PENGERTIAN KONEKSIONIS

By On Tuesday, October 8th, 2013 Categories : Antropologi

Istilah koneksionisme digunakan secara luas dalam sejarah psikologi. Carl Wernicke (1874) menyusun model fungsi bahasa yang memberi penekanan koneksi antara berbagai wilayah kota (sehingga ia disebut ahli koneksi) dan di situ ia memakai istilah koneksionisme, sama seperti yang dilakukan oleh Donald Hebb (1949) ketika menyusun rumusan mengenai memori yang dinyatakannya sebagai fungsi penguat koneksi- koneksi di otak manusia. Penggunaan modern istilah tersebut lebih dikaitkan dengan Hebb dan hal itu diterapkan pada model-model komputasional kinerja manusia yang tersusun dari unit-unit seperti neuron (sel otak). Model-model ini juga dapat ditemukan pada karya McCulloch dan Pitts (1943) mengenai simulasi fungsi neural. Gagasan mereka disederhanakan dan dibuat komputasional oleh Rosenblatt (1962) dalam karyanya mengenai perceptions pada 1950-an dan 1960-an. Namun minat untuk mempelajari perceptron mengikis ketika Minsky dan Papert (1969) berhasil membuktikan bahwa konsepsi perceptron tersebut diliputi oleh banyak kelemahan. Antara lain, konsepsi tersebut tidak dapat memecahkan apa yang disebut sebagai masalah OR-eksklusif di mana suatu stimuli harus diklasifikasikan sedemikian rupa sesuai dengan karakter khasnya. Perceptron-perceptron yang kompleks itu lebih sulit dianalisis secara matematis, namun minat untuk mempelajari hal itu kembali bangkit di akhir tahun 1970-an berkat tersedianya perangkat komputer yang efisien dan murah. Dengan perangkat komputer itu para ahli dapat menyusun model-model matematis yang lebih baik guna memahami masalah jaringan neural yang sangat rumit itu.
Sejak pertengahan 1980-an komputasi jaringan neural telah diterapkan secara luas di luar psikologi Istilah koneksionisme, meskipun tidak didefinisikan secara ketat, biasanya diterapkan bagi penggunaan neural bagi model-model psikologis yang antara lain dipopulerkan oleh Rumelhart, McClelland, Hinton dan para ilmuwan lainnya. Sebuah model koneksionis mengandung tiga kelompok unit setara neuron yang masing-masing disebut unit input, unit tersembunyi, dan unit output. Sifat dasar dari suatu unit adalah memiliki tingkat aktivasi tertentu yang kurang lebih setara dengan tingkat pemicu neuralnya. Aktivasi dipicu di sepanjang koneksi yang mempertautkan unit-unit yang kemudian membentuk suatu jaringan sehingga aktivasi dari suatu unit tertentu dipengaruhi (secara positiv maupun negatif) oleh aktivasi dari unit-unit lain yang berkaitan dengannya. Pemicuan aktivasi berlangsung dalam serangkaian siklus pada setiap detik waktu komputasional. Stimuli yang membuat suatu jaringan koneksionis memberikan respon diberi kode sesuai dengan pola aktivasi dalam unit- unit input. Siklus aktivasi akan mengarus menjadi pola aktivasi pada unit-unit output yang juga diberi kode sesuai dengan tanggapan jaringan. Sedangkan unit-unit tersembunyi akan muncul di antara unit-unit input dan output, dan unit-unit tersebut akan menjelaskan kompleksitas jaringan dan hubungan-hubungan yang terkandung di dalamnya. Fungsi unit-unit dalam suatu jaringan koneksionis dan kekuatan koneksi di antara unit tersebut dapat diukur. Sebagai contoh, sebuah unit dalam sistem identifikasi kata mungkin berhubungan dengan huruf A pada awal peradaban, dan unit ini akan ditingkatkan aktivitasnya oleh sebuah kata yang berawal dengan huruf A. Di samping itu unit ini akan memiliki koneksi positif yang kuat dengan unit-unit yang berhubungan dengan kata-kata yang semuanya dimulai dengan huruf A. Namun salah satu sifat terpenting jaringan koneksionis adalah bahwa hal itu dapa. menciptakan proses belajar untuk menjalankan tugas-tugas tertentu. Semua itu dapat dilangsungkan dengan ditunjang oleh metode pembenan kode pada unit input dan output. Interpretasi dar aktivasi oleh unit-unit tersembunyi, dan kekuatan koneksi antara unit-unit tersebut tidak dapat diketahui sebelumnya. Bahkan sebenarnya proses belajar dalam sistem-sistem itu dapat dianggap sebagai suatu perubahan dalam tingkat kekuatan koneksi.¬†Metode terbaik untuk mempelajari jaringan koneksionis adalah back propagation. Pada awalnya kekuatan koneksi-koneksi ditetapkan secara acak, lalu sebuah input dimasukkan ke dalam sistem. Hal itu akan menciptakan output secara acak pula, namun oleh program pengajar hal itu akan dikoreksi sesuai dengan yang dikehendaki oleh pemogram. Perbedaan antara output aktual dengan output yang benar/diinginkan kemudian digunakan untuk menyesuaikan kekuatan koneksi itu, sehingga ia akan mengerjakan kembali semua perintah dari unit input ke unit output (dari sinilah istilah back propagation itu timbul). Langkah ini diulang beberapa kali untuk input-input yang berlainan yang dipilih melalui satu prosedur yang disebut training set. Perubahan-perubahan kekuatan koneksi biasanya sangat kecil karena jaringan itu memang tidak boleh mendapat respon dari input terakhir yang biasanya berbeda dari input-input lainnya. Serangkaian koneksi harus dibangkitkan kekuatannya guna memberikan respon yang akurat untuk semua stimuli dalam training set dan juga stimuli yang lain dari kelas yang sama, yang seluruhnya akan diuji. Metode belajar tanpa pengawasan juga dapat dilakukan untuk jaringan koneksionis. Salah satu di antaranya adalah metode belajar kompetitif yang populer dalam psikologi, meskipun ada metode lain yang disebut resonansi adaptif yang sesungguhnya lebih bermanfaat. Aplikasi jaringan koneksionis itu sangat bervariasi. baik dalam penyusunan model psikologis maupun dalam dunia nyata. Dalam pembuatan model psikologis, bidang-bidang yang telah banyak menggunakan teknik koneksionis murni adalah identifikasi kata-kata lisan dan tertulis. Dalam domain lain, khususnya pada tingkat pemikiran yang lebih tinggi, model yang populer adalah model hibrida. Model-model ini memadukan teknik koneksionis dengan teknik simbolis yang sifatnya lebih tradisional. Dalam aplikasi komersial seperti pada kontrol proses industri (yang melibatkan robot-robot dan mesin yang menggunakan komputer), sistem hibrida sering pula digunakan. Meskipun digunakan secara luas, sesungguhnya jaringan koneksionis itu diliputi oleh sejumlah kelemahan. Pertama, meskipun mudah diterapkan dalam penyusunan model, seperti identifikasi kata lisan, jaringan koneksionis kurang mampu memberikan informasi sekuensial secara alamiah. Namun kelemahan ini dapat diatasi oleh Jordan (1986) yang membuat rangkaian jaringan ulang yang dapat memberikan informasi dari unit output kembali ke unit input (dengan selang waktu tertentu) sehingga aspek sekuensial itu dapat ditangkap. Keterbatasan berikutnya yang lebih serius adalah jaringan koneksionis ini nampaknya tidak mampu menjelaskan hubungan-hubungan penting antara potongan-potongan informasi yang tersimpan dalam pikiran manusia. Seperti yang dikemukakan oleh Fodor dan Pylyshyn (1988:48). Anda tidak bisa masuk ke dalam pikiran yang sudah disiapkan untuk mengatakan ‘John pergi ke toko”, untuk mengubahnya agar ia mengatakan “John dan Mary dan Susan dan Saily pergi ke toko” atau “John dan Mary pergi ke toko”, dan juga “John dan Mary dan Susan pergi ke toko”. Celakanya, kelemahan ini bisa dijumpai di semua jaringan koneksionis.

PENGERTIAN KONEKSIONIS | ok-review | 4.5