Metode-Metode Jaringan Saraf Tiruan

Hai para pembaca yang selalu setia membaca artikel saya. Untuk artikel saya kali ini akan membahas mengenai matode-metode pada jaringan saraf tiruan, akan saya kupas habis tentang metode-metode nya. Pasti kita tidak asing lagi dengan teknologi ini, teknologi yang membatu kinerja setiap orang dalam mengatasi masalah yang timbul.

JST singkatan dari Jaringan Saraf Tiruan sebuah teknologi yang berpradigma pada proses informasi yang menirukan sebuah sistem syaraf biologi yang sama seperti otak mengolah sebuah informasi. Adapun elemen dasar dari pradigma itu ialah susunan baru dari sistem informasi. Jadi sama seperti dengan manusia, belajar dari sebuah contoh. JST dibuat agar dapat menyelesaikan problem/masalah tertentu seperti mengenali bentuk pada pola atau mengklasifikasi dikarenakan adanya proses pembelajaran. Dapat disimpulkan JST merupakan bentuk dari pemodelan data statistik no-linier, dapat di gunakan sebagai pemodelan hubungan komplek antara masukan dan keluaran agar mendapatkan sebuah pola yang ada pada data.

Pada jaringan saraf tiruan memiliki beberapa metode yang digunakan dalam penerapannya, berikut metode – metode pada JST.

1. Metode Learning Vector Quantization

Metode yang mengklasifikasikan setiap unit keluaran mempresentasikan suatu kelas dari. LVQ biasa digunakan untuk pengkelompokan dimana jumlah kelompok sudah di tentukan arsitekturnya. Metode yang di gunakan untuk melakukan pelatihan terhadap lapisan yang tidak bisa terawasi yang ada di lapisan kompetitif. Tujuan dari algoritma ini untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan error dalam pengklasifikasian.

LVQ merupakan bentuk pembelajaran pada bagian lapisan kompetitif terawasi, Pada lapisan kompetitif secara otomatis akan langsung belajar untuk dapat mengklasifikasi vektor input. Adapun kelas diperoleh sebagai hasil dari lapisan kompetitif ini hanya bergantung pada jarak antara vektor inputnya. Apabila kedua vektor dari masukan/input mencapai pendekatan yang sama, maka pada daerah lapisan kompetitif akan mengklasifikasikan kedua vektor masukan/input tadi ditempatkan di  kelas yang sama.

2. Metode backpropagation

Backpropagation merupakan algoritma pembelajaran untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan adanya perbedaan dari keluaran serta target yang ingin dicapai. Arsitektur dari backpropagation memiliki tiga layer yaitu input layer, output layer dan hidden layer. Backprogation adalah sebuah perkembangan dari singel layer network. Dengan adanya penambahan hidden layer yang dapat menyebabkan besar tingkat error menjadi lebih kecil di bandingkan dengan tingkat error pada singel layer. Pada backpropagation ini menggunakan suatu fungsi dari aktivasi sigmoid biner dikarenakan output yang diinginkan harus bernilai di antara nilai 0 sampai dengan nilai 1.

3. Metode perceptron

Sebuah metode yang menggunakan algoritma pelatihan untuk melakukan pengklasifikasian secara linier. Digunakan dalam klasifikasi sederhana dan membagi data untuk menentukan data man yang masuk dalam klasifikasi dan data mana yang di luar klasifikasi. Pada metode ini mempunyai bobot yang dapat di atur dalam suatu ambang batas melalui dari adanya proses pembelajaran, algoritma perceptron dapat melakukan pengaturan parameter-parameter bebasnya sendiri.

4. Metode multi layer perception

Adalah JST feed-forward terdiri dari beberapa neuron yang dikoneksikan oleh bobot-bobot penghubungnya. Neuron tersebut di susun dalam sebuah bentuk lapisan yang terdiri dari satu atau lebih lapisan hidden layer, dan lapisan output .

Metode ini dikenalkan M. Minsky dan S. Papert pada tahun 1996, merupakan pengembangan dari perceptron dan mempunyai satu atau lebih hidden layers yang terletak di antara input dan output layers. Multilayer perceptron bisa dipakai untuk operasi logika yang kompleks.

Ok sekian tentang pembahasan dari saya semoga dapat teman-teman pahami ya, sampai ketemu di lain waktu…

Penulis : Mahdi