JARINGAN SARAF TIRUAN

A. Pengertian

Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis [Fausett,1994]. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf  biologis dengan berdasarkan asumsi bahwa:

1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

2. Sinyal dilewatkan antar neuron melalui  penghubung.

3. Setiap penghubung memiliki bobot yang akan  mengalikan sinyal yang lewat.

4. Setiap neuron memiliki fungsi aktivasi yang  akan menentukan nilai sinyal output.
Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan   pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritmactrainingnya, yaitu cara penentuan nilai bobot pada penghubung. 
·         Multi-Layer Perceptron
Multi-Layer Perceptron adalah jaringan syaraf tiruan  feed-forward yang terdiri dari sejumlah neuron yang  dihubungkan  oleh  bobot-bobot  penghubung. Neuron-neuron tersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (input  layer), satu atau lebih lapisan tersembunyi (hidden  layer), dan satu lapisan output (output layer).  Lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap input eksitasi yang juga disebut net inputn eti dimanap red (i) melambangkan himpunan predesesor  dari uniti,wij melambangkan bobot koneksi dari  unitj ke uniti, danθi adalah nilai bias dari uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.
·         Supervised Learning
Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).Setiap pasangan polap terdiri dari vektor inputxp dan vektor targettp. Setelah selesai pelatihan, jika diberikan masukan xp seharusnya  jaringan menghasilkan nilai outputtp. Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilai error yang disebut juga dengan di mana adalah banyaknya unit pada output layer. Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. 

B.  Algoritma Dalam Jaringan Saraf Tiruan
a.   Algoritma Backpropagation
Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Algoritma pelatihan backpropagation pada dasarnya  terdiri dari tiga tahapan [Fausett, 1994], yaitu:
     1. Input nilai data pelatihan sehingga diperoleh  nilai output
2.   Propagasi balik dari nilai error yang  diperoleh
3.  Penyesuaian  bobot  koneksi  untuk  meminimalkan nilai error
Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut.Secara matematis [Rumelhart, 1986], ide dasar dari algoritma backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh  masing-masing  bobot  terhadap fungsi error.
      b.   Algoritma Quickprop
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 [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut:Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman, 1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. 

C.  Aplikasi Jaringan Syaraf Tiruan
     Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, input)  dan variabel predicted (dependents, output), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari ”correlation” arau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh jaringan syaraf tiruan antara lain:
1.   Deteksi Fenomena kedokteran
Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring. Serangan pada kondisi kesehatan tertentu dapat dihubungkan dengan perubahan kombinasi yang sangat kompleks (non linier dan interaktif) pada subset dari variabel, dapat dimonitering. Jaringan syaraf tiruan telah digunakan untuk mengenali pola yang diperkirakan sehinga perlakuan yang tepat dapat dilakukan.
2.   Untuk mendeteksi golongan darah manusia
Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana pola-pola dibentuk. Jaringan syaraf tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.
3.   Prediksi pasar saham
Fluktuasi dari harga saham san index saham adalah contoh lain yang kompleks, multidimensi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat diprediksi. Jaringan syaraf tiruan telah digunakan oleh analis teknik untuk membuat prediksi tentang pasar saham yang didasarkan atas sejumlah factor seperti keadaan masa lalu bursa yang lain dan berbagai indicator ekonomi.
4.   Perjanjian kredit
Berbagai informasi biasanya didapat dari seorang peminjam seperti umur,  pendidikan, pekerjaan dan berbagai data lain. Setelah pembelajaran dari jaringan syaraf tiruan tentang data peminjam, analisis jaringan syaraf tiruan dapat mengidentifikasi karakteristik peminjam sehingga dapat digunakan untuk mengklarifikasikan peminjam terhadap resiko peminjam dalam kategori baik atau buruk
5.   Monitoring kondisi mesin
Jaringan syaraf tiruan dapat digunakan untuk memangkas biaya dengan memberikan keahlian tambahan untuk menjadwalkan perawatan mesin. Jaringan syaraf tiruan dapat dialtih utnuk membedakan suara sebuah mesin ketika berjalan normal (false alarm) dengan ketika mesin hamper mengalami suatu masalah. Setelah periode pembelajaran, keahlian dari jaringan syaraf tiruan dapat digunakan untuk memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi yang akan menyebabkan biaya yang tidak terduga
6.   Pemeliharaan mesin
Jaringan syaraf tiruan telah digunakan untuk menganalisir input dari sebuah sensor pada sebuah  mesin. Dengan mengontrol beberapa parameter ketika mesin sedang berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar. 

