Cabang ilmu kecerdasan buatan cukup luas dan erat kaitannya dengan disiplin ilmu yang lainnya. Neural Network merupakan percabangan dari ilmu Soft Computing. Neural Network mengadopsi kemampuan otak manusia agar mampu memberikan stimulasi atau rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia mem-proses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meski mereka tidak mengetahui Algoritma apa yang digunakan. Jaringan Saraf Tiruan adalah sebuah alat pemodelan data statistik non-linier. Jaringan saraf tiruan atau Artificial Neural Network (ANN) atau Neural Network (NN) saja, merupakan sistem untuk melakukan proses informasi yang memiliki ciri-ciri mirip dengan jaringan saraf pada makhluk hidup. Neural Network merupakan sebuah mesin pembelajaran yang dibuat dari sejumlah elemen untuk melakukan proses sederhana yang disebut dengan neuron atau node. Setiap neuron dihubungkan dengan neuron yang lain dengan hubungan komunikasi langsung melalui pola hubungan yang disebut arsitektur jaringan. Bobot-bobot pada koneksi mewakili besarnya informasi yang digunakan jaringan. Metode yang digunakan untuk menentukan bobot koneksi tersebut dinamakan dengan Algoritma evaluasi.
Artificial Neural Network dapat diterapkan untuk melakukan classification, recognition, approximation, prediction, clusterization dan memory simulation. Proses yang terjadi pada jaringan saraf manusia adalah sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel saraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel saraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel saraf, misal A dan B, di mana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun atau meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, batasan atau nilai ambang batas tersebut sering disebut dengan nilai ambang atau threshold.
Pemanfaatan teknologi mesin dan komputer yang tidak terbatas sebagai alat bantu aktivitas manusia mendorong penelitian secara besar-besaran terhadap kecerdasan buatan atau Artificial intelligence. Identifikasi dan klasifikasi merupakan kegiatan menggolongkan objek ke dalam kategori tertentu untuk tujuan tertentu. Kegiatan identifikasi dan klasifikasi yang membutuhkan pengetahuan dan intuisi manusia dapat digantikan oleh mesin sehingga dapat meningkatkan kecepatan dalam kegiatan produksi pada beberapa bidang industri maupun kecepatan pengolahan data pada bidang lain. Mesin yang telah dilengkapi dengan jaringan saraf tiruan dapat melakukan adaptasi terhadap lingkungan dan mampu melakukan kegiatan yang selama ini masih dilakukan oleh manusia yaitu mengambil keputusan terhadap identifikasi maupun klasifikasi. Kelemahan ANN antara lain adalah membutuhkan evaluasi terlebih dahulu sebelum dapat diterapkan. Selain itu ANN membutuhkan waktu processing yang lama untuk melakukan tugas dengan ukuran yang besar. Jaringan saraf tiruan dapat menyelesaikan persoalan rumit yang tidak mungkin diselesaikan dengan menggunakan metode komputerisasi konvensional. Jaringan saraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti manusia. Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olah neuron sebelumnya. Sedangkan hasil keluaran suatu neuron dapat berupa hasil akhir atau berupa bahan masukkan bagi neuron berikutnya. ANN terdiri atas kumpulan kelompok neuron yang tersusun menjadi tiga lapisan yaitu Lapisan Input (Input Layer), lapisan Tersembunyi (Hidden Layer) dan Lapisan Output (Output Layer).
Permulaan bidang ini berawal dari studi tentang teori dasar mekanisme proses terjadinya inteligensi. Bidang tersebut disebut dengan nama Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk membuat simulasi melalui komputer, dan dalam perkembangannya lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk merumuskan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini merupakan suatu langkah maju dalam industri komputer. Penilaian terhadap keterbatasan Neural Network membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Pengkajian terhadap Neural Network mulai berkembang lagi selanjutnya di awal tahun 1980. Para peneliti banyak menemukan bidang minat baru pada domain ilmu Neural Network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer Network, dan teori model resonansi adaptif.
Pemodelan jaringan pada ANN ada 3 macam, yaitu Single Layer, Multi Layer dan Recurrent Network. Pembentukan ANN yang paling sederhana yaitu Single Layer. Cara kerja dari Single Layer. ialah Input Layer. yang berasal dari sumber node di proyeksi-kan langsung ke output Layer. dari neuron (node komputerisasi), tetapi tidak berlaku sebaliknya. Pemodelan tersebut merupakan jenis jaringan feedforward. Pada Single Layer. apabila terdapat tambahan satu atau dua Hidden Layer. maka jaringan akan terganggu karena Input dan output dari jaringan tidak dapat melihat Hidden Layer. baru. Sehingga memerlukan jaringan yang bisa menampung nya yaitu bernama multi Layer. Cara kerja multi Layer. adalah Input Layer. Mensuplay Input vektor pada jaringan, kemudian Input yang dimasukkan melakukan komputerisasi pada Layer. yang kedua, lalu output dari Layer. yang kedua digunakan sebagai Input dari Layer. yang ketiga dan seterusnya. Recurrent Network terbentuk karena pada jaringan Single Layer. dan multi Layer. harus memiliki feedback untuk dirinya sendiri pada setiap loop jaringan nya, pada reccurent Network jaringan tidak memerlukan feedback untuk dirinya sendiri melainkan feedback dari Input yang digunakan.
