GALUH AYU KUSUMA WARDHANI

Berpacu menjadi yang terbaik

Proses Aktivasi dan Metode Pembelajaran

31 March 2013 - dalam Umum Oleh galuhayu-fst10

Holaaaaaa….kali ini sudah memasuki pertemuan keempat J

Mungkin yang akan di share kali ini lebih sedikit jika dibandingkan sebelumnya, tapi tidak mengurangi niat awal menulis di blog ini. Yakni berbagi ilmu J

Pertemuan kali ini akan sedikit berbagi tentang cara memasukkan data ke Jaringan Syaraf Tiruan serta metode pembelajaran.

Cara memasukkan data atau fungsi aktivasi dibagi menjadi :

  1. Fungsi Undak Biner ( Hard Limit ), sering dipakai pada jaringan lapisan tunggal. Berfungsi mengkonversi input data yang memiliki variabel kontinu ke output biner.
  2. Fungsi Undak Biner ( Threshold ), fungsi yang menggunakan nilai ambang.
  3. Fungsi Bipolar, mirip dengan fungsi undak biner namun output yang dihasilkan berupa nilai 1,0,-1.
  4. Fungsi Bipolar ( dengan Threshold ), output yang dihasilkan berupa nilai 1,0,-1.
  5. Fungsi Linear ( Identitas ), nilai yang diinputkan sama dengan output.
  6. Fungsi Sturating Linear,output  bernilai 0 jika input < -1/2, output bernilai 1 jika input > 1/2, jika nilai input diantara 1/2 dan -1/2 maka output bernilai input + 1/2.
  7. Fungsi Symetric Saturating Linear, output bernilai -1 jika input < -1, jika nilai input -1 dan 1 maka output sama dengan input.
  8. Fungsi Sigmoid Biner, digunakan untuk melatih jaringan syaraf tiruan dengan metode backpropagataion. Nilainya memiliki range 0 – 1.
  9. Fungsi Sigmoid Bipolar, nilai outputnya memiliki range 1 –(- 1) .

Sedangkan metode pembelajaran yang digunakan :

  1. Pembelajaran Terawasi ( Supervised Learning ), jika nilai output telah diketahui sebelumnya.
    1. Hebb Rule, memeprbaiki nilai bobot. Jika ada 2 neuron yang ON bersamaan maka bobot nilainya dinaikkan.
    2. Perception, mengklarifikasi tipe pola tertentu sehingga algoritmanya akan mengatur parameter bebasnya melalui pembelajaran.
    3. Delta Rule, mengubah bobot yang menghubungkan input dengan output melalui nilai target.
    4. Backpropagation, melalui perception dengan lapisan yang banyak untuk mengubah bobot yang terhubung dengan neuron yang tersembunyi.
    5. Hetroassosiative Memory, jaringan bobotnya telah ditentukan sehingga dapat menyimpulkan data.
    6. Bidirectional Associative Memory, mempunyai 2 lapisan yang saling terhubung sehingga memungkinkan hubungan timbale balik input output.
    7. Learning Vector Quantization, metode yang digunakan pada pembelajaran lapisan kompetitif terawasi.
  2. Pembelajaran Tak Terawasi ( Unsupervised Learning ), tidak memiliki nilai target output hanya bertujuan mengelompokkan pada area yang sama.

Terjadi karena neuron-neuronnya menyusun lapisan itu sendiri berdasarkan nilai input. Ketika terjadi proses penyusunan, kelompok yang memilki vector bobot yang memenuhi pola input maka vector itu yang menang.

Sekian sharing kali ini jika ada pertanyaan, kritik dan saran dipersilakan… J



Read More | Respon : 0 komentar

Tinggalkan Komentar

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