MAKALAH
JARINGAN SYARAF
TIRUAN DAN PENERAPANNYA
Nama : Aditya Nurevinda
NIM : 2114R0904
JURUSAN : Teknik Informatika
PROGRAM STUDI TEKNIK INFORMATIKA
SETIMIK HIMSYA SEMARANG
2018
KATA PENGANTAR
Puji syukur kami
panjatkan kehadirat Allah SWT, karena atas limpahan rahmat dan hidayahnya kami
dapat menyelesaikan Makalah ini. Penyusunan Makalah ini disusun untuk memenuhi
tugas mata kuliah Jaringan Syaraf Tiruan. Selain itu tujuan dari penyusunan
makalah ini juga untuk menambah wawasan tentang pengetahuan tentang Jaringan
Syaraf Tiruan secara meluas.
Kami mengucapkan
terima kasih kepada semua pihak yang telah membantu sehingga makalah ini dapat
diselesaikan tepat pada waktunya. Makalah ini masih jauh dari sempurna, oleh
karena itu, kritik dan saran yang bersifat membangun sangat kami harapkan demi
sempurnanya makalah ini.
Semoga makalah ini
memberikan informasi dan bermanfaat untuk pengembangan wawasan dan peningkatan
ilmu pengetahuan bagi kita semua.
Sukorejo, 21 Oktober 2017
Penyusun
Aditya Nurevinda
DAFTAR ISI
KATA PENGANTAR
DAFTAR ISI
BAB I PENDAHULUAN
1.1.LATAR BELAKANG
1.2.RUMUSAN MASALAH
1.3.TUJUAN
1.4.MANFAAT
BAB II PEMBAHASAN
A. PENGERTIAN JARINGAN SYARAF TIRUAN
B. SEJARAH SINGKAT JARINGAN SYARAF TIRUAN
C. CARA KERJA JARINGAN SYARAF TIRUAN
D. MANFAAT JARINGAN SYARAF TIRUAN
E. KELEBIHAN DAN KEKURANGAN JARINGAN
SYARAF TIRUAN
F. KARAKTERISTIK JARINGAN SYARAF TIRUAN
G. IMPLEMENTASI JARINGAN SYARAF TIRUAN
BAB III KESIMPULAN
DAFTAR PUSTAKA
BAB I
PENDAHULUAN
1.1. Latar Belakang
Jaringan
Syaraf Tiruan (JST) merupakan topik yang menarik dalam dasa warsa terakhir. Jaringan syaraf tiruan merupakan bidang kajian yang menarik untuk dibahas,
baik dari segi aplikasi maupun perkembangannya. Hal ini disebabkan karena kemampuan JST untuk meniru sifat
sistem yang diinputkan. Beberapa aplikasi JST diantaranya adalah image processing
(pengolahan citra), pattern recognition (pengenalan pola), medicine (ilmu
kedokteran), speech recognition (pengenalan suara), dan bisnis.
1.2. Rumusan Masalah
Berdasarkan latar belakang, dalam tugas akhir ini akan
membahas mengenai Jaringan Syaraf Tiruan dan penerapannya.
1.3. Tujuan
Megetahui lebih dalam tentang Jaringan Syaraf
Tiruan.
1.4. Manfaat
Menambah pengetahuan dan wawasan tentang
Jaringan Syaraf Tiruan.
BAB II
PEMBAHASAN
A. PENGERTIAN JARINGAN SYARAF TIRUAN
Jaringan
saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga
disebut simulated neural network (SNN), atau umumnya hanya disebut neural
network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif
yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut.
Secara
sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST
dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output
untuk menemukan pola-pola pada data.
Menurut
seorang ahli jaringan syaraf tiruan bernama Haykin S., jaringan syaraf tiruan itu seperti
sebuah prosesor yang dapat menyimpan pengetahuan dan pengalaman sehingga
prosesor ini dapat bekerja menyerupai otak manusia yang dapat beradapatasi
dengan masalah.
Jadi, Jaringan syaraf tiruan itu adalah
metode/algoritma yang dapat membuat komputer mempunyai otak pintar seperti manusia
yang bisa beradaptasi terhadap masalah.
