Simak penjelasan tentang Artificial neural network disini

Di era industri 4.0 ini banyak sekali perangkat perangat elektronik yang dapat membantu pekerjaan manusia. Seperti contoh robot, robot adalah sebuah perangkat teknologi yang cukup populer, dimana robot bisa mambantu manusia seperti halnya manusia yang bisa bekerja, banyak sekali perusahaan yang telah menggunakan robot sebagai pengganti manusia, contohnya robotic arm yang bisa membantu industri dalam proses pembuatan suatu produk. Hal ini dilakukan perusahaan supaya pekerjaan lebih cepat dan menghemat waktu dan tenaga. Karena pada dasarnya robot tidak memiliki rasa lelah, upah, dan juga malas. Dan juga peran robot dalam industri atau perusahaan adalah sebagai upaya untuk menurunkan tingkat resiko yang terjadi selama bekerja, ambil contoh seperti kecelakaan kerja yang pasti membuat produksi menurun dan juga perusahaan pasti akan mendapatkan sanksi karena safety dalam perusahaan minim.
Tidak hanya keperluan pada perusahaan saja yang memanfaatkan robot sebagai pengganti manusia, tetapi banyak juga robot yang bisa berpikir layaknya manusia, dimana mereka bisa menentukan keinginan mereka sendiri layaknya manusia, akan tetapi berbeda dengan manusia yang berpikir dengan otak, robot berpikir dengan sistem tambahan yangdisebut jaringan saraf tiruan yang memungkinkan robot untuk berpikir.
Nah apa sih yang dimaksud dengan jaringan saraf tiruan?
Apa saja fungsinya?
Dan bagaimana kerjanya?
Pada artikel ini kita akan membahas jaringan saraf tiruan
 

Pengertian jaringan saraf tiruan

Jaringan saraf tiruan atau lebih di kenal artificial neural network adalah jaringan yang digambarkan berdasarkan jaringan saraf manusia, sistem ini akan membuat jaringan saraf tiruan akan bekerja layaknya otak manusia, dengan  sistem adaptif  yang dapat berubah strukturnya berdasarkan perubahan bobot sinapsis informasi yang diterima baik melalui eksternal maupun internal maka hasil yang dikeluarkan akan beragam, sederhananya jaringan saraf tiruan adalah sistem dengan data pemodelan statistik yang digunakan untuk menyelesaikan problem yang kompleks antara input dan output untuk menemukan pola pola tertentu sesuai dengan struktur yang telah di tentukan oleh jaringan tersebut.
 

Sejarah jaringan saraf tiruan

Sejarah dari jaringan saraf tiruan dimulai dan diperkenalkan oleh McCulloch dan Pitts pada tahun 1943, keduanya menyimpulkan bahwa kombinasi beberapa neuron yang sederhana akan menjadi sebuah sistem neural yang dapat meningkatkan kemampuan komputasi yang lebih baik, keduanya juga mengusulkan dengan pemberian bobot dalan jaringan maka sistem dapat melakukan fungsi logika sederhana.
Kemudian pada tahun 1958, Rosenblatt, Minsky dan Papert melakukan pengembangan model jaringan yang diberi nama perceptron. Pada model ini, mereka mencoba untuk mengoptimalkan hasil iterasinya. Iterasi adalah suatu proses atau metode yang digunakan secara berulang untuk menyelesaikan suatu problem matematika.
Dan kemudian pada tahun 1960, Widrow dan Hoff melanjukan pengembangan model perceptron dengan menerapkan aturan delta, aturan ini mengubah bobot perceptron yang mana jika output yang dihasilkan tidak akan bisa lagi sesuai dengan yang ditetapkan, hal ini menyebabkan komputer akan belajar dengan sendirinya, kecepatan belajar komputer ini dapat diatur sesuai dengan parameter tertentu.
Selanjutnya pada tahun 1986, Rumelhart mencoba untuk mengembangkan sistem single layer pada perceptron dan menjadi sistem multilayer, dan kemudian sistem ini disebut dengan backpropagaton, dan lanjutan dari sistem ini menjadi beberapa model jaringan saraf tiruan yang dikembangkan oleh kohonen pada tahun 1972 dan Hopfield pada tahun 1982.
 

