Anggrian Riska A.S.

Berpacu menjadi yang terbaik

Proses input data

diposting oleh anggrianriska-fst10 pada 31 March 2013
di Umum - 0 komentar

Pada perkuliahan minggu ini yang cukup singkat sekali tetapi cukup dipahami dan dimengerti. Yaa karena perkuliahan sistem cerdas ini sudah menembus batas ruang dan waktu . begitu kata dosen saya :)

Pada bahasan sebelumnya saya sudah menjelaskan tentang sistem cerdas yang dibagi menjadi 3 yaitu ANN, AI, FL. Kali ini bagaimana memasukkan data pada program yang akan kita buat. Disini masalah yang cukup membingungkan bagi saya yang notaben orang awam dalam software.

Syarat agar bisa memasukkan data ke program yaitu data harus dibuat dalam kurva 1D dimana kurva tersebut akan dianalisa. Tiap kurva yang ada kita harus memberi tahu bahwa itu menunjukkan suatu huruf / angka.

Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan kelapisan, mulai dari input sampai ke lapisan output melalui lapisan yang lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bias jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.

Proses belajar :

  1. jaringan diberikan masukan / input serta pasangan output yg diinginkan (target)
  2. jaringan melakukan perhitungan thd data input dan menghasilkan output sementara
  3. membandingkan antara output sementara dgn output yg diinginkan (target) dan selisihnya dipakai untuk memperbaiki nilai bobot sinaptik
  4. proses tsb akan diulang sampai kesalahan atau selisih dari output sementara dan target sekecil mungkin atau istilahnya adalan konvergen

 

Fungsi Aktivasi (μ) mendefinisikan nilai output dari sebuah neuron pada level aktivasi tertentu berdasarkan nilai output dari pengombinasi linier. Fungsi ini dipakai untuk menentukan keluaran suatu neuron. Ada beberapa jenis fungsi aktivasi yang sering dipakai, yaitu :

a. Hard Limit (Tangga Biner)

 Fungsi ini sering dipakai oleh jaringan dengan lapisan tunggal (single neural network) untuk penyelesaian masalah yang bersifat linier. Output dari fungsi ini adalah pengkonversian input yang bernilai continue menjadi bilangan biner (0 atau 1).

b. Symetric Hard Limit (Bipolar)

Fungsi ini adalah pengembangan dari fungsi Hard Limit, hanya saja fungsi ini mempunyai output antara 1, 0 atau 1.

c. Threshold

Fungsi ini adalah fungsi hasil modifikasi dari fungsi Hard Limit dengan menambahkan nilai threshold ( Ѳ ).

d. Bipolar Threshold

Fungsi hasil pengembangan dari fungsi threshold, dimana fungsi ini memiliki 3 nilai keluaran, yaitu 1, 0 atau 1.

e. Linear (Identity)

Fungsi ini mempunyai nilai keluaran yang sama dengan nalai masukannya (y = x).

f. Sigmoid Biner

Fungsi ini sering digunakan dalam jaringan Backpropagation. Fungsi ini memiliki sifat nonlinear sehingga sangat baik untuk diterapkan dalam penyelesaian masalah yang kompleks. Output dari fungsi Sigmoid Biner berupa bilangan biner (0 atau 1) atau output berupa nilai-nilai yang berada pada interval 0 sampai 1.

g. Sigmoid Bipolar (Symetric Sigmoid)

Fungsi ini fungsi sigmoid yang mempunyai interval nilai antara 1 sampai 1.

 

Sekian penjelasan dari saya semoga mudah dimengerti dan bila ada pertanyaan bisa langsung menulis

 

Tinggalkan Komentar

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