Neural Network (Jaringan Syaraf) untuk Klasifikasi

Neural Network (Jaringan Syaraf) adalah suatu model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia atau jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia.

Struktur Artificial Neural Network (ANN)
Struktur Artificial Neural Network (ANN)

Baca Juga: Algoritma Classification dalam Data Mining: Decision Tree

Apa itu Neural Network?

Neural Network merupakan kategori ilmu Soft Computing. Dengan mengadopsi dari kemampuan otak manusia, Neural Network ini mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output tersebut diperoleh dari variasi rangsangan dan proses yang terjadi pada otak manusia. Hasil kompleksitas proses di dalam otak memungkinkan manusia mampu dalam memproses informasi. Misalnya kejadian kepada anak-anak, mereka mampu belajar untuk melakukan pengenalan walaupun mereka tidak mengetahui bagaimana atau algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah:

  1. Prediksi
  2. Pengoptimasi permasalahan
  3. Pengklasifikasian pola
  4. Memetakan pola yang didapat dari input ke dalam pola baru pada output
  5. Memetakan pola-pola yang sejenis
  6. Penyimpan pola yang akan dipanggil kembali

Proses pada ANN ini terdapat beberapa tahap, diantaranya:

  1. Tahap input yang diterima oleh neuron.
    Input ini berisi nilai bobot dari tiap-tiap input yang ada. Setelah input tersebut masuk ke dalam neuron, nilai bobot yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), dapat dilihat seperti pada di gambar berlambang sigma (∑).
  2. Tahap Fungsi Aktivasi
    Hasil penjumlahan ini akan diproses oleh fungsi aktivasi pada tiap 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.
  3. Tahap Output
    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.

Model Perceptron

Model Perceptron adalah model jaringan yang terdiri dari beberapa unit masukan (ditambah dengan sebuah bias), dan memiliki sebuah unit keluaran. Perceptron dapat digunakan untuk mengenali pola karakter, simbol, termasuk pola pulau-pulau besar di Indonesia. Fungsi aktivasi bukan hanya merupakan fungsi biner (0,1) melainkan bipolar (1,0,-1). Untuk suatu harga threshold ѳ yang ditentukan:

harga threshold ѳ yang ditentukan
harga threshold ѳ yang ditentukan

Fungsi Aktivasi

Macam fungsi aktivasi yang dipakai untuk mengaktifkan net diberbagai jenis neural network:

  1. Aktivasi linear, Rumus:
    y = sign(v) = v
  2. Aktivasi step, Rumus:
    Aktivasi step
  3. Aktivasi sigmoid biner, Rumus:
    Aktivasi sigmoid biner
  4. Aktivasi sigmoid bipolar, Rumus:
    Aktivasi sigmoid bipolar

Tahapan Algoritma Perceptron

  1. Inisialisasi semua bobot dan bias (umumnya wi = b = 0)
  2. Selama ada element vektor masukan yang respon unit keluarannya tidak sama dengan target, lakukan:
    1. Set aktivasi unit masukan xi = Si (i = 1,…,n)
    2. Hitung respon unit keluaran:
      Hitung respon unit keluaran net
      harga threshold ѳ yang ditentukan
    3. Perbaiki bobot pola yang mengadung kesalahan menurut persamaan:
      Wi (baru) = wi (lama) + ∆w (i = 1,…,n) dengan ∆w = α t xi
      B (baru) = b(lama) + ∆ b dengan ∆b = α t
      Dimana: α = Laju pembelajaran (Learning rate) yang ditentukan, ѳ = Threshold yang ditentukan, t = Target
    4. Ulangi iterasi sampai perubahan bobot (∆wn = 0) tidak ada

Baca Juga: Klasifikasi Naive Bayes (Bayesian Classification)

Studi Kasus

Diketahui sebuah dataset kelulusan berdasarkan IPK untuk program S1:

StatusIPKSemester
Lulus2.91
Tidak Lulus2.83
Tidak Lulus2.35
Tidak Lulus2.76
dataset kelulusan berdasarkan IPK untuk program S1

Jika ada mahasiswa IPK 2.85 dan masih semester 1, maka masuk ke kedalam manakah status tersebut ?

1: Inisialisasi Bobot

Inisialisasi Bobot dan bias awal: b = 0 dan bias = 1

tx1x2
12.91
-12.83
-12.35
-12.76
Inisialisasi Bobot

2.1: Set aktivasi unit masukan

Treshold (batasan), θ = 0 , yang artinya :
Set aktivasi unit masukan

2.2 – 2.3 Hitung Respon dan Perbaiki Bobot

Hitung Response Keluaran iterasi 1. Kemudian Perbaiki bobot pola yang mengandung kesalahan.

Hitung Respon dan Perbaiki Bobot
Hitung Respon dan Perbaiki Bobot

2.4 Ulangi iterasi sampai perubahan bobot (∆wn = 0) tidak ada (Iterasi 2)

Hitung Response Keluaran iterasi 2. Kemudian Perbaiki bobot pola yang mengandung kesalahan.

Hitung Respon dan Perbaiki Bobot (Iterasi 2)
Hitung Respon dan Perbaiki Bobot (Iterasi 2)

2.4 Ulangi iterasi sampai perubahan bobot (∆wn = 0) tidak ada (Iterasi 3)

Hitung Response Keluaran iterasi 3. Kemudian Perbaiki bobot pola yang mengandung kesalahan.

Hitung Respon dan Perbaiki Bobot  (Iterasi 3)
Hitung Respon dan Perbaiki Bobot (Iterasi 3)

Untuk data IPK memiliki pola 0.8 x – 2 y = 0 dapat dihitung prediksinya menggunakan bobot yang terakhir didapat:
V = X1W1 + X2W2 = 0,8 * 2,85 – 2*1 = 2,28 -2 = 0,28
Y = sign(V) = sign(0,28) = 1 (Lulus)

Penentuan Hidden Layer

Hidden
Layer
Kapabilitas
0Hanya mampu mewakili fungsi atau keputusan linier yang dapat dipisah
1Dapat memperkirakan fungsi apa pun yang berisi pemetaan terus menerus dari satu ruang terbatas hingga lainnya
2Dapat mewakili batas keputusan yang sewenang-wenang untuk akurasi yang sewenang-wenang dengan fungsi aktivasi yang rasional dan dapat memperkirakan setiap pemetaan yang mulus untuk akurasi apa pun
Penentuan Hidden Layer

Penentuan Neuron Size

  1. Trial and Error
  2. Rule of Thumb:
    • Antara ukuran lapisan input dan ukuran lapisan output
    • 2/3 ukuran layer input, ditambah ukuran layer output
    • Kurang dari dua kali ukuran lapisan input
  3. Algoritma Pencarian:
    • Greedy
    • Genetic Algorithm
    • Particle Swarm Optimization
    • dll

Baca Juga:
Memahami Konsep Data Mining Beserta Prosesnya
Algoritma Clustering dalam Data Mining: Metode Partisi

Tinggalkan komentar

error: Content is protected !!