BAB 2


ULASAN BAHAN RUJUKAN


2.1 PENGENALAN

Bab ini menjelaskan tentang konsep yang berkaitan dengan kajian keseluruhan bahan rujukan, kajian program yang lepas, pemerihalan permasalahan dan cadangan penyelesaiannya.


2.2 ASAS TEORI / KONSEP

Idea penciptaan Neural Network ini sebenarnya adalah untuk menjangkakan nilai output yang akan terhasil apabila nilai input diberikan. Dewasa ini, semakin banyak penciptaan Neural Network dibuat untuk aplikasi dalam kehidupan manusia sebagai contoh untuk membuat ramalan kadar taburan hujan tahunan.

2.2.1 Apa Itu Neural Network (Rangkaian Neural)
Neural Network merupakan satu peralatan data model yang cukup hebat dan berkuasa serta mengandungi darjah perhubungan yang tinggi antara satu sama lain yang mana mampu untuk mengambil dan mewakili hubungan input dan output yang kompleks. Neural Network ini telah mengambil idea berdasarkan kepada struktur sel neuron yang merupakan asas kepada sistem saraf haiwan.

Umumnya, Neural Network ini mempunyai tiga lapisan utama iaitu bahagian input (Input Layer), bahagian terselindung (Hidden Layer) dan yang terakhir iaitu bahagian output (Output Layer). Lima perkara atau kriteria perlu diambil kira sebelum mencipta Neural Network iaitu:
i. Attribute output
ii. Bilangan ulangan
iii. Kadar pembelajaran
iv. Nilai nod yang terselindung
v. Set data percubaan


Neural Network ini akan menggunakan satu set data latihan atau juga disebut sebagai training dan Neural Network akan membaca dan menilai data itu dengan menggunakan satu algoritma yang dipanggil back-propagation.

Melalui back-propagation ini, Neural Network akan membaca input yang diberikan dan akan mengeluarkan output yang sepatutnya . Dalam back-propagation ini terdapat tiga langkah yang akan dilalui dan langkah-langkah itu ialah:
i Memberikan satu contoh input untuk dimasukkan ke dalam rangkaian input dan rangkaian akan berfungsi untuk mengira nilai output dengan melalui tiga bahagian tadi; input, terselindung dan output.
i. Mengira nilai perbezaan diantara nilai output yang sebenar dan nilai output yang dikeluarkan oleh Neural Network. Seterusnya nilai yang dikeluarkan itu (output) akan dimasukkan semula ke dalam bahagian terselindung (hidden) yang pertama dan akan dikira semula.
ii. Bagi setiap perhubungan untuk setiap input dan output, perubahan bagi output yang dikeluarkan itu akan memperbaiki nilai isihan yang wujud pada output yang lepas. Ini bermakna semakin dekatlah nilai yang dikeluarkan dengan nilai yang sebenar.

Semasa latihan (training) dilakukan, perbezaan setiap output akan dikira dengan nilai output sebenar dan nilai perbezaan ini akan dimasukkan semula (feedforward) ke dalam bahagian terselindung (hidden) dan akan diulang sehingga ke bahagian output.

Isihan kesalahan (error) ini juga akan digunakan oleh Neural Network untuk mengubah nilai atau mengemaskini nilai weights di antara bahagian tersembunyi (hidden) dan bahagian output supaya nilai kesalahan (error) itu dapat dikurangkan. Sebagai tambahan, setiap unit akan mempunyai satu nilai input tambahan yang mana merupakan satu nilai yang malar yang dikenali sebagai bias.

Keadaan ini akan diulang sehingga model ini mampu untuk mengeluarkan output yang benar-benar hampir dengan nilai yang sebenar. Proses ini telah diberi nama feedforward.

Ketinggian bilangan nod juga akan mempengaruhi ketepatan output yang akan dikeluarkan kerana semakin kurang nilai nod dalam bahagian terselindung (hidden), maka semakin tinggi kemungkinan untuk kesalahan atau isihan. Ini bermakna semakin jauhlah nilai yang tepat bagi output yang dikeluarkan dengan nilai yang sebenar. Secara keseluruhan, Neural Network ini menggunakan time-series forecasting untuk meramal nilai output apabila satu set data digunakan.

