Neural Network (NN) adalah jaringan dari
sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf
manusia. Pembelajaran dengan neural network awalnya dikembangkan oleh para
psikolog dan neurobiology yang ingin membuat dan menguji komputasi dengan
menggunakan analogi neuron.
Neural network terdiri atas sekumpulan
input dan output yang terhubung satu dengan lainnya dan masing-masing hubungan
antar unit mempunyai bobot. Setiap unit input dan output pada network merupakan
bagian dari sebuah lapisan atau layer dalam network. Sebuah neural network
dapat mempunyai tiga atau lebih lapisan, yaitu lapisan input, satu atau lebiih
lapisan tersembunyi dan satu lapisan output.
Neural network diimplementasikan dengan
menggunakan program computer sehingga mampu menyelesaikan sejumlah proses
perhitungan. Salah satu penggunaan neural network adalah untuk pengenalan
system pola. System pengenalan pola merupakan komponen penting dalam proses
peniruan cara kerja system manusia. Selain untuk pengenalan pola, neural
network juga baik digunakan untuk mempredeksi level atau harga indeks saham,
arah gerak saham maupun return yang diperoleh dari saham.
NN adalah prosesor yang terdistribusi paralel, terbuat dari
unit-unit yang sederhana, dan memiliki
kemampuan untuk menyimpan pengetahuan yang
diperoleh secara eksperimental dan siap pakai
untuk berbagai tujuan (Rajasekaran, 2005).
Pada Gambar 1 diperlihatkan bahwa NN
terdiri atas satuan-satuan pemroses berupa neuron. Y sebagai output
menerima input dari neuron X1 , X2 , X3, …, Xn dengan bobot W, W3 , …, Wn. Hasil penjumlahan seluruh impuls neuron
dibandingkan dengan nilai ambang tertentu melalui fungsi aktivasi f
setiap neuron. Fungsi aktivasi digunakan sebagai penentu keluaran suatu neuron. Salah satu metode pelatihan dalam NN
adalah pelatihan terbimbing (supervised
learning). Pada pelatihan terbimbing diperlukan sejumlah masukan dan target
yang berfungsi untuk melatih jaringan
hingga diperoleh bobot yang diinginkan.
Didalam menggunakan metode neural
network ini ada beberapa cara yang dapat digunakan. Neural Network
Backpropagation adalah salah satunya. Pada dasarnya setiap teknik mempunyai
fungsi yang berbeda-beda, penggunaannya sendiri disesuaikan dengan kebutuhan. Algoritma
backpropagation umumnya diterapkan pada perceptron berlapis banyak (multilayer
perceptrons). Perceptron paling tidak mempunyai bagian input, output dan
beberapa lapisan yang berada diantara input, output. Lapis ditengah ini yang
dikenal dengan lapisan tersembunyi (hidden layers), bias satu, dua, tiga, dan
seterusnya. Output lapis terakhir dari hidden layer langsung dipakai sebagai
output dari neural network
Algoritma backpropagation menggunakan
metode pencarian titik minimum untuk mencari bobot dengan error minimum.
Algoritma backpropagation menggunakan error output untuk mengubah nilai
bobot-bobotnya dalam arah mundur (backwards). Pelatihan backpropagation
meliputi tiga fase, yaitu fase maju, fase mundur dan fase perubahan bobot. Pada
fase pertama yaitu forward propagation (propagation maju), selama propagasi
maju, sunyal input x dipropagasikan kelapisan tersembunyi. Sinyal output dari
lapisan tersembunyi ditentukan menggunakan fungsi aktivasi yang telah
ditentukan. Pada fase kedua yaitu back propagation (propagasi mundur),
kesalahan atau error yang terjadi dipropagasikan mundur, dimulai dari garis
yang berhubungan langsung dengan unit pada output
Menurut Daghli (1994), jenis
backpropagation lebih fleksibel dan secara umum relative lebih baik karena
paling banyak penerapannya digunakan khususnya untuk aplikasi dalam dunia
industry. Tujuan dari metode ini adalah untuk menidentifikasi pola data history
dan kemudian mengekstrapolasikan pola ini kemasa datang.
Sebagai contoh disini, penggunaan
algoritma propagation dalam memprediksi stok obat diapotek. Penginputan data
secara manual akan membutuhkan waktu yang lama dalam pendataannya, dalam proses
inputan manual yang dilakukan adalah dengan menghitung sisa stok yang ada,
kemudian membandingkan jumlah antara obat yang terjual dengan faktur pembelian.
Permasalahan yang terjadi yaitu tidak validnya data stok obat dan sulitnya
melakukan prediksi untuk pemesanan berikutnya. Untuk mengatasi masalah ini
dapat digunakan penerapan algoritma backpropagation untuk melakukan prediksi
pendataan stok obat dengan menggunakan aplikasi Matlab. Hasil yang diberikan
dalam bentuk angka dan grafik untuk prediksi tahun berikutnya.
Dengan menerapkan algoritma ini,
pengerjaan yang dikerjakan sesuai dengan tahapan-tahapan yang ada, maka dapat
disimpulkan bahwa hasil prediksi dengan neural network ini memberikan informasi
dalam bentuk angka dan grafik serta memberikan presentase error dan nilai error
rata-rata, selain itu keberhasilan dalam memprediksi dipengaruhi oleh jumlah
node hidden dan nilai learning rate yang
digunakan, tingkat toleransi kesalahan juga dipengaruhi oleh proses
training, jika nilai toleransi error semakin kecil maka proses training akan
semakin akurat, dan jika nilai akurasi NN yang lebih tinggi maka akan dapat
menguurangi terjadinya redundancy.
Selain itu ada beberapa hal yang harus
diperhatikan, misalnya untuk dapat menghasilkan prediksi atau ramalan yang
lebih baik diperlukan inputan dengan jumlah yang lebih besar sehingga analisa
semakin optimal dan akurat, pada proses training dapat menggunakan parameter
yang lebih bervariasi, sehingga akan menghasilkan hasil prediksi yang lebih
baik.
Sumber : Journal.uii.ac.id
