RESENSI Artikel : Neural Network and Statistical Model

Ilustrasi : Jaringan Syaraf

Ilustrasi : Jaringan Syaraf

Artikel yang ditulis oleh Warren S. Sarle ini tercetak pada tahun 1994 yang pada waktu itu dia persembahkan pada perayaan ulang tahun SAS User Gorup International Conference. Artikel ini berjudul Neural Network and Statistical Model. Penulis menjelaskan di artikel ini bahwasannya penggunaan neural netwok (NN) tidaklah serumit yang dibayangkan. Seringkali yang terbayang adalah NN hanya terkait dengan kecerdasan buatan yang hanya bisa dikuasai oleh akdemisi informatika. Padahal salah satu tujuan NN adalah bisa digunakan sebagai metode analisa data dalam statistika. Sehingga banyak sekali hubungan antara NN dengan Model Statistika, semisal dengan GLM, Analisis Klaster, dll.

SILAHKAN DOWNLOAD ARTIKELNYA DI SINI…

Neural Network atau Jaringan Syaraf  Tiruan tidak lebih dari sebuah analisis Regresi Non linear dan Model Diskriminan yang bisa diimplementasikan dengan software statistik. Dalam kaitannya dengan statistik, NN bisa digunakan sebagai metode analisa data.

Model NN sama halnya dengan teknik statistik yang populer selama ini semisal GLM, Regresi Polinomial, Regresi Non Parametrik dan Analisis Diskriminan, Analisis Komponen Utama dan Analisis Klaster, terutama yang menekankan pada hal-hal memprediksi fenomena yang kompleks.

Walaupun banyak model NN yang identik dengan model statistika, namun kepustakaan atau literatur NN cukup berbeda jauh dengan yang ada di statistik. Misalnya dalam literatur NN variabel dikenal dengan features, variabel bebas dikenal dengan input, nilai prediksi dikenal dengan output, variabel tak bebas dikenal dengan target atau training value, dll.

Dalam diagram NN ada yang disimbolkan dengan lingkaran (circle), kotak(box), arah panah(arrow), 2 garis paralel(two long paralel). Lingkaran merepresentasikan variabel obeservasi atau variabel yang teramati, simbol kotak merepresentasikan hasil nilai komputasi dari satu atau lebih pernyataan fungsi. Adapun simbol dalam kotak tersebut merepresentasikan jenis fungsi yang digunakan. Arah panah mengindikasikan pernyataan fungsi yang telah diolah dengan arah tujuan sesuai arah panah tersebut. Masing – masing arah panah memiliki weight atau parameter yang diestimasi. 2 garis parallel mengindikasikan nilai yang terproses dengan least square, maximum likelihood atau criteria estimasi lainnya. Lihat gambar berikut.

NN1

Sebuah perseptron dengan fungsi aktivasi lienar disebut juga dengan model regresi linear, atau mungkin juga multiple atau multivariate. Sebagaimana gambar berikut

NN2

Sebuah perseptron dengan fungsi aktivasi logistik disebut juga dengan model regresi logistik. Seperti tampak pada gambar berikut.

NN3

Sebuah perseptron dengan fungsi aktivasi theshold disebut juga dengan fungsi diskriminan. Jika hanya ada 1 output, maka disebut dengan Adaline atau Fungsi Diskriminan (LIHAT GAMBAR 5). Namun jika lebih dari 1 output maka disebut dengan Fungsi Diskriminan Berganda.

4

Fungsi aktivasi dalam sebuah perceptron analog dengan kebalikan (inverse) fungsi Generalized Linear Model (GLM).

Regresi Polinomial dapat direpresentasikan dengan gambar berikut. Gambar 6.

5

Dimana arah panah dari input menuju persamaan polinomial adalah parameter (weight) konstan sama dengan 1. dalam terminologi NN disebut dengan jaringan functional link. (LIHAT GAMBAR 6). Jaringan functional link mengenalkan sebuah hidden layer neuron tambahan. Jika model mengestimasi weight(parameter) antara input dengan hidden layer, dan hidden layer menggunaka fungsi aktivasi nonlinear aktivasi misal fungsi logistik, maka model menjadi nonlinear dalam paramater. Modelnya disebut dengan Multilayer Perceptron atau MLP atau Regresi Nonlinear Sederhana (LIHAT GAMBAR 7). Jumlah hidden layer bisa lebih sedikit daripada jumlah inut atau output (LIHAT GAMBAR 9).

6

7

Dalam literatur NN dibedakan antara supervised dengan unsupervised learning. Dalam supervised learning, tujuannya adalah memprediksi satu atau lebih variabel target dari satu atau lebih variabel input. Supervised learning biasanya dari regresi atau analisis diskriminan. MLP paling banyak variasi pada jaringan supervised ini.

Dalam unsupervised learning dalam literatur NN tidak ada yang namanya variabel target atau dalam statistik variabel dependen. Sehingga dalam statistik dikenal dengan Analisis Komponen Utama (LIHAT GAMBAR 11).

8

Hibrid Network

Hibrid Network merupakan kombinasi antara supervised learning dan unsupervised learning. Contohnya adalah Regresi Komponen Utama dimana dikenal dengan metode statistik yang bisa digambarkan sebagai hybrid netwok dengan 3 layer. Variabel independennya adalah input layer, dan komponen utama dari variabel independen adalah hidden, inilah unsupervised learning. Sedangkan nilai prediksinya dari variabel dependen pada komponen utama adalah supervised output layer.

OK! Sampai disini saja resensi untuk artikel “Neural Network and Statistical Model”, selebihnya bisa anda baca sendiri pada artikel tersebut. Terima kasih

Diresensi oleh : Azwar Rhosyied

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s