DEFINISI
INTELLIGENT INFORMATION
Artificial Intelligence atau AI adalah kemampuan dari sebuah komputer untuk berfikir
seperti manusia bahkan lebih baik dibandingkan manusia . Dalam bahasa
Indonesia Artificial Inteligence atau AI artinya Kecerdasan Buatan ,
biasanya sebuah sistem AI memiliki kemampuan untuk memperoleh informasi baru
yang akan dikumpulkan agar sistem AI menjadi lebih cerdas lagi
. Artificial Intelligence biasanya berbentuk mesin atau software , tujuan
dari AI ini adalah untuk menggantikan peran manusia agar sebuah pekerjaan atau
pemecahan suatu masalah dapat lebih mudah dan efisien .
ARTFICIAL NEURAL NETWORK
DEFINISI
Neural Network
merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi
dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan,
melakukan proses, dan memberikan output. Output diperoleh dari variasi
stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia
dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak.
Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan
pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan.
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 unit sederhana 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.
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 unit sederhana 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.
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.
ada beberapa bagian dari otak manusia yang
berfungsi sebagai :
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 :
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).
METODOLOGI
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 nilaithreshold, 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.
Terdapat
beberapa hal / sub sub yang berkaitan dengan Neural network yaitu :
PROPERTI NETWORK
:
Topologi dari neural network
mengacu pada framework sebagaimana skema interkoneksi. Framework biasanya
sering terdirir dari beberapa layer (slabs) dan beberapa node per layer. Tipe
dari layer terdiri dari : Layer Input. Node dalam hal ini dinamakan dengan
input units, yang mana encode pada suatu kasus ditampilkan pada network untuk
diproses. Sebagai contoh, tiap intput unit mungkin di disain oleh nilai atribut
acak (random) pada suatu kasus
PROPERTI NODE :
Level aktivasi dari node dapat
dipisahkan (0 dan 1) atau dilanjutkan sesuai dengan jangkauan (0,1) atau
batasan yang dibuat. Hal ini tergantung dari fungsi aktivasi (transfer) yang
dipilih. Jika ada pembatasan fungsi, maka level aktivasi adalah 0 (atau -1) dan
1. untuk fungsi sigmoid level aktivasi dibatasi pada jangkauan real (0,1).
DINAMIK SISTEM :
Skema inisialisasi bobot di
khususkan untuk model neural network khusus yang dipilih. Meskipun, dalam
banyak kasus inisialisasi bobot hanya digunakan nilai random untuk memperkecil
angka real.IGENT
CONTOH PENERAPAN PADA KEHIDUPAN NYATA :
1. pemetaan pola
2. radar
3. pengambilan keputusan dalam sebuah video game (chess/catur)
1. pemetaan pola
2. radar
3. pengambilan keputusan dalam sebuah video game (chess/catur)
SUMBER :
