Apa Itu Jaringan Syaraf Tiruan

Apa itu Jaringan Syaraf Tiruan(JST)?

Apa itu Jaringan Syaraf Tiruan(JST)?

Jaringan saraf tiruan (JST) atau

Jaringan saraf tiruan (JST) atau neural neural network adalah suatu metode komputasi yang menirunetwork adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar  sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar  yang disebut

yang disebut neuronneuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehinggayang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola a

masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.tau klasifikasi karena proses pembelajaran. Layaknya

Layaknya neuronneuron biologi, JST juga merupakan sistem yang bersifatbiologi, JST juga merupakan sistem yang bersifat  fault tolerant  fault tolerant dalam 2dalam 2 hal. Pertama, dapat mengenali sinyal

hal. Pertama, dapat mengenali sinyal input input yang agak berbeda dari yang pernah diterimayang agak berbeda dari yang pernah diterima sebelumnya.

sebelumnya. Sebagai contoh, manusia serSebagai contoh, manusia sering dapat mengenali seseoring dapat mengenali seseorang yang wajahnya pernahang yang wajahnya pernah dilihat dari foto atau dapat mengenali sesorang yang wajahnya agak berbeda karena sudah lama dilihat dari foto atau dapat mengenali sesorang yang wajahnya agak berbeda karena sudah lama tidak menjumpainya. Kedua, tetap mampu bekerja meskipun beberapa

tidak menjumpainya. Kedua, tetap mampu bekerja meskipun beberapa neuronneuron-nya tidak mampu-nya tidak mampu  bekerja dengan baik. Jika sebuah

 bekerja dengan baik. Jika sebuah neuronneuron rusak,rusak, neuronneuron lain dapat dilatih untuk menggantikanlain dapat dilatih untuk menggantikan fungsi

fungsi neuronneuron yang rusak tersebut.yang rusak tersebut.

Jaringan saraf tiruan, seperti manusia, belajar dari suatu contoh karena mempunyai Jaringan saraf tiruan, seperti manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data-data sebelumnya

karakteristik yang adaptif, yaitu dapat belajar dari data-data sebelumnya dan mengenal pola datadan mengenal pola data yang selalu berubah. Selain itu, JST merupakan

yang selalu berubah. Selain itu, JST merupakan sistem yang tak terprogram, artinya semuasistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran/pelatihan.

mengikuti proses pembelajaran/pelatihan.

Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara kemampuan

kemampuan memorisasi memorisasi dan dan generalisasi. generalisasi. Yang Yang dimaksud dimaksud kemampuan kemampuan memorisasi memorisasi adalahadalah kemampuan JST untuk mengambil kembali secara

kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari.sempurna sebuah pola yang telah dipelajari. Kemampuan

Kemampuan generalisasi adalah kemampuan Jgeneralisasi adalah kemampuan JST untuk menghasilkan rST untuk menghasilkan respons yang bisaespons yang bisa diterima terhadap pola-pola

diterima terhadap pola-pola input input yang serupa (namun tidak identik) dengan pola-pola yangyang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila

sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam pada suatu saat ke dalam JST ituJST itu dimasukkan informasi baru yang belum pernah

dimasukkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap ddipelajari, maka JST itu masih akan tetap dapatapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati

memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati (Puspitaningrum, 2006).

(Puspitaningrum, 2006).

Jaringan saraf tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan saraf  Jaringan saraf tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan saraf  tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus  berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

 berkembang walaupun pernah mengalami masa vakum selama beberapa tahun. JST menyerupai otak manusia dalam dua ha

JST menyerupai otak manusia dalam dua hal, yaitu:l, yaitu:

•

• Pengetahuan diperoleh jaringan melalui proses belajar Pengetahuan diperoleh jaringan melalui proses belajar  •

• Kekuatan hubungan antar sel syaraf (Kekuatan hubungan antar sel syaraf (neuronneuron) yang dikenal sebagai bobot-bobot ) yang dikenal sebagai bobot-bobot sinaptik sinaptik 

digunakan untuk menyimpan pengetahuan. digunakan untuk menyimpan pengetahuan. Menurut (Siang, 2004) JST ditentukan oleh 3 hal: Menurut (Siang, 2004) JST ditentukan oleh 3 hal:

•

• Pola Hubungan Antar NeuronPola Hubungan Antar Neuron •

• Fungsi Aktivasi

Apa yang bisa dan tidak bisa dilakukan oleh JST?

