Jaringan Syaraf Tiruan


url

Jaringan syaraf tiruan merupakan algoritma klasifikasi yang meniru prinsip kerja dari jaringan syaraf manusia. Algoritma ini memetakan data masukan pada layer masukan menuju target pada layer keluaran melalui neuron-neuron pada layer tersembunyi.

Data masukan dirambatkan maju, dihubungkan oleh bobot-bobot masukan yang sebelumnya telah diinisialisasi secara acak.menuju neuron pada layer tersembunyi

Pada layer tersembunyi, data masukan yang telah dihubungkan dengan bobot tersebut kemudian diproses menggunakan fungsi aktivasi. Selanjutnya data hasil olahan dari layer tersembunyi dihubungkan oleh bobot-bobot tersembunyi menuju neuron pada layer keluaran.

Hasil yang diperoleh kemudian dibandingkan dengan data target sehingga diperoleh tingkat kesalahan (error). Apabila tingkat kesalahan yang diperoleh lebih kecil daripada tingkat kesalahan yang sebelumnya telah ditetapkan (target error), maka proses perambatan akan berhenti. Namun apabila tingkat kesalahan masih lebih besar daripada tingkat kesalahan tetapan maka dilakukan proses perambatan balik dengan melakukan pembaharuan bobot.

Jenis-jenis jaringan syaraf tiruan antara lain: perceptron, backpropagation/ propagasi balik, learning vector quantization, dsb.
Gambar berikut ini merupakan contoh arsitektur jaringan syaraf tiruan propagasi balik:

Untitled-3
Perancangan algoritma jaringan syaraf tiruan, umumnya dibagi menjadi dua proses utama yaitu pelatihan dan pengujian. Sebelum kedua proses itu dilakukan, perlu dipersiapkan pembagian data untuk untuk data latih dan data uji terlebih dahulu. Persentase pembagian data latih dengan data uji yang umumnya digunakan yaitu 50:50, 60:40, 70:30, dan 80:20. Proses pelatihan dilakukan menggunakan sekumpulan data latih yang memuat parameter ciri/ feature yang digunakan untuk membedakan antara objek satu dengan objek lainnya (pengenalan pola). Data latih tersebut dirambatkan maju menuju target latih melalui arsitektur jaringan syaraf tiruan yang sebelumnya telah didesain.
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

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 fisis 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.

Buku yang direkomendasikan untuk mempelajari Jaringan Syaraf Tiruan lebih lanjut adalah:
1. Judul : Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan MATLAB
penulis : Drs. Jong Jek Siang, M.Sc.
penerbit : Andi
tahun : 2005, 2009
2. Judul : Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab
penulis : Eko Prasetyo
penerbit : Andi
tahun : 2014

Berikut ini merupakan beberapa materi aplikasi jaringan syaraf tiruan menggunakan MATLAB:
1. Klasifikasi objek dalam citra digital berdasarkan pola bentuk
2. Klasifikasi citra daun
3. Pengenalan/identifikasi wajah
4. Pengenalan pola logika AND
5. Prediksi curah hujan untuk data time series

  1. assalamualaikum, ka saya imma mau tanya diatas kan kaka sebutin parameter yang di perlukan untuk jst nah cara kita menentukan jumlah bobot, neuron, mse, dan epoch ?
    terima kasih sebelumnya

  2. terima kasih ka

  3. Assalamu’alaikum..

    terima kasih ka sebelumnya sangat berguna artikelnya

    untuk JST sendiri mas, buat excel peltihannya bagaimana ya mas apa bisa dibuat video tutorialnnya?? karena difile yang didownload apa bila kita mau mengambil keputusan bukannya kita mesti buat pelathan dan pengujian??

    • Waalaikumsalam Wr. Wb.
      pembuatan jst menggunakan excel atau tidak di matlab, pada prinsipnya sama saja
      perintah yg digunakan untuk membaca data dari excel adalah ‘xlsread’ sedangkan untuk menyimpan menggunakan perintah ‘xlswrite’

  4. Maaf min, kalau yang bahas propagasi balik ada gak ya?

  5. Silvia Nurul Fata

    Assalamu’alaikum..
    Mas, bisa minta contoh program matlab jaringan syaraf tiruan menggunakan LVQ (Learning Vector Quantization)?
    Termakasih sebelumnya.

  6. assalamualaikum, ka saya mau tanya saya tugas akhir saya identifikasi menggunakan jst backpropagation, untuk tahap training saya sudah coba run tapi saat melihat performance hanya ada garis biru tidak ada garis best nya, menurut kaka salahnya dimana ya ?

  7. Terima kasih banyak atas jawaban nya ka

  8. assalamualaikum mas, saya mau tanya..
    cara menentukan 1,2, 3 nya gmna?
    1. Jumlah neuron pada layer masukan, layer tersembunyi, dan layer keluaran?
    2. Jumlah layer tersembunyi (hidden layer)?
    3. Fungsi aktivasi pada layer tersembunyi?

    mohon pencerahannya. terimakasih

  9. assalamualaikum mas, saya sedang melakukan penelitian mengenai prediksi debit, metode jst apa yang sebaiknya saya gunakan? data yang digunakan adalah data debit saja. Dan apakah self organizing maps bisa digunakan untuk memprediksi? terima kasih sebelumnya,

    • Waalaikumsalam ahmed
      Kalau hanya ada data debit saja, maka artinya itu merupakan data time series
      Bisa dicoba dg berbagai macam metode seperti backpropagation, perceptron, som, lvq, atau rbf

  10. Assalamualaikum mas, apakah SOM bisa digunakan untuk prediksi data time series? Soalnya dari kebanyakan referensi yang saya temui, SOM hanya digunakan untuk clustering, mohon pencerahannya, terima kasih

    • Waalaikumsalam ahmed
      Pada umumnya salah satu prinsip dari algoritma SOM adalah mereduksi data berdimensi tinggi sehingga SOM lebih sering digunakan untuk proses clustering
      Untuk sistem prediksi dengan data time series bisa menggunakan algoritma backpropagation

  11. Tanya lagi mas, saya berencana mengkombinasikan SOM dan Backpropagation pada skripsi saya mengenai prediksi debit. Data yang digunakan adalah debit saja. SOM ingin saya gunakan untuk mengurangi data yang tidak mendeskripsikan data latih, lalu output dari SOM tersebut akan saya gunakan sebagai data latih pada Backpropagation. Menurut mas bagaimana step by stepnya? Terimakasih

    • Untuk sistem prediksi, penerapan SOM untuk mereduksi data time series tidak memungkinkan untuk dilakukan karena dalam sistem tersebut, semakin banyak data masukan maka akurasi yang dihasilkan akan semakin baik
      Berbeda dengan sistem klasifikasi, penggunaaan SOM untuk mereduksi data masukan akan menghasilkan proses komputasi yang lebih cepat dan efisien serta akurasi yang tetap tinggi

  12. baik mas, terima kasih banyak atas pencerahannya, sehat dan sukses selalu🙂

  13. Mas mau bertanya tentang ekstraksi ciri glcm dan juga backpropagation. Nah yang mau saya tanyakan, misalnya kita memiliki 16 data (contrast_0, corr_0, homogenity_0, energy_0, contrast_45, cor_45…..dst) dari 1 gambar, untuk proses pelatihan menggunakan backpropagation bagusnya untuk satu gambar dibagi menjadi 4 data per pattern (setiap pattern mewakili 1 sudut sehingga ada 4 pattern) atau menggunakan 16 data tersebut sebagai inputan backpropagation mas? Terima kasih

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: