Fadhlin Amalia Arif


Berpacu menjadi yang terbaik

JST - Fungsi Aktivasi dan Metode Pembelajaran

Masih mengenai jaringan syaraf tiruan, kali ini saya akan membahas mengenai cara mengajari mesin dan cara memasukkan data. Terdapat beberapa cara untuk mengajari mesin, diantaranya adalah :

1. Perceptron

Metode perceptron merupakan metode pembelajaran dengan pengawasan dalam sistem jaringan syaraf. Jaringan perceptron memiliki arsitektur yang terdiri beberapa unit masukan (ditambah sebuah bias) dan sebuah keluaran. Fungsi aktivasi pada jaringan ini memiliki kemungkinan nilai keluaran -1, 0, 1.

2. Backpropagation

Metode backpropagation adalah metode learning yang populer untuk memecahkan kasus-kasus yang rumit. Terdapat dua tahap perhitungan pada metode ini, yaitu: perhitungan maju untuk menghitung error antara keluaran actual dan target. Dan perhitungan mundur yang mempropagasi-balikkan error tersebut untuk memperbaiki bobot-bobot pada semua neuron yang ada.

3. Jaringan Basis Radial

Jaringan syaraf berbasis radial biasanya membutuhkan neuron lebih banyak jika dibandingakan dengan jaringan feedforward. Jaringan ini akan bekerja dengan baik apabila data input yang diberikan cukup banyak. Pada jaringan basis radial ini, input akan diolah oleh fungsi aktivasi berupa vektor jarak antara vektor bobot dan vektor input yang dikalikan dengan bobot bias.

4.  Self Organising

Metode Self Organising merupakan salah satu model jaringan syaraf tiruan yang menggunakan metode unsupervised learning. Artinya, jaringan dibekali dengan pengetahuan dasar (parameter-parameter jaringan) dan kemudian mengorganisasikan sendiri hubugan-hubungan interkoneksi dalam dirinya atas masukan yang diberikan. Jaringan ini terdiri dari dua lapisan, yaitu lapisan input dan lapisan output. Setiap neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Setiap neuron dalam lapisan output merepresentasikan kelas (cluster) dari input yang diberikan.

Gambar 1. Arsitektur JST Self Organizing

 

Dan berikut ini merupakan beberapa cara / metode yang dapat dilakukan untuk memasukkan data (fungsi aktivasi) pada jaringan saraf tiruan:

1. Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk menkonversi input dari suatu variable yang bernilai kontinu ke suatu output biner. Fungsi hard limit dirumuskan:

2. Fungsi Bipolar

Hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau-1. Fungsi Symetric Hard Limit dirumuskan sebagai:

3. Fungsi Linear (identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai input. Dirumuskan: y = x.

4. Fungsi Sturating Linear

Fungsi ini akan memiliki output 0 jika inputnya kurang dari -½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -½ dan ½, maka outputnya akan bernilai sama dengan nilai input ditambah ½. Fungsi saturating linear dirumuskan:

5. Fungsi Symetric Saturating Linear

Fungsi ini akan menghasilkan output -1 jika inputnya kurang dari -1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya. Fungsi Symetric Saturating Linear dirumuskan:

6. Fungsi Sigmoid Biner

Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Memiliki nilai pada range 0 sampai 1. Fungsi sigmoid biner dirumuskan:

7. Fungsi Sigmoid Bipolar

Output dari fungsi ini memiliki range antara 1 sampai -1. Fungsinya dirumuskan:

 

Referensi :

http://www.scribd.com/doc/51217697/Pengertian-Perceptron

http://digilib.ittelkom.ac.id

http://www.yulyantari.com/tutorial/media.php?mod=detailmateri&mat=50&bab=6


1. yustina rada

pada : 06 January 2014

"mohon bantuan untuk contoh perhitungan nilai aktifasi dan JST Momentum, trimaksih sebelumnya..... "


Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :