bab5 ai edit
DESCRIPTION
Sekilas tentang AITRANSCRIPT
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
58 Langkah Pasti Menuju Sukses
5.1 Jaringan Saraf Biologi
Otak manusia terdiri dari neuron-neuron dan penghubung yajng disbut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron dan meneruskan ke neuron lain. Diperkirakan otak manusia memiliki 1012 neuron dan 6.1018 sianapsis. Neuron memiliki komponen penting, yaitu denrit, soma dan axson. Neuron biologi merupakan sistem yang fault Tolerant dalam dua hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuron-nya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, maka neuron lain dapat dilatih untuk menggantikan fungsi sel yang rusak. Sinapsis adalah unit fungsional antara 2 bauah sel saraf, misal A dan B, di mana yang satu adalah serabut akson dari neuron A dan yang satunya lagi dendrit dari neuron B. Kekuatan sinapsis bisa menurun atau meningkat tergantung kepada seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya.
NEURAL NETWORK (JARINGAN SARAF TIRUAN)
Gambar 5.1 Komponen Neuron
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 59
Jaringan saraf biologis merupakan kumpulan dari sel-sel saraf (neuron). Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat dikelompokan menjadi 3 bagian, yaitu :
1. Dendrit, bertugas untuk menerima informasi. 2. Badan Sel (Soma), berfungsi sebagai pengolahan informasi. 3. Akson (Neurit), bertugas mengirimkan impuls-impuls ke sel saraf lainnya.
Gambar 5.2 Neuron
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
60 Langkah Pasti Menuju Sukses
Sebuah neuron (jaringan saraf) menerima impuls-impuls sinyal (informasi) dari neuron lain melalui dendrit dan mengirimkan sinyal yang dibangkitkan (hasil penjumlahan) oleh badan sel melalui akson. Akson dari sel saraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel saraf lain dengan cara mengirimkan impuls melalui sinapsis.
5.2 Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) adalah sistem pemosesan informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan saraf biologi, dengan asumsi bahwa : a) Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b) Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. c) Penghubung antara neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal. d) Untuk menetukan output, setiap neuron mengunakan fungsi aktivasi yang
dikenakan pada jumlahan input yang diterima.
Gambar 5.3 Susunan Saraf Manusia
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 61
Perbandiangan kemampuan Otak Manusia dengan Jaringan Saraf Tiruan : JST ditentukan oleh oleh 3 hal, yaitu : 1) Pola hubungan antar neuron (disebut arsitektur jaringan). 2) Metode untuk menentukan bobot penghubung ( disebut metode training / learning
/ algoritma) 3) Fungsi aktivasi. Sebagai contoh, perhatikan neuron Y pada gambar di bawah ini :
Tabel 5.1 Perbandingan kemampuan otak manusia dengan JST
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
62 Langkah Pasti Menuju Sukses
Y menerima input dari neuron x1, x2 dan x3 dengan bobot hubungan masing-masing w1, w2 dan w3. Ketiga impuls neuron akan dijumlahkan.
net =x1w1 + x2w2 + x3w3 Merupakan suatu model neural network yang sangat sederhana yang terdiri dari unit-unit input, output dan satu unit hidden yang terletak pada suatu lapisan tersembunyi (hidden layer).
Gambar 5.4 Jaringan Neuron Sinle Layer
Gambar 5.4 Jaringan Neuron Sinle Layer
Gambar 5.5 Jaringan Neuron Sederhana
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 63
5.3 Karakteristik Jaringan Saraf Tiruan
Penyelesaian masalah dengan jaringan saraf tiruan tidak memerlukan pemrograman. Jaringan saraf tiruan menyelesaikan masalah melalui proses belajar dari contoh-contoh. Biasanya pada jaringan saraf tiruan diberikan sebuah himpunan pola pelatihan yang terdiri atas sekumpulan contoh pola. Sebagai tanggapan atas pola masukan-sasaran yang disajikan tersebut , jaringan akan menyesuaikan nilai bobotnya. Jika pelatihan telah berhasil, bobot bobot yang dihasilkan selama pelatihan jaringan akan memberikan tanggapan yang benar terhadap masukan yang diberikan.
Gambar 5.6 Pendekatan Tradisional Pengklasifikasian Pola
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
64 Langkah Pasti Menuju Sukses
5.4 Sejarah Jaringan Saraf Tiruan
Pada tahun 1940-an, para ilmuan menemukan psikologi dari otak sama
dengan mode pemrosesan yang dilakukan oleh peralatan komputer. Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama
seakali sebagai perhitungan dasar neuron. Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam
koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut.
