Artificial Neural Network (Jaringan Saraf Tiruan)

Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial Neural Network (ANN) atau Neural Network (NN) saja, merupakan sistem pemroses gosip yang mempunyai karakteristik ibarat dengan jaringan syaraf pada makhluk hidup. Neural network berupa suatu model sederhana dari suatu syaraf kasatmata dalam otak insan ibarat suatu unit threshold yang biner.

Neural network merupakan sebuah mesin pembelajaran yang dibangun dari sejumlah elemen pemrosesan sederhana yang disebut neuron atau node. Setiap neuron dihubungkan dengan neuron yang lain dengan korelasi komunikasi eksklusif melalui tumpuan korelasi yang disebut arsitektur jaringan. Bobot-bobot pada koneksi mewakili besarnya gosip yang dipakai jaringan. Metode yang dipakai untuk memilih bobot koneksi tersebut dinamakan dengan algoritma pembelajaran. Setiap neuron mempunyai tingkat aktivasi yang merupakan fungsi dari input yang masuk padanya. Aktivasi yang dikirim suatu neuron ke neuron lain berupa sinyal dan hanya sanggup mengirim sekali dalam satu waktu, meskipun sinyal tersebut disebarkan pada beberapa neuron yang lain.

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), yakni jaringan dari sekelompok unit pemroses kecil yang dimodelkan menurut jaringan saraf manusia. JST merupakan sistem adaptif yang sanggup mengubah strukturnya untuk memecahkan dilema menurut gosip eksternal maupun internal yang mengalir melalui jaringan tersebut. Neural Network juga sanggup diartikan sebagai suatu jaringan saraf tiruan yang memproses sejumlah besar gosip secara paralel dan terdistribusi (hal ini terinspirasi oleh model kerja otak biologis)

Secara sederhana, JST yakni sebuah alat pemodelan data statistik non-linier. JST sanggup dipakai untuk memodelkan korelasi yang kompleks antara input dan output untuk menemukan pola-pola pada data.

Dewasa ini telah berkembang suatu pendekatan yang ebih fleksibel untuk memodelkan korelasi linear maupun non linear yang dikenla dengan model Neural Network (NN). Model N merupakan alternative yang banyak menarik perhatian, alasannya yakni beberapa alasan. NN tidak memerlukan asumsi-asumsi pada data yang seringkali sulit dipenuhi. Dalam keadaan ini NN sanggup dipandang sebagai metode statistic yang nonlinear dan nonparametric (Ripley, 1993)

Dalam penerapannya, NN mengandung sejumlah parameter (weight) yang terbatas. Permasalahan yang masih menjadi perhatian para peneliti yakni bagaimana memilih model NN yang paling baik (jumlah parameter yang optimal) yang mencakup penentuan unit input yang signifikan dan jumlah unit hidden (Zang et al, 1998). Ada beberapa metode yang telah dipakai diantaranya yakni algoritma pruning, network information criteria (NIC), regulasi, dan cross-valivation. Namun demikian, metode-metode tersebut belum menawarkan jamiann didapatkannya model yang optimal, sehingga dilema ini masih menjadi topic yang ters dikaji. Selain itu NN hanya mengenali dalam satu dimensi saja. selain itu harus dilakukan ekstrasi ciri telebih dahulu.

Jaringan saraf tiruan pada umumnya dipakai untuk kiprah atau pekerjaan yang kurang mudah jikalau dikerjakan secara manual.

Kegunaan Dalam Kehidupan Nyata

Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan modeling.

Klasifikasi, termasuk pengenalan tumpuan dan pengenalan urutan, serta pengambil keputusan dalam pengurutan.

Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.

Robotik

Referensi :

(Ripley, 1993)

(Zang et al, 1998)

http://nurul-i--fst08.web.unair.ac.id/artikel_detail-43940-Umum-Artificial%20Neural%20Network%20(Jaringan%20Saraf%20Tiruan).html

https://statistikawanku.wordpress.com/2013/03/29/pengertian-jaringan-syaraf-tiruan-neural-network/

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: