      Pengoptimasi permasalahan

6.      Prediksi

2.3.5    Struktur Artificial Neural Network

Ide mendasar dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing.

Gambar 2.3 Struktur ANN

Karakteristik dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.

1.      Input, berfungsi seperti dendrite

2.      Output, berfungsi seperti akson

3.      Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan output saja.

BAB III

PENUTUP

 

3.1. Kesimpulan

Soft Computing  merupakan inovasi baru dalam membangun sistem cerdas yaitu sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.

Jaringan Syaraf Tiruan atau Neurall Network adalah sebuah alat pemodelan data statistik non-linier. Jaringan Syaraf Tiruan dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.

3.2. Saran

Demikian penulisan ini kami buat. Kami sadar akan banyaknya kekurangan dan banyaknya kesalahan yang kami buat sehingga penulisan ini masih jauh dari kata sempurna karena kesempurnaan hanya milik Allah SWT. Kami juga membutuhkan kritik dan saran terhadap penulisan kami ini agar bisa menjadikan motivasi bagi kami agar kedepan bisa lebih baik lagi. Semoga penulisan ini dapat bermanfaat bagi pembaca.

DAFTAR PUSTAKA

http://socs.binus.ac.id/2012/07/26/konsep-neural-network/

https://b-ygtm.blogspot.co.id/2016/12/makalah-pengantar-teknologisistem.html