Ketika suatu unsur Neural jaringan mengalami kerusakan, ANN masih dapat beroperasi dengan baik. Jaringan saraf tiruan pada umumnya digunakan untuk melakukan tugas atau pekerjaan yang kurang praktis ketika dikerjakan secara manual. Bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya adalah pendeteksian uang palsu dan pengidentifikasian pola pasar saham. Di bidang pertahanan atau militer ANN digunakan untuk melakukan pengendali senjata, pendeteksian bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data dan pengenalan sinyal atau citra. Di bidang elektronik ANN digunakan untuk melakukan pembuatan perangkat keras, machine vision, pengontrol gerakan, penglihatan robot dan sintesis suara. Ciri-ciri ANN dapat dilihat dari sudut pandang pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Input berfungsi seperti dendrit, Output berfungsi seperti akson dan Fungsi aktivasi berfungsi seperti sinapsis. Node atau unit dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik yang menunjukkan kekuatan serta link dari sebuah konektivitas. Proses pada ANN dimulai dari Input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap Input yang ada.
Informasi yang diterima di Layer. Input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai Layer. terakhir atau Layer. output. Tidak semua ANN memiliki Hidden Layer., ada juga yang hanya terdapat Layer. Input dan output saja. Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuron yang menerima sinyal dari luar dan meneruskan ke neuron-neuron lain yang berada di dalam jaringan. Lapisan tersembunyi merupakan tiruan dari sel-sel saraf penghubung pada jaringan saraf biologis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan memecahkan masalah. Lapisan keluaran berfungsi menyalurkan atau meneruskan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dari sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.
Salah satu Algoritma evaluasi jaringan saraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan saraf tiruan yang berjenis multilayer feedforward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari Input menuju output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan, yaitu pertama Input nilai data evaluasi sehingga diperoleh nilai output. kedua, Back-Propagation dari nilai kesalahan yang diperoleh. Ketiga, penyesuaian bobot koneksi untuk meminimalkan nilai kesalahan. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai kesalahan yang diinginkan. Setelah evaluasi selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan saraf tiruan tersebut. Secara matematis ide dasar dari Algoritma backpropagation adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi kesalahan. Pada Algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi kesalahan terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas dan gradien kurva kesalahan untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Algoritma Quickprop dapat meningkatkan kecepatan evaluasi secara signifikan.
Artificial Neural Network dapat diterapkan untuk melakukan classification, recognition, approximation, prediction, clusterization dan memory simulation. Proses yang terjadi pada jaringan saraf manusia adalah sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel saraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel saraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel saraf, misal A dan B, di mana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun atau meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, batasan atau nilai ambang batas tersebut sering disebut dengan nilai ambang atau threshold.
Pemanfaatan teknologi mesin dan komputer yang tidak terbatas sebagai alat bantu aktivitas manusia mendorong penelitian secara besar-besaran terhadap kecerdasan buatan atau Artificial intelligence. Identifikasi dan klasifikasi merupakan kegiatan menggolongkan objek ke dalam kategori tertentu untuk tujuan tertentu. Kegiatan identifikasi dan klasifikasi yang membutuhkan pengetahuan dan intuisi manusia dapat digantikan oleh mesin sehingga dapat meningkatkan kecepatan dalam kegiatan produksi pada beberapa bidang industri maupun kecepatan pengolahan data pada bidang lain. Mesin yang telah dilengkapi dengan jaringan saraf tiruan dapat melakukan adaptasi terhadap lingkungan dan mampu melakukan kegiatan yang selama ini masih dilakukan oleh manusia yaitu mengambil keputusan terhadap identifikasi maupun klasifikasi. Kelemahan ANN antara lain adalah membutuhkan evaluasi terlebih dahulu sebelum dapat diterapkan. Selain itu ANN membutuhkan waktu processing yang lama untuk melakukan tugas dengan ukuran yang besar. Jaringan saraf tiruan dapat menyelesaikan persoalan rumit yang tidak mungkin diselesaikan dengan menggunakan metode komputerisasi konvensional. Jaringan saraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti manusia. Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olah neuron sebelumnya. Sedangkan hasil keluaran suatu neuron dapat berupa hasil akhir atau berupa bahan masukkan bagi neuron berikutnya. ANN terdiri atas kumpulan kelompok neuron yang tersusun menjadi tiga lapisan yaitu Lapisan Input (Input Layer), lapisan Tersembunyi (Hidden Layer) dan Lapisan Output (Output Layer).
