Dalam bab ini akan dijelaskan konsep dari ANN, bagaimana arsitektur ANN dalam merepresentasikan suatu kondisi nyata yang terinspirasi dari model biologi syaraf manusia. Fungsi aktivasi yang merupakan bagian penting dalam proses ANN akan dijelaskan selanjutnya, diikuti dengan model-model pembelajaran (learning ) yang digunakan dalam pengenalan pola pada ANN.

Konsep Dasar Artificial Neural Network

ANN adalah replika dari sistem syaraf yang terdapat pada sistem otak manu- sia. Dalam proses kerjanya, otak manusia disusun atas miliaran neuron dimana masing-masing neuron akan terhubung pada puluhan ribu neuron lain. Suatu neuron tersusun atas 3 komponen utama yaitu:

1. Dendrites, merupakan saluran sinyal input yang kekuatan koneksinya kepada inti sel dipengaruhi oleh sebuah bobot (weight )
2. Badan Sel (Cell Body ), adalah tempat proses komputasi sinyal input berbobot utnuk menghasilkan sinyal output yang akan dikirimkan kepada neuron
3. Axon, adalah bagian yang mengirimkan sinyal output kepada neuron lain yang terhubung pada neuron

Jika ditarik suatu garis lurus untuk menemukan hubungan antara neuron secara biologi dan neuron pada ANN maka dapat dilihat pada Gambar 1.1 se- bagai berikut.Pada model ANN, dendrite direpresentasikan sebagai input yang merupakan berbagai informasi yang diperlukan oleh ANN dalam menyelesaikan masalah yang diberikan. Sedangkan badan sel adalah tempat melakukan proses komputasi  penjumlahan  (-)  dan  fungsi  aktivasi  yang  diberikan  kepada hasil perhitungan penjumlahan – (f (-)).  Selanjutnya hasil dari perhitungan yang dilakukan pada badan sel akan dikeluarkan pada output yang merupakan representasi dari axon.

Berdasarkan Gambar 1.1, dapat kita perhatikan bahwa ANN memiliki beberapa elemen dasar yang berguna untuk melakukan proses komputasi dalam menyelesaikan berbagai masalah yang diberikan.  Elemen-elemen dasar  tersebut antara lain,layer input ,layer output , bobot (weights ), fungsi aktivasi dan fungsi pembelajaran.

Setiap model ANN memiliki layer input yang berperan sebagai media informasi berupa data-data yang berkenaan dengan output yang diinginkan. Input layer ini terdiri dari beberapa neuron yang merepresentasikan variabel-variabel ataupun parameter-parameter yang diperlukan untuk menyelesaikan suatu permasalahan. Input layer akan meneruskan data-data ini kepada neuron selanjut-nya pada layer hidden ataupun layer output melalui satu set bobot. Bobot ini adalah penghubung dari setiap neuron kepada neuron lainnya pada layer selan- jutnya yang akan membantu menyesuaikan struktur ANN pada pola data yang diberikan dengan cara learning. Pada proses learning, bobot akan diperbarui secara terus menerus hingga salah satu dari jumlah iterasi, error dan waktu proses telah tercapai. Hal ini dilakukan dalam rangka penyesuaian struktur ANN terhadap pola yang diinginkan berdasarkan masalah tertentu yang akan dipecahkan dengan menggunakan ANN.Bobot disebut juga sebagai parameter bebas, sedangkan ANN adalah model parametrik yang memerlukan estimasi nilai parameter yang optimum.

Layer output adalah layer yang akan memberikan hasil perhitungan akhir dari input dan weight menggunakan fungsi aktivasi (activation function). Fungsi aktivasi atau sering juga disebut sebagai fungsi transfer adalah filter non-linear terhadap hasil perhitungan – dari input dan bobot. Telah disampaikan sebelumnya bahwa bobot akan diperbarui secara terus-menerus dalam rangka penyesuaian struktur ANN yang tepat, proses perubahan bobot ini akan diatur oleh fungsi pembelajaran (learning function) dan metode pembelajaran.

Jika kita perhatikan komponen-komponen dasar ANN beserta proses kerja ANN, dapat kita simpulkan beberapa karakteristik khusus yang dimiliki oleh ANN, yaitu:

1. ANN terhubung tanpa putus secara terus menerus dari input hingga meng- hasilkan output, sehingga ANN memiliki kemampuan pemetaan yag ANN dapat memetakan pola pada input terhadap pola pada output yang menjadi pasangannya.

2. ANN adalah suatu metode yang menitikberatkan pada proses learning, yaitu ANN akan dilatih (train)dengan menggunakan contoh dari suatu ka- sus, sehingga ANN akan mengenal pola dari contoh Berdasarkan hasil train ini, ANN akan dites dengan menggunakan contoh lain yang baru dari kasus yang sama , dimana ANN akan dapat juga mengidenti- fikasi pola pada contoh baru tersebut dengan baik.

3. ANN memiliki kemampuan generalisasi, yaitu ANN dapat memprediksi hasil yang baru berdasarkan tren dari pola

4. ANN toleran terhadap berbagai jenis data, ia mampu mengidentifikasi su- atu pola pada data yang tidak lengkap, parsial ataupun noisy.

5. ANN dapat memproses informasi secara paralel, kecepatan tinggi dan ter-

Karakter di atas menunjukkan bahwa ANN dapat diandalkan dalam melakukan beberapa tugas dalam rangka menemukan solusi dari suatu kasus. Tugas-tugas yang dapat dilakukan oleh ANN diantaranya adalah prediksi atau penaksiran fungsi, klasifikasi, clustering dan peramalan (forecasting ). ANN memiliki kemampuan yang baik dalam menyesuaikan model nonlinear yang kompleks dengan data multidimensi dalam rangka prediksi atau penaksiran fungsi. Sedangkan dari segi pengelompokan, ANN tangguh dalam melakukan pengelompokan berdasarkan target yang diinginkan (klasifikasi) dan pengelompokan tanpa target (clustering ). Kelas linear, nonlinear, kompleks dan multi kelas adalah jenis klasifikasi yang mampu dilakukan oleh ANN, sementara dalam clustering, ANN dapat secara simultan mengungkap hubungan spatial dari setiap kelompok data dalam rangka menemukan cluster data tersebut [2]. Peramalan adalah salah satu bagian dari prediksi yang didasarkan pada data time series yang mampu dilakukan oleh ANN. Data time series adalah kumpulan hasil observasi yang diperoleh secara berurutan berdasarkan waktu [1], artinya peramalan data time series merupakan suatu prediksi terhadap hasil selanjutnya atau beberapa langkah berikutnya berdasarkan urutan waktu. Hal ini dilakukan dengan cara mengidentifikasi pola sementara suatu data pada urutan waktu lampau yang sesuai dengan model yang berkaitan. Gambaran tugas-tugan yang mampu dilakukan oleh ANN ditunjukan pada Gambar 1.2.

References

[1] Chris Chatfield. The analysis of time series: an introduction. CRC press, 2013.

[2] Sandhya Samarasinghe. Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. CRC Press, 2006.