/*
*/
Pengertian Artificial Neural Network
Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan adalah system pemrosesan informasi yang memiliki karakteristik menyerupai jaringan syaraf biologis yang dibentuk sebagai generalisasi model matematis dari jaringan syaraf biologis. Sistem ini memiliki kemampuan untuk mengenali sesuatu yang pernah dialami atau dikenal, dengan kata lain sistem ini dapat melakukan proses pembelajaran terhadap sesuatu. Proses pembelajaran pada ANN adalah proses penambahan pengetahuan pada sistem yang bersifat kontinyu, yang nantinya akan digunakan sebagai referensi untuk mengenali suatu objek. Mekanisme pemrosesan informasi yang dimiliki sistem ini dilakukan di neuron, lalu hasil pemrosesan tersebut diteruskan dari satu neuron ke neuron yang lain melalui penghubung sampai mencapai output yang diinginkan. Berikut ini merupakan bentuk dasar dari neuron:
- Input, bagian sistem yang digunakan untuk memberikan masukan pada sistem, baik untuk proses pembelajaran maupun proses pengenalan objek.
- Weight, merupakan bobot yang diberikan pada penghubung yang berfungsi untuk meningkatkan dan menurunkan nilai dari informasi agar sesuai dengan target pembelajaran. Nilai dari bobot akan berubah setiap kali diberikan input untuk pembelajaran dan akan tetap ketika output pembelajaran telah sesuai objek yang ingin dikenali.
- Processing unit, bagian terjadinya proses komputasi pengenalan suatu objek berdasarkan pengetahuan yang diperoleh dari input dan bobot yang sudah ditentukan sebelumnya. Suatu jaringan ANN dapat terdiri dari beberapa processing unit yang dapat bekerja secara simultan dan dapat bekerja parallel
- Output, bagian yang memberikan hasil pembelajaran suatu objek atau target pembelajaran. Setiap output dari neuron memiliki fungsi aktivasi yang menentukan apakah informasi akan diteruskan ke neuron lain untuk diproses lagi atau tidak.
Arsitektur Artificial Neural Network
Pola koneksi dari ANN memiliki bentuk dasar seperti digambarkan pada gambar diatas Berdasarkan pola koneksi antar neuron, terdapat 3 karakteristik utama sitem ANN yang sering digunakan [12], yaitu:
1. Single Layer Neural Network
2. Multilayer Perceptron Neural Network
3. Recurrent Neural Network
Single Layer Neural Network
Sistem ANN dengan tipe SLNN memiliki pola masukan dan keluaran yang terhubung seccara langsung, sehingga perubahan bobot pada koneksi neuron-neuron keluaran tidak saling berpengaruh.
Multilayer Perceptron Neural Network
Model MLPNN memiliki layer neuron tambahan selain layer input dan output, yaitu hidden layer yang terletak di antara kedua layer tersebut. Jumlah hidden layer bervariasi tergantung dari tingkat kesulitan permasalahan yang ditangani oleh sistem, sehingga dalam pengaplikasiannya MLPNN lebih powerful dibandungkan dengan model ANN yang lain. Berikut ini adalah bentuk arsitektur jaringan MLPNN:
Recurrent Neural Network
Pada sistem dengan karakteristik RNN terdapat koneksi umpan balik dari layer output ke layer input, sehingga hasil output sistem mempengaruhi input sistem itu sendiri. Proses umpan balik ini mengakibatkan adanya delay selama proses komputasi.
Pembelajaran Artificial Neural Network
Proses yang membedakan ANN dengan sistem pengambilan keputusan yang lain adalah adanya proses pembelajaran. Secara garis besar sistem ANN memiliki 3 metode pembelajaran, yaitu:
- Supervised Learning
- Semi – Supervised Learning
- Unsupervised Learning
- Supervised Learning
Pada metoda Supervised Learning, setiap pengetahuan yang diberikan nilai acuan untuk pemetaan suatu input, akan menjadi suatu keluaran yang dikehendaki. Proses pembelajaran akan dilakukan terus menerus selama kondisi error yang dikehendaki belum terjadi. Untuk setiap nilai error yang diperoleh di setiap tahap pembelajaran akan di kalkulasikan hingga data atau nilai target yang dikehendaki tercapai.
Semi – Supervised Learning
Metoda ini merupakan metoda pembelajaran dimana target pembelajaran tidak ditetapkan secara eksplisit. Tujuan dari pembelajaran metoda ini adalah untuk melihat perilaku dari jaringan ANN, apakah baik atau buruk.
Unsupervised Learning
Pada metoda ini tidak menggunakan nilai acuan, karena sistem pada metoda ini bergantung sepenuhnya pada hasil komputasi di setiap tahapan pemrosesan untuk mendapatkan nilai target yang dikehendaki. Setiap proses pada metoda ini akan mengkalkulasikan setiap langkah pada nilai bobot yang dikehendaki.
http://www.ittelkom.ac.id/
0 komentar:
Posting Komentar