Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan adalah system pemrosesan generalisasi model matematis dari jaringan syaraf biologis. Sistem ini memiliki kemampuan untuk mengenali informasi yang memiliki karakteristik menyerupai jaringan syaraf biologis yang dibentuk sebagai sesuatu yang pernah dialami atau dikenal, dengan kata lain sistem ini dapat melakukan proses pembelajaran terhadap sesuatu. Proses pembelajaran pada ANN adalah proses penambahan pengetahuan pada sistem yang bersifat kontinyu, yang nantinya akan digunakan sebagai referensi untuk mengenali suatu objek. Mekanisme pemrosesan informasi yang dimiliki sistem ini dilakukan di neuron, lalu hasil pemrosesan tersebut diteruskan dari satu neuron ke neuron yang lain melalui penghubung sampai mencapai output yang diinginkan.
JST merupakan salahs atu upaya manusia untuk memodelkan cara kerja atau fungsi sistem syaraf manusia dalam melaksanakan tugas tertentu.
Fungsi aktivasi yang dinotasikan dengan j(.) mendefinisikan nilai output dari suatu neuron dalam level aktivitas tertentu berdasarkan nilai output pengkombinasi linier ui.
Fungsi aktivasi: fungsi yang digunakan untuk mengupdate nilai-nilai bobot per-iterasi dari semua nilai input.
– Fungsi aktivasi sederhana adalah mengakalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma)
– Berbentuk linier atau tidak linier, dan sigmoid
Ada beberapa macam fungsi aktivasi yang biasa digunakan, di antaranya yaitu :
- Hard Limit
- Threshold
- Symetric Hard Limit
- Fungsi linear (identitas)
- Fungsi Saturating Linear
- Fungsi Sigmoid Biner
- Fungsi Sigmoid Bipolar
Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning.
Proses belajar dalam konteks JST adalah sebagai berikut :
- Belajar adalah suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada.
- Berikut ini tiga metode belajar :
• Supervised Learning (belajar dengan pengawasan)
- proses belajar yang membutuhkan guru, yaitu sesuatu yang memiliki pengetahuan tentang lingkungan. Guru bisa direpresentasikan sebagai sekumpulan sampel input-output. Pembangunan pengetahuan dilakukan oleh guru dengan memberikan respons yang diinginkan kepada JST. Parameter-parameter jaringan berubah-ubah berdasarkan vektor latih dan sinyal kesalahan, yaitu perbedaan antara keluaran JST dan respons yang diinginkan. Proses perubahan dilakukan dalam bentuk iterasi.
- Kumpulan input berusaha membentuk target output yang sudah diketahui sebelumnya
- Perbedaan antara output yang masih salah dengan output yang diharapkan harus sekecil mungkin
- Biasanya lebih baik daripada unsupervised
- Kelemahan: pertumbuhan waktu komputasi eksponensial, data bnyk berarti semakin lambat
• Unsupervised Learning (belajar tanpa pengawasan)
JST mengorganisasikan dirinya untuk membentuk vektor-vektor input yang serupa tanpa menggunakan data atau contoh-contoh pelatihan, biasanya ke dalam suatu kategori/kelompok2 tertentu.
- Unsupervised Learning atau self-organized learning tidak membutuhkan guru untuk membantu proses belajar.
- Dengan kata lain, tidak ada sekumpulan sampel input-output atau fungsi tertentu untuk dipelajari oleh jaringan.
- Salah satu contoh unsupervised learning adalah competitive learning, di mana neuron-neuron saling bersaing untuk menjadi pemenang.
• Hibrida Learning
– Gabungan antara unsupervised dan supervised
