1. Neuron Dasar

          Manusia telah berusaha keras dengan segala keamampuannya untuk mencoba menirukan kehebatan yang mereka dapat lakukan, seperti misalnya bagaimana dia dapat mengetahui dengan cepat bahwa huruf yang di lihatnya adalah huruf “A” atau bagaimana dia dapat membedakan antara kucing, anjing, dan kelinci. Karena manusia lewat guru yang mengajari mulai dari kecil hingga dewasa, dimulai dari seorang guru yang paling dekat yakni orang tua, kemudian saudara, guru sekolah, teman dan lingkungan yang mengenalkan pola-pola huruf, jenis binatang dan lain sebgainya.

            Dengan pendekatan artificial intelligent (kecedasan buatan) manusia berusaha menirukan bagaimana pola-pola dibentuk oleh jaringan syaraf manusia. Artificial Neural Network (jaringan syaraf buatan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia atau jaringan biologi dengan asumsi :

• Pemrosesan informasi terjadi pada elemen-elemen dasar disebut dengan Neuron.
• Sinyal/informasi lewat antar neuron melalui suatu sambungan jaringan.
• Masing-masing sambungan diberi suatu weight (penimbang) yang pada umumnya bersifat mengalikan sinyal-sinyal.
• Masing-masing neuron diaplikasikan  sebagai suatu fungsi aktivasi.

Jaringan syaraf dikarakteristikkan sebagai :

1. Suatu bentuk yang dihubungkan dengan neuron.
2. Dipakai suatu metode untuk mendapatkan nilai penimbang pada sambungan tersebut (disebut training, pembelajaran, algoritma) dan
3. Fungsi Aktivasi.

           Jaringan syaraf terdiri dari elemen-elemen pemroses sederhana dalam jumlah banyak yang disebut dengan neurons, units, cells, atau nodes. Masing-masing neuron dihubungkan dengan neuron lain secara langsung dengan factor penimbang. Faktor penimbang tersebut menyatakan formasi yang digunakan dalam jaringan itu untuk menjawab permasalahan. Jaringan syaraf dapat diaplikasikan secara luas untuk menyelesaikan permasalahan-permasalahan penyimpanan dan pembacaan pola/data, klasifikasi pola, pembentukan general mapping dari pola masukan menjadi pola keluaran, pengelompokan pola-pola yang sama, atau penyelesaian permasalahan optimasi dengan berdasar constrain/kendala. Masing-masing neuron mempunyai internal state yang disebut dengan activation (aktivasi) atau level aktivasi dari fungsi sinyal masukan yang diterima. Neuron hanya dapat mengirim satu sinyal dengan fungsi aktivasinya ke neuron lain dalam satu waktu yang sama walaupun sinyal tersebut dipancarkan kebeberapa neuron lain.
 Seperti ditunjukkan pada gambar 1 suatu neuron Y, yang menerima sinyal dari neuron-neuron X₁, X₂, X₃ (Vektor X) dengan fungsi aktivasi x₁, x₂, x₃ serta setiap sinyal dikalikan dengan faktor penimbang masing-masing w₁, w₂, w₃. Masing-masing penimbang w bersesuaian dengan tegangan sinapsis dalam penghubung sinapsis neuron Biologis sebagai suatu vector W. Jumlahan yang masuk ke neuron Y bersesuaian dengan badan sel biologis, menjumlahkan semua masukan tertimbang menghasilkan suatu keluaran :

y_input = w₁ *  x₁ + w₂ *  x₂ + w₃ *  x₃ .................................................................(1)

2. Jaringan Otak Manusia

         Walaupun fungsi kerja otak manusia secara keseluruhan belum diketahui, struktur anatomi dari sebuah sel syaraf otak dan sifat phisiologinya yang berupa reaksi elektrokimia, telah banyak dikenal.

        Sepasang inti sel syaraf otak atau neuron, bersama dengan sel-sel sejenisnya membentuk sistim jaringan otak manusia. Daerah keluaran (output) neuron adalah berupa serat panjang dan bercabang yang dikenal dengan sebutan axon. Di ujung axon terdapat serat-serat halus bercabang yang disebut dendrite. Dendrite sebuah neuron akan berhubungan dengan dendrite dari neuron tetangganya di titik sambungan yang bernama synapse.

