1.pengertian JST
Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah sistem komputasi yang terinspirasi oleh cara kerja otak manusia dalam memproses informasi. JST dirancang untuk mengenali pola dan mempelajari hubungan di antara data. JST bekerja dengan meniru struktur neuron biologis, di mana banyak unit kecil (neuron tiruan) terhubung melalui lapisan-lapisan tertentu untuk memproses data secara paralel.
Prinsip Dasar JST:
- Pembelajaran: JST menggunakan algoritma pembelajaran, seperti supervised learning, unsupervised learning, atau reinforcement learning, untuk memperbaiki bobot koneksi antar neuron sehingga hasil yang diinginkan tercapai.
- Penyebaran Sinyal: Informasi diproses melalui penyebaran maju (feedforward), di mana data input dikirimkan ke lapisan-lapisan neuron hingga menghasilkan output.
- Penyesuaian Bobot: JST menggunakan algoritma seperti backpropagation untuk menyesuaikan bobot berdasarkan perbedaan antara output prediksi dan nilai target, sehingga kesalahan diminimalkan.
- Fungsi Aktivasi: Fungsi ini digunakan di setiap neuron untuk menentukan apakah sinyal yang diterima cukup kuat untuk diteruskan ke neuron berikutnya.
2.KOMPONRN DASAR JST
Jaringan syaraf tiruan terdiri dari beberapa komponen utama, yaitu:
-
Neuron Tiruan:
- Unit pemrosesan dasar dalam JST yang menerima input, mengolahnya dengan bobot tertentu, dan meneruskan output.
- Neuron menggabungkan input menggunakan fungsi linear (misalnya, penjumlahan berbobot) dan menerapkan fungsi aktivasi untuk menghasilkan output.
-
Lapisan Input:
- Lapisan pertama dalam JST yang menerima data mentah dari lingkungan eksternal.
- Setiap neuron di lapisan ini mewakili fitur atau variabel input. Neuron input biasanya hanya meneruskan data tanpa melakukan pemrosesan.
-
Lapisan Tersembunyi (Hidden Layer):
- Lapisan di antara lapisan input dan output yang bertugas memproses data secara non-linear.
- Lapisan tersembunyi memungkinkan JST untuk mempelajari pola yang lebih kompleks dan menemukan hubungan tersembunyi dalam data.
- Jumlah lapisan tersembunyi dan neuron di dalamnya memengaruhi kemampuan dan kompleksitas JST.
-
Lapisan Output:
- Lapisan terakhir dalam JST yang menghasilkan prediksi atau hasil akhir.
- Neuron di lapisan ini mewakili variabel target. Jumlah neuron tergantung pada jenis tugas (misalnya, satu neuron untuk regresi atau sejumlah neuron sesuai kelas dalam klasifikasi).
Hubungan Antar Komponen: Neuron-neuron di setiap lapisan terhubung melalui bobot. Selama pelatihan, bobot ini diperbarui untuk meminimalkan kesalahan dan meningkatkan performa JST. Lapisan tersembunyi memainkan peran kunci dalam mendeteksi pola-pola yang sulit dikenali oleh model linier sederhana.