Pengertian single layer

Jaringan saraf tiruan single layer hanya memiliki lapisan tunggal pada bobotnya, pada jaringan ini input akan langsung mendapat output tanpa perlu di olah oleh  lapisan lapisan yang tersembunyi.
 

Pengertian multi layer

Tidak sama dengan single layer, multi layer memiliki lapisan lapisan bobot yang tersembunyi diantara input dan outputnya, jadi ketika ada input yang masuk maka akan dikalikan dengan bobot dan kemudian dijumlahkan, nilai dari tiap neuron lapisan dikalikan dengan bobot yang terhubung ke masing-masing neuron pada sisi output. Hasil penjumlahannya dimasukan ke fungsi aktivasi yang digunakan untuk
mendapatkan nilai outputnya. Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit dari pada lapisan single layer, ketika sistem memiliki layer yang banyak, maka dapat dengan mudah menyelesaikan banyak kasus yang lebih sulit.
 

Pengertian competitive layer

 

Jaringan neuron pada competitive layer akan saling bersaing untuk bisa mendapatkan hak aktif, dikarenakan hubungan antar neuron yang variable atau hanya memiliki nilai -n yang bisa berubah, pada umumnya layer ini tidak di perlihatkan pada jaringan atau diagram.
 
 

Sistem dan aplikasi Jaringan saraf tiruan

 
Sistem jaringan saraf tiruan merupakan analogi yang berkaitan erat dengan proses berpikir dalam otak manusia, sebenarnya jaringan saraf tiruan merupakan pembentukan model matematika dari pola pikir otak manusia dengan beberapa kemungkinan asumsi, beberapa asumsi itu antara lain
1. sistem proses yang terjadi pada banyak neuron atau elemen sederhana.
2. sinyal sinyal dikirimkan antar neuron melalui sinapsis.
3. sinapsis memiliki kemampuan untuk memperkuat atau memperlemah neuron yang dikirimkan.
4. dalam prosesnya, output tidak hanya ditentukan oleh berapa banyak neuron yang diterima, akan tetapi neuron memiliki fungsi aktivasi dan besar output akan dibandingkan dengan batas ambang atau threshold.
Dengan ini, sistem akan ditentukan oleh 3 hal paling mendasar, yaitu :
1. pola hubungan neuron
2. metode penentuan bobot
3. aktivasi
 

Aplikasi jaringan saraf tiruan

DARPA neural network pada tahun 1988 telah mendaftar berbagai aplikasi jaringan saraf tiruan, diawali dengan sebuah aplikasi ACE atau Adaptive channel equalizer yang merupakan neuron single layer yang digunakan untuk menstabilkan sinyal suara pada sistem telepon dengan jarak yang jauh.
Produk lain dari darpa selain ace ini antara lain sebagai berikut:
1. pattern recognition atau bisa dikenal dengan pengenalan pola
Pengenalan pola yang dimaksud adalah untuk mengenali angka, huruf, suara bahkan tanda tangan.
2. ADALINE atau pengolahan sinyal
Dipakai untuk mengurangi noise dalam telepon.
3. Peramalan atau forecasting
Mampu meramalkan apa yang akan terjadi dimasa depan dengan pembacaan pola yang sudah terjadi dimasa lampau, hal ini dapat dilakukan dikarenakan jaringan dapat mengingat dan menganalisa apa yang sudah ada sebelumnya.
4. Aerospace
Adalah sistem pada pesawat terbang, untuk otomasi pilot dengan akurasi tinggi, simulasi pesawat, mendeteksi komponen yang rusak pada pesawat, simulasi jalur penerbangan dan simulasi komponen pada pesawat terbang.
5. Otomotif
Sebagai sistem pemandu untuk aktivitas pengemudi.
6. Perbankan
Untuk membaca cek dan dokumen dan kemudian untuk evaluasi aplikasi kredit.
7. Pertahanan
Pengenalan wajah, pengendali senjata, sonar, radar, pengolanan citra termasuk untuk mengurangi derau dan idetifikasi sinyal.
Dan masih banyak lagi aplikasi jaringan saraf tiruan
 