B. SEJARAH SINGKAT JARINGAN SYARAF TIRUAN
1943 : Waffen McCulloh dan Walter Pitts merancang model matematis dari sel-sel otak.
1949 : Hebb menyatakan informasi dapat disimpan dalam koneksi-koneksi antar neuron.
1958 : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola.
1982 : Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning.
1982 : Grossberg mengenalkan sejumlah arsitektur jaringan ( ART, ART2, ART3).
1982 : Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi.
C. CARA KERJA JARINGAN SYARAF TIRUAN
Artificial Neural
Network Bekerja
|
Ada tiga paradigma bagaimana jaringan
syaraf tiruan dapat berfikir dan beradaptasi terhadap suatu masalah, tiga
paradigma tersebut adalah :
1. Supervised Learning (pembelajaran terawasi) adalah
metode pembelajaran yang menyimpulkan pemetaan data dengan membandingkan
ketidaksesuaian antara pemetaan data saat ini ( yang mengandung knowledge saat
ini) dengan pemetaan data sebelumnya (yang mengandung knowledge sebelumnya
2. Unsupervised Learning (pembelajaran tidak terawasi)
adalah metode pembelajaran yang mengelompokkan unit-unit yang hampir sama dalam
area tertentu. Metode ini biasa digunakan untuk pengklafisikasian pola.
3. Reinforced Learning, adalah metode yang membuat system
(system) dapat belajar dari keputusan yang diambil sebelumnya dengan cara memberikan
reward setiap kali system melakukan suatu hal yang benar. Dengan pemberian
reward ini system akan mencari hal apa yang harus dilakukan agar mendapatkan
lebih banyak lagi reward, sehingga system dapat terus berkembang. System
(learner) dibiarkan belajar sendiri dengan lingkungan, ketika system bermain
berdasarkan rule maka akan diberi reward, ketika tidak akan diberi punishment.
Sebelum menggunakan Jaringan Syaraf
Tiruan kita harus mempertimbangkan tiga hal yaitu :
-
Model apa yang akan
kita gunakan,
-
Algoritma belajar apa
yang akan kita gunakan,
-
Bagaimana caranya
agar JST tahan terhadap masalah.
D. MANFAAT JARINGAN SYARAF TIRUAN
Dalam kehidupan sehari-hari jaringan
syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :
- Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
- Pengambil keputusan dalam video game: Chess, Poker, Backgammon
- Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
- Diagnosa Medis untuk mendeteksi penyakit kangker
E. KELEBIHAN DAN KEKURANGAN JST
1. Kelebihan Jaingan
Syaraf Tiruan :
-
Mampu
mengakuisisi pengetahuan walau tidak ada kepastian
-
Mampu
melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
-
JST
dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan
belajar (self organizing)
-
Memiliki
fault tolerance, gangguan dapat dianggap sebagai noise saja Kemampuan
perhitungan secara paralel sehingga proses lebih singkat
-
Klasifikasi:
memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan.
-
Asosiasi:
menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek
lain.
-
Self
organizing: kemampuan mengolah data-data input tanpa harus mempunyai target.
-
Optimasi:
menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya
2.
Kelebihan
Jaingan Syaraf Tiruan :
-
Kelemahan
Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi.
-
Kurang
mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis.
-
Lamanya
proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah
data yang besar.
F. KARAKTERISTIK JARINGAN SYARAF TIRUAN
Penyelesaian masalah dengan jaringan
syaraf tiruan tidak memerlukan pemrograman. Jaringan syaraf tiruan
menyelesaikan masalah melalui proses belajar dari contoh-contoh pelatihan yang
diberikan. Biasanya pada jaringan syaraf tiruan diberikan sebuah himpunan pola
pelatihan yang terdiri dari sekumpulan contoh pola. Proses belajar jaringan
syaraf tiruan berasal dari serangkaian contoh-contoh pola yang diberikan.metode
pelatihan yang sering dipakai adalah metode belajar terbimbing. Selama proses
belajar itu pola masukan disajikan bersama-sama dengan pola keluaran yang
diinginkan. Jaringan akan menyesuaikan nilai bobotnya sebagai tanggapan atas
pola masukan dan sasaran yang disajikan tersebut. (Hermawan, 2006)
Faktor Bobot
Bobot
merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan hubungan
antara suatu node dengan node yang lain. Semakin besar bobot suatu
hubungan menandakan semakin pentingnya hubungan kedua node tersebut. Bobot
merupakan suatu hubungan berupa bilangan real maupun integer, tergantung dari
jenis permasalahan dan model yang digunakan. Bobot-bobot tersebut bisa ditentukan
untuk berada didalam interval tertentu. selama proses pelatihan, bobot tersebut
dapat menyesuaikan dengan pola-pola input.
Jaringan
dengan sendirinya akan memperbaiki diri terus-menerus karena adanya kemampuan
untuk belajar. Setiap ada suatu masalah baru, jaringan dapat belajar dari
masalah baru tersebut, yaitu dengan mengatur kembali nilai bobot untuk
menyesuaikan karakter nilai.
Fungsi Aktivasi
Setiap
neuron mempunyai keadaan internal yang disebut level aktivasi atau level
aktivitas yang merupakan fungsi input yang diterima. Secara tipikal suatu
neuron mengirimkan aktivitasnya kebeberapa neuron lain sebagai sinyal. Yang
perlu diperhatikan adalah bahwa neuron hanya dapat mengirimkan satu sinyal
sesaat, walaupun sinyal tersebut dapat dipancarkan ke beberapa neuron yang
lain.
Ada
beberapa pilihan fungsi aktivasi yang digunakan dalam metode backpropagation,
seperti fungsi sigmoid biner, dan sigmoid bipolar. Karakteristik yang harus
dimiliki fungsi fungsi aktivasi tersebut adalah kontinue, diferensiabel, dan
tidak menurun secara monoton. Fungsi aktivasi diharapkan dapat mendekati
nilai-nilai maksimum dan minimum secara baik. Berikut ini adalah fungsi
aktivasi yang sering digunakan yaitu:
-
Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan
syaraf yang dilatih dengan menggunakan metodebackpropagation. Fungsi
sigmoid biner memiliki nilai pada range 0 sampai 1. Fungsi ini sering digunakan
untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval
0 sampai 1. Definisi fungsi sigmoid biner adalah segabai berikut:
f1(x) = 1/(1+ e–x)
dengan turunan
f1’(x) = f1(x)
(1- f1(x))
berikut ini ilustrasi fungsi sigmoid
biner:
Ilustrasi fungsi sigmoid biner dengan
range (0,1)
-
Fungsi Sigmoid
Bipolar
Fungsi sigmoid bipolar hampir sama
dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range
antara 1 sampai -1. Definisi fungsi sigmoid bipolar adalah
sebagai berikut:
f2(x) = 2 f2(x)
-1
dengan turunan
f2’(x) = ½ (1+ f2(x))
(1- f2(x))
Berikut ini adalah ilustrasi fungsi
sigmoid bipolar:
Ilustrasi fungsi sigmoid bipolar dengan
range (-1,1)
Model Jaringan Syaraf Backpropagation
Pelatihan pada jaringan syaraf backpropagation, feedfoward (umpan
maju) dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan
akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot
diatur secara iteratif untuk meminimumkan error (kesalahan)
yang terjadi. Error (kesalahan) dihitung berdasarkan rata-rata
kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar
perhitungan unjuk kerja fungsi aktivasi. Sebagian besar pelatihan untuk
jaringan feedfoward (umpan maju) menggunakan gradien dari
fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka
meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik
yang disebut backpropagation.
Algoritma pelatihan standar backpropagation akan
menggerakkan bobot dengan arah gradien negatif.Prinsip dasar dari
algoritma backpropagation adalah memperbaiki bobot-bobot
jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Pelatihan backpropagation meliputi
3 tahapan sebagai berikut.
1. Propagasi maju.
Pola masukan dihitung maju mulai
dari input layer hingga output layer menggunakan
fungsi aktivasi yang ditentukan.
2. Propagasi mundur.
Selisih antara keluaran jaringan dengan
target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan yang terjadi
itu dipropagasi mundur. Dimulai dari garis yang berhubungan langsung dengan
unit-unit di output layer.
