www.wikidata.id-id.nina.az

Jaringan saraf tiruan JST bahasa Inggris artificial neural network ANN atau simulated neural network SNN atau neural net

Jaringan saraf tiruan

Jaringan saraf tiruan (JST) (bahasa Inggris: artificial neural network; ANN, atau simulated neural network (SNN), atau neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.

Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf (neuron) jaringan saraf.

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. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.

Sejarah Sunting

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Model Sunting

Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi . Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

  • Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
  • Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
  • Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya (lapisan ke-). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi nonlinear weighted sum, dimana , merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan merupakan beban atau weight.

Lihat pula Sunting

Wikibooks memiliki buku di:
Artificial Neural Networks
  • 20Q
  • Artificial life
  • Autoassociation memory
  • Autoencoder
  • Biological neural network
  • Biologically-inspired computing
  • Clinical decision support system
  • Connectionist expert system
  • Decision tree
  • Sistem pakar
  • Logika Fuzzy
  • Algoritme genetik
  • Gnod, a Kohonen network application
  • Linear discriminant analysis
  • Regresi logistik
  • Multilayer perceptron
  • Nearest neighbor (pattern recognition)
  • Jaringan saraf
  • Neuroevolution, NeuroEvolution of Augmented Topologies (NEAT)
  • Neural network software
  • Ni1000 chip
  • Jaringan saraf optik
  • Particle swarm optimization
  • Perceptron
  • Predictive analytics
  • Principal components analysis
  • Regression analysis
  • Simulated annealing
  • Systolic array
  • Systolic automaton
  • Time delay neural network (TDNN)

Daftar pustaka Sunting

  • Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 2.  Hapus pranala luar di parameter |title= (bantuan)
  • Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 3.  Hapus pranala luar di parameter |title= (bantuan)
  • Bar-Yam, Yaneer (2005). Making Things Work.  Hapus pranala luar di parameter |title= (bantuan) Please see Chapter 3
  • Bhagat, P.M. (2005) Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1
  • Bishop, C.M. (1995) Neural Networks for Pattern Recognition, Oxford: Oxford University Press. ISBN 0-19-853849-9 (hardback) or ISBN 0-19-853864-2 (paperback)
  • Duda, R.O., Hart, P.E., Stork, D.G. (2001) Pattern classification (2nd edition), Wiley, ISBN 0-471-05669-3
  • Gurney, K. (1997) An Introduction to Neural Networks London: Routledge. ISBN 1-85728-673-1 (hardback) or ISBN 1-85728-503-4 (paperback)
  • Haykin, S. (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall, ISBN 0-13-273350-1
  • Fahlman, S, Lebiere, C (1991). The Cascade-Correlation Learning Architecture, created for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499. electronic version 2013-05-03 di Wayback Machine.
  • Hertz, J., Palmer, R.G., Krogh. A.S. (1990) Introduction to the theory of neural computation, Perseus Books. ISBN 0-201-51560-1
  • Lawrence, Jeanette (1994) Introduction to Neural Networks, California Scientific Software Press. ISBN 1-883157-00-5
  • Masters, Timothy (1994) Signal and Image Processing with Neural Networks, John Wiley & Sons, Inc. ISBN 0-471-04963-8
  • Ness, Erik. 2005. SPIDA-Web 2007-12-11 di Wayback Machine.. Conservation in Practice 6(1):35-36. On the use of artificial neural networks in species taxonomy.
  • Ripley, Brian D. (1996) Pattern Recognition and Neural Networks, Cambridge
  • Smith, Murray (1993) Neural Networks for Statistical Modeling, Van Nostrand Reinhold, ISBN 0-442-01310-8
  • Wasserman, Philip (1993) Advanced Methods in Neural Computing, Van Nostrand Reinhold, ISBN 0-442-00461-3

Referensi Sunting

  1. Nasution, Darmeli; Harumy, T. Henny F.; Haryanto, Eko; Fachrizal, Ferry; Julham; Turnip, Arjon (2015-10). "A classification method for prediction of qualitative properties of multivariate EEG-P300 signals". 2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology (ICACOMIT). IEEE. doi:10.1109/icacomit.2015.7440180. ISBN 978-1-4673-7408-8. 
  2. Kurt Hornik, Maxwell Stinchcombe, Halbert White, Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, 1989, Pages 359-366, ISSN 0893-6080, http://dx.doi.org/10.1016/0893-6080(89)90020-8. (http://www.sciencedirect.com/science/article/pii/0893608089900208) Keywords: Feedforward networks; Universal approximation; Mapping networks; Network representation capability; Stone-Weierstrass Theorem; Squashing functions; Sigma-Pi networks; Back-propagation networks

Pranala luar Sunting

wikipedia, wiki, buku, buku, perpustakaan, artikel, baca, unduh, gratis, unduh gratis, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, gambar, musik, lagu, film, buku, permainan, permainan.
Tanggal penerbitan:
Jaringan saraf tiruan JST bahasa Inggris artificial neural network ANN atau simulated neural network SNN atau neural network NN adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut Oleh karena sifatnya yang adaptif JST juga sering disebut dengan jaringan adaptif 1 Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung yang dimodelkan berdasar jaringan saraf neuron jaringan saraf 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 Menurut suatu teorema yang disebut teorema penaksiran universal JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya 2 Daftar isi 1 Sejarah 2 Model 3 Lihat pula 4 Daftar pustaka 5 Referensi 6 Pranala luarSejarah SuntingSaat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain Pertama tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi Bidang ini disebut Cognitive Science Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan Dibandingkan dengan bidang ilmu yang lain jaringan saraf tiruan relatif masih baru Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943 Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel sel otak Metode yang dikembangkan berdasarkan sistem saraf biologi ini merupakan suatu langkah maju dalam industri komputer Model SuntingModel pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi f X Y displaystyle f X rightarrow Y nbsp Istilah jaringan pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda Secara umum lapisan pada JST dibagi menjadi tiga bagian Lapis masukan input layer terdiri dari neuron yang menerima data masukan dari variabel X Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi Lapisan tersembunyi hidden layer terdiri dari neuron yang menerima data dari lapisan masukan Lapisan luaran output layer terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y Secara matematis neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya g i x displaystyle g i x nbsp lapisan ke i displaystyle i nbsp Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi nonlinear weighted sum dimana f x K i w i g i x displaystyle f x K sum i w i g i x nbsp K displaystyle K nbsp merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan w displaystyle w nbsp merupakan beban atau weight Lihat pula Sunting nbsp Wikibooks memiliki buku di Artificial Neural Networks 20Q Artificial life Autoassociation memory Autoencoder Biological neural network Biologically inspired computing Clinical decision support system Connectionist expert system Decision tree Sistem pakar Logika Fuzzy Algoritme genetik Gnod a Kohonen network application Linear discriminant analysis Regresi logistik Multilayer perceptron Nearest neighbor pattern recognition Jaringan saraf Neuroevolution NeuroEvolution of Augmented Topologies NEAT Neural network software Ni1000 chip Jaringan saraf optik Particle swarm optimization Perceptron Predictive analytics Principal components analysis Regression analysis Simulated annealing Systolic array Systolic automaton Time delay neural network TDNN Daftar pustaka SuntingBar Yam Yaneer 2003 Dynamics of Complex Systems Chapter 2 Hapus pranala luar di parameter title bantuan Bar Yam Yaneer 2003 Dynamics of Complex Systems Chapter 3 Hapus pranala luar di parameter title bantuan Bar Yam Yaneer 2005 Making Things Work Hapus pranala luar di parameter title bantuan Please see Chapter 3 Bhagat P M 2005 Pattern Recognition in Industry Elsevier ISBN 0 08 044538 1 Bishop C M 1995 Neural Networks for Pattern Recognition Oxford Oxford University Press ISBN 0 19 853849 9 hardback or ISBN 0 19 853864 2 paperback Duda R O Hart P E Stork D G 2001 Pattern classification 2nd edition Wiley ISBN 0 471 05669 3 Gurney K 1997 An Introduction to Neural Networks London Routledge ISBN 1 85728 673 1 hardback or ISBN 1 85728 503 4 paperback Haykin S 1999 Neural Networks A Comprehensive Foundation Prentice Hall ISBN 0 13 273350 1 Fahlman S Lebiere C 1991 The Cascade Correlation Learning Architecture created for National Science Foundation Contract Number EET 8716324 and Defense Advanced Research Projects Agency DOD ARPA Order No 4976 under Contract F33615 87 C 1499 electronic version Diarsipkan 2013 05 03 di Wayback Machine Hertz J Palmer R G Krogh A S 1990 Introduction to the theory of neural computation Perseus Books ISBN 0 201 51560 1 Lawrence Jeanette 1994 Introduction to Neural Networks California Scientific Software Press ISBN 1 883157 00 5 Masters Timothy 1994 Signal and Image Processing with Neural Networks John Wiley amp Sons Inc ISBN 0 471 04963 8 Ness Erik 2005 SPIDA Web Diarsipkan 2007 12 11 di Wayback Machine Conservation in Practice 6 1 35 36 On the use of artificial neural networks in species taxonomy Ripley Brian D 1996 Pattern Recognition and Neural Networks Cambridge Smith Murray 1993 Neural Networks for Statistical Modeling Van Nostrand Reinhold ISBN 0 442 01310 8 Wasserman Philip 1993 Advanced Methods in Neural Computing Van Nostrand Reinhold ISBN 0 442 00461 3Referensi Sunting Nasution Darmeli Harumy T Henny F Haryanto Eko Fachrizal Ferry Julham Turnip Arjon 2015 10 A classification method for prediction of qualitative properties of multivariate EEG P300 signals 2015 International Conference on Automation Cognitive Science Optics Micro Electro Mechanical System and Information Technology ICACOMIT IEEE doi 10 1109 icacomit 2015 7440180 ISBN 978 1 4673 7408 8 Periksa nilai tanggal di date bantuan Pemeliharaan CS1 Tanggal dan tahun link Kurt Hornik Maxwell Stinchcombe Halbert White Multilayer feedforward networks are universal approximators Neural Networks Volume 2 Issue 5 1989 Pages 359 366 ISSN 0893 6080 http dx doi org 10 1016 0893 6080 89 90020 8 http www sciencedirect com science article pii 0893608089900208 Keywords Feedforward networks Universal approximation Mapping networks Network representation capability Stone Weierstrass Theorem Squashing functions Sigma Pi networks Back propagation networksPranala luar SuntingSelayang pandang Algoritme Jaringan Saraf Tiruan Pranala Open Directory Diarsipkan 2007 12 31 di Wayback Machine Artikel tentang Jaringan Saraf Tiruan Diarsipkan 2007 11 13 di Wayback Machine Diperoleh dari https id wikipedia org w index php title Jaringan saraf tiruan amp oldid 18626607