Salah satu besaran yang penting lainnya dalam astronomi adalah flux. Flux adalah jumlah energi yang diterima melalui satu satuan luas tiap detik. Para astronom menggunakan besaran flux untuk menunjukkan kecerlangan rata-rata dari sebuah objek. Rata-rata kecerlangan disini didefinisikan sebagai jumlah cahaya yang diterima dari sebuah bintang diatas atmosfir bumi yang melewati satu satuan luas tiap detik. Oleh karena itu, kecerlangan rata-rata sebuah bintang juga bisa dijelaskan secara sederhana sebagai flux yang diterima dari bintang bersangkutan.

Pada dasarnya, flux merupakan besaran tingkat aliran energi yang diterima oleh setiap cm² (atau satuan luas lainnya) dari permukaan sebuah objek tiap detik. Besarnya flux yang diterima tergantung pada jarak dari sumber yang memancarkan energi. Ini karena sebelum mencapai kita, energi menyebar melalui satu volume ruang. Anggaplah kita memiliki sebuah balon imajiner yang melingkupi sebuah bintang. Tiap titik pada balon merepresentasikan satu satuan energi yang dilepaskan oleh sebuah bintang. Pada awalnya, titik-titik pada area seluas 1 cm² tersebar berdekatan satu sama lain dengan flux (energi yang dilepaskan tiap cm persegi tiap detik) yang besar. Setelah satu jarak d, volume dan luas permukaan balon meningkat, menyebabkan titik-titik itu saling menjauh. Konsekuensinya, jumlah titik (atau energi) yang melingkupi tiap satu cm² akan berkurang (Lihat gambar) .

Flux berbanding terbalik dengan jarak melalui relasi sederhana r². Oleh karena itu, apabila jaraknya berlipat dua kali, artinya kita menerima 1/2² atau 1/4 dari flux yang sebenarnya. Dengan demikian, flux juga bisa dinyatakan sebagai luminositas (lihat catatan sebelumnya) per satu satuan jarak:



apabila (4 * PI * R²) adalah daerah permukaan dari sebuah bola (atau balon imajiner kita) dengan radius R. Flux dinyatakan dalam Watt/m²/s, atau seperti yang biasa digunakan oleh para astronom: Erg/cm²/s. Sebagai contoh, luminositas dari matahari adalah L = 3.90 * 10²⁶ W. Ini menunjukkan bahwa tiap detik matahari memancarkan energi sebesar 3.90 * 10²⁶ joule ke angkasa. Dengan demikian, flux yang diterima tiap satu centimeter persegi dari matahari dalam jarak 1 AU (1.496 * 10¹³ cm) adalah:




Sebuah bintang memancarkan sinarnya melalui spektrum elektromagnetik dengan rentang frekuensi yang sangat besar, mulai dari gelombang radio berenergi rendah, hingga radiasi sinar gamma beradiasi tinggi. Bintang yang radiasinya dominan pada rentang spektrum ultra-violet menghasilkan magnitudo energi total yang lebih besar ketimbang yang dihasilkan oleh bintang yang lebih banyak memancarkan gelombang infra-merah.

Banyaknya energi yang dipancarkan oleh sebuah bintang dalam waktu satu detik kita sebut sebagai luminositas. Ukuran luminositas mencakup energi yang dipancarkan sebuah bintang pada semua panjang gelombang. Oleh Einstein, hubungan antara panjang gelombang dan energi ditetapkan dengan persamaan E = h * v, dimana v adalah frekuensi, h adalah konstanta Planck, dan E adalah energi foton (dalam satuan joule). Persamaan ini menunjukkan bahwa makin tinggi frekuensi (yang berarti panjang gelombangnya lebih kecil), makin besar pula energi yang dipancarkan.

Sebagai contoh, panjang gelombang dari lambda = 10 meter terentang pada wilayah gelombang radio pada spektrum elektromagnetik, dan memiliki frekuensi f = c /lambda = 3 * 10^8 m/s / 10 = 30 MHz, dimana c adalah kecepatan cahaya. Energi dari foton yang dipancarkan adalah E = h * v = 6.625 * 10^-34 J s * 30 Mhz = 1.988 * 10^-26 joule.

Di sisi lain, cahaya yang kasat mata memiliki panjang gelombang yang lebih pendek dan frekuensi yang lebih tinggi. Sebuah foton yang memiliki lambda panjang gelombang = 5 * 10^9 meter (foton cahaya hijau) memiliki energi E = 3.975 * 10^-17 joule, lebih dari semiliar kali lebih besar dari pancaran foton dalam gelombang radio. Begitu pula dengan foton cahaya merah (lambda panjang gelombang = 700 nm) memiliki energi yang lebih rendah ketimbang foton cahaya ungu (400 nm).

Luminositas bergantung pada temperatur dan luas area permukaan. Ini masuk akal karena berdasarkan analogi dengan peristiwa sehari-hari, kayu yang terbakar memancarkan energi yang lebih besar ketimbang korek api, walaupun keduanya terbakar pada suhu yang sama. Begitu pula baja yang dipanaskan hingga 2000 derajat, juga memancarkan energi yang lebih besar ketimbang yang dipanaskan hanya sampai 200 derajat.

Luminositas adalah ukuran yang sangat fundamental dari Astronomi dan Astrofisika. Banyak hal yang dapat kita ketahui dari benda-benda langit melalui analisis pancaran cahayanya. Ini karena cahaya sebuah bintang juga merekam proses-proses fisika yang terjadi di dalam bintang bersangkutan. Luminositas diukur dalam satuan energi per detik, namun dalam hal ini para astronom lebih suka untuk menggunakan satuan Erg ketimbang Watt.


Pada dasarnya, arsitektur dari sebuah neural network (lihat posting sebelumnya) adalah pengaturan dan koneksi yang spesifik terhadap neuron yang membentuk sebuah jaringan (network). Salah satu arsitektur neural network yang paling umum adalah yang terdiri dari tiga lapisan (layer). Layer pertama disebut sebagai layer input, yang merupakan satu-satunya layer yang berhubungan dengan sinyal eksternal. Layer input meneruskan sinyal pada neuron di layer berikutnya, yang disebut sebagai hidden layer. Hidden layer kemudian memilah fitur dan pola yang relevan dari sinyal yang diterima. Firtur-fitur yang dianggap penting kemudian diteruskan ke layer output, layer terakhir dari network. Neural network yang rumit dapat memiliki beberapa hidden layer yang terpisah, feedback loop, dan elemen time-delay, yang dirancang untuk menjadikan network berjalan seefisien mungkin dengan memilah fitur atau pola yang dikirim oleh layer input.

Neural network memiliki perbedaan yang besar dengan komputer konvensional (seperti PC, workstation, atau mainframe), baik dalam bentuk maupun fungsinya. Neural network menggunakan sejumlah besar prosesor sederhana untuk melakukan kalkulasi, sementara komputer konvensional biasanya menggunakan satu atau sejumlah kecil unit pemrosesan yang sangat kompleks. Neural network tidak memiliki alokasi memori yang terpusat, walaupun ia juga diprogram dengan sederetan instruksi sebagaimana pada komputer konvensional.

Pemrosesan informasi pada sebuah neural network terdistribusikan sepanjang network dalam bentuk prosesor dan koneksi, sementara memori didistribusikan dalam bentuk besaran yang diumpankan pada berbagai koneksi yang tersedia. Distribusi yang sekaligus dalam kemampuan pemrosesan maupun memori membuat sistem neural network memiliki ketahanan yang cukup baik terhadap kerusakan. Sekiranya terjadi masalah dalam network, itu tidak akan berpengaruh terhadap keluaran, dalam artian mengakibatkan malfungsi atau hilangnya informasi. Kemampuan ini juga merupakan salah satu keunggulan dari neural network

Neural network juga memiliki perbedaan yang besar dari komputer konvensional apabila dilihat dari caranya diprogram. Alih-alih diprogram dengan serangkaian instruksi seperti halnya pemrograman komputer tradisional, neural network “berpikir” berdasarkan satu set contoh pelatihan yang terbatas. Network kemudian mampu “belajar” dari contoh awal untuk merespon sekumpulan informasi yang belum pernah dikenal sebelumnya. Nilai keluaran dari koneksi dapat dinyatakan sebagai sebuah ‘program’.

Neural network biasanya disimulasikan pada komputer konvensional. Kelebihan dari pendekatan ini adalah komputer dapat diprogram ulang dengan mudah untuk mengganti arsitektur atau cara belajar dari neural network yang disimulasikan. Karena komputasi pada neural network dilakukan secara paralel, kecepatan pemrosesan pada simulasi neural network dapat ditingkatkan apabila dijalankan pada sekumpulan komputer yang terparalel secara masif, atau sebuah komputer yang menyatukan ratusan hingga ribuan prosesor untuk menghasilkan kecepatan proses yang sangat tinggi. Dalam hal ini, sebuah superkomputer, atau sekumpulan komputer yang terkoneksi melalui jaringan distributed network adalah sistem yang ideal untuk menjalankan aplikasi neural network.


