Jul Ismail

Arsitektur Neural Network – Prof Wisnu

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
Single Layer Feedforward Network : (X: input ; W Weight ; Y output) 

Multi layer Feed Forward Network (X:input; V,W:weight; Y:output Z : hidden layer)

 

 
Recurrent Neural Network (Memiliki path lingkaran yang membedakan dengan feedforward) (gambar paling atas)
 

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
Pembelajaran Perceptron
  • 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!

 

 

julismail

Silahkan tuliskan tanggapan, kritik maupun saran