Programmer\’s farm

Pada setiap layer pada jaringan syaraf tiruan terdapat fungsi aktivasi. fungsi ini adalah fungsi umum yang akan digunakan untuk membawa input menuju output yang diinginkan. Fungsi aktivasi inilah yang akan menentukan besarnya bobot. Penggunaan fungsi aktivasi tergantung pada kebutuhan dan desired output. Contoh dari fungsi aktivasi ini antara lain:

1. Linier / Pureline

fungsi linier akan membawa input ke output yang sebanding. fungsi ini digambarkan sebagai berikut:

sumber : mathworks online

algoritma dari fungsi ini adalah:

a = n

2. Tansig

Tansig adalah fungsi sigmoid tangen yang digunakan sebagai fungsi aktivasi sumber : mathworks online

Fungsi ini akan membawa nilai input pada output dengan menggunakan rumus hyperbolic tangen sigmoid. Nilai maksimal output dari fungsi ini adalah 1 dan minimal -1.

algoritma dari fungsi ini adalah:

a = tansig(n) = 2/(1+exp(-2*n))-1

3. Logsig

Logsig = Log – Sigmoid adalah fungsi transfer yang membawa input ke output dengan penghitungan log-sigmoid. Nilai outputnya antara -1 hingga 1.

sumber : mathworks online

algoritma dari fungsi ini adalah:

a = logsig(n) = 1 / (1 + exp(-n))

4.  Hardlim dan Hardlims

Fungsi transfer hardlim dan hardlims digunakan untuk membawa input ke output yang terbatas. biasanya fungsi ini mempunyai dua jenis output saja yaitu 0 dan 1 (hardlim) atau -1 dan 1 (hardlims)

   sumber : mathworks online

Algoritma dari Hardlim:

• jika n >= 0 maka a = 1
• jika n < 0 maka a = 0

  sumber : mathworks online

Algoritma dari Hardlims:

• jika n >= 0 maka a = 1
• jika n < 0 maka a = -1

Masih ada banyak fungsi transfer yang biasa digunakan di jaringan syaraf tiruan antara lain comset, netinv, poslin, radbas, satlin, satlins, softmax, tribas, dan lain-lain

Perceptron merupakan metode termudah dari feedforward neural network (jaringan syaraf feedforward). Metode ini ditemukan di Cornell Aeronautical Laboratory oleh Frank Rosenblatt pada tahun 1957.

Metode perceptron ini biasanya digunakan untuk mengolah data biner. Persamaan umum dari metode perceptron pada jaringan syaraf feedforward ini adalah :

f(x) = 1 jika w*x+b>0 dan f(x) = 0 jika bukan

dimana w adalah bobot, x adalah input sedangkan b adalah bias. Sebenarnya b ini merupakan perkalian antara bias dengan bobot bias tetapi bobot bias ini biasanya diset bernilai 1.

Pada perceptron ini biasa digunakan satu atau lebih neuron.  Neuron adalah tali tali syaraf yang terhubung ke inti syaraf. Neuron pada jaringan syaraf tiruan ini berfungsi untuk menghubungkan input dengan output melalui bobot tertentu. Bobot pada jaraingan syaraf tiruan merupakan faktor pengali input.

Algoritma dari perceptron:

•  Set bobot awal secara random untuk masing masing input. Biasanya besarnya antara 0 – 1
• Set kemungkinan hasil yang diinginkan (desired output) dengan menggunakan ambang contoh
  • menggunakan ambang 0,5
  • nilai1 diperoleh jika output di atas 0,5 dan 0 jika dibawahnya.
• Kalikan kombinasi input pertama dengan bobot yang ada.
  • contoh kombinasi: pada operasi biner XOR

x1         x2           hasil yang diinginkan

1            0                         1

1            1                         0

0            1                         1

0           0                          0

• Bandingkan hasil tersebut dengan ambang dan desired output
  • contoh jika x1 = 1 dan x2 = 1
  • untuk operasi XOR, hasilnya= 0
  • jadi nilainya harus kurang dari 0,5
  • jika hasilnya 0,4 maka benar, tidak ada eror
  • jika hasilnya 0,7 maka salah dan ada eror -0,2
• Gunakan eror ini untuk memperbaiki bobot.
• Aplikasikan pada input ke dua dan seterusnya hingga kombinasi input terakhir.
• Jika iterasi masih terus dijalankan, ulangi memasukkan bobot terbaru ke kombinasi input pertama

Penerapan dari perceptron ini biasanya pada operasi logika biner seperti AND, OR, XOR, dll.

JARINGAN SYARAF TIRUAN

Jaringan syaraf tiruan merupakan metode yang sangat baik untuk pembuatan program yang berdasarkan pelatihan, sehingga akan menyerupai kinerja syaraf dan otak manusia.

Ada beberapa algoritma yang biasa digunakan dalam JST diantaranya adalah:
Perceptron
Back Propagation
Radial Base Neural Network
Kohonen
Hopefield
Hidden Markov
dan sebagainya, yang mana masing2 buku/literatur mengelompokkan dengan berbeda2

Untuk pembuatan programnya ada berbagai macam interface yang bisa digunakan. pada umumnya semua bahasa pemrograman bisa dipakai, namun harus membuat algoritma sendiri-sendiri dan ini agak rumit untuk tingkat pemula. Namun ada beberapa software yang memiliki komponen / tools, sehingga tinggal menuliskan script yang mudah, antara lain:
Matlab dan Simulink
Delphi dengan ditambah beberapa komponen

Kegunaan dari masing2 metode berbeda2. Back propgation merupakan metode yang paling umum digunakan untuk berbagai masalah. Sedangkan Hidden Markov biasanya digunakan untuk pengenalan suara.

JST ini juga bisa digunakan untuk mengolah data SISO (Single input single output) serta MIMO (Multi input multi output).