Saraf Biologis Otak Manusia
Otak manusia terdiri dari milyaran sel saraf (neuron).
Masing-masing neuron terhubung secara langsung sampai 200.000 koneksi dengan
sel saraf yang lain (Nelson dan Illingworth, 1991). Sel-sel saraf ini mampu mengolah
berbagai informasi yang pernah dan sedang dialami oleh manusia. Ketika manusia
berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat,
memahami, menyimpan, maupun memanggil kembali informasi-informasi yang pernah
dipelajari oleh otak (Puspitaningrum, 2006). Tiap-tiap sel bekerja seperti
suatu prosesor sederhana (Kusumadewi,2004).
Sel-sel saraf secara umum dapat dibagi menjadi tiga bagian
penting, yaitu sebagai berikut:
- Badan sel (soma), merupakan bagian neuron dimana inti sel terletak di dalamnya. Inti sel berfungsi sebagai tempat terjadinya pemrosesan informasi.
- Dendrit, merupakan bagian neuron yang berfungsi sebagai bagian yang menerima ransangan dari neuron lain. Dendrit bercabang banyak dan terhubung dengan banyak akson neuron lain
- Akson, merupakan bagian neuron yang mengantarkan ransangan ke neuron lainnya. Akson akan terhubung dengan dendrit neuron lain yang menjadi tujuannya.
Suatu sinyal yang dihantarkan oleh dendrit akan mengalami
pemrosesan informasi pada bagian badan sel. Informasi hasil olahan selanjutnya
dikirim ke neuron lain melalui akson. Akson suatu neuron akan terhubung dengan
dendrit neuron lainnya. Pertemuan antara dendrit dan akson disebut sinapsis.
Dendrit bercabang-cabang dan terhubung dengan banyak akson dari neuron yang
lain.
Gambar 1. Neuron
Biologis Manusia
Suatu sinyal yang melewati sinapsis akan bertindak sebagai input
untuk neuron yang lain dan seolah-olah mengalami pembobotan (weighted).
Oleh karena itu, beberapa sinyal kemungkinan memiliki kekuatan yang berbeda
dengan sinyal yang lain. (Nelson dan Illingworth, 1991). Seluruh sinyal yang
mengalami pembobotan ini selanjutnya dijumlahkan, dan apabila lebih besar dari
suatu nilai ambang (threshold) maka neuron akan menghasilkan suatu nilai
input tertentu (teraktivasi).
Konsep Dasar Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) mengambil prinsip kerja dari neuron
biologis manusia. Analogi kinerja JST dan neuron biologis diperlihatkan pada
Gambar 2. Suatu impuls input (x1, x2 dan x3)
akan diteruskan dengan membawa nilai bobot tertentu (w1j, w2j,
dan w3j). Semua sinyal input diproses dan dijumlahkan untuk
menghasilkan nilai u.
Gambar 2. Analogi Kinerja JST
dan Neuron Biologis
Hasil penjumlahan selanjutnya dibandingkan dengan nilai ambang
melalui suatu fungsi transfer S(U). Neuron hanya akan menghasilkan output
ketika input melewati suatu nilai ambang (threshold) tertentu.
Fungsi Transfer
Terdapat beberapa fungsi transfer (juga biasa disebut sebagai
fungsi aktivasi) yang biasa digunakan untuk membangun suatu jaringan saraf
tiruan, antara lain:
Fungsi Undak Biner (Hard Limit)
Fungsi ini membatasi input agar menghasilkan output dengan
keluaran biner (0 atau 1). Jika input n lebih kecil dari 0, maka output akan
bernilai 0, dan sebaliknya output akan bernilai 1 jika input n lebih
besar atau sama dengan 0. Bahasa pemrograman MATLAB menyediakan fungsi ini
dengan nama hardlim.
Fungsi Linear
Output fungsi ini akan sama dengan nilai inputnya. Bahasa
pemrograman MATLAB menyediakan fungsi ini dengan nama purelin.
Fungsi Sigmoid Biner
Fungsi ini membatasi rentang output antara 0 dan 1. Bahasa
pemrograman MATLAB menyediakan fungsi ini dengan nama logsig.
Fungsi Sigmoid Bipolar
Fungsi ini adalah fungsi sigmoid dengan pembatasan output dengan
rentang antara 1 sampai -1. Bahasa pemrograman MATLAB menyediakan fungsi ini
dengan nama tansig.
Arsitektur Jaringan Saraf Tiruan
Arsitektur pada jaringan saraf tiruan dapat diklasifikasi
berdasarkan jumlah lapisan (layer) yang membangun jaringan. Terdapat dua
istilah, yaitu jaringan dengan lapisan tunggal (a layer of neurons) dan
jaringan dengan banyak lapisan (multiple layers of neurons).
JST Lapis Tunggal (a Layer of Neurons)
Misalkan didefinisikan jaringan dengan jumlah input R dan
jumlah neuron S. Masing-masing elemen input
vektor p terhubung dengan masing-masing neuron input
dengan pembobotanW. Pada tiap-tiap neuron ke-i,
terjadi proses penjumlahan sinyal input terbobot, dan diteruskan ke suatu
fungsi transfer f untuk menghasilkan output a.
Gambar 3. JST Lapis
Tunggal
JST Lapis Banyak (Multiple Layers of Neurons)
Contoh arsitektur jaringan ini dapat dilihat pada Gambar 4.
Lapisan 1,2,3 dan seterusnya merupakan lapisan-lapisan yang membangun jaringan.
Multilapis dapat dibayangkan sebagai satu lapis yang tersusun banyak. Kinerja
arsitektur ini mirip dengan arsitektur satu lapisan, hanya saja tiap-tiap
output dari satu lapisan akan menjadi input untuk lapisan di depannya.
Lapisan yang menghasilkan output akhir jaringan dikenal dengan istilah output
layer, sedangkan lapisan lainnya dikenal sebagai lapisan tersembunyi (hidden
layer). Tiga lapisan pada Gambar 4 terdiri dari satu output layer (lapisan
3) dan dua hidden layers(lapisan 1 dan lapisan 2).
Gambar 4. JST dengan Tiga
Lapisan
Referensi
Kusumadewi, S., 2004, Membangun Jaringan Syaraf Tiruan
(Menggunakan Matlab dan Exel Link), Yogyakarta , Graha Ilmu.
Kusuma, W., 2008, Identifikasi Intonasi Ucapan Bahasa Indonesia
untuk Sistem Monitoring dan Pengendalian Perangkat Listrik Menggunakan Jaringan
Saraf Tiruan, Skripsi Jurusan Teknik Fisika Universitas Gadjah Mada, Yogyakarta
Nelson, M.M., 1991, llingworth, W.T., A Practical Guide to
Neural Nets, Addison-Wesley Publishing Company, Massachusetts.
Puspitaningrum, D., 2006, Pengantar Jaringan Saraf Tiruan, Andi
Offset, Yogyakarta.
Sumber: http://waterfilling.blogspot.co.id/2014/08/konsep-dasar-jaringan-saraf-tiruan.html
0 Komentar untuk "Konsep Dasar Jaringan Saraf Tiruan"