Pada prinsipnya, JST mampu melakukan komputasi dengan semua fungsi komputasi, sebagai contoh: JST mampu melakukan semua yang bisa dilakukan oleh komputer. JST mampu

melakukan pembelajaran terbimbing( supervised ) maupun tak terbimbing(unsupervised 

learning ), namun pada praktiknya lebih banyak digunakan untuk  supervised learning. Untuk   supervised learning diperlukan data training yang meliputi nilai input dan nilai target. Setelah

training  berhasil, bisa dimasukkan input data tanpa nilai target dan JST akan menghitung nilai output yang mendekati nilai target. Untuk mencapai keberhasilan proses training diperlukan data training dan waktu yang cukup banyak pada saat melakukan training.

Penerapan JST yang telah digunakan dalam dunia nyata adalah sebagai berikut:

• Pengenalan karakter 

• Diagnosa mesin -> mendeteksi ketika mesin mengalami kesalahan, sehingga sistem dapat

secara otomatis mematikan mesin.

• Manajemen portofolio -> mengalokasikan aset dalam portofolio dengan tujuan untuk 

memaksimalkan hasil dan meminimalisir resiko

• Target recognition -> aplikasi militer yang menggunakan video atau data citra inframerah

untuk menentukan letak target

• Financial forecasting • Perkiraan fungsi • Klasifikasi • Kompresi data

Apa itu

 perceptron

?

 Perceptron merupakan feedforward neural network yang paling sederhana. Secara definisi  perceptron adalah penggolongan biner yang memetakan input X kedalam fungsi f(x). Output

yang dihasilkan pada perceptron dengan lebih dari satu layer jaringan syaraf akan menjadi input  pada perceptron selanjutnya.

Apa saja jenis JST yang ada?

1. Supervised

1. Feedforward

 Linear 

 Hebbian – Hebb (1949), Fausett (1994)

 Perceptron – Rosenblatt (1958), Minsky and Papert (1969/1988), Fausett (1994)

 Adaline – Widrow and Hoff (1960), Fausett (1994)

 Higher Order – Bishop (1995)

 Functional Link – Pao (1989)

 MLP: Multilayer perceptron – Bishop (1995), Reed and Marks (1999), Fausett (1994)

 Backprop – Rumelhart, Hinton, and Williams (1986)

 Cascade Correlation – Fahlman and Lebiere (1990), Fausett (1994)

 Quickprop – Fahlman (1989)

 RPROP – Riedmiller and Braun (1993)

 RBF networks – Bishop (1995), Moody and Darken (1989), Orr (1996)

 OLS: Orthogonal Least Squares – Chen, Cowan and Grant (1991)  CMAC: Cerebellar Model Articulation Controller – Albus (1975), Brown

and Harris (1994)

 Classification only

 LVQ: Learning Vector Quantization – Kohonen (1988), Fausett (1994)

 PNN: Probabilistic Neural Network – Specht (1990), Masters (1993), Hand (1982), Fausett (1994)

 Regression only

 GNN: General Regression Neural Network – Specht (1991),  Nadaraya (1964), Watson (1964)

2. Feedback – Hertz, Krogh, and Palmer (1991), Medsker and Jain (2000)

 BAM: Bidirectional Associative Memory – Kosko (1992), Fausett (1994)

 Boltzman Machine – Ackley et al. (1985), Fausett (1994)

 Recurrent time series

 Backpropagation through time – Werbos (1990)

 Elman – Elman (1990)

 FIR: Finite Impulse Response – Wan (1990)

 Jordan – Jordan (1986)

 Real-time recurrent network – Williams and Zipser (1989)  Recurrent backpropagation – Pineda (1989), Fausett (1994)

 TDNN: Time Delay NN – Lang, Waibel and Hinton (1990) 3. Competitive

 ARTMAP – Carpenter, Grossberg and Reynolds (1991)

