Saya lanjutkan share materi pengantar CNN dari Prof Wisnu. Arsitektur Neural Network dapat dikelompokan jadi 3:
- Single-layer Feed Forward Network
- Multi-layer Feed Forward Network
- Recurrent Network
Multi layer Feed Forward Network (X:input; V,W:weight; Y:output Z : hidden layer)
Proses Learning & Fungsi Aktivasi
Fungsi Aktivasi
-
Fungsi yang menentukan keadaan internal sebuah neuron dalam JST (Jaringan Syaraf Tiruan)
-
Keluarannya akan dikirim ke neuron lain sebagai input
-
Identitas, tangga biner, tangga bipolar, sigmoid biner, sigmoid bipolar
Untuk menentukan struktur JST sebelum proses pengklasifikasian pola
Algoritma pembelajaran untuk menentukan struktur JST sebelum proses pengklasifikasian pola. Contoh: Hebb, Perceptron, Adelaine, Madelaine, Backpropagation, SOM, LVQ
Beberapa Fungsi Aktivasi:
- Fungsi Identitas
- Fungsi tangga biner (heaviside/threshold)
- fungsi tangga bipolar
- fungsi sigmoid biner
- fungsi sigmoid bipolar
Perceptron
Algoritma pembelajaran perceptron
Ditemukan oleh Rosenbalt (1962) dan Minsky – Papert (1969)
Jaringan terdiri dari satu atau lebih unit masukan dan satu unit keluaran
- Mempunyai sebuah bias yang bernilai +1 dan mempunyai bobot b
- Fungsi aktivasi = fungsi tangga bipolar dengan nilai tetap
- n input 1 output 1 nilai bias
- Inisialisasi bobot wi = 0 untuk i = 1, 2, 3, ….., n Set aktivasi untuk unit masukan xi =si i=1,2,…,n
- Hitung total masukan ke unit keluaran
- Masukkan ke fungsi aktivasi 4.
- Jika y ≠ t update bobot
wi(new)=wi (old)+Δwi ; i=b,1,2,…,n
Pengujian Perceptron
Sampai disini dulu, besok insyaallah akan saya lanjutkan dengan materi LVQ. Semoga bermanfaat!