Setelah membuat dan menentukan model matematika untuk "neuron-neuron" secara individual, tugas selanjutnya adalah menghubungkan mereka secara bersama-sama untuk membentuk jaringan. [Catatan: contoh salah satu penerapan model matematika untuk suatu neuron bisa di baca di link Pengenalan Jaringan Syaraf Tiruan]. Ada dua cara mendasar yang berbeda untuk melakukan ini.
Pertama, feed-forward network (jaringan umpan-maju), yaitu hanya memiliki koneksi dalam satu arah yang artinya, jaringan ini membentuk grafik asiklik berarah. Setiap node menerima input dari node "upstream" (node sebelumnya) dan memberikan output ke node "downstream" (node berikutnya); tidak ada proses loop dalam jaringan model ini. Feed-forward network (jaringan umpan-maju) menyajikan fungsi input yang sedang berlangsung; dengan demikian, ia tidak memiliki keadaan internal selain dari bobot itu sendiri.
 |
| Jaringan umpan maju (feed-forward network) |
Kedua, recurrent network (jaringan berulang), yaitu memberikan umpan outputnya kembali ke inputnya sendiri. Ini berarti bahwa tingkat aktivasi jaringan membentuk sistem dinamis yang dapat mencapai keadaan stabil atau bisa juga menunjukkan osilasi atau bahkan bisa juga suatu hal/perilaku yang kacau. Selain itu, respons jaringan terhadap input yang diberikan tergantung pada kondisi awalnya, yang mungkin bergantung pada input sebelumnya. Oleh karena itu, recurrent network (tidak seperti feed-forward network) bisa mendukung memori jangka pendek. Hal ini membuat jaringan ini lebih menarik sebagai model dari otak manusia, tetapi juga sekaligus lebih sulit untuk dipahami.
 |
| Jaringan berulang (recurrent network) |
Feed-forward network (jaringan umpan maju) biasanya disusun dalam beberapa/banyak lapisan, sehingga masing-masing unit hanya menerima input dari unit-unit di lapisan sebelumnya.
Daftar link seri Jaringan Syaraf Tiruan (JST / ANN):
Daftar link seri Jaringan Syaraf Tiruan (JST / ANN):
Comments
Post a Comment