Pada tahun 1954, Ferly dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.
Pada tahun 1958, Rosenblett mengembangkan konsep dasar tentang perseptron untuk klasifikasi pola.
Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Leas Mean Square (LMS).
Pada tahun 1974, Werbos memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan.
Gambar 5.7 Klasifikasi Pola Menggunakan Pendekatan Jaringan Saraf Tiruan (JST)
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 65
Pada tahun 1975, Little dan Shaw menggambarkan jaringan saraf dengan
menggunakan model probabilistik. Pada tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan
saraf yang tidak terawasi (unsupervised learning) untuk pemetaan. Pada tahun 1982, Grossberg mengembangkan jaringan yang diinspirasi oleh
perkembangan psikologi. Pada tahun 1982, Hopfield mengembangkan jaringan saraf reccurent yang
dapat digunakan untuk menyimpan imformasi dan optimal. Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin
Boltzmann yang menggunakan model jaringan saraf probabilistik mulai dikembangkan.
Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM).
Pada tahun 1988, mulai dikembangkan fungsi radial basis.
5.5 Mengapa Jaringan Saraf Tiruan Perlu Dipelajari
Beberapa alasan mengapa jaringan saraf tiruan perlu dipelajari : 1. Banyaknya algoritma Jaringan Saraf Tiruan yang tersedia. Teknik-teknik yang
ada saat ini memiliki arsitektur yang sangat beragam dan lebih canggih. 2. Adanya komputer digital berkecepatan tinggi. Hal ini semakin mempermudah
proses simulasi jaringan saraf tiruan. 3. Apilkaisi Jaringan Saraf Tiruan sangat luas.
5.6 Bidang-bidang Aplikasi Jaringan Saraf Tiruan
Aerospace Autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan autopilot, simulasi komponen pesawat.
Otomotif Sistem kendali otomatis mobil.
Keuangan dan perbankan Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.
Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
66 Langkah Pasti Menuju Sukses
Elektronik
Pembuatan perangkat keras yang bisa mengimplementasikan JST secara efisien, machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.
Broadcast Pencarian klip berita melalui pengenalan wajah.
Keamanan JST digunakan untuk mengenali mobil dan mengenali wajah oknum.
Medis Analisis sel kanker payudara, pendeteksian kanker kulit dll.
Pengenalan suara Pengenalan percakapan, klasifikasi suara.
Pengenalan tulisan Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin.
Matematika Alat pemodelan adalah dimana bentuk eksplisit dari hubungan antara variabel-variabel tertentu tidak diketahui.
Pengenalan benda bergerak Selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari video seperti citra orang yang bergerak, dll.
JST digunakan sebagai detektor virus komputer, penginderaan bau, dll
5.7 Proses Pembelajaran dan Pelatihan
a. Pembelajaran Terawasi (Supervised Learning) Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui. Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
b. Pembelajaran Tak Terawasi (Unsupervised Learning) Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektor-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi. Paradigma pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 67
c. Pembelajaran Gabungan (Hybrid).
Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.
5.8 Istilah-istilah Jaringan Saraf Tiruan
Neuron atau Node atau Unit : Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan untuk menerima dan memproses input.
Jaringan : Kumpulan neuron yang saling terhubung dan membentuk lapisan. Input atau Masukan : Berkorespon dengan sebuah atribut tunggal dari sebuah
pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.
Output atau Keluaran : Solusi atau hasil pemahaman jaringan terhadap data input. Tujuan dari jaringan saraf tiruan adalah untuk mengetahui nilai output.
Lapisan Tersembunyi (hidden layer) : Lapisan yang tidak secara langsung berinteraksi dengan dunia luar.
Bobot : Nilai matematik dari koneksi, mentransfer data antar lapisan. Bobot digunakan untuk mengatur jaringan sehingga menghasilkan output yang diinginkan.
Summation Function : Fungsi yang digunakan untuk mencari rata-rata bobot dari semua elemen input.
5.9 Model Dasar Jaringan Saraf Tiruan
Jaringan syaraf mempunyai beberapa tipe, namun hampir semua tipe dari jaringan syaraf memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron yang mempunyai hubungan satu dengan lainnya. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot (weight). Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.
Gambar 5.8 Struktur Neuron pada Jaringan Saraf Tiruan
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
68 Langkah Pasti Menuju Sukses
5.10 Arsitektur Jaringan Saraf Tiruan
Jaringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh di mana seluruh model jaringan memiliki konsep dasar yang sama. Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Arsitektur sebuah jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalah dapat diselesaikan dengan arsitektur yang sama. Ada beberapa arsitektur jaringan saraf.