 Fuzzy ARTMAP – Carpenter, Grossberg, Markuzon, Reynolds and Rosen (1992), Kasuba (1993)

 Gaussian ARTMAP – Williamson (1995)

  Neocognitron – Fukushima, Miyake, and Ito (1983), Fukushima, (1988), Fausett (1994)

2. Unsupervised – Hertz, Krogh, and Palmer (1991) 1. Competitive  Vector Quantization  Grossberg – Grossberg (1976)  Kohonen – Kohonen (1984)  Conscience – Desieno (1988)  Self-Organizing Map

 Kohonen – Kohonen (1995), Fausett (1994)  GTM: – Bishop, Svensén and Williams (1997)

 Local Linear – Mulier and Cherkassky (1995)

 Adaptive resonance theory

 ART 1 – Carpenter and Grossberg (1987a), Moore (1988), Fausett (1994)

 ART 2 – Carpenter and Grossberg (1987b), Fausett (1994)

 ART 2-A – Carpenter, Grossberg and Rosen (1991a)

 ART 3 – Carpenter and Grossberg (1990)

 Fuzzy ART – Carpenter, Grossberg and Rosen (1991b)

 DCL: Differential Competitive Learning – Kosko (1992) 2. Dimension Reduction – Diamantaras and Kung (1996)

 Hebbian – Hebb (1949), Fausett (1994)

 Oja – Oja (1989)

 Sanger – Sanger (1989)

 Differential Hebbian – Kosko (1992) 3. Autoassociation

 Linear autoassociator – Anderson et al. (1977), Fausett (1994)

 BSB: Brain State in a Box – Anderson et al. (1977), Fausett (1994)

 Hopfield – Hopfield (1982), Fausett (1994) 3. Nonlearning

1. Hopfield – Hertz, Krogh, and Palmer (1991)

2. various networks for optimization – Cichocki and Unbehauen (1993) Referensi:

Puspitanigrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.

Sarle, W.S., ed. (1997), Neural Network FAQ, part 1 of 7: Introduction, periodic posting to the Usenet newsgroup comp.ai.neural-nets, URL:

ftp://ftp.sas.com/pub/neural/FAQ.html

Siang, J. J. (2004). Jaringan Saraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

Recurrent network : Sinyal mengalir dua arah : maju dan mundur. Recurrent

baiknya seperti masukan dan luaran sebelumnya. Contoh : Hopfield network

[Hopfield, 1982], Elman network [Elman, 1990], dan Jordan network [Jordan, 1986]. JST (Jaringan saraf tiruan)

• JST dapat belajar dari pengalaman

• Biasanya berhubungan dengan angka (numerik) sehingga data yang tidak numerik harus

dibuat ke numerik 

• Tidak ada rumus yang tetap (fixed) sehingga disebut dengan free-estimator 

• JST disebut black box atau tidak transparan karena tidak mampu menjelaskan bagaimana

suatu hasil didapatkan

• JST mampu menyelesaikan permasalahan permasalahan yang tidak terstruktur dan sulit

didefinisikan Kelebihan JST

• Mampu mengakuisisi pengetahuan walau tidak ada kepastian

• Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu

• JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan

melalui pengaturan diri atau kemampuan elajar (self organizing)

• Memiliki fault folerance, gangguan dapat dianggap sebagai noise saja • Kemampuan perhitungan secara paralel sehingga proses lebih singkat

JST Mampu :

• Klasifikasi memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan • Asosiasi menggambarkan suatu objek secara keseluruhan hanya dengan bagian dari objek 

lain

• Self organizing : kemampuan mengubah data data input tanpa harus mempunya target • Otimasi menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi

 biaya Kelemahan JST :

• Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi • Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis • Lamanya proses training yang mungkin terjadi dalam w aktu yang sangat lama untuk 

 jumlah data yang besar  1. JST-1 :

a. Sebuah jaringan syaraf tiruan (JST) dirancang untuk dapat melakukan tugas memilih suatu input data ke dalam katagori tertentu yang sudah ditetapkan.  JST seperti ini memliki kemampuan klasifikasi.

Contoh : Learning Vector Quantization (LVQ) adalah suatu metoda klasifikasi pola yang masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluaran seharusnya digunakan untuk masing-masing kelas).

