Artificial Neural Network (ANN)

 

        ANN (Artificial neural network) adalah suatu model komputasi yang terinspirasi dari jaringan syaraf biolo-gis.  ANN  terdiri  dari  elemen  pemrosesan  (neuron)  dan  koneksi  antarneuron  dengan koefisien  (bobot)  yang  terikat  pada  koneksi  tersebut (Shanmuganathan,  2016).

        ANN merupakan jaringan yang saling berhubungan antar node-node atau simpul-simpulnya dimana tiap-tiap hubungan tersebut mempunyai bobot koneksi yang dilatih untuk mencapai respon yang diinginkan. Masing-masing bobot koneksi dipropagasikan ke seluruh simpul atau node. Dengan pelatihan terhadap data berdasarkan bobot-bobot koneksi tersebut diharapkan memperoleh output yang diinginkan. Proses kerja dari artificial neural network adalah untuk menggambarkan dan mengelompokkan bentuk yang berbeda dari beberapa populasi yang telah diketahui, sehingga populasi tersebut terpisah dengan baik serta dapat menentukan fungsi pembeda antar kelompok dan mengklasifikasikan objek baru ke dalam kelas atau kelompok. Sedangkan kelebihan dari artiffcial neural network adalah bahwa fungsi yang digunakan non linier, mempunyai ketelitian yang tinggi serta tidak mempunyai model, sehingga dengan metode artificial neural network ini tidak diperlukan lagi asumsi dari data multivariat yang berdistribusi normal.

        ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan adalah upaya untuk mensimulasikan jaringan neuron yang membentuk otak manusia sehingga komputer akan dapat mempelajari berbagai hal dan membuat keputusan dengan cara yang mirip manusia. ANN (Artificial Neural Network) dibuat dengan memprogram komputer biasa untuk berperilaku seolah-olah mereka sel-sel otak yang saling berhubungan.

        Kesadaran terhadap sistem pembelajaran kompleks pada otak biologis menjadi inspirasi terciptanya ANN. Jaringan otak memiliki seperangkat neuron yang terhubung secara dekat. Tugas yang sangat kompleks mampu diselesaikan oleh jaringan neuron, contohnya adalah pengelompokan dan pemahaman pila. Salah satu kelebihan ANN adalah mampu menggambarkan model baik linier maupun non linier dengan rentang yang cukup luas. ANN juga memiliki kemampuan untuk mendeteksi interaksi yang mungkin antara variabel prediksi. ANN mampu untuk mendeteksi secara komplit tanpa keraguraguan meskipun dalam hubungan non linear antara variabel bebas dan terikat.

    Secara prinsip kerja artificial neural network dapat melakukan komputasi terhadap semua fungsi yang dapat terhitung. Artificial neural network dapat melakukan apa yang dapat dilakukan oleh komputer digital normal. Dalam prakteknya, artificial neural network terutama sangat berguna bagi klasifikasi dan permasalahan-permasalahan yang dapat mentolerir ketidaktepatan, yang memiliki banyak data pelatihan, namun memiliki aturan-aturan yang tidak dapat diaplikasikan secara mudah.

Konsep Dasar dari Artificial Neural Network

Artificial neural network merupakan suatu sistem analisis yang proses kerjanya diilhami dari aktivitas jaringan syaraf pada manusia. Jaringan ini terdiri dari sekumpulan neuron-neuron atau unit-unit yang saling berinteraksi. Pada neural syaraf manusia, proses alami mengatur bagaimana sinyal input pada dendrit diproses dan kemudian diterjemahkan dalam aktivitas axon. Sedangkan pada neuron buatan, proses learning mengatur input-input yang digunakan untuk pemetaan output.

Proses learning terjadi pada saat pengaturan pembobotan dan bias. Metode yang paling umum digunakan dalam proses learning adalah backpropagation. Dalam metode ini, pembobotan diatur untuk meminimalisasi nilai kuadrat beda antara output model dan output taksiran atau secara umum disebut sebagai nilai kuadrat galat atau sum of square error.

Sesuai dengan sistem kerjanya, struktur articial neural network terdiri dari tiga lapisan yaitu lapisan input, lapisan antara input dan output atau lapisan tersembunyi dan lapisan output. Masing-masing lapisan diberikan pembobot yang akan mentransformasi nilai input menjadi nilai output. Setiap lapisan terdiri dari beberapa neuron dan antar neuron-neuron ini akan terhubung dengan neuron- neuron lain pada lapisan terdekat (Ripley, 1996:158).

Dimana artificial neural network mempunyai beberapa kelebihan di antaranya:

a) Artificial neural network bersifat non linier

Jaringan cocok digunakan untuk sistem-sistem dengan komplesitas permasalahan yang tinggi.

b)  Artificial neural network bersifat adaptif

Jaringan belajar dari data yang diberikan padanya dan menghasilkan pemecahan (hubungan pemetaan) antara masukan dan keluarannya.

c) Artificial neural network bersifat tahan terhadap kesalahan

Jaringan secara   keseluruhan masih mampu bekerja walaupun terjadi kesalahan/kerusakan sampai tingkat tertentu.

d) Artificial neural network dapat melakukan generalisasi

Jaringan dapat mengolah data yang belum pernah dilatihkan padanya berdasarkan apa yang telah diperoleh selama belajar.

Kegunaan dan Aplikasi Artificial Neural Network

         Fausett (1994:5-6) menyatakan bahwa artificial neural network pada umumnya digunakan untuk tugas atau pekerjaaan yang kurang praktis jika dikerjakan secara manual. 

Kegunaan Artificial neural network dalam kehidupan nyata antara lain:

a. Perkiraan fungsi atau analisis regresi, peramalan dan termasuk prediksi time series serta modeling.

b. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan serta pengambilan keputuan dalam pengurutan.

c.Pengolahan data, termasuk di dalamnya penyaringan, pengelompokan dan kompresi.

d. Robotik.

Menurut Siang (2009:5) aplikasi artificial neural network adalah sebagai berikut:

a. Pengenalan pola (Pattern Recognition)

Artificial neural network dipakai untuk mengenali pola (misalnya: huruf, angka, suara dan tanda tangan) yang sudah sedikit berubah. Hal ini mirip dengan otak manusia yang masih mampu mengenali orang yang sudah beberapa waktu tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit berubah).

b. Signal Processing

Artificial neural network (model ADALINE) dapat dipakai untuk menekan noise dalam saluran telepon.

c. Peramalan

        Artificial neural network juga dapat dipakai untuk meramalkan apa                yang akan terjadi di masa yang akan datang berdasarkan pola kejadian

   yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan                   artificial neural network dan membuat generalisasi dari apa yang sudah                 ada sebelumnya.

Di samping area-area tersebut, artificial neural network juga dilaporkan dapat menyelesaikan masalah dalam bidang kontrol, kedokteran dan lain-lain. Meskipun banyak aplikasi menjanjikan yang dapat dilakukan oleh artificial neural network, namun artificial neural network juga memiliki beberapa keterbatasan umum, seperti ketidakakuratan hasil yang diperoleh apabila menggunakan single layer. Artificial neural network bekerja berdasarkan pola yang terbentuk pada input.

Arsitektur Artificial Neural Network

    Artificial neural network memiliki beberapa arsitektur jaringan  yang sering digunakan dalam berbagai aplikasi. Arsitektur artificial neural network, antara lain:

1. Jaringan layar tunggal

Jaringan dengan lapisan tunggal terdiri dari 1 layer input, 1 layer output dan 1 lapisan bobot koneksi (Fausett, 1994:12). Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung dengan sekumpulan keluarannya. Sinyal mengalir searah dari lapisan masukan sampai lapisan keluaran.

Setiap simpul dihubungkan dengan simpul lainnya yang berada di atasnya dan di bawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model yang masuk kategori ini antara lain: ADALINE, Hopfield, perceptron, LVQ, dan lain-lain (Siang, 2009:30).

 2. Jaringan layar jamak

Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki tiga jenis lapisan yakni layer input, layer output, dan layer tersembunyi (Fausett, 1994:12). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih komplek dibandingkan jaringan dengan lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung lama tentu dengan pembelajaran yang lebih rumit. Akan tetapi, pada beberapa kasus pembelajaran pada jaringan yang mempunyai banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Model yang termasuk kategori ini antara lain: MADALINE dan Backpropagation (Siang, 2009:30- 31).

Cara Kerja ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan

Jaringan saraf tiruan menggunakan berbagai lapisan pemrosesan matematika untuk memahami informasi yang diberikannya. Biasanya, jaringan saraf tiruan memiliki puluhan hingga jutaan neuron tiruan disebut unit yang tersusun dalam serangkaian lapisan. Lapisan input menerima berbagai bentuk informasi dari dunia luar. Ini adalah data yang ingin diproses atau dipelajari oleh jaringan. Dari unit input, data melewati satu atau lebih unit tersembunyi. Tugas unit tersembunyi adalah mengubah input menjadi sesuatu yang dapat digunakan unit output.

Mayoritas jaringan saraf terhubung sepenuhnya dari satu lapisan ke lapisan lainnya. Koneksi ini tertimbang, semakin tinggi angkanya semakin besar pengaruh satu unit pada yang lain, mirip dengan otak manusia. Ketika data melewati setiap unit jaringan belajar lebih banyak tentang data. Di sisi lain dari jaringan adalah unit output, dan ini adalah di mana jaringan merespon data yang diberikan dan diproses.

Ilmuwan saraf kognitif telah belajar banyak tentang otak manusia sejak para ilmuwan komputer pertama kali mencoba jaringan saraf tiruan asli. Salah satu hal yang mereka pelajari adalah bahwa bagian otak yang berbeda bertanggung jawab untuk memproses aspek informasi yang berbeda dan bagian-bagian ini disusun secara hierarkis. Jadi, input masuk ke otak dan setiap tingkat neuron memberikan wawasan dan kemudian informasi diteruskan ke tingkat berikutnya, yang lebih senior. Itulah mekanisme yang coba direplikasi oleh ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan ini.

Agar ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan ini dapat belajar, mereka harus memiliki sejumlah besar informasi yang dilemparkan kepada mereka yang disebut set pelatihan. Ketika Anda mencoba untuk mengajarkan ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan bagaimana membedakan kucing dari anjing, set pelatihan akan memberikan ribuan gambar yang ditandai sebagai anjing sehingga jaringan akan mulai belajar. Setelah dilatih dengan jumlah data yang signifikan, ia akan mencoba untuk mengklasifikasikan data masa depan berdasarkan apa yang dilihatnya dilihat (atau didengar, tergantung pada set data) di seluruh unit yang berbeda. Selama periode pelatihan, output alat berat dibandingkan dengan deskripsi yang disediakan manusia tentang apa yang harus diamati. Jika sama, mesin divalidasi. Jika tidak benar, ia menggunakan propagasi balik untuk menyesuaikan pembelajarannya menelusuri kembali lapisan untuk mengubah persamaan matematika. Dikenal sebagai pembelajaran yang mendalam, inilah yang membuat jaringan ini cerdas.

Fungsi ANN (Artificial Neural Network)

Berdasarkan pengertian ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan di atas, ada beberapa cara ANN (Artificial Neural Network) dapat digunakan termasuk untuk mengklasifikasikan informasi, memprediksi hasil dan data cluster. Ketika jaringan memproses dan belajar dari data, mereka dapat mengklasifikasikan set data yang diberikan ke dalam kelas yang telah ditentukan, itu dapat dilatih untuk memprediksi output yang diharapkan dari input yang diberikan dan dapat mengidentifikasi fitur khusus data untuk kemudian mengklasifikasikan data dengan fitur khusus itu.

Google menggunakan jaringan saraf 30-lapis untuk memberi daya pada Foto-foto Google dan juga untuk memberi rekomendasi “tonton selanjutnya” untuk video YouTube. Facebook menggunakan jaringan saraf tiruan untuk algoritma DeepFace-nya, yang dapat mengenali wajah-wajah tertentu dengan akurasi 97%. Ini juga merupakan ANN (Artificial Neural Network) atau Jaringan Saraf Tiruan yang memperkuat kemampuan Skype untuk melakukan terjemahan secara real-time.

Jenis ANN (Artificial Neural Network)

Ada beberapa jenis jaringan saraf, yang masing-masing dilengkapi dengan kasus penggunaan spesifik dan tingkat kerumitan. Jenis jaringan syaraf yang paling dasar adalah sesuatu yang disebut jaringan syaraf feedforward, di mana informasi bergerak hanya dalam satu arah dari input ke output.

Jenis jaringan yang lebih banyak digunakan adalah jaringan saraf berulang, di mana data dapat mengalir dalam berbagai arah. Jaringan saraf ini memiliki kemampuan belajar yang lebih besar dan banyak digunakan untuk tugas-tugas yang lebih kompleks seperti belajar tulisan tangan atau pengenalan bahasa.

Ada juga jaringan saraf convolutional, jaringan mesin Boltzmann, jaringan Hopfield, dan berbagai lainnya. Memilih jaringan yang tepat untuk tugas Anda tergantung pada data yang harus Anda latih, dan aplikasi spesifik yang Anda pikirkan. Dalam beberapa kasus, mungkin diinginkan untuk menggunakan beberapa pendekatan, seperti halnya dengan tugas yang menantang seperti pengenalan suara.

Model Backpropagation pada Artificial Neural Network

Backpropagation atau propagasi balik merupakan suatu teknik pembelajaran atau pelatihan supervised learning yang paling banyak digunakan. Metode ini merupakan salah satu metode yang sangat baik dalam menangani masalah pengenalan pola-pola komplek. Di dalam jaringan propagasi balik ini, setiap unit yang berada dilapisan input terhubung dengan setiap unit yang ada di lapisan output. Jaringan ini terdiri dari banyak lapisan. Ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit lapisan tersembunyi untuk selanjutnya diteruskan pada unit-unit dilapisan keluaran. Kemudian unit-unit lapisan keluaran akan memberikan respon sebagai keluaran artificial neural network. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan disebarkan mundur pada lapisan tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan (Puspitaningrum, 2006:46).

Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur. Untuk mendapat error ini, tahap perambatan maju harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid atau sigmoid biner.

Reference

Umaidah, Y. (2018). Penerapan Algoritma Artificial Neural Network Dalam Prediksi Harga Saham Lq45 Pt. Bank Rakyat Indonesia, Tbk. Jurnal Gerbang, 8(1), 57–64.

Bhakti, H. D. (2019). Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik. Eksplora Informatika, 9(1), 88–95. https://doi.org/10.30864/eksplora.v9i1.234

M. Rifqi. 2019, Juli 22. Pengertian ANN (Artificial Neural Network): Cara Kerja, Fungsi dan Jenisnya. Archieved at https://rifqimulyawan.com/blog/pengertian-ann/