Jaringan saraf tiruan merupakan sebuah logika pemrograman yang mengacu pada cara kerja jaringan saraf makluk hidup. System ini sudah lama dikenalkan, namun pernah beberapa saat turun popularitasnya. Sekarang jaringan saraf tiruan sudah sangat popular dan banyak digandrungi.
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut ARTIFICIAL neural network (ANN), atau umumnya hanya disebut neural n
etwork (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
- JST sebagai generalisasi model matematika dari jaringan biologi, dengan asumsi:
- Pemrosesan informasi terjadi pada banyak elemen sederhana.
- Sinyal dikirimkN diantara neuron-neuron penghubung
- Penghubung antar neuron mempunyaibobot yang akan memperkuat atau memperlemah
- Untuk menentukan keluaran setiap input menggunakan fungsi aktifasi
Jaringan saraf tiruan ada beberapa jenis yaitu:
- Model HEBB
- Perception
- Adaline
- Back propagation
- Basis radial function
- recuren
- Kohonen
- Dll
Dalam pembahasan kali ini akan dibahan tentang JST Back propagation, untuk yang lainnya silahkan anda berlangganan artikel.
JARINGAN BACKPROPAGATION
Backpropagation adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan output layer, dan setiap layer terdiri dari satu atau lebih aritificial neuron. Nama umum dari arsitektur ini adalah Multilayer neural network.
Dengan menggunakan arsitektur jenis ini, maka metode pelatihan yang digunakan adalah Backpropagation yang biasanya disebut juga sebagai feedforward networks.
Adapaun coding lengkapnya sebagai berikut:
Coding ini telah saya uji dengan data dari Exel. Silahkan perbaiki sendiri jika mengunakan data anda
P=[4 6 8 10 12 14 16 18 20 22 24 26 28 30;1 3 5 7 9 11 13 15 17 19 21 23 25 27 ]; %data input
T=[29 57 93 137 189 249 317 393 477 569 669 777 893 1017];%data target
A=[5 7 9 11 13 15 17 19 21 23 25 27 29;2 4 6 8 10 12 14 16 18 20 22 24 26 ];%data testing
B=[42 74 114 162 218 282 354 434 522 618 722 834 954]%data target testing
net=newff(minmax(P),[5 1],{‘tansig’,’purelin’},’trainbr’);%pembentukan jaringan saraf
minmax(P)
net.trainParam.show = 100;
net.trainParam.mc=1;
net.trainParam.lr = 0.4;
net.trainParam.epochs =10000;%epeoch maksimum 10000
net.trainParam.goal = 1e-3;%eror hasil yang di inginkan
[net,tr]=train(net,P,T);%training jaringan
a=sim(net,P);%simulasi jaringan
H=[(1:size(P,2))’ T’ a’ T’-a’];
sprintf(‘%5d %9.2f %9.2f %9.2f\n’,H’)
b=sim(net,A);
L=[(1:size(A,2))’ B’ b’ B’-b’];
sprintf(‘%5d %9.2f %9.2f %9.2f\n’,L’)