Neural Network (NN)

Neural Network (NN)

 

    Neural Network (NN) adalah model yang terinspirasi oleh bagaimana neuron dalam otak manusia bekerja. Tiap neuron pada otak manusia saling terhubung dan informasi mengalir dari setiap neuron tersebut.

 

• Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan syaraf.

• Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain.

• Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf.

 

     Tiap neuron menerima input dan melakukan operasi dot dengan sebuah weight, menjumahkannya (weighted sum) dan menambahkan bias. Hasil operasi ini akan dijadikan parameter dari activition function output dari neuron tersebut.

 

STRUKTUR NEURAL NETWORK

    Karakteristik dari ANN dilihat dari pola hubungan antar neuron, matode penentuan bobot dari tiap koneksi, dan fungsi aktivainya, Gambar diatas menjelaskan struktur ANN secara mendasarm yang kenyataannya tidak hanyak sederhana seperti itu.

    1. Input, berfungsi seperti dendrite.

    2. Output, berfungsi seperti akson.

    3. Fungsi aktivasi, berfungsi sebagai sinapsis.

AKTIVATION FUNCTION

    Activation function berfungsi untuk menentukan apakah neuron tersebut harus "aktif" atau tidak berdasarkan dari weighed sum dari input. Secara umum terhadap 2 jenis activation function Linear dan Non-Linear Activition function.

• Linear Function

    Secara "default" activation function dari sebuah neuron adalah linear. Jika sebuah neuron menggunakan linear dunction, maka keluaran dari neuron tersebut adalah weighed sum dari input + bias.

• Sigmoid & Tanh Function

    Sigmoid function mempunyai rwntang antara 0 hingga 1,  sedangkan rentang Tanh function adalah -1 hingga 1. Kedua fungsi ini biasanya digunakan untuk klasifikasi 2 class atau kelompok data.

MODEL PERCEPTRON

• Model Perceptron adalah model jaringan yang terdiri dari beberapa unit masukan (ditambah dengan sebuah bias), dan memiliki sebuah unit keluaran.
• Fungsi aktivasi bukan hanya merupakan fungsi biner (0,1) melainkan bipolar (-1,0,1)
• Untuk harga threshold sudut  yang ditentukan :

Tahapan Algoritma Perceptron

1. Inisialisasi semua bobot dan bias (umumnya wi = b=0)

2. Selama ada element vektor, masukkan yang respon unit keluarannya tidak sama dengan taeger, lakukan :

    2.1 Set aktivasi unit masukkan xi =Si (i= 1,...,n)

    2.2. Hitung respon unit keluaran : net = sigma xiwi + b

    2.3 Perbaiki bobot pola yang mengandung kesalahan menurut persamaan:

    2.4 Ulangi iterasi sampai perubahan bobot  tidak ada.

Algoritma Perceptron Rule

• Perbaiki bobot dan bias jika output tidak sama dengan target

       

    Untuk setiap iterasi, semua data input harus diuji. W(baru) dan Bias(baru) akan digunakan untuk pengujian data berikutnya.