Analysing the Requirements of Performance Measurement Systems

Performance Measurement System (PMS) yang berhasil adalah kumpulan pengukuran performansi yang menyediakan informasi bagi perusahaan yang berguna untuk membantu dalam proses perencanaan, kontrol dan manajemen semua aktivitas perusahaan. Mendesain PMS adalah bukan hal yang mudah dan biasanya bersifat spesifik untuk setiap perusahaan.

Persyaratan Performance Measurement System (PMS)

Crawford dan Cox (1990)

• PMS harus mudah dimengerti oleh bagian-bagian yang mengevaluasi performansi sebuah perusahaan
• PMS harus mengevaluasi sebuah grup bukan pekerjaan individu
• Reporting untuk PMS lebih baik berupa grafik

Cross dan Lynch (1992), Kaplan dan Norton (1992), Dixon et.al (1990), Bourne et al (2003)

•     PMS harus disusun berdasarkan strategi perusahaan dan mengukur kesesuaian pola karyawan dengan tujuan utama perusahaan

Globerson (1985)

• PMS harus bersifat akurat, relevan, tersedia di waktu yang tepat, dan mudah diakses oleh orang yang tepat

Kaplan dan Norton (1992)

• PMS harus mengukur baik performansi secara finansial atau non finansial

Neely et al. (1985)

• PMS harus memperhatikan kepentingan stakeholder yang lain selain investor seperti karyawan, customer dan juga suplier

Mendesain Performance Measurement System (PMS)

Untuk mendesain Performance Measurement System (PMS) ada 2 pertanyaan yang harus dijawab yaitu “Apa yang akan diukur ?” dan “Bagaimana cara pengukurannya ?” Pada jurnal ini akan dibahas mengenai “Apa yang akan diukur ?” dimana akan menghasilkan sistem kelas dalam PMS.

Sistem Kelas dalam PMS

Sistem kelas disini berfungsi agar perusahaan mengevaluasi dari sistem PMS yang telah berjalan saat ini dan mengembangkannya ke kelas yang lebih canggih. Berikut pembagian kelas dalam PMS :

1. Third Class “Financial”

PMS pada kelas berdasarkan pengukuran tradisional seperti ROI, ROE, Arus Kas, dan juga produktivitas. PMS ini berorientasi pada keuntungan dan kebanyakan berorientasi jangka pendek.

• Single-dimensional
• Fokus : internal
• Orientasi jangka pendek
• Memenuhi keinginan Top level manajemen
• Mudah diakses

   

2. Second Class “Balanced”

PMS pada kelas ini lebih kompleks dimana performansi diukur secara multidimensional (tidak hanya finansial). Sangat berorientasi pada customer. Digunakan lebih kearah improvement.

• Multi-dimensional
• Fokus : internal dan eksternal
• Orientasi jangka panjang dan pendek
• Memenuhi keinginan setiap level hierarki
• Informasi ditujukan kepada personal tertentu

3. First Class “Fully integrated”

PMS pada kelas ini dapat menjelaskan hubungan dari tiap organisasi dalam perusahaan. Database dan sistem reporting saling terintegrasi. Informasi dari PMS ter-update secara kontinuous dan secara langsung dipresentasikan kepada orang yang membutuhkan.

• Causal relationship dimensional
• Fokus : Semua Stakeholder
• Orientasi jangka panjang dan pendek
• Memenuhi keinginan setiap level hirerarki
• Arsitektur sistem informasi yang fully integrated

 Berikut ciri-ciri dari PMS yang bagus

Menyediakan Informasi yang Akurat

Informasi yang diberikan dalam PMS harus akurat, banyaknya eror dapat menyebabkan kebingungan dan memberikan efek negatif pada performansi perusahaan.

Mendukung kegiatan operasional dan pengambilan keputusan strategis

Ada banyak artikel yang menyebutkan bahwa sistem PMS harus mendukung strategi perusahaan kemudian diterjemahkan menjadi strategi operasional. Harus diingat bahwa strategi perusahaan berubah seiring waktu. Dan diharapkan PMS juga memiliki fleksibilitas untuk berubah sesuai strategi perusahaan.