D. Implementasi Jaringan Saraf Tiruan Untuk Mendeteksi Posisi Wajah Manusia Pada Citra Digital
a.  Cara Penelitian
Dalam penelitian ini kami menggunakan data yang  terdiri dari satu set citra untuk pelatihan (training  data set) dan satu set citra untuk pengujian (testing data set). Untuk data pelatihan digunakan citra  wajah berukuran 20x20 pixel sebanyak 3000 buah. Sedangkan untuk citra non-wajah diperoleh dari file- file citra yang tidak terdapat wajah manusia di dalamnya.Sistem ini menggunakan jaringan syaraf tiruan (JST) dengan jenis multi-layer perceptron. Arsitektur yang digunakan diadaptasi dari hasil penelitian [Rowley, 1998], namun lebih disederhanakan. Lapisan input terdiri dari 400 unit input, yang menerima masukan dari nilai grayscale pixel 20x20 dari subcitra yang akan dideteksi. Sebelum dijadikan input untuk JST, nilai grayscale yang berkisar dari 0 sampai 255 dinormalisasi menjadi antara –1 dan 1. Lapisan output terdiri dari sebuah unit dengan nilai keluaran berkisar antara –1 dan 1. Pada training data set didefinisikan nilai 1 untuk data wajah dan –1 untuk data non-wajah.Lapisan tersembunyi (hidden layer) terdiri dari total 25+16=41 unit. Bagian pertama terhubung dengan lapisan input yang membentuk 25 area berukuran 4x4 pixel. Bagian kedua terhubung dengan lapisan input yang membentuk 16 area berukuran 5x5 pixel. Secara keseluruhan jaringan ini memiliki 883 bobot penghubung, sudah termasuk bias. Jaringan ini lebih sederhana dibandingkan dengan sistem [Rowley, 1998] yang jumlah bobot penghubungnya mencapai 4357.
1.   Teknik Active Learning
Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung, 1994]. Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. Pada tahap berikutnya, data training non-wajah ditambah sedikit demi sedikit. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja, yaitu data yang yang dideteksi sebagai wajah (false positive) pada hasil training tahap sebelumnya. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. Karena data training yang digunakan lebih sedikit, waktu yang diperlukan untuk proses training juga akan lebih singkat. learning yang digunakan untuk sistem pendeteksi  wajah.
2.   Detektor Wajah
Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yang digunakan untuk training. Bobot penghubung yang digunakan diambil dari bobot terakhir yang dihasilkan pada proses training. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0, dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0.
3.   Ekstraksi Subcitra
Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi, citra diperkecil secara bertahap dengan skala perbandingan 1:1,2 sebagaimana dilakukan pada [Rowley, 1998]. Pada setiap ukuran citra yang diperkecil, window 20x20 pixel akan digeser melalui seluruh area citra.
4.   Preprocessing
Sebelum digunakan sebagai training data set, citra akan melalui tahap-tahap preprocessing berikut:Histogram Equalization, untuk memperbaiki  kontras citra. Masking, yaitu menghilangkan bagian sudut- sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. Normalisasi, yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara –1 sampai dengan 1. Tahap-tahap preprocessing ini juga digunakan pada  saat proses pendeteksian wajah.
5.   Merging
Pada saat dilakukan deteksi wajah pada citra, biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut dengan kandidat wajah. Untuk itu perlu dilakukan proses penggabungan (merging), yaitu menyatukan lokasi kandidat-kandidat wajah yang berdekatan.
6.   Hasil implementasi
Unjuk kerja dari detektor wajah pada umumnya  diukur dengan menggunakan dua parameter, yaitu  detection rated an false positive rate [Yang, 2002].  Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. Sedangkan false positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4. Pengujian dilakukan dengan data uji citra yang berasal dari Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (data uji MIT-23). Kumpulan citra ini pertama kali dipublikasikan pada [Sung, 1994]. Pada data uji ini diperoleh hasil  detection rate sebesar 71,14% dan false positives sebanyak 62. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non- wajah yang diperoleh melalui metodeactive  learning. data set yang digunakan untuk training tidak sama jumlah data yang digunakan untuk training tidak sama
b.   Pengaruh Algoritma Quickprop
Perbandingan antara training yang menggunakan algoritma backpropagation standar dengan training yang  menggunakan  algoritma Quickprop. Eksperimen dilakukan dengan menggunakan 2000, 3000, dan 4000 data. Untuk setiap proses training, iterasi dihentikan pada saat nilai error mencapai 0,05. Terlihat bahwa untuk jumlah data training yang  semakin besar, algoritma  Quickprop memberikan peningkatan kecepatan yang signifikan.
c.   Pengaruh Metode Active LearningPerbandingan antara hasil training yang menggunakan metode active learning untuk memilih contoh data non-wajah, dengan hasil training yang menggunakan data non-wajah yang dipilih secara random. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajah dan 3000 data non-wajah. Sedangkan pada eksperimen kedua digunakan 8200 data yang terdiri dari 3000 data wajah dan 5200 data non-wajah. Terlihat bahwa teknik active learning memberikan hasil yang lebih baik. Ini berarti bahwa teknika active learning dapat memilih data yang benar-benar perlu, sehingga dapat meminimalkan jumlah data training  yang digunakan.

http://imronsaiful80.blogspot.co.id/2015/06/makalah-jaringsn-saraf-tiruan.html