Model model Jaringan Syaraf Tiruan

Jaringan saraf tiruan (JST) atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

    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.

I. MODEL ASSOCIATIVE MEMORY

    Jaringan syaraf associative memory adalah jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimpan kumpulan pengelompokan pola. Masing-masing kelompok merupakan pasangan vektor (s(p),t(p)) dengan p=1,2,...,P. Tiap-tiap vektor s(p) memiliki n komponen, dan tiap-tiap t(p) memiliki m komponen. Bobot-bobot tersebut dapat ditentukan dengan menggunakan Hebb rule atau delta rule. Jaringan ini nanti akhirnya akan mendapatkan vektor output yang sesuai dengan vektor inputnya (x) yang merupakan salah satu vektor s(p) atau merupakan vektor lain di luar s(p). Algoritma pembelajaran yang biasa digunakan oleh jaringan ini adalah Hebb rule dan delta rule.

Arsitektur Model Associative Memory

Algoritma Model Associative Memory



II. MODEL BIDIRECTIONAL ASSOCIATIVE MEMORY

      Bidirectional Associative Memory (BAM) adalah model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan ke lapisan yang lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output. Namun demikian, bobot yang menghubungkan antara antara satu neuron (A) di satu lapisan dengan neuron (B) di lapisan lainnya akan sama dengan bobot yang menghubungkan neuron (B) ke neuron (A). Bisa dikatakan bahwa, matriks bobot yang menghubungkan neuron-neuron pada lapisan output ke lapisan input sama dengan transpose matriks bobot neuron-neuron yang menghubungkan lapisan input ke lapisan output. Arsitektur jaringan untuk 3 neuron pada lapisan input dan 2 neuron pada lapisan output.

Arsitektur Model Bidirectional Associative Memory



Algoritma Model Bidirectional Associative Memory

III. MODEL LEARNING VECTOR QUANTIZATION (LVQ)

      Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.

Arsitektur Model Learning Vector Quantization (LVQ)

 
Algoritma Model Learning Vector Quantization (LVQ)

 

IV. MODEL PERCEPTRON

      Perceptron merupakan salah satu metode pembelajaran terawasi (supervise learning method) dalam jaringan saraf tiruan (JST). Umumnya, perceptron digunakan untuk mengklasifikasikan suatu pola tertentu.
 
      Pada dasarnya, perceptron yang memiliki satu lapisan akan memiliki bobot yang bisa diatur plus sebuah nilai ambang (threshold). Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold (Ө) pada fungsi aktivasi adalah non negatif. Fungsi aktivasi dibuat dengan tujuan untuk memisahkan antara daerah positif dengan daerah negatif.

Garis pemisah antara daerah positif dengan daerah nol memiliki pertidaksamaan sebagai berikut:

w1x1 + w2x2 + b > Ө

Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan sebagai berikut:

w1x1 + w2x2 + b < - Ө

     Jika kita menggunakan pasangan vektor input dan vektor output sebagai pasangan vektor yang akan dilatih maka kita akan memiliki algoritma sbb. :

• Inisialisasi semua bobot dan bias

• Set learning rate (α) dengan 0 < α ≤ 1

1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah berikut:
    i.Untuk setiap pasangan pembelajaran s-t, Kerjakan:
      a)set input dengan nilai yang sama dengan vektor input.
         Xi = Si;
      b)Hitung respon untuk unit output:
      c)Perbaiki bobot dan bias jika terjadi error:
     Jika y ≠ t maka:
         wi(baru) = wi(lama) + α * t * Xi
         b(baru) = b(lama) + α * t    
     Jika tidak, maka
         wi(baru) = wi(lama)
         b(baru) = b(lama)

   ii.Tes kondisi berhenti.

     Jika tidak terjadi perubahan bobot pada (i) maka kondisi berhenti akan bernilai true. Namun jika masih terjadi perubahan maka kondisi berhenti akan bernilai false.

V. MODEL Mc CULLOCH-PITTS (McP)

      Model JST yang digunakan oleh McCulloch-Pitts (McP) merupakan model yang pertama ditemukan.
Model neuron McP memiliki karakteristik sbb:
a. Fungsi aktivasinya biner
b. Semua garis yang memperkuat sinyal (bobot positif) ke arah suatu neuron memiliki kekuatan  (besar bobot) yang sama. Hal yang sama untuk garis yang memperlemah sinyal (bobot negatif) ke arah neuron tertentu
c. Setiap neuron memiliki batas ambang (threshold) yang sama. Apabila total input ke neuron tersebut melebihi threshold, maka neuron akan meneruskan sinyal.

Proses yang terjadi :

• Neuron Y menerima sinyal dari (n+m) buah neuron x1 x2, …..xn, xn+1, ….xn+m
• n buah penghubung dengan dari x1 x2, …..xn ke Y merupakan garis yang memperkuat sinyal (bobot positif), sedangkan m buah penghubung dari xn+1,….xn+m ke Y merupakan garis yang memperlemah sinyal (bobot negatif).
• Semua penghubung dari x1 x2, …..xn ke Y memiliki bobot yang sama. Hal yang sama dengan penghubung dari xn+1,….xn+m ke Y memiliki bobot yang sama. Namun jika ada neuron lain katakan Y2, maka bobot x1 ke Y1 boleh berbeda dengan bobot dari x2 ke Y2.
• Fungsi aktivasi neuron Y adalah

• Bobot tiap garis tidak ditentukan dengan proses pelatihan, tetapi dengan metode analitik. Beberapa contoh berikut memaparkan bagaimana neuron McP digunakan untuk memodelkan fungsi logika sederhana.