Pages

Selasa, 30 April 2013

Neural Network (Jaringan Syaraf)


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 


0 komentar:

Posting Komentar