1.
Taksonomi
JST
Hingga saat ini terdapat lebih dari 20
model JST. Masing2 model menggunakan arsitektur, fungsi aktivasi dan algoritma
yang berbeda-beda dalam prosesnya. Taksonomi JST didasarkan pada metode
pembelajaran, aplikasi dan jenis arsitekturnya
Berdasarkan
stategi pembelajaran, model JST dibagi menjadi:
a.
Pembelajaran
dengan supervisi (terawasi).
Metode
ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya
pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada contoh
diatas misalnya data pasar saham yang ada pada DOW, NASDAQ atau FTSE, data yang
ada sebelumnya mengenai aplikasi kredit yang berhasil termasuk daftar
pertanyaan atau posisi sebuah robot dan reaksi yang benar.
b. Pembelajaran tanpa supervisi (tidak
terawasi).
Pada
metode pembelajaran yang tidak terawasi, tidak memerlukan target output. Pada
metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama
proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan
pembelajaran ini adalah mengelompokkan
unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini
biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola.
Ø Pelatihan dengan supervisi. Contoh: model Hebbian, Perceptron,
Delta, ADALINE, Backpropagation, Heteroassociative Memory, Biderectional
Associative Memory (BAM)
Ø Pelatihan tanpa supervisi. Contoh: model Hebian, competitive,
Kohonen, Learning Vector Quantization (LVQ), Hopfield
Berdasarkan arsitektur JST:
a. Jaringan Layar Tunggal. Contoh:
ADALINE, Hopfield, Perceptron, LVQ
b. Jaringan Layar Jamak, Contoh:
MADALINE, Backpropagation, Neocognitron
c. Recurrent. Contoh: BAM, Hopfield,
Boltzman Machine
Petunjuk
untuk memilih arsitektur jaringan
Spesifikasi masalah dapat digunakan untuk menolong dalam penentuan
arsitektur jaringan, sbb. :
1. Jumlah input jaringan = jumlah input masalah
2. Jumlah neuron dalam lapisan output = jumlah
output masalah
3. Fungsi transfer lapisan
output dipilih sedemikian rupa sesuai dengan spesifikasi output masalah
Aplikasi yang sudah ditemukan
a. Klasifikasi. Model yang
digunakan: ADALINE, LVQ, Backpropagation
b. Pengenalaan Pola. Model
yang digunakan: Adaptive Resononance Theory (ART), LVQ, Backpropagation
c. Peramalan. Model yang
digunakan: ADALINE, MADALINE, Backpropagation
d. Optimisasi. Model yang
digunakan: ADALINE, Hopfield, Backpropagation
0 komentar:
Posting Komentar