Jaringan saraf tiruan: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Hennyharumy (bicara | kontrib) Tidak ada ringkasan suntingan |
Hennyharumy (bicara | kontrib) Tidak ada ringkasan suntingan |
||
Baris 1:
[[Berkas:Artificial neural network.svg|jmpl|300px|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]]: ''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 [[Sistem saraf|sistem saraf 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. Jaringan Saraf tiruan dikategorikan efektif dalam memprediksi <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
| |||