JARINGAN SARAF TIRUAN (JST)

JARINGAN SARAF TIRUAN (JST)

PENGERTIAN

Jaringan saraf tiruan (JST) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.

 

Gambar Arsitektur Sistem Jaringan Saraf

STRUKTUR DASAR JARINGAN SARAF TIRUAN

• NEURON

1. Fungsi Aktivasi yang mengatur output dari setiap neuron.
2. Mempunyai jalur / sinapsis yang berhubungan satu dengan yang lain dimana setiap hubungan memiliki weight / bobot.
3. Suatu fungsi tertentu untuk perhitungan nilai input (fungsi aktivasi).

• ARSITEKTUR JARINGAN

1. Single Layer Network
   Model ini adalah teknik matematis yang paling sederhana. Model ini pertama kali diperkenalkan oleh McCulloch dan Pitts.
   
   
   Gambar  Single Layer Network 
   dalam jaringan ini, beberpa neuron(x) berhubungan langsung dengan layer output (y). Masing-masing input terhubung dengan bobot (w) dan menghasilkan output yang berbeda tergantung dari input yang ada. Selama proses learning, bobot-bobot akan dimodifikasi berdasarkan aturan tertentu guna menghasilkan keakuratan yang tepat. Model ini sangat cocok untuk teknik pengenalan pola dilihat dari tingkat kesederhanaannya.
2. Multi Layer Network
   Jaringan ini merupakan pengembangan dari single layer network. Pada Model ini, jaringan mempunyai layer tambahan atau yang sering disebut dengan hidden layer. Keunggulan model ini adalah kemampuannya yang lebih untuk menghasilkan output yang lebih akurat dari model pertama. Tentunya dengan penambahan jumlah layer, teknik matematisnya pun akan semakin kompleks.
   
   
   Gambar. Multi Layer Network
3. Recurrent Networks
   Arsitektur ini mempunyai alur untuk mengembalikan nilai output untuk memberikan sinyal ke layer input (feedback loop). Model ini setidakny harus memiliki minimal satu feedback loop. Recurrent Networks bisa ditingkatkan akurasinya dengan menambahkan hidden layer.
4. Competitive Layer Network
   Arsitektur jaringan ini mempunyai bentuk yang unik, dimana semua neuron saling terhubung satu dengan yang lain.

Gambar. Competitive Layer Network

CONTOH APLIKASI JARNGAN SARAF TIRUAN

• IDENTIFIKASI SIDIK JARI

Sidik jari merupakan salah satu sarana pengidentifikasian seseorang karena setiap orang memiliki sidik jari yang unik. Dalam bidang penyelidikan kriminal, pengidentifikasian sidik jari umumnya menggunakan cara manual. Contoh berikut adalah pengidentifikasian sidik jari menggunakan metode penggabungan dua arsitektur JST, yakni Jaringan Widrow-Hoff (JWH) Jaringan Propagasi Balik (JPB).

Gambar  Diagram biok proses idenLifikasi sidikjari dengan JST

Langkah dalam proses identifikasi sebagai berikut :

1. Citra sidik jari yang diambil secara manual menggunakan tinta yang dicapkan pada kertas dengan posisi tegak lurus. Kita meletakkan citra sidik jari pada scanner. Kemudian, kita menyimpan hasil scanning dalarn bentuk file *.bmp. Agar dapat menjadi masukan bagi JST, kita perlu mengolah citra hasil scanning menjadi citra biner dengan proses binerisasi.
2. Hasil citra dari scanner memiliki nilai minimum dan maksimum derajat keabuan berbeda-beda. Untuk membentuk citra hitaan putih, kita melakukan pembagian derajat keabuan dengan ketentuan 1/3 nilai derajat keabuan menjadi putih (nilai 1) dan 2/3 nilai derajat keabuan menjadi hitam (nilai 0). Kita menggunakan nilai maksimum dan minimum derajat keabuan untuk menghitung nilai batas derajat keabuan dengan persamaan: ketentuan 1/3 nilai derajat keabuan menjadi putih (nilai 1) dan 2/3 nilai derajat keabuan menjadi hitam (nilai 0). Kita menggunakan nilai maksimum dan minimum derajat keabuan untuk menghitung nilai batas derajat keabuan dengan persamaan:
3. Citra yang dihasilkan melalui proses binerisasi masih perlu disempurnakan dengan penghapusan titik hitam yang tidak dibutuhkan menggunakan proses penipisan. Penipisan citra bertujuan mendapatkan rangka dari garis-garis sidik jari pada citra,sehingga terjadi penghapusan piksel yang tidak dibutuhkan. Kita melakukan proses penipisan garis-garis sidik jari bila menemukan deretan titik hitam. Titik hitam yang dibutuhkan adalah yang berada di tengah-tengah deretan, sedangkan yang tidak dibutuhkan adalah titik hitam yang berada di luar deretan.
4. Citra dibagi menjadi 19 bagian dengan cara sebagai berikut: citra dibagi dua secara vertikal dan horizontal, citra dibagi tiga secara vertikal dan horizontal, dan citra dibagi sembilan. Dari setiap bagian citra, kita mencari pola-pola yang cocok (match) dengan pola-pola sudut pada Gambar 2.
5. Pola-pola sudut mewakili sudut-sudut 00 , 45° , 90° , dan -45° . Untuk setiap tipe pola, kita menghitung jumlah kemunculannya dan sudut rata-ratanya yang merupakan arah alur sidik jari. Kita mengulangi proses pada semua bagian sidik jari lainnya. Kita dapat mencari sudut rata-rata sidik jari dengan persamaan:
    
   masing tipe pola sudut yang didapat. Nilai-nilai alpha yang didapat dari hasil penentuan kode arah merupakan masukan bagi JST.
   

   
   Gambar 2. Empat jenis tipe pola sudut
6. Proses belajar bertujuan mendapatkan bobot-bobot interkoneksi, di mana bobot-bobot digunakan pada proses pengenalan sidik jari. Satu orang yang sidik jarinya dipelajari oleh JST mempunyai satu bobot hasil belajar yang digunakan pada proses pengenalan sidik jari. Apabila kita menggunakan JST untuk mempelajari 16 sidik jari orang, maka akan memperoleh 16 bobot hasil belajar. Kemudian, bagian pengenalan akan menggunakan keenam belas bobot hasil proses belajar untuk mengenali citra sidik jari.
   
   
   
   
   
   Gambar Contoh hasil scanning sidik jari yang dipilih