Jaringan Syaraf Tiruan (Artificial Neural Network)

Ilustrasi Artificial 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

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 paradigm 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 pengklafisikasian 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

Sumber :

http://www.psych.utoronto.ca/users/reingold/courses/ai/nn.html

http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

http://en.wikipedia.org/wiki/Artificial_neural_network

http://www.heatonresearch.com/images/article/1604390085/1604390085c5f1.jpg

http://24.media.tumblr.com/9a69909f3457b1a71564f6b72bcc4dba/tumblr_mkafarWIOW1s1kr4oo1_1280.jpg
https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&cad=rja&ved=0CDoQFjAC&url=http%3A%2F%2Fsutikno.blog.undip.ac.id%2Ffiles%2F2011%2F11%2F2-Fungsi-Aktivasi-dan-Perceptron.pdf&ei=lAWJUb6nFMOHrAf83YHIAg&usg=AFQjCNGSyeEPi6R6JhIwg7OU4nZmE25UmA&sig2=CvfM6nPsgsqjUluUSe_g3Q&bvm=bv.45960087,d.bmk

http://lecturer.eepis-its.edu/~entin/Machine%20Learning/Minggu%2012/Minggu%2012%20Reinforcement%20Learning.pdf