Secara asasnya, Neural Network ini terbahagi kepada dua kelas iaitu ‘supervised’ dan ‘unsupervised’ Neural Network. supervised Neural Network membawa maksud input dan output data diperlukan sepanjang proses percubaan atau ‘training’ manakala unsupervised Neural Network pula membawa maksud hanya input data diperlukan untuk diuji.

Contoh Neural Network supervised ialah Multilayer Perceptron dan contoh Neural Network unsupervised ialah Kohonen Network. Neural Network ini nampaknya lebih memfokuskan untuk menyelesaikan masalah yang kompleks yang mana memerlukan banyak neuron bergabung dan bekerja bersama-sama yang menjadi asas kepada penghasilan idea Neural Network.

Neural Network telah digunakan dalam pelbagai bidang dalam kehidupan manusia seperti :
i. Dalam bidang pelaburan- digunakan untuk menjangkakan nilai pengaliran stok semasa daripada data yang lepas.
ii. Dalam bidang penganalisaan tandatangan- digunakan untuk membandingkan tandatangan yang dibuat oleh seseorang dan banyak digunakan dalam bidang perbankan. Aplikasi ini adalah aplikasi pertama yang terbesar di Amerika Syarikat untuk Neural Network.
iii. Dalam bidang pemasaran- digunakan untuk meningkatkan target pasaran. Idea ini adalah untuk menjangkakan apakah respon atau tindakbalas daripada pengguna hasil daripada urutan data yang diketahui.


2.3 SOROTAN SISTEM KAJIAN LEPAS

Sebelum kajian yang lebih lanjut dijalankan untuk projek ini, dua buah kajian atau model yang telah sedia ada telah dikaji bagi melihat keupayaannya untuk beroperasi dalam Neural Network ini. Contoh sistem/kajian lepas yang akan dikaji ialah NeuroSolutions 5.00 dan juga Back Error Propagation Simulator


2.3.1 NeuroSolutions 5.00
Program ini mengandungi penilaian tiga versi produk pembinaan dan rekabentuk Neural Network iaitu NeuroSolutions, NeuroSolutions untuk Excel dan juga Custom Solution Wizard. Untuk kajian ini, hanya NeuroSolutions untuk Excel dan juga Custom Solution Wizard. yang akan dikaji. NeuroSolutions ini merupakan Neural Network yang mempunyai tahap grafik yang tinggi dan digunakan di dalam Windows.

Ia telah mengkombinasi modul, implementasi antaramuka untuk rekabentuk rangkaian yang akan digunakan untuk prosedur pembelajaran tahap tinggi seperti algoritma back-propagation melalui masa dan juga genetic optimization. Keputusannya adalah untuk memberikan persekitaran yang bebas daripada kekangan yang akan membolehkan untuk merekabentuk Neural Network untuk kajian dan juga untuk menyelesaaikan permasalahan yang sebenar.

2.3.1.1 NeuroSolutions untuk Excel.
NeuroSolutions untuk Microsoft Excell digunakan untuk memudahkan dan meningkatkan perjalanan proses untuk memperolehi data di dalam dan di luar Neural Network NeuroSolutions.

Tools ini memberi faedah dan kebaikan yang mana akan meningkatkan keupayaan pembangun (developer) Neural Network dengan memberi kebenaran kepada mereka untuk melakukan segala-galanya daripada pemprosesan data seterusnya merekabentuk Neural Network dan juga untuk mengeluarkan laporan daripada keputusan yang diperolehi.- semuanya boleh dilakukan hanya melalui Microsoft Excel.

Pengguna akan menyenaraikan beberapa bahagian dalam sesebuah data sebagai latihan (training), pengesahan (validation) atau percubaan (testing) sepanjang kertas kerja Excel dan setiap step atau langkah akan melalui beberapa panel konfigurasi (panel configuration) dan pengguna akan bekerja dengan Neural Network. Keadaan ini akan membolehkan dan membenarkan pengguna dengan mudah untuk menentukan rangkaian parameter yang optimum.

2.3.1.2 Custom Solution Wizard
Custom Solution Wizard (CSW) merupakan satu program yang akan mengambil apa jua Neural Network yang dicipta atau direka dengan menggunakan NeuroSolutions dan secara automatik akan mengeluarkan dan mengkompil Dynamic Link Library (DLL) untuk rangkaian tersebut yang mana akan disimpan (embed) dalam aplikasi pengguna.

