Neural Network (NN) merupakan suatu
model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia.
Sebelum melihat lebih jauh tentang Neural Network, mari terlebih dahulu kita
perhatikan cara kerja dari otak manusia dalam mengolah informasi.
Komponen
Neural Network.
Terdapat banyak struktur Neural Network, tetapi kesemuanya mempunyai komponen yang hampir sama. Gambar berikut memperlihatkan struktur ideal Neural Network.
Seperti terlihat pada gambar, struktur Neural Network mirip dengan struktur otak manusia diatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutron akan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan output ke neuron lainnya, dan seterusnya.
Dalam Neural Network, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah Neural Network, dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan, informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikut menunjukan Neural Network dengan tiga neuron layers.
Terdapat banyak struktur Neural Network, tetapi kesemuanya mempunyai komponen yang hampir sama. Gambar berikut memperlihatkan struktur ideal Neural Network.
Seperti terlihat pada gambar, struktur Neural Network mirip dengan struktur otak manusia diatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutron akan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan output ke neuron lainnya, dan seterusnya.
Dalam Neural Network, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah Neural Network, dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan, informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikut menunjukan Neural Network dengan tiga neuron layers.
Jenis
Neural Network.
Terdapat beberapa jenis Neural Network (NN), yang dibedakan berdasarkan type, algoritma, learning methode maupun activation function, yang digunakan.
Terdapat beberapa jenis Neural Network (NN), yang dibedakan berdasarkan type, algoritma, learning methode maupun activation function, yang digunakan.
- Type Neural Network, yaitu yang berkaitan dengan koneksi antar neuron. Ada 2 type, yaitu feedforward dan feedback.
Feedforward type merupakan type NN dimana neuron pada suatu layer hanya
bisa berkoneksi dengan neuron yang berada pada layer yang berbeda.
Sedangkan feedback type merupakan type NN dimana neuron pada suatu layer
bisa berkoneksi dengan neuron pada layer lainnya dan juga dengan
neuron pada layer yang sama.
- Algoritma, yaitu algoritma
matematis yang digunakan Neural Network untuk melakukan proses belajar.
Ada beberapa jenis algoritma yang biasa digunakan, yaitu : (1) Backpropagation,
merupakan suatu algoritma belajar (learning algorithm) yang digunakan oleh
NN pada metode supervised. Salah satu bentuknya adalah delta learning
rule. (2) Delta learning rule, merupakan algoritma belajar
(learning algorithm) yang digunakan oleh NN pada metode supervised, dimana
perubahan weight diperoleh dari hasil perkalian antara input, error dan
learning rate. (3) Forwardpropagation, merupakan algoritma
dimana output neuron hanya dipropagasi pada satu arah dari input ke
output. (4) Hebb learning rule, merupakan algoritma yang
digunakan dengan supervised learning, khususnya pada perceptron, dimana
perubahan weight diperoleh dari perkalian input, output dan learning rate.
(5) Simulated annealing, merupakan tipe khusus dari learning
algorithm, khususnya untuk NN tipe feedback.
- Metoda (learning method), ada dua macam, yaitu :
(1) Supervised learning, dimana ada target outputnya, sehingga
error dihitung dari output hasil perhitungan dikurangi dengan target
output. (2) Unsupervised learning, merupakan metode khusus
dimana tidak ada target outputnya, contohnya adalah pada selforganizing
neural nets seperti Kohonen Feature Map.
- Fungsi aktivasi (activation function), merupakan
fungsi matematis yang digunakan untuk mendapatkan output neuron dari nilai
inputnya. Disebut aktivasi karena output akan bernilai jika melampaui
nilai threshold-nya. Beberapa fungsi aktivasi yang sering digunakan, yaitu
: hard limiter, signum activation dan sigmoid
activation.
Langganan:
Posting Komentar (Atom)
Posting Komentar