STRUKTUR DASAR JST

Sel syaraf atau neuron terdiri dari 3 elemen penting :
1. Fungsi Aktivasi yang mengatur output dari setiap neuron.
2. Mempunyai jalur / sinapsis yang berhubungan satu dengan yang lain dimana setiap hubungan
memiliki weight / bobot.
3. Suatu fungsi tertentu untuk perhitungan nilai input (fungsi aktivasi).

Arsitektur Jaringan

a. Single Layer Network
Model ini adalah teknik matematis yang paling sederhana. Model ini pertama kali diperkenalkan oleh McCulloch dan Pitts.








Gb 1. Single Layer Network dengan 2 layer (input output)

Dalam jaringan ini, beberpa neuron(x) berhubungan langsung dengan layer output (y). Masingmasing
input terhubung dengan bobot (w) dan menghasilkan output yang berbeda tergantung
dari input yang ada. Selama proses learning, bobotbobot
akan dimodifikasi berdasarkan aturan
tertentu guna menghasilkan keakuratan yang tepat. Model ini sangat cocok untuk teknik
pengenalan pola dilihat dari tingkat kesederhanaannya.

b. Multi Layer Network
Jaringan ini merupakan pengembangan dari single layer network. Pada Model ini, jaringan
mempunyai layer tambahan atau yang sering disebut dengan hidden layer. Keunggulan model
ini adalah kemampuannya yang lebih untuk menghasilkan output yang lebih akurat dari model
pertama. Tentunya dengan penambahan jumlah layer, teknik matematisnya pun akan semakin
kompleks.



Gb 2. Multi Layer Network dengan 3 layer (input – hidden output)
c. Recurrent Networks
Arsitektur ini mempunyai alur untuk mengembalikan nilai output untuk memberikan sinyal ke
layer input (feedback loop). Model ini setidakny harus memiliki minimal satu feedback loop.
Recurrent Networks bisa ditingkatkan akurasinya dengan menambahkan hidden layer.

d. Competitive Layer Network
Arsitektur jaringan ini mempunyai bentuk yang unik, dimana semua neuron saling terhubung
satu dengan yang lain.



Gb 4. Competitive Layer Network