Terdapat beberapa jenis NN, yang dibedakan berdasarkan type,
algoritma, learning methode maupun activation function, yang
digunakan (Asro : 2010).
Type NN, yaitu yang berkaitan dengan koneksi antar neuron.
1. Feedforward
Feedforward type merupakan type NN dimana neuron pada suatu layer
hanya bisa berkoneksi dengan neuron yang berada pada layer yang
berbeda. (Asro : 2010)
Yang termasuk dalam struktur feedforward (eliyani : 2005) :
- Single-layer perceptron
- Multilayer perceptron
- Radial-basis function networks
- Higher-order networks
- Polynomial learning networks
2. Feedback
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. (Asro : 2010)
Yang termasuk dalam stuktur recurrent (feedback) (eliyani : 2005) :
- Competitive networks
- Self-organizing maps
- Hopfield networks
- Adaptive-resonanse theory models
Algoritma, yaitu algoritma matematis yang digunakan NN
untuk melakukan proses belajar.
- Backpropagation, merupakan suatu algoritma belajar (learning algorithm) yang digunakan oleh NN pada metode supervised. Salah satu bentuknya adalah delta learning rule. (Asro : 2010).
- 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. (Asro : 2010).
- Forwardpropagation, merupakan algoritma dimana output neuron hanya dipropagasi pada satu arah dari input ke output. (Asro : 2010).
- Hebb learning rule, merupakan algoritma yang digunakan dengan supervised learning, khususnya pada perceptron, dimana perubahan weight diperoleh dari perkalian input, output dan learning rate. (Asro : 2010).
- Simulated annealing, merupakan tipe khusus dari learning algorithm, khususnya untuk NN tipe feedback. (Asro : 2010)
Metoda (learning methode)
- Supervised learning, dimana ada target outputnya, sehingga error dihitung dari output hasil perhitungan dikurangi dengan target output. (Asro : 2010)
- Unsupervised learning, merupakan metode khusus dimana tidak ada target outputnya, contohnya adalah pada selforganizing neural nets seperti Kohonen Feature Map. (Asro : 2010)
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. (Asro : 2010)
hard limiter
signum activation
sigmoid activation.
Berikut adalah beberapa jenis NN yang biasa digunakan.
(1) Perceptron.
Pertama kali diperkenalkan oleh F. Rosenblatt pada tahun 1958.
Umumnya hanya digunakan untuk operasi logic sederhana seperti AND
atau OR, tidak untuk operasi logic yang agak kompleks seperti XOR.
(Asro : 2010)
Type : feedforward.
Neuron layer : 1 input layer, 1 output layer.
Activation function : hard limiter.
Learning methode : supervised.
Learning algorithm : hebb learning rule.
Penggunaan: simple logical operations, pattern classification.
Jaringan lapis tunggal perseptron (single layer perceptron)
terdiri dari beberapa unit pemroses (neuron) seperti pada gambar
diatas, yang terhubung dan mempunyai beberapa masukan serta beberapa
keluaran. Single Perceptron sering disebut juga dengan Perceptron.
Perceptron menghitung jumlah nilai perkalian penimbang dan masukan
dari parameter permasalahn yang kemudian dibandingkan dengan nilai
treshold. Bila nilai keluaran lebih besar dari treshold maka
keluarannya adalah satu, sebaliknya adalah nol.
Dimana xi adalah sinyal masukan dan wji adalah penimbangnya.
Bila I>T maka keluaran O = 1 sebaliknya O = 0 dimana T adalah
treshold.
(2) Multi-layer-perception.
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969,
merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih
hidden layers yang terletak antara input dan output layers.
Multi-layer-perceptron dapat digunakan untuk operasi logik termasuk
yang kompleks seperti XOR. (Asro : 2010)
Type : feedforward.
Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1
output layer.
Activation function : hard limiter/sigmoid.
Learning methode : supervised.
Learning algorithm : delta learning rule atau backpropagation (paling
banyak digunakan).
Penggunaan : complex logical operations, patten classification.
(3) Backpropagation Net.
Diperkenalkan oleh G.E. Hinton, E. Rumelhart dan R.J. Williams
pada tahun 1986, merupakan tipe yang paling baik (powerfull). (Asro :
2010)
Type : feedforward.
Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1
output layer.
Activation function : sigmoid.
Learning methode : supervised.
Learning algorithm : backpropagation.
Penggunaannya : complex logical operations, patten classification,
speech analysis.
Algoritma backpropagasi termasuk metode yang di desain untuk operasi
pada jaringan feed foward multi lapis. Metode ini telah banyak
digunakan secara luas, diantaranya diterapkan di bidang finansial,
pengenalan pola tulisan tangan, pengenalan pola suara sistem kendali,
pengolah citra medika, dan masih banyak lagi.
Secara garis besar cara kerja metode ini adlah jika jaringan
diberikan pola masukan maka pola tersebut menuju ke unit-unit pada
lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran.
Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut
keluaran jaringan. Jika keluaran jaringan tidak sama dengan keluaran
yang diharapkan, maka keluaran akan menyebar mundur pada lapisan
tersembunyi lalu ke unit pada lapisan masukan. Sehingga metode ini
disebut backpropagation.
(4) Hopfield Net.
Diperkenalkan oleh ahli fisika J.J. Hopfield tahun 1982 dan menjadi
tipe NN yang disebut “thermodynamical models”. Terdiri dari
sekumpulan neurons, tidak ada perbedaan antara input dan output
neurons. (Asro : 2010)
Type : feedback.
Neuron layers : 1 matrix.
Activation function : signum/hard limiter.
Learning method : unsupervised.
Learning algorithm : delta learning rule/simulated annealing (paling
banyak digunakan).
Penggunaannya : patten association, optimization problems.
Metode dapat dinyatakan sebagai sebuah memori asosiatip (associative
memory). JST Hopfield merupakan salah satu metode optimasi untuk
pencarian nilai minimum dari kombinasi fungsi obyektif.
(5) Kohonen Feature Map.
Diperkenalkan oleh Teuvo Kohonen (University of Helsinki) tahun 1982.
(Asro : 2010)
Type : Feedforward/Feedback.
Neuron layers : 1 input layer, 1 map layer.
Activation function : sigmoid.
Learning methode : unsupervised.
Learning algorithm : selforganization.
Penggunaanya : patten association, optimization problems, simulation.
Metode ini merupakan proses unsupervised learning yang
mempelajari distribusi himpunan pola-pola tanpa informasi kelas. Ide
dasar teknik ini dipahami dari bagaimana proses otak manusia
menyimpan gambar/pola yang telah dikenalinya melalui mata, kemudian
mampu mengungkapkan kembali gambar/pola tersebut. Oleh karena itu,
aplikasi model ini banyak digunakan pada pengenalan obyek/citra
visual (visual image).
Referensi :
(Asro : 2010)
(eliyani : 2005)
M. Minsky dan S. Papert (1969)
G.E. Hinton, E. Rumelhart dan R.J. Williams (1986)
J.J. Hopfield (1982)
Teuvo Kohonen (University of Helsinki) (1982)
Eliyani.2005."Pengantar JAringan Syaraf Tiruan".
http://www.stmikpontianak.ac.id/admin/upload/jaringan_syaraf_tiruan.pdf
http://yuni-w-p-fst09.web.unair.ac.id/
http://lecturer.eepis-ts.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%208%20Jaringan%20Syaraf%20Tiruan.pdf
Sumber :
http://linkblog-ku.blogspot.co.id/2012/10/model-model-neural-network.html
0 Comments