Pemodelan Jaringan Syaraf Tiruan (Neural network)

Jaringan Syaraf Tiruan secara formal, didefinisikan sebagai “generalisasi model matematika sistem syaraf biologis”. Jaringan Syaraf Tiruan (JST) telah banyak digunakan untuk beragam aplikasi seperti pengenalan karakter atau suara, pemrosesan citra, prediksi harga saham, prediksi kurs mata uang, dan sebagainya. Pada umumnya aplikasi- aplikasi tersebut membutuhkan pemrosesan secara waktu nyata (real time).

Jaringan Syaraf Tiruan (JST) selain dapat diimplementasikan dengan perangkat lunak, juga dengan perangkat keras. Perangkat keras memiliki keunggulan dibandingkan perangkat lunak pada kecepatannya. Operasi yang dilakukan perangkat keras lebih cepat dibandingkan perangkat lunak. Oleh karena itu, perangkat keras jaringan syaraf tiruan dapat dipakai untuk melayani aplikasiaplikasi waktu nyata.

Jaringan Syaraf Tiruan terdiri dari beberapa unit pemroses yang melakukan akumulasi (penjumlahan) dari masukanmasukan berbobot dan menghasilkan suatu keluaran dengan fungsi aktivasi tertentu. Sifat-sifat jaringan ditentukan oleh topologi jaringan, bobot-bobot interkoneksi, dan fungsi aktivasi.

Sebagai sebuah model, Jaringan Syaraf Tiruan memiliki kemampuan sebagai berikut :

Kemampuan memodelkan transmisi sinyal antar neuron tiruan melalui saluran satu arah yang disebut koneksi. Setiap koneksi masukan hanya berhubungan dengan satu koneksi keluaran neuron tiruan lainnya. Setiap koneksi keluaran dapat berhubungan dengan beberapa koneksi masukan neuron tiruan lainnya.
Kemampuan memodelkan pembobotan pada tiap-tiap koneksi. Pada sebagian besar tipe jaringan syaraf, nilai bobot koneksi akan dikalikan dengan sinyal-sinyal transmisi.
Kemampuan memodelkan fungsi aktivasi pada setiap neuron tiruan untuk menentukan sinyal keluarannya.
Kemampuan memodelkan struktur informasi terdistribusi . Artinya, proses pengolahan informasi disebarkan pada beberapa neuron tiruan sekaligus. Setiap neuron tiruan harus memiliki memori lokal dan mampu melakukan pengolahaninformasi secara lokal.

Pemodelan Neuron

McCulloch-Pits, pada tahun 1943 membuat lima asumsi dasar tentang sistem syaraf biologis, yaitu :

Aktivitas neuron bersifat all-ornone.
Untuk membuat neuron memancarkan sinyal (aktif) diperlukan sejumlah sinapsis yang mengeksitasi neuron dalam jangka waktu tertentu.
Sejumlah sinapsis mampu menghambat neuron untuk aktif (inhibitory).
Adanya delay dalam sistem syaraf yang disebabkan oleh sinapsis delay.
Struktur interkoneksi jaringan tidak berubah sepanjang waktu.

Berdasarkan asumsi ini, McCulloch-Pitts membangun model neuron tiruan yang meniru cara kerja neuron biologis.

Gambar Model Neuron

Model neuron mempunyai n sinyal masukan, yaitu x₁, x₂, …, x_n dengan x ε {0,1}. Masing-masing sinyal tersebut kemudian dimodifikasi oleh bobot sinapsis w₁, w₂, …, w_n sehingga sinyal yang masuk ke neuron adalah x_i¹ = x_i w_i , i = 1,2,…,n. Selanjutnya neuron akan menghitung hasil penjumlahan seluruh sinyal masukan yang telah dimodifikasi :

$net=x_{1}W_{1}+x_{2}w_{2}+...+x_{n}w_{n}$

$net=\sum_{i=1}^{n}x_{i}w_{i}$

Fungsi aktivasi yang terdapat dalam neuron tiruan umumnya berupa fungsi non-linier. Fungsi aktivasi ini yang menentukan apakah neuron akan mengalami aktivasi atau tidak. Tingkat aktivasinya diwujudkan dalam suatu nilai ambang (threshold). Fungsi aktivasi yang biasanya digunakan adalah fungsi tangga (step function), fungsi lereng (slope function), dan fungsi sigmoid. Pada model McCulloch-Pitts, fungsi aktivasinya adalah fungsi tangga sehingga :

$f(net)=\left \{ _{0, jikanet< \theta}^{1,jika net\geq \theta }$