Jaringan Syaraf Tiruan (Artificial Neural Network)

Jaringan Syaraf Tiruan (Artificial Neural Network) – Jaringan syaraf tiruan merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Perkembangan computer yang sangat pesat membuat para ahli tertantang untuk mengembangkan computer yang mampu yang mampu melakukan hal-hal seperti yang dilakukan manusia. Untuk perhitungan matematis, yang sulit sekalipun, computer mampu melakukan perhitungan dengan mudah, bahkan lebih cepat dari manusia. Akan tetapi, bagaimana dengan kemampuan manusia yang lain, terutama yang didapat dari pengalaman ? Misal dari seorang guru, siswa belajar mengenali huruf “A”, atau membedakan gambar penguin dengan gambar kucing, dan lain sebagainya.

Berdasar keadaan tersebut, dikembangkan suatu jaringan yang memiliki konsep mirip dengan jaringan otak manusia. Jaringan tersebut dapat dilatih sehingga pada akhirnya dapat mengambil keputusan seperti yang dilakukan oleh otak manusia. Jaringan tersebutdisebut sebagai jaringan syaraf tiruan, dan computer dimanfaatkan sebagai sarana pelatihan jaringan (artificial neural network)

Karakteristik JST adalah :
1. Arsitektur Jaringan

  • Single Layer, Multi Layer

2. Training/Learning

  • Perceptron,, Backpropagation

3. Fungsi Aktivasi

  • Fungsi treshold (ramp function)
  • Fungsi sigmoid
  • Fungsi identitas

Pelatihan Jaringan Syaraf Tiruan
Pelatihan jaringan syaraf dimaksudkan untuk mencari bobot-bobot yang terdapat dalam tiap layer. Ada 2 jenis pelatihan dalam sistem jaringan syaraf tiruan, yaitu proses belajar terawasi (supervised learning) dan proses belajar tidak terawasi (unsupervised learning).

  1. Proses Belajar Terawasi
    Dalam proses belajar terawasi seolah-olah ada guru yang mengajari jaringan. Cara pelatihan jaringan tersebut adalah dengan memberikan data-data yang disebut data training. Data training terdiri atas pasangan input dan output yang diharapkan dan merupakan associative memory. Data-data tersebut biasanya didapat dari pengalaman atau pengetahuan seseorang dalam menyelesaikan persoalan. Setelah jaringan dilatih, associative memory akan mengingat suatu pola. Jika jaringan diberi input baru, jaringan dapat mengeluarkan output seperti yang diharapkan. Beberapa metode pembelajaran pada supervised learning adalah : delta rule, backpropagation, counterpropagation.
  2. Proses Belajar Tak Terawasi
    Dalam proses belajar tak terawasi tidak ada “guru” yang mengjari jaringan. Jaringan hanya diberi input tanpa vector target. Jaringan akan memodifikasi bobot, sehingga untuk input yang hamper sama output yang dihasilkan sama (cluster units). Metode yang dipakai antara lain Kohonen Self Organizing Map.

Dalam pelatihan/pembelajaran jaringan, selain ada data untuk training set, juga ada data untuk tes. Data tes ini digunakan untuk mengetahui output yang dihasilkan jaringan, tidak mempengaruhi training.

Ahmad Saleh Bancin

Berbagilah apa saja yang bisa kamu berikan kepada orang lain, baik itu Cinta yang kamu milik. Berbagi cinta bukan berarti Playboy........ Instagram @ahmadsalehbancin

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Tweet
Share
Pin
Share
+1