Sebagai filter untuk dilakukannya sub-optimization

Informasi yang diberikan dalam PMS harus akurat, banyaknya error dapat menyebabkan kebingungan dan memberikan efek negatif pada performansi perusahaan.

Menyediakan informasi yang terbatas

Informasi yang terlalu kompleks dapat menyebabkan “information overload.” Information overload dapat membuat menajer tidak dapat lagi memilah-milah informasi mana yang penting dan informasi yang tidak penting akibatnya banyak informasi yang diacuhkan karena manajer memerlukan waktu yang banyak untuk dapat melakukan analisis.

 ARTIKEL PENDUKUNG

Dari wikipedia.org Behn (2003) memberikan 8 alasan diperlukannya pengukuran performansi :

1. To Evaluate. Beberapa cara dapat digunakan untuk mengevaluasi antara lain dengan membandingkan performansi aktual dengan peformansi sebelumnya, membandingkan dengan perusahaan sejenis, dan membandingkan dengan rata-rata industri.

2. To Kontrol. Digunakan untuk fungsi kontrol bagi manajer untuk mengetahui karyawannya melakukan hal yang benar. Saat ini banyak manajer yang tidak melakukan fungsi kontrol secara langsung tetapi fungsi kontrol tetap diperlukan.

3. To Budget. Biaya adalah salah satu tools untuk melihat meningkatnya performansi. Kadang penghematan biaya bukan cara yang baik untuk meningkatkan performansi. Kadang dengan meningkatnya performansi biaya pun bertambah.

4. To Motivate. Pengukuran performansi dapat digunakan untuk memfokuskan karyawan pada tujuan perusahaan dan untuk memeberikan motivasi sesuai dengan pencapaian tujuan perusahaan. 

5. To Celebrate. Saat sebuah organisasi mencapai tujuan jangka pendeknya tidak ada salahnya untuk merayakannya. Perayaan keberhasilan akan memotivasi seluruh elemen perusahaan.

6. To Promote. Pengukuran performansi dapat digunakan sebagai sistem informasi bagi keseluruhan satekholder (First Class) yang dengan sendirinya akan mempromosikan organisasi itu sendiri.

7. To Learn. Seorang pengambil keputusan perlu belajar, apakah keputusan yang diambil benar ataukah tidak. Pengukuran performansi yang baik dapat memberikan informasi strategis bagi pengambil keputusan.

8. To Improve. Sebenarnya ini adalah inti dari pengukuran performansi tidak lain adalah untuk meningkatkan performansi itu sendiri.

 

STUDI KASUS

Case : Taco Bell

Pada tahun 1999, setiap tiga dari empat fast food yang dibeli di Amerika dibuat oleh satu perusahaan yaitu Taco Bell. Dominasi market tidak akan sebesar ini apabila Taco Bell tidak melakukan transformasi dalam operasionalnya. Pada saat itu semua bahan-bahan dibuat dari mentah dan dimasak secara sendiri-sendiri. Saat bahan-bahan tersebut siap maka diolah dan disajikan sesuai dengan keinginan customer. Waktu tunggu di customer cash register rata-rata adalah 105 detik dan bertambah disaat peak hour.

Beberapa strategi dilakukan oleh John Martin sebagai CEO dari Taco Bell :

1983 - Merubah bentuk layout untuk dapur sehingga meningkatkan kecepatan makanan tersedia dan meningkatkan persepsi customer, menambah menu, memperbesar unit, menambahkan fasilitas drive thru, memperbaiki dekorasi dan membuat baju seragam untuk para staff.

1989 - Project K-minus : semua makanan tidak lagi didatangkan dalam bentuk mentah tetapi sudah olahan setengah jadi sehingga tidak terdapat lagi proses memasak dari mentah. Tentu saja hal ini meningkatan kecepatan penyajian 30 detik lebih cepat dan juga meningkatkan kapasitas pelayanan pada saat peak hour sebesar 50%.

1989 - TACO (Total Automation of Company Operations) : adalah sebuah IT project yang didesain untuk mengkomputerisasi semua unit dengan pusat. TACO menyediakan daily report untuk setiap unit manajer  dengan 46 pengukuran performansi. Dengan sistem ini waktu 16 jam per minggu yang dihabiskan oleh setiap manajer untuk pelaporan dapat dikurangi. dengan sistem ini manajer di Taco bell lebih fokus kepada pelayanan kepada customer.

KESIMPULAN 

Performance Measurement System (PMS) yang berhasil adalah kumpulan pengukuran performansi yang menyediakan informasi bagi perusahaan yang berguna untuk membantu dalam proses perencanaan, kontrol dan manajemen semua aktivitas perusahaan. Ada tiga sistem kelas pada PMS yaitu First Class “Fully integrated,” Second Class “Balanced,” dan Third Class “Financial.” Sebuah perusahaan sebaiknya mempelajari di kelas mana PMS yang saat ini digunakan dan secara bertahap berkembang ke kelas yang lebih tinggi.

REFERENSI

1. Stefan Tangen, Insights from practice "Analysing the requirements of performance measurement systems," Journal, Measuring Business Excellence, Emerald Group Publishing Limited, 2005.
2. http://en.wikipedia.org/wiki/Performance_measurement

Jaringan Syaraf Tiruan . . . (2)

3. Karakteristik Jaringan Syaraf Tiruan

Penyelesaian masalah dengan jaringan syaraf tiruan tidak memerlukan pemrograman. Jaringan syaraf tiruan menyelesaikan masalah melalui proses belajar dari contoh-contoh pelatihan yang diberikan. Biasanya pada jaringan syaraf tiruan diberikan sebuah himpunan pola pelatihan yang terdiri dari sekumpulan contoh pola. Proses belajar jaringan syaraf tiruan berasal dari serangkaian contoh-contoh pola yang diberikan.metode pelatihan yang sering dipakai adalah metode belajar terbimbing. Selama proses belajar itu pola masukan disajikan bersama-sama dengan pola keluaran yang diinginkan. Jaringan akan menyesuaikan nilai bobotnya sebagai tanggapan atas pola masukan dan sasaran yang disajikan tersebut. (Hermawan, 2006)
3.1. Faktor Bobot
Bobot merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan hubungan antara suatu node dengan node yang lain. Semakin besar bobot  suatu hubungan menandakan semakin pentingnya hubungan kedua node tersebut.
Bobot merupakan suatu hubungan berupa bilangan real maupun integer, tergantung dari jenis permasalahan dan model yang digunakan. Bobot-bobot tersebut bisa ditentukan untuk berada didalam interval tertentu. selama proses pelatihan, bobot tersebut dapat menyesuaikan dengan pola-pola input.
Jaringan dengan sendirinya akan memperbaiki diri terus-menerus karena adanya kemampuan untuk belajar. Setiap ada suatu masalah baru, jaringan dapat belajar dari masalah baru tersebut, yaitu dengan mengatur kembali nilai bobot untuk menyesuaikan karakter nilai. (Puspaningrum, 2006)
3.2. Fungsi Aktivasi
Setiap neuron mempunyai keadaan internal yang disebut level aktivasi atau level aktivitas yang merupakan fungsi input yang diterima. Secara tipikal suatu neuron mengirimkan aktivitasnya kebeberapa neuron lain sebagai sinyal. Yang perlu diperhatikan adalah bahwa neuron hanya dapat mengirimkan satu sinyal sesaat, walaupun sinyal tersebut dapat dipancarkan ke beberapa neuron yang lain.
Ada beberapa pilihan fungsi aktivasi yang digunakan dalam metode backpropagation, seperti fungsi sigmoid biner, dan sigmoid bipolar. Karakteristik yang harus dimiliki fungsi fungsi aktivasi tersebut adalah kontinue, diferensiabel, dan tidak menurun secara monoton. Fungsi aktivasi diharapkan dapat mendekati nilai-nilai maksimum dan minimum secara baik. Berikut ini adalah fungsi aktivasi yang sering digunakan yaitu: (Puspaningrum, 2006)

1. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Definisi fungsi sigmoid biner adalah segabai berikut:
f₁(x) = 1/(1+ e^–x)
dengan turunan
f₁’(x) = f₁(x) (1- f₁(x))
berikut ini ilustrasi fungsi sigmoid biner:

Gambar 1. Ilustrasi fungsi sigmoid biner dengan range (0,1)

1. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai    -1. Definisi fungsi sigmoid bipolar adalah sebagai berikut:
f₂(x) = 2 f₂(x) -1
dengan turunan
f₂’(x) = ½ (1+ f₂(x)) (1- f₂(x))
Berikut ini adalah ilustrasi fungsi sigmoid bipolar:

Gambar 2. Ilustrasi fungsi sigmoid bipolar dengan range (-1,1)

4. Model Jaringan Syaraf Backpropagation

Pelatihan pada jaringan syaraf backpropagation, feedfoward (umpan maju) dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang terjadi. Error (kesalahan) dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi. Sebagian besar pelatihan untuk jaringan feedfoward (umpan maju) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation.
Algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Pelatihan backpropagation meliputi 3 tahapan sebagai berikut.
1. Propagasi maju.
Pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktivasi yang ditentukan.
2. Propagasi mundur.
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer.
3. Perubahan bobot.
Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. (Puspaningrum, 2006)

5. Algoritma Jaringan Syaraf Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward). Tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu untuk mendapatkan nilai error tersebut. Saat perambatan maju neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner yaitu:
Arsitektur jaringan syaraf backpropagation seperti terlihat pada gambar dibawah ini:

Gambar 3. Arsitektur backpropagation

Keterangan       :
x₁ s/d x_n : input layer
z₁ s/d z_p : hidden layer
y₁ s/d y_m : output layer
Algoritma backpropagation (Kusumadewi, 2003):

1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).
2. Kerjakan langkah-langkah berikut selama kondisi berhenti belum terpenuhi.

• Tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:

Feedforward
[1]. Tiap unit input (x_i, i=1,2,3,…n) menerima sinyal x_i dan meneruskan sinyal tersebut pasa lapisan yang ada diatasnya (lapisan tersembunyi).
[2]. Tiap unit tersembunyi (z_j, j=1,2,3,…,p) menjumlahkan sinyal-sinyal input terbobot:
gunakan fungí aktivasi untuk menghitung sinyal outputnya:

z_j = f (z_in_j)

dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).
[3]. Tiap unit output (y_k, k=1,2,3,…,m) menjumlahkan sinyal-sinyal input terbobot
gunakan fungsi aktivasi untuk menghitung sinyal outputnya.

y_k= f (y_in_k)

dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya (unit-unit output).
Backpropagation
[4]. Tiap-tiap unit output (y_k, k=1,2,3,…,m) menerima target pola yang berhubungan dengan pola input pembelajaran. Hitung informasi errornya.

σ_k = (t_k – y_k) f’(y_in_k)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki w_jk)

Δw_jk = α σ_k z_ij

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w_0k) :

Δw_jk = α σ_k

Kirimkan σ_k ini ke unit-unit yang ada dilapisan bawahnya.
[5]. Tiap-tiap unit tersembunyi (z_j, j=1,2,3,…,p) menjumhlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya) :
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

σ_j = σ_in_j f’(z_in_j)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v_ij):

Δv_jk = α σ_j x_i

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki  nilai v_0j):

Δv_0j = α σ_j

Tiap unit output (y_k, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=0,1,2,3,…,p).

w_jk (baru) = w_jk(lama) + Δw_jk

Tiap-tiap unit tersembunyi (z_j, j=1,2,3,…,p) memperbaiki bias dan bobotnya (i=0,1,2,3,…,n)

v_ij(baru) = v_ij(lama) + Δv_ij

• Tes kondisi berhenti.

JARINGAN SYARAF TIRUAN

SEJARAH
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

PENGERTIAN DASAR
Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan.
Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :
a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung) yang dibentuk.
b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.
d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada struktur otak yang berkembang dengan urutan waktu yang sama.
Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh otak.
Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.
Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.
Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi.
Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan sel tiruan.

DEFINISI
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:
“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:
“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan syaraf buatan sebagai berikut :
Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.

Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau pekerjaan yang kurang praktis jika dikerjakan secara manual.

Kegunaan Dalam Kehidupan Nyata

• Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan modeling.
• Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil keputusan dalam pengurutan.
• Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
• Robotik

New York Tee

New York Tee: T-Shirt With New York Animal Print Applique by 24:01.

Find this cool stuff here: http://zocko.it/LC6gu

Camo Unit SS Watch

Camo Unit SS Watch: The Unit SS. A powerful watch in a small design. Its sporty, stainless steel construction protects it while the powerful insides provides more than just time measurement.

Find this cool stuff here: http://zocko.it/LC6gl

Portrait Blouse

Portrait Blouse: Portrait Blouse by Shopatvelvet.

Find this cool stuff here: http://zocko.it/LC6g1

Algoritma Bayesian Filter

Bayesian filter merupakan metode terbaru yang digunakan untuk mendeteksi spam mail. Algoritma ini memanfaatkan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Dua kelompok peneliti, satu oleh Pantel dan Lin, dan yang lain oleh Microsoft Research memperkenalkan metode statistik Bayesian ini pada teknologi anti spam filter. Tetapi yang membuat algoritma Bayesian filtering ini popular adalah pendekatan yang dilakukan oleh Paul Graham. 

 Bayesian filter mendeteksi spam dengan cara menghitung probabilitas dari suatu pesan (mail) berdasarkan isinya. Probabilitas ini dapat dihitung dengan terlebih dahulu membuat suatu database spam-mail dan database non spam-mail. Kemudian dengan suatu metode training, software anti spam yang menggunakan algoritma Bayesian dapat dilatih untuk melihat kata-kata yang sering digunakan pada spam-mail, sehingga pada akhirnya dihasilkan filter anti spam yang akurat dengan sesedikit mungkin false positives. False positives adalah e-mail legal yang ditujukan kepada penerima, tetapi karena kesalahan dari filter anti spam, dikategorikan menjadi spam-mail.

Pada dasarnya, algoritma Bayesian filter merupakan merupakan pengembangan dari algoritma penilaian pesan (scoring content-based filter, hampir sama dengan keywords filtering) yaitu filter mencari karakteristik kata-kata yang banyak digunakan pada spam-mail, kata-kata ini diberi nilai individual, dan nilai spam secara keseluruhan dihitung dari nilai individual tersebut. Tetapi algoritma ini memiliki kelemahan yaitu karakteristik kata-kata pada spam-mail dan non-spam mail akan berbeda-beda untuk setiap individu. Kata “business” misalnya yang untuk sebagian orang akan termasuk pada karakteristik kata-kata pada spam-mail, tetapi untuk perusahaan tertentu yang bergerak di bidang itu, kata “business” tersebut akan termasuk pada non spam-mail. Dapat dikatakan bahwa algoritma scoring content-based filter ini tidak kompatibel.

Lain halnya dengan scoring content-based filter, Bayesian filter akan membuat daftar karakteristik kata-kata spam dan non-spam mail secara otomatis. Tentunya terlebih dahulu , kita harus mengklasifikasikan e-mail – e-mail mana saja yang termasuk spam-mail dan mana yang termasuk non-spam mail. Bayesian filter akan menghitung probabilitas dari kata-kata yang umum digunakan pada spam mail berdasarkan klasifikasi ini. Karakteristik dari spam-mail yang dapat diidentifikasi antara lain berdasarkan kata-kata pada body message, header message, dan juga kode HTML (seperti pemberian background warna).

3.1. Perhitungan Probabilitas Berdasarkan Algoritma Bayesian

Pada awalnya, Bayesian filter ini harus di-training terlebih dahulu menggunakan sejumlah spam mail dan sejumlah ham mail. Bayesian filter akan menghitung probabilitas lokal dari suatu kata, misalnya kata “adult”, untuk muncul di kelompok spam mail. Probabilitas lokal ini dapat dirumuskan sebagai berikut :

 

                        P_{local – spam} = N _spam / (N _spam + N _non-spam)         …………..(1.1)

dimana : P_{local – spam}    = probabilitas suatu kata “x” terdapat pada spam-mail

               N _spam           = jumlah spam mail dengan kata “x” di dalamnya

               N _non-spam        = jumlah non-spam mail dengan kata “x” di dalamnya

Atau rumus lain yang digunakan untuk menghitung probabilitas lokal dari suatu kata, terutama jika nilai  N _spam dan N _non-spam kecil adalah bahwa probabilitas akan terletak di sekitar probabilitas ketidakpastian (P = 0.5) :

