Konsep Dasar Jaringan Saraf Tiruan

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:

1. Badan sel (soma), merupakan bagian neuron dimana inti sel terletak di dalamnya. Inti sel berfungsi sebagai tempat terjadinya pemrosesan informasi.
2. Dendrit, merupakan bagian neuron yang berfungsi sebagai bagian yang menerima ransangan dari neuron lain. Dendrit bercabang banyak dan terhubung dengan banyak akson neuron lain
3. 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.