Transcript Pengenalan Jaringan Syaraf Tiruan

Pengenalan Jaringan
Syaraf Tiruan
Erlin Windia Ambarsari, ST
Universitas Indraprasta PGRI
Erlinwin.wordpress.com





Struktur otak manusia sangat kompleks &
rumit
Otak terdiri neuron-neuron dan sinapsis
(penghubung)
Neuron bekerja berdasarkan impuls/sinyal
Manusia memiliki 1012 neuron dan 6.1018
sinapsis mengenali pola, melakukan
perhitungan, mengontrol organ2 tubuh
Mempunyai kemampuan membentuk
sendiri pola berdasarkan pengalaman.
Jaringan Syaraf Biologi

Dendrit menerima sinyal dari neuron lain
◦ Sinyal berupa impulse elekrik dikirim melalui
celah sinaptik
◦ Sinyal dapt dpt diperkuat/diperlemah di celah
sinaptik

Soma menjumlahkan semua sinyal-sinyal
yang masuk
◦ Jika kuat dan melebihi batas akan diteruskan
ke sel lain melalui axon

Neural biologi merupakan sistem yang
fault tolerant :
◦ Manusia dapat mengenali sinyal input yang
agak berbeda dari yang pernah diterima
sebelumnya.
◦ Otak manusia tetap mampu bekerja meskipun
beberapa neuronnya tidak mampu bekerja
dengan baik
 Sebuah neuron rusak, neuron lain dpt dilatih
menggantikan fungsi sel yang rusak.


Sistem pemroses informasi memiliki karakter
mirip dengan jaringan syaraf biologi
Dibentuk debagai generalisasi model matematika
dari Jar. Syaraf Biologi
◦ Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron)
◦ Sinyal dikirimkan diantara neuron2 melalui penghubung2
◦ Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal
◦ Untuk menentukan output, setiap neuron menggunakan
fungsi aktifitas (nonlinier) dikenakan pada jumlah input
yang diterima.
 Besar output selanjutnya dibandingkan dengan batas
ambang
Jaringan Syaraf Tiruan

3 ketentuan JST :
◦ Pola hubungan antar neuron (arsitektur
jaringan)
◦ Metode untuk menentukan bobot penghubung
(metode training/learning/algoritma)
◦ Fungsi aktivasi
 Pengambilan keputusan, pengenalan pola,
prediksi

Jaringan saraf tiruan pada umumnya digunakan
untuk tugas atau pekerjaan yang kurang praktis
jika dikerjakan secara manual.
Kegunaan Dalam Kehidupan Nyata
 Perkiraan Fungsi, atau Analisis Regresi, termasuk
prediksi time series dan modeling.
 Klasifikasi, termasuk pengenalan pola dan
pengenalan urutan, serta pengambil keputusan
dalam pengurutan.
 Pengolahan data, termasuk penyaringan,
pengelompokan, dan kompresi.
 Robotik
Kegunaan JST
Banyak teknik algoritma JST yang
tersedia yang memiliki arsitektur yang
sangat beragam dan canggih
 Komputer digital berkecepatan tinggi
 Aplikasi yang sangat luas

Kedudukan JST dalam informatika
Robert Hecht-Nielsen, seorang kontributor
dalam bidang jaringan saraf, melihat
bahwa aplikasi-aplikasi jaringan saraf
selama beberapa tahun ini umumnya
berpusat pada tiga bidang utama, yaitu
analisis data, pengenalan pola, dan fungsi
kendali.
Contoh aplikasi JST
Analisis data  bidang aplikasi potensial mencakup pemrosesan
aplikasi pinjaman, analisis perdagangan komoditas, peramalan
runtut waktu, prediksi panen, meteorologi, analisis pasar, pola
aktivitas konsumen, penegakan hukum yang melibatkan
pencarian catatan kriminal.
 Pengenalan pola  optical character recognition melibatkan cek
yang ditulis tangan dan alamat surat yang ditulis tangan.
Masalah-masalah pengenalan pola juga terdapat dalam bidang
inspeksi industri, misalnya dalam inspeksi silicon wafer, terdapat
cacat yang tidak mudah dikenali.
 Aplikasi pengendalian yang sesuai untuk jaringan saraf meliputi
fungsi-fungsi seperti operasi peralatan mesin. Sebagai contoh,
suatu alat yang cukup kaku memegang blok metal menjadi
rentan untuk rusak dalam operasi kecepatan tinggi. Sensor yang
mendeteksi getaran dan tekanan dapat memberikan petunjuk
real-time mengenai kelemahan-kelemahan operasi dengan
sebuah jaringan saraf dilatih untuk mengenali kelemahankelemahan multi dimensional.


AVCO Financial Services, di Irvine, California,
menggunakan sistem jaringan saraf untuk
menganalisis risiko kredit. Sistem ini diujikan
pada lebih dari 100.000 kasus kredit. Dalam
artikelnya New York Times melaporkan
bahwa dalam satu uji terlihat indikasi akan
adanya kenaikan laba sebesar 27% jika
digunakan sistem jaringan saraf dibanding
bila menggunakan sistem evaluasi dengan
menggunakan komputer yang sebelumnya
dipakai AVCO.
Contoh Aplikasi lain

Intel mengembangkan aplikasi kecil yang
menyelidiki keekspresifan pembicaraan
manusia. Dengan membatasi sistem
hanya untuk pembicara tunggal pada satu
waktu dan dengan membatasi kosa kata
(sekitar 100 kata atau frase), sistem ini
mampu mengenali suara manusia dengan
ketepatan 99%. Sistem pemasukan data
yang dikendalikan suara ini telah banyak
digunakan dalam berbagai aplikasi
manufaktur sejak tahun 1983.