 

                                                P_{local – spam} = 0.5 +       …………….(1.2)

            dimana : C₁ dan C₂ adalah konstanta yang dipilih melalui eksperimen

Misalkan jika C₁ = 2 dan C₂ = 1, dan jika suatu kata “x” hanya ditemukan pada satu spam-mail dan tidak ditemukan sama sekali pada ham mail, maka probabilitas lokal suatu message baru yang mengandung kata tersebut dikategorikan sebagai spam adalah 0.75. Probabilitas ini tidak terlalu tinggi untuk dikategorikan sebagai spam. Sementara jika kata tersebut ditemukan pada sepuluh spam-mail dan tidak ditemukan sama sekali pada ham mail, maka probabilitas lokal-nya akan sama dengan 95.4%, yang cukup tinggi untuk dikategorikan sebagai spam. Perhitungan probabilitas ini jika dilakukan dengan rumus (1.1), akan memberikan hasil yang terlalu “kasar”, yaitu probabilitas mutlak = 1.

Probabilitas lokal dari masing-masing kata tersebut kemudian menggunakan aturan rantai (chain rule) Bayesian untuk menentukan probabilitas total dari suatu message adalah spam. Bayesian chain rule dirumuskan sebagai berikut :

 

        …………………………(1.3)

dimana : a = probabilitas suatu message dikategorikan sebagai spam dengan adanya kata “a” 

               b = probabilitas suatu message dikategorikan sebagai spam dengan adanya kata “b” 

Untuk menentukan probabilitas total, perhitungan di atas dilakukan terus menerus secara iterative dari  probabilitas lokal masing-masing kata pada message tersebut.

            Sebagai salah satu cara untuk menghindari false positives, filter dapat di-training untuk mengkategorikan message sebagai spam hanya jika :

   ……………… (1.4)

dimana :           = probabilitas total suatu message dengan kata-kata tertentu dikategorikan sebagai spam

                   =  probabilitas total suatu message dengan kata-kata tertentu dikategorikan sebagai legitimate mail

Seperti telah dibahas di atas, bahwa setiap kata memiliki probabilitas lokal untuk muncul pada spam-mail dan probabilitas lokal untuk muncul pada legitimate-mail. Berdasarkan probabilitas lokal tersebut, suatu message mempunyai probabilitas total untuk dikategorikan sebagai spam mail atau sebagai legitimate mail. Karena false positives dianggap lebih beresiko karena dapat menghilangkan mail yang penting bagi seseorang atau suatu perusahaan, maka dipilih nilai l tertentu pada persamaan(1.4) di atas untuk memperkecil kemungkinan terjadinya false positives.

Kelemahan dari Bayesian chain rule ini adalah tiap kata diasumsikan terpisah dan tidak tergantung satu sama lain. Padahal dalam menganalisis suatu teks, setiap kata saling berhubungan satu dengan yang lain. Kelemahan ini diatasi oleh algoritma probabilitas chi-squared yang dikembangkan pada proyek SpamBayes (akan dibahas berikut ini).

            3.2. Pengembangan Algoritma Bayesian

Salah satu pengembangan algoritma Bayesian filter adalah proyek SpamBayes yang ditujukan untuk melakukan pembaharuan dari algoritma Bayesian filter yang pertama kali dikembangkan oleh Paul Graham. Proyek SpamBayes ini dimotori oleh Gary Robinson dan Tim Peters. Secara prinsip proyek SpamBayes ini sama dengan algoritma Bayesian dari Paul Graham. Kelebihannya adalah SpamBayes dapat mengkategorikan mail menjadi spam-mail, non-spam mail (ham), dan unsure-mail. Unsure-mail dapat dikatakan sebagai pesan yang tidak dapat dikategorikan secara rating menjadi spam mail ataukah ham mail. Pengkategorian seperti ini juga dilakukan dengan cara yang sama yaitu dengan memberikan algoritma belajar pada SpamBayes berdasarkan beberapa e-mail yang dikategorikan sebagai spam mail atau ham mail.