Klasifikasi Berbasis Artificial Neural Network - Skripsi Teknik Informatika

Konsep Artificial Neural Network

Artificial Neural Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem saraf manusia, dimana pemrosesan utama sistem saraf manusia ada di otak . bagian terkecil dari otak manusia adalah sel saraf yang merupakan unit dasar pemroses informasi.


Unit ini sering disebut sebagai neuron. Ada sekitar 10 miliar neuron dalam otak manusia dan sekitar 60 triliun koneksi (disebut sinapsis) antar neuron dalam otak manusia(Shepherd dan Koch, 1990). Dengan menggunakan neuron-neuron tersebut secara simultan, otak manusia dapat memproses informasi secara pararel dan cepat, bahkan lebih cepat dari komputer tercepat saat ini.

Sebuah neuron biologis terdiri dari elemen-elemen sebagai berikut : badan sel (disebut soma), sejumlah sarat yang menyalurkan informasi ke neuron (disebut dendrit), dan sebuah serat tunggal  yang keluar dari neuron (disebut akson).

Baca juga Jasa Bimbingan Skripsi Teknik Informatika

Setiap sinyal luar yang diterima oleh dendrit akan melewati sinapsis untuk diteruskan ke neuron kemudian diproses di dalam soma, setelah selesai akan di keluarkan melalui akson untuk diproses kembali oleh neuron yang lain ataupun keluar sebagai sinyal akhir hasil proses di otak.

Dengan menganalogikan sistem kerja orak manusai tersebut , ANN terdiri dari sebuah unit pemroses yang disebut neuron (akson kalau dalam otak manusia) yang berisi adder dan fungsi aktivasi, sejumlah bobot (sinapsis dalam otak manusia), sejumlah vektor masukan (dendrit dalam otak manusia).

Fungsi aktivasi yang berguna untuk mengatur keluaran yang diberikan oleh neuron. Desain ANN secara umum ditunjukkan oleh Gambar 1.

Pada gambar  tersebut, vektor masukan terdiri dari sejumlah nilai (fitur) yang diberikan sebagai nilai masukan pada ANN, vektor masukkan tersebut ada 3 nilai (x_1,x_2,x_3) sebagai fitur dalam vektor yang akan diproses dalam ANN, masing-masing nilai masukan melewati sebuah hubungan berbobot w, kemudian semua nilai digabungkan.


Nilai gabungan tersebut kemudian diproses oelh fungsi aktivasi untuk menghasilkan sinyal y sebagai keluaran. Fungsi aktivasi menggunakan sebuah nilai ambang batas untuk membatasi nilai keluaran agar selalu dalam batas nilai yang di tetapkan

Gambar 5.1

Seperti halnya manusia yang belajar dari lingkungan agar dapat mengelola lingkungan dengan baik berdasarkan pengalaman yang didapatkan, ANN sebagai model yang digunakan untuk proses prediksi dalam data mining juga membutuhkan proses pelatihan agar dapat melakukan prediksi kelas suatu data uji baru yang ditemukan.

 Proses pelatihan dalam ANN dapat menggunakan algoritma-algoritma seperti Perceptron, Backpropagation, Self Organizing Map (SOM), Delta, Associative Memory, Learning Vector Quantization, dan sebagainya.

ANN menggunakan fungsi aktivasi yang digunakan untuk membatasi keluaran dari neuron agar sesuai dengan batasan sinyal/nilai keluaran yang ditetapkan. Gambar bentuk fungsi aktivasi diberikan pada Gambar 5.2. Secara umum, ada empat macam fungsi aktivasi yang dikenal dipakai di berbagai jenis ANN:

1. Fungsi aktivasi linear

Fungsi aktivasi ini biasanya digunakan untuk keluaran ANN yang nilai keluarannya diskret. Jika v adalah nilai gabungan dari semua vektor oleh adder, maka sinyal keluaran y didapatkan dengan memberikan nilai v apa adanya untuk menjadi nilai keluaran. Tidak ada perhitungan apapun yang dilakukan pada nilai v yang didapat sehingga umumnya ANN yang menggunakan fungsi aktivasi ini bisa dianggap tidak menggunakan fungsi aktivasi.

Nilai y sebagai nilai keluaran, diformulasikan seperti pada persamaan berikut:

                     y = sign(v) = v................................................................... (5.1)

2. Fungsi aktivasi step

Jika v adalah nilai gabungan dari semua vektor oleh adder, maka keluaran y didapatkan dengan memberikan ambang batas pada nilai v berdasarkan nilai T yang diberikan.

Nilai y diformulasikan sebagai berikut:

Bentuk di atas disebut juga ambang batas bipolar, ada juga yang berbentuk ambang batas biner.

3. Fungsi aktivasi sigmoid biner

Untuk ANN dengan nilai keluaran kontinu biasanya menggunakan fungsi aktivasi sigmoid.Nilai sinyal keluaran y dihitung menggunakan fungsi kurva sigmoid dengan interval nilai keluaran mulai 0 sampai 1.

           Nilai y diformulasikan sebagai berikut:

Parameter a adalah parameter kemiringan (slope) pada kurva sigmoid yang dihasilkan. Semakin besar nilai a, maka semakin tegak kurva yang diberikan dan semakin kecil kurva maka semakin landai kurva yang diberikan. Umumnya nilai a yang digunakan adalah 1 sehingga formula yang umum digunakan menjadi seperti berikut:

4. Fungsi aktivasi sigmoid bipolar

Fungsi aktivasi ini sebenarnya sama dengan sigmoid biner, hanya saja batas nilai keluaran yang diberikan adalah -1 sampai 1. Fungsi aktivasi ini sangat baik digunakan untuk proses klasifikasi karena lebih tangguh dalam menangani data-data yang banyak didominasi oleh nilai nol.

Baca juga Jasa Bimbingan Skripsi Teknik Informatika

Nilai y diformulasikan sebagai berikut:

 Nilai parameter a yang digunakan umumnya 1 sehingga formula d atas menjadi seperti berikut:

sumber : buku data mining

kata kunci : Klasifikasi Berbasis Artificial Neural Network,skripsi teknik informatika, contoh skripsi, skripsi, contoh skripsi teknik informatika, data mining