Algoritma Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

Otak manusia berisi berjuta- juta sel syaraf yang bertugas untuk memproses informasi. Setiap sel syaraf (neuron) akan memiliki satu inti sel, inti sel ini yang akan bertugas untuk melakukan pemrosesan informasi.

Komponen Jaringan Syaraf

•  Neuron, sel syaraf yang akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain.

•  Pada jaringan syaraf, hubungan antar neuron-neuron dikenal dengan nama bobot.

•  Pada jaringan syaraf, neuron- neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers)

•  Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang dikenal dengan
lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan
dirambatkan secara mundur pada jaringan.

Proses Pembelajaran pada Jaringan Syaraf

a.   Pembelajaran Terawasi

1.  Hebb Rule

Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung dan keduanya dalam kondisi “on” pada saat yang sama, maka bobot antara keduanya dinaikkan

2.  Perception

Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear.
Algoritma yang digunakan akan mengatur parameter- parameter bebasnya melalui proses pembelajaran

3.  Delta Rule

Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan nilai target.

4.  Backpropagation

Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuron- neuron yang ada pada
lapisan tersembunyi

5.  Hetroassociative Memory

Jaringan yang bobot- bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola.

6.   Bidirectional Associative Memory

Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan ke lapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output.

7.   Learning vector Quantization

Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-vektor input

b.   Pembelajaran Tak Terawasi

•    Jaringan kohonen pertama kali diperkenalkan oleh Prf. Teuvo Kohonen tahun 1982.

•    Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster

•    Selama proses penyusunan diri, cluster yang memiliki vektor bbot paling cocok dengan pola input akan terpilih sebagai pemenang