Hai, temen-temen semua. Kali ini pembahasannya tentang NN atau Neural Network. Apa sih NN itu? Simak penjelasannya dibawah ini!
A. Pengertian Neural Network
Neural
Network adalah model yang terispirasi oleh bagaimana neuron dalam otak manusia
bekerja. Tiap neuron pada otak manusia saling berhubungan dan informasi
mengalir dari setiap neuron tersebut.
-
Dendrit
(Dendrites) berfungsi untuk mengirimkan inplus yang diterima ke badan sel
syaraf
-
Akson
(Axon) berfungsi untuk mengirimkan implus dari badan sel ke jaringan lain
- Sinapsis berfungsi sebagai unit fungsional diantara dua sel syaraf
Tiap neuron menerima input dan melakukan operasi
dot dengan sebuah weight, menjumlahkannya (weighted sum) dan menambahkan bias.
Hasil dari operasi ini akan dijadikan parameter dari activation function yang
akan dijadikan output dari neuron tersebut.
B. Struktur Neural Network
Karakteristik dari ANN dilihat dari pola hubungan
antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya.
Gambar di atas menjelaskan struktur ANN secara mendasar, yang dalam
kenyataannya tidak hanya sederhana seperti itu.
1.
Input,
berfungsi seperti dendrite
2.
Output,
berfungsi seperti akson
3.
Fungsi
aktivasi, berfungsi seperti sinapsis
Aktivation Function
Activation function fungsinya untuk menentukan
apakah neuron tersebut harus “aktif” atau tidak berdasarkan dari weighted sum
dari input. Secara umum terdapat 2 jenis activation function, Linear dan
Non-Linear Activation function.
-
Linear Function
Secara “default” activation function dari sebuah
neuron adalah Linear. Jika sebuah neuron menggunakan linear function, maka
keluaran dari neuron tersebut adalah weighted sum dari input + bias.
-
Sigmoid & Tanh Function
Sigmoid function mempunyai rentang antara 0 hingga
1 sedangkan rentang dari Tanh adalah -1 hingga 1. Kedua fungsi ini biasanya
digunakan untuk klasifikasi 2 class atau kelompok data.
ReLu (Non Linear)
ReLU melakukan “treshold” dari 0 hingga infinity.
Fungsi Aktivasi
1.
Aktivasi
linear
2.
Aktivasi
step
3.
Aktivasi
sigmoid biner
4.
Aktivasi
sigmoid bipolar
Model Perceptron
- Model
Perceptron adalah model jaringan yang terdiri dari beberapa unit masukan
(ditambah dengan sebuah bias), dan memiliki sebuah unti keluaran
- Fungsi aktivasi
bukan hanya merupakan fungsi biner (0,1) melainkan bipolar (1,0,-1)
- Untuk
suatu harga threshold θ yang ditentukan sebagai berikut :
Algoritma Perceptron
- Inisialisasi semua bobot dan bias:
(untuk sederhananya set semua bobot dan bobot bias sama dengan nol)
Set learning rate: a = 1, (0 < a £ 1)
- Selama kondisi berhenti bernilai false,
lakukan langkah-langkah sebagai berikut :
(i) Untuk setiap pasangan pembelajaran s – t, kerjakan:
a. Set input dengan nilai sama dengan
vektor input:
xi = si;
b. Hitung respon untuk unit output:
c. Perbaiki bobot dan bias jika terjadi error
Jika y ¹ t maka:
wi(baru) = wi(lama)
+ a*t*xi
b(baru) = b(lama) + a*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 TRUE, namun jika masih terjadi
perubahan maka kondisi berhenti FALSE
Nah, itu dia pembahasan mengenai Neural Network kali ini. Mohon maaf atas apabila ada kesalahan atau kekeliruan, untuk itu kalian boleh komen dibawah apa untuk memperbaiki kekeliruannya atau mungkin ada masukan juga, silahkan tulis di kolom komentar dibawah. Sekian untuk pembahasan blog kali ini, jangan lupa pantengin terus pembahasan di blog-blog selanjutnya. Terima kasih dan Bye :)
Daftar
Pustaka
Dosen Machinelearning ITPLN Ibu Efy Yosrita ,S.Si, M.Kom
https://dosen.perbanas.id/artificial-neural-network/
https://ichi.pro/id/fungsi-aktivasi-219226710201562
https://medium.com/@samuelsena/pengenalan-deep-learning-8fbb7d8028ac
Tidak ada komentar:
Posting Komentar