Jaringan saraf tiruan: Perbedaan antara revisi

[[Berkas:Artificial neural network.svg|thumb|300pxjmpl|Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf ([[neuron]]) [[manusia|jaringan saraf]].]]

'''Jaringan saraf tiruan (JST)''' ([[Bahasa Inggris]]: ''{{lang-en|artificial neural network}}; (ANN)'', atau juga disebut ''simulated neural network'' (SNN)'', atau umumnya hanya disebut ''neural network'' (NN)''), adalah [[jaringan]] dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan [[jaringansistem saraf manusia]] manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.<ref>{{Cite journal|last=Nasution|first=Darmeli|last2=Harumy|first2=T. Henny F.|last3=Haryanto|first3=Eko|last4=Fachrizal|first4=Ferry|last5=Julham|last6=Turnip|first6=Arjon|date=2015-10|year=2015|title=A classification method for prediction of qualitative properties of multivariate EEG-P300 signals|url=http://dx.doi.org/10.1109/icacomit.2015.7440180|journal=2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology (ICACOMIT)|publisher=IEEE|volume=|issue=|pages=|doi=10.1109/icacomit.2015.7440180|isbn=978-1-4673-7408-8}}</ref>

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. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.<ref>Kurt Hornik, Maxwell Stinchcombe, Halbert White, Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, 1989, Pages 359-366, ISSN 0893-6080, <nowiki>http://dx.doi.org/10.1016/0893-6080(89)90020-8</nowiki>. (<nowiki>http://www.sciencedirect.com/science/article/pii/0893608089900208</nowiki>) Keywords: Feedforward networks; Universal approximation; Mapping networks; Network representation capability; Stone-Weierstrass Theorem; Squashing functions; Sigma-Pi networks; Back-propagation networks</ref>

Saat ini bidang [[kecerdasan buatan]] dalam usahanya menirukan [[intelegensi]] [[manusia]], belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ''Cognitive Science''. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada [[komputer]], dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah [[Waffen McCulloch]] dan [[Walter Pitts]] pada tahun [[1943]]. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis [[sel]]-sel [[otak]]. Metode yang dikembangkan berdasarkan sistem [[saraf]] [[biologi]] ini, merupakan suatu langkah maju dalam industri komputer.

Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi <math>f : X \rightarrow Y</math>. Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa ''neuron'' yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

* Lapisan tersembunyi (''hidden layer'') terdiri dari ''neuron'' yang menerima data dari lapisan masukan.

Secara matematis, ''neuron'' merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya <math>g_i(x)</math> (lapisan ke-<math>i</math>). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian ditransformasidiubah ke nilai skalar melalui komposisi ''nonlinear weighted sum,'' dimana <math>f(x) = K(\sum_i w_i g_i(x))</math> , <math>K</math> merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan <math>w</math> merupakan beban atau ''weight''.

{{wikibooksWikibooks|Artificial Neural Networks}}

* [[AlgoritmaAlgoritme genetik]]

== BibliografiDaftar pustaka ==

* [http://www.learnartificialneuralnetworks.com/ Selayang pandang AlgoritmaAlgoritme Jaringan SarfSaraf Tiruan]

* [http://dmoz.org/Computers/Artificial_Intelligence/Neural_Networks/ Pranala Open Directory] {{Webarchive|url=https://web.archive.org/web/20071231085949/http://www.dmoz.org/Computers/Artificial_Intelligence/Neural_Networks/ |date=2007-12-31 }}

* [http://www.neurosecurity.com/articles.php Artikel tentang Jaringan Saraf Tiruan] {{Webarchive|url=https://web.archive.org/web/20071113143131/http://www.neurosecurity.com/articles.php |date=2007-11-13 }}