Tole Sutikno
Associate Professor, Dept. of Electrical Eng., Universitas Ahmad Dahlan

SCImago Journal Rank SCImago Journal & Country Rank
Anda Pengunjung ke:
Free Web Counters

Home > Teaching > Jaringan Syaraf Tiruan (Artificial Neural Network)

Jaringan Syaraf Tiruan (Artificial Neural Network)


Pengantar

Jaringan syaraf tiruan (artificial neural network) biasa juga disebut ANN, JST atau neural network adalah model sistem komputasi yang dapat bekerja seperti sistem syaraf biologis pada saat berhubungan dengan �dunia luar�. Terjemahan yang diambil bukan jaringan syaraf buatan seperti dalam menterjemahkan Artificial Inteligent (AI). Penggunaan kata buatan dapat memberikan konotasi, bahwa manusia berusaha membuat jaringan syaraf aslinya. Padahal maksud dari Jaringan Syaraf Tiruan adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis.

Pada dasarnya jaringan syaraf terdiri dari banyak elemen pemroses sederhana yang disebut neuron, sel, unit atau simpul. Sebagai bahan perbandingan, jumlah sel syaraf otak seekor cacing diperkirakan ada 1000 buah dan pada otak manusia kurang lebih 100 tiryun buah. Setiap sel syaraf berhubungan dengan sel syaraf lainnya memakai saluran komunikasi (comincation link) yang teratur dengan suatu bobot penghubung. Bobot-bobot tersebut digunakan oleh jaringan untuk menyelesaikan masalah. Jaringan syaraf tiruan mempunyai beberapa sifat yang dimiliki otak manusia, yaitu :

1. Kemampuan untuk belajar dari pengalaman.

2. Kemampuan melakukan perumuman (generalization) terhadap input baru dari pengalaman yang dimilikinya.

3. Kemampuan memisahkan (abstraction) karakteristik penting dari input yang mengandung data yang tidak penting.

Jaringan syaraf tiruan adalah sistem pemrosesan informasi yang mempunyai karakteristik kinerja tertentu yang sama dengan jaringan neural biologis. Jaringan syaraf tiruan telah dikembangkan sebagai generalisasi model matematika dari kognisi manusia atau biologis neural, berbasis pada asumsi bahwa :

1. Pemrosesan info terjadi pada banyak elemen sederhana yang disebut neuron.

2. Sinyal diberikan antara neuron lewat jaringan koneksi.

3. Setiap jalinan koneksi mempunyai bobot yang mengalikan sinyal yang ditransmisikan.

4. Setiap neuron menerapkan fungsi aktivasi (yang biasanya non linear) terhadap input netto n (jumlah sinyal input terbobot) untuk menentukan sinyal outputnya.

Lecture Timetable and Handouts

Here's an outline of the module structure and lecture timetable. All the module handouts were made available here as pdf files shortly after the paper versions were distributed in the lectures.

Week

Monday 07:15-09:45 (313)

1

Introduction to Neural Networks and their History. [pdf]

Biological Neurons and Neural Networks. Artificial Neurons. [pdf]

2

Networks of Artificial Neurons. Single Layer Perceptrons. [pdf]

Learning and Generalization in Single Layer Perceptrons. [pdf]

3

Hebbian Learning. Gradient Descent Learning. [pdf]

The Generalized Delta Rule. Practical Considerations. [pdf]

4

Learning in Multi-Layer Perceptrons. Back-Propagation. [pdf]

Learning with Momentum. Conjugate Gradient Learning. [pdf]

5

Bias and Variance. Under-Fitting and Over-Fitting. [pdf]

Improving Generalization. [pdf]

6

Applications of Multi-Layer Perceptrons. [pdf]

Exercise Session 1

7

Radial Basis Function Networks: Introduction. [pdf]

Radial Basis Function Networks: Algorithms. [pdf]

8

Radial Basis Function Networks: Applications. [pdf]

Committee Machines. [pdf]

9

Exercise Session 2

Self Organizing Maps: Fundamentals. [pdf]

10

Self Organizing Maps: Algorithms and Applications. [pdf]

Learning Vector Quantization (LVQ). [pdf]

11

Overview of More Advanced Topics. [pdf] Exercise Session 3

12

Two Revision Lectures Covering the Whole Module [pdf]

Recommended Books

The Recommended Books for this module are:

Title

Author(s)

Publisher, Date

Comments

An Introduction to Neural Networks

Kevin Gurney

Routledge, 1997

Non-mathematical introduction.

Neural Networks: A Comprehensive Foundation

Simon Haykin

Prentice Hall, 1999

Very comprehensive and up-to-date, but heavy in maths.

Neural Networks for Pattern Recognition

Christopher Bishop

Clarendon Press, Oxford, 1995

This is the book I always use.

Fundamentals of Neural Networks

Laurene Fausett

Prentice Hall, 1994

Good intermediate text.

The Essence of Neural Networks

Robert Callan

Prentice Hall Europe, 1999

Worth reading.

Introduction to Neural Networks

R. Beale & T. Jackson

IOP Publishing, 1990

Introductory text.

An Introduction to the Theory of Neural Computation

J. Hertz, A. Krogh & R.G. Palmer

Addison Wesley, 1991

Good all round book. Slightly mathematical.

Principles of Neurocomputing for Science and Engineering

F. M. Ham & I. Kostanic

McGraw Hill, 2001

Good advanced book, but rather mathematical.

Links to Tutorial in ANN


Neural Network Resources
Introduction to Neural Networks

CS 540 Lecture Notes: Neural Networks

Neural Nets by Kevin Gurney

Neural Network Tutorials

Neural Network Application

Lecture Notes (CZ3205 Neural Computing)

Machine Learning & Artificial Neural Networks

CS 621 - Artificial Intelligence

Weekly Calender of NN

Makhfi.com

BrainMaker Neural Network Application Examples


Tole Sutikno - Electrical Engineering Department Copyright 2013