Sebuah jaringan syaraf tiruan (JST) dirancang untuk dapat melakukan tugas menggambarkan suatu obyek secara keseluruhan berdasarkan potongan informasi tentang obyek tersebut. JST seperti ini memliki kemampuan asosiasi.

Contoh : JST untuk dapat mengenali wajah dari sebagian potongan wajah, dapat mengenali lagu dari dua atau tiga not.  Menggunakan Back propagation

Sebuah jaringan syaraf tiruan (JST) dirancang untuk dapat melakukan tugas menemukan jawaban terbaik sehingga mampu meminimalkan biaya tertentu.  JST seperti ini memliki kemampuan optimasi.

Contoh : ADALINE, Hopfield, Boltzman, Backpropagation

Sebuah jaringan syaraf tiruan (JST) dirancang untuk dapat melakukan tugas mengolah data tanpa dibekali target tertentu. JST seperti ini memliki kemampuan self organizing.

Contoh : Kohonen Self Organizing Maps (KSOM) digunakan untuk memodelkan

sistem penyaringan yang dikembangkan. b. Arsitektur dan Metoda masing-masing :

Klasifikasi :

Dimana :

X = Vektor Masukan (x1…, xi…, xn) F = Lapisan kompetitif 

 Y_in = Masukan kelapisan kompetitif   Y = Keluaran (Output )

W = Vektor bobot untuk unit keluaran

x    w = Selisih nilai jarak Euclidean antara vektor input 

dengan vektor bobot untuk unit Output [3]

Arsitektur jaringan LVQ (Learning Vector Quantization) yang terdiri dari 6 node lapisan masukan (Input layer), 2 node lapisan tersembunyi (Hidden layer) serta 2 node lapisan keluaran (Output layer). Lapisan input memiliki 6 node yang disimbolkan dengan nilai x1, x2, x3, x4, x5, dan x6. Pada tiap lapis masukan terlebih dahulu diberikan dua nilai bobot yang berbeda yaitu w1 dan w2. Dimana tujuan dari pemberian bobot tersebut adalah agar nilai tiap masukan memiliki penimbang (bobot) yang kemudian akan dihitung nilainya

dan diselesaikan dengan persamaan yang dimiliki oleh metode LVQ (Learning Vector Quantization). Sehingga jaringan memiliki dua buah kelas yang berbeda, yaitu kelas 1 dan kelas 2. Kelas 1 memiliki bobot w1 dan kelas dua memiliki bobot w2. Keluaran dari lapisan ini akan menjadi masukan bagi lapisan tersembunyi (hidden layer) sebanyak 2 node yaitu Y_in1 dan Y_in2. Dengan menggunakan prinsip bahwa nilai paling kecil yang dihasilkan adalah pemenang dan merupakan kelas dari input tersebut maka pada lapisan keluaran (Output layer) digunakan sebuah fungsi pembanding yang berguna membandingkan dua nilai tersebut untuk dicari nilai terkecilnya. Dalam  jaringan diatas fungsi pembanding tersebut dituliskan dengan simbol F1 dan

F2.

Asosiasi :

Backpropagation adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan

output layer , dan setiap layer terdiri dari satu atau lebih aritificial neuron. Nama umum dari arsitektur ini adalah Multilayer neural network. Dengan menggunakan arsitektur jenis ini, maka metode pelatihan yang digunakan adalah Backpropagation yang biasanya disebut juga sebagai feedforward  networks.

Optimasi :

Dalam jaringan Hopfield semua neuron berhubungan penuh. Neuron yang satu mengeluarkan output dan kemudian menjadi input untuk semua neuron

… … … … … … y₁ a₁ a_k a_i x₁ x_n y m b₁ b _j w₁₁ w_1k b_l w_1i wn1 w_nk w_ni v₁₁v_1l v 1j vk1 v_kl v_kj v i1 v il v_ij u₁₁ u j1 u1m u _j1 Hidd  en Layer  Outp ut  Layer  Inp ut  Lay  er  u_{l1 u} lm

yang lain. Proses penerimaan sinyal antara neuron ini secara feedback 

tertutup terus menerus sampai dicapai kondisi stabil[2]. Dalam model diskritnya, jaringan Hopfield bobot sinaptiknya menggunakan vektor biner berdimensi n atau a{0,1}n . Model semacam ini berisi n neuron dan   jaringannya terdiri dari n(n-1) interkoneksi dua jalur. Secara matematis konsep di atas dapat disajikan dalam matriks simetris n×n dengan diagonal utamanya bernilai 0. Dengan kata lain, setiap neuron tidak memberi input 

kepada dirinya sendiri. Self Organizing :

 Jaringan kohonen ini terdiri dari dua lapis.Lapis pertama merupakan lapisan masukan yang mempunyai fungsi untuk menerima sinyal masukan, sedangkan lapis kedua adalah lapis kompetitif yang merupakan unit pengolah pada suatu jaringan. Biasanya sel-sel lapis kompetitif 

disusun dalam kisi-kisi dua dimensi atau urutan linier. Kedua lapis pada  jaringan kohonen terhubung penuh (fully connected), yaitu setiap unit pada

lapis masukan harus terhubung ke semua unit pada lapis kompetitif. 2. JST-2 :

a. Merealisasikan Sistem Pakar dengan JST mungkin saja dapat dilakukan, misalnya untuk menentukan lokasi gangguan pada jaringan sistem tenaga listrik dengan memanfaatkan jaringan syaraf tiruan sebagai mesin penarik kesimpulannya. Sebagai masukan sistem pakar ini adalah status operasional peralatan pemutus tenaga (pmt) dan rele proteksi. Basis pengetahuan system pakar dengan jaringan syaraf tiruan diatas secara otomatis dapat dibentuk dari data-data masukan melalui antarmuka pemakai. Pemanfaatan jaringan syaraf tiruan tersebut dapat mengatasi kesulitan dalam membuat dan memperbaiki basis pengetahuan pada sistem pakar shell.

b. Merealisasikan JST untuk system control mungkin saja dapat dilakukan, misalnya teknik yang banyak diteliti orang baik di dalam pemrosesan sinyal, pengenalan pola, identifikasi dan kontrol system adalah Jaringan Syaraf   Tiruan (JST). Khusus untuk keperluan identifikasi dan kontrol system dinamik,

arsitektur JST yang banyak digunakan adalah JST umpan maju dan Diagonal Recurrent (Diagonal Recurrent Neural Network/DRRN). Untuk melakukan

proses identifikasi dan kontrol suatu plant menggunakan JST maka diperlukan proses pembelajaran. Algoritma pembelajaran pada JST yang digunakan umumnya adalah Algoritma Propagasi Balik (PB). Alternatif lainnya adalah dengan menggunakan algoritma Recursive Prediction Error (RPE).

3. Jaringan RBF :

c. RBF (φ) merupakan fungsi dimana keluarannya simetris terhadap center c tertentu atau dinyatakan sebagai φc = φ ||x - c||, dimana || . || merupakan vektor normal. Jaringan syaraf yang dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial dinamakan Jaringan Syaraf RBF. Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer (unit tersembunyi) dan layer output.[6] Masing–masing unit tersembunyi merupakan fungsi aktifasi yang berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsi basis tersebut.

Setiap input dari jaringan syaraf tiruan RBF ini akan mengaktifkan semua fungsi basis pada hidden layer . Setiap unit dari hidden layer merupakan fungsi aktifasi tertentu yang disebut sebagai fungsi basis. Setiap fungsi basis

akan menghasilkan sebuah keluaran dengan bobot tertentu. Output  jaringan ini merupakan jumlah dari seluruh output fungsi basis dikalikan dengan bobot masing–masing.

1. MLP :

a.

Parameter-parameter dalam MLP :

•  Jumlah lapisan tersembunyi •  Jumlah neuron setiap lapisan • Learning rate

• Fungsi aplikasi

• Inisialisasi bobot dan bobot bias •  Threshold

• Set error pengujin • Set error pelatihan • Maksimum epoch

b.

