1. Teknik Learning
(Belajar)
Teknik
learning merupakan salah satu bagian
dari ilmu kecerdasan buatan. Dalam learning kita tidak harus tahu aturan yang
berlaku dalam sistem yang dibuat, melainkan aturan yang diharapkan bisa secara
otomatis ditemukan. Proses belajar dalam teknik learning menggunakan data-data
masukan sebagai pengalaman yang baru untuk dapat meningkatkan performasi dari
sistem. Program komputer yang sanggup belajar adalah program yang bisa
meningkatkan performasinya melalui pengalaman. Ada beberapa metode
yang menggunakan teknik learning seperti
decision tree, jaringan syaraf
tiruan, algoritma genetika dan lain-lain.
2. JST (Jaringan Syaraf Tiruan)
JST
(Jaringan Syaraf Tiruan) adalah prosesor tersebar parallel (parallel distributed processor)
yang sangat besar yang memiliki kecendrungan untuk menyimpan pengetahuan yang
bersifat pengalaman dan membuatnya siap untuk digunakan. JST menyerupai otak
manusia dalam dua hal, yaitu :
1.
Pengetahuan diperoleh jaringan melalui
proses belajar
2.
Kekuatan
hubungan antar sel syaraf (neuron)
yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan
pengetahuan.
JST merupakan salah satu upaya manusia untuk
memodelkan cara kerja atau fungsi sistem syaraf manusia dalam melaksanakan
tugas tertentu. Pemodelan ini didasari oleh kemampuan otak manusia dalam
mengorganisasikan sel-sel penyusunnya yang disebut neuron, sehingga mampu melaksanankan tugas-tugas tertentu,
khususnya pengenalan pola dengan efektivitas yang sangat tinggi.
2.1 Model Sel Syaraf (Neuron)
Sel syaraf (neuron) adalah unit pemrosesan informasi
yang merupakan dasar dari operasi JST. Terdapat tiga elemen dasar dari model neuron , yaitu :
1. Sekumpulan
sinapsis atau jalur hubungan, dimana masing-masing sinapsis memiliki bobot atau
kekuatan hubungan.
2. Suatu adder (instruksi) untuk menjumlahkan sinyal-sinyal
input yang diberi bobot oleh sinapsis neuron
yang sesuai. Operasi-operasi yang digambarkan di sini mengikuti aturan linear combiner.
3. Suatu
fungsi aktivasi untuk membatasi amplitudo output
dari setiap neuron.
2.2 Arsitektur Jaringan
Arsitektur
jaringan merupakan pola dimana neuron-neuron
pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk
melatih jaringan. Secara umum arsitektur jaringan dibagai menjadi empat, yaitu :
1. Single-Layer Feedforward Networks
Suatu
JST berlapis adalah jaringan neuron
yang diorganisaikan dalam bentuk lapisan-lapisan. Pada bentuk jaringan berlapis
yang paling sederhana, hanya terdapat input
layer dengan node sumber yang
terproyeksi ke dalam output layer dari neuron, tetapi tidak sebaliknya. Jaringan ini adalah jaringan jenis
feedforward yang tepat.
2. Multi-Layer Feedforward Networks
Kelas
ke dua dari feedforward neural network adalah
jaringan dengan satu atau lebih lapis tersembunyi (hidden layer), dengan computation
nodes yang berhubungan disebut hidden
neurons atau hidden units.
3. Recurrent Networks
Recurrent Neural Network adalah jaringan yang mempunyai minimal satu feedback loop. Suatu recurrent network bisa terdiri dari satu
lapisan neuron tunggal dengan
masing-masing neuron memberikan
kembali outputnya sebagai input pada semua neuron
yang lain.
4. Lattice Structure
Sebuah lattice terdiri dari satu dimensi, dua
dimensi, atau lebih array neuron
dengan himpunan node sumber yang
bersesuaian dan memberikan sinyal input ke array. Dimensi lattice pada jumlah dimensi ruang dimana graph berada.
2.3 Proses Belajar JST
Belajar
dalam konteks JST adalah proses dimana parameter-parameter bebas JST
diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan
dimana jaringan berada. Proses belajar dalam JST ada dua :
1. Supervised Learning (Belajar Dengan Pengawasan)
Supervised atau active learning adalah
proses belajar membutuhkan guru. Yang dimaksud guru disini adalah sesuatu yang
memiliki pengetahuan tentang lingkungan. Guru bisa direpresentasikan sebagai
sekumpulan sampel input-output. Pembangunan pengetahuan dilakukan oleh guru
dengan memberikan respon yang diinginkan kepada JST. Parameter-parameter
jaringan berubah-ubah berdasarkan vektor latih dan sinyal kesalahan (sinyal
kesalahan adalah perbedaan antara keluaran JST dan respon yang diinginkan).
Proses perubahan ini dilakukan secara berulang-ulang, selangkah demi selangkah,
dengan tujuan agar JST bisa memiliki kemampuan yang mirip dengan gurunya.
Dengan kata lain, JST dilatih untuk dapat memetakan sekumpulan sampel input-output dengan akurasi yang tinggi.
Pada proses belajar ini, output yang diharapkan telah diketahui sebelumnya.
2. Unsupervised Learning (Belajar Tanpa Pengawasan)
Unsupervised atau self-organized learning tidak membutuhkan guru untuk
memantau proses belajar. Dengan kata lain, tidak ada sekumpulan sampel input-output atau fungsi tertentu untuk
dipelajari oleh jaringan. Salah satu contoh unsupervised
learning adalah competitive learning.
Pada metode ini, tidak ditentukan hasil yang seperti apakah yang diharapkan
selama proses pembelajaran.
Proses belajar yang digunakan dalam penelitian ini
yaitu supervised learning
(pembelajaran terawasi). Supervised
learning digunakan karena target kelas yang didapatkan sudah ditentukan
sebelumnya.
refrensi :
1. Suyanto, Artificial
Intelligence (Searching,Reasoning,Planning dan Learning), Bandung: Informatika
Bandung, 2014.
2. A. Kristanto, Jaringan Syaraf
Tiruan (Konsep Dasar, Algoritma dan Aplikasi), Yogyakarta: Gava Media, 2004.
key : jst, definisi jst, jaringan syaraf tiruan, neural network, jaringan syaraf tiruan komputer, kecerdasan buatan
No comments:
Post a Comment