Pengenalan Jaringan Syaraf Tiruan


Pengertian


Sistem Syaraf Buatan merupakan model pemrosesan informasi yang dikembangkan berdasarkan prinsip kerja sistem syaraf otak manusia. Seperti halnya otak manusia, system syaraf buatan akan dapat menyelesaikan masalah apabila pengetahuan yang berkaitan dengan masalah tersebut dimiliki. Pengetahuan di dalam nya diperoleh melalui proses pembelajaran.

Sejarah Jaringan Syaraf Tiruan


• Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi dari otak sama dengan mode pemrosesan yang dilakukan oleh peralatan komputer

• Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron

• Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut.

• Pada tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.

• Pada tahun 1958, Rosenblatt mengembangkan kosep dasar tentang perceptron untuk klasifikasi pola.

• Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square(LMS)

• Pada tahun 1974, Werbos memperkenalkan algoritma backpropagationuntuk melatih perceptron dengan banyak lapisan.

• Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistik.

• Pada tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan.

• Pada tahun 1982, Grossberg mengembangkan teori jaringan yang diinspirasi oleh perkembangan psikologi. Bersama Carpenter, mereka mengenalkan sejumlah arsitektur jaringan, antara lain: Adaptive Resonance Theory (ART), ART2, dan ART3.

• Pada tahun 1982, Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untuk menyimpan informasi dan optimasi.

• Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan.

• Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory(BAM).

• Pada tahun 1988, mulai dikembangkan fungsi radial basis.

Komponen Jaringan Syaraf Tiruan


Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot




Contoh Penerapan Jaringan Syaraf Tiruan
• PengenalanPola (Pattern Recognition) Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf, angka, suara atau tanda tangan) yang sudah sedikit berubah. Hal ini mirip dengan otak manusia yang masih mampu mengenali orang yang sudah beberapa waktu tidak di jumpainya(mungkinwajah/bentuktubuhnyasudah sedikit berubah).

• Signal Processing Jaringan syaraf tiruan (model ADALINE) dapatdipakai unuk menekannoise dalam saluran telepon.

• Peramalan Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang sudah terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingatdan membuatgeneralisasidari apayangsudah ada sebelumnya.

Komentar

Posting Komentar

Postingan populer dari blog ini

Model Hebb

Gambar
Penjelasan Model Hebb Model Hebb Diusulkan oleh Donald Olding Hebb pada th 1949. Metode pengembangan dari metode McCulloch-Pitts. Model Hebb Menentukan bobot dan bias secara analitik (manual). Pembelajaran dilakukan dengan memperbaiki nilai bobot secara continue. Langkah-langkah Model Hebb: 1.Inisialisasi semua bobot = Wi = 0 (i=1,..,n) 2.Untuk semua vektor input s dan unit target t, lakukan : Set aktivasi unit masukan Xi = Si (i=1,..,n) Set aktivasi unit keluaran y = t Perbaiki bobot menurut persamaan Wi (baru) = Wi(lama)+∆W ∆W = Xi.y Perbaiki bias menurut persamaan : b(baru) = b(lama)+y
Baca selengkapnya

Model Perceptron

Gambar
Pengertian Model Perceptron Salah satu metode yang termasuk dalam struktur feedforward adalah Perceptron. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear dan algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran(Kusumadewi,2004). Pada jaringan syaraf perceptron semua input bersifat tidak saling tergantung (Independent) dan setiap bobot input mempengaruhi salah satu dari output. Learning Rule Perceptron • Aturan Kesalahan dalam sinyal kesalahan pada Perceptron dinyatakan sebagai berikut : e = t – y Dimana : Jika e = 1, makawbaru = wlama + x Jika e = -1, makawbaru = wlama – x Jika e = 0, makawbaru = wlama Keterangan variable – variable : e = error t = target x = input y = output w = bobot
Baca selengkapnya

Arsitektur Jaringan Syaraf Tiruan

Gambar
Neural Network Neural Network terdiri atas elemen-elemen untuk pemrosesan informasiyang disebut dengan neuron, unit, sel atau node. Setiap neuron dihubungkan dengan neuron lainnya dengan suatuconnection link, yang direpresentasikan dengan weight/bobot. Metode untuk menentukan nilai weight disebut dengan training, learning, atau algoritma. Setiap neuron menggunakan fungsi aktivasi pada net input untuk menentukan prediksi output. Neuron-neuron dalam neural network disusun dalam grup, yang disebut dengan layer (lapis). Susunan neuron-neuron dalam lapis dan pola koneksi didalam dan antar lapis disebut dengan arsitektur jaringan. Lapisan Yang Membentuk Neural Network 1. Lapisan Input Unit-unit di lapisan input disebut unit-unit input. Unit-unit input tersebut menerima pola inputan dari luar yang menggambarkan suatu permasalahan. Banyaknya node atau neuron dalam lapis input tergantung pada banyaknya input dalam model dan setiap input menentukan satu neuron. 2. Lapisan tersembunyi (hid...
Baca selengkapnya