Pengaruh banyaknya layer dalam MLP :

• Meningkatkan keakuratan

• Dapat menangani masalah2 yang lebih komplek

2. Back Propagation dan Recurrent : Perbandingannya

Back propagation recurrent

a. Mempunyai struktur feedforward; dimana signal bergerak melewati lapisan tersembunyi dan akhirnya mencapai unit output

b. Struktur perilakunya stabil

c.  Tidak mempnyai loop

Contoh: single layer perceptron, multi layer perceptron, radial basis function

a. Mempunyai struktur feedback, mempunyai koneksi kembali dari output ke input

b. Struktur perilakunya stabil dan menghasilkan dinamika yang sangat komplek

c. Memiliki loop, lapisan output akan member input bagi lapisan input

Contoh: LVQ (linier vector quanification), SOM (Self  organizing map)

Manfaat :

Backpropagation, untuk memprediksi suatu system dalam waktu yang berbeda

Recurrent, kasus identifikasi dan pemodelan system non linier 3. Supervised and supervised Learning :

a. Belajar dengan pengawasan (Supervised Learning )

Pada metode supervised learning jaringan diberikan vektor target yang harus dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau bobot pada jaringan. Contoh jaringanyang belajar dengan pengawasan adalah Backpropagation dan Perceptron.

b. Metode unsupervised learning

Melatih jaringan terhadap suatu inputan tanpa adanya pengawasan,dimana vektor target tidak ditentukan. Vektor masukan dimasukkan ke dalam jaringan,kemudian sistem akan mengatur dirinya sendiri sedemikian rupa sehingga dihasilkankeluaran yang konsisten bilamana pola yang menyerupai vektor masukan tersebut diberikan.

Cocok untuk pengelompokan dan klasifikasi pola.

4. Optimisasi :

c. Optimasi dalam jst bermanfaat untuk menemukan suatu solusi terbaik sehingga mampu meminimalisasi fungsi biaya.

d.  Jenis jst yang cocok untuk melaksanakan optimasi adalah: hopfield

5. Jaringan Hopfield, Boltzmann, Elman dan Jordan :

a. Hopfield, salah satu metode jst dengan pola pelatihan tidak

terbimbing. Terdiri dari beberapa neuron yang saling terhubung 1 sama lain. Dapat diterapkan suatu aosiatif memori dengan memperhitungkan fungsi energi kedalam jaringan. Contohnya TSP (travelling salesman problem). Konfigurasi jaringan dikenal dengan recurrent. Merupakan jst yang terhubung penuh atau fully conected

Manfaatnya untuk pengenalan pola atau identifikasi, restorasi citra b. Boltzmann, merupakan jst balik yang simetris terdiri dari unit2 linier +1 dan -1, masing2 untuk on dan off. Setiap neuron mrupakan sebuah unit setokastik yang menghasilkan output menurut distribusi mekanik statistik boltsmann. Aturan boltzmann merupakan aturan pembelajaran pengoreksian error.

Manfaatnya untuk pengklasifikasi pola

c. Jaringan Elman adalah sebuah jaringan rekurens sederhana yang memiliki umpan balik nilai sehingga dapat menangani memori jangka pendek. Masukan jaringan tidak hanya nilai masukan dari luar jaringan, tetapi ditambah dengan nilai keluaran dari neuron tersembuyi dari

6. Fuzzy Logic and Genetic Algorith : a. Keterkaitan JST dan Fuzy Logic :

 JST digunakan untuk menghitung proses informasi dan melakukan pendekatan batasan keputusan yang rumit.

Fuzy Logic digunakan untuk mewakili derajat kebenarannya. Keunggulan gabungan JST dan FL :

Mengolah nilai kontinu menjadi diskrit, klemudian diolah di JST, karena JST tidak dapat mengolah nilai kontinu.

b. Keterkaitan JST dan GA :

Algoritma genetik digunakan untuk pencarian bobot terbaik dalam  JST.

Keunggulan :

Meningkatkan keakuratan nilai optimasi, Tingkat pembelajarannya berlapis-lapis

c. Kemungkinan penggabungan JST, FL dan GA : Kemungkinan dapat digabungkan :

FL digunakan untuk menkonversi nilai kontinu ke nilai diskrit pada  JST

GA digunakan untuk pencarian bobot terbaik pada JST Keunggulannya :

Keakurannya lebih optimal Kerugiannya :

Karena pembelajarannya berlapis-lapis, sehingga memerlukan waktu yang lama.