- Jaringan saraf tiruan
- Sistem saraf
- Jaringan saraf konvolusional
- Pemelajaran dalam
- DeepDream
- Akal imitasi
- You Only Look Once
- Penyulihbentuk praterlatih generatif
- Terjemahan mesin saraf
- Sistem kendali cerdas
It Ends with Us (2024)
Bioskop Online, bioskop21, BioskopKeren, Cinemaindo, Dewanonton, Drakor ID, DrakorIndo, Drama, DramaQu, Dunia21, DutaFilm, gudangmovie, gudangmovie21, IndoXX1, Indoxxi, KorDramas, LayarKaca21, Layarkaca21 INDOXXI, LK21, LK21 XXI, Nonton drama, Nonton Movie, Pahe.in, PusatFilm21, Romance, USA
Justin Baldoni
21 Jump Street (2012)
Action, Bioskop Online, bioskop21, BioskopKeren, Cinemaindo, Comedy, Crime, Dewanonton, Drakor ID, DrakorIndo, DramaQu, Dunia21, DutaFilm, Ganool, gudangmovie, gudangmovie21, IndoXX1, Indoxxi, KorDramas, LayarKaca21, Layarkaca21 INDOXXI, LK21, LK21 XXI, Nonton drama, Nonton Movie, Pahe.in, PusatFilm21, USA
Phil Lord
The Taste of Money (2012)
Bioskop Online, bioskop21, BioskopKeren, Cinemaindo, Drakor ID, DrakorIndo, Drama, DramaQu, Ganool, gudangmovie, gudangmovie21, IndoXX1, Indoxxi, KorDramas, LayarKaca21, Layarkaca21 INDOXXI, LK21, LK21 XXI, Nonton drama, Nonton Movie, Pahe.in, PusatFilm21, Korea
Im Sang-soo
Jaringan saraf tiruan GudangMovies21 Rebahinxxi LK21
Jaringan saraf tiruan (JST) (bahasa Inggris: artificial neural network; ANN, atau simulated neural network (SNN), atau neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan 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.
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.
Sejarah
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
Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi
f
:
X
→
Y
{\displaystyle f:X\rightarrow Y}
. 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:
Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.
Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya
g
i
(
x
)
{\displaystyle g_{i}(x)}
(lapisan ke-
i
{\displaystyle i}
). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi nonlinear weighted sum, dimana
f
(
x
)
=
K
(
∑
i
w
i
g
i
(
x
)
)
{\displaystyle f(x)=K(\sum _{i}w_{i}g_{i}(x))}
,
K
{\displaystyle K}
merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan
w
{\displaystyle w}
merupakan beban atau weight.
Lihat pula
20Q
Artificial life
Autoassociation memory
Autoencoder
Biological neural network
Biologically-inspired computing
Clinical decision support system
Connectionist expert system
Decision tree
Sistem pakar
Logika Fuzzy
Algoritme genetik
Gnod, a Kohonen network application
Linear discriminant analysis
Regresi logistik
Multilayer perceptron
Nearest neighbor (pattern recognition)
Jaringan saraf
Neuroevolution, NeuroEvolution of Augmented Topologies (NEAT)
Neural network software
Ni1000 chip
Jaringan saraf optik
Particle swarm optimization
Perceptron
Predictive analytics
Principal components analysis
Regression analysis
Simulated annealing
Systolic array
Systolic automaton
Time delay neural network (TDNN)
Daftar pustaka
Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 2.
Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 3.
Bar-Yam, Yaneer (2005). Making Things Work. Please see Chapter 3
Bhagat, P.M. (2005) Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1
Bishop, C.M. (1995) Neural Networks for Pattern Recognition, Oxford: Oxford University Press. ISBN 0-19-853849-9 (hardback) or ISBN 0-19-853864-2 (paperback)
Duda, R.O., Hart, P.E., Stork, D.G. (2001) Pattern classification (2nd edition), Wiley, ISBN 0-471-05669-3
Gurney, K. (1997) An Introduction to Neural Networks London: Routledge. ISBN 1-85728-673-1 (hardback) or ISBN 1-85728-503-4 (paperback)
Haykin, S. (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall, ISBN 0-13-273350-1
Fahlman, S, Lebiere, C (1991). The Cascade-Correlation Learning Architecture, created for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499. electronic version Diarsipkan 2013-05-03 di Wayback Machine.
Hertz, J., Palmer, R.G., Krogh. A.S. (1990) Introduction to the theory of neural computation, Perseus Books. ISBN 0-201-51560-1
Lawrence, Jeanette (1994) Introduction to Neural Networks, California Scientific Software Press. ISBN 1-883157-00-5
Masters, Timothy (1994) Signal and Image Processing with Neural Networks, John Wiley & Sons, Inc. ISBN 0-471-04963-8
Ness, Erik. 2005. SPIDA-Web Diarsipkan 2007-12-11 di Wayback Machine.. Conservation in Practice 6(1):35-36. On the use of artificial neural networks in species taxonomy.
Ripley, Brian D. (1996) Pattern Recognition and Neural Networks, Cambridge
Smith, Murray (1993) Neural Networks for Statistical Modeling, Van Nostrand Reinhold, ISBN 0-442-01310-8
Wasserman, Philip (1993) Advanced Methods in Neural Computing, Van Nostrand Reinhold, ISBN 0-442-00461-3
Referensi
Pranala luar
Selayang pandang Algoritme Jaringan Saraf Tiruan
Pranala Open Directory Diarsipkan 2007-12-31 di Wayback Machine.
Artikel tentang Jaringan Saraf Tiruan Diarsipkan 2007-11-13 di Wayback Machine.
Kata Kunci Pencarian:
Gambar 2. Flowchart Jaringan Saraf Tiruan Multilayer Perceptron ...
Gambar 2. Flowchart Jaringan Saraf Tiruan Multilayer Perceptron ...
Jaringan saraf tiruan - Wikiwand
Jaringan Syaraf Tiruan
Jaringan Saraf Tiruan - Homecare24
Jaringan Saraf Tiruan - Homecare24
Jaringan Saraf Tiruan - Homecare24
SOLUTION: Karakteristik dari jaringan syaraf tiruan - Studypool
SOLUTION: Karakteristik dari jaringan syaraf tiruan - Studypool
Gambar 4. Topologi Jaringan Syaraf Tiruan yang digunakan. | Download ...
Pengantar Jaringan Saraf Tiruan dan Implementasi
Pengantar Jaringan Saraf Tiruan dan Implementasi