 1.lapisan input, lapisan tersembunyi (hidden layer), dan lapisan output.
2
3. *Koneksi*: Neuron tiruan dihubungkan oleh koneksi yang memiliki bobot (weight), yang menentukan kekuatan sinyal yang dikirimkan.
4. *Aktivasi*: Fungsi aktivasi digunakan untuk mengaktifkan atau menonaktifkan neuron tiruan berdasarkan input yang diterima.
5. *Pembelajaran*: JST dapat belajar dari data melalui proses pembelajaran, seperti backpropagation dan algoritma optimasi lainnya.
Cara Kerja JST
1. *Input*: Data masuk ke lapisan input.
2. *Pengolahan*: Data diproses oleh neuron tiruan di lapisan tersembunyi.
3. *Aktivasi*: Fungsi aktivasi mengaktifkan atau menonaktifkan neuron tiruan.
4. *Output*: Hasil pengolahan data keluar dari lapisan output.
5. *Pembelajaran*: JST memperbarui bobot koneksi berdasarkan kesalahan antara output dan target.
Jenis JST
1. *JST Feedforward*: Data mengalir hanya dalam satu arah.
2. *JST Recurrent*: Data mengalir dalam loop, memungkinkan pengolahan data waktu.
3. *JST Convolutional*: Digunakan untuk pengolahan data gambar dan video.
Aplikasi JST
1. *Pengenalan Pola*: Pengenalan wajah, pengenalan suara.
2. *Klasifikasi*: Klasifikasi teks, klasifikasi gambar.
3. *Prediksi*: Prediksi cuaca, prediksi saham.
4. *Robotik*: Kontrol robot, navigasi.
5. *Kecerdasan Buatan*: Sistem rekomendasi, chatbot.
Kelebihan JST
1. *Kemampuan Belajar*: JST dapat belajar dari data.
2. *Kemampuan Mengenali Pola*: JST dapat mengenali pola kompleks.
3. *Kemampuan Mengadaptasi*: JST dapat beradaptasi dengan perubahan data.
Keterbatasan JST
1. *Ketergantungan Data*: JST memerlukan 1.data yang cukup dan berkualitas.
2. *Kesulitan Interpretasi*: Hasil JST sulit diinterpretasikan.
3. *Ketergantungan Algoritma*: JST memerlukan algoritma yang tepat.
Dengan demikian, Jaringan Syaraf Tiruan merupakan teknologi canggih yang dapat membantu mengatasi berbagai masalah kompleks dalam berbagai bidang
2.
Berikut adalah komponen dasar jaringan syaraf tiruan (JST:
Komponen Dasar JST
1. *Neuron (Unit/Node)*: Merupakan unit dasar pengolah informasi dalam JST. Neuron menerima input, mengolahnya, dan menghasilkan output.
2. *Lapisan Input (Input Layer)*: Menerima data masuk dan mentransmisikannya ke lapisan tersembunyi. Jumlah neuron di lapisan input sesuai dengan jumlah fitur data.
3. *Lapisan Tersembunyi (Hidden Layer)*: Terletak di antara lapisan input dan output. Lapisan ini melakukan pengolahan kompleks data. Jumlah lapisan tersembunyi dapat bervariasi.
4. *Lapisan Output (Output Layer)*: Menghasilkan output akhir JST berdasarkan pengolahan data. Jumlah neuron di lapisan output sesuai dengan jumlah kelas atau target.
Komponen Neuron
1. *Bias*: Nilai konstan yang ditambahkan ke hasil pengolahan.
2. *Bobot (Weight)*: Koefisien yang menentukan kekuatan sinyal antar neuron.
3. *Fungsi Aktivasi*: Mengaktifkan atau menonaktifkan neuron berdasarkan input (contoh: sigmoid, ReLU, tanh).
4. *Input*: Data masuk ke neuron.
Jenis Lapisan Tersembunyi
1. *Lapisan Tersembunyi Tunggal*: Satu lapisan tersembunyi.
2. *Lapisan Tersembunyi Ganda*: Lebih dari satu lapisan tersembunyi.
3. *Lapisan Tersembunyi Dalam (Deep Hidden Layer)*: Banyak lapisan tersembunyi.
Fungsi Aktivasi Umum
1. Sigmoid
2. ReLU (Rectified Linear Unit)
3. tanh (Hyperbolic Tangent)
4. Leaky ReLU
5. Softmax
Koneksi Antara Neuron
1. *Koneksi Maju (Feedforward)*: Data mengalir hanya dalam satu arah.
2. *Koneksi Balik (Feedback)*: Data mengalir dalam loop.
Pembelajaran JST
1. *Pembelajaran Supervised*: JST dilatih dengan data berlabel.
2. *Pembelajaran Unsupervised*: JST dilatih tanpa data berlabel.
3. *Pembelajaran Semi-Supervised*: Kombinasi supervised dan unsupervised.
Algoritma Pembelajaran
1. Backpropagation
2. Stochastic Gradient Descent (SGD)
3. Adam
4. RMSProp
Perangkat Lunak JST
1. TensorFlow
2. PyTorch
3. Keras
4. Scikit-Learn
Aplikasi JST
1. Pengenalan Pola
2. Klasifikasi
3. Prediksi
4. Robotik
5. Kecerdasan Buatan
Referensi
1. "Deep Learning" oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville.
2. "Neural Networks and Deep Learning" oleh Michael Nielsen.
3. "Python Deep Learning" oleh Valentin Crettaz.