WhatsApp-Button
Algoritma Multilayer Perceptron

Algoritma Multilayer Perceptron

  2021-03-01 16:49:54     Ulti Desi Arni     Dibaca 1046 kali

Multi Layer Perceptron atau biasa disingkat dengan (MLP) mempunyai maksud adalah salah satu permodelan dalam teknologi jaringan saraf tiruan atau JST dengan salah satu karakteristik yang juga mempunyai nilai bobot yang begitu baik daripada suatu bentuk permodelan yang lain. Sehingga bentuk dari permodelan ini menghasilkan klasifikasi yang begitu akurat dari yang sebelumnya atau yang lainnya.

Pertama kali Multi Layer Perceptron ini dipublikasikan pada tahun 1969 oleh seorang yang bernama S. Papert dan M. Minsky. Tidak jauh dari namanya, Multi Layer Perceptron ini merupakan pengembang dari perceptron tunggal, sehingga permodelan teknologi ini memiliki beberapa lapisan ataupun hidden layer yang terletak diantara ruang masukan dan pengeluaran layer.

Multi Layer Perceptron ini juga termasuk ke dalam bentuk jaringan saraf tiruan tiruan dari feed-forward yang memiliki beberapa jumlah total dari neuron atau saraf yang saling berhubungan dengan neuron lainnya dengan sebuah neuron bobot penghubung. Yang mana setiap neuron yang ada disitu, merupakan sebuah unit yang memiliki tugas untuk memproses dan juga sekalian menghitung nilai dari aktivitasi atau inputeksasi yang bisa melambangkan himpunan dari sebuah predecessor dari setiap unit mulai dari sebuah input sampai ke output atau bisa juga dari unit yang satu menuju ke unit yang lainnya.

Baca Juga : SMART CAMPUS

Dalam sebuah penerapan metode multi layer perceptron itu banyak bentuk dari algoritma yang dapat digunakan yang bisa mendukung sebuah metode ini dan dalam bentuk rangka meningkatkan hasil yang begitu lebh baik dan juga akurat, seperti contohnya : Algoritma Levenberg-Marquardt dan juga ada Algoritma Genetika.

Algoritma Levenberg-Marquardt ini adalah suatu pengembangan dari algoritma backpropagation yang merupakan algoritma jenis biasa atau standar pada JST ataupun MLP. Algoritma ini memiliki konvergensi yang lumayan cukup stabil sehingga algoritma ini sering dan bisa cocok digunakan dalam pengembangan yang kecil hingga menengah tetapi tidak terlalu besar.

Pada algoritma backpropagation yang biasa atau standar proses bias dan terbaru update nilai bobot yang memakai teknik negatif gradient descent secara langsung, sedangkan pada algoritma Levenber-Marquardt backpropagation telah menggunakan bentuk pendekatan dari matrik Hesian.

Algoritma berikutnya ada jenis algoritma genetika yang berarti sebuah metode perhitungan yang bisa memanfaatkan sebuah proses dari penyeleksian sebuah karya alamiah yang biasa dikenal dengan proses evolusi. Pada proses ini digambarkan dengan bentuk individu yang secara berlanjut dan mengalami proses perubahan dari sebuah bentuk yang paling utama adalah dari gen atau genetika agar bisa mampu menyelesaikan dari kondisi dirinya dengan lingkungan dari tempat dia hidup atau beradaptasi sehingga hanya dari individu yang kuat yang bisa untuk hidup dan mampu bertahan.

Baca Juga : Ini Dia Cloud Computing Pertama yang berbasis BlockChain

Dalam proses seleksi bentuk alamiah, proses yang ada di dalamnya menyangkut beberapa hal, seperti contohnya perubahan genetika yang terjadi pada satu individu yang disebabkan oleh proses kembang biak dari individu, serta percampuran genetika lain. Dalam suatu proses, proses pengembang biakan menjadi faktor utama yang harus kalian perhatikan agar didapatkan sebuah hipotesa bagaimana cara untuk mendapatkan sebuah hasil dari keturunan yang baik serta lebih kuat dari yang sebelumnya.

Algoritma sebuah genetika pertama kali dijumpai dari seorang peneliti yang memiliki nama John Holland yang selanjutnya algoritma ini dikembangkan lagi oleh seorang muridnya yang bernama David Goldberg. Algoritma genetika mempunyai metode optimasi yang begitu sederhana dibanding dengan LM, metodologinya seperti :

  1. Menginisialisasi atau juga menetapkan sebuah populasi dari solusi dalam jumlah yang sudah ditentukan.
  2. Melakukan perhitungan dari fungsi nilai fitness dari semua solusi yang ada di dalam sebuah populasi.
  3. Mengambil beberapa solusi yang mempunyai nilai fitnes yang sangat tinggi.
  4. Melakukan pengoptimalan yang menggunakan cara memindahkan dan menyilangkan sebuah fungsi sesuai yang dibutuhkan.
  5. Menetapkan solusi yang baik sebagai sebuah hasil akhir terhadap sebuah masalah.

 

Penulis : Yazid


Sukai/Like Fan Page Facebook Garuda Cyber Indonesia
Subscribe Channel Youtube Garuda Cyber Indonesia
Follow Instagram Garuda Cyber Indonesia
Chat Wa

Signup for Newsletter

Langganan Newsletter dari Garuda Cyber untuk mendapatkan informasi terupdate dari Garuda Cyber Indonesia