Neural Network

1.   

 
Kali ini saya membuat rangkuman materi pertemuan 14 tentang Neural Network yang terdiri dari :
 1. Konsep Neural network
2. Komponen Jaringan Syaraf
3. Arsitektur JST Backpropagation
4. Contoh Neural network
5. Single Perceptron Neural Network
6. Multi Layer Perceptron
7. Perancangan Neural network
8. Metode Pembelajaran
9. Implementasi Neural

          Konsep Neural network

Artificial Neural Network (ANN) adalah program komputer yang terinspirasi secara biologis yang dirancang untuk mensimulasikan cara otak manusia memproses informasi. ANN  mengumpulkan pengetahuan dengan mendeteksi pola dan hubungan dalam data dan belajar (atau dilatih) melalui pengalaman, bukan dari pemrograman.

Neural Network, dengan kemampuannya dapat digunakan untuk memperoleh pengetahuan dari data yang rumit atau tidak tepat, serta juga dapat digunakan untuk mengekstrak pola dan mendeteksi tren yang terlalu kompleks untuk diperhatikan baik oleh manusia atau teknik komputer lainnya.

 

2.      Komponen Jaringan Syaraf

Jaringan syaraf terdiri dari :

1.Sinapsis

2.Dendrit

3.Axon

4.Cell Body (kumpulan cell)

Sebuah saraf terdiri dari sebuah badan sel, satu axon, dan beberapa dendrit. Dendrit menerima masukan dari axon saraf lain yang memperlihatkan gairah atau kalangan sinopses. Saraf sesungguhnya mempunyai lebih banyak dendrit.

 

3. Arsitektur JST Backpropagation

 

4. Contoh Neural network

Jaringan syaraf yang mengenali saudara kandung dan kenalan. Semuanya kecuali dua yang menunjukkan bobot ada kala1.0. threshold adalah ditunjukkan dibagian dalam simpul tersebut.

5. Single Perceptron Neural Network

perceptron yang merupakan salah satu jaringan feedforward yang terdiri dari sebuah retina yang digunakan untuk akuisisi data yang mempunyai fixed-weighted connection dengan neuron layer  yang pertama. Fixed weight layer diikuti dengan minimal satu  weight layer. SLP merupakan sebuah perceptron yang memiliki satu variable weight dan  satu variable layer dari output neuron 

6. Multi Layer Perceptron

Multi layer perceptron adalah sebuah perceptron dengan dua atau lebih trainable weight layer. Pada SLP dapat membagi input space dengan sebuah hyperlane sedangkan MLP dapat mengklasifikasi convex polygon dari proses hyperlane dengan mengenali pattern yang terletak di atas hyperlane. MLP merupakan representasi dari fungsi pendekatan universal. Sebuah n-layer perceptron adalah n-variable weight layer dan n+1 neuron layer dengan neuron layer 1 sebagai input layer. 

Penanganan fungsi error pada MLP menggunakan backpropagation error, yang dapat diaplikasikan pada multi  perceptron dengan fungsi aktivasi semi linear. Walaupun fungsi binary threshold dan fungsi yang lain tidak lagi mendukung tetapi kita bisa menggunakan fungsi Fermi atau hyperbolic tangent. Backpropagation adalah prosedur gradient dengan fungsi error Err(W) menerima semua n-weight sebagai argument dan menugaskannya sebagai output error  n dimensional.

 

7. Perancangan Neural network

Perancangan algoritma jaringan syaraf tiruan, umumnya dibagi menjadi dua proses utama yaitu pelatihan dan pengujian.

Proses pelatihan dilakukan menggunakan sekumpulan data latih yang memuat parameter ciri/feature yang digunakan untuk membedakan antara objek satu dengan objek lainnya (pengenalan pola). Luaran dari proses pelatihan adalah suatu jaringan yang terdiri dari arsitektur beserta bobot-bobot terbaik hasil pembaharuan.

Dengan jaringan tersebut, kemudian data latih dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target latih sehingga diperoleh tingkat akurasi proses pelatihan.

Pada proses pengujian, dengan menggunakan jaringan syaraf tiruan hasil proses pelatihan, data uji dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target uji dan diperoleh tingkat akurasi proses pengujian.

Beberapa parameter yang perlu diperhatikan dalam menyusun/merancang arsitektur jaringan syaraf

tiruan antara lain:

1. Jenis jaringan syaraf tiruan yang akan digunakan

2. Jumlah neuron pada layer masukan, layer tersembunyi, dan layer keluaran

3. Jumlah layer tersembunyi (hidden layer)

4. Fungsi aktivasi pada layer tersembunyi

5. Inisialisasi bobot awal

6. Inisialisasi nilai target kesalahan (error goal)

7. Inisialisasi nilai epoch

8. Inisialisasi nilai momentum

 

8. Metode Pembelajaran

Ada dua jenis metode pembelajaran :

1.      Supervised Learning

Metode pembelajaran ini merupakan metode belajar dari contoh yang benar.

Dalam metode ini jaringan syaraf tiruan tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut.

Contoh algoritma : Backpropagation, Least-Mean-Squared

2.      Unsupervised Learning

Pada metode ini jaringan syaraf tiruan tidak diberikan contoh-contoh yang benar. Tetapi mengandalkan analisa jaringan syaraf tiruan mengenali kesamaan dan perbedaan antara data-data input.

Contoh algoritma : k-means Clustering, Kohonen, ART.

9. Implementasi Neural network

Algoritma jaringan syaraf tiruan dapat diaplikasikan untuk menyelesaikan berbagai macam persoalan komputasi diantaranya untuk kasus klasifikasi,identifikasi, prediksi, deteksi anomali, dll.

Algoritma ini digunakan dengan tujuan mencari rumusan untuk memetakan nilai masukan menuju nilai keluaran di mana secara matematis ataupun secara fisik tidak ada persamaan yang menghubungkan kedua nilai tersebut.

Jaringan syaraf tiruan hanya akan bekerja dengan baik apabila nilai masukan dan nilai keluaran memiliki pola yang jelas dan teratur. Sebagai contoh untuk kasus prediksi curah hujan. Secara fisis, tidak ada persamaan yang menghubungkan antara besarnya suhu, kelembaban, kecepatan angin, dan curah hujan pada hari ini dengan besarnya curah hujan pada esok hari.

Namun berdasarkan polanya, data-data tersebut memiliki pola yang jelas dan berulang (dilihat dari pola curah hujan dalam selang waktu yang relatif lama misalnya 10 atau 20 tahun terakhir). Pada kasus tersebut, peran jaringan syaraf tiruan dapat diandalkan untuk melakukan prediksi curah hujan dalam beberapa jangka waktu ke depan.