Permulaan bidang ini berawal dari studi tentang teori dasar mekanisme proses terjadinya inteligensi. Bidang tersebut disebut dengan nama Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk membuat simulasi melalui komputer, dan dalam perkembangannya lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk merumuskan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini merupakan suatu langkah maju dalam industri komputer. Penilaian terhadap keterbatasan Neural Network membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Pengkajian terhadap Neural Network mulai berkembang lagi selanjutnya di awal tahun 1980. Para peneliti banyak menemukan bidang minat baru pada domain ilmu Neural Network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer Network, dan teori model resonansi adaptif.
Pemodelan jaringan pada ANN ada 3 macam, yaitu Single Layer, Multi Layer dan Recurrent Network. Pembentukan ANN yang paling sederhana yaitu Single Layer. Cara kerja dari Single Layer. ialah Input Layer. yang berasal dari sumber node di proyeksi-kan langsung ke output Layer. dari neuron (node komputerisasi), tetapi tidak berlaku sebaliknya. Pemodelan tersebut merupakan jenis jaringan feedforward. Pada Single Layer. apabila terdapat tambahan satu atau dua Hidden Layer. maka jaringan akan terganggu karena Input dan output dari jaringan tidak dapat melihat Hidden Layer. baru. Sehingga memerlukan jaringan yang bisa menampung nya yaitu bernama multi Layer. Cara kerja multi Layer. adalah Input Layer. Mensuplay Input vektor pada jaringan, kemudian Input yang dimasukkan melakukan komputerisasi pada Layer. yang kedua, lalu output dari Layer. yang kedua digunakan sebagai Input dari Layer. yang ketiga dan seterusnya. Recurrent Network terbentuk karena pada jaringan Single Layer. dan multi Layer. harus memiliki feedback untuk dirinya sendiri pada setiap loop jaringan nya, pada reccurent Network jaringan tidak memerlukan feedback untuk dirinya sendiri melainkan feedback dari Input yang digunakan.
Ketika suatu unsur Neural jaringan mengalami kerusakan, ANN masih dapat beroperasi dengan baik. Jaringan saraf tiruan pada umumnya digunakan untuk melakukan tugas atau pekerjaan yang kurang praktis ketika dikerjakan secara manual. Bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya adalah pendeteksian uang palsu dan pengidentifikasian pola pasar saham. Di bidang pertahanan atau militer ANN digunakan untuk melakukan pengendali senjata, pendeteksian bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data dan pengenalan sinyal atau citra. Di bidang elektronik ANN digunakan untuk melakukan pembuatan perangkat keras, machine vision, pengontrol gerakan, penglihatan robot dan sintesis suara. Ciri-ciri ANN dapat dilihat dari sudut pandang pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Input berfungsi seperti dendrit, Output berfungsi seperti akson dan Fungsi aktivasi berfungsi seperti sinapsis. Node atau unit dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik yang menunjukkan kekuatan serta link dari sebuah konektivitas. Proses pada ANN dimulai dari Input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap Input yang ada.
Informasi yang diterima di Layer. Input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai Layer. terakhir atau Layer. output. Tidak semua ANN memiliki Hidden Layer., ada juga yang hanya terdapat Layer. Input dan output saja. Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuron yang menerima sinyal dari luar dan meneruskan ke neuron-neuron lain yang berada di dalam jaringan. Lapisan tersembunyi merupakan tiruan dari sel-sel saraf penghubung pada jaringan saraf biologis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan memecahkan masalah. Lapisan keluaran berfungsi menyalurkan atau meneruskan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dari sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.
Salah satu Algoritma evaluasi jaringan saraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan saraf tiruan yang berjenis multilayer feedforward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari Input menuju output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan, yaitu pertama Input nilai data evaluasi sehingga diperoleh nilai output. kedua, Back-Propagation dari nilai kesalahan yang diperoleh. Ketiga, penyesuaian bobot koneksi untuk meminimalkan nilai kesalahan. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai kesalahan yang diinginkan. Setelah evaluasi selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan saraf tiruan tersebut. Secara matematis ide dasar dari Algoritma backpropagation adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi kesalahan. Pada Algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi kesalahan terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas dan gradien kurva kesalahan untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Algoritma Quickprop dapat meningkatkan kecepatan evaluasi secara signifikan.