[oleh: Fran Kurnia, Staf Kominfo 102FM]

“Saya ingin komputer belajar”, sekilas judul ini menyiratkan keambiguan bagi para pembaca. Akan tetapi, judul tersebut dapat mewakili secara menyeluruh untuk apa yang akan dibahas dalam artikel ini. Sebagaimana otak manusia bekerja untuk memproses informasi ketika seorang anak mulai berkembang, maka hal yang demikian dapat diaplikasikan pula dalam sebuah program komputer dengan menggunakan jaringan saraf tiruan (atau artificial neural network).

» TINJAUAN BIOLOGIS OTAK MANUSIA

Sejak era manusia modern (Homo Sapiens), otak manusia memiliki struktur atau jaringan yang mempunya tingkat kompleksitas luar biasa. Otak (manusia) tersusun atas saraf-saraf pengelola informasi dari sensor motorik yang disebut neuron dan masing-masing neuron tadi dihubungkan satu sama lainnya oleh sinapsis. Neuron bekerja berdasarkan impuls atau sinyal yang diterimanya, kemudian meneruskannya ke neuron yang lain. Hingga saat ini diperkirakan otak manusia memiliki 10¹² neuron dan 6.10¹⁸ sinapsis [J.J. Siang; 2005]. Dengan jumlah neuron sebanyak itu dapat dibayangkan apa yang sanggup dikelola oleh otak seorang manusia, seperti mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang jauh lebih tinggi dibandingkan komputer digital.

Kemampuan otak manusia telah terjalin saat janin seorang ibu mulai terbentuk. Otak ini kemudian akan berkembang sesuai dengan pola-pola yang diterima dari pengalamannya. Jumlah dan kemampuan neuron berkembang seiring dengan pertambahan umur manusia. Pada usia 0 s.d. 2 tahun merupakan rentang terpenting pembentukan pola otak manusia karena pada rentang tersebut terbentuk 1 juta sinapsis per detiknya.

[gambar dari Insight Magazine]

Pada dasarnya neuron memiliki 3 komponen penting, yatu dendrit, soma, dan akson [Suharti; 1990]. Bagian-bagian ini memiliki kemampuannya masing-masing dalam membentuk saraf manusia. Dendrit berfungsi untuk menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls listrik yang didistribusikan melalui celah sinaptik melalui proses kimiawi. Pada celah sinaptik ini sinyal dapat dimodifikasi (diperkuat atau diperlemah). Berikutnya, soma berfungsi untuk menjumlahkan semua sinyal yang masuk. Jika hasil jumlahan itu telah cukup kuat, atau dengan kata lain telah melewati batas ambang (threshold), maka sinyal akan diteruskan menuju sel lain yang disebut akson. Dalam hal ini perlu digarisbawahi bahwa frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain.

Di sisi lain, neuron biologi merupakan suatu contoh sistem yang fault tolerant (dapat memaklumi kesalahan) dalam 2 hal. Yang pertama, manusia tentunya dapat pula mengenali sinyal masukan yang agak berbeda dengan yang pernah diterima sebelumnya. Sebagai contoh, kita dapat mengenali teman kita yang telah berpisah selama waktu tertentu meskipun wajahnya telah berubah dari ketika pertama bertemu. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidak optimal lagi mengerahkan segala kemampuan. Dengan kata lain, jika sebuah neuron rusak, maka neuron yang lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut.

» SEJARAH JARINGAN SARAF TIRUAN

Setelah mengetahui sekilas sisi biologis otak manusia, maka sekarang kita akan mencoba menelaah analogi terkopel antara cara kerja otak manusia dengan cara kerja jaringan saraf tiruan.
Jaringan saraf tiruan diperkenalkan secara sederhana pada tahun 1943 oleh McCulloch dan Pitts [Fausett; 1994]. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan neuron-neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural) yang mempunya kemampuan komputasi yang lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana. Beliau-beliau ini menggunakan semacam fungsi aktivasi threshold.

Pada tahun 1958, Rosenblatt beserta Minsky dan Papert mulai mengembangkan model jaringan yang disebut dengan perceptron. Dalam model ini mereka mencoba untuk mengoptimalkan hasil iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga disebut kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang menyebabkan komputer dapat “belajar” dengan sendirinya; kecepatan belajar dapat diatur dengan menggunakan parameter tertentu.

Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba mengembangkan sistem layar tunggal (single layer) pada perceptron menjadi sistem layar jamak (multilayers), yang kemudian disebut dengan sistem backpropagation. Setelah itu, muncul beberapa model jaringan saraf tiruan lain yang dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain.

» SISTEM DAN APLIKASI JARINGAN SARAF TIRUAN

Seperti yang telah dibahas sebelumnya, sistem jaringan saraf tiruan merupakan analogi yang berkaitan erat dengan proses berpiir dalam otak manusia. Sesungguhnya jaringan saraf tiruan merupakan pembentukan generalisasi model matematika dengan menggunakan beberapa asumsi, diantaranya:

• Sistem proses informasi terjadi pada banyak elemen sederhana (neuron).
• Sinyal yang dikirimkan di antara neuron-neuron melalui penghubung-penghubung (sinapsis).
• Penghubung antarneuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
• Untuk menentukan output (target), setiap neuron menggunakan fungsi aktivasi (biasanya bukan merupakan fungsi linear) yang dikenakan pada jumlahan input yang diterima. Besarnya output akan dibandingkan (learning process) dengan suatu batas ambang (threshold).

Dengan demikian, dari asumsi-asumsi tersebut jaringan saraf tiruan ditentukan oleh 3 hal yang paling mendasar:

1. pola hubungan antarneuron (arsitektur jaringan),
2. metode untuk menentukan bobot penghubung (learning atau training method), dan
3. fungsi aktivasi.

Sebagai contoh, perhatikan sistem yang terdapat pada gambar berikut.

Y menerima input dari neuron x₁, x₂, dan x₃ dengan bobot hubungan masing-masing adalah w₁, w₂, w₃. Kemudian ketiga impuls neuron yang ada dijumlahkan (fungsinya disebut net) sebagai berikut:

dan besarnya impulas yang diterima oleh Y mengikuti fungsi aktivasi

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Selain itu, nilai fungi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk mengubah besarnya bobot, sehingga keluaran yang diperoleh sesuai dengan target yang diharapkan.

Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam kehidupan manusia. Aplikasi yang sering digunakan antara lain:

• Pengenalan pola (pattern recognition)
  Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.
• Pengolahan sinyal (signal processing)
  Jaringan saraf tiruan (terutama model ADALINE (adaptive linear newton)) dapat digunakan untuk menekan derau (noise) dalam saluran telepon.
• Peramalan (forecasting)
  Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya.

Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-lain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperolah karena jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu komputasi yang disebut soft computing dengan menggunakan otak manusia sebagai analoginya.

Referensi:

• J.J. Siang. ‘Jaringan Saraf Tiruan dan Pemrogramannya dengan MATLAB’. 2005. Jakarta: Andi offset.
• Suharti, dkk. ‘Biologi untuk SMP kelas 1′. 1990. Jakarta: Galaxy Puspa Mega.
• M. Fausett, dkk. ‘Neural Network and Its Application‘. 1994. New York: Hall and Chapmann.