         Setiap sel neuron memiliki kemampuan unik berupa menerima, memproses, dan mengirimkan sinyal berbentuk pulsa elektrokimia sepanjang axon hingga ke ujung dendrites atau synapse. Bila sebuah pulsa dikirimkan oleh neuron hingga kedendritesnya, pulsa tersebut akan diterima oleh dendrites neuron lain di titik synapse tadi dan diteruskan ke neuron kedua tersebut. Di neuron kedua, pulsa tersebut dijumlahkan dengan pulsa-pulsa yang datang dari dendrite-dendrite lain dari neuron kedua.

          Beberapa pulsa yang masuk ke neuron kedua mempunyai sifat memperkuat sinyal di neuro kedua, sedangkan pulsa-pulsa masukan lainnya bersifat memperlemah. Bila hasil penjumlahan ini melampaui nilai ambang batasnya, sel neuron akan menyala (trigger) serta mengirimkan pulsa melalui axon-axonnya ke neuron-neuron lapisan berikutnya. Cara kerja inilah yang mengilhami para peneliti jaringan syaraf tiruan yang belakangan ini menjadi sangat popular.

3. Funsi Aktifasi

 Sinyal masukan y_input tersebut selanjutnya diproses dengan fungsi aktivasi sebelum menjadi sinyal keluaran neuron, di mana fungsi tersebut mulai dari fungsi linier, fungsi identitas, binary step, fungsi logistik atau fungsi sigmoid, fungsi tangen hiperbolik, dan lain sebaginya. Contoh jika fungsi aktivasi dipilih fungsi sigmoid maka siyal keluaran teraktivasi :

Y_output = 1 / ( 1 + e^-Y_input )................................................................................(2)

Sinyal keluaran Y_output merupakan fungsi sigmoid dari sinyal masukan y_input, seperti yang di tunjukan gambar 3 berikut ini.

Sedangkan grafik dari fungsi sigmoid dapat di lihat pada gambar 4 berikut ini.

               Diasumsikan bahwa keluaran neuron Y ditransmisikan ke neuron lain, misalnya ke neuron Z1, Z2, dengan faktor penimbang v1, v2, seperti yang ditunjukkan pada gambar 5. Pada umumnya nilai sinyal/informasi yang diterima neuron Z1, Z2, tidak sama dikarenakan faktor penimbang yang berbeda. Konfigurasi dengan neuron sebagai masukan dan keluaran ke neuron lain disebut dengan proses hidden unit, tentunya dengan semakin banyaknya layer akan semakin komplek dalam proses pembelajarannya untuk menentukan nilai dari faktor penimbang. 

Gambar 5. JST sederhana

Cara kerja Jaringan Syaraf Tiruan

            Agar jaringan yang kita bangun dapat melakukan pekerjaan sesuai dengan yang kita inginkan, maka kita harus melatih jaringan syaraf  tiruan tersebut agar bisa mengenali pola-2 masukan yang ada. Artinya kita harus temukan nilai tiap-tiap factor penimbang pada jaringan syaraf yang ada.

           Dalam pelaksanaan pembelajaran jaringan syaraf tiruan tergantung juga arsitektur penyusunan sambungan atar neuron, dipakai beberapa tipe :

1. Single Layer.
2. Multi Layer.
3. Competitive Layer.

Sedangkan untuk proses pembelajaran dikenal beberapa tipe pembelajaran :

1. Supervised Training
2. Unsupervised Training
3. Fixed Weight nets

Arsitektur Jaringan Syraf Tiruan

     Pengaturan neuron – neuron ke dalam sebuah layer dan menentukan hubungan tiap-tiap layer disebut dengan arsitektur jaringan atau net architecture. JST dikelompokkan menjadi dua, single layer dan multi layer.

JST Single Layer

     Sebuah jaringan dengan model Single-layer terdiri dari satu layer yang mempunyai pembobot. Biasanya pada jenis ini seluruh unit input terhubung dengan seluruh unit output, namun tidak terhubung dengan unit input yang lain.

JST Multi Layer

     JST dengan model ini terdiri dari satu atau lebih layer atau simpul yang terletak diantar unit input dan unit output. Model multi layer ini dapat memecahkan masalah yang lebih kompleks dari pada menggunakan Single-layer, namun teknik pembelajarannya lebih sulit dibandingkan dengan Single-layer.

Baca artikel selanjutnya tentang JST Backpropagation error.