MAKALAH JARINGAN SYARAF TIRUAN



MANFAAT DAN TUJUAN JARINGAN SYARAF TIRUAN

KATA PENGANTAR
 Pengelolaan Sumber Daya Manusia (SDM) merupakan hal yang krusial di dalam suatu lembaga atau perusahaan, sebab SDM merupakan aset vital bagi sebuah perusahaan. Kualitas SDM yang baik tentu akan berimbas pada produktivitas lembaga atau perusahaan. Selain itu, pemegang kebijakan di level atas, terutama di dalam sebuah perusahaan, tentunya membutuhkan data-data pendukung ketika akan mempromosikan karyawan atau stafnya ke jenjang yang lebih tinggi atau sebaliknya menurunkan ke jenjang yang lebih rendah. Tentunya ongkos yang dikeluarkan untuk memberikan penilaian secara manual pada setiap SDM. Solusi yang bisa ditawarkan terhadap hal tersebut adalah membangun sistem otomasi yang mampu memberikan data-data pendukung berupa penilaian kinerja para karyawan secara real time sebagai bahan pertimbangan dalam menaikkan atau menurunkan level karier SDM dalam di perusahaan. Sistem pendukung keputusan semacam ini dapat dibangun dengan memanfaatkan teknik Data Mining yang mampu mempelajari pola dari sekumpulan data dan menghasilkan informasi dan  pengetahuan (knowledge) yang bermanfaat [1]. Pada penelitian ini, metode Data Mining yang digunakan merupakan metode yang telah dikenal memiliki performa yang baik, bahkan sangat baik untuk beberapa kasus, yakni Jaringan Syaraf Tiruan (JST) yakni sebuah metode komputasi yang mengadaptasi model pemrosesan informasi di dalam sel syaraf otak manusia [2-3]. JST tersebut memprediksi kinerja Satuan Pengamanan (Satpam) dan mengklasifikasikannya ke dalam salah satu dari tiga kategori, yakni “Baik”, “Cukup”, dan “Buruk”. Artikel ini disusun dengan sistematika sebagai berikut: bagian kedua menguraikan penelitian-penelitian terdahulu di bidang serupa, bagian ketiga mendeskripsikan data yang digunakan di dalam penelitian, bagian keempat berisi tentang metode utama yang digunakan dalam penelitian, kemudian bagian kelima menguraikan hasil penelitian beserta analisisnya, lalu ditutup oleh bagian keenam yang berisi kesimpulan. Peneliti terdahulu, Wibowo dan Hartati, telah membangun sistem dengan data serupa  menggunakan teknik Naive Bayes Classifier (NBC) untuk memprediksi kinerja Satpam [4]. Performa sistem yang dihasilkan cukup baik, yakni mencapai tingkat akurasi sebesar 92,31%. Namun, pengujian yang dilakukan kurang menampilkan performa sistem secara komprehensif sebab pemilihan data latih dan data uji tidak melibatkan teknik Cross Validation, sehingga sistem tidak pernah diuji dengan variasi data latih dan data uji yang berbeda. Metode yang sama juga digunakan oleh Ulfa Pauziah untuk menentukan karyawan terbaik di suatu perusahaan [5]. Akurasi yang diperoleh tergolong tinggi, yakni 98,57%, namun pengujian yang dilakukan menggunakan data dalam jumlah yang cukup sedikit, yakni hanya 70 record (dengan 6 atribut) yang diuji lewat metode cross validation. Kotalwar, dkk. [6], Kalaivani dan Elamparithi [7], serta Defiyanti [8] memanfaatkan metode Decision Tree untuk memprediksi kinerja karyawan dan mahasiswa. Keuntungan yang diperoleh dari metode Decision Tree adalah aturan-aturan penalaran yang dapat diketahui, sehingga hasil klasifikasi atau prediksinya dapat ditelusuri alasanalasannya. Namun, hal penting yang menjadi kelemahan dari metode ini adalah model pohon keputusan yang dihasilkan berpotensi menghasilkan sistem yang overfit, yakni akurat memprediksi data latih, namun buruk akurasinya ketika memprediksi data uji. Meskipun hal tersebut sebenarnya dapat diatasi dengan teknik pruning. Di dalam penelitian yang dilakukan oleh Jantan, dkk. [9], beberapa teknik Data Mining, yakni Decision Tree (C4.5), Random Forest, Multi Layer Perceptron (MLP), Radial Basis Function (RBF), dan K-Star, dibandingkan performannya satu sama lain. Pada penelitian tersebut tercatat bahwa Decision Tree memperoleh akurasi tertinggi, terpaut 9% dari MLP yang hanya memperoleh akurasi terendah yakni hanya sebesar 70.25%. Meskipun demikian, performa MLP sebenarnya dapat diperbaiki dengan mengatur arsitektur dan parameter learning-nya dengan cara melakukan observasi kecil untuk menemukan kombinasi arsitektur dan parameter MLP yang tepat.




