Neural Network dan Contoh kasus di Indonesia yang dapat digunakan dengan menggunakan program Neural Network

McCulloch dan Pitts (1943) dikenal sebagai orang yang pertama kali memodelkan Neural Network. Sampai sekarang ide-idenya masih tetap digunakan, misalnya:

- Bertemunya beberapa unit input akan memberikan computational power
- Adanya threshold

Hebb (1949) mengembangkan pertama kali learning rule (dengan alasan bahwa jika 2 neuron aktif pada saat yang bersamaan maka kekuatan antar mereka akan bertambah).
Antara tahun 1950-1960an beberapa penelitian melangkah sukses pada pengamatan tentang perceptron. 

Mulai tahun 1969 merupakan tahun kematian pada penelitian seputar Neural Networks hampir selama 15 tahun (Minsky dan Papert) Baru pada pertengahan tahun 80-an (Parker dan LeCun) menyegarkan kembali ide-ide tentang Neural Network. Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian terhadap sesuatu objek.

Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neuron dapat berupa hasil akhir atau berupa bahan masukan bagi neuron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini menunjukkan struktur umum jaringan syaraf buatan yang bersifat feedforward (data diproses pada satu arah).

Lapisan 1 : Lapisan Input
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar/sumber data. Neuron-neuron ini tidak melakukan perubahan apapun terhadap data tapi hanya meneruskan data ini ke lapisan berikutnya.

Lapisan 2 : Lapisan Tersembunyi (hidden layer)
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringa memiliki beberapa lapisan tersembunyi maka lapisan tersembunyi terbawah berfungsi untuk menerima masukkan dari lapisan input. 

Lapisan 3 : Lapisan Output
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi dan di sini juga digunakan fungsi signoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari proses.

Keuntungan penggunaan Neural Network

1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier.
2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses sebenarnya.
3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek
4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan suatu objek.
5. Neural Network mampu diimplementasikan pada suatu Hardware atau perangkat keras.
6. Perangkat yang mampu diimplementasikan secara parallel.
7. Terdapat beberapa jenis NN, yang dibedakan berdasarkan type, algoritma, learning methode maupun activation function, yang digunakan.

Type NN, yaitu yang berkaitan dengan koneksi antar neuron:
Feedforward, Feedback
Algoritma, yaitu algoritma matematis yang digunakan NN untuk melakukan proses belajar:

1. Backpropagation
2. Delta learning rule
3. Forwardpropagation
4. Hebb learning rule
5. Simulated annealing

Metoda (learning methode):

1. Supervised learning
2. Unsupervised learning

Fungsi aktivasi (activation function):

1. Hard limiter
2. Signum activation
3. Sigmoid activation

MeemCode akan memberikan contoh kasus yang dapat digunakan dengan menggunakan program Neural Network salah satunya adalah untuk sistem pendeteksian dini krisis keuangan indonesia dengan pendekatan model feed forward Sistem pendeteksian dini merupakan suatu model yang berusaha untuk memprediksi secara sistemik kemungkinan terjadinya krisis di suatu negara. Ada banyak pendekatan yang bisa digunakan dalam sistem pendeteksian dini, salah satunya adalah pendekatan neural network. Pendekatan neural network belum begitu luas digunakan dalam kasus krisis keuangan di Indonesia, namun hasil dari penelitian sebelumnya menunjukan akurasi peramalan secara umum lebih baik dari model logit/probit dan model sinyal. Neural network menyimpan pengetahuan pola kejadian masa lampau melalui proses pelatihan, yang kemudian pengetahuan tersebut digunakan untuk memperkirakan kejadian yang terjadi dimasa yang akan datang.

Referensi:
Barakbah, Ali Ridho. Kecerdasan Buatan. Institut Teknologi 10 Nopember. Surabaya
http://eprints.undip.ac.id/32704/
http://fajril-share.blogspot.com/2012/02/artificial-neural-network-ann.html
http://renyromanisti.blogspot.com/2010/10/artificial-neural-network-ann.html
http://ayu-r--fst08.web.unair.ac.id/artikel_detail-60445-Komputer%20Cerdas-Neural%20Network.html