Artificial
Neural Network Artificial (ANN)
Pengertian
Artificial Neural Network Artificial
Artificial
Neural Network (Jaringan Syaraf Tiruan/ANN) adalah sebuah bentuk perhitungan
yang meniru bentuk jaringan syaraf padamakhluk hidup. Sama seperti pada
jaringan syaraf asli,
jaringan syaraf tiruan
memiliki neuron untuk
memproses input/output.
Karena itulah, pada
sebagian besar kasus,
ANN merupakan sistem yang adaptif, karena struktur sistemnya dapat berubah seiring dengan
berubahnya informasi internal ataupun eksternal yang diproses pada saat learning phase(tahap pembelajaran).
Pembuatan sistem ANN dimaksudkan agar
komputer dapat mengenali
suatu pola, bentuk, atau struktur
tertentu karena komputer tidak mempunyai intelegensia, meskipun 8 pada kenyataannya,
sebuah komputer dapat
melakukan operasi, misalnya
mengenali wajah manusia, dalam waktu yang jauh lebih singkat daripada
manusia.
“Sistem
saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat
memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari
pengalaman” (Zurada J. M).
Sejarah
Artificial Neural Network Artificial
Perkembangan
ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama
kalinya. Mereka melakukan kombinasi beberapa processing unitsederhana
bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan
komputasi.
Hal
ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun
1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut
sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi
pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar-network.
Keberhasilan
perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna,
masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu
untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap
keterbatasan neural network ini membuat penelitian di bidang ini sempat mati
selama kurang lebih 15 tahun.
Namun
demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian
selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai
berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak
menemukan bidang interest baru pada domain ilmu neural network. Penelitian
terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model
pembelajaran kompetitif, multilayer network,
dan teori model resonansi adaptif.
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.
Contoh
Artificial Neural Network Artificial
Algoritma
ANN lahir dari gagasan seorang psikolog Warren McCulloch dan Walter Pitts pada
1943 yang menjelaskan cara kerja jaringan syaraf dengan perangkat jaringan
elektronik.
Didalam dunia seismik eksplorasi,
algoritma ANN sudah cukup populer diaplikasikan, diantaranya untuk identifikasi
noise, estimasi wavelet, analisa kecepatan, analisis gelombang geser,
autotracking reflector, prediksi hidrokarbon, karakterisasi reservoir, dll.
Konfigurasi sederhana algoritma ANN
dapat dijelaskan pada gambar dibawah ini:
Dari
gambar di atas terlihat bahwa, prinsip dasar ANN adalah sejumlah parameter
sebagai masukan (input layer) diproses sedemikian rupa didalam hidden layer
(perkalian, penjumlahan, pembagian, dll.), lalu diproses lagi didalam output
layer untuk menghasilkan sebuah output.
Gambar
diatas menunjukkan contoh penerapan ANN untuk data seismik, katakanlah kita
memiliki beberapa input seperti impedance (x1), reflection strength (x2),
instantaneous frequency (x3),… dll . yang akan digunakan untuk memprediksi
porositas reservoir sebagai output. Maka secara sederhana porositas reservoir
akan didapatkan dengan mengkalikan setiap sampel data input dengan suatu
pembobotan (weight) lalu dijumlahkan, lalu hasil penjumlahan tersebut menjadi
input untuk fungsi aktivasi untuk menghasilkan parameter porositas.
Fungsi aktivasi tersebut dapat
berupa sigmoid function ataupun hyperbolic tangent function (perhatikan
keterangan dibawah ini).
Tentu
kita menginginkan agar nilai porositas yang diprediksi semirip mungkin dengan
nilai porositas yang sesungguhnya, dengan kata lain kita harus memiliki nilai
selisih (baca error) antara nilai prediksi dengan nilai sesungguhnya yang
sekecil mungkin, untuk tujuan ini didalam algoritma ANN di atas, kita harus
melakukan updating nilai weight untuk masing-masing input.
Daftar
Pustaka
Komentar
Posting Komentar