Artificial Neural Network [PDF]

Citation preview

Artificial Neural Network Gambaran umum Artificial Neural Network Artificial Neural Network (ANN/jaringan saraf buatan) berupaya untuk meniru sistem jaringan saraf manusia yang memiliki kemampuan untuk mengingat, menghitung, mengeneralisasi, dan adaptasi. ANN bisa digunakan untuk menyelesaikan pekerjaan seperti pengenalan pola, prediksi, klasifikasi, dan optimasi. Contoh nyatanya antara lain peramalan curah hujan, peramalan jumlah penjualan, klasifikasi batik, dan pengenalan wajah manusia. Jenis-jenis ANN antara lain back-propagation (feed forward), recurrent network, self organizing map, Bayesian networks, dan lain-lain. Neuron Dalam ANN, neuron adalah unit pemroses informasi. Model neuron ditunjukkan pada Gambar 1. Elemen-elemen dari model neuron adalah: 1. Synapsis, yaitu penghubung antara data input dengan neuron. Synapsis memiliki bobot. Synapsis i yang menghubungkan antara signal xi dengan neuron j memiliki bobot wji. Selain bobot yang berkaitan dengan data input, terdapat juga bobot w0 atau bj, yang berkaitan dengan data input bernilai 1 yang disebut bias. Bias bj berfungsi untuk menaikkan atau menurunkan penjumlahan input, tergantung nilainya positif atau negatif. 2. Penjumlah, yaitu unit yang menjumlahkan semua signal input berbobot. Penjumlahan ini adalah suatu kombinasi linier. 3. Fungsi aktivasi, yaitu fungsi yang membatasi nilai output suatu neuron. x1 x2 x3



w j1 wj2 wj3



ϕ(.)



∑ m



v j = ∑ w ji xi i =0



w jm



wj0



xm x0 =1



yj



Neuron j dinyatakan secara matematis sbb: m



u j = ∑ w ji x j i =1



dan



y j = ϕ( u j + b j )



dengan x1, x2, …, xm adalah signal input dan wj1, wj2, …, wjm adalah bobot dari tiap synapsis j, uj adalah kombinasi linier dari signal-signal input, bj adalah bias, ϕ (.) adalah fungsi aktivasi, dan yj adalah signal output dari neuron j. Pemakaian bias memberi pengaruh terhadap output neuron sebagai berikut: v j = u j +b j



atau m



v j = ∑w ji x j i =0



dan



y j = ϕ(v j ) .



Jadi, ditambahkan satu synapsis untuk mengakomodasi bias bj dengan x0=+1 dan bobot synapsis wj0=bj. Fungsi Aktivasi Syarat dari fungsi aktivasi adalah nonlinear, saturate (memiliki output dengan nilai minimum dan maksimum), dan kontinyu. Beberapa contoh fungsi aktivasi (lihat Gambar 2) adalah: 1. Fungsi threshold 1 if 0 if



ϕ( v ) = 



v ≥0 v