SISTEM SYARAF BUATAN

Self-Organizing Map (SOM) Self-Organizing Map  (SOM) atau sering disebut  topology-preserving map  pertama kali diperkenalkan oleh Teuvo Kohonen pada tahun 1996. SOM merupakan salah satu teknik dalam  Neural Network  yang bertujuan untuk melakukan visualisasi data dengan cara mengurangi dimensi data melalui penggunaan  self-organizing neural networks  sehingga manusia dapat mengerti  high-dimensional  data yang dipetakan dalam bentuk  low-dimensional  data. Metode pembelajaran yang digunakan SOM adalah tanpa bimbingan dari suatu data input-target atau  unsupervised learning  yang mengasumsikan sebuah topologi yang terstruktur menjadian unit-unit kelas/ cluster  (Kohonen, 1989 dan Fausett, 1993).          Pada algoritma SOM, vektor bobot untuk setiap unit  cluster  berfungsi sebagai contoh dari  input  pola yang terkait dengan  cluster  itu. Selama p...

Learning Vector Quantization (LVQ) adalah salah satu metode klasifikasi dari jaringan Syaraf Tiruan. LVQ bekerja dengan setiap unti output mempresentasikan sebuah kelas. Dengan kata lain LVQ adalah metode pengelompokan dimana target/kelasnya setiap kelompok/jumlah kelompok sudah ditentukan. Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas veltor untuk meminimalkan kesalahan dalam pengklasifikasian. langkah-langkah algoritma pelatihan LVQ (fausett, 1994 dalam Nugroho, 2011) dikutip oleh Budianita, 2013 terdiri atas : 1. Inisialisasi bobot wj dan derajat pembelajaran a(1) 2. Selama kondisi berhenti masih salah, kerjakan langkah 1-6 3. Untuk setiap vektor masukan pelatihan x kerjakan langkah 4-5 4. Temukan j sehingga |x-wj| minimum 5. Perbaharui wj sebagai berikut : Jika T = cj maka     wj(t+1) = wj (t) + a (t)[x(t) - wj(t)] Jika T ≠ cj maka     Wj(t+1) = wj (t) - a (t)[x(t) - wj(t)] Kurangi rerata pembelajaran a 6. Tes kondisi berhenti dengan,  X,...

Model Adaline ditemukan oleh Widrow & Holf (1960).Arsitekturnya mirip dengan perceptron. Beberapa masukan (dan sebuah Bias) dihubungkan langsung dengan sebuah neuron keluaran. Perbedaan dengan perceptron adalah dalam hal cara modifikasi bobotnya. Bobot dimodifikassi dengan aturan delta (sering juga disebut least mean square). Selama pelatihan, fungsi aktivasi yang dipakai adalah fungsi identitas. Kuadrat selisih antara target (t) dan keluaran jaringan (f (net)) merupakan error yang terjadi. Dalam aturan delta, bobot dimodifikasi sedemikian hingga errornya minimum. E merupakan fungsi bobot Wi, penurunan E tercepat terjadi pada arah Maka perubahan bobot adalah : , dengan alfa merupakan bilangan positif kecil (umumnyay diambil = 0,1) Algoritma Pelatihan Adaline Inisialisasi semua bobot dan bias (umumnya Wi = b = 0). Tentukan laju pemahaman (=a). Untuk penyederhanaan, biasanya a diberi nilai kecil (=0,1) Tentukan toleransi kesalahan yang diijinkan. Selama max Awi > batas toleransi, ...

Apa itu perceptron? Perceptron adalah salah satu metode Jaringan Syaraf Tiruan (JST) sederhana yang menggunakan algortima training untuk melakukan klasifikasi secaara linier. Percetron digunakan untuk melakukan klasifikasi sederhana dan membagi data untuk menentukan data mana yang masuk dalam klasifikasi dan data mana yang missclasifikasi (diluar klasifikasi). Perceptron dapat digunakan untuk memisahkan data yang dapat dibagi menjadi 2 kelas, misalnya kelas C1 dan kelas C2. Perceptron dalam Jaringan Syaraf Tiruan memiliki bobot yang bisa iatur dalam suatu ambang batas (threshold). Melalui proses pembelajaran (learning), Algoritma Perceptron akan mengatur parameter-parameter bebasnya. Dibawah ini merupakan gambaran dari pengklasifikasian dari kelas C1 dan C2 : Tanda x (biru) dan tanda o (merah) pada gambar diatas dicontohkan adalah 2 buah data yang akan diklasifikasikan. Dimana kedua data tersebut akan dipisahkan dengan suatu garis hyperplane yang membagi data enjadi 2 klasifikasi. Dima...