Dalam terminologi sains komputer, neural network didefinisikan sebagai jaringan interkoneksi dari sekumpulan elemen pengolahan informasi yang didesain untuk meniru cara kerja otak manusia. Neural network biasanya diaplikasikan untuk menangani problem-problem komputasi yang terlalu kompleks untuk dikerjakan dengan metode “tradisional”. Dilain pihak, pengembangan dari neural network dalam sains komputer juga telah membantu kita untuk memahami bagaimana sesungguhnya otak manusia bekerja. Salah satu keunggulan penggunaan neural network adalah kemampuannya untuk belajar hanya melalui sedikit contoh.

Neural network pertama kali dipelajari oleh para saintis komputer pada akhir dekade 1950-an dan awal 1960-an dalam usaha untuk membuat model persepsi sensorik pada organisme biologis. Kini neural network telah diaplikasikan dalam berbagai hal. Pengenalan suara (speech recognition) dan pengenalan pola (pattern recognition), pengenalan tulisan tangan, serta pembuatan model finansial dan ekonomi merupakan sebagian dari aplikasi yang memanfaatkan neural network.

Bicara tentang neural network, berarti bicara tentang salah satu dari dua hal: neural network artifisial (buatan), dan neural network biologis. Neural network artifisial dimodelkan dari struktur dan fungsi neural network biologis. Neural network biologis yang paling familiar tentu saja adalah otak manusia. Otak manusia terdiri dari sekitar 100 milyar sel saraf, disebut dengan neuron, yang saling berhubungan (interkoneksi) secara masif. Setiap neuron pada otak manusia rata-rata terhubung dengan 10.000 neuron lainnya. Beberapa jenis neuron ada yang berhubungan dengan 200.000 neuron lain. Besarnya jumlah neuron dan banyaknya hubungan antar neuron adalah alasan mengapa otak mampu melakukan sejumlah besar kalkulasi dalam waktu yang singkat.

Neuron biologis memiliki struktur yang sederhana walaupun dalam skala yang sangat besar. Neuron memiliki tiga bagian utama: inti sel, badan sel yang disebut soma, dan dua jenis percabangan, dengan struktur seperti pohon yang berpangkal di soma, yang disebut dendrit dan axon. Informasi dari neuron lainnya diterima oleh dendrit melalui titik yang disebut sinapsa dalam bentuk impuls listrik. Informasi mengalir dari dendrit ke soma dimana informasi itu diproses. Sinyal output, berupa sederetan impuls, dikirimkan dari akson ke sinapsa melalui neuron lainnya.

Neuron artifisial, seperti halnya bentuk biologisnya, memiliki struktur yang sederhana dan didesain untuk meniru fungsi-fungsi neuron biologis. Bagian utama dari neuron artifisial disebut sebagai node atau unit. Neuron artifisial dapat terkoneksi secara fisik antara satu dengan lainnya, misalnya melalui kabel, yang meniru koneksi antar neuron biologis. Ini terjadi apabila dalam hal ini, neuron adalah sebuah sikuit terintegrasi (Integrated Circuit, IC) sederhana. Akan tetapi, neural network biasanya disimulasikan dalam komputer tradisional. Dalam kasus ini, koneksi antar node tidaklah secara fisik, melainkan virtual.

Sebuah neuron artifisial dapat bersifat diskrit (memiliki sifatnya sendiri) atau berkelanjutan (continous). Neuron diskrit mengirimkan sinyal output “1” apabila nilai sinyal yang diterima lebih besar dari nilai kritis yang telah ditentukan sebelumnya (disebut sebagai threshold value), dan dalam kondisi sebaliknya, ia mengirimkan sinyal “0”. Sementara itu, neuron berkelanjutan tidak dibatasi untuk hanya mengirimkan nilai output “0” atau “1”. Neuron jenis ini mengirimkan sinyal output dengan nilai antara “1” dan “0” tergantung dari jumlah total input yang diterimanya – makin kuat sinyal yang diterima, makin besar pula sinyal yang dikirimkan dari sebuah node, dan demikian pula sebaliknya. Neuron berkelanjutan adalah yang paling banyak dipakai dalam aplikasi neural network yang sesungguhnya.