3. Perubahan bobot.
Modifikasi bobot untuk menurunkan
kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi
penghentian dipenuhi. (Puspaningrum, 2006)
G. IMPLEMENTASI JARINGAN SYARAF TIRUAN
1. Dalam Bidang Ketahanan Militer
a. Artificial Intelligence Projects
Salah satu contoh aplikasi AI yang digunakan pada saat ini yaitu dalam bidang
militer. Virtual reality dipakai untuk melakukan simulasi latihan perang,
simulasi latihan terjun payung. dan sebagainya. Dimana dengan pemakaian
teknologi ini bisa lebih menghemat biaya dan waktu dibandingkan dengan cara
konvensional.
Istilah Realitas maya tidak pasti asalnya. Pengembang realitas maya, Jaron
Lanier mengakui bahwa ia menggunakan istilah itu pertama kali dan ada istilah
yang terkait digunakan oleh Myron Krueger adalah “kenyataan tiruan“ telah
digunakan sejak 1970.
Virtual Reality sering digunakan untuk menggambarkan berbagai aplikasi, umumnya
terkait dengan mendalam, sangat visual, 3D lingkungan.Biasanya piranti Virtual
Reality ini juga memonitor apa yang dilakukan user. Misalnya kacamata yang
mengontrol pergerakkan bola mata pengguna dan meresponnya dengan mengirim
masukkan video yang baru.
Virtual Reality kadang digunakan untuk menyebut dunia virtual yang disajikan ke
dalam komputer, seperti pada berbagai macam game permainan komputer yang kini
marak perkembangannya, meskipun hanya berbasis representasi teks, suara dan
grafis.
Sekarang, istilah Virtual Reality mulai tergantikan oleh istilah Virtual
Envoronment oleh para ahli komputer. Konsepnya tetap sama, yaitu mensimulasikan
lingkungan 3-D yang bisa dijelajahi oleh pengguna seolah-olah benar-benar bisa
dirasakan lewat indera.
b. Teknologi Virtual Reality
Virtual reality adalah sebuah teknologi yang memungkinkan seseorang melakukan
simulasi terhadap suatu objek nyata dengan menggunakan komputer yang mampu
membangkitkan suasana tiga dimensi (3-D) sehingga membuat pemakai seolah-olah
terlibat secara fisik. Virtual Reality atau VR tidak hanya mensimulasikan apa
yang ingin disimulasikan seseorang yang diprogramkan di Komputer seperti dunia
nyata atau sesuatu yang lain, tetapi juga menciptakan kemampuan intelegensi
dalam dunia virtual tersebut, dalam bahasan ini mengenai simulai militer dalam
angkatan bersenjata.
Sistem seperti ini juga dapat digunakan untuk farmasi, arsitek, pekerja medis,
dan bahkan orang awam untuk melakukan aktivitas-aktivitas yang meniru dunia
nyata. Sebagai contoh, pilot dapat menggunakan sistem virtual reality untuk
melakukan simulasi penerbangan sebelum melakukan penerbangan yang sesungguhnya.
Ini sangat membantu dalam menekan biaya dan sumber daya manusia maupun
sumberdaya alam yang dibutuhkan untuk membantu dalam melakukan hal-hal
tertentu. Dalam VR juga dapat dimasukkan system pembelajaran, karena tidak
nyata maka simulasi dapat dilakukan terus menerus, seperti halnya ketika main
game hanya saja system ini jauh lebih cerdas karena dapat membantu kita mengenali
object virtual dan berinteraksi langsung dengan system, VR dibuat untuk
mengenali sentuhan, gerakan, tekanan,bahasa, dan lain-lain.
VR bisa disebut gabungan dari
beberapa aplikasi AI yang ada yaitu Cognitive architectures, Games, Motion and manipulation,
Natural language processing, semua yang ada disimulasikan dengan system yang
dibuat seperti apa yang dikenali manusia melalui penglihatan, sentuhan, dan
pendengaran.
Setelah beberapa tahun pengembangan yang berawal dari imajinasi untuk hidup di
dunia maya akhirnya terwujud dengan saat ini sudah banyak digunakan VR dalam
industri, personal dan militer, VR adalah sebuah teknologi yang membawa kita
untk melihat dan mensimulasikan sesuatu didalam komputer, dalam VR, objek dapat
dibuat objek statis maupun dinamis, kita dapat berinteraksi langsung
menggunakan peralatan yang ada.
Di gunakannya VR dalam militer adalah untuk membantu angkatan bersenjata
berltih prang menggunakan musuh virtual, ini akan sangat membantu dari segi finansial
dan tempat yang dibutuhkan, sistem dapat selalu dimaintain dan diperbaiki,
sebuah kecerdasan buatan didalamnya dapat diperbaharui seperti software pada
umumnya.
Glove, headset, dan walker digunakan untuk melakukan interaksi dalam VR, dalam
pengembangannya ada 3 tahapan sederhana, yaitu memodelkan dunia 3 dimensi dalam
VR, menciptakan sebuah AI dalam objek 3 dimensi yang dibuat kemudian membuat
control antara hardware dan software untuk dapat dilakukan interaksi virtual
antara pemakai dan system. Dengan teknologi VRML dan pengembangan SIMNET dalam
dunia militer diharapkan dapat membantu SDM yang dilatih untuk lebih baik dan
mengembangkannya lebih lanjut.
2. Dalam bidang Pendidikan
Aplikasinya:
Sistem Tutor Cerdas
atau Intelligent Tutoring System(ITS) merupakan sebuah teknologi pembelajaran
yang dinamis dan dapat menyesuaikan isi atau output program sesuai dengan
kebutuhan dari objek sasaran menggunakan keahliannya dalam metode pembelajaran
dan materi yang diajarkan. Hal ini dapat dilakukan karena ITS dilengkapi oleh
Artificial Intelligence (AI). Bayesian Network menyediakan sebuah pendekatan
probabilistik untuk mendapatkan suatu inference atau kesimpulan tentang
karakteristk setiap pengguna program ITS. Dalam simulasi program ITS berbasis
metode Bayesian Network diketahui bahwa keandalan program tersebut adalah
52,3%.
Saat kita bebicara
tentang arti dari Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System
(ITS) maka kita juga harus mempertimbangkan riset-riset lain yang sudah ada.
Karena Intelligent Tutoring System adalah sebuah istilah yang luas, mencakup
program komputer apapun yang berisi tentang kecerdasan atau Intelligence serta
dapat digunakan dalam pembelajaran. Oleh karena itu ada beberapa definisi dari
ITS antara lain:
-
Sistem Tutor Cerdas
(STC) atau Intelligent Tutoring System (ITS) adalah sebuah program software
yang menyediakan instruksi-instruksi untuk seorang pelajar dengan cara
membimbing seperti seorang guru.
-
Secara luas
Intelligent Tutoring System diartikan sebagai software di bidang pendidikan
yang berisi komponen Artificial Intelligence. Software ini dapat merekam semua
pekerjaan siswa sepanjang dia menggunakan program ini, dengan mengumpulkan
semua informasi tersebut, program ini dapat membuat atau menghasilkan
kesimpulan tentang kelemahan dan kekuatan pengguna, serta dapat menyarankan
sebuah pekerjaan tambahan.
Kunci dari sebuah
program ITS adalah kemampuannya dalam beradaptasi sebaik mungkin dalam aktivitas
pedagogik yang baik kepada siswa secara individu. Jadi, ITS mencoba untuk
mengidentifikasi beberapa karakteristik dari seorang siswa yang sesuai dengan
kriteria tertentu untuk menyajikan sebuah action, bagaimana cara bereaksi
terhadap beberapa tindakan siswa.
3.
Dalam Bidang Argonomi
Aplikasinya :
Pengolahan Citra Dengan Metode Jaringan
Syaraf Tiruan Berbasis Mobile Untuk Mengetahui Kualitas Tanaman Padi
Teknologi mobile yang sedang banyak digemari saat ini adalah smartphone. Ini
disebabkan oleh kemampuan dan kepintaran perangkat mobile tersebut dalam
membantu kehidupan manusia. Dalam dunia pertanian, salah satu masalah yang
dihadapi adalah menentukan kualitas tanaman hasil pertanian, khususnya tanaman
padi. Terkadang memang sulit untuk melihat dengan kasat mata kualitas tanaman
padi tersebut. Sebagai tanaman, padi juga tidak luput dari serangan hama yang
membawa penyakit di antaranya bercak daun coklat (bintik perang), bercak daun
cercospora, hawar daun (kresek), dan blast.
Tahap awal adalah mengambil
citra dari padi menggunakan sebuah kamera yang terintegrasi di dalam perangkat
smartphone Android. Citra padi tersebut dianalisa dengan aplikasi yang sudah
terpasang pada smartphone tersebut. Aplikasi ini berfungsi untuk menyusun
algoritma pengolahan citra untuk mendapatkan nilai numerik parameter-parameter
intensitas komponen warna merah (R), hijau (G), biru (B), color value, indeks
warna merah/indeks R, indeks warna hijau/indeks G, indeks warna biru/indeks B,
hue, saturation, dan intensity yang merupakan input data pada jaringan syaraf
tiruan. Proses training dilakukan untuk mendapatkan tingkat persentase
pendugaan kelompok piksel yang tergolong ke dalam normal, bintik perang, bercak
cercospora, hawar daun, atau blast. Set data yang digunakan untuk training
berupa pasangan parameter-parameter input dan targetnya. Aplikasi jaringan
syaraf tiruan menggunakan algoritma backpropagation, dengan menggunakan
bernilai satu dan β (beta) atau learning rate bernilai 0.3. logistic
constant.
4.
Dalam Bidang
Kecerdasan Buatan
Aplikasinya :
Kecerdasan Buatan Dalam Robotika
Kecerdasan Buatan (Artificial Intelligence) dalam robotik adalah suatu
algorithma (yang dipandang) cerdas yang diprogramkan ke dalam kontroler robot.
Pengertian cerdas di sini sangat relatif, karena tergantung dari sisi mana
sesorang memandang. Para filsuf diketahui telah mulai ribuan tahun yang lalu
mencoba untuk memahami dua pertanyaan mendasar: bagaimanakah pikiran manusia
itu bekerja, dan, dapatkah yang bukan-manusia itu berpikir? (Negnevitsky,
2004). Hingga sekarang, tak satupun mampu menjawab dengan tepat dua pertanyaan
ini. Pernyataan cerdas yang pada dasarnya digunakan untuk mengukur kemampuan
berpikir manusia selalu menjadi perbincangan menarik karena yang melakukan
penilaian cerdas atau tidak adalah juga manusia. Sementara itu, manusia tetap
bercita-cita untuk melakukan kecerdasan manusia kepada mesin.
Dalam literatur,
orang pertama yang dianggap sebagai pionir dalam mengembangkan mesin cerdas
(intelligence machine) adalah Alan Turing, sorang matematikawan asal Inggris
yang memulai karir saintifiknya di awal tahun 1930-an. Di tahun 1937 ia menulis
paper tentang konsep mesin universal (universal machine). Kemudian, selama
perang dunia ke-2 ia dikenal sebagai pemain kunci dalam penciptaan Enigma,
sebuah mesin encoding milik militer Jerman. Setelah perang, Turing membuat
automatic computing engine Ia dikenal juga sebagai pencipta pertama program
komputer untuk bermain catur, yang kemudian program ini dikembangkan dan
dimainkan di komputer milik Manchester University. Karya-karyanya ini, yang
kemudian dikenal sebagai Turing Machine, dewasa ini masih dapat ditemukan
aplikasi-aplikasinya. Beberapa tulisannya yang berkaitan dengan prediksi
perkembangan komputer di masa datang akhirnya juga ada yang terbukti. Misalnya
tentang ramalannya bahwa di tahun 2000-an komputer akan mampu melakukan
percakapan dengan manusia.
5.
Dalam Bidang Ekonomi
dan Bisnis
Aplikasinya :
Sistem Prediksi Kurs Mata Uang
Menggunakan Jaringan Syaraf Tiruan
Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting
sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi
acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai pertimbangan
untuk para pialang saham dan bursa efek untuk mengambil langkah bisnis
selanjutnya.
Data dari kurs mata uang dapat diperlakukan secara ‘time series’ . Jika kita
mempunyai data harian selama periode tertentu, misal : Xt (t=1,2,……), maka kurs
mata uang pada perioda berikutnya (t+h) dapat diprediksi (waktu yang digunakan
bisa jam, harian, mingguan , bulanan ataupun tahunan) . Demikian seterusnya
dilakukan suatu iterasi berulang hingan N hari kerja. Untuk mendapatkan hasil
prediksi yang baik maka pada jaringan syaraf buatan hasus di-umpankan suatu
masukan yang mewakili dari beberapa aspek atau segi penunjang harga suatu kurs
mata uang. Kemudian dilakukan prinsip pembobotan yang diadaptasikan untuk
meminimumkan kesalahan prediksi pada satu langkah kedepan. Dengan menggunakan
bobot akhir dilakukan suatu tindakan untuk meminimumkan kesalahan total untuk
iterasi berikutnya.
Teknologi sistem jaringan syaraf tiruan telah di-implementasikan dalam berbagai
aplikasi terutama dalam hal pengenalan pola. Kemampuan inilah yang telah
menarik beberapa kalangan dalam menggunakan jaringan syaraf tiruan untuk
keperluan kesehatan, keuangan , investasi, marketing dan lain lain. Pada sistem
prediksi kurs mata uang ini akan dibahas penggunaan Jaringan syaraf tiruan
Quick Propagation. Pada algoritma Quickprop dilakukan pendekatan dengan asumsi
bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk
parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot
tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian perhitungan
perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot.
Berdasarkan hasil uji coba juga diketahui bahwa aplikasi ini mampu memprediksi
nilai mata uang hingga 1 bulan kedepan dengan tingkat keakuratan mencapai lebih
dari 75%.
Peramalan nilai tukar mata uang dengan menggunakan Jaringan Saraf Tiruan (JST)
telah digunakan secara luas dan memberikan hasil yang bagus. Hal ini disebabkan
kemampuan JST untuk menangkap karakter volatilitas yang tinggi dan nonlinier
pada pasar uang. Namun, JST merupakan suatu paradigma pembelajaran yang sangat
tidak stabil dan terlalu sensitif jika diterapkan pada peramalan nilai tukar
mata uang.. Misalnya dengan menggunakan struktur JST yang sama, namun berbeda
training set, maka akan didapat perbedaan hasil yang cukup besar. Hal ini dapat
menyebabkan kesulitan dalam menentukan hasil ramalan yang akan digunakan. Untuk
menyelesaikan permasalahan tersebut, diajukan sebuah pendekatan peramalan baru
yang disebut peramalan fuzzy group berbasis jaringan saraf tiruan.
Dengan
peramalan fuzzy group berbasis jaringan saraf tiruan ini, hasil prediksi yang
berbeda-beda dari beberapa model JST dapat dijadikan satu hasil yang cukup
akurat. Pada metode yang diajukan ini, terlebih dahulu digunakan beberapa model
JST dimana tiap model JST melakukan beberapa prediksi dengan training set yang
berbeda-beda. Kemudian dilakukan fuzzification terhadap hasil prediksi dari
setiap model JST sehingga menjadi representasi prediksi fuzzy. Selanjutnya
representasi prediksi fuzzy ini diagregasi menjadi satu fuzzy group. Terakhir,
dilakukan defuzzification terhadap fuzzy group yang diperoleh menjadi satu
nilai crisp. Untuk kepentingan ilustrasi dan testing, dilakukan beberapa contoh
percobaan prediksi terhadap tiga pasang mata uang. Sebagai perbandingan,
digunakan struktur JST feed-forward untuk melakukan peramalan. Hasil uji coba
memperlihatkan bahwa peramalan fuzzy group berbasis JST mampu mengatasi masalah
stabilitas dan sensitivitas pada JST. Selain itu keakuratan peramalan juga
menjadi lebih baik daripada JST feed-forward. Walaupun begitu peramalan fuzzy
group berbasis JST juga memiliki kelemahan, yaitu waktu eksekusi yang jauh
lebih lama daripada JST feed-forward.
BAB III
KESIMPULAN
Jaringan syaraf tiruan adalah
metode/algoritma yang dapat membuat komputer mempunyai otak pintar seperti
manusia yang bisa beradaptasi terhadap masalah.
Jaringan Syaraf
Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan
dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran
manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf
Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia.
Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang
dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan
kaidah atau fungsinya. Jaringan Syaraf
Tiruan akan belajar mencari sendiri kaidah atau fungsi
tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau
fungsi yang tidak diketahui.
DAFTAR PUSTAKA
Tidak ada komentar:
Posting Komentar