Neural Network

 

Konsep Neural network

Neural network (jaringan syaraf) adalah sistem pengolahan informasi yang didasari filosofi struktur perilaku syaraf mahluk hidup. 

Komponen Jaringan Syaraf

Pada umumnya JST memiliki komponen dua lapisan, yaitu input layer dan output layer. Tetapi pada perkembangannya, JST memiliki satu lapisan lagi yang terletak diantara input layer dan output layer. Lapisan ini disebut dengan hidden layer. Berikut penjelasan mengenai komponen JST: 

1 Input layer Input layer berisi node-node yang masing-masing menyimpan sebuah nilai masukan yang tidak berubah pada fase pelatihan training dan hanya bisa berubah jika diberikan nilai input baru. Node-node input tersebut menerima pola inputan dari luar yang menggambarkan suatu permasalahan. Banyak node atau neuron dalam input layer tergantung pada banyaknya input dalam model dan setiap input menentukan satu node. 

2 Hidden layer Node-node pada hidden layer disebut node-node tersembunyi, dimana outputnya tidak dapat diamati secara langsung. Akan tetapi semua proses dam fase training dan fase testing dijalankan di lapisan ini. Jumlah lapisan ini tergatung dari arsitektur yang dirancang., tetapi pada umumnya terdiri atas satu lapisan hidden layer. 

3 Output layer Universitas Sumatera Utara Output layer merupakan solusi dari jaringan syaraf tiruan terhadap suatu permasalahan yang menampilkan hasil perhitungan sistem oleh fungsi aktivasi pada lapisan hidden layer berdasarkan input yang diterima.

Arsitektur JST backpropagation

Pola koneksi antara neuron disebut Arsitektur JST. Suatu JST biasanya terdiri dari lapisan input, 1 atau 2 lapisan tersembunyi dan output. Dapat berupa SLP atau MLP. Berapa jumlah dan nilai input , weight, output.

Contoh Neural Network

Jaringan syaraf yang mengenali saudara kandung dan kenalan. Semuanya kecuali dua yang menunjukkan bobot ada kala 1.0. threshold adalah ditunjukkan di bagian dalam simpul tersebut. 

Single Perceptron Neural Network

Dapat dilihat pada gambar dibawah, Jaringan syaraf Single perceptron (SLP) ini terdiri atas lapisan input dan lapisan output. SLP ini merupakan model yang sederhana. Biasa digunakan untuk mengemulasikan fungsi logika NOT, OR, AND, NOR, NAND.

Multi Layer Perceptron

JST Multi Layer Perceptron, terdiri dari lapisan input, lapisan tersembunyi (hidden) dan lapisan output.

Perancangan Neural Network

Dapat dilihat pada gambar sebelumnya, input yang berupa angka 6 direpresentasikan sebagai matriks berukuran 7 x 5. Untuk sel yang berwarna hitam akan direpresentasi sebagai biner 1 dan sel berwarna putih akan direpresentasikan sebagai biner 0. Maka matrik untuk representasi angka enam pertama adalah 

Pola pada matriks disamping ini dijadikan sebagai target atau baseline angka 6. Pada gambar slide sebelum, dapat dilihat input (berupa angka enam) dapat saja mengalami noise sehingga bila sangat parah akan menyebabkan JST tidak mengenali input sebagai enam tetapi angka lain yang lebih mirip.

Metode Pembelajaran

Ada dua jenis metode pembelajaran : 
1. Supervised Learning 14Metode pembelajaran ini merupakan metode belajar dari contoh yang benar. Dalam metode ini JST tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut. Contoh algoritma : Backpropagation, Least-Mean-Squared 
2. Unsupervised Learning Pada metode ini JST tidak diberikan contoh-contoh yang benar. Tetapi mengandalkan analisa JST mengenali kesamaan dan perbedaan antara data-data input. Contoh algoritma : k-means Clustering, Kohonen, ART.

Implementasi Neural Network

Implementasi JST 

1. Arsitektur Pola koneksi antara neuron disebut Arsitektur JST. Suatu JST biasanya terdiri dari lapisan input, 1 atau 2 lapisan tersembunyi dan output. Dapat berupa SLP atau MLP. Berapa jumlah dan nilai input , weight, output.

2. Metode belajar Setelah arsitektur telah selesai, JST perlu Belajar(learning) atau dilatih(train). JST Belajar dengan cara mengubah-ubah nilai weight sehingga output dari JST sesuai.