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
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 :
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