Days Stories

Berpacu menjadi yang terbaik

Pemodelan NN (Neural Network)

24 March 2013 - dalam Umum Oleh irinrinrin-fst10

Tulisan kali ini masih membahas tentang aplikasi sistem cerdas yaitu neural network. Tapi pembahasan kali ini tentang model-model yang digunakan untuk neural network itu sendiri. Berikut macam-macamnya.

Bermula dari penemuan awal model neural network yaitu pada tahun 1940-an. Dua orang matematikawan McCulloch and Pitts (1943) menyarankan gambaran neuron sebagai threshold elemen logis dengan dua perumusan yang mungkin. Threshold elemen logis ini memiliki saluran input L (afferent axon) dan satu saluran output (efferent axon). Keadaan aktif dari semua saluran input memberikan informasi input sebagai urutan biner L bit. Keadaan threshold elemen diberikan dengan penjumlahan linier dari semua sinyal input afferent dan dibandingkan dengan penjumlahan nilai threshold. Jika hasil penjumlahan linier elemen melebihi nilai threshold maka neuron akan tereksitasi (aktif) sedangkan apabila nilainya kurang maka neuron akan diam.

Model selanjutnya diusulkan oleh Rosenblatt (1958) yaitu perceptron. Perceptron ini terdiri dari elemen bilangan tetap N yang masing-masing dilengkapi dengan “pola input” berbeda. Klasifikasi dari masing-masing pola input, jumlah yang disarankan, serta interpretasi masing-masing komponen bergantung pada aplikasi dimana model ini akan dipakai.

Model selanjutnya dikenalkan oleh Hebb, yaitu associative memory. Hal ini didasarkan pada salah satu kemampuan otak untuk menarik kesimpulan atau asosiasi dari semua jenis pencitraan mental. Model ini lebih membahas pada penyimpanan informasi dalam jaringan saraf.

Bentuk pemodelan neural network lainnya adalah Hopfield model. Pada Hopfield model ini setiap neuron terhubung pada neuron lainnya. Oleh karena itu, dengan koneksi yang berhubungan, model ini tidak memiliki struktur internal dan sifat yang homogen. Namun biasanya jaringan saraf itu berstruktur. Struktur ini seringkali merupakan gabungan dari beberapa lapisan neuron secara seri. Lapisan pertama disediakan sebagai pola input. Setiap neuron dari lapisan ini mengirimkan koneksi ke neuron lain pada lapisan berikutnya. Hal ini terus berlahjut sampai lapisan terakhir tercapai.

Pemodelan selanjutnya adalah self-organizing maps. Model ini memiliki peran penting yang berkaitan dengan model yang mengutamakan susunan neuron. Model ini menyangkut pertanyaan bagaimana neuron harus mengatur konektifitasnya untuk mengoptimalkan ruang distribusi dari setiap tanggapan dalam lapisan tertentu. Optimasi disini bbertujuan untuk mengkonversi kesamaan sinyal sampai mendekati eksitasi (aktifasi) neuron. Dengan demikian, neuron yang memiliki tugas-tugas yang sama dapat berkomunikasi dengan jalur yang lebih pendek. Model ini sangat penting untuk sistem paralel yang bekerja secara besar-besaran.

Itulah beberapa macam pemodelan yang digunakan dalam neural network. Sebenarnya masih banyak pemodelan yang lainnya untuk neural network, namun hanya segini contoh pemodelan yang dapat saya temukan. Untuk lebih jelasnya, dapat dilihat dari sumber ini :

https://docs.google.com/viewer?a=v&q=cache:XUUYFS42YfkJ:www.ks.uiuc.edu/Services/Class/PHYS498TBP/spring2002/neuro_3.pdf+&hl=en&gl=id&pid=bl&srcid=ADGEESixBq63Fm-yNb5vH5T8MR5aqaB13CMoJH8Uhfqy9nwl-eQ3o5tzx2uzpa2iTjGkTadBDGFnFBgYAR5pUUWVq_nE5XxJFPQYKHtuxaUnRi1wIgP9gYj9erM7eGCyhjXzI4YYa6r3&sig=AHIEtbTpIoDuneAyWmQaPMOGq2lrQABUQg

Semoga tulisan ini bermanfaat untuk semua yang membacanya.. ^^

 



Read More | Respon : 0 komentar

Tinggalkan Komentar

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