Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial
Neural Network (ANN) atau Neural Network (NN) saja, merupakan sistem
pemroses informasi yang memiliki karakteristik mirip dengan jaringan
syaraf pada makhluk hidup. Neural network berupa suatu model
sederhana dari suatu syaraf nyata dalam otak manusia seperti suatu
unit threshold yang biner.
Neural network merupakan sebuah mesin pembelajaran yang dibangun dari
sejumlah elemen pemrosesan sederhana yang disebut neuron
atau node. Setiap neuron dihubungkan dengan
neuron yang lain dengan hubungan komunikasi langsung melalui pola
hubungan yang disebut arsitektur jaringan. Bobot-bobot pada koneksi
mewakili besarnya informasi yang digunakan jaringan. Metode yang
digunakan untuk menentukan bobot koneksi tersebut dinamakan dengan
algoritma pembelajaran. Setiap neuron mempunyai tingkat aktivasi yang
merupakan fungsi dari input yang masuk padanya. Aktivasi yang dikirim
suatu neuron ke neuron lain berupa sinyal dan hanya dapat mengirim
sekali dalam satu waktu, meskipun sinyal tersebut disebarkan pada
beberapa neuron yang lain.
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural
network (ANN), atau juga disebut simulated neural network (SNN), atau
umumnya hanya disebut neural network (NN)), adalah jaringan dari
sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan
saraf manusia. JST merupakan sistem adaptif yang dapat mengubah
strukturnya untuk memecahkan masalah berdasarkan informasi eksternal
maupun internal yang mengalir melalui jaringan tersebut. Neural
Network juga dapat diartikan sebagai suatu jaringan saraf tiruan yang
memproses sejumlah besar informasi secara paralel dan terdistribusi
(hal ini terinspirasi oleh model kerja otak biologis)
Secara sederhana, JST adalah sebuah alat pemodelan data statistik
non-linier. JST dapat digunakan untuk memodelkan hubungan yang
kompleks antara input dan output untuk menemukan pola-pola pada data.
Dewasa ini telah berkembang suatu pendekatan yang ebih fleksibel
untuk memodelkan hubungan linear maupun non linear yang dikenla
dengan model Neural Network (NN). Model N merupakan alternative yang
banyak menarik perhatian, karena beberapa alasan. NN tidak memerlukan
asumsi-asumsi pada data yang seringkali sulit dipenuhi. Dalam keadaan
ini NN dapat dipandang sebagai metode statistic yang nonlinear dan
nonparametric (Ripley, 1993)
Dalam penerapannya, NN mengandung sejumlah parameter (weight) yang
terbatas. Permasalahan yang masih menjadi perhatian para peneliti
adalah bagaimana menentukan model NN yang paling baik (jumlah
parameter yang optimal) yang meliputi penentuan unit input yang
signifikan dan jumlah unit hidden (Zang et al, 1998). Ada beberapa
metode yang telah digunakan diantaranya adalah algoritma pruning,
network information criteria (NIC), regulasi, dan cross-valivation.
Namun demikian, metode-metode tersebut belum memberikan jamiann
didapatkannya model yang optimal, sehingga masalah ini masih menjadi
topic yang ters dikaji. Selain itu NN hanya mengenali dalam satu
dimensi saja. selain itu harus dilakukan ekstrasi ciri telebih
dahulu.
Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau
pekerjaan yang kurang praktis jika dikerjakan secara manual.
Kegunaan Dalam Kehidupan Nyata
Perkiraan Fungsi,
atau Analisis Regresi, termasuk prediksi time series dan modeling.
Klasifikasi, termasuk pengenalan pola dan pengenalan urutan,
serta pengambil keputusan dalam pengurutan.
Pengolahan data, termasuk penyaringan, pengelompokan, dan
kompresi.
Robotik
Referensi :
(Ripley, 1993)
(Zang et al, 1998)
https://statistikawanku.wordpress.com/2013/03/29/pengertian-jaringan-syaraf-tiruan-neural-network/
0 Comments