Ide dasar Neural Network berasal dari kemampuan otak manusia yang mampu
memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output.
Biasanya output yang diperoleh berasal dari variasi stimulasi dan proses yang
terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan
hasil dari kompleksitas proses di dalam otak manusia.
Fungsi dari Neural Network diantaranya adalah:
1.
Pengklasifikasian pola
2.
Memetakan pola yang didapat dari input ke dalam
pola baru pada output
3.
Penyimpan pola yang akan dipanggil kembali
4.
Memetakan pola-pola yang sejenis
5.
Pengoptimasi permasalahan
6.
Prediksi
Keuntungan
Artifical Neural Network
1. Akurasi
yang tinggi: Neural network digunakan untuk mapping aproksimasi kompleks non
linear.
2. Toleransi
terhadap noise: Neural network sangat fleksibel dengan data yang noisy.
3. Independensi
dari asumsi prior: Neural network tidak membuat asumsi priori tentang
distribusi data atau bentuk interaksi dari faktor-faktor.
4. Mudah
untuk dikelola: Neural network dapat diupdate dengan data yang baru, membuat
berguna untuk lingkungan yang dinamis.
5. Neural
network dapat diimplementasikan di hardware yang paralel.
6. Ketika
element neural network gagal, ia dapat melanjutkan tanpa masalah karena polanya
yang paralel.
7. Neural
network dapat dilatih di dataset yang sangat besar secara iteratif.
Konsep Neural Network
1.
Proses Kerja Jaringan Syaraf Pada Otak
Manusia
Ide dasar
Neural Network dimulai dari otak manusia, dimana otak memuat sekitar 1011 neuron. Neuron ini berfungsi memproses setiap
informasi yang masuk. Satu neuron memiliki 1 akson, dan minimal 1 dendrit.
Setiap sel syaraf terhubung dengan syaraf lain, jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling
berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja
otak manusia.
Gambar 2.3 Struktur Neuron pada otak manusia
Dari gambar di atas, bisa dilihat ada beberapa
bagian dari otak manusia, yaitu:
1.
Dendrit (Dendrites) berfungsi
untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2.
Akson (Axon) berfungsi
untuk mengirimkan impuls dari badan sel ke jaringan lain
3.
Sinapsis berfungsi sebagai unit fungsional di
antara dua sel syaraf.
Proses
yang terjadi pada otak manusia adalah:
Sebuah
neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal
yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini
bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan
cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional
antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson
dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis
bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran)
sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh
neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai
ambang (threshold).
2.
Struktur Neural Network
Dari
struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas,
maka konsep dasar pembangunan neural network buatan (Artificial
Neural Network) terbentuk. Ide mendasar dari Artificial Neural
Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi
yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang
diterima, toleransi terhadap kesalahan/error, dan
juga parallel processing.
Gambar
2.4 Struktur ANN
Karakteristik
dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari
tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN
secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.
1.
Input, berfungsi seperti dendrite
2.
Output, berfungsi seperti akson
3.
Fungsi aktivasi, berfungsi seperti sinapsis
Neural
network dibangun dari banyak node/unit yang dihubungkan oleh link secara
langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk
melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link
memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah
konektivitas.
Proses
pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai
bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input
yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di
gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi
aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai
melebihi threshold, maka aktivasi neuron akan dibatalkan,
sebaliknya, jika masih dibawah nilai threshold, neuron
akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya. ANN
terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke
dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan
neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan
output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di
layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga
mencapai layer terakhir/layer output. Layer yang terletak di antara input dan
output disebut sebagai hidden layer. Namun,
tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input
dan output saja.
Kombinasi yang efektif antara Neural Network dan
Teknologi Data Mining
Teknologi umumnya
menggunakan software neural network atau meng-transformasikan dari perangkat
neural network yang sudah dikembangkan, diagram kerja dari data mining harus
dimengerti sebaik-baiknya. Model data dan perangkat muka aplikasi harus bisa
dikembangkan dengan form yang sudah distandardsasikan sehingga dua teknologi
dapat efektif diintegrasikan dan bersama-sama memiliki peran dalam data mining.
Oleh sebab itu, dibutuhkan pendekatan yang lebih baik lagi dalam
mengkombinasikan neural network dan teknologi data mining harus dapat
dikembangkan lebih baik lagi untuk terciptanya teknologi data mining yang lebih
baik ke depannya.
Kesimpulan
Dari makalah ini, kita
dapat melihat peranan neural network dalam data mining. Neural network
merupakan topik yang relatif baru dan masih memerlukan penelitian untuk
menghasilkan inovasi. Data mining sangat sesuai untuk memecahkan masalah karena
akurasi yang tinggi, toleransi terhadap noise, independensi dari asumsi prior,
mudah untuk dikelola. Dan juga neural network dapat dilatih di dataset yang
sangat besar secara iteratif. Data mining menjadi lebih berguna dengan
menggabungkan kekuatan neural network dengan perangkat statistik. Dipercaya
dengan gabungan ini, dapat menghasilkan sinergi yang penting. Neural network menyediakan
benchmark model yang baik. Dengan menggabungkan kekuatan data mining dan metode
yang tradisional, kita dapat mendapatkan pengertian yang baik terhadap
lingkungan marketing. Ini akan mengarahkan kita kepada keputusan marketing yang
lebih baik dan akhirnya akan membawa keuntungan yang lebih besar kepada
perusahaan.
Artikel dibuat
oleh :
- Dhea juich hardiana (11116923)
- Faranita rahman (12116629)
- Khalista widad (13116894)
- Siti nufus awaliyah (17116097)
Mata Kuliah :
Pengantar Teknologi Sistem Cerdas
Sumber :
