Artificial neural network (ANN) atau jaringan saraf tiruan adalah kumpulan unit-unit yang saling terhubung; sifat-sifat jaringan ditentukan oleh topologi dan sifat-sifat "neuron". Nama-nama lain untuk bidang ini termasuk connectionism, parallel distributed processing, dan neural computation. Jaringan saraf terdiri dari node atau unit yang terhubung oleh link berarah. Link dari unit i ke unit j berfungsi untuk menyebarkan LINK aktivasi ai dari (node) i ke (node berikutnya) j. Setiap link AKTIVASI juga memiliki bobot numerik (wi,j), yang menentukan kekuatan dan bobot koneksi tersebut.
Gambar di bawah ini menunjukkan model matematika sederhana dari suatu neuron yang dirancang oleh McCulloch dan Pitts (1943). Sederhananya, neuron tersebut akan terpicu (aktif) ketika kombinasi linear dari input-inputnya melebihi suatu ambang batas, dimana, dalam contoh kasus ini ambang ini mengimplementasikan suatu fungsi linear tertentu (dalam hal ini adalah suatu classifier linear / regresi linear).
Masih mengacu ke gambar model matematika di atas, setiap unit j pertama-tama akan menghitung jumlah bobot input-inputnya, yaitu:
Berikutnya menerapkan fungsi aktivasi g ke (fungsi) hasil penjumlahan tersebut untuk menghasilkan output:
Fungsi aktivasi g biasanya merupakan suatu ambang (seringkali - tetapi tidak selalu - unit tersebut disebut perceptron, fungsi logistik, atau bisa juga sigmoid perceptron).
Setelah membuat dan menentukan model matematika untuk "neuron-neuron" secara individual, tugas selanjutnya adalah menghubungkan neuron-neuron secara bersama-sama untuk membentuk jaringan. Ada dua cara mendasar yang berbeda untuk melakukan ini, yaitu Feed-forward Network dan Recurrent Network. Silahkan baca di link berikut untuk Feed-forward Network dan Recurrent Network dalam Jaringan Syaraf Tiruan.
 |
| Contoh model matematika sederhana untuk satu neuron |
Fungsi aktivasi g biasanya merupakan suatu ambang (seringkali - tetapi tidak selalu - unit tersebut disebut perceptron, fungsi logistik, atau bisa juga sigmoid perceptron).
Setelah membuat dan menentukan model matematika untuk "neuron-neuron" secara individual, tugas selanjutnya adalah menghubungkan neuron-neuron secara bersama-sama untuk membentuk jaringan. Ada dua cara mendasar yang berbeda untuk melakukan ini, yaitu Feed-forward Network dan Recurrent Network. Silahkan baca di link berikut untuk Feed-forward Network dan Recurrent Network dalam Jaringan Syaraf Tiruan.
Arsitektur Jaringan Syaraf Tiruan Secara Umum
ANN adalah juga salah satu model utama yang digunakan dalam machine learning. Sesuai namanya, neural, adalah system yang terinspirasi dari bagaimana otak manusia bekerja dan bertujuan untuk menirukan bagaimana kita sebagai manusia mempelajari hal-hal baru. Neural nertwork terdiri dari lapisan input dan output, termasuk layer tersembunyi yang terdiri dari unit-unit yang mengubah inputan menjadi sesuatu yang dapat digunakan oleh lapisan output. ANN sangat bermanfaat untuk menemukan pola yang sangat kompleks atau terlalu banyak untuk dicerna oleh manusia.
ANN adalah juga salah satu model utama yang digunakan dalam machine learning. Sesuai namanya, neural, adalah system yang terinspirasi dari bagaimana otak manusia bekerja dan bertujuan untuk menirukan bagaimana kita sebagai manusia mempelajari hal-hal baru. Neural nertwork terdiri dari lapisan input dan output, termasuk layer tersembunyi yang terdiri dari unit-unit yang mengubah inputan menjadi sesuatu yang dapat digunakan oleh lapisan output. ANN sangat bermanfaat untuk menemukan pola yang sangat kompleks atau terlalu banyak untuk dicerna oleh manusia.
 |
| Arsitektur ANN |
Arsitektur ANN:
Secara umum, jaringan syaraf tiruan dapat dibagi menjadi tiga bagian, diberi nama lapisan, yang dikenal sebagai:
a) Lapisan input
Lapisan ini bertanggung jawab untuk menerima informasi (data), sinyal, fitur, atau pengukuran dari lingkungan eksternal. Masukan ini (contoh atau pola) biasanya dinormalisasi dalam batas nilai yang dihasilkan oleh fungsi aktivasi. Normalisasi ini menghasilkan presisi numerik yang lebih baik untuk operasi matematis yang dilakukan oleh jaringan.
b) Lapisan tersembunyi (hidden layer)
Lapisan ini terdiri dari neuron yang bertanggung jawab untuk mengekstraksi pola yang terkait dengan proses atau sistem yang dianalisis. Lapisan ini melakukan sebagian besar pemrosesan internal dari jaringan.
c) Lapisan output
Lapisan ini juga terdiri dari neuron, dan karenanya bertanggung jawab untuk memproduksi dan menyajikan keluaran jaringan akhir, yang dihasilkan dari pemrosesan yang dilakukan oleh neuron di lapisan sebelumnya.
Sejak 1943, banyak model yang lebih detail dan realistis telah dikembangkan oleh para pakar, baik untuk neuron-neuron dan untuk sistem yang lebih besar di otak, yang mengarah ke bidang neuroscience computational (komputasi neurosains) yang modern. Di sisi lain, para peneliti di bidang kecerdasan buatan (AI) dan statistik tertarik pada karakteristik yang lebih abstrak dari jaringan saraf, seperti kemampuan jst untuk melakukan komputasi terdistribusi, untuk mentolerir input yang bising (noisy), dan untuk belajar. Meskipun sekarang kita mengerti jenis-jenis lain dari berbagai macam sistem-termasuk jaringan Bayesian (yang juga memiliki sifat-sifat ini) jaringan saraf tetap menjadi salah satu bentuk sistem pembelajaran yang paling populer dan efektif dan layak untuk dipelajari.
Daftar link seri Jaringan Syaraf Tiruan (JST / ANN):
Sejak 1943, banyak model yang lebih detail dan realistis telah dikembangkan oleh para pakar, baik untuk neuron-neuron dan untuk sistem yang lebih besar di otak, yang mengarah ke bidang neuroscience computational (komputasi neurosains) yang modern. Di sisi lain, para peneliti di bidang kecerdasan buatan (AI) dan statistik tertarik pada karakteristik yang lebih abstrak dari jaringan saraf, seperti kemampuan jst untuk melakukan komputasi terdistribusi, untuk mentolerir input yang bising (noisy), dan untuk belajar. Meskipun sekarang kita mengerti jenis-jenis lain dari berbagai macam sistem-termasuk jaringan Bayesian (yang juga memiliki sifat-sifat ini) jaringan saraf tetap menjadi salah satu bentuk sistem pembelajaran yang paling populer dan efektif dan layak untuk dipelajari.
Daftar link seri Jaringan Syaraf Tiruan (JST / ANN):
Comments
Post a Comment