Karakteristik Jaringan Syaraf Tiruan

LancangKuning.com - Di masa modren sekarang ini sangat marak dengan ilmu pengetahuan tentang kecerdasan buatan, salah satu cabang dari kecerdasan buatan, jaringan syaraf tiruan atau dapat juga dipanggil dengan Artificial Neural Network (ANN), adalah gabungan antara ilmu kecerdasan buatan atau artificial intelligent dan ilmu biologi.

Jaringan syaraf tiruan merupakan sebuah jaringan dari grup pemrosesan kecil yang dirancang dari jaringan saraf pada manusia. Jaringan Syaraf Tiruan (JST) adalah sebuah sistem dinamis yang dapat beradaptasi dengan mengubah strukturnya yang bertujuan untuk problem solving atas informasi internal ataupun external yang bergerak di jalur jaringan tersebut.

Pada zaman yang modren ini bidang ilmu kecerdasan buatan atau artificial intelligent sudah cukup maju untuk menirukan kepintaran manusia, tetapi belum ada approach atau pendekatan dalam wujud fisik melainkan dari sesuatu yang lain. Awalnya dibuatlah studi tentang teori dasar tentang mekanisme proses intelegensi. Bidang ini dinamakan Cognitive Science.

Baca Juga : Tempat Wisata di Riau

Karakteristik Jaringan Saraf Tiruan

Neural network mempunyai karakteristik yang memiliki 3 ciri, yaitu: Arsitektur jaringan, algoritma jaringan, dan fungsi aktivasi.

1. Arsitektur Jaringan

​Arsitekur jaringan dapat dijabarkan bagaimana bisa mengelola neuron-neuron pada lapisan dan cara mengkoneksikan neuron-neuron tersebut yang memiliki bobot keterhubungan (Weight (w)).

Setiap neuron yang ada pada satu layer yang sama memiliki fungsi untuk aktivasi yang sama, dan juga setiap neuron yang berada di satu lapisan harus dikoneksikan dengan setiap neuron-neuron yang ada di lapisan selanjutnya. Arsitektur pada jaringan saraf tiruan yang sering dipakai adalah:

• Jaringan yang mempunyai lapisan tunggal.
• Jaringan yang mempunyai banyak lapisan.

2. Algoritma Jaringan

• Algoritma jaringan pada pembelajaran

Algoritma ini dipakai bertujuan untuk mencari values bobot yang benar dalam memberikan suatu informasi. Algoritma yang dipakai neural network di dalam pembelajaran bergantung pada arsitektur jaringan yang dipakai. Umumnya, algoritma ini dibagi lagi menjadi dua bagian, yaitu: unsupervised learning (pembelajaran yang tidak terawasi), dan supervised learning (pembelajaran yang diawasi).

Baca Juga : Akreditasi Jurusan Kampus Sekolah Tinggi Agama Islam Sufyan Tsauri

Supervised learning adalah algoritma yang mempunyai target keluaran yang diharapkan agar diketahui dalam proses pembelajarannya. Setiap masukan atau input dan juga output yang diatur dapat disebut dengan pasangan pembelajaran, yang termasuk pada algoritma adalah backprogation, hebb, dan perceptron.

Unsupersvised learning tidak perlu memiliki target keluaran (output) dan hasilnya tak dapat ditentukan seperti yang diharapkan pada proses pembelajaran. Pembelajaran ini mempunyai tujuan untuk membangun unit-unit yang sama pada suatu area tertentu. Unsupervised learning dibagi lagi, yaitu:

Baca Juga : Tempat Wisata di Pekanbaru

• Kohonen Self-Organizing Maps

Self-Organizing Maps sangat berbeda dari jaringan saraf tiruan pada algoritma dan properti untuk arsitekturnya. Pada strukturnya yang terdiri dari jaringan-jaringan dua dimensi (2D).

• Counterpropagation.
• Learning Vector Quantization.

Learning Vector Quantization (LVQ) merupajan metode untuk klasifikasi dari jaringan saraf tiruan. LVQ bergerak dengan unit-unit keluaran untuk menampilkan sebuah kelas. Jadi LVQ merupakan metode penggabungan yang dimana kelas / target setiap jumlah kelompok / kelompok yang sudah diaturkan.

Algoritma ini memiliki tujuan untuk mendekati geraknya kelas vector agar meminimalisir error dalam mengklasifikasi.

• Algoritma pengenalan

Apabila sudah mendapatkan nilai bobot (weight) hubungan antar neuron yang sesuai dengan nilai keluaran, jadi nilai itu digunakan untuk testing NN, jika input dimasukkan maka nilai keluaran akan dihasilkan. Tahap ini disebut proses pengenalan (testing). Algoritma ini dipakai tergantung di algoritma pembelajaran yang dipakai, yang merupakan sebuah bagian dari algoritma pembelajarannya.(Fauzan)