PENG. TEKNOLOGI SISTEM CERDAS
Artifical Neural Network
Nama : Putri Apriyani
NPM : 18114583
Kelas : 3KA31
Dosen : Dewi Andryani
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
Sejarah Neural Network
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.
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
Penerapan Artifical Neural Network
Artificial
Neural Network (Jaringan Syaraf Tiruan), dimana dalam sepuluh tahun terakhir
pengaplikasiannya telah banyak dikembangkan di berbagai bidang dalam kehidupan
manusia. Seperti contoh Aplikasi Adaptive Inteligent System adalah Sistem
mengenali Panas, Hangat, dan Dingin Menggunakan Jaringan Syaraf Tiruan dan
Himpunan Fuzzy begitu juga seperti Adaptive Noise Canceling yang menggunakan
jaringan syaraf tiruan untuk membersihkan gangguan pada telephone (dikenal
dengan echo) dan mengurangi kesalahan tranmisi modem dll.
Salah satu
contoh adalah :
Dalam perkembangannya, ilmu Kecerdasan Buatan atau
Artificial Intelligence (AI) telah banyak diterapkan pada teknologi komputer
dalam menyelesaikan suatu masalah yang umumnya memerlukan pemikiran seorang
ahli, dan ANN Perceptron merupakan salah satu dari metode AI yang telah
terbukti cukup handal untuk digunakan sebagai teknik pengenalan atau
pengindentifikasian.Tujuan dari dibuatnya karya tulis ilmiah ini adalah untuk
menerapkan metode Jaringan Syaraf Tiruan atau Artificial Neural Network dengan
algortima Perceptron dalam menentukan penyakit cacar daun dan bercak daun pada
daun tembakau serta daun cengkeh, dimana sampel daun-daun tersebut dianalisis
melalui kedelapan gejala atau ciri yang ditimbulkannya.
Tahapan awal yang dilakukan yaitu mengumpulkan
beberapa sampel daun tembakau dan daun cengkeh, baik yang terkena penyakit
maupun tidak. Kemudian mengelompokkan gejala atau ciri khusus yang ditimbulkan
pada setiap daunnya dari penyakit cacar daun dan bercak daun. Ciri penyakit
yang positif terlihat pada masing-masing daun akan direpresentasikan dengan
nilai bipolar [1, -1], dimana ciri tersebut akan digunakan sebagai nilai
masukan pada tahap pelatihan (training) dan pengujian (testing) dalam metode ANN.
Dari hasil pengujian terhadap sampel sebanyak 20
daun untuk tahap training dan 10 sampel daun untuk tahap testing, dengan
perbandingan penyakit bercak daun dan cacar daun adalah 50 : 50, learning rate
sebesar 0,7, lapisan masukan sebanyak 8 buah, dan 1 buah lapisan luaran,
didapat bahwa metode ANN Perceptron memiliki persentase keberhasilan pengenalan
penyakit sebesar 61% - 73% untuk data non-learning, dan 100% untuk data
learning pada kedua jenis daun tersebut.
Sumber :
http://www.psych.utoronto.ca/users/reingold/courses/ai/nn.html
http://sutikno.blog.undip.ac.id/files/2011/11/2-Fungsi-Aktivasi-dan-Perceptron.pdf
Tidak ada komentar:
Posting Komentar