Bahan Presentasi Untuk Mata Kuliah JST
Semester Genap 2019
Dosen : Darwison, M.T
Oleh:
Novi Putri
1610952023
Dosen : Darwison, M.T
Oleh:
Novi Putri
1610952023
Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
JARINGAN SARAF TIRUAN
1. Pengertian [kembali]
Jaringan saraf tiruan (JST), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.
2. Sejarah [kembali]
Jaringan saraf tiruan diperkenalkan secara sederhana pada tahun 1943 oleh McCulloch dan Pitts [Fausett; 1994]. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan neuron-neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural) yang mempunya kemampuan komputasi yang lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana. Beliau-beliau ini menggunakan semacam fungsi aktivasi threshold. Pada tahun 1958, Rosenblatt beserta Minsky dan Papert mulai mengembangkan model jaringan yang disebut dengan perceptron. Dalam model ini mereka mencoba untuk mengoptimalkan hasil iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga disebut kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang menyebabkan komputer dapat “belajar” dengan sendirinya; kecepatan belajar dapat diatur dengan menggunakan parameter tertentu. Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba mengembangkan sistem layar tunggal (single layer) pada perceptron menjadi sistem layar jamak (multilayers), yang kemudian disebut dengan sistem backpropagation. Setelah itu, muncul beberapa model jaringan saraf tiruan lain yang dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain.
Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam kehidupan manusia. Aplikasi yang sering digunakan antara lain:
- Pengenalan pola (pattern recognition)
Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.
Pengolahan sinyal (signal processing)
Jaringan saraf tiruan (terutama model ADALINE (adaptive linear newton)) dapat digunakan untuk menekan derau (noise) dalam saluran telepon.
- Peramalan (forecasting)
Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-lain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperolah karena jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu komputasi yang disebut soft computing dengan menggunakan otak manusia sebagai analoginya.
Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam kehidupan manusia. Aplikasi yang sering digunakan antara lain:
- Pengenalan pola (pattern recognition)
Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.
Pengolahan sinyal (signal processing)
Jaringan saraf tiruan (terutama model ADALINE (adaptive linear newton)) dapat digunakan untuk menekan derau (noise) dalam saluran telepon.
- Peramalan (forecasting)
Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-lain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperolah karena jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu komputasi yang disebut soft computing dengan menggunakan otak manusia sebagai analoginya.
Komentar
Posting Komentar