Gambar 5.9 Contoh sebuah Arsitektur JST : Single Layer Neural Network
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 69
a. Jaringan dengan lapisan tunggal (single layer net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Pada gambar ini, lapisan input memiliki 3 neuron, yaitu X1, X2, dan X3. Sedangkan lapisan output memiliki 2 neuron, yaitu Y1, dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.
b. Jaringan dengan Banyak Lapisan (Multilayer net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.
Gambar 5.10 Jaringan dengan lapisan tunggal
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
70 Langkah Pasti Menuju Sukses
c. Jaringan dengan lapisan Kompetitif (competitif layer net)
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot n.
X1
Z1
X2 X3
Z2
V11 V12V21 V22 V31 V32
Nilai Input
Lapisan Input
Matrik Bobot Pertama
Lapisan Output
Nilai Output
Y
W1 W2
Lapisan Tersembunyi
Gambar 5.10 Jaringan dengan banyak lapisan
Gambar 5.11 Jaringan dengan lapisan kompetitif
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 71
5.11 Fungsi Aktivasi
Dipakai ntuk menentukan keluaran suatu neuron Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi
internal (summation function) yang mungkin berbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST diantaranya hard limit, purelin, dan sigmoid. Yang populer digunakan adalah fungsi sigmoid yang memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid tangen.
Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan secara linier, sigmoid berupa fungsi smooth bernilai antara 0 sampai dengan 1 (bila biner) atau antara -1 sampai 1 (bila bipolar)
a. Bipolar Sigmoid
Bipolar sigmoid memiliki range dari (-1,1) dan didefinisikan :
Fungsi bipolar sigmoid ini dapat juga dihasilkan dari :
dengan turunan fungsi adalah :
Gambar 5.12 Bipolar Sigmoid Range (-1,1)
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
72 Langkah Pasti Menuju Sukses
h ' (x) = [1 + h(x)][1 h(x)]
b. Binary sigmoid
Binary sigmoid memiliki range dari (0,1) dan didefinisikan :
dan fungsi turunannya adalah :
f '(x) = f(x).[1-f(x)]
Ilustrasi fungsi di atas digambarkan sebagai berikut:
Gambar 5.13 Binary Sigmoid Range (0,1)
Lengkung sigmoid secara relatif mendatar pada kedua ujungnya, dan meningkat cepat pada pertengahannya. Ketika x kurang dari 3, f(x) mendekati 0, ketika x lebih besar dari 3, f(x) mendekati 1. Kenyataannya, f(x) mendekati 1 secara lurus sebagaimana x bertambah dan f(x) mendekati 0 secara lurus sebagaimana x menjadi lebih besar dari harga negatif. Ada suatu transisi dari 0 ke-1 dimana x secara perkiraan (-3 < x
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 73
Contoh Kasus : PENGENALAN PEMBUKAAN RUY LOPEZ
Metode : Perceptron
Data Pelatihan
Grafik Hasil Pelatihan
-
Buku Panduan Belajar Kecerdasan Buatan STMIK TRIGUNA DHARMA
74 Langkah Pasti Menuju Sukses
Tampilan Aplikasi Jaringan Saraf Tiruan untuk Pengenalan Pembukaan RUY LOPEZ (Permainan Catur)
-
STMIK TRIGUNA DHARMA Buku Panduan Belajar Kecerdasan Buatan
Langkah Pasti Menuju Sukses 75
DAFTAR PUSTAKA Arhami, Muhammad (2005), Konsep Dasar Sistem Pakar, Yogyakarta :
Penerbit ANDI. Hermawan, Arief, (2006), Jaringan Saraf Tiruan (Teori dan Aplikasinya),
Yogyakarta : Penerbit ANDI. Kusumadewi, Sri (2003), Artificial Intelligence (Teknik dan Aplikasinya),
Yogyakarta : Graha Ilmu. Kristanto, Andri (2004), Kecerdasan Buatan, Yogyakarta : Graha Ilmu. Kuswadi, Son (2007), Kendali Cerdas (Teori dan Aplikasi Praktisnya),
Yogyakarta : Penerbit ANDI. Jong Jek Siang, Drs, M.Sc (2005), Jaringan Saraf Tiruan &
Pemrogramannya Menggunakan Matlab, Yohyakarta : Penebit ANDI.
Puspitaningrum, Diyah, (2006), Pengantar Jaringan Saraf Tiruan,
Yogyakarta : Penerbit ANDI.