Neural Network Dan Teladan Kasus Di Indonesia Yang Sanggup Dipakai Dengan Memakai Agenda Neural Network

McCulloch dan Pitts (1943) dikenal sebagai orang yang pertama kali memodelkan Neural Network. Sampai kini ide-idenya masih tetap digunakan, misalnya:

- Bertemunya beberapa unit input akan menawarkan computational power
- Adanya threshold

Hebb (1949) menyebarkan pertama kali learning rule (dengan alasan bahwa kalau 2 neuron aktif pada ketika yang bersamaan maka kekuatan antar mereka akan bertambah).
Antara tahun 1950-1960an beberapa penelitian melangkah sukses pada pengamatan wacana perceptron. 

Mulai tahun 1969 merupakan tahun final hidup pada penelitian seputar Neural Networks hampir selama 15 tahun (Minsky dan Papert) Baru pada pertengahan tahun 80-an (Parker dan LeCun) menyegarkan kembali ide-ide wacana Neural Network. Neural Network (NN) ialah suatu prosesor yang melaksanakan pendistribusian secara besar-besaran, yang mempunyai kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini mempunyai kemampuan untuk sanggup melaksanakan pembelajaran dan pendeteksian terhadap sesuatu objek.

Setiap neuron sanggup mempunyai beberapa masukan dan mempunyai satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neuron sanggup berupa hasil final atau berupa materi masukan bagi neuron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan. Gambar di bawah ini memperlihatkan struktur umum jaringan syaraf buatan yang bersifat feedforward (data diproses pada satu arah).

Lapisan 1 : Lapisan Input
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar/sumber data. Neuron-neuron ini tidak melaksanakan perubahan apapun terhadap data tapi hanya meneruskan data ini ke lapisan berikutnya.

Lapisan 2 : Lapisan Tersembunyi (hidden layer)
Suatu jaringan sanggup mempunyai lebih dari satu lapisan tersembunyi atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringa mempunyai beberapa lapisan tersembunyi maka lapisan tersembunyi terbawah berfungsi untuk mendapatkan masukkan dari lapisan input. 

Lapisan 3 : Lapisan Output
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron pada lapisan tersembunyi dan di sini juga dipakai fungsi signoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari proses.

Keuntungan penggunaan Neural Network

1. Perangkat yang bisa untuk mengenali suatu objek secara non-linier.
2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses sebenarnya.
3. Mampu melaksanakan pengadaptasian terhadap pengenalan suatu objek
4. Perangkat yang mempunyai toleransi terhadap suatu kesalahan dalam pengenalan suatu objek.
5. Neural Network bisa diimplementasikan pada suatu Hardware atau perangkat keras.
6. Perangkat yang bisa diimplementasikan secara parallel.
7. Terdapat beberapa jenis NN, yang dibedakan menurut type, algoritma, learning methode maupun activation function, yang digunakan.

Type NN, yaitu yang berkaitan dengan koneksi antar neuron:
Feedforward, Feedback
Algoritma, yaitu algoritma matematis yang dipakai NN untuk melaksanakan proses belajar:

1. Backpropagation
2. Delta learning rule
3. Forwardpropagation
4. Hebb learning rule
5. Simulated annealing

Metoda (learning methode):

1. Supervised learning
2. Unsupervised learning

Fungsi aktivasi (activation function):

1. Hard limiter
2. Signum activation
3. Sigmoid activation

MeemCode akan menawarkan pola kasus yang sanggup dipakai dengan memakai kegiatan Neural Network salah satunya ialah untuk sistem pendeteksian dini krisis keuangan indonesia dengan pendekatan model feed forward Sistem pendeteksian dini merupakan suatu model yang berusaha untuk memprediksi secara sistemik kemungkinan terjadinya krisis di suatu negara. Ada banyak pendekatan yang bisa dipakai dalam sistem pendeteksian dini, salah satunya ialah pendekatan neural network. Pendekatan neural network belum begitu luas dipakai dalam kasus krisis keuangan di Indonesia, namun hasil dari penelitian sebelumnya membuktikan akurasi peramalan secara umum lebih baik dari model logit/probit dan model sinyal. Neural network menyimpan pengetahuan pola insiden masa lampau melalui proses pelatihan, yang kemudian pengetahuan tersebut dipakai untuk memperkirakan insiden yang terjadi dimasa yang akan datang.

Referensi:
Barakbah, Ali Ridho. Kecerdasan Buatan. Institut Teknologi 10 Nopember. Surabaya
http://eprints.undip.ac.id/32704/
sigoogle2.blogspot.com/search?q=artificial-neural-network-ann
sigoogle2.blogspot.com/search?q=artificial-neural-network-ann
http://ayu-r--fst08.web.unair.ac.id/artikel_detail-60445-Komputer%20Cerdas-Neural%20Network.html

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: