Jaringan Saraf Tiruan (JST) Prinsip Jaringan Saraf Tiruan

Jaringan saraf tiruan tidak diprogram untuk menghasilkan output spesifik. Setiap temuan atau kesimpulan yang diperoleh jaringan didasarkan pada pengalaman mereka dalam proses pembelajaran. Dalam proses pembelajaran, sirkuit input (dan output) disuntikkan ke jaringan saraf tiruan dan jaringan dilatih untuk memberikan respons yang dapat diterima (Puspitaningrum, 2006).

Apa itu jaringan saraf tiruan (JST)

Jaringan Saraf Tiruan (JST) adalah prosesor paralel luas yang dibuat dari modul proses sederhana yang memiliki kemampuan untuk menyimpan pengetahuan secara eksperimental yang dapat digunakan untuk proses lain (Haykin, 2009).

Jaringan saraf tiruan dibangun sebagai generalisasi model matematika jaringan saraf biologis manusia, dengan asumsi bahwa:
Informasi diproses dalam banyak elemen sederhana (neuron).
Sinyal antar tautan ditransmisikan antar neuron.
Hubungan antar neuron memiliki bobot yang akan memperkuat atau melemahkan sinyal.
Setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) untuk menentukan output, yang ditugaskan untuk jumlah input yang diterimanya. Output ini kemudian dibandingkan dengan ambang batas.

Prinsip jaringan saraf tiruan
Jaringan saraf anterior (JST) didefinisikan oleh tiga elemen dasar dari model saraf, yaitu:

Set klem atau konektor, masing-masing berat atau kekuatan mengklasifikasikan.
Dioptimalkan untuk pengumpulan sinyal input. Bobot kekuatan sinaptik masing-masing neuron.
Fungsi aktivasi untuk mengurangi daya output neuron. Tujuan dari fungsi ini adalah untuk membatasi amplitudo sinyal output ke angka tertentu.
Prinsip jaringan saraf tiruan hanya dijelaskan:
Jaringan Saraf Tiruan (JST)
Prinsip Dasar Jaringan Syaraf Tiruan (JST)
Pada gambar di atas, Y menerima input dari neuron x1, x2 dan x3, di mana koefisien rasio adalah w1, w2 dan w3. Tiga impuls saraf dirangkum:

Net = x1w1 + x2w2 + x3w3

Jumlah pulsa yang diterima oleh Y mengikuti fungsi aktivasi y = f (bersih). Jika nilai fungsi aktivasi cukup kuat, sinyal akan dikirim. Nilai fungsi aktivasi (model jaringan output) juga dapat digunakan sebagai dasar untuk perubahan berat badan (Siang, 2004).


Rekayasa jaringan saraf tiruan

Dalam jaringan saraf tiruan, neuron akan dikumpulkan dalam lapisan yang disebut lapisan saraf. Neuron dalam satu lapisan akan terhubung ke lapisan lainnya. Informasi yang diperoleh untuk neuron akan ditransmisikan ke semua lapisan yang ada, dari lapisan input ke lapisan output melalui lapisan tersembunyi. Dalam jaringan saraf tiruan ini, tiga lapisan tidak membentuk struktur umum karena beberapa jaringan saraf tidak memiliki lapisan tersembunyi.

Menurut Haykin (2009), umumnya ada tiga jenis rekayasa jaringan saraf tiruan, yaitu:

A. Mata jala tunggal (single layer mesh)
Mesh dengan monolayer (monolayer mesh)
Mesh dengan monolayer (monolayer mesh)
Dalam jaringan saraf tiruan satu lapis, neuron tersusun berlapis-lapis. Dalam bentuk paling sederhana dari jaringan saraf tiruan lapisan tunggal, kami memiliki lapisan keluaran dari simpul sumber tempat informasi ditampilkan pada lapisan keluaran saraf, tetapi tidak bisa sebaliknya. Dengan kata lain, jaringan ini adalah jenis pengumpan depan. Lapisan input dalam node sumber tidak dihitung karena tidak ada perhitungan.
Baca juga
Tujuan, Komponen dan Penggunaan Pemasaran Internet
Sejarah, prinsip bisnis, dan teknik penyembunyian informasi
Definisi Layanan dan Kualitas Layanan (QoS)

B. Multilayer mesh (multilayer mesh)
Multilayer Mesh (Multilayer Mesh)
Multilayer Mesh (Multilayer Mesh)
Kisi dengan satu atau lebih lapisan tersembunyi. Jaringan multilayer ini memiliki kemampuan lebih besar untuk menyelesaikan masalah daripada jaringan single-layer, tetapi pelatihan bisa lebih sulit. Dalam beberapa kasus, pelatihan pada jaringan ini lebih baik karena jaringan dapat memecahkan masalah yang tidak dapat diselesaikan dengan jaringan satu lapis karena jaringan tidak dapat dilatih dengan baik untuk presentasi.

C. Lapisan Jaringan Kompetitif (Competitive Layer Network)
Lapisan Jaringan Bersaing (Competitive Layer Network)
Lapisan Jaringan Bersaing (Competitive Layer Network)
Bentuk lapisan kompetisi adalah jaringan saraf tiruan yang sangat besar. Interkoneksi neuron pada lapisan ini tidak muncul dalam arsitektur seperti jaringan lain. Dalam jaringan ini, sekelompok neuron bersaing untuk mendapatkan hak untuk aktif atau sering dipanggil\

Sumber : https://pakguru.co.id/