Pengertian Singkat Tentang Neural Network (NN)

Neural Network (NN)

Neural Network yang biasa dikenal dengan NN merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pelatihan pada otak manusia tersebut. Istilah buatan disini digunakan karena NN ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pelatihan. Dilihat dari fungsi atau struktur rancangan untuk membuat komputer menjadi suatu perangkat yang merupakan penyederhanaan dari model otak manusia yang biasa di pakai di bidang kesehatan. Aplikasi NN di dalam sistem daya yang bekerja dan mengawal proses seperti : kestabilan, pengawasan proses, analisis beban, analisis arus, analisis ketidaktentuan dan lain-lain.

NN terdiri dari unit-unit terkecil yang memproses sinyal input yaitu neuron. Pemrosesan data berupa sinyal dilakukan pada neuron tersebut. Sinyal pada NN dikirim antara neuron melalui penghubung antara neuron. Setiap penghubung antara neuron memiliki bobot, sinyal yang melalui penghubung antara neuron memiliki bobot, sinyal yang melalui penghubung antara neuron akan dikalikan dengan bobotnya. Lalu setelah sinyal dikalikan dengan bobotnya, sinyal tersebut dijumlahkan dengan sinyal-sinyal yang lain yang juga telah dikalikan dengan bobot penghubung antara neuron. Kemudian menjadi nilai input bagi neuron pada layer yang dituju.

(Sumber :Artificial Intelligence Sri Kusumadewi 2004)

 

 Fungsi Aktifasi

Banyak fungsi yang dapat dipakai sebagai pengaktif, seperti fungsi-fungsi goniometri dan fungsi hiperboliknya, fungsi unit step, impulse, linier, sigmoid, dan lain sebagainya.

Beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan

Dalam buku Artificial Intelligence, hal 218 disebutkan bahwa fungsi Sigmoid Biner merupakan fungsi aktivasi yang digunakan untuk NN yang dilatih dengan menggunakan metode backpropagation. Oleh karena itu, fungsi ini sering digunakan untuk jaringan yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun fungsi ini bisa juga digunakan oleh jaringan yang nilai outputnya 0 atau 1.

Jika nilai input yang digunakan merupakan nilai real dalam jumlah nilai yang besar (lebih dari 1), maka nilai real tersebut akan di normalisasikan terlebih dahulu sehingga nilai input tersebut menjadi nilai bobot yang sudah ternormalisasi (Jurnal Novi Yanti, 2011).

Fungsi sigmoid memiliki keunikan yakni bila dilakukan pengaturan nilai σ pada persamaan diatas, maka sigmoid akan memiliki karakteristik menyerupai fungsi step ataupun linier. Pengaruh pengaturan σ pada karakteristik fungsi sigmoid dapat dilihat pada gambar berikut.

(Sumber :Tesis Program Studi Magister Teknik Elektro USU, 2011)

                        Bila nilai σ mendekati 0, maka karakteristik fungsi sigmoid menyerupai fungsi linier, dan bila nilai σ mendekati tak hingga, maka karakteristik fungsi sigmoid menyerupai fungsi step.

Setiap neuron memiliki fungsi aktifasi seperti yang telah disebutkan diatas, yang akan mentransformasi sinyal yang masuk ke neuron tersebut sehingga dihasilkan output dari neuron tersebut.

NN terdiri dari banyak neuron. Neuron tersebut terdiri dari beberapa layer. Neuron dalam layer yang sama memiliki fungsi aktifasi yang sama.

Pengelompokan neuron menjadi beberapa layer dan pola hubungan antar layer disebut arsitektur. Pada tulisan ini hanya membahas NN feedforward, yaitu sinyal berasal dari neuron input ke neuron output tanpa ada penghubung balik menuju layer sebelumnya.

NN dengan arsitektur feedforward dibedakan menjadi dua, yaitu :

a.         NN lapis tunggal (single layer)

NN dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. NN ini hanya menerima input kemudian akan secara langsung mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi

b.         NN lapis banyak (multi layer)

NN dengan multi layer terdiri dari input layer, hidden layer, dan output layer. Letak hidden layer berada diantara input layer dan output layer. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pelatihan yang lebih rumit. Namun pada banyak kasus, pelatihan pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Pada NN single layer tidak memiliki hidden layer. Contoh NN multi layer dijelaskan pada gambar 2.12

Salah satu karakteristik NN adalah proses pelatihan. Bobot antara neuron diubah melalui proses pelatihan.

Secara khusus, proses pelatihan pada NN adalah proses menentukan bobot sehingga didapatkan output sesuai dengan target yang diinginkan. Bobot akan selalu diubah selama proses pelatihan hingga memenuhi nilai tertentu berdasarkan metoda BPNN.

Proses pelatihan memerlukan data pelatihan. Pada umumnya proses pelatihan dapat dibedakan menjadi dua, yaitu :

a.      Supervised Learning

Pada supervised learning, data pelatihan yang digunakan terdiri dari data input dan data target.

Contoh : Backpropagation Neural Network (BPNN)

b.      Unsupervised Learning

Pada unsupervised learning, data pelatihan hanya terdiri dari data input dan tidak menggunakan data target.

Contoh : Self-Organizing Map (SOM)

Proses pelatihan yang digunakan pada skripsi ini adalah proses supervised learning.

2.4       Backporpagation Neural Network (BPNN)

Model NN merupakan pengembangan dari model perceptron. Arsitektur ini pertama kali dikemukakan oleh Rumelhart (tahun 1986) yang dikenal dengan nama Backpropagation atau disebut dengan BP. BP telah banyak diaplikasikan secara meluas. Metoda Backpropagation Neural Network (BPNN) adalah Neural Network multi layer feedforward yang dilatih dengan metoda BPNN. BPNN dapat digunakan untuk memecahkan masalah di dalam penelitian ini yaitu untuk mengetahui zona gangguan yang terjadi di sistem daya listrik serta membuat keputusan yang benar dari pola input yang diberikan dalam pengujian.

BPNN merupakan salah satu model dari jaringan syaraf tiruan umpan maju dengan menggunakan pelatihan terbimbing yang disusun berdasarkan pada.

BPNN merupakan salah satu model dari jaringan syaraf tiruan umpan maju dengan menggunakan pelatihan terbimbing yang disusun berdasarkan pada algoritma error propagasi balik yang didasarkan pada aturan pelatihan dengan koreksi kesalahan. Secara mendasar, proses dari error propagasi balik ini terdiri dari dua tahap, yaitu umpan maju dan umpan mundur. Arsitekturnya sendiri tersusun atas layer-layer, yaitu layer masukan (input layer), layer tersembunyi (hidden layer) dan layer keluaran (output layer).

Untuk setiap neuron pada setiap layer memiliki fungsi aktifasi, fungsi aktifasi mentransformasi nilai input menjadi nilai output. Fungsi aktifasi untuk setiap neuron pada layer tertentu adalah sama.

a.         Setiap neuron pada input layer menggunakan fungsi aktifasi identitas.

b.       Setiap neuron pada hidden layer menggunakan fungsi aktifasi yang tidak linier, fungsi aktifasi yang digunakan kontiniu, memiliki turunan dan monoton naik. Jumlah hidden layer haruslah 2/3 dari jumlah input layer ditambah jumlah output layer, dan harus kurang dari dua kali ukuran input layer (sumber : heaton research “the number of hidden layer”).

c.         Setiap neuron output menggunakan fungsi aktifasi yang sama yaitu fungsi aktifasi linier.

d.        Fungsi aktifasi yang digunakan harus memiliki turunan karena di dalam algoritma metoda Backpropagation Neural Network (BPNN) menggunakan turunan fungsi aktifasi pada setiap layer untuk memperbaiki bobot NN.

e.         Apabila hidden layer menggunakan fungsi aktifasi linier maka NN hanya dapat menyelesaikan permasalahan linier karena komposisi fungsi adalah linier, contoh :

Waktu Yang Dibutuhkan Untuk Melatih Jaringan

Dari buku Supervised Neural Networks dan Aplikasiya (2006), dalam mengaplikasikan metoda BPNN digunakan dua himpunan data. Pertama himpunan data untuk pelatihan dan himpunan data untuk pengujian NN. Dua himpunan data ini saling lepas. Selama kesalahan yang dihasilkan NN konvergen menuju target yang telah ditentukan maka pengujian diteruskan dan apabila sebaliknya pengujian dihentikan.

 Penerapan Backpropagation Neural Network Pada Rele Jarak

Dengan penerapan BPNN ini dapat mengindentifikasi lokasi zona gangguan pada saluran sepanjang 80% dari panjang saluran tersebut. Magnitude Tegangan bus dan arus di panjang saluran dijadikan sebagai parameter untuk input data yang digunakan, dan impedansi rele jarak sebagai target output dengan 72 rele proteksi yang mengamankan masing-masing zona antara lain zona 1 proteksi utama, zona 2 proteksi cadangan pertama, dan zona 3 proteksi cadangan kedua, yang terpasang dimasing-masing CB dengan jumlah 24 CB, dimodelkan dari data one line diagram yang didapat dari data PT. PLN (persero) Garuda Sakti berdasarkan hasil Laporan Kerja Praktek 2011 terdahulu.

Sebagai keluaran BPNN adalah dapat mendeteksi zona gangguan, dan dapat mengetahui keluaran CB yang aktif beroperasi (trip).