Keadaan ini akan membenarkan pengguna dengan mudahnya bekerjasama dengan model Neural Network untuk aplikasi pengguna itu sendiri. Custom Solution Wizard (CSW) adalah lebih daripada hanya mencipta dan merekabentuk Dynamic Link Library (DLL) .Ia juga merupakan satu integrasi DLL ke dalam sample aplikasi pekerjaan yang mana memberi tapak permulaan yang berkesan untuk aplikasi sendiri/pengguna

Sampel aplikasi ini boleh dicipta untuk Visual Basic, Access, Excel,Visual C++ dan juga Active Server Page (ASP web pages). Sebagai tambahan , pengguna boleh juga menggunakan CSW ini untuk membangunkan model Neural Network untuk analisis pelaburan atau kewangan.

Sebagai kesimpulannya, Custom Solution Wizard (CSW) melalui Neural Network akan menghasilkan Dynamic Link Library (DLL) yang mana amat berguna untuk aplikasi pengguna itu sendiri dan boleh juga membantu untuk aplikasi pekerjaan.

2.3.2 Back Error Propagation Simulator
Back Error Propagation Simulator (BPS) merupakan satu program menyerupai Neural Network multilayer yang menggunakan back error propagation sebagai algoritmanya. Pensimulasi (simulator) ini bertujuan baik dalam bidang pendidikan dan sangat bergantung kepada interaksi dengan pengguna. Keadaan ini amat penting kepada pengguna untuk membiasakan diri dengan algoritma back error propagation sebelum menggunakan back-propagation simulator. Melalui cara ini, pengguna akan mengetahui bagaimanakah cara pensimulasi melaksanakan kerjanya.


2.4 PEMERIHALAN PERMASALAHAN

Pernyataan masalah merujuk kepada kekangan yang wujud untuk memahami dan mendalami carakerja Neural Network. Antara kekangan dan masalah yang dihadapi ialah:
i) Tiada sebarang spesifikasi yang terperinci bagi menjelaskan bagaimana program back-propagation neural network yang dipilih ini beroperasi. Ini kerana bahagian yang paling penting untuk dikenalpasti ialah dibahagian manakah operasi back- propagation neural netwok telah diimplementasi yang mana untuk kita mengetahui bagaimana nilai output telah dikeluarkan. Selain itu juga, perlu turut difahami ialah nilai-nilai malar/tetap yang telah diisytiharkan dalam setiap submodul-submodul.
iii) Bagaimana untuk dilaksanakan dalam sistem selari (parallel system). Sebelum ini program back-propagation neural network ini dilaksanakan tidak didalam sistem yang selari tetapi setelah ditambah fungsi pada bahagian-bahagian yang tertentu akan menjadikan program ini dapat dilaksanakan dalam sistem yang selari. Sebelum ditambah fungsi tersebut , adalah perlu dahulu untuk memahami secara terperinci perjalanan program supaya dapat diketahui dengan betul dan tepat dimanakah sepatutnya fungsi itu dapat ditambah.


2.5 PEMERIHALAN CADANGAN PENYELESAIAN MASALAH

Bagi menyelesaikan masalah atau kekangan yang dihadapi dalam masa untuk menjalankan kajian ini, cadangan untuk menyelesaikan masalah tersebut telah dirangka dan ditetapkan iaitu :
i) Mengenalpasti dan mengeluarkan segala spesifikasi untuk setiap satu fungsi yang wujud dalam program back- propagation neural network yang telah dipilih itu dengan menggunakan metodologi kejuruteraan berbalik (reverse engineering) dan memahami dengan jelas setiap paten yang wujud dalam setiap fungsi yang ada
ii) Perlu menambah satu fungsi dalam program back-propagation neural network bagi membolehkan program ini dilaksanakan dalam sistem yang selari (parallel) seperti yang dikehendaki. Untuk menambah fungsi tersebut perlu pula mengetahui dimanakah lokasi yang sesuai untuk penambahan fungsi tersebut supaya ia dapat berjalan seperti yang dimahukan.