A.  Definisi Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network)adalah sebuah model matematik yang berupa kumpulan unit yang terhubung secara parallel yang bentuknya menyerupai jaringan saraf pada otak manusia.

Jaringan syaraf tiruan sering digunakan juga dalam bidang kecerdasan buatan. Lalu kalau begitu apa bedanya jaringan syaraf tiruan dengan kecerdasan buatan ?

Kecerdasan buatan bertujuan untuk membuat sebuah mesin dapat mengerjakan suatu pekerjaan layaknya seperti manusia. Nah itu berarti kita harus bisa membuat mesin itu berfikir, menyelesaikan suatu masalah layaknya manusia. Jaringan syaraf tiruan ini adalah salah satu algoritma berpikirnya dari kecerdasan buatan.

Menurut seorang ahli jaringan syaraf tiruan bernama Haykin S. Jaringan syaraf tiruan itu seperti sebuah processor yang dapat menyimpan pengetahuan dan pengalaman sehingga processor ini dapat bekerja menyerupai otak manusia yang dapat beradaptasi dengan masalah.

Jadi , jaringan Syaraf Tiruan dapat disimpulkan merupakan metode/algoritma yang dapat membuat komputer mempunyai otak pintar seperti manusia yang bisa beradaptasi terhadap masalah.

Sejarah :
1943 : Waffen McCulloh dan Walter Pitss merancang model matematis dari sel-sel otak
1949 : Hebb menyatakan informasi dapat disimpan dalam koneksi-koneksi antar neuron
1958 : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola
1982 : Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning
1982 : Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi

B.   Kelebihan Jaringan Syaraf Tiruan
-          Kemampuan melakukan proses pembelajaran
-          Kemampuan beradaptasi
-          Implementasi komponen peralatan dalam bentuk parallel secara besar-besaran
C.  Dasar Jaringan Syaraf Tiruan
a.       Pengertian Neuron
Neuron dianalogikan dengan neuro siko logi (neurophysio logy) pada otak manusia. Dalam jaringan syaraf tiruan neuron diartikan sebagai bagian terkecil dari jaringan syaraf tiruan yang berfungsi sebagai elemen pemroses. Dengan demikian neuron dapat diartikan sebagai prosesor sederhana dari jaringan syaraf tiruan. Neuron juga di kenal dengan sebutan percepton atau Adaline.
b.      Bagian-bagian Neuron
Dalam jaringan syaraf tiruan neuron akan bekerja dengan mengumpulkan sinyal dari neuron yang terhubung sebelumnya dan memprosesnya untuk menjadi masukan bagi neuron berikutnya. Neuron tersusun dari komponen - komponen sebagai berikut :
-  Sekumpulan penghubung atau yang di kenal dengan synapses atau connection link yang di karakterkan dengan sebuah pembobot (weight/strength connection).
-  Sebuah penjumlah (summing/adder) yang berfungsi menjumlahkan semua sinyal masukannya.
-  Sebuah fungsi tidak dinamis (dynamical) yang dikenali dengan sebutan fungsi aktivasi (activation function)
c.       Pengertian Fungsi aktifasi
Dapat dijelaskan bahwa setelah pemetaan sinyal masukan neuron akan menghasilkan keluaran melalui fungsi aktifasi, fungsi aktifasi mentransformasikan nilai keluarannya melalui pemetaan sinyal masukannya ke dalam sebuah nilai dengan neuron lainnya.






D.     Manfaat Jaringan Syaraf Tiruan 
Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang berkaitan dengan hal-hal berikut :
-   Identifikasi dan control : Kontrol kendaraan, Natural Resiurces Management.
- Pengambil Keputusan dalam Video Gambe : Chess, Poker, Backgammon
- Pengenal Pola : Radar, Pengenal Wajah, Pengenal Objek
- Diagnosa Medis untuk mendeteksi penyakit 


close