WINDA DWI TANTI

Berpacu menjadi yang terbaik

Serba Serbi Jaringan Saraf Tiruan: Fungsi Aktivasi dan Metode Pembelajaran

diposting oleh winda-d-t-fst10 pada 31 March 2013
di Umum - 0 komentar

Pada blog ini saya masih membahas tentang jaringan saraf tiruan. Hanya saja pada blog kali ini saya akan lebih mendalam membahas tentang metode pembelajaran yang digunakan untuk mengajari sebuah mesin. Berikut ini beberapa metode pembelajaran yang ada:

1. Perceptron

Model jaringan perceptron ini ditemukan oleh Rosenblatt (1962) dan Minsky – Papert (1969). Model tersebut merupakan model yang memiliki aplikasi dan pelatihan yang paling baik pada era tersebut.

Arsitektur Perceptron

Jaringan ini terdiri dari beberapa unit masukan yang ditambahkan dengan sebuah bias, dan memiliki sebuah keluaran. Hanya saja fungsi aktivasinya merupakan fungsi biner ( atau bipolar ), tetapi memiliki kemungkinan nilai -1, 0 atau 1.

2. Backpropagation

Jaringan Saraf Tiruan Backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988. Metode ini merupakan salah satu metode yang paling banyak digunakan, karena modelnya yang hampir sama dengan sistem pengendalian secara umum (input – proses – output – feedback). Selain itu alasan banyak dipakainya metode ini karena pada metode ini dilakukan peminimalan error pada output yang akan dihasilkan oleh jaringan. Pada metode ini biasanya digunakan jaringan multilayer.

Arsitektur Backpropagation

3. Jaringan Basis Radial

Pada model jaringan ini neuron-neuron yang keluar merupakan kombinasi dari basis fungsi basis neuron-neuron pada lapisan tersembunyi. Perbedaan metode ini dengan metode perceptron adalah adanya lapisan tersembunyi yang digunakan pada jaringan basis radial ini. 

Arsitektur Jaringan Radial Basis

4. Self Organizing

Jaringan saraf tiruan Self organizing ini dikenalkan oleh Teuvo Kohonen, yang merupakan suatu cara pemetaan pola suatu ciri dengan pengaturan yang dilakukan secara otomatis.

 Arsitektur Jaringan SOM

Metode ini masuk dalam kategori metode pelatihan tak terbimbing, yang artinya jaringan saraf tidak memiliki suatu target tertentu pada keluarannya.

 

Berikut ini fungsi aktivasi pada jaringan saraf tiruan:

1. Hard Limit (Tangga Biner)

Fungsi ini sering dipakai pada jaringan tunggal (single neural network) untuk menyelesaikan masalah yang bersifat linier. Output dari fungsi ini adalah pengkonversian input yang bernilai kontinyu menjadi bernilai biner ( 0 atau 1)

2. Symetric Hard Limit (Bipolar)

Fungsi ini merupakan pengembangan dari fungsi hard limit. Pada fungsi ini terdapat keluaran antara 1, 0 atau -1.

3. Threshold

Fungsi ini adalah fungsi modifikasi dari fungsi hard limit dengan menambahkan nilai treshold.

4. Bipolar Treshold

Fungsi ini merupakan hasil pengembangan, dimana fungsi ini memiliki tiga buah keluaran yaitu 1, 0 atau -1.

5. Linear (Identity)

Fungsi ini mempunyai nilai keluaran yang sama dengan nilai masukannya (y= x). 

6. Sigmoid Biner

Fungsi jenis ini sering digunakan pada metode backpropagation. Fungsi sigmoid biner memiliki sifat non linear sehingga sangat baik untuk diterapkan dalam penyelesaian masalah yang kompleks. Output dari fungsi ini adalah berupa bilangan biner (0 atau 1) atau bilangan yang berada pada interval nilai 0 hingga 1.

 

Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :