Struktur Jaringan Syaraf Tiruan 1 Feedforward networks Semua

Struktur Jaringan Syaraf Tiruan 1. Feedforward networks Semua hubungan dari lapisan masukkan sampai lapisan keluaran menuju ke satu arah. Sinyal mengalir searah dari lapisan masukan, lapisan tersembunyi sampai lapisan keluaran 2. Recurrent networks Jaringan dimana hubungannya membentuk sebuah loop. Sinyal mengalir dua arah, maju dan mundur dan memiliki memori dinamik, keluaran – keluaran yang berasal dari masukan sama baiknya seperti masukan dan keluaran sebelumnya

Arsitektur Jaringan 1. Jaringan dengan lapisan tunggal (single layer net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Gambar 3. Jaringan lapisan tunggal

2. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi). Gambar 4. Jaringan dengan banyak lapisan

Jaringan dengan lapisan kompetitif (competitive layer net) • Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada diagram arsitektur. Gambar 5. Jaringan lapisan kompetitif

Bobot dalam Jaringan • Nilai yang menghubungkan sebuah sel dengan sel lainnya dalam jaringan. Nilai bobot ini menentukan kuat lemahnya hubungan antar sel. • Bobot awal dalam suatu jaringan diperoleh secara random atau acak nilai dan diinisialisasikan dengan nilai yang relatif kecil,

Fungsi Aktivasi 1. Fungsi Undak Biner (Hardlim) 2. Fungsi Undak Biner (Threshold) 3. Fungsi Bipolar (Symetric Hardlim)

4. Fungsi Bipolar (dengan threshold) 5. Fungsi Linear (identifikasi) 6. Fungsi Saturating Linear

7. Fungsi Symetric Saturating Linear 8. Fungsi Sigmoid Biner 9. Fungsi Sigmoid Bipolar

Masukan dan Keluaran Masukan : 1. Nilai masukan biner atau bipolar Nilai masukan pada model jaringan syaraf yang bersifat diskrit. 2. Nilai masukan analog Nilai masukan untuk jaringan yang bersifat continous ( terus menerus ). Keluaran : Nilai keluaran terdiri dari suatu pola bit (nilai biner atau signal analog) dan disesuaikan dengan fungsi nilai ambang batas (threshold function).

Lapisan(layer) • Sekelompok sel yang membentuk sebuah grup dan memiliki fungsi yang sama. Tiap lapisan melakukan perhitungan sendiri-sendiri dan memberikan hasilnya kepada lapisan berikutnya. Lapisan terdiri dari: 1. Lapisan Input Berhubungan dengan jumlah input data 2. Lapisan Tersembunyi Penghubung antara lapisan input dengan lapisan keluaran 3. Lapisan Output Berhubungan dengan jumlah target data

Proses Pelatihan dan Pembelajaran 1. Pembelajaran terawasi (supervised learning) • Jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola dirambatkan disepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Bila terjadi perbedaan pola output hasil pembelajaran dengan pola target, akan muncul error. Jika nilai error masih cukup besar, menunjukkan masih perlunya dilakukan pembelajaran lagi. • Yang termasuk pembelajaran terawasi: Hebb Rule, Perceptron, Delta Rule, Backpropagation, Learning Vector Quantization (LVQ).

2. Pembelajaran tak terawasi (unsupervised learning) • Pada metode pembelajaran yang tak terawasi tidak diperlukan target output. Selama proses pembelajaran tidak ditentukan hasil yang seperti apakah yang diharapkan. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola. Yang termasuk pembelajaran tak terawasi yaitu metode kohonen.