Lompat ke konten
Home » Teknik Elektro » Pengertian dan Rumus Jaringan Neural Artifisial

Pengertian dan Rumus Jaringan Neural Artifisial

  • oleh
  • Juni 21, 2021Juni 21, 2021

Jaringan neural artifisial (Artificial Neural Network, ANN) adalah system informasi yang mempunyai karakteristik kinerja tertentu seperti jaringan biologis. ANN telah dikembangkan sebagai generalisasi model matematik dan manusia atau biologi neural, yang berbasis pada asumsi bahwa:

  • Pemrosesan info tenjadi pada banyak elemen sederhana yang disebut neuron.
  • Sinyal diberikan antara neuron lewat jalinan koneksi.
  • Setiap jalinan koneksi mempunyai bobot yang mengalikan sinyal yang ditransmisikan.
  • Setiap neuron menerapkan flingsiaktivasi (yang biasanya non linear) terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya.

Jaringan neural dikarakteristikkan dengan :

  1. Pola interkoneksi antara neuron (arsitektur).
  2. Metode penentuan bobot pada koneksi (pembelajaran atau algoritma)
  3. Fungsi aktivasinya.

Jaringan neural terdiri atas sejumlah besar elemen pemrosesan yang disebut neuron, unit, Setiap neuron terhubung dengan neuron lain dengan jalinan koneksi langsung yang terkait dengan bobot. Bobot mewakili informasi yang digunakan oleh jaringan untuk menyelesaikan masalah. Jaringan neural dapat diterapkan untuk berbagai masalah yang luas :

  • Penyimpanan dan pemulihan data atau pola.
  • Klasifikasi pola.
  • Pemetaan dan pola-pola masukan yang serupa.
  • Pencarian solusi masalah optimasi terkendali.

Setiap neuron mempunyai keadaan internal yang disebut level aktivasi atau level aktivitas yang merupakan fungsi masukan yang diterima.

Secara tipikal, suatu neuron mengirimkan aktivasinya ke beberapa neuron lain sebagai sinyal. Perlu diperhatikan bahwa neuron hanya dapat mengirimkan satu sinyal sesaat, walau sinyal tersebut dipancarluaskan ke beberapa neuron lain.

Sebagai contoh tinjau neuron Y yang menerima masukan dari neuron Xl, X2 dan X3

Gambar : Neuron Y menerima masukan terbobot dan neuron X1, X2, dan X3

Aktivasi (sinyal keluaran) dari neuron-neuron ini adalah x1, x2 dan x3. Bobot koneksi dan neuron X1, X2 dan X3 ke neuron Y adalah w1, w2 dan w3. Masukan neto , Yin_ ke neuron Y adlah jumlah sinyal terbobot dan neuron Xl, X2 dan X3 yaitu:

yin = w1 x1 + w2 x2 + w3 x3

Aktivasi y dari neuron Y diberikan oleh fungsi masukan netonya: y = f ( yin )

Misalnya fungsi aktivasinya sigmoid logistik dengan kurve berbentuk S, maka:

Selanjutnya dimisalkan bahwa neuron Y dihubungkan ke neuron Z1 dan Z2, dengan bobot v1 dan v2 seperti terlihat pada Gambar dibawah :

Transmisi sinyal dari suatu neuron dilakukan oleh potensial aksi hasil dari bedaan konsentrasi ion dari kedua sisi membran akson. Ion yang terlibat adalah potassium, sodium dan chloride. Neuron biologis generik terlihat pada Gambar dibawah ini yang terhubung dengan akson dan dua neuron lain dan dendrit dari dua neuron lain.

Ciri kunci elemen pemrosesan jaringan neural artifisial yang berasal dari sifat neuron biologis adalah :

  1. Elemen pemrosesan menerima banyak sinyal.
  2. Sinyal dapat dimodifiksi dengan bobot pada synapse penerima
  3. Elemen pemrosesan menjumlahkan masukan terbobot
  4. Dengan masukan yang cukup besar, neuron mentransmisikan sinyal keluaran.
  5. Keluaran dari suatu neuron dapat menuju ke banyak neuron lain (cabang akson). Ciri lain jaringan neural artifisial yang berasal dari jaringan neural biologis adalah:
  6. Pemrosesan informasi adalah lokal, walaupun cara transmisi lain seperti aksi hormon dapat mempengaruhi kendali proses keseluruhan.
  7. Memori adalah terdistribusi :
    • Memori jangka panjang berada di synapse neuron atau bobot.
    • Memori jangka pendek sesuai dengan sinyal yang dikirim oleh neuron.
  8. Kekuatan synapse dapat dimodifikasi oleh pengalaman.
  9. Neurotnansmiter dapat eksitatori (bersifat merangsang) atau inhibitori (bersifat melarang).

Gambar : Jaringan neural dengan unit tersembunyi Neuron Y mengirimkan keluarannya y ke neuron Z1 dan Z2 dengan pembobotan v1 dan v2.

Dengan adanya unit tersembunyi pada jaringan neural Gambar 1.2, maka hal ini akan memberikan kemampuan menyelesaikan lebih banyak masalah dari pada yang dapat diselesaikan oleh jaringan yang hanya terdiri atas unit masukan dan unit keluaran saja. Tetapi pelatihan jaringan ini lebih sulit melatihnya dalam mencari bobot optimalnya adanya unit tersembunyi tersebut.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.