Neuron terdiri dari 3 elemen pembentuk :
- Himpunan unit-unit yang dihubungkan dengan jalur koneksi
- Suatu unit penjumlah akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya
- Fungsi aktivasi yang akan menentukan apakah sinyal dari inputan neuron akan diteruskan ke neuron lain atau tidak
1. Arsitektur Jaringan[kembali]
Beberapa arsitektur jaringan yang sering dipakai dalam JST antara lain :
- Jaringan Layar Tunggal (Single layer Network)
Jaringan Layar Jamak (Multi Layer Network)
- Jaringan Reccurent
Terdapat neuron output yang memberikan sinyal pada unit input (feedback loop)
2. Fungsi Aktivasi [kembali]
Beberapa fungsi aktivasi yang sering dipakai adalah :
- Fungsi Threshold (Ambang Batas)
- Fungsi Sigmoid
- Fungsi Identitas
3. Bias dan Threshold [kembali]
Keluaran unit penjumlahan adalah :
Fungsi aktivasi threshold menjadi :
4. Pelatihan Dengan dan Tanpa Supervisi[kembali]
- Pelatihan dengan Supervisi
Terdapat sejumlah pasang data (masukkan-target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Jaringan Perceptron, ADALINE, dan backpropagation merupakan model-model yang menggunakan pelatihan ini.
- Pelatihan tanpa Supervisi
Perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut.
5. Taksonomi Jaringan Syaraf Tiruan[kembali]
Berdasarkan strategi pelatihan, model jaringan dibagi menjadi :
a. Pelatihan dengan supervisi
Contoh : Model hebbian, Perceptron, ADALINE, Boltzman, Hopfield, Backpropagation, dll
b. Pelatihan tanpa supervisi
Contoh : Model competitive, Hebbian, Kohonen, LVQ (Learning Vektor Quantization), Neocognitron, dll
Berdasarkan arsitekturnya, model JST digolongkan menjadi :
a. Jaringan layar tunggal
Contoh : ADALINE, Hopfield, Perceptron, LVQ, dll
b. Jaringan layar jamak
Contoh : MADALINE, Backpropagation, Neocognitron, dll
c. Reccurent
Contoh : BAM (Bidirectional Assosiative Memory), Boltzman Machine, Hopfield, dll
Aplikasi yang sudah berhasil ditemukan :
a. Klasifikasi
Model yang bisa digunakan untuk aplikasi ini antara lain: ADALINE, LVQ, Backpropagation, dll.
b. Pengenalan Pola
Model yang bisa digunakan untuk aplikasi ini antara lain: ART (Adaptive Resonance Theory), LVQ, Backpropagation, Neocognitron, dll.
c. Peramalan
Model yang bisa digunakan untuk aplikasi ini antara lain: ADALINE, MADALINE, Backpropagation, dll.
d. Optimisasi
Model yang bisa digunakan untuk aplikasi ini antara lain: ADALINE, Hopfield, Boltzman, Backpropagation, dll.
6. Neuron McCulloch-Pitts[kembali]
Karakteristik model neuron Mcculloch-Pitts adalah :
- Fungsi aktivasinya biner
- Bobot positif kearah suatu neuron memiliki besar bobot yang sama
- Setiap neuron memiliki batas ambang (threshold) yang sama
Contoh 3.2
Fungsi logika "dan" dengan dua masukan x1 dan x2 akan memiliki keluaran Y=1 bila dan hanya bila kedua masukan bernilai 1. Tabel kebenarannya tampak pada tabel 3.1
Buatlah model neuron McCulloch-Patts untuk menyatakan fungsi logika "dan".
Penyelesaian :
Contoh 3.3
Buatlah model neuron McCulloch-Pitts untuk menyatakan fungsi logika "atau".
Penyelesaian :
Contoh 3.4
Buatlah model neuron McCulloch-Pitts dengan dua masukan x1 dan x2 untuk menyetakan fungsi logika x1 ^-x2
Penyelesaian :
Contoh 3.5
Buatlah model neuron McCulloch-Pitts dengan dua masukan x1 dan x2 untuk menyatakan fungsi logika "XOR".
Penyelesaian :
7. Video[kembali]
8. Link[kembali]
Link video 1 klik disini
Link Video 2 klik disini
[menuju awal]
Tidak ada komentar:
Posting Komentar