NEURAL NETWOR (NN) ATAU JARINGAN SARAF TIRUAN (JST)

NEURAL NETWORK (NN) ATAU JARINGAN SARAF TIRUAN (JST)

Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana NN adalah sebuah alat pemodelan data statistik non-linear. NN dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Secara mendasar, sistem pembelajaran merupakan proses penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu Neural Network

Neural Network diilhami oleh jaringan syaraf biologis yang mencoba untuk membangun dan menguji secara komputasi analogi-analogi dari syaraf. Neural Network adalah suatu himpunan unit-unit input/output yang terhubung, dan pada setiap koneksinya terdapat bobot (Han & Kamber, 2006). Komputer mencoba untuk mensimulasikan jaringan syaraf biologis dengan mengimplementasikan Neural Network (Heaton, 2008). 
Neuron- neuron di dalam otak manusia mempunyai keterhubungan, yang dinamakan sinapsis, semuanya beroperasi secara paralel. Di dalam komputer, prosesor adalah aktif dan memorinya tersebar dan pasif, tetapi diyakini di dalam otak, baik prosesor maupun memori didistribusikan secara bersamaan ke semua jaringan. Pemrosesan dilakukan oleh neuron-neuron, dan memori terdapat di dalam sinapsis di antara neuron-neuron (Alpaydin, 2010). Neural Network berguna untuk memecahkan persoalan yang berkaitan dengan pengenalan pola, klasifikasi, prediksi dan data mining (Heaton, 2008). 

Penelitian di bidang neural network setua komputer digital. McCulloch dan Pitts (1943) mengemukakan model matematika pertama untuk neural network. Rosenblatt (1962) mengemukakan model perceptron dan algoritma pembelajaran pada tahun 1962 (Alpaydin, 2010). Minsky dan Papert (1969) menunjukkan keterbatasan single layer perceptron untuk menyelesaikan masalah yang nonlinearly separable. Kemudian Rumelhart, Hinton, and Williams (1986) mempresentasikan algoritma Backpropagation untuk multilayer perceptron yang dapat menyelesaikan masalah yang nonlinearly separable (Han & Kamber, 2006).

Artificial Neural Network terdiri dari kumpulan node (neuron) dan relasi. Ada tiga tipe node (neuron) yaitu, input, hidden dan output. Setiap relasi menghubungkan dua buah node dengan bobot tertentu dan juga terdapat arah yang menujukkan aliran data dalam proses (Kusrini & Luthfi, 2009). Input node terdapat pada layer pertama dalam neural network. Secara umum setiap input node merepresentasikan sebuah input parameter seperti umur, jenis kelamin, atau pendapatan. Hidden node merupakan node yang terdapat di bagian tengah. Hidden node ini menerima masukan dari input node pada layer pertama atau dari hidden node dari layer sebelumnya. Hidden node mengombinasikan semua masukan berdasarkan bobot dari relasi yang terhubung, mengkalkulasikan, dan memberikan keluaran untuk layer berikutnya. Output node mempresentasikan atribut yang diprediksi

Keuntungan penggunaan Neural Network.

1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier.

2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui

proses sebenarnya.

3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek.

4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam

pengenalan suatu objek.

5. Neural Network mampu diimplementasikan pada suatu Hardware atau

perangkat keras.

REFRENSI : http://mathsanimation.blogspot.com/2012/05/artificial-neural-network.html

                                elib.unikom.ac.id