Fungsi aktivasi

Fungsi aktivasi pada jaringan ini harus mempunyai beberapa karakteristik. Yaitu continue, terdefinisi, tidak monoton. Fungsi aktivasi yang paling umum digunakan adalah nilai turunannya dapat dinyatakan dalam persamaan aktivasi tersebut. Tingkatnya bergantung pada perkalian setiap input dengan bobot pada sinapsis atau sambungan dari suatu target neuron. Dalam penyelesaian jaringan saraf tiruan ada beberapa fungsi yang sering digunakan, yaitu:
1. Fungsi hard limit atau undak biner
Pada fungsi ini menggunakan jaringan tunggal yang inputnya dikonversikan menjadi variable yang bernilai continue ke output biner.
2. Fungsi threshold
Pada fungsi ini, nilai yang digunakan adalah dengan metode threshold atau ambang, dimana setiap nilainya di bandingkan.
3. Fungsi linier atau identitas
Fungsi ini memiliki nilai output yangsama dengan nilai inputnya.
4. Fungsi sigmoid biner
Fungsi ini digunakan pada jaringan saraf tiruan untuk dilatih menggunakan metode backpropagation, nilai dari fungsi ini adalah dengan biner yaitu 0 dan 1, fungsi ini juga bisa digunakan jaringan saraf lainnya yangmemiliki output 0 atau 1.
5. Fungsi sigmoid bipolar
Memiliki fungsi yang hampir sama dengan sigmoid biner, pembedanya adalah fungsi ini memiliki output nilai range 1 sampai -1,  fungsi ini juga hampir sama dengan dengan fungsi hyperbolic tangent, keduanya memiliki range nilai 1 sampai -1.
 

Proses learning pada jaringan saraf tiruan

Tidak seperti pada otak manusia yang informasi yang diterima akan dilewatkan pada neuron neuron penghubung dan bentuk rangsangan listrik, jika neuron tersebut merangsang maka akan membangkitkan output ke neuron yang terhbung dan kemudian informasi yang didapat tersebut disampaikan atau diteruskan untuk sampai ketujuannya. Dalam prosesnya belajarnya bobot bobot akan mengalami perubahan, makanya jika terjadi rangsangan yang sama maka neuron akan lebih cepat memberikan reaksinya.
Nah pada jaringan saraf tiruan respon neuron berbeda dengan otak manusia, dmana neuron pada jaringan saraf tiruan tidak akan berubah bobotnya, nilai nilai ini akan bertambah saja dimana perubahan nilai bobot yang menghubungkan antar neuron mengalami perubahan. Dalam sistem jaringan saraf tiruan untuk mendapatkan nilai yang berbeda nilai bobot akan berubah secara dinamis hingga didapat nilai yang seimbang. Dalam pembelajarannya terdapat 2 metode, yaitu supervised learning dan unsupervised learning.
 

Metode supervised learning

Metode learning ini digunakan ketika pola output sudah diketahui, maka pola ini akan dirambatkan saja ke sepanjang saraf hingga mencapai neuron lapisan output, yang nantinya output ini akan dicocokkan pada pola targetnya, jikalau neuron memiliki pola yang berbeda dengan target maka akan muncul sebuah error, jika error masih sering terjadi maka proses metode ini perlu banyal belajar lagi. Dalam metode spervised learning, pembelajaran dikelompokkan dalam beberapa metode yaitu
1. Hebb rule
2. Percepiron
3. Delta rule
4. Backpropagation
5. Counterpropagation
6. Heteroassociative memory
7. Bidirectional associative memory
8, learning vector quantization
 

Metode unsupervised learning

Pada metode learning ini, neuron tidak memerlukan target output, nilai yang dikeluarkan tidak dapat ditentukan selama proses pembelajaran dikarenakan nilai bobot hanya diberi range  tertentu tergantung pada nilai input yang diberikan.
Tujuannya adalah untuk mengelompokkan unit unit yang mirip dalam pengelompokan tertentu, pembelajaran ini sangat cocok untuk klasifikasi pola.
 

Metode Backpropagation

Pada dasarnya backpropagation adalah algoritma pembelajaran yang biasa digunakan oleh perceptron dengan banyak layer yang mengubah bobot neuron, algoritma ini mengubah nilai bobotnya ketika terjadi error pada outputnya, yang mana memungkinkan algoritma mendapatkan nilai yang seimbang dengan arah mundur atau backward, dalam prosesnya neuron akan diaktifkan untuk bisa menggunakan fungsi aktivasi, dalam metode backpropagation fungsi aktivasi ini sering digunakan pada Sigmoid biner